[发明专利]车牌螺丝检测方法、装置和计算机设备

权利要求书

1.一种车牌螺丝检测方法，其特征在于，所述方法包括：

获取待检测图像；

采用第一模型检测所述待检测图像中的车牌，当检测存在所述车牌时，则获取所述车牌区域图像；

采用第二模型检测所述车牌区域图像，得到所述车牌区域图像中每个车牌螺丝的位置信息和得分，获取得分大于阈值的车牌螺丝的位置信息和数量；

根据所述车牌螺丝的位置信息和数量，生成所述待检测图像中所述车牌螺丝的检测结果。

2.根据权利要求1所述的车牌螺丝检测方法，其特征在于，所述采用第二深度学习模型检测所述车牌区域图像，得到所述车牌区域图像中每个车牌螺丝的位置信息和得分，包括：

通过所述第二深度学习模型中的特征提取网络，对所述车牌区域图像进行特征提取，得到不同尺寸的多个原始特征图；

分别对所述不同尺寸的原始特征图进行锚点分类和锚点回归，得到对应的不同尺寸的多个候选建议区域；

分别将所述不同尺寸的候选建议区域进行参数设置，生成对应的不同尺寸的多个优化特征图；

对所述不同尺寸的多个优化特征图进行预测分类和预测位置，得到所述车牌螺丝的位置信息和得分。

3.根据权利要求2所述的车牌螺丝检测方法，其特征在于，所述分别将所述不同尺寸的候选建议区域进行参数设置，生成对应的不同尺寸的多个优化特征图之后，还包括：

对所述不同尺寸的多个优化特征图进行反卷积和融合处理，生成融合后的不同尺寸的多个优化特征图；

所述对所述不同尺寸的多个优化特征图进行预测分类和预测位置，得到所述车牌螺丝的位置信息和得分，包括：

对所述融合后的不同尺寸的多个优化特征图进行预测分类和预测位置，得到所述车牌螺丝的位置信息和得分。

4.根据权利要求3所述的车牌螺丝检测方法，其特征在于，所述反卷积和融合处理以自顶向下的方式进行；所述对所述不同尺寸的多个优化特征图进行反卷积和融合处理，生成融合后的不同尺寸的多个优化特征图，包括：

将融合后的顶层优化特征图进行反卷积，得到反卷积后的顶层优化特征图；

将所述反卷积后的顶层优化特征图与次顶层优化特征图进行融合，生成融合后的次顶层优化特征图，并基于所述融合后的次顶层优化特征图进行循环处理，生成融合后的不同尺寸的多个优化特征图。

5.根据权利要求2所述的车牌螺丝检测方法，其特征在于，所述第二深度学习模型的训练生成过程包括：

获取多张不同拍摄条件的车牌区域图像样本；

对所述车牌区域图像样本中的车牌螺丝区域进行标注，得到训练样本集和测试样本集；

使用所述训练本集对待训练第二深度学习模型进行训练，得到分类损失和回归损失；

根据所述分类损失和所述回归损失调整锚点的偏移量和置信度，当所述训练样本集损失值收敛时停止训练，得到待测试第二深度学习模型；

利用所述测试样本集对所述待测试第二深度学习模型进行测试，当测试样本集准确率满足预设要求时，得到所述第二深度学习模型。

6.根据权利要求1所述的车牌螺丝检测方法，其特征在于，所述根据所述车牌螺丝的位置信息和所述车牌螺丝的数量，生成所述待检测图像中所述车牌螺丝的检测结果，包括：

当满足以下条件的其中一个时，生成车牌螺丝检测通过的结果：

所述车牌螺丝的数量为两个，且所述车牌螺丝的位置信息满足第一位置条件；

所述车牌螺丝的数量为四个，且所述车牌螺丝的位置信息满足第二位置条件。

7.根据权利要求6所述的车牌螺丝检测方法，其特征在于，所述方法还包括：

当满足以下条件中的其中一个时，生成车牌螺丝检测未通过的结果：

所述车牌螺丝的数量不是两个或者四个；

所述车牌螺丝的数量为两个，且两个所述车牌螺丝中至少一个的位置信息不满足所述第一位置条件；

所述车牌螺丝的数量为四个，且四个所述车牌螺丝中至少一个的位置信息不满足所述第二位置条件。