1.本发明涉及人工智能技术领域，尤其涉及一种基于图像分析的车架质量检测方法、装置、电子设备及计算机可读存储介质。
背景技术：2.在制造领域，对于铸模标的生产质量检测单靠业务人员进行检测是非常耗费人力的，因此越来越多的企业主要通过图像分析来对标的进行监测，比如通过对比不同标的影像与标准影像的尺寸来判断标的是否存在形变等质量问题。
3.传统的图像分析方法主要为基于两幅影像的像素差分法直接进行变化区域的划分，这些方法原理简单，但是会生成大量的噪点，对变化识别造成比较大的干扰；并且常用的基于图像分析的变化区域识别大多是通过差分影像识别出来的变化区域，根据经验来划分变化的边界，依赖于目视解译，导致现有基于图像分析识别标的是否存在形变等质量问题时的精度较低。
技术实现要素：4.本发明提供一种基于图像分析的车架质量检测方法、装置及计算机可读存储介质，其主要目的在于解决进行车架质量检测时的精确度较低的问题。
5.为实现上述目的，本发明提供的一种基于图像分析的车架质量检测方法，包括：
6.获取从多个方位对目标车架进行拍摄得到的二维图像；
7.从所述二维图像中提取双通道特征，并将所述双通道特征进行特征融合，得到融合特征；
8.根据所述融合特征分离每个不同方位对应的所述二维图像内的车架像素区域，计算所述车架像素区域的尺寸，并根据所述尺寸计算所述目标车架的第一检测分值；
9.逐个选取其中一个方位的二维图像为目标图像，利用双坐标法计算所述目标图像的图像畸变系数；
10.构建空间坐标系，按照所述多个方位将所述二维图像映射至所述空间坐标系内，得到图像坐标；
11.根据所述图像畸变系数对所述图像坐标进行坐标修正，得到每个所述二维图像的修正坐标；
12.根据所述修正坐标构建所述目标车架的三维车架模型，对所述三维车架模型进行三维测量，并根据三维测量结果计算所述目标车架的第二检测分值；
13.根据所述第一检测分值和所述第二检测分值计算所述目标车架的质量综合评分。
14.可选地，所述从所述二维图像中提取双通道特征，包括：
15.对所述二维图像进行像素增强，并选取像素增强后所述二维图像中像素值大于预设像素阈值的像素点为待筛选像素点；
16.确定所述待筛选像素点组成的连通域为所述目标车架的特征像素区域；
17.对所述特征像素区域进行全局特征提取，得到全局特征；
18.对所述特征像素区域进行局部特征提取，得到局部特征；
19.汇集所述全局特征及局部特征，得到双通道特征。
20.可选地，所述将所述双通道特征进行特征融合，得到融合特征，包括：
21.逐个将所述双通道特征中的每一个特征映射至预先构建的全连接层网络内的不同网络层次中；
22.将不同网络层次中的双通道特征进行跳跃链接，得到连接特征；
23.对每一个所述连接特征进行复合相加操作，得到融合特征。
24.可选地，所述根据所述融合特征分离每个不同方位对应的所述二维图像内的车架像素区域，包括：
25.逐个从不同方位对应的所述二维图像内选取其中一张二维图像为待分离图像；
26.计算所述待分离图像的像素尺寸，以及计算所述待分离图像对应的融合特征的特征尺寸；
27.根据所述像素尺寸和所述特征尺寸对所述待分离图像对应的融合特征进行上采样，直至所述待分离图像对应的融合特征的特征尺寸与所述待分离图像的像素尺寸相同；
28.根据上采样后的融合特征对所述待分离图像进行裁剪，得到所述待分离图像内的车架像素区域。
29.可选地，所述根据所述修正坐标构建所述目标车架的三维车架模型，对所述三维车架模型进行三维测量，包括：
30.统计每一个所述二维图像中的车架像素区域在所述空间坐标系内的特征坐标；
31.确定所述特征坐标的空间连通域为所述目标车架的三维车架模型；
32.求解所述三维车架模型进的曲面积分，得到三维测量结果。
33.可选地，所述根据所述尺寸计算所述目标车架的第一检测分值，包括：
34.获取标准车架尺寸数据；
35.计算所述尺寸测量结果与所述标准车架尺寸数据之间的差值；
36.将所述差值映射至预设数值区间，得到第一检测分值。
37.可选地，所述利用双坐标法计算所述目标图像的图像畸变系数，包括：
38.以所述目标图像的任一角点为原点建立像素坐标系，以及以所述目标图像的中心像素为原点构建图像坐标系；
39.根据所述目标图像在所述图像坐标系与所述像素坐标系中的坐标计算拍摄所述目标图像的摄像机的镜头内参；
40.根据所述镜头内参计算所述目标图像的畸变系数。
41.为了解决上述问题，本发明还提供一种基于图像分析的车架质量检测装置，所述装置包括：
42.图像处理模块，用于获取从多个方位对目标车架进行拍摄得到的二维图像，从所述二维图像中提取双通道特征，并将所述双通道特征进行特征融合，得到融合特征；
43.第一计算模块，用于根据所述融合特征分离每个不同方位对应的所述二维图像内的车架像素区域，计算所述车架像素区域的尺寸，并根据所述尺寸计算所述目标车架的第一检测分值；
44.第二计算模块，用于逐个选取其中一个方位的二维图像为目标图像，利用双坐标法计算所述目标图像的图像畸变系数，构建空间坐标系，按照所述多个方位将所述二维图像映射至所述空间坐标系内，得到图像坐标，根据所述图像畸变系数对所述图像坐标进行坐标修正，得到每个所述二维图像的修正坐标，根据所述修正坐标构建所述目标车架的三维车架模型，对所述三维车架模型进行三维测量，并根据三维测量结果计算所述目标车架的第二检测分值；
45.综合评分分析模块，用于根据所述第一检测分值和所述第二检测分值计算所述目标车架的质量综合评分。
46.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
47.至少一个处理器；以及，
48.与所述至少一个处理器通信连接的存储器；其中，
49.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于图像分析的车架质量检测方法。
50.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于图像分析的车架质量检测方法。
51.本发明实施例通过对目标车架在多个方位上的二维图像进行综合分析，实现了对目标车架多方位的二维质量检测，有利于提升对进行车架质量检测的精确度；同时，根据多个方位上的二维图像构建该目标车架的三维车架模型，进而实现了对目标车架进行整体的三维质量检测；并结合二维质量检测与三维质量检测的结果综合分析得到该目标车架的质量综合评分，有利于提升对该目标车架进行质量检测的精确度。因此本发明提出的基于图像分析的车架质量检测方法、装置、电子设备及计算机可读存储介质，可以解决进行车架质量检测时的精确度较低的问题。
附图说明
52.图1为本发明一实施例提供的基于图像分析的车架质量检测方法的流程示意图；
53.图2为本发明一实施例提供的将双通道特征进行特征融合的流程示意图；
54.图3为本发明一实施例提供的计算第一检测分值的流程示意图；
55.图4为本发明一实施例提供的基于图像分析的车架质量检测装置的功能模块图；
56.图5为本发明一实施例提供的实现所述基于图像分析的车架质量检测方法的电子设备的结构示意图。
57.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
58.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
59.本技术实施例提供一种基于图像分析的车架质量检测方法。所述基于图像分析的车架质量检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于图像分析的车架质量检测方
法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
60.参照图1所示，为本发明一实施例提供的基于图像分析的车架质量检测方法的流程示意图。在本实施例中，所述基于图像分析的车架质量检测方法包括：
61.s1、获取从多个方位对目标车架进行拍摄得到的二维图像。
62.本发明实施例中，所述目标车架可以为任何型号的汽车车架。本发明其他实施例中，所述目标车架还可以包括自行车、摩托车、船等交通工具的框架。
63.详细地，为了实现对所述目标车架的精确分析，可在预设的多个方位对所述目标车架进行拍摄，以便于从多方位对所述目标车架进行分析，从而提升对所述目标车架进行质量检测的精确度。
64.具体地，所述预设的多个方位包括但不限于正视图方位、左视图方位、右视图方位、后视图方位、俯视图方位和仰视图方位。
65.s2、从所述二维图像中提取双通道特征，并将所述双通道特征进行特征融合，得到融合特征。
66.本发明实施例中，为了实现对不同方位的二维图像进行详细分析，可对每一个方位拍摄得到的二维图像进行双通道特征提取。
67.详细的，所述双通道特征提取的结果包括但不限于纹理特征、像素特征、几何特征等。
68.本发明实施例中，所述从所述二维图像中提取双通道特征，包括：
69.对所述二维图像进行像素增强，并选取像素增强后所述二维图像中像素值大于预设像素阈值的像素点为待筛选像素点；
70.确定所述待筛选像素点组成的连通域为所述目标车架的特征像素区域；
71.对所述特征像素区域进行全局特征提取，得到全局特征；
72.对所述特征像素区域进行局部特征提取，得到局部特征；
73.汇集所述全局特征及局部特征，得到双通道特征。
74.详细地，所述对所述二维图像进行像素增强，包括：利用n
×
n的图像窗口在所述二维图像中依次进行区域选择，得到多个图像区域，其中，所述n为正整数；根据每个所述图像区域的中心像素以及所述中心像素的邻域像素，利用预设算法计算每个所述图像区域的中心像素的二进制码元；根据所述二进制码元对所述中心像素进行像素增强。
75.可选地，所述根据每个所述图像区域的中心像素以及所述中心像素的邻域像素，利用预设算法计算每个所述图像区域的中心像素的二进制码元，包括：
76.利用如下算法计算所述图像区域的中心像素的二进制码元
[0077][0078]
其中，p0为所述图像区域的中心像素，pe为所述中心像素的邻域像素的均值，n为所
述邻域像素的个数，s(p
0-pe)为量化运算。
[0079]
本发明实施例对转换后的二维图像进行细节增强处理，将转换后的二维图像中噪声像素点进行过滤，并对二维图像细节进行局部纹理加深，突出了二维图像中的细节特征，有利于提高对二维图像进行分析的精确度。
[0080]
本发明其中一个实施例中，可采用hog(histogram of oriented gradient，方向梯度直方图)、dpm(deformable part model，可变性组件模型)、lbp(local binary patterns，局部二值模式)等方式来提取所述特征像素区域的全局特征，或者，可采用预先训练的具体图像特征提取功能的人工智能模型来提取所述特征像素区域的全局特征，所述人工智能模型包括但不限于vgg-net模型、u-net模型。
[0081]
进一步地，所述对所述特征像素区域进行局部特征提取，得到局部特征，包括：利用预设的滑动窗口对所述特征像素区域进行逐一框选，得到像素窗口；从所述像素窗口中逐个选取其中一个像素点为目标像素点；判断所述目标像素点的像素值在所述像素窗口内是否为极值；当所述目标像素点的像素值在所述像素窗口内不是极值时，返回从所述像素窗口中逐个选取其中一个像素点为目标像素点的步骤；当所述目标像素点的像素值在所述像素窗口内是极值时，则确定所述目标像素点为关键点；将所有像素窗口内的所有关键点的像素值进行向量化，并将得到的向量汇集为所述特征像素区域的局部特征。
[0082]
本技术实施例中，所述滑动窗口可以为预先构建的具有一定面积的选择框，可用于对所述特征像素区域中的像素进行框选，例如，以10像素为高度，10像素为宽度构建的方形选择框。
[0083]
详细地，所述极值包括极大值与极小值，当所述目标像素点的像素值在所述像素窗口内为极大值或极小值时，即确定所述目标像素点为所述像素窗口的关键点。
[0084]
本发明实施例中，通过双通道特征提取对所述二维图像进行分析，避免了单一的特征提取方式在对图像进行处理的过程中对特定特征的丢失性，实现了更加精确的特征提取，进而有利于提升后续对车架质量进行分析的精确度。
[0085]
进一步地，双通道特征提取会分别从不同维度提取出所述二维图像的多种特征，因此，为了防止后续特征分析时特征的冗余、错乱等问题，可将双通道特征提取的结果进行特征融合，得到融合特征。
[0086]
本发明实施例中，参图2所示，所述将所述双通道特征进行特征融合，得到融合特征，包括：
[0087]
s21、逐个将所述双通道特征中的每一个特征映射至预先构建的全连接层网络内的不同网络层次中；
[0088]
s22、将不同网络层次中的双通道特征进行跳跃链接，得到连接特征；
[0089]
s23、对每一个所述连接特征进行复合相加操作，得到融合特征。
[0090]
详细地，所述跳跃链接(skip connection)是直接将不同特征进行维度叠加；所述复合相加(add)是将不同特征在复数域进行相加，例如，特征x和特征y复合相加为：z＝x+iy，其中，z为特征x和特征y的融合特征。
[0091]
本发明实施例中，通过对所述双通道特征提取的结果进行特征融合，可实现多维度特征的统一化及标准化，进而有利于提升后续对所述目标车架进行质量检测的精确度。
[0092]
s3、根据所述融合特征分离每个不同方位对应的所述二维图像内的车架像素区
域，对所述车架像素区域进行尺寸测量，并根据尺寸测量结果计算所述目标车架的第一检测分值。
[0093]
本发明其中一个实际应用场景中，由于所述融合特征仅是图像的抽象特征，且每个不同方位下的二维图像中均包含除所述目标车架之外的大量像素信息，若直接对二维图像进行分析，不仅会造成计算资源的浪费，也会由于图像信息繁杂导致最终分析精确度的降低。
[0094]
因此，本发明实施例可根据所述融合特征从每个不同方位的二维图像中分离出所述目标车架的车架像素区域，进而对所述车架像素区域进行针对性分析，以提升对所述目标车架进行质量检测的精确度。
[0095]
本发明实施例中，所述根据所述融合特征分离每个不同方位对应的所述二维图像内的车架像素区域，包括：
[0096]
逐个从不同方位对应的所述二维图像内选取其中一张二维图像为待分离图像；
[0097]
计算所述待分离图像的像素尺寸，以及计算所述待分离图像对应的融合特征的特征尺寸；
[0098]
根据所述像素尺寸和所述特征尺寸对所述待分离图像对应的融合特征进行上采样，直至所述待分离图像对应的融合特征的特征尺寸与所述待分离图像的像素尺寸相同；
[0099]
根据上采样后的融合特征对所述待分离图像进行裁剪，得到所述待分离图像内的车架像素区域。
[0100]
详细地，由于所述融合特征是根据该待分离图像进行特征提取得到的，因此，该融合特征的特征图的大小比例小于该待分离图像，为了实现对所述待分离图像中车架像素区域的精确裁剪，可对该融合特征进行上采样，直至所述待分离图像对应的融合特征的特征尺寸与所述待分离图像的像素尺寸相同，进而根据上采样后的融合特征对所述待分离图像进行裁剪，得到所述待分离图像内的车架像素区域。
[0101]
进一步地，为了实现对所述目标车架的精准分析，可对所述车架像素区域进行尺寸测量，进而根据该尺寸测量结果对所述目标车架的第一检测分值进行分析计算。
[0102]
本发明实施例中，参图3所示，所述根据所述尺寸计算所述目标车架的第一检测分值，包括：
[0103]
s31、获取标准车架尺寸数据；
[0104]
s32、计算所述尺寸测量结果与所述标准车架尺寸数据之间的差值；
[0105]
s33、将所述差值映射至预设数值区间，得到第一检测分值。
[0106]
详细地，所述标准车架尺寸数据为预先获取的合格车架所对于的尺寸数据。
[0107]
具体地，由于计算出的差值的范围区间过大，因此，为了实现后续对所述差值的标准化分析，可利用高斯函数、归一化函数等函数将所述差值映射至预设数值区间，得到第一检测分值。
[0108]
本发明实施例中，二维图像分析可从平面二维的维度对所述目标车架的尺寸信息进行精确检测，可从一定程度上对所述目标车架的质量进行精确反应。
[0109]
s4、逐个选取其中一个方位的二维图像为目标图像，利用双坐标法计算所述目标图像的图像畸变系数。
[0110]
本发明其中一个实际应用场景中，从任何一个单独的方位对所述目标车架进行拍
摄得到的二维平面图像中，进会包含在该方位上对所述车架所能观测到的平面二维数据(高度、宽度)，却无法显示图像中车架部件之间的三维数据(深度/距离)，因此，为了提升对所述目标车架进行分析的精确度，可逐个从不同方位的所述二维图像中选取其中一个方位的图像为目标图像，对所述目标图像进行图像标定，直至对所有方位的二维图像完成图像标定，以获取所述二维图像对应的在三维空间内的畸变系数，便于后续对所述目标车架进行精确评估。
[0111]
本发明实施例中，所述利用双坐标法计算所述目标图像的图像畸变系数，包括：
[0112]
以所述目标图像的任一角点为原点建立像素坐标系，以及以所述目标图像的中心像素为原点构建图像坐标系；
[0113]
根据所述目标图像在所述图像坐标系与所述像素坐标系中的坐标计算拍摄所述目标图像的摄像机的镜头内参；
[0114]
根据所述镜头内参计算所述目标图像的畸变系数。
[0115]
详细地，所述图像坐标系(x,y)以所述目标图像的中心像素为原点进行构建，所述图像坐标系可用于描述目标图像在成像过程中物体从相机坐标系到图像坐标系的投影透射关系；所述像素坐标系(u,v)以所述目标图像的角点为原点进行建立，所述像素坐标系可用于描述目标图像成像后的每个像素点在数字图像(照片)上的坐标而引入，是真正从相机内读取到的信息所在的坐标系。
[0116]
具体地，由于像素坐标系(u,v)只代表像素的列数与行数，而像素在图像中的位置并没有用物理单位表示出来，所以，还要建立以物理单位(如毫米)表示的系图像坐标系(x,y)，以便结合两个坐标系对目标图像的镜头内参和畸变系数进行精确计算。
[0117]
本发明实施例中，所述根据所述镜头内参计算所述目标图像的畸变系数，包括：
[0118]
根据所述主点坐标与所述目标图像在所述图像坐标系中每个像素的高度与宽度计算所述目标图像在所述图像坐标系与所述像素坐标系之间每个像素点的映射矩阵；
[0119]
根据所述映射矩阵将所述目标图像中预先选取的理想像素点映射至预先构建的三维坐标系中，得到所述理想像素点在所述三维坐标系中的实际坐标；
[0120]
根据所述目标图像的镜头内参构建内参矩阵，利用所述内参矩阵计算所述理想像素点在所述三维坐标系中的理想坐标；
[0121]
根据所述实际坐标与所述理想坐标之间的径向差异计算径向畸变系数，以及根据所述实际坐标与所述理想坐标之间的切向差异计算切向畸变系数，并汇集所述径向畸变系数和所述切向畸变系数为所述目标图像的畸变系数。
[0122]
详细地，可根据所述主点坐标与所述目标图像在所述图像坐标系中每个像素的高度与宽度计算出所述目标图像中每个像素点在像素坐标系与图像坐标系中具有如下映射关系：
[0123][0124][0125]
其中，u为所述目标图像中像素点(x,y)映射至所述像素坐标系后的横轴坐标，v为所述目标图像中像素点(x,y)映射至所述像素坐标系后的纵轴坐标，x所述目标图像中像素
点(x,y)在所述图像坐标系中的横轴坐标，y所述目标图像中像素点(x,y)在所述图像坐标系中的纵轴坐标，dx为所述目标图像在所述图像坐标系中每个像素的宽度，dy为所述目标图像在所述图像坐标系中每个像素的高度，u0为所述主点坐标的横坐标，v0为所述主点坐标的纵坐标。
[0126]
具体地，可将上述映射关系转换为如下矩阵形式，得到所述映射矩阵：
[0127][0128]
进一步地，可从所述目标图像中任意选取其中一个像素点为理想像素点，利用所述映射矩阵对所述理想像素点进行运算，以根据所述映射矩阵将选取的理想像素点映射至预先构建的三维坐标系中，得到所述理想像素点在所述三维坐标系中的实际坐标。
[0129]
本发明实施例中，可根据所述目标图像的镜头内参构建如下内参矩阵：
[0130][0131]
其中，fx为所述目标图像在所述图像坐标系中横轴方向上所有像素的宽度之和，fy为所述目标图像在所述图像坐标系中纵轴方向上所有像素的高度之和。
[0132]
详细地，可利用所述内参矩阵将所述理想像素点映射至所述三维坐标系中，得到所述理想坐标系在所述三维坐标系中的理想坐标，进而对所述理想坐标和所述实际坐标进行径向求导与切向求导，得到径向畸变系数和切向畸变系数。
[0133]
s5、构建空间坐标系，按照所述多个方位将所述二维图像映射至所述空间坐标系内，得到图像坐标。
[0134]
本发明实施例中，为了对不同方位拍摄得到的二维图像进行三维分析，需构建空间坐标系，并将每张所述二维图像映射至所述空间坐标系中，以将二维平面数据转换为三维空间数据。
[0135]
本发明实施例中，所述构建空间坐标系，按照所述多个方位将所述二维图像映射至所述空间坐标系内，得到图像坐标，包括：
[0136]
以任一方位的二维图像对应的摄像机位置位原点，以该摄像机的水平方向位x轴，以该摄像机的垂直方向位y轴，并以所述x轴与所述y轴所在平面的垂直方向为z轴创建坐标系，进而利用预设的map函数将所述二维图像映射至所述空间坐标系内，得到图像坐标。
[0137]
本发明实施例中，通过将不同方位拍摄到的二维平面坐标映射至构建的空间坐标系，实现了对平面图像中包含的数据从二维到三维的转换，进而有利于后续对目标车架进行三维空间分析，以提升对该目标车架进行质量检测的精确度。
[0138]
s6、根据所述图像畸变系数对所述图像坐标进行坐标修正，得到每个所述二维图像的修正坐标。
[0139]
本发明实施例中，由于映射至所述空间坐标系内的二维图像是通过摄像机在不同方位进行拍摄得到，因此，拍摄时由于摄像机与目标车架之间的距离、方位等因素所产生的
畸变，也会对所述三维空间坐标内的像素坐标产生偏移影响。
[0140]
因此，可根据步骤s4中计算得到的每个不同方位的二维图像的图像畸变系数，对映射至所述空间坐标系内的图像坐标进行坐标修正，以提升空间坐标系内的各图像坐标的精确性
[0141]
本发明实施例中，可分别统计每个所述二维图像在该空间坐标系内的图像坐标，并利用所述畸变系数与每个所述图像坐标进行线性运算，以实现对所述图像坐标进行坐标修正，得到每个所述二维图像的修正坐标。
[0142]
详细地，所述线性运算包括但不限于加、减、乘、除。
[0143]
本发明实施例中，通过所述图像畸变系数对所述图像坐标进行坐标修正，可还原出每个方位对于的二维图像在空间中的坐标信息，实现对二维图像的三维信息的添加，进而有利于提高对所述目标车架进行检测的精确度。
[0144]
s7、根据所述修正坐标构建所述目标车架的三维车架模型，对所述三维车架模型进行三维测量，并根据三维测量结果对计算所述目标车架的第二检测分值。
[0145]
本发明实施例中，所述根据所述修正坐标构建所述目标车架的三维车架模型，对所述三维车架模型进行三维测量，包括：
[0146]
统计每一个所述二维图像中的车架像素区域在所述空间坐标系内的特征坐标；
[0147]
确定所述特征坐标的空间连通域为所述目标车架的三维车架模型；
[0148]
求解所述三维车架模型进的曲面积分，得到三维测量结果。
[0149]
详细地，可利用高斯定理求取所述三维车架模型进的曲面积分，得到三维测量结果。
[0150]
本发明实施例中，所述根据三维测量结果对计算所述目标车架的第二检测分值的步骤，与s3中根据尺寸测量结果计算所述目标车架的第一检测分值的步骤一致，在此不做赘述。
[0151]
s8、根据所述第一检测分值和所述第二检测分值计算所述目标车架的质量综合评分。
[0152]
本发明实施例中，所述根据所述第一检测分值和所述第二检测分值计算所述目标车架的质量综合评分，包括：
[0153]
利用如下权重算法计算所述目标车架的质量综合评分：
[0154]
g＝α*q+β*p
[0155]
其中，g为所述质量综合评分，q为所述第一检测分值，p为所述第二检测分值，α、β为预设权重系数，且α+β＝1。
[0156]
详细地，所述质量综合评分用于表示该目标车架的质量好坏，当所述质量综合评分越大，则说明该目标车架的质量愈发合格。
[0157]
本发明实施例中，根据第一检测分值和第二检测分值计算目标车架的质量综合评分，实现了对该目标车架在不方位上的二维平面数据和三维空间数据的综合分析，有利于提升对目标车架进行质量检测的精确度。
[0158]
本发明实施例通过对目标车架在多个方位上的二维图像进行综合分析，实现了对目标车架多方位的二维质量检测，有利于提升对进行车架质量检测的精确度；同时，根据多个方位上的二维图像构建该目标车架的三维车架模型，进而实现了对目标车架进行整体的
三维质量检测；并结合二维质量检测与三维质量检测的结果综合分析得到该目标车架的质量综合评分，有利于提升对该目标车架进行质量检测的精确度。因此本发明提出的基于图像分析的车架质量检测方法，可以解决进行车架质量检测时的精确度较低的问题。
[0159]
如图4所示，是本发明一实施例提供的基于图像分析的车架质量检测装置的功能模块图。
[0160]
本发明所述基于图像分析的车架质量检测装置100可以安装于电子设备中。根据实现的功能，所述基于图像分析的车架质量检测装置100可以包括图像处理模块101、第一计算模块102、第二计算模块103及综合评分分析模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0161]
在本实施例中，关于各模块/单元的功能如下：
[0162]
所述图像处理模块101，用于获取从多个方位对目标车架进行拍摄得到的二维图像，从所述二维图像中提取双通道特征，并将所述双通道特征进行特征融合，得到融合特征；
[0163]
所述第一计算模块102，用于根据所述融合特征分离每个不同方位对应的所述二维图像内的车架像素区域，计算所述车架像素区域的尺寸，并根据所述尺寸计算所述目标车架的第一检测分值；
[0164]
所述第二计算模块103，用于逐个选取其中一个方位的二维图像为目标图像，利用双坐标法计算所述目标图像的图像畸变系数，构建空间坐标系，按照所述多个方位将所述二维图像映射至所述空间坐标系内，得到图像坐标，根据所述图像畸变系数对所述图像坐标进行坐标修正，得到每个所述二维图像的修正坐标，根据所述修正坐标构建所述目标车架的三维车架模型，对所述三维车架模型进行三维测量，并根据三维测量结果计算所述目标车架的第二检测分值；
[0165]
所述综合评分分析模块104，用于根据所述第一检测分值和所述第二检测分值计算所述目标车架的质量综合评分。
[0166]
详细地，本发明实施例中所述基于图像分析的车架质量检测装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于图像分析的车架质量检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0167]
如图5所示，是本发明一实施例提供的实现基于图像分析的车架质量检测方法的电子设备的结构示意图。
[0168]
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于图像分析的车架质量检测程序。
[0169]
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于图像分析的车架质量检测程序等)，以及调用存储
在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0170]
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于图像分析的车架质量检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0171]
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0172]
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0173]
图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0174]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0175]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0176]
所述电子设备1中的所述存储器11存储的基于图像分析的车架质量检测程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0177]
获取从多个方位对目标车架进行拍摄得到的二维图像；
[0178]
从所述二维图像中提取双通道特征，并将所述双通道特征进行特征融合，得到融合特征；
[0179]
根据所述融合特征分离每个不同方位对应的所述二维图像内的车架像素区域，计算所述车架像素区域的尺寸，并根据所述尺寸计算所述目标车架的第一检测分值；
[0180]
逐个选取其中一个方位的二维图像为目标图像，利用双坐标法计算所述目标图像的图像畸变系数；
[0181]
构建空间坐标系，按照所述多个方位将所述二维图像映射至所述空间坐标系内，得到图像坐标；
[0182]
根据所述图像畸变系数对所述图像坐标进行坐标修正，得到每个所述二维图像的修正坐标；
[0183]
根据所述修正坐标构建所述目标车架的三维车架模型，对所述三维车架模型进行三维测量，并根据三维测量结果计算所述目标车架的第二检测分值；
[0184]
根据所述第一检测分值和所述第二检测分值计算所述目标车架的质量综合评分。
[0185]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0186]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0187]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0188]
获取从多个方位对目标车架进行拍摄得到的二维图像；
[0189]
从所述二维图像中提取双通道特征，并将所述双通道特征进行特征融合，得到融合特征；
[0190]
根据所述融合特征分离每个不同方位对应的所述二维图像内的车架像素区域，计算所述车架像素区域的尺寸，并根据所述尺寸计算所述目标车架的第一检测分值；
[0191]
逐个选取其中一个方位的二维图像为目标图像，利用双坐标法计算所述目标图像的图像畸变系数；
[0192]
构建空间坐标系，按照所述多个方位将所述二维图像映射至所述空间坐标系内，得到图像坐标；
[0193]
根据所述图像畸变系数对所述图像坐标进行坐标修正，得到每个所述二维图像的修正坐标；
[0194]
根据所述修正坐标构建所述目标车架的三维车架模型，对所述三维车架模型进行三维测量，并根据三维测量结果计算所述目标车架的第二检测分值；
[0195]
根据所述第一检测分值和所述第二检测分值计算所述目标车架的质量综合评分。
[0196]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0197]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0198]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0199]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0200]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0201]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0202]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0203]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0204]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
技术特征：1.一种基于图像分析的车架质量检测方法，其特征在于，所述方法包括：获取从多个方位对目标车架进行拍摄得到的二维图像；从所述二维图像中提取双通道特征，并将所述双通道特征进行特征融合，得到融合特征；根据所述融合特征分离每个不同方位对应的所述二维图像内的车架像素区域，计算所述车架像素区域的尺寸，并根据所述尺寸计算所述目标车架的第一检测分值；逐个选取其中一个方位的二维图像为目标图像，利用双坐标法计算所述目标图像的图像畸变系数；构建空间坐标系，按照所述多个方位将所述二维图像映射至所述空间坐标系内，得到图像坐标；根据所述图像畸变系数对所述图像坐标进行坐标修正，得到每个所述二维图像的修正坐标；根据所述修正坐标构建所述目标车架的三维车架模型，对所述三维车架模型进行三维测量，并根据三维测量结果计算所述目标车架的第二检测分值；根据所述第一检测分值和所述第二检测分值计算所述目标车架的质量综合评分。2.如权利要求1所述的基于图像分析的车架质量检测方法，其特征在于，所述从所述二维图像中提取双通道特征，包括：对所述二维图像进行像素增强，并选取像素增强后所述二维图像中像素值大于预设像素阈值的像素点为待筛选像素点；确定所述待筛选像素点组成的连通域为所述目标车架的特征像素区域；对所述特征像素区域进行全局特征提取，得到全局特征；对所述特征像素区域进行局部特征提取，得到局部特征；汇集所述全局特征及局部特征，得到双通道特征。3.如权利要求1所述的基于图像分析的车架质量检测方法，其特征在于，所述将所述双通道特征进行特征融合，得到融合特征，包括：逐个将所述双通道特征中的每一个特征映射至预先构建的全连接层网络内的不同网络层次中；将不同网络层次中的双通道特征进行跳跃链接，得到连接特征；对每一个所述连接特征进行复合相加操作，得到融合特征。4.如权利要求1所述的基于图像分析的车架质量检测方法，其特征在于，所述根据所述融合特征分离每个不同方位对应的所述二维图像内的车架像素区域，包括：逐个从不同方位对应的所述二维图像内选取其中一张二维图像为待分离图像；计算所述待分离图像的像素尺寸，以及计算所述待分离图像对应的融合特征的特征尺寸；根据所述像素尺寸和所述特征尺寸对所述待分离图像对应的融合特征进行上采样，直至所述待分离图像对应的融合特征的特征尺寸与所述待分离图像的像素尺寸相同；根据上采样后的融合特征对所述待分离图像进行裁剪，得到所述待分离图像内的车架像素区域。5.如权利要求4所述的基于图像分析的车架质量检测方法，其特征在于，所述根据所述
修正坐标构建所述目标车架的三维车架模型，对所述三维车架模型进行三维测量，包括：统计每一个所述二维图像中的车架像素区域在所述空间坐标系内的特征坐标；确定所述特征坐标的空间连通域为所述目标车架的三维车架模型；求解所述三维车架模型进的曲面积分，得到三维测量结果。6.如权利要求1至5中任一项所述的基于图像分析的车架质量检测方法，其特征在于，所述根据所述尺寸计算所述目标车架的第一检测分值，包括：获取标准车架尺寸数据；计算所述尺寸测量结果与所述标准车架尺寸数据之间的差值；将所述差值映射至预设数值区间，得到第一检测分值。7.如权利要求6所述的基于图像分析的车架质量检测方法，其特征在于，所述利用双坐标法计算所述目标图像的图像畸变系数，包括：以所述目标图像的任一角点为原点建立像素坐标系，以及以所述目标图像的中心像素为原点构建图像坐标系；根据所述目标图像在所述图像坐标系与所述像素坐标系中的坐标计算拍摄所述目标图像的摄像机的镜头内参；根据所述镜头内参计算所述目标图像的畸变系数。8.一种基于图像分析的车架质量检测装置，其特征在于，所述装置包括：图像处理模块，用于获取从多个方位对目标车架进行拍摄得到的二维图像，从所述二维图像中提取双通道特征，并将所述双通道特征进行特征融合，得到融合特征；第一计算模块，用于根据所述融合特征分离每个不同方位对应的所述二维图像内的车架像素区域，计算所述车架像素区域的尺寸，并根据所述尺寸计算所述目标车架的第一检测分值；第二计算模块，用于逐个选取其中一个方位的二维图像为目标图像，利用双坐标法计算所述目标图像的图像畸变系数，构建空间坐标系，按照所述多个方位将所述二维图像映射至所述空间坐标系内，得到图像坐标，根据所述图像畸变系数对所述图像坐标进行坐标修正，得到每个所述二维图像的修正坐标，根据所述修正坐标构建所述目标车架的三维车架模型，对所述三维车架模型进行三维测量，并根据三维测量结果计算所述目标车架的第二检测分值；综合评分分析模块，用于根据所述第一检测分值和所述第二检测分值计算所述目标车架的质量综合评分。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于图像分析的车架质量检测方法。10.一种计算机可读存储介质，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至7中任意一项所述的基于图像分析的车架质量检测方法。
技术总结本发明涉及人工智能技术，揭露了一种基于图像分析的车架质量检测方法，包括：从目标车架的多方位的二维图像中提取双通道特征并融合为融合特征；根据融合特征分离每个二维图像内的车架像素区域，计算车架像素区域的尺寸，并根据尺寸计算目标车架的第一检测分值；根据标车架的多方位的二维图像构建三维车架模型，对三维车架模型进行三维测量，并根据三维测量结果计算目标车架的第二检测分值；根据第一检测分值和第二检测分值计算目标车架的质量综合评分。本发明还提出一种基于图像分析的车架质量检测装置、电子设备以及存储介质。本发明可以提高车架质量检测的精确度。可以提高车架质量检测的精确度。可以提高车架质量检测的精确度。
技术研发人员：吴志强
受保护的技术使用者：深圳市精明检测设备有限公司
技术研发日：2022.04.07
技术公布日：2022/7/5
