(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210318045.8 (22)申请日 2022.03.29 (71)申请人 湖南应超智能计算研究院有限责任 公司 地址 410131 湖南省长 沙市中国(湖南)自 由贸易试验区长沙片区东六路南段77 号东方智造 港C2栋17楼1701室 (72)发明人 徐晓晖　黄晃　张炼　 (74)专利代理 机构 长沙市融智专利事务所(普 通合伙) 43114 专利代理师 熊开兰 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/24(2022.01) G06V 10/26(2022.01)G06V 10/44(2022.01) G06V 10/56(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 基于人工智能的工地车辆清洁度判断方法、 设备及介质 (57)摘要 本发明公开了一种基于人工智能的工地车 辆清洁度判断方法、 设备及介质， 方法为： 使用多 个摄像机抓拍待检测车辆的图像； 使用目标检测 器获取图像中的车辆与车轮轮廓， 根据车轮轮廓 特征对图像进行校正； 将每个校正图像中的车辆 轮廓均与给定的车辆理想轮廓对比， 选择相似度 最大的图像作为最优视角图像； 利用深度学习方 法从最优视角图像分割出车头、 车门和货箱； 针 对每个部位区域图像， 均采用边缘检测、 基于颜 色的图像分割、 深度学习分类三种方法判断是否 清洁， 形成3个预判结果， 再采用投票方法判断每 个部位是否清洁； 对车辆这3个部位， 若被判断为 不清洁的数目>=2， 则判断车辆不清洁， 否则判断 车辆清洁。 本发 明对工地车辆清洁度判断的准确 率高。 权利要求书2页 说明书5页 附图2页 CN 114639003 A 2022.06.17 CN 114639003 A 1.一种基于人工智能的工地车辆清洁度判断方法， 其特 征在于， 包括： S1， 使用N个 摄像机同时抓拍清洁度待判断车辆出入工地时的侧面图像， N>2； S2， 使用带实例分割的目标检测器， 获取S1所得每张图像 中的车辆轮廓和车轮轮廓， 根 据车轮轮廓特征对图像进行旋转校正； S3， 将S2每个旋转校正图像中的车辆轮廓均与给定的车辆理想轮廓进行对比， 计算相 似度， 选择其中相似度最大的旋转校正图像， 作为 最优视角图像； S4， 利用深度学习方法对最优视角图像进行分割， 获得车辆以下3个部位的区域 图像： 车头、 车门和货箱； S5， 针对S4得到的车辆每个部位的区域 图像， 均采用边缘检测、 基于颜色的图像分割、 深度学习分类 器这三种方法对该部位是否清洁进行 预判； S6， 对车辆每个部位， 均采用投票方法根据S5得到的3个预判结果判断该部位是否清 洁； S7， 对车辆的车头、 车门和货箱这3个部位， 若S6被判断为不清洁的数目大于或等于2， 则判断车辆为 不清洁， 否则判断车辆为清洁。 2.根据权利要求1所述的方法， 其特征在于， S2根据车轮轮廓特征对图像进行旋转校正 的方法为： 选择图像中相距最远的两个车轮轮廓， 计算这两个车轮轮廓的中心点， 将这两个中心 点连接成线， 再根据连线与图像底部边界的夹角对图像进行旋转， 使连线与图像的画布底 部边界平行； 其中， 图像在未旋转校正之前， 图像边界与图像的画面 边界平行。 3.根据权利 要求1所述的方法， 其特征在于， S3采用Haus dorff距离计算2个边缘之间的 相似度。 4.根据权利要求1所述的方法， 其特征在于， S5采用边缘检测方法对车辆各部位是否清 洁进行预判断的方法为： S511， 针对当前清洁度待判断车辆的待预判部位的区域图像， 采用canny算法提取 区域 图像中的部位 边缘， 获得边 缘mask图像， 其中边 缘处像素值 为1， 非边 缘处像素值 为0； S512， 对边 缘mask图像中的边 缘进行连通域分析， 删除面积小于预设阈值的连通 域； S513， 计算 边缘mask图像中的边 缘像素值之和， 得到边 缘像素点的数目Nedg； S514， 计算Nedge与给定车辆该部位的边缘像素值Nedge*的比值p=Nedg/Nedge*， 若比值p大 于预设比值， 则通过边缘检测方法对当前清洁度待判断车辆的待 预判部位的预判断结果为 “不清洁”， 否则为“清洁”。 5.根据权利要求1所述的方法， 其特征在于， S5采用基于颜色的图像分割方法对车辆各 部位是否清洁进行 预判断的方法为： S521， 针对当前清洁度待判断车辆的待预判部位的区域图像， 采用高斯平滑进行去噪 处理； S522， 采用kmeans聚类算法， 以RGB各通道值作为特征值， 以欧式距离作为特征距离， 对 S521去噪后的区域图像进行聚类分割， 将去噪后的区域图像划分为5个颜色 分割区域； S523， 计算S522每个颜色分割区域的RGB 各通道的平均值， 并计算相对于给定车辆该部 位的相应颜色分割区域的RGB各通道平均值的欧式距离， 每个颜色分割区域对应得到1个欧 式距离值；权　利　要　求　书 1/2 页 2 CN 114639003 A 2S524， 若523得到的5个欧式距离值中的最大值大于预设阈值， 则通过基于颜色的图像 分割方法对当前清洁度待判断车辆的待预判部位的预判断结果为 “不清洁”， 否则为“清 洁”。 6.根据权利要求1所述的方法， 其特征在于， S5采用相同的深度学习分类器， 对车辆各 个部位进行是否清洁的预判； 其中所使用的深度学习分类器， 具体采用resnet 二分类器， 其 训练样本覆盖车辆各部位的清洁样本和不清洁样本 。 7.一种电子设备， 包括存储器及处理器， 所述存储器中存储有计算机程序， 其特征在 于， 所述计算机程序被所述处理器执行时， 使得所述处理器实现如权利要求1～6中任一项 所述的方法。 8.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被 处理器执行时实现如权利要求1～6中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114639003 A 3