运输车辆的盖板开合检测方法、装置及终端制造方法及图纸

本发明专利技术公开了一种运输车辆的盖板开合检测方法、装置及终端，属于车辆管理领域。所述方法包括：获取目标图像，该目标图像为包括运输车辆的图像；通过第一卷积神经网络CNN模型对该目标图像中的运输车辆进行分类，得到该运输车辆所属的分类类别；其中，分类类别包括第一类别和第二类别，该第一类别用于指示运输车辆的盖板未闭合，该第二类别用于指示运输车辆的盖板已闭合；当该运输车辆所属的分类类别为该第一类别时，确定该运输车辆的盖板未闭合。本发明专利技术实现了利用图像识别技术对运输车辆的盖板开合进行检测，检测过程简单，检测精度和检测效率较高，而且还无需在车道上安装框架和激光测距仪，节省了检测成本。

【技术实现步骤摘要】
运输车辆的盖板开合检测方法、装置及终端
本专利技术实施例涉及车辆管理领域，特别涉及一种运输车辆的盖板开合检测方法、装置及终端。
技术介绍
目前，交通运输管理规定渣土车、砂石车等运输车辆的厢体顶部必须添加盖板，且运输过程中必须将盖板闭合严实。但是有些运输车辆的司机为了提高运货量，经常会超载运输，如果超载运输则厢体顶部的盖板就无法闭合严实，这将会导致行驶中出现渣土、砂石等货物抛洒的现象，既会污染道路环境，又会妨碍人们的正常出行。为此，也就需要对运输车辆的盖板开合情况进行检测。相关技术中，提出了一种运输车辆的盖板开合检测方法，包括：在运输车辆经过的固定车道上安装框架，并在框架上垂直安装一组激光测距仪，通过安装的激光测距仪向运输车辆厢体顶部的盖板垂直发射激光，来测量盖板上不同点到框架的水平架的距离，并将测量的距离输入到计算机中，然后利用计算机根据接收到的距离计算出厢体顶部的盖板与水平面的夹角，通过夹角来判断盖板合盖的严实程度，当夹角大于预设夹角时，确定盖板未闭合。但是，上述通过激光测距并计算盖板与水平面之间的夹角的检测方法中，需要通过仪器测距且检测算法复杂，因此检测精度和检测效率较低，而且还必须在车道上安装框架和激光测距仪，检测成本也较高。
技术实现思路
为了解决相关技术中存在的检测精度和检测效率较低，检测成本较高的问题，本专利技术实施例提供了一种运输车辆的盖板开合检测方法、装置、终端及存储介质。所述技术方案如下：第一方面，提供了一种运输车辆的盖板开合检测方法，所述方法包括：获取目标图像，所述目标图像为包括运输车辆的图像；通过第一CNN(ConvolutionalNeuralNetwork，卷积神经网络)模型对所述目标图像中的运输车辆进行分类，得到所述运输车辆所属的分类类别；其中，分类类别包括第一类别和第二类别，所述第一类别用于指示运输车辆的盖板未闭合，所述第二类别用于指示运输车辆的盖板已闭合；当所述运输车辆所属的分类类别为所述第一类别时，确定所述运输车辆的盖板未闭合。可选地，所述当所述运输车辆所属的分类类别为所述第一类别时，确定所述运输车辆的盖板未闭合，包括：当所述第一类别包括第一子类别、第二子类别和第三子类别，且所述运输车辆所属的分类类别为所述第一子类别或者所述第二子类别时，确定所述运输车辆的盖板未闭合，并确定所述运输车辆是违法运输车辆；其中，所述第一子类别用于指示运输有物品且盖板未合紧的运输车辆，所述第二子类别用于指示运输有物品且厢体完全敞开的运输车辆，所述第三子类别用于指示没有运输物品且厢体完全敞开的运输车辆；当所述第一类别包括第一子类别、第二子类别和第三子类别，且所述运输车辆所属的分类类别为所述第三子类别时，确定所述运输车辆的盖板未闭合，并确定所述运输车辆不是违法运输车辆。可选地，所述获取目标图像之后，还包括：从所述目标图像中确定所述运输车辆的车牌所在区域；基于预设车牌识别模型对所述车牌所在区域进行识别，得到所述运输车辆的车牌号码；相应地，所述确定所述运输车辆是违法运输车辆之后，还包括：将所述车牌号码存储在本地，或者将所述车牌号码上传至车辆管理系统。可选地，所述通过第一CNN模型对所述目标图像中的运输车辆进行分类，得到所述运输车辆所属的分类类别，包括：将所述目标图像作为所述第一CNN模型的输入，通过所述第一CNN模型确定第一概率、第二概率、第三概率和第四概率，所述第一概率、第二概率、第三概率和第四概率是指所述运输车辆分别属于所述第一子类别、所述第二子类别、所述第三子类别和所述第二类别的概率；将所述第一概率、第二概率、第三概率和第四概率中的最大概率所对应的类别确定为所述运输车辆所属的分类类别。可选地，所述通过第一CNN模型对所述目标图像中的运输车辆进行分类之前，还包括：获取多个第一样本图像和所述多个第一样本图像中包括的多个运输车辆所属的实际分类类别，所述多个运输车辆中包括盖板未闭合的运输车辆和盖板已闭合的运输车辆；通过第二CNN模型对所述多个运输车辆分别进行分类，得到每个运输车辆所属的分类类别，所述第二CNN模型为待训练的且能够识别运输车辆所属的分类类别的CNN模型；基于所述多个运输车辆所属的实际分类类别和通过所述第二CNN模型分类后所述多个运输车辆所属的分类类别，计算所述第二CNN模型的分类误差；基于所述第二CNN模型的分类误差，对所述第二CNN模型的模型参数进行调整，得到所述第一CNN模型。可选地，所述获取目标图像，包括：从多个采集图像中选择包括车辆的采集图像，所述多个采集图像为对车道进行拍摄得到；从选择的采集图像中提取车辆所在区域；通过第三CNN模型对提取的区域中的车辆进行分类，得到所述车辆所属的车辆类别，车辆类别包括运输车辆类别和非运输车辆类别；当所述车辆所属的类别为所述运输车辆类别时，基于所述提取的区域确定所述目标图像。可选地，所述基于所述提取的区域确定所述目标图像，包括：将所述提取的区域确定为所述目标图像；或者，将所述提取的区域中车辆的预设位置所在的区域确定为所述目标图像。可选地，所述通过第三CNN模型对提取的区域中的车辆进行分类之前，还包括：获取多个第二样本图像和所述多个第二样本图像中包括的多个车辆所属的实际车辆类别，所述多个车辆中包括运输车辆和非运输车辆；通过第四CNN模型对所述多个车辆分别进行分类，得到每个车辆所属的车辆类别，所述第四CNN模型为待训练的且能够识别车辆所属的车辆类别的CNN模型；基于所述多个车辆所属的实际车辆类别和通过所述第四CNN模型分类后所述多个车辆所属的车辆类别，计算所述第四CNN模型的分类误差；基于所述第四CNN模型的分类误差，对所述第四CNN模型的模型参数进行调整，得到所述第三CNN模型。第二方面，提供了一种运输车辆的盖板开合检测装置，所述装置包括：第一获取模块，用于获取目标图像，所述目标图像为包括运输车辆的图像；第一分类模块，用于通过第一卷积神经网络CNN模型对所述目标图像中的运输车辆进行分类，得到所述运输车辆所属的分类类别；其中，分类类别包括第一类别和第二类别，所述第一类别用于指示运输车辆的盖板未闭合，所述第二类别用于指示运输车辆的盖板已闭合；第一确定模块，用于当所述运输车辆所属的分类类别为所述第一类别时，确定所述运输车辆的盖板未闭合。可选地，所述第一确定模块包括：第一确定单元，用于当所述第一类别包括第一子类别、第二子类别和第三子类别，且所述运输车辆所属的分类类别为所述第一子类别或者所述第二子类别时，确定所述运输车辆的盖板未闭合，并确定所述运输车辆是违法运输车辆；其中，所述第一子类别用于指示运输有物品且盖板未合紧的运输车辆，所述第二子类别用于指示运输有物品且厢体完全敞开的运输车辆，所述第三子类别用于指示没有运输物品且厢体完全敞开的运输车辆；第二确定单元，用于当所述第一类别包括第一子类别、第二子类别和第三子类别，且所述运输车辆所属的分类类别为所述第三子类别时，确定所述运输车辆的盖板未闭合，并确定所述运输车辆不是违法运输车辆。可选地，所述装置还包括：第二确定模块，用于从所述目标图像中确定所述运输车辆的车牌所在区域；识别模块，用于基于预设车牌识别模型对所述车牌所在区域进行识别，得到所述运输车辆的车牌号码；车牌处理模块，用于将所述车牌号码存储在本地，或者将所述本文档来自技高网...

【技术保护点】
1.一种运输车辆的盖板开合检测方法，其特征在于，所述方法包括：获取目标图像，所述目标图像为包括运输车辆的图像；通过第一卷积神经网络CNN模型对所述目标图像中的运输车辆进行分类，得到所述运输车辆所属的分类类别；其中，分类类别包括第一类别和第二类别，所述第一类别用于指示运输车辆的盖板未闭合，所述第二类别用于指示运输车辆的盖板已闭合；当所述运输车辆所属的分类类别为所述第一类别时，确定所述运输车辆的盖板未闭合。

【技术特征摘要】
1.一种运输车辆的盖板开合检测方法，其特征在于，所述方法包括：获取目标图像，所述目标图像为包括运输车辆的图像；通过第一卷积神经网络CNN模型对所述目标图像中的运输车辆进行分类，得到所述运输车辆所属的分类类别；其中，分类类别包括第一类别和第二类别，所述第一类别用于指示运输车辆的盖板未闭合，所述第二类别用于指示运输车辆的盖板已闭合；当所述运输车辆所属的分类类别为所述第一类别时，确定所述运输车辆的盖板未闭合。2.如权利要求1所述的方法，其特征在于，所述当所述运输车辆所属的分类类别为所述第一类别时，确定所述运输车辆的盖板未闭合，包括：当所述第一类别包括第一子类别、第二子类别和第三子类别，且所述运输车辆所属的分类类别为所述第一子类别或者所述第二子类别时，确定所述运输车辆的盖板未闭合，并确定所述运输车辆是违法运输车辆；其中，所述第一子类别用于指示运输有物品且盖板未合紧的运输车辆，所述第二子类别用于指示运输有物品且厢体完全敞开的运输车辆，所述第三子类别用于指示没有运输物品且厢体完全敞开的运输车辆；当所述第一类别包括第一子类别、第二子类别和第三子类别，且所述运输车辆所属的分类类别为所述第三子类别时，确定所述运输车辆的盖板未闭合，并确定所述运输车辆不是违法运输车辆。3.如权利要求2所述的方法，其特征在于，所述获取目标图像之后，还包括：从所述目标图像中确定所述运输车辆的车牌所在区域；基于预设车牌识别模型对所述车牌所在区域进行识别，得到所述运输车辆的车牌号码；相应地，所述确定所述运输车辆是违法运输车辆之后，还包括：将所述车牌号码存储在本地，或者将所述车牌号码上传至车辆管理系统。4.如权利要求2所述的方法，其特征在于，所述通过第一CNN模型对所述目标图像中的运输车辆进行分类，得到所述运输车辆所属的分类类别，包括：将所述目标图像作为所述第一CNN模型的输入，通过所述第一CNN模型确定第一概率、第二概率、第三概率和第四概率，所述第一概率、第二概率、第三概率和第四概率是指所述运输车辆分别属于所述第一子类别、所述第二子类别、所述第三子类别和所述第二类别的概率；将所述第一概率、第二概率、第三概率和第四概率中的最大概率所对应的类别确定为所述运输车辆所属的分类类别。5.如权利要求1所述的方法，其特征在于，所述通过第一CNN模型对所述目标图像中的运输车辆进行分类之前，还包括：获取多个第一样本图像和所述多个第一样本图像中包括的多个运输车辆所属的实际分类类别，所述多个运输车辆中包括盖板未闭合的运输车辆和盖板已闭合的运输车辆；通过第二CNN模型对所述多个运输车辆分别进行分类，得到每个运输车辆所属的分类类别，所述第二CNN模型为待训练的且能够识别运输车辆所属的分类类别的CNN模型；基于所述多个运输车辆所属的实际分类类别和通过所述第二CNN模型分类后所述多个运输车辆所属的分类类别，计算所述第二CNN模型的分类误差；基于所述第二CNN模型的分类误差，对所述第二CNN模型的模型参数进行调整，得到所述第一CNN模型。6.如权利要求1-5任一所述的方法，其特征在于，所述获取目标图像，包括：从多个采集图像中选择包括车辆的采集图像，所述多个采集图像为对车道进行拍摄得到；从选择的采集图像中提取车辆所在区域；通过第三CNN模型对提取的区域中的车辆进行分类，得到所述车辆所属的车辆类别，车辆类别包括运输车辆类别和非运输车辆类别；当所述车辆所属的类别为所述运输车辆类别时，基于所述提取的区域确定所述目标图像。7.如权利要求6所述的方法，其特征在于，所述基于所述提取的区域确定所述目标图像，包括：将所述提取的区域确定为所述目标图像；或者，将所述提取的区域中车辆的预设位置所在的区域确定为所述目标图像。8.如权利要求6所述的方法，其特征在于，所述通过第三CNN模型对提取的区域中的车辆进行分类之前，还包括：获取多个第二样本图像和所述多个第二样本图像中包括的多个车辆所属的实际车辆类别，所述多个车辆中包括运输车辆和非运输车辆；通过第四CNN模型对所述多个车辆分别进行分类，得到每个车辆所属的车辆类别，所述第四CNN模型为待训练的且能够识别车辆所属的车辆类别的CNN模型；基于所述多个车辆所属的实际车辆类别和通过所述第四CNN模型分类后所述多个车辆所属的车辆类别，计算所述第四CNN模型的分类误差；基于所述第四CNN模型的分类误差，对所述第四CNN模型的模型参数进行调整，得到所述第三CNN模型。9.一种运输车辆的盖板开合检测装置，其特征在于，所述装置包括：第一获取模块，用于获取目标图像，所述目标图像为...

【专利技术属性】
技术研发人员：徐博，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江,33