基于机器视觉和深度学习的汽车智能座舱仪表测试方法技术

本发明专利技术涉及的是一种基于机器视觉和深度学习的汽车智能座舱仪表测试方法，利用机器视觉与深度学习结合的方法，机器视觉系统主要包括仪表图像采集、图像预处理、仪表图像区域分割、仪表图标识别和检测、仪表文字及字符区域识别和检测，深度学习训练模型通过在暗箱条件下通过CMOS相机采集大量不同功能状态下正常显示的仪表产品图像样本并进行图像区域分割，利用VGGNet模型和改进的DCNN模型分别对图标样本区域和文字及字符进行深度学习训练，并将训练好的VGGNet模型以及改进的DCNN模型导入到机器视觉系统中对采集到的图标区域以及文字及字符分别进行识别和检测。能提高图标识别的准确率与稳定性，提高检测系统的检测效率。

Test method of automobile intelligent cockpit instrument based on machine vision and deep learning

【技术实现步骤摘要】
基于机器视觉和深度学习的汽车智能座舱仪表测试方法
本专利技术属于汽车电子仪表检测领域，具体涉及一种基于机器视觉和深度学习的汽车智能座舱仪表测试方法。
技术介绍
随着电子信息以及互联网的飞速发展，智能座舱正在广泛应用于汽车，显著的特点就是全液晶仪表的诞生和普及，以及智能座舱内多屏显示。显示内容更加丰富多样，其中显示内容主要可分为图标以及文字及字符两大类，图标包括车辆指示灯报警灯等图标信息，文字及字符包括车速里程数等文字信息。机器视觉作为一门发展迅猛的学科，也在汽车仪表检测上有所应用，但几乎都应用于传统的机械式汽车仪表，而现今全液晶仪表的显示功能的检测，主要还以人工检测为主，受人为主观因素影响较大，效率较低，准确率不高，容易出现错检漏检等现象。
技术实现思路
本专利技术所要解决的技术问题在于提供一种提供一种基于机器视觉和深度学习的汽车智能座舱仪表测试方法。可以代替人工，节省人力成本，还可通过深度学习模型学习新的仪表图像样本，分别对仪表图像的图标以及文字及字符进行识别检测，提高准确度，增强适应性和稳定性。本专利技术本文档来自技高网...

【技术保护点】
1.一种基于机器视觉和深度学习的汽车智能座舱仪表测试方法，其特征在于，包括以下步骤：/nS1:上位机与待测仪表之间建立通讯，要通过CAN总线或者LIN总线向待测仪表发送指令。/nS2:通过摄像头在暗箱条件下对待测仪表产品进行拍摄，并将拍摄的图像传送到上位机中。/nS3:上位机对拍摄仪表图像进行图像预处理，以简化后续图像处理的计算量，仪表图像预处理包括仪表图像灰度化、仪表图像增强、仪表图像滤波以及仪表图像二值化；/nS4:预处理之后的图像根据仪表图像图标和文字及字符所在区域进行图像分割；/nS5:将仪表图像分割之后的图标区域图像发送到VGGNet训练模型继续进行深度学习训练；将文字及字符区域图像...

【技术特征摘要】
1.一种基于机器视觉和深度学习的汽车智能座舱仪表测试方法，其特征在于，包括以下步骤：
S1:上位机与待测仪表之间建立通讯，要通过CAN总线或者LIN总线向待测仪表发送指令。
S2:通过摄像头在暗箱条件下对待测仪表产品进行拍摄，并将拍摄的图像传送到上位机中。
S3:上位机对拍摄仪表图像进行图像预处理，以简化后续图像处理的计算量，仪表图像预处理包括仪表图像灰度化、仪表图像增强、仪表图像滤波以及仪表图像二值化；
S4:预处理之后的图像根据仪表图像图标和文字及字符所在区域进行图像分割；
S5:将仪表图像分割之后的图标区域图像发送到VGGNet训练模型继续进行深度学习训练；将文字及字符区域图像发送到改进的DCNN训练模型继续进行深度学习训练；
S6:通过不断深度学习的VGGNet训练模型网络参数对预处理之后的仪表图像进行检测和识别；通过改进的DCNN训练模型网络参数对文字及字符区域图像进行检测和识别；
S7:最后得到待测仪表显示情况的检测结果并生成报告。


2.根据权利要求1所述的方法，其特征在于，所述步骤3图像预处理的具体步骤为：
S31：利用分量法对仪表图像进行灰度化处理，减少后续图像处理计算量，把彩色图像转换为灰度图像，转换公式如下：
I＝0.3R+0.59G+0.11B
式中，I...

【专利技术属性】
技术研发人员：刘卫平，关哲，孟金，刘佳，王兆枫，王郁霖，郭玉峰，张希明，刘祥港，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22