[发明专利]车辆外观异常检测方法和装置、电子设备及存储介质

说明书

本发明实施例提供了一种车辆外观异常检测方法和装置、电子设备及存储介质。该方法包括：通过相机拍摄待检测的道路场景；确定道路场景中的目标车辆；通过标定算法得到目标车辆的世界坐标；对目标车辆进行信息提取，得到检测信息；构建检测模型，对车辆外观异常事件进行定义，确定检测模型训练的负样本，其中，检测模型为Faster R‑CNN网络模型；将检测信息输入预先训练好的Faster R‑CNN网络模型，以判断目标车辆是否发生车辆外观异常事件，其中，Faster R‑CNN网络模型包括EfficientNet模块和transform模块。基于此，本发明实施例能够实现在道路场景下不同种类的车辆外观的异常事件检测。

技术领域

本发明涉及道路交通安全管理技术领域，尤其涉及一种车辆外观异常检测方法和装置、电子设备及存储介质。

背景技术

道路行驶车辆是否完整关系到道路车辆的行驶安全，同时也关系到道路安全的运行管理。如果道路行驶车辆外观出现异常，由于驾驶室处于密封状态，驾驶员并不能感受到车辆外观异常，导致无法及时处理车辆外观异常事件。

目前的道路行驶车辆外观异常检测主要依靠人力检测，人力检测效率低，容易受主管情绪的影响，现有的检测方法不能有效识别车辆外观是否异常，识别效率低，识别精度低。

发明内容

本发明实施例的主要目的在于提出一种车辆外观异常检测方法和装置、电子设备及存储介质，能够实现在道路场景下不同种类的车辆外观的异常事件检测。

为实现上述目的，本发明实施例的第一方面提出了一种车辆外观异常检测方法，所述方法包括：

通过相机拍摄待检测的道路场景；

确定所述道路场景中的目标车辆；

通过标定算法得到所述目标车辆的世界坐标；

对所述目标车辆进行信息提取，得到检测信息；

构建检测模型，对车辆外观异常事件进行定义，确定所述检测模型训练的负样本，其中，所述检测模型为Faster R-CNN网络模型；

将所述检测信息输入预先训练好的所述Faster R-CNN网络模型，以判断所述目标车辆是否发生车辆外观异常事件，其中，所述Faster R-CNN网络模型包括EfficientNet模块和transform模块。

在一些实施例，所述Faster R-CNN网络模型的训练方法如下：

输入汽车外观图像，通过所述transform模块对所述汽车外观图像进行数据增强；

将增强后的所述汽车外观图像输入至所述EfficientNet模块的卷积层，得到特征图；

在所述特征图上运行RPN，生成一系列候选区域；

对每个所述候选区域进行RoI Pooling，将所述候选区域转换为固定大小的特征向量；

将所述特征向量输入至预设的Fast R-CNN网络模型，得到目标检测结果；

通过反向传播更新所述Fast R-CNN网络模型的模型参数，以最小化目标检测误差；

训练所述Fast R-CNN网络模型，直到达到目标训练次数，得到训练好的所述FastR-CNN网络模型。

在一些实施例，所述数据增强包括如下至少之一：

随机翻转；

随机裁剪；

随机旋转；

色彩抖动。

在一些实施例，所述车辆外观异常事件的定义的包括如下至少之一：