CN109447076A - 一种用于车辆年检的车辆vin码识别检测方法 - Google Patents
一种用于车辆年检的车辆vin码识别检测方法 Download PDFInfo
- Publication number
- CN109447076A CN109447076A CN201811104960.7A CN201811104960A CN109447076A CN 109447076 A CN109447076 A CN 109447076A CN 201811104960 A CN201811104960 A CN 201811104960A CN 109447076 A CN109447076 A CN 109447076A
- Authority
- CN
- China
- Prior art keywords
- vin code
- vehicle
- vehicle vin
- character
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种用于车辆年检的车辆VIN码识别检测方法，包括以下步骤：获取车辆年检中的待检测的车辆VIN码图像和服务器中的VIN码标准答案；检测VIN码所在区域，判断目标是否存在；将待检测图像应用字符分割模型得到的VIN码识别结果，判断VIN码识别结果是否与服务器VIN码标准答案内容一致。本发明实现了车辆年检中VIN码的自动识别校验，替换了现有的人工审核方式，节约了人力，加快了审核速度，又能有效地检测识别VIN码，保证了审核工作的公开，公正。
Description
技术领域
本发明涉及机动车车辆年检的人工智能判断技术领域，特别涉及一种用于车辆年检的车辆VIN码识别检测方法。
背景技术
随着社会经济的不断发展和人民生活水平的持续提高，城市机动车保有量迅猛增长。机动车车辆年检的工作量也随之迅速增大。传统的车辆年检中车辆VIN码识别检测主要是通过人工检测，因而往往存在着人工校验成本高，易疲劳，易疏忽等弊端，影响检测的准确率和效率。
发明内容
本发明的目的是：提出一种用于车辆年检的车辆VIN码识别检测方法，自动审核识别车辆VIN码，以满足如今对车辆年检工作效率、准确率的需求。
本发明解决其技术问题所采用的技术方案是：
1.一种用于车辆年检的车辆VIN码识别检测方法，包括以下步骤：
S1、获取待检测车辆VIN码图像；
S2、采用基于深度学习的目标检测模型检测VIN码图像，定位并判断VIN码区域在图像中是否存在，若存在则记录此条标志为0，并同时提取VIN码区域；若不存在则记录此条标志为1，并保存相关图片，进入统计分析流程；
S3、采用基于深度学习的字符分割模型检测VIN码区域，将VIN码分割成单个字符，判断字符的个数是否为17，若成立则记录此条标志为0，并提取每个字符图像；若不成立则记录此条标志为1，并保存相关图片，进入统计分析流程；
S4、对整个过程的动作结果进行统计分析，记录标志位全部为0，则VIN码识别检测通过，若存在标志1，则VIN码识别改检测不通过；同时，根据标志1出现的位置获取校验不通过的原因及问题图片。
所述步骤S2中判断VIN码区域是否存在采用了如下方法：
使用Softmax得到待检测车辆VIN码图像目标的类别信息，使用bounding boxregression得到待检测车辆VIN码图像目标的位置信息。
所述步骤S2中基于深度学习的目标检测模型获取步骤如下：
S1、训练数据准备：获取不同拍摄条件的真实车辆VIN码图像，使得训练准备的数据更贴合实际的应用场景；
S2、数据标注：采用矩形框将S1中获取的不同车辆VIN码区域在图像中标出，矩形框区域内需完整包含车辆VIN码，同时记录矩形框相应的坐标，并最终以xml文件格式保存矩形框相应的坐标；
S3、模型训练：基于深度学习SSD网络，在深度学习框架中进行训练，同时利用一个预训练模型进行微调。
所述进行微调包括如下步骤：
S231.计算车辆VIN码数据集的均值文件；
S232.修改SSD框架最后的输出；
S233.调整学习率，将基本学习率调整为0.0001，weight_decay调整为0.0005，学习率策略设定为“multistep”，gamma设置为0.1，momentum设置为0.9；
S234.加载基础训练模型进行微调。
所述车辆VIN码目标检测单元采用SSD该种卷积神经网络，并被CAFFE框架所加载。
所述步骤S3中基于深度学习的字符分割模型获取步骤如下：
S31、训练数据准备：获取不同拍摄条件的车辆VIN码字符图像，以获得自然条件下的真实数据；
S32、数据标注：采用字符描边的方法将S1车辆VIN码单个字符在图像中标出，矩形框区域内需完整包含车辆VIN码单个字符区域,并且最终将标注数据存储为xml格式；
S33、模型训练：基于深度学习SSD网络，在深度学习框架中进行训练，同时利用一个预训练模型进行微调。
所述进行微调包括如下步骤：
S231.计算车辆VIN码数据集的均值文件；
S232.修改SSD框架最后的输出；
S233.调整学习率，将基本学习率调整为0.0001，weight_decay调整为0.0005，学习率策略设定为“multistep”，gamma设置为0.1，momentum设置为0.9；
S234.加载基础训练模型进行微调。
所述车辆VIN码目标检测单元采用SSD字符分割算法模型，并被CAFFE框架所加载。
本发明的有益效果是：本发明主要应用于机动车车辆年检中车辆VIN码识别检测，其实现了VIN码的自动识别校验，同时可以将未通过的校验图像及原因传回服务器保存留待取证。既节约了人力，又保证了校验工作的公正、公开。
附图说明
图1是本发明的车辆VIN码识别检测流程图。
图2是本发明的结构示意图。
图3是本发明目标检测单元的结构示意图。
具体实施方式
以下结合附图，对本发明做进一步说明。
本发明主要基于目标检测模块和判定模块。
如图2所示，目标检测模块由目标检测单元、字符分割单元组成。首先，将图像传入目标检测单元，在图像上应用目标检测模型，获取车辆VIN码区域图像。再采用字符分割模型，将VIN码分割成单个字符。目标检测模块首先检测车辆VIN码区域，然后在车辆VIN码区域中进行字符分割，这种分步检测手段可以有效地避免因车辆VIN码区域情况复杂带来的误检影响，提高车辆VIN码区域定位和字符分割的准确率，进一步提高了车辆VIN码检测与比对的准确性。
目标检测单元的具体检测方法包括：如图3所示，
S1、检测模块首先将含车辆VIN码区域图像输入到基于深度学习的SSD目标检测算法模型中。其中SSD(single shot multibox detection)可以仅仅通过单个深度神经网络，将图像中的目标区域通过矩形框检测出来。同时，相比于Faster RCNN，Mask RCNN算法，速度与效率上更加优秀
S2、含车辆VIN码的区域图像将会通过开源的CAFFE框架，加载S1中SSD目标检测算法模型，对图像自动进行编译解码，得到的输出结果是N个一维数组[class，x，y，width，height]。其中，每个一维数组第一个元素class代表对象类别，是车辆VIN码则为1，不是则为0，数组后四个元素表征目标对象所在矩形区域，x,y代表矩形左上角点坐标，width代表矩形宽度，height代表矩形高度。
S3、所获得的N个数组均对应一个区域。在最后的决策步骤中，采用区域矩形框面积大小构建区域远近信息的策略，以矩形框面积最大的数组作为检测模块输出，然后通过矩形框位置信息从图像中提取车辆VIN码区域。此方法最终可以有效地剔出背景中其它干扰区域。
目标检测模型获取方法如下：
S21、训练数据准备：获取不同拍摄条件(如光照、角度)的真实车辆VIN码图像，使得训练准备的数据更贴合实际的应用场景；
S22、数据标注：采用矩形框将S1中获取的不同车辆VIN码区域在图像中标出，矩形框区域内需完整包含车辆VIN码，同时记录矩形框相应的坐标，并最终以xml文件格式保存矩形框相应的坐标；
S23、模型训练：基于深度学习SSD(single shot multibox detection)网络，在CAFFE深度学习框架中进行训练，同时利用一个预训练模型进行微调。其中预训练模型，是利用VGG16网络基于ILSVRC图像数据库进行训练得出的CAFFE模型。我们将S2标注的数据以及S1中的VIN码图像作为深度学习的输入数据，进行训练。通过VGG16的预训练模型，SSD网络能够基于已学习的图像特征参数进行迁移学习，使得可以使用少量的数据，进行快速的微调训练，从而达到高准确度。其中，微调的选择可以让我们增加学习率，以及提高深度学习的超参数，这样，通过微调的步骤，我们能够将训练时间提高40％，精度提升4％。微调的具体步骤为：首先，计算车辆VIN码数据集的均值文件，因为该车辆VIN码数据集的均值文件和ImageNet数据集的均值文件不太一样。然后，修改SSD框架最后的输出，ImageNet是一个1000类的分类任务，而本模型只有2类，分别是背景和车辆VIN码。其后是调整学习率，学习率对应于神经网络的性能影响很大，但是只能依靠经验和实验来获取合适的值，经过实验，本专利将基本学习率调整为0.0001，weight_decay调整为0.0005，学习率策略设定为“multistep”，gamma设置为0.1，momentum设置为0.9。最后，加载基础训练模型进行微调。通过上述设置，模型能很快收敛且loss降到1.8左右，提高了模型训练的效率和精度。最后，通过调整学习率与深度学习中的超参数，进行多次的实验与测试，获得准确度最高的目标检测模型；
字符分割单元的具体检测方法包括：如图3所示，
S1、检测模块首先将车辆VIN码区域图像输入到基于深度学习的SSD字符分割算法模型中。其中SSD(single shot multibox detection)可以仅仅通过单个深度神经网络，将图像中的目标区域通过矩形框检测出来。同时，相比于Faster RCNN，Mask RCNN算法，速度与效率上更加优秀
S2、图像将会通过开源的CAFFE框架，加载字符分割算法模型，对图像自动进行编译解码得到N个一维数组[class，x，y，width，height]，数组第一个元素代表对象类别，车辆VIN码中的字符有“0～9”、“A～N”、“P”和“R～Z”和共34种，分别用0～33来表示class，数组后四个元素表征目标对象所在矩形区域，x,y代表矩形左上角点坐标，width代表矩形宽度，height代表矩形高度。
S3、其中N个数组均对应一个区域，通过矩形框位置信息从图像中提取车辆VIN码单个字符位置。此方法可有效地剔出背景中其它干扰区域。
字符分割模型获取方法如下：
S31、训练数据准备：获取不同拍摄条件(如光照、角度)的车辆VIN码字符图像，以获得自然条件下的真实数据；
S32、数据标注：采用字符描边的方法将S1车辆VIN码单个字符在图像中标出，矩形框区域内需完整包含车辆VIN码单个字符区域,并且最终将标注数据存储为xml格式；
S33、模型训练：基于深度学习SSD(single shot multibox detection)网络，在CAFFE深度学习框架中进行训练，同时利用一个预训练模型进行微调。其中预训练模型，是利用VGG16网络基于ILSVRC图像数据库进行训练得出的CAFFE模型。我们将S2标注的数据以及S1中的VIN码字符图像作为深度学习的输入数据，进行训练。通过VGG16的预训练模型，SSD网络能够基于已学习的图像特征参数进行迁移学习，使得可以使用少量的数据，快速的进行微调训练，从而达到高准确度。微调的具体步骤为：首先，计算车辆VIN码字符数据集的均值文件，因为该车辆VIN码字符数据集的均值文件和ImageNet数据集的均值文件不一样。然后，修改SSD框架最后的输出，ImageNet是一个1000类的分类任务，而本模型只有2类，分别是背景和车辆VIN码字符。其后是调整学习率，学习率对应于神经网络的性能影响很大，但是只能依靠经验和实验来获取合适的值，经过实验，本专利将基本学习率调整为0.0001，weight_decay调整为0.0008，学习率策略设定为“multistep”，gamma设置为0.1，momentum设置为0.9。最后，加载基础训练模型进行微调。通过上述设置，模型能很快收敛且loss降到1.5左右，提高了模型训练的效率和精度。同时，通过调节深度学习的学习率与超参数，进行测试与实验，得到最佳的字符分割模型；
然后使用字符分割模型获得待检测图像的VIN码，并与服务器中的VIN码的标准答案，判断内容是否一致。
本发明的车辆VIN码识别检测标准如下：待检测图像内车辆VIN码区域是否存在；VIN码字符个数是否为17；待检测图像的字符识别结果与存档图像的字符标准答案是否一致；本发明采用一个一维数组[x1，x2，x3]表示校验状态，初始值为[0，0，0]，标志位x1代表车辆VIN码区域是否存在，若存在则x1为0，若不存在则x1为1；标志位x2代表VIN码字符个数是否为17，若是则x2为0，若不是在则x2为1；标志位x3代表待检测图像的字符识别结果与存档图像的字符的标准答案是否一致，若一致则x3为0，若不一致则x3为1。最后，统计标志位状态，若标志为均为0，则校验通过，若存在1，则校验不通过。根据状态1出现的位置可以得到校验未通过的原因。若x1为1，则图像中可能不存在车辆VIN码区域，或拍摄角度不符合规定；若x2为1，则可能的原因为图像拍摄不完整；若x3为1，则待检测图像的字符与存档照片的字符不对应，可能存在篡改的情况。
判定模块根据校验标准判断车辆VIN码识别检测是否通过，若通过则直接返回校验成功标识，若不通过则根据标志位为1的位置返回校验失败原因及相应图片，留待后期审核查证。
本发明的实施具体流程如图1所示，一种用于车辆年检的车辆VIN码篡改检测方法，包括如下步骤：
S1、获取待检测车辆VIN码图像；
S2、采用基于深度学习的目标检测模型检测VIN码图像，判断VIN码区域是否存在，若存在则记录此条标志为0，提取VIN码区域；若不存在则记录此条标志为1，并保存相关图片，进入统计分析流程；
S3、采用基于深度学习的字符分割模型检测VIN码区域，将VIN码分割成单个字符，判断字符的个数是否为17，若成立则记录此条标志为0，并提取每个字符图像；若不成立则记录此条标志为1，并保存相关图片，进入统计分析流程；
S4、对整个过程的动作结果进行统计分析，记录标志位全部为0，则VIN码识别检测通过，若存在标志1，则VIN码识别改检测不通过；同时，根据标志1出现的位置获取校验不通过的原因及问题图片；
以上显示和描述了本方案的基本原理和主要特征和本方案的优点。本行业的技术人员应该了解，本方案不受上述实施例的限制，上述实施例和说明书中描述的只是说明本方案的原理，在不脱离本方案精神和范围的前提下，本方案还会有各种变化和改进，这些变化和改进都落入要求保护的本方案范围内。本方案要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种用于车辆年检的车辆VIN码识别检测方法，其特征在于，包括以下步骤：
S1、获取待检测车辆VIN码图像；
S2、采用基于深度学习的目标检测模型检测VIN码图像，定位并判断VIN码区域在图像中是否存在，若存在则记录此条标志为0，并同时提取VIN码区域；若不存在则记录此条标志为1，并保存相关图片，进入统计分析流程；
S3、采用基于深度学习的字符分割模型检测VIN码区域，将VIN码分割成单个字符，判断字符的个数是否为17，若成立则记录此条标志为0，并提取每个字符图像；若不成立则记录此条标志为1，并保存相关图片，进入统计分析流程；
S4、对整个过程的动作结果进行统计分析，记录标志位全部为0，则VIN码识别检测通过，若存在标志1，则VIN码识别改检测不通过；同时，根据标志1出现的位置获取校验不通过的原因及问题图片。
2.如权利要求1所述的一种用于车辆年检的车辆VIN码识别检测方法，其特征在于，所述步骤S2中判断VIN码区域是否存在采用了如下方法：
使用Softmax得到待检测车辆VIN码图像目标的类别信息，使用bounding boxregression得到待检测车辆VIN码图像目标的位置信息。
3.如权利要求1所述的一种用于车辆年检的车辆VIN码识别检测方法，其特征在于，所述步骤S2中基于深度学习的目标检测模型获取步骤如下：
S1、训练数据准备：获取不同拍摄条件的真实车辆VIN码图像，使得训练准备的数据更贴合实际的应用场景；
S2、数据标注：采用矩形框将S1中获取的不同车辆VIN码区域在图像中标出，矩形框区域内需完整包含车辆VIN码，同时记录矩形框相应的坐标，并最终以xml文件格式保存矩形框相应的坐标；
S3、模型训练：基于深度学习SSD网络，在深度学习框架中进行训练，同时利用一个预训练模型进行微调。
4.如权利要求3所述的一种用于车辆年检的车辆VIN码识别检测方法，其特征在于，所述进行微调包括如下步骤：
S231.计算车辆VIN码数据集的均值文件；
S232.修改SSD框架最后的输出；
S233.调整学习率，将基本学习率调整为0.0001，weight_decay调整为0.0005，学习率策略设定为“multistep”，gamma设置为0.1，momentum设置为0.9；
S234.加载基础训练模型进行微调。
5.如权利要求1或2或3或4所述的一种用于车辆年检的车辆VIN码识别检测方法，其特征在于，所述车辆VIN码目标检测单元采用SSD该种卷积神经网络，并被CAFFE框架所加载。
6.如权利要求1所述的一种用于车辆年检的车辆VIN码识别检测方法，其特征在于，所述步骤S3中基于深度学习的字符分割模型获取步骤如下：
S31、训练数据准备：获取不同拍摄条件的车辆VIN码字符图像，以获得自然条件下的真实数据；
S32、数据标注：采用字符描边的方法将S1车辆VIN码单个字符在图像中标出，矩形框区域内需完整包含车辆VIN码单个字符区域,并且最终将标注数据存储为xml格式；
S33、模型训练：基于深度学习SSD网络，在深度学习框架中进行训练，同时利用一个预训练模型进行微调。
7.如权利要求6所述的一种用于车辆年检的车辆VIN码识别检测方法，其特征在于，所述进行微调包括如下步骤：
S231.计算车辆VIN码数据集的均值文件；
S232.修改SSD框架最后的输出；
S233.调整学习率，将基本学习率调整为0.0001，weight_decay调整为0.0005，学习率策略设定为“multistep”，gamma设置为0.1，momentum设置为0.9；
S234.加载基础训练模型进行微调。
8.如权利要求6或7所述的一种用于车辆年检的车辆VIN码识别检测方法，其特征在于，所述车辆VIN码目标检测单元采用SSD字符分割算法模型，并被CAFFE框架所加载。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811104960.7A CN109447076A (zh) | 2018-09-20 | 2018-09-20 | 一种用于车辆年检的车辆vin码识别检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811104960.7A CN109447076A (zh) | 2018-09-20 | 2018-09-20 | 一种用于车辆年检的车辆vin码识别检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109447076A true CN109447076A (zh) | 2019-03-08 |
Family
ID=65533084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811104960.7A Pending CN109447076A (zh) | 2018-09-20 | 2018-09-20 | 一种用于车辆年检的车辆vin码识别检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109447076A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110245583A (zh) * | 2019-05-27 | 2019-09-17 | 上海眼控科技股份有限公司 | 一种车辆尾气检验报告的智能识别方法 |
| CN110276295A (zh) * | 2019-06-20 | 2019-09-24 | 上海眼控科技股份有限公司 | 车辆识别号码检测识别方法及设备 |
| CN110348360A (zh) * | 2019-07-04 | 2019-10-18 | 上海眼控科技股份有限公司 | 一种检测报告识别方法及设备 |
| CN110458070A (zh) * | 2019-08-01 | 2019-11-15 | 上海眼控科技股份有限公司 | 基于机动车年检检验表图片识别检验次数的方法与系统 |
| CN110503102A (zh) * | 2019-08-27 | 2019-11-26 | 上海眼控科技股份有限公司 | 车辆识别码检测方法、装置、计算机设备和存储介质 |
| CN110598687A (zh) * | 2019-09-18 | 2019-12-20 | 上海眼控科技股份有限公司 | 车辆识别码的检测方法、装置及计算机设备 |
| CN110619330A (zh) * | 2019-09-18 | 2019-12-27 | 上海眼控科技股份有限公司 | 识别模型的训练方法、装置、计算机设备及识别方法 |
| CN111027532A (zh) * | 2019-12-11 | 2020-04-17 | 上海眼控科技股份有限公司 | 一种交强险保单车船税金额识别系统和方法 |
| CN111104934A (zh) * | 2019-12-22 | 2020-05-05 | 上海眼控科技股份有限公司 | 发动机标贴的检测方法、电子设备及计算机可读存储介质 |
| CN111126042A (zh) * | 2019-12-24 | 2020-05-08 | 北京中安未来科技有限公司 | 利用置信度的vin码校验方法、vin码识别方法及装置 |
| CN111126041A (zh) * | 2019-12-24 | 2020-05-08 | 北京中安未来科技有限公司 | Vin码字典库校验方法、vin码识别方法及装置 |
| CN111126044A (zh) * | 2019-12-24 | 2020-05-08 | 北京中安未来科技有限公司 | 利用置信度的vin码多重校验方法、vin码识别方法及装置 |
| CN111126043A (zh) * | 2019-12-24 | 2020-05-08 | 北京中安未来科技有限公司 | Vin码多重校验方法、vin码识别方法及装置 |
| CN111160342A (zh) * | 2019-12-30 | 2020-05-15 | 上海眼控科技股份有限公司 | 车辆反光标识的验证方法、装置、计算机设备和存储介质 |
| CN111401362A (zh) * | 2020-03-06 | 2020-07-10 | 上海眼控科技股份有限公司 | 车辆vin码的篡改检测方法、装置、设备和存储介质 |
| CN111507332A (zh) * | 2020-04-17 | 2020-08-07 | 上海眼控科技股份有限公司 | 车辆vin码检测方法与设备 |
| CN111814576A (zh) * | 2020-06-12 | 2020-10-23 | 上海品览数据科技有限公司 | 一种基于深度学习的购物小票图片识别方法 |
| CN113610083A (zh) * | 2021-08-13 | 2021-11-05 | 天津大学 | 车辆vin码的字符识别和字符打刻深度检测系统及检测方法 |
| CN113642556A (zh) * | 2021-08-04 | 2021-11-12 | 五八有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN114359201A (zh) * | 2021-12-29 | 2022-04-15 | 丽台(上海)信息科技有限公司 | 一种汽车生产线上镌刻标识质量检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120277949A1 (en) * | 2011-04-29 | 2012-11-01 | Toyota Motor Engin. & Manufact. N.A.(TEMA) | Collaborative multi-agent vehicle fault diagnostic system & associated methodology |
| CN106611162A (zh) * | 2016-12-20 | 2017-05-03 | 西安电子科技大学 | 基于深度学习ssd框架的道路车辆实时检测方法 |
| CN107451511A (zh) * | 2016-05-31 | 2017-12-08 | 优信拍（北京）信息科技有限公司 | 一种基于车型信息提取obd数据的系统、方法 |
| CN107818322A (zh) * | 2017-10-13 | 2018-03-20 | 上海眼控科技股份有限公司 | 一种用于车辆年检的车辆vin码篡改检测系统及方法 |
| WO2018072233A1 (zh) * | 2016-10-20 | 2018-04-26 | 中山大学 | 一种基于选择性搜索算法的车标检测识别方法及系统 |
| CN108133023A (zh) * | 2017-12-27 | 2018-06-08 | 上海唯链信息科技有限公司 | 一种基于区块链技术的汽车检测信息系统 |
-
2018
- 2018-09-20 CN CN201811104960.7A patent/CN109447076A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120277949A1 (en) * | 2011-04-29 | 2012-11-01 | Toyota Motor Engin. & Manufact. N.A.(TEMA) | Collaborative multi-agent vehicle fault diagnostic system & associated methodology |
| CN107451511A (zh) * | 2016-05-31 | 2017-12-08 | 优信拍（北京）信息科技有限公司 | 一种基于车型信息提取obd数据的系统、方法 |
| WO2018072233A1 (zh) * | 2016-10-20 | 2018-04-26 | 中山大学 | 一种基于选择性搜索算法的车标检测识别方法及系统 |
| CN106611162A (zh) * | 2016-12-20 | 2017-05-03 | 西安电子科技大学 | 基于深度学习ssd框架的道路车辆实时检测方法 |
| CN107818322A (zh) * | 2017-10-13 | 2018-03-20 | 上海眼控科技股份有限公司 | 一种用于车辆年检的车辆vin码篡改检测系统及方法 |
| CN108133023A (zh) * | 2017-12-27 | 2018-06-08 | 上海唯链信息科技有限公司 | 一种基于区块链技术的汽车检测信息系统 |
Non-Patent Citations (2)
| Title |
|---|
| 戚永军等: "机动车VIN码信息管理系统的设计与实现", 《北华航天工业学院学报》 * |
| 阮航等: "基于Faster R-CNN的车辆多属性识别", 《计算机技术与发展》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110245583A (zh) * | 2019-05-27 | 2019-09-17 | 上海眼控科技股份有限公司 | 一种车辆尾气检验报告的智能识别方法 |
| CN110276295A (zh) * | 2019-06-20 | 2019-09-24 | 上海眼控科技股份有限公司 | 车辆识别号码检测识别方法及设备 |
| CN110348360A (zh) * | 2019-07-04 | 2019-10-18 | 上海眼控科技股份有限公司 | 一种检测报告识别方法及设备 |
| CN110348360B (zh) * | 2019-07-04 | 2020-11-24 | 上海眼控科技股份有限公司 | 一种检测报告识别方法及设备 |
| CN110458070A (zh) * | 2019-08-01 | 2019-11-15 | 上海眼控科技股份有限公司 | 基于机动车年检检验表图片识别检验次数的方法与系统 |
| CN110503102A (zh) * | 2019-08-27 | 2019-11-26 | 上海眼控科技股份有限公司 | 车辆识别码检测方法、装置、计算机设备和存储介质 |
| CN110598687A (zh) * | 2019-09-18 | 2019-12-20 | 上海眼控科技股份有限公司 | 车辆识别码的检测方法、装置及计算机设备 |
| CN110619330A (zh) * | 2019-09-18 | 2019-12-27 | 上海眼控科技股份有限公司 | 识别模型的训练方法、装置、计算机设备及识别方法 |
| CN111027532A (zh) * | 2019-12-11 | 2020-04-17 | 上海眼控科技股份有限公司 | 一种交强险保单车船税金额识别系统和方法 |
| CN111104934A (zh) * | 2019-12-22 | 2020-05-05 | 上海眼控科技股份有限公司 | 发动机标贴的检测方法、电子设备及计算机可读存储介质 |
| CN111126043A (zh) * | 2019-12-24 | 2020-05-08 | 北京中安未来科技有限公司 | Vin码多重校验方法、vin码识别方法及装置 |
| CN111126042A (zh) * | 2019-12-24 | 2020-05-08 | 北京中安未来科技有限公司 | 利用置信度的vin码校验方法、vin码识别方法及装置 |
| CN111126041A (zh) * | 2019-12-24 | 2020-05-08 | 北京中安未来科技有限公司 | Vin码字典库校验方法、vin码识别方法及装置 |
| CN111126044A (zh) * | 2019-12-24 | 2020-05-08 | 北京中安未来科技有限公司 | 利用置信度的vin码多重校验方法、vin码识别方法及装置 |
| CN111126041B (zh) * | 2019-12-24 | 2023-04-11 | 北京中安未来科技有限公司 | Vin码字典库校验方法、vin码识别方法及装置 |
| CN111126043B (zh) * | 2019-12-24 | 2023-04-11 | 北京中安未来科技有限公司 | Vin码多重校验方法、vin码识别方法及装置 |
| CN111160342A (zh) * | 2019-12-30 | 2020-05-15 | 上海眼控科技股份有限公司 | 车辆反光标识的验证方法、装置、计算机设备和存储介质 |
| CN111401362A (zh) * | 2020-03-06 | 2020-07-10 | 上海眼控科技股份有限公司 | 车辆vin码的篡改检测方法、装置、设备和存储介质 |
| CN111507332A (zh) * | 2020-04-17 | 2020-08-07 | 上海眼控科技股份有限公司 | 车辆vin码检测方法与设备 |
| CN111814576A (zh) * | 2020-06-12 | 2020-10-23 | 上海品览数据科技有限公司 | 一种基于深度学习的购物小票图片识别方法 |
| CN113642556A (zh) * | 2021-08-04 | 2021-11-12 | 五八有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN113610083A (zh) * | 2021-08-13 | 2021-11-05 | 天津大学 | 车辆vin码的字符识别和字符打刻深度检测系统及检测方法 |
| CN113610083B (zh) * | 2021-08-13 | 2023-07-25 | 天津大学 | 车辆vin码的字符识别和字符打刻深度检测系统及检测方法 |
| CN114359201A (zh) * | 2021-12-29 | 2022-04-15 | 丽台(上海)信息科技有限公司 | 一种汽车生产线上镌刻标识质量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447076A (zh) | 一种用于车辆年检的车辆vin码识别检测方法 | |
| CN109344835A (zh) | 基于车辆vin码字符位置的篡改检测方法 | |
| US8885048B2 (en) | Computer vision and radio frequency identification technology based book enrolment management apparatus | |
| CN103258213B (zh) | 一种用于智能交通系统中的动态车辆车型识别方法 | |
| CN109784326A (zh) | 一种基于深度学习的车辆底盘检测方法 | |
| CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
| Zhang et al. | A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data | |
| CN105574550A (zh) | 一种车辆识别方法及装置 | |
| CN107818322A (zh) | 一种用于车辆年检的车辆vin码篡改检测系统及方法 | |
| CN103258214A (zh) | 基于图像块主动学习的遥感图像分类方法 | |
| CN109858414A (zh) | 一种发票分块检测方法 | |
| CN104166841A (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
| CN104298992B (zh) | 一种基于数据驱动的自适应尺度行人重识别方法 | |
| CN103208008A (zh) | 基于机器视觉的交通视频监控目标检测快速适应方法 | |
| CN111368690A (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及系统 | |
| CN105654066A (zh) | 一种车辆识别方法及装置 | |
| Yuan et al. | Learning to count buildings in diverse aerial scenes | |
| CN108734210A (zh) | 一种基于跨模态多尺度特征融合的对象检测方法 | |
| CN103530590A (zh) | Dpm二维码识别系统 | |
| CN108399378A (zh) | 一种基于vgg深度卷积网络的自然场景图像识别方法 | |
| CN104777176A (zh) | 一种pcb板检测方法及装置 | |
| CN107958200A (zh) | 一种轿车改装排气扇的智能检测系统及方法 | |
| CN110245583A (zh) | 一种车辆尾气检验报告的智能识别方法 | |
| CN105095913A (zh) | 基于近邻正则联合稀疏表示的遥感图像分类方法及系统 | |
| CN117173568A (zh) | 目标检测模型训练方法和目标检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20230728 |
|
| AD01 | Patent right deemed abandoned |