一种车辆雨刮质量检测方法、系统、装置及存储介质与流程

1.本发明涉及计算机视觉技术领域，尤其是一种车辆雨刮质量检测方法、系统、装置及介质。


背景技术：

2.雨刮的质量检测是汽车生产过程中不可或缺的一个重要环节。传统技术采用的方法是先定位雨刮的位置，得到左、右雨刮水柱各一张图片，将这两张图片输入resnet18分类模型，得到这两张图片的分类结果，根据分类结果确定水柱是否同时有或无，以判断车辆雨刮是否符合检测标准。这种处理方法在一般情况下能够保证检测的准确性，但在一些特殊的检测环境中则不然，如在检测时偶然遇到水柱反光，容易引起水柱的局部显现出明显的亮斑，从而导致检测结果的错误，降低了车辆雨刮质量检测的准确度。因此，亟需开发一种准确度更高的车辆雨刮质量检测方法以解决当前的问题。


技术实现要素：

3.本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
4.为此，本发明实施例的一个目的在于提供一种车辆雨刮质量检测方法，该方法提高了车辆雨刮质量检测的准确度。
5.本发明实施例的另一个目的在于提供一种车辆雨刮质量检测系统。
6.为了达到上述技术目的，本发明实施例所采取的技术方案包括：
7.第一方面，本发明实施例提供了一种车辆雨刮质量检测方法，包括以下步骤：
8.确定多个质量良好的第一车辆雨刮和多个存在质量缺陷的第二车辆雨刮，对所述第一车辆雨刮的水柱图像进行采样得到正向样本集，并对所述第二车辆雨刮的水柱图像进行采样得到负向样本集；
9.将所述正向样本集输入到预先构建的第一卷积神经网络，训练得到第一水柱识别模型，将所述负向样本集输入到预先构建的第二卷积神经网络，训练得到第二水柱识别模型；
10.获取待检测的第三车辆雨刮的水柱图像时序数据，将所述水柱图像时序数据分别输入到所述第一水柱识别模型和所述第二水柱识别模型进行目标检测，得到水柱形态时序数据；
11.确定所述正向样本集对应的水柱形态的正向样本时序数据以及所述负向样本集对应的水柱形态的负向样本时序数据，将所述水柱形态时序数据与所述正向样本时序数据和所述负向样本时序数据进行比对，并根据比对结果确定所述第三车辆雨刮的质量检测结果。
12.进一步地，在本发明的一个实施例中，所述对所述第一车辆雨刮的水柱图像进行采样得到正向样本集，并对所述第二车辆雨刮的水柱图像进行采样得到负向样本集这一步骤，其具体包括：
13.按照预设的采样频率对所述第一车辆雨刮的水柱图像进行持续采样得到多个正向样本图像序列，并确定所述正向样本图像序列的第一水柱区域标签，得到所述正向样本集；
14.按照预设的采样频率对所述第二车辆雨刮的水柱图像进行持续采样得到多个负向样本图像序列，并确定所述负向样本图像序列的第二水柱区域标签和缺陷类型标签，得到所述负向样本集。
15.进一步地，在本发明的一个实施例中，所述将所述正向样本集输入到预先构建的第一卷积神经网络，训练得到第一水柱识别模型这一步骤，其具体包括：
16.将所述正向样本集输入到预先构建的第一卷积神经网络，所述第一卷积神经网络通过fpn对底层特征进行向上采样和特征融合得到高分辨率的水柱特征信息，并输出得到第一水柱区域预测结果；
17.根据所述第一水柱区域预测结果和所述第一水柱区域标签确定所述第一卷积神经网络的第一损失值；
18.根据所述第一损失值通过反向传播算法更新所述第一卷积神经网络的参数；
19.当所述第一损失值达到预设的第一阈值或模型精度达到预设的第二阈值，停止训练，得到训练好的第一水柱识别模型。
20.进一步地，在本发明的一个实施例中，所述将所述负向样本集输入到预先构建的第二卷积神经网络，训练得到第二水柱识别模型这一步骤，其具体包括：
21.将所述负向样本集输入到预先构建的第二卷积神经网络，所述第二卷积神经网络通过fpn对底层特征进行向上采样和特征融合得到高分辨率的水柱特征信息，再通过多尺度空洞卷积模块进行强化学习得到水柱特征图，进而输出第二水柱区域预测结果；
22.根据所述第二水柱区域预测结果和所述第二水柱区域标签确定所述第二卷积神经网络的第二损失值；
23.根据所述第二损失值通过反向传播算法更新所述第二卷积神经网络的参数；
24.当所述第二损失值达到预设的第三阈值或模型精度达到预设的第四阈值，停止训练，得到训练好的第二水柱识别模型。
25.进一步地，在本发明的一个实施例中，所述获取待检测的第三车辆雨刮的水柱图像时序数据，将所述水柱图像时序数据分别输入到所述第一水柱识别模型和所述第二水柱识别模型进行目标检测，得到水柱形态时序数据这一步骤，其具体包括：
26.按照预设的采样频率对所述第三车辆雨刮的水柱图像进行持续采样得到水柱图像时序数据，所述水柱图像时序数据包括多帧按照采样顺序排列的第三车辆雨刮的水柱图像；
27.将所述水柱图像时序数据输入到所述第一水柱识别模型，根据识别结果确定若干帧水柱图像的第一水柱形态数据，将所述水柱图像时序数据输入到所述第二水柱识别模型，根据识别结果确定若干帧水柱图像的第二水柱形态数据；
28.根据所述第一水柱形态数据和所述第二水柱形态数据对应的水柱图像的采样顺序生成水柱形态时序数据。
29.进一步地，在本发明的一个实施例中，所述确定所述正向样本集对应的水柱形态的正向样本时序数据以及所述负向样本集对应的水柱形态的负向样本时序数据这一步骤，
其具体包括：
30.将所述正向样本图像序列输入到所述第一水柱识别模型，根据识别结果确定所述正向样本集对应的水柱形态的正向样本时序数据；
31.将所述负向样本图像序列输入到所述第二水柱识别模型，根据识别结果确定所述负向样本集对应的水柱形态的负向样本时序数据，并根据所述缺陷类型标签对所述负向样本时序数据进行标注。
32.进一步地，在本发明的一个实施例中，所述将所述水柱形态时序数据与所述正向样本时序数据和所述负向样本时序数据进行比对，并根据比对结果确定所述第三车辆雨刮的质量检测结果这一步骤，其具体包括：
33.通过knn算法计算所述水柱形态时序数据与各所述正向样本时序数据以及各所述负向样本时序数据的欧氏距离，进而计算所述水柱形态时序数据与各所述正向样本时序数据以及各所述负向样本时序数据的相似度；
34.当所述水柱形态时序数据与各所述正向样本时序数据的相似度的均值大于等于预设的第五阈值，确定所述第三车辆雨刮的质量良好；
35.当所述水柱形态时序数据与各所述正向样本时序数据的相似度的均值小于预设的第五阈值，确定与所述水柱形态时序数据的相似度最大的负向样本时序数据对应的缺陷类型标签，进而确定所述第三车辆雨刮的缺陷类型。
36.第二方面，本发明实施例提供了一种车辆雨刮质量检测系统，包括：
37.样本获取模块，用于确定多个质量良好的第一车辆雨刮和多个存在质量缺陷的第二车辆雨刮，对所述第一车辆雨刮的水柱图像进行采样得到正向样本集，并对所述第二车辆雨刮的水柱图像进行采样得到负向样本集；
38.水柱识别模型训练模块，用于将所述正向样本集输入到预先构建的第一卷积神经网络，训练得到第一水柱识别模型，将所述负向样本集输入到预先构建的第二卷积神经网络，训练得到第二水柱识别模型；
39.水柱形态检测模块，用于获取待检测的第三车辆雨刮的水柱图像时序数据，将所述水柱图像时序数据分别输入到所述第一水柱识别模型和所述第二水柱识别模型进行目标检测，得到水柱形态时序数据；
40.质量检测结果确定模块，用于确定所述正向样本集对应的水柱形态的正向样本时序数据以及所述负向样本集对应的水柱形态的负向样本时序数据，将所述水柱形态时序数据与所述正向样本时序数据和所述负向样本时序数据进行比对，并根据比对结果确定所述第三车辆雨刮的质量检测结果。
41.第三方面，本发明实施例提供了一种车辆雨刮质量检测装置，包括：
42.至少一个处理器；
43.至少一个存储器，用于存储至少一个程序；
44.当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的一种车辆雨刮质量检测方法。
45.第四方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的一种车辆雨刮质量检测方法。
46.本发明的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到：
47.本发明实施例通过正向样本集和负向样本集分别训练用于检测雨刮水柱的第一水柱识别模型和第二水柱识别模型，再将待检测的车辆雨刮的水柱图像时序数据分别输入到第一水柱识别模型和第二水柱识别模型进行目标检测，得到水柱形态时序数据，最后将水柱形态时序数据与正向样本时序数据和负向样本时序数据进行比对，从而可以得到车辆雨刮的质量检测结果。本发明实施例通过正向样本集和负向样本集分别训练第一水柱识别模型和第二水柱识别模型，可以准确识别不同情况下的水柱特征，从而实现对雨刮水柱的目标检测；通过形成水柱形态时序数据与正负样本时序数据进行比对，利用了雨刮水柱在检测时的时序变化规律，避免了将单一时间点的水柱图像作为判断依据的偶然性，强化了对雨刮水柱时序特征的依赖，提高了车辆雨刮质量检测的准确度。
附图说明
48.为了更清楚地说明本发明实施例中的技术方案，下面对本发明实施例中所需要使用的附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
49.图1为本发明实施例提供的一种车辆雨刮质量检测方法的步骤流程图；
50.图2为本发明实施例提供的多尺度空洞卷积模块的示意图；
51.图3为本发明实施例提供的一种车辆雨刮质量检测系统的结构框图；
52.图4为本发明实施例提供的一种车辆雨刮质量检测装置的结构框图。
具体实施方式
53.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
54.在本发明的描述中，多个的含义是两个或两个以上，如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
55.参照图1，本发明实施例提供了一种车辆雨刮质量检测方法，具体包括以下步骤：
56.s101、确定多个质量良好的第一车辆雨刮和多个存在质量缺陷的第二车辆雨刮，对第一车辆雨刮的水柱图像进行采样得到正向样本集，并对第二车辆雨刮的水柱图像进行采样得到负向样本集。
57.具体地，在车辆质检的区间安装高清的视频采集摄像头，对质量良好的第一车辆雨刮和存在质量缺陷的第二车辆雨刮的进行视频图像数据采集，并根据采集的视频图像数据分别形成正向样本集和负向样本集。
neck，实现计算量的减少于模型的压缩。
73.为提高特征融合效果，本发明实施例还利用特征金字塔网络(feature pyramid network,fpn)来提升水柱等小物体检测的性能。fpn对最底层的特征进行向上采样，并与底层特征进行融合，得到高分辨率的特征。
74.网络直接在原来的单网络上做修改，每个分辨率的feature map引入后一分辨率缩放两倍的feature map做element-wise相加的操作。在feature map上设置不同尺度和比例的anchor，尺度信息对应于相应的feature map(分别设置面积为32^2,64^2,128^2,256^2,512^2)。
75.具体地，对于第一水柱识别模型来说，目标检测结果的准确性可以通过损失函数(loss function)来衡量，损失函数是定义在单个训练数据上的，用于衡量一个训练数据的预测误差，具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时，一个训练数据集有很多训练数据，因此一般采用代价函数(cost function)来衡量训练数据集的整体误差，代价函数是定义在整个训练数据集上的，用于计算所有训练数据的预测误差的平均值，能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说，基于前述的代价函数，再加上衡量模型复杂度的正则项即可作为训练的目标函数，基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多，例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数，在此不再一一阐述。
76.本发明实施例中，采用giou loss作为损失函数来确定训练的损失值，可以在预测结果处理阶段消除多余的雨刮标注框，找到最优的雨刮特征检测位置。基于训练的损失值，采用反向传播算法对模型的参数进行更新，迭代一定次数即可得到训练好的第一水柱识别模型。
77.具体地，正向样本使用召回率(recall)、精确率(precision)、平均精度值(map)作为评价指标，经过多次训练，当召回率(recall)达到88％、精确率(precision)达到91％、平均精度值(map)达到90％后，停止训练，得到第一水柱识别模型。
78.进一步作为可选的实施方式，将负向样本集输入到预先构建的第二卷积神经网络，训练得到第二水柱识别模型这一步骤，其具体包括：
79.s1025、将负向样本集输入到预先构建的第二卷积神经网络，第二卷积神经网络通过fpn对底层特征进行向上采样和特征融合得到高分辨率的水柱特征信息，再通过多尺度空洞卷积模块进行强化学习得到水柱特征图，进而输出第二水柱区域预测结果；
80.s1026、根据第二水柱区域预测结果和第二水柱区域标签确定第二卷积神经网络的第二损失值；
81.s1027、根据第二损失值通过反向传播算法更新第二卷积神经网络的参数；
82.s1028、当第二损失值达到预设的第三阈值或模型精度达到预设的第四阈值，停止训练，得到训练好的第二水柱识别模型。
83.具体地，由于负向样本集的水柱区域标注边框相对于正向样本集更不规则，因此在特征金字塔网络(feature pyramid network,fpn)后需要进行多一次的强化特征学习。
84.考虑到质量瑕疵的车辆雨刮目标在图像中的比例不固定，会影响模型对上下文信息的提取，因此本发明实施例引入多尺度空洞卷积模块来进行强化学习。如图2所示为本发
明实施例提供的多尺度空洞卷积模块的示意图，在多尺度空洞卷积模块中，对输入的深层特征分包进行5^5，9^9，13^13的最大池化操作，不同大小的卷积核进行多尺度处理能维护特征的空间信息；输入特征图尺寸表示为w
×
h，当卷积核尺寸为f，步长为s时，池化输出特征图的尺度计算公式为：
[0085][0086][0087]
对级联后的特征张量进行不同速率的空洞卷积操作，空洞卷积相对标准卷积来说，卷积核尺寸会增大，在对特征图上进行填充时，为了保持特征图与原图大小一致，填充像素数量需推导计算，计算公式为：
[0088][0089]
其中，k0表示原始卷积核大小，d为膨胀率，p为特征图上增加各个边像素的数量。最后，将不同层次的特征图所获得的特征张量作为最终检测的输入，完成检测任务。
[0090]
此外，负向样本使用也召回率(recall)、精确率(precision)以及平均精度值(map)作为评价指标，但由于实际应用中负向样本数量较少，当召回率(recall)达到70％、精确率(precision)达到72％、平均精度值(map)达到65％后即可停止训练，得到第二水柱识别模型。
[0091]
s103、获取待检测的第三车辆雨刮的水柱图像时序数据，将水柱图像时序数据分别输入到第一水柱识别模型和第二水柱识别模型进行目标检测，得到水柱形态时序数据。
[0092]
具体地，对于待检测的第三车辆雨刮，同样按照模型训练时的采样频率进行水柱图像的时序采样，将得到的水柱图像时序数据分别输入到前述步骤得到的第一水柱识别模型和第二水柱识别模型，得到各个采样时间点的水柱形态，从而生成水柱形态时序数据。步骤s103具体包括以下步骤：
[0093]
s1031、按照预设的采样频率对第三车辆雨刮的水柱图像进行持续采样得到水柱图像时序数据，水柱图像时序数据包括多帧按照采样顺序排列的第三车辆雨刮的水柱图像；
[0094]
s1032、将水柱图像时序数据输入到第一水柱识别模型，根据识别结果确定若干帧水柱图像的第一水柱形态数据，将水柱图像时序数据输入到第二水柱识别模型，根据识别结果确定若干帧水柱图像的第二水柱形态数据；
[0095]
s1033、根据第一水柱形态数据和第二水柱形态数据对应的水柱图像的采样顺序生成水柱形态时序数据。
[0096]
具体地，当第一水柱形态数据和第二水柱形态数据在采样时间上有重合时(即同一帧图像同时可以被两个水柱识别模型检测到时)，根据两者的预测概率选取较高的那个加入水柱形态时序数据。
[0097]
s104、确定正向样本集对应的水柱形态的正向样本时序数据以及负向样本集对应的水柱形态的负向样本时序数据，将水柱形态时序数据与正向样本时序数据和负向样本时序数据进行比对，并根据比对结果确定第三车辆雨刮的质量检测结果。
[0098]
具体地，对第三车辆雨刮进行目标检测后，积累了在整个检测过程中的水柱形态
时序数据，通过与正负样本的水柱形态的时序数据进行时间序列上的相似性比对，可以挖掘出车辆雨刮质量检测过程中水柱的周期性特征以及目标检测数据的变化趋势，从而可以准确得到第三车辆雨刮的质量检测结果。
[0099]
进一步作为可选的实施方式，确定正向样本集对应的水柱形态的正向样本时序数据以及负向样本集对应的水柱形态的负向样本时序数据这一步骤，其具体包括：
[0100]
s1041、将正向样本图像序列输入到第一水柱识别模型，根据识别结果确定正向样本集对应的水柱形态的正向样本时序数据；
[0101]
s1042、将负向样本图像序列输入到第二水柱识别模型，根据识别结果确定负向样本集对应的水柱形态的负向样本时序数据，并根据缺陷类型标签对负向样本时序数据进行标注。
[0102]
具体地，将正向样本图像序列和负向样本图像序列分别输入到第一水柱识别模型和第二水柱识别模型，得到正向样本时序数据和负向样本时序数据，其中，负向样本时序数据还需要进行缺陷类型的标注。
[0103]
进一步作为可选的实施方式，将水柱形态时序数据与正向样本时序数据和负向样本时序数据进行比对，并根据比对结果确定第三车辆雨刮的质量检测结果这一步骤，其具体包括：
[0104]
s1043、通过knn算法计算水柱形态时序数据与各正向样本时序数据以及各负向样本时序数据的欧氏距离，进而计算水柱形态时序数据与各正向样本时序数据以及各负向样本时序数据的相似度；
[0105]
s1044、当水柱形态时序数据与各正向样本时序数据的相似度的均值大于等于预设的第五阈值，确定第三车辆雨刮的质量良好；
[0106]
s1045、当水柱形态时序数据与各正向样本时序数据的相似度的均值小于预设的第五阈值，确定与水柱形态时序数据的相似度最大的负向样本时序数据对应的缺陷类型标签，进而确定第三车辆雨刮的缺陷类型。
[0107]
具体地，由于不同的正负样本每次进行目标检测识别时都具有一定的差异性，因此其图像数据的数据组具有不唯一性。本发明实施例使用动态时间规整(dynamic time warping，dtw)算法计算对不同目标识别图像的数组进行相似性计算。
[0108]
本发明实施例基于时间序列进行水柱形态的相似性比对，待检测的第三车辆雨刮在经过目标检测识别和动态时间序列计算后可以得到水柱形态时序数据，再利用knn算法计算该水柱形态时序数据与正负样本时序数据的欧氏距离，从而计算得到相似度。
[0109]
对于正向样本集，分别计算水柱形态时序数据与各个正向样本时序数据的相似度，得到50组以上的相似度值，然后取均值；当该均值大于等于第五阈值(如0.85)，则表示第三车辆雨刮的水柱时序特征与正向样本集的水柱时序特征高度相似，从而可以确定第三车辆雨刮的质量良好；当该均值小于第五阈值时，确定与水柱形态时序数据的相似度最大的负向样本时序数据(即欧氏距离最近的负向样本时序数据)，根据其对应的缺陷类型标签来确定第三车辆雨刮的缺陷类型。
[0110]
在一些可选的实施例中，在检测到第三车辆雨刮的缺陷类型后，还可以对其进行相应的质量修复操作，本发明实施例在此不作赘述。
[0111]
以上对本发明实施例的方法步骤进行了说明。可以理解的是，本发明实施例通过
正向样本集和负向样本集分别训练第一水柱识别模型和第二水柱识别模型，可以准确识别不同情况下的水柱特征，从而实现对雨刮水柱的目标检测；通过形成水柱形态时序数据与正负样本时序数据进行比对，利用了雨刮水柱在检测时的时序变化规律，避免了将单一时间点的水柱图像作为判断依据的偶然性，强化了对雨刮水柱时序特征的依赖，提高了车辆雨刮质量检测的准确度。
[0112]
与现有技术相比，本发明实施例还具有以下优点：
[0113]
1)本发明实施例的yolo卷积神经网络采用one-stage算法，网络运行速度快，内存占用小，因其具更复杂的骨干网络结构和训练策略技巧等使其具有更优的检测精度和更快的推理速度；
[0114]
2)本发明实施例对比传统的视频目标识别模型在map值提高了15％以上，系统的整体性能得到大幅的提高，还大大提高雨刮水柱这类小尺度目标的检测精度，能够实现对检测目标的精准识别；
[0115]
3)本发明实施例利用knn算法可以有效融合正负样本的时间序列，可以大幅提升车辆雨刮质量检测的准确度，相较传统的仅依靠目标识别的质量检测的准确率提升20％以上。
[0116]
参照图3，本发明实施例提供了一种车辆雨刮质量检测系统，包括：
[0117]
样本获取模块，用于确定多个质量良好的第一车辆雨刮和多个存在质量缺陷的第二车辆雨刮，对第一车辆雨刮的水柱图像进行采样得到正向样本集，并对第二车辆雨刮的水柱图像进行采样得到负向样本集；
[0118]
水柱识别模型训练模块，用于将正向样本集输入到预先构建的第一卷积神经网络，训练得到第一水柱识别模型，将负向样本集输入到预先构建的第二卷积神经网络，训练得到第二水柱识别模型；
[0119]
水柱形态检测模块，用于获取待检测的第三车辆雨刮的水柱图像时序数据，将水柱图像时序数据分别输入到第一水柱识别模型和第二水柱识别模型进行目标检测，得到水柱形态时序数据；
[0120]
质量检测结果确定模块，用于确定正向样本集对应的水柱形态的正向样本时序数据以及负向样本集对应的水柱形态的负向样本时序数据，将水柱形态时序数据与正向样本时序数据和负向样本时序数据进行比对，并根据比对结果确定第三车辆雨刮的质量检测结果。
[0121]
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0122]
参照图4，本发明实施例提供了一种车辆雨刮质量检测装置，包括：
[0123]
至少一个处理器；
[0124]
至少一个存储器，用于存储至少一个程序；
[0125]
当上述至少一个程序被上述至少一个处理器执行时，使得上述至少一个处理器实现上述的一种车辆雨刮质量检测方法。
[0126]
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也
相同。
[0127]
本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，该处理器可执行的程序在由处理器执行时用于执行上述一种车辆雨刮质量检测方法。
[0128]
本发明实施例的一种计算机可读存储介质，可执行本发明方法实施例所提供的一种车辆雨刮质量检测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0129]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
[0130]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0131]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0132]
上述功能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取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0133]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0134]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序，然后将其存储在计算机存储器中。
[0135]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0136]
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
[0137]
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0138]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。