一种车辆雨刮质量检测方法、系统、装置及存储介质制造方法及图纸

本发明专利技术公开了一种车辆雨刮质量检测方法、系统、装置及存储介质，方法包括：采样得到正向样本集和负向样本集；将正向样本集和负向样本集分别输入到预先构建的第一卷积神经网络和第二卷积神经网络，训练得到第一水柱识别模型和第二水柱识别模型；获取待检测的第三车辆雨刮的水柱图像时序数据，将水柱图像时序数据分别输入到第一水柱识别模型和第二水柱识别模型进行目标检测，得到水柱形态时序数据；将水柱形态时序数据与正向样本时序数据和负向样本时序数据进行比对，并根据比对结果确定第三车辆雨刮的质量检测结果。本发明专利技术提高了车辆雨刮质量检测的准确度，可广泛应用于计算机视觉技术领域。技术领域。技术领域。

【技术实现步骤摘要】
一种车辆雨刮质量检测方法、系统、装置及存储介质


[0001]本专利技术涉及计算机视觉
，尤其是一种车辆雨刮质量检测方法、系统、装置及介质。

技术介绍

[0002]雨刮的质量检测是汽车生产过程中不可或缺的一个重要环节。传统技术采用的方法是先定位雨刮的位置，得到左、右雨刮水柱各一张图片，将这两张图片输入resnet18分类模型，得到这两张图片的分类结果，根据分类结果确定水柱是否同时有或无，以判断车辆雨刮是否符合检测标准。这种处理方法在一般情况下能够保证检测的准确性，但在一些特殊的检测环境中则不然，如在检测时偶然遇到水柱反光，容易引起水柱的局部显现出明显的亮斑，从而导致检测结果的错误，降低了车辆雨刮质量检测的准确度。因此，亟需开发一种准确度更高的车辆雨刮质量检测方法以解决当前的问题。

技术实现思路

[0003]本专利技术的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
[0004]为此，本专利技术实施例的一个目的在于提供一种车辆雨刮质量检测方法，该方法提高了车辆雨刮质量检测的准确度。
[0005]本专利技术实施例的另一个目的在于提供一种车辆雨刮质量检测系统。
[0006]为了达到上述技术目的，本专利技术实施例所采取的技术方案包括：
[0007]第一方面，本专利技术实施例提供了一种车辆雨刮质量检测方法，包括以下步骤：
[0008]确定多个质量良好的第一车辆雨刮和多个存在质量缺陷的第二车辆雨刮，对所述第一车辆雨刮的水柱图像进行采样得到正向样本集，并对所述第二车辆雨刮的水柱图像进行采样得到负向样本集；
[0009]将所述正向样本集输入到预先构建的第一卷积神经网络，训练得到第一水柱识别模型，将所述负向样本集输入到预先构建的第二卷积神经网络，训练得到第二水柱识别模型；
[0010]获取待检测的第三车辆雨刮的水柱图像时序数据，将所述水柱图像时序数据分别输入到所述第一水柱识别模型和所述第二水柱识别模型进行目标检测，得到水柱形态时序数据；
[0011]确定所述正向样本集对应的水柱形态的正向样本时序数据以及所述负向样本集对应的水柱形态的负向样本时序数据，将所述水柱形态时序数据与所述正向样本时序数据和所述负向样本时序数据进行比对，并根据比对结果确定所述第三车辆雨刮的质量检测结果。
[0012]进一步地，在本专利技术的一个实施例中，所述对所述第一车辆雨刮的水柱图像进行采样得到正向样本集，并对所述第二车辆雨刮的水柱图像进行采样得到负向样本集这一步骤，其具体包括：
[0013]按照预设的采样频率对所述第一车辆雨刮的水柱图像进行持续采样得到多个正向样本图像序列，并确定所述正向样本图像序列的第一水柱区域标签，得到所述正向样本集；
[0014]按照预设的采样频率对所述第二车辆雨刮的水柱图像进行持续采样得到多个负向样本图像序列，并确定所述负向样本图像序列的第二水柱区域标签和缺陷类型标签，得到所述负向样本集。
[0015]进一步地，在本专利技术的一个实施例中，所述将所述正向样本集输入到预先构建的第一卷积神经网络，训练得到第一水柱识别模型这一步骤，其具体包括：
[0016]将所述正向样本集输入到预先构建的第一卷积神经网络，所述第一卷积神经网络通过FPN对底层特征进行向上采样和特征融合得到高分辨率的水柱特征信息，并输出得到第一水柱区域预测结果；
[0017]根据所述第一水柱区域预测结果和所述第一水柱区域标签确定所述第一卷积神经网络的第一损失值；
[0018]根据所述第一损失值通过反向传播算法更新所述第一卷积神经网络的参数；
[0019]当所述第一损失值达到预设的第一阈值或模型精度达到预设的第二阈值，停止训练，得到训练好的第一水柱识别模型。
[0020]进一步地，在本专利技术的一个实施例中，所述将所述负向样本集输入到预先构建的第二卷积神经网络，训练得到第二水柱识别模型这一步骤，其具体包括：
[0021]将所述负向样本集输入到预先构建的第二卷积神经网络，所述第二卷积神经网络通过FPN对底层特征进行向上采样和特征融合得到高分辨率的水柱特征信息，再通过多尺度空洞卷积模块进行强化学习得到水柱特征图，进而输出第二水柱区域预测结果；
[0022]根据所述第二水柱区域预测结果和所述第二水柱区域标签确定所述第二卷积神经网络的第二损失值；
[0023]根据所述第二损失值通过反向传播算法更新所述第二卷积神经网络的参数；
[0024]当所述第二损失值达到预设的第三阈值或模型精度达到预设的第四阈值，停止训练，得到训练好的第二水柱识别模型。
[0025]进一步地，在本专利技术的一个实施例中，所述获取待检测的第三车辆雨刮的水柱图像时序数据，将所述水柱图像时序数据分别输入到所述第一水柱识别模型和所述第二水柱识别模型进行目标检测，得到水柱形态时序数据这一步骤，其具体包括：
[0026]按照预设的采样频率对所述第三车辆雨刮的水柱图像进行持续采样得到水柱图像时序数据，所述水柱图像时序数据包括多帧按照采样顺序排列的第三车辆雨刮的水柱图像；
[0027]将所述水柱图像时序数据输入到所述第一水柱识别模型，根据识别结果确定若干帧水柱图像的第一水柱形态数据，将所述水柱图像时序数据输入到所述第二水柱识别模型，根据识别结果确定若干帧水柱图像的第二水柱形态数据；
[0028]根据所述第一水柱形态数据和所述第二水柱形态数据对应的水柱图像的采样顺序生成水柱形态时序数据。
[0029]进一步地，在本专利技术的一个实施例中，所述确定所述正向样本集对应的水柱形态的正向样本时序数据以及所述负向样本集对应的水柱形态的负向样本时序数据这一步骤，
其具体包括：
[0030]将所述正向样本图像序列输入到所述第一水柱识别模型，根据识别结果确定所述正向样本集对应的水柱形态的正向样本时序数据；
[0031]将所述负向样本图像序列输入到所述第二水柱识别模型，根据识别结果确定所述负向样本集对应的水柱形态的负向样本时序数据，并根据所述缺陷类型标签对所述负向样本时序数据进行标注。
[0032]进一步地，在本专利技术的一个实施例中，所述将所述水柱形态时序数据与所述正向样本时序数据和所述负向样本时序数据进行比对，并根据比对结果确定所述第三车辆雨刮的质量检测结果这一步骤，其具体包括：
[0033]通过KNN算法计算所述水柱形态时序数据与各所述正向样本时序数据以及各所述负向样本时序数据的欧氏距离，进而计算所述水柱形态时序数据与各所述正向样本时序数据以及各所述负向样本时序数据的相似度；
[0034]当所述水柱形态时序数据与各所述正向样本时序数据的相似度的均值大于等于预设的第五阈值，确定所述第三车辆雨刮的质量良好；
[0035]当所述水柱形态时序数据与各所述正向样本时序数据的相似度的均值小于预设的第五阈值，确定与所述水柱形态时序数据的相似度最大的负向样本时序数据对应的缺陷类型标签，进而确定所述第三车辆雨刮的缺陷类型。
[0036]第二方面，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆雨刮质量检测方法，其特征在于，包括以下步骤：确定多个质量良好的第一车辆雨刮和多个存在质量缺陷的第二车辆雨刮，对所述第一车辆雨刮的水柱图像进行采样得到正向样本集，并对所述第二车辆雨刮的水柱图像进行采样得到负向样本集；将所述正向样本集输入到预先构建的第一卷积神经网络，训练得到第一水柱识别模型，将所述负向样本集输入到预先构建的第二卷积神经网络，训练得到第二水柱识别模型；获取待检测的第三车辆雨刮的水柱图像时序数据，将所述水柱图像时序数据分别输入到所述第一水柱识别模型和所述第二水柱识别模型进行目标检测，得到水柱形态时序数据；确定所述正向样本集对应的水柱形态的正向样本时序数据以及所述负向样本集对应的水柱形态的负向样本时序数据，将所述水柱形态时序数据与所述正向样本时序数据和所述负向样本时序数据进行比对，并根据比对结果确定所述第三车辆雨刮的质量检测结果。2.根据权利要求1所述的一种车辆雨刮质量检测方法，其特征在于，所述对所述第一车辆雨刮的水柱图像进行采样得到正向样本集，并对所述第二车辆雨刮的水柱图像进行采样得到负向样本集这一步骤，其具体包括：按照预设的采样频率对所述第一车辆雨刮的水柱图像进行持续采样得到多个正向样本图像序列，并确定所述正向样本图像序列的第一水柱区域标签，得到所述正向样本集；按照预设的采样频率对所述第二车辆雨刮的水柱图像进行持续采样得到多个负向样本图像序列，并确定所述负向样本图像序列的第二水柱区域标签和缺陷类型标签，得到所述负向样本集。3.根据权利要求2所述的一种车辆雨刮质量检测方法，其特征在于，所述将所述正向样本集输入到预先构建的第一卷积神经网络，训练得到第一水柱识别模型这一步骤，其具体包括：将所述正向样本集输入到预先构建的第一卷积神经网络，所述第一卷积神经网络通过FPN对底层特征进行向上采样和特征融合得到高分辨率的水柱特征信息，并输出得到第一水柱区域预测结果；根据所述第一水柱区域预测结果和所述第一水柱区域标签确定所述第一卷积神经网络的第一损失值；根据所述第一损失值通过反向传播算法更新所述第一卷积神经网络的参数；当所述第一损失值达到预设的第一阈值或模型精度达到预设的第二阈值，停止训练，得到训练好的第一水柱识别模型。4.根据权利要求2所述的一种车辆雨刮质量检测方法，其特征在于，所述将所述负向样本集输入到预先构建的第二卷积神经网络，训练得到第二水柱识别模型这一步骤，其具体包括：将所述负向样本集输入到预先构建的第二卷积神经网络，所述第二卷积神经网络通过FPN对底层特征进行向上采样和特征融合得到高分辨率的水柱特征信息，再通过多尺度空洞卷积模块进行强化学习得到水柱特征图，进而输出第二水柱区域预测结果；根据所述第二水柱区域预测结果和所述第二水柱区域标签确定所述第二卷积神经网络的第二损失值；
根据所述第二损失值通过反向传播算法更新所述第二卷积神经网络的参数；当所述第二损失值达到预设的第三阈值或模型精度达到预设的第四阈值，停止训练，得到训练好的第二水柱识别模型。5.根据权利要求1所述的一种车辆雨刮质量检测方法，其特征在于，所述获取待检测的第三车辆雨刮的水柱图像时序数据，将所述水柱图像时序数据分别输入到所述第一水柱识别模型和所述第二水柱识别模型进行目标检测，得到水柱形态时序数据这一步骤，其具体包括：按照预设的采样频率对所述第三车辆雨刮的水柱图像进行持续采样得到水柱图像...

【专利技术属性】
技术研发人员：杨松玲，刘迪，杨潇潇，杨雅琴，
申请(专利权)人：广汽本田汽车有限公司，
类型：发明
国别省市：