[发明专利]一种基于侧方位相机的车辆表面异常检测方法

说明书

本发明属于车辆表面检测技术领域，涉及一种基于侧方位相机的车辆表面异常检测方法，通过构建数据集训练图像分割网络，然后对分割后的图像构建图像修复数据集，构建图像修复网络模型，对原始图像掩膜处理后再进行修复处理，通过SSIM计算原始图像与修复后的图像之间的相似度，从左上角遍历到右下角，如果所有图像块修复后与原始图像相似，则认为该车辆可见部分不存在异常，如果有异常的块，则该车辆表面存在异常，通过这种方法可快速有效的检测到车辆表面的异常。

技术领域

本发明属于车辆表面检测技术领域，尤其涉及一种基于侧方位相机的车辆表面异常检测方法。

背景技术

随着人工智能与计算机视觉等技术的迅速发展，智慧交通在智慧城市中发挥了重要作用，智慧交通涵盖了城市中道路的方方面面，在智慧交通中大家比较容易忽视的一个问题是车辆表面的异常检测，如轻微划痕、破损等，人眼往往会忽略或难以发现这些异常，如果长时间不处理会影响到车的使用，目前，对于车辆表面瑕疵的检测方法，例如CN110596116A公开了一种车辆表面瑕疵检测方法及检测系统；其中，车辆表面瑕疵检测方法，包括以下步骤：S1、对车辆的待测表面均匀打光，然后利用相机对车辆的待测表面连续采集图像，以获取采样图像；S2、对所有采样图像进行图像融合，以得到拼接图像；S3、对拼接图像进行图像处理，以显示瑕疵区域，该技术除了摄像头外还引入了新的检测设备，比如对车辆表面整体打光后进行检测，而这些技术只能检测到车辆表面大的划痕和大的凹凸等，对于车辆表面的细小瑕疵和小的划痕难以检测，而且新的检测设备的引入对于现场部署来说提高了部署难度。因此，亟需设计一种新型的车辆表面异常检测方法，在利用现有设备的基础上，精确的检测出车辆表面异常区域。

发明内容

本发明的目的在于克服现有技术存在的缺点，设计提供一种基于侧方位相机的车辆表面异常检测方法，先利用路侧停车的侧方位相机采集视频图像，将视频图像进行标注后再进行分割训练将车辆表面分割出来，对分割出来的车辆表面图像按照一定的规则进行掩膜处理和修复，利用原始图像和修复后的图像进行对比，如果原始图像和修复后的图像相差超过一定的阈值则认为该区域存在异常（如划痕或破损等），如果没有超过阈值则认为该区域正常，遍历整个车辆表面即可完成该车辆是否存在表面异常的检测。

为实现上述目的，本发明实现车辆表面异常检测的具体过程为：

（1）构建车辆分割数据集：收集路侧停车场侧方位相机的视频图像，并对图像中的车辆表面进行分割标注，将图像中的像素分类成车辆表面类和背景类得到分割数据集，再将分割数据集根据实际需要划分为训练集、验证集和测试集；

（2）利用分割网络对车辆表面图像进行分割：将车辆表面图像的像素缩放到1333*800，选用图像分割网络对车辆表面图像进行分割，并设定其能量损失；

（3）对车辆表面图像进行掩膜处理和修复：将步骤（2）得到的每个车辆表面图像缩放到512*256分辨率大小，对于鱼眼摄像头采集到的图像中如有分割到两个车的情况，依次对每个车进行掩膜处理，掩膜大小为64*32像素，从左上角往右下角依次进行掩膜处理，背景部分不进行处理，每辆车辆掩膜最多有64个；从掩膜处理后的图像中选择64张图像一起输入卷积神经网络进行修复得到掩膜修复后的图像；

（4）原始图像与掩膜修复后的图像进行对比：利用步骤（3）得到的掩膜修复后的图像与原始图像做对比，对64个做图像修复的每个位置进行相似度判断，如果原始表面图像与修复的图像之间相似则判断该位置没有残损，如果表面图像与修复图像之间不相似，则判断有残损；

（5）训练网络得到训练好的参数模型：利用步骤（2）中的分割结果制作数据集，选用1000张分割后的图像进行缩放后将每张图像从左上角到右下角依次掩膜后作为网络的输入训练样本，网络输出为未经过掩膜处理的图像，再采用绝对值损失计算损失误差，通过反向传播更新参数，经过设定次数（500次）完整训练集训练迭代后，保存验证集上结果最好的模型参数，作为最终模型训练好的参数，即得到训练好的图像修复网络参数；