基于深度学习的车灯点亮状态试验监控方法及系统与流程

本发明涉及监控，尤其是一种基于深度学习的车灯点亮状态试验监控方法及系统。

背景技术：

1、随着汽车行业的持续发展，各大汽车制造商对车灯的试验标准提出了越来越高的要求，因此对试验过程中车灯点亮状态进行监控的需求也越来越多。

2、目前，车灯点亮状态的试验监控方法主要有两种：

3、1)采用外接故障诊断反馈电路，通过收集到的电流和电压曲线来判断车灯点亮状态是否异常。该种方法虽然能实现监控的目的，但是需要分析最终的曲线才能判断整个试验过程中车灯是否出现异常。当试验周期较长时，曲线数据会变得过多，难以找到异常点。

4、2)利用uds(unified diagnostic services，统一诊断服务)故障诊断，通过分析车灯反馈的报文来诊断故障代码，从而判断其当前状态是否异常。该种方法虽然能够记录故障发生的具体时间、故障代码以及具体故障类型，并在上位机中实时显示，但无法捕捉车灯在发生故障时的点亮状态图像，结果不够直观，用户也无法确定记录的故障报文是否可靠，例如：led微闪、亮度较低等，这些在报文上显示led处于正常状态。

5、此外，上述两种方法都依赖于记录的数据或报文来做判断，对于某些缺乏反馈机制的车灯无法通过反馈报文来确定各个功能灯是否点亮，配置有反馈机制的车灯也缺乏互相校验机制，方法过于单一，存在误报的风险。且当报文反馈模块发生故障时，将产生误报的问题，无法第一时间通知用户，导致出现试验结果可靠性降低、试验资源未被合理利用等问题。

技术实现思路

1、为了克服以上不足，本发明提供了一种基于深度学习的车灯点亮状态试验监控方法及系统，能够有效提高试验监控的可靠性。

2、本发明提供的技术方案为：

3、一方面，本发明提供了一种基于深度学习的车灯点亮状态试验监控方法，包括：

4、获取待监测车灯点亮后的车灯图像，所述车灯中包括多个功能灯；

5、采用预训练的onnx推理模型对所述车灯图像中各功能灯区域的点亮状态进行目标识别；所述onnx推理模型基于深度学习进行训练；

6、判断所述车灯图像中识别得到的roi区域的数量与人工标注的roi区域的数量是否一致；

7、若是，判断所述车灯图像中识别得到的roi区域的类别标签与人工标注的roi区域的类别标签是否一致；

8、若是，根据类别比对结果，输出存在的类别标签对应的roi坐标，并判断roi区域的中心点坐标是否在人工标注的roi区域坐标范围内；

9、若是，判定所述车灯点亮状态无异常。

10、另一方面，本发明提供了一种基于深度学习的车灯点亮状态试验监控系统，包括：上位机控制终端、总线采集设备、直流稳压电源、车灯、摄像机；其中，所述总线采集设备、摄像机分别与上位机控制终端相连；所述总线采集设备、直流稳压电源分别与车灯相连；所述直流稳压电源用于为车灯功能；所述上位机控制终端用于通过所述总线采集设备控制车灯点亮和点亮状态试验监控，及用于控制摄像机拍摄车灯点亮后的车灯图像；

11、所述上位机控制终端包括：

12、视频监控模块，用于获取待监测车灯点亮后的车灯图像，所述车灯中包括多个功能灯；采用预训练的onnx推理模型对所述车灯图像中各功能灯区域的点亮状态进行目标识别；所述onnx推理模型基于深度学习进行训练；判断所述车灯图像中识别得到的roi区域的数量与人工标注的roi区域的数量是否一致；若是，判断所述车灯图像中识别得到的roi区域的类别标签与人工标注的roi区域的类别标签是否一致；若是，根据类别比对结果，输出存在的类别标签对应的roi坐标，并判断roi区域的中心点坐标是否在人工标注的roi区域坐标范围内；若是，判定所述车灯点亮状态无异常。

13、本发明提供的基于深度学习的车灯点亮状态试验监控方法及系统，至少能够带来以下有益效果：

14、(1)在试验过程中，通过usb接口摄像机实时记录车灯的各种状态。一旦检测到异常，系统将连续抓取多帧车灯图像通知用户，以便及时处理。这种方式使问题点直观易追溯，显著提高了试验资源的利用率。

15、(2)采用基于yolov8n训练的车灯状态检测模型，对相机拍摄的每一帧车灯图像进行推理，实现各功能灯的目标检测与识别，以获取各功能灯的工作状态。因此，即使车灯的反馈报文不包含车灯点亮状态的信息，也能通过目标检测与识别的方法来实现车灯状态的监控。

16、(3)通过对比目标识别的结果和报文反馈的结果，建立起互相校验的机制，从而显著提升了试验结果的可靠性。

技术特征：

1.一种基于深度学习的车灯点亮状态试验监控方法，其特征在于，包括：

2.如权利要求1所述的车灯点亮状态试验监控方法，其特征在于，

3.如权利要求1或2所述的车灯点亮状态试验监控方法，其特征在于，所述获取待监测车灯的车灯图像之前还包括创建onnx推理模型的步骤，包括：

4.如权利要求3所述的车灯点亮状态试验监控方法，其特征在于，

5.如权利要求1或2或4所述的车灯点亮状态试验监控方法，其特征在于，所述车灯点亮状态试验监控方法还包括：

6.如权利要求5所述的车灯点亮状态试验监控方法，其特征在于，

7.如权利要求5所述的车灯点亮状态试验监控方法，其特征在于，所述车灯点亮状态试验监控方法还包括：

8.一种基于深度学习的车灯点亮状态试验监控系统，其特征在于，包括：上位机控制终端、总线采集设备、直流稳压电源、车灯、摄像机；其中，所述总线采集设备、摄像机分别与上位机控制终端相连；所述总线采集设备、直流稳压电源分别与车灯相连；所述直流稳压电源用于为车灯功能；所述上位机控制终端用于通过所述总线采集设备控制车灯点亮和点亮状态试验监控，及用于控制摄像机拍摄车灯点亮后的车灯图像；

9.如权利要求8所述的车灯点亮状态试验监控系统，其特征在于，所述上位机控制终端还包括模型训练模块，与所述视频监控模块连接，用于收集不同状态下的车灯图像；对车灯图像中的不同功能灯区域加标签标注，以构建训练数据集；将构建的训练数据集按照比例划分为训练集、验证集和测试集；基于yolov8n进行车灯状态检测模型训练；及获得车灯状态检测模型，并将其保存为onnx格式，得到onnx推理模型。

10.如权利要求9所述的车灯点亮状态试验监控系统，其特征在于，所述上位机控制终端还包括车灯点亮模块和判断模块，其中，

技术总结本发明提供了基于深度学习的车灯点亮状态试验监控方法及系统，其中，监控方法包括：获取待监测车灯点亮后的车灯图像；采用预训练的ONNX推理模型对图像车灯图像中各功能灯区域的点亮状态进行目标识别；图像ONNX推理模型基于深度学习进行训练；判断图像车灯图像中识别得到的ROI区域的数量与人工标注的ROI区域的数量是否一致；若是，判断图像车灯图像中识别得到的ROI区域的类别标签与人工标注的ROI区域的类别标签是否一致；若是，根据类别比对结果，输出存在的类别标签对应的ROI坐标，并判断ROI区域的中心点坐标是否在人工标注的ROI区域坐标范围内；若是，判定图像车灯点亮状态无异常，能够有效提高试验监控的可靠。技术研发人员：安思捷,贺小兴,刘加林,叶浩浩受保护的技术使用者：常州星宇车灯股份有限公司技术研发日：技术公布日：2024/11/4