车辆信息管理方法、装置、计算机设备和存储介质与流程

本申请涉及车辆信息管理技术领域，特别是涉及一种车辆信息管理方法、装置、计算机设备和存储介质。

背景技术：

在车辆生产交付的过程中，主要包括主机厂环节、4s店环节、运车管家环节、二网车商环节以及购车客户环节，记录车辆在各个环节的质量信息具有非常重要的意义，不仅可以用于车辆质量信息的追踪还可以用于车辆质量信息的准确定责。

现有的车辆生产交付各个环节中的信息档案分别记录在各个环节的数据库中，各个环节数据库是通过中心化的服务器或服务器集群构建的，配置过于中心化，一旦遭受攻击则容易导致数据被窃取和修改，造成数据安全性较低的问题，进而造成车辆生产交付各个环节中的信息档案失去价值。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够安全存储车辆在各个交付环节中车辆信息的车辆信息管理方法、装置、计算机设备和存储介质。

一种车辆信息管理方法，所述方法包括：

获取当前节点的车辆数据集；获取上一节点对应的第一区块链区块中的比对特征集；对所述车辆数据集进行特征提取得到当前特征集，将所述比对特征集与所述当前特征集中对应的特征进行校验，根据校验结果生成匹配报告；将所述车辆数据集、所述当前特征集以及所述匹配报告上传至当前节点对应的第二区块链区块。

在其中一个实施例中，所述对所述车辆数据集进行特征提取得到当前特征集，将所述比对特征集与所述当前特征集中对应的特征进行校验，根据校验结果生成匹配报告，包括：提取所述比对特征集中的图像比对特征集；从所述车辆数据集中提取图像数据集；将所述图像数据集输入图像特征提取模型得到图像特征集；将所述图像特征集与所述图像比对特征集中对应的图像特征进行校验得到图像校验结果，根据所述图像校验结果生成图像匹配报告。

在其中一个实施例中，所述对所述车辆数据集进行特征提取得到当前特征集，将所述比对特征集与所述当前特征集中对应的特征进行校验，根据校验结果生成匹配报告，包括：提取所述比对特征集中的音频比对特征集；从所述车辆数据集中提取音频数据集；将所述音频数据集输入音频分类模型得到异常音源；将所述异常音源与所述音频比对特征集中对应的异常音源进行校验得到音频校验结果，根据所述音频校验结果生成音频匹配报告。

在其中一个实施例中，所述从所述车辆数据集中提取图像数据集，包括：获取所述车辆数据集中各图像数据的图像名称，根据所述图像名称生成所述图像数据的图像标签；根据所述图像数据和对应的所述图像标签生成图像数据对，根据所述图像数据对生成图像数据集。

在其中一个实施例中，所述将所述图像数据集输入图像特征提取模型得到图像特征集，包括：遍历所述图像数据集中的所述图像数据对，得到各所述图像数据对的图像标签；查找与所述图像标签对应的图像特征提取模型；将所述图像数据对中的图像数据输入查找到的所述图像特征提取模型得到各所述图像数据对的图像特征；根据各所述图像特征生成图像特征集。

在其中一个实施例中，所述将所述音频数据集输入音频分类模型得到异常音源，包括：将所述音频数据集中的各音频数据分别输入音频分类模型，根据所述音频分类模型得到各所述音频数据对应的音源；计算各所述音源的占比，并根据所述占比大小对各所述音源进行排名；将所述占比大于预设阈值的音源提取为异常音源。

在其中一个实施例中，所述方法还包括：当所述匹配报告中所有的特征校验结果均合格时，生成特征校验成功消息，将所述特征校验成功消息发送至下一节点的第一节点服务器，以使所述第一节点服务器根据所述特征校验成功消息启动对车辆数据的检测；当所述匹配报告中存在风险特征值时，生成特征校验失败消息，将所述特征校验失败消息发送至上一节点的第二节点服务器，以使所述第二节点服务器根据所述特征校验失败消息对所述比对特征集进行复核。

一种车辆信息管理装置，所述装置包括：

车辆数据集获取模块，用于获取当前节点的车辆数据集；比对特征集获取模块，用于获取上一节点对应的第一区块链区块中的比对特征集；第一匹配报告生成模块，用于对所述车辆数据集进行特征提取得到当前特征集，将所述比对特征集与所述当前特征集中对应的特征进行校验，根据校验结果生成匹配报告；区块链数据上传模块，用于将所述车辆数据集、所述当前特征集以及所述匹配报告上传至当前节点对应的第二区块链区块。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

上述车辆信息管理方法、装置、计算机设备和存储介质，从上一节点对应的第一区块链区块中获取比对特征集，对车辆数据集进行特征提取得到当前特征集，将比对特征集与当前特征集中对应的特征进行校验，根据校验结果生成匹配报告；并将车辆数据集、当前特征集以及匹配报告上传至当前节点对应的第二区块链区块。通过将车辆在生产交付过程中各个环节产生的车辆信息以及各个环节中的车辆信息匹配数据写入区块链区块，使得车辆在交付过程中各个环节都参与车辆数据的记录，并且区块链具有去中心化、公开透明的特征，存在区块链上的数据具有不可篡改性、信息共享等优点实现车辆在生产交付过程中各个环节产生的信息的可靠记录以及车辆生产信息的可追溯性和可定责性。

附图说明

图1为一个实施例中车辆信息管理方法的应用场景图；

图2为一个实施例中车辆信息管理方法的流程示意图；

图3为一个实施例中的匹配报告生成方法流程示意图；

图4为一个实施例中不同环节交易环节过程中车辆信息管理方法流程示意图；

图5为一个实施例中车辆信息管理装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的车辆信息管理方法，可以应用于如图1所示的应用环境中。区块链服务器104通过网络与多个节点服务器102进行通信，各节点服务器102可将车辆数据上传至区块链服务器104对应的区块链区块中，区块链服务器104将接收到的数据进行存储。各节点服务器102可以从区块链服务器104对应的区块中读取比对特征集，将当前节点对应的特征集与比对特征集中对应的特征进行校验，生成匹配报告并上传至区块链区块。具体地，各节点服务器102接收车辆信息检测指令，根据车辆信息检测指令获取当前节点的车辆数据集；从上一节点对应的第一区块链区块中获取比对特征集；对车辆数据集进行特征提取得到当前特征集，将比对特征集与当前特征集中对应的特征进行校验，根据校验结果生成匹配报告；将车辆数据集、当前特征集以及匹配报告上传至区块链服务器104对应的区块链区块。

其中，各节点服务器102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，区块链服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。当区块链服务器104为独立的服务器时，区块链服务器104中可以部署多个数据库，每个数据库中可以存储特定业务的业务数据表；当区块链服务器104为多个服务器组成的服务器集群时，每个服务器中部署的数据库中可以存储特定业务的业务数据表。

在一个实施例中，如图2所示，提供了一种车辆信息管理方法，以该方法应用于图1中的区块链服务器104以及各节点服务器102为例进行说明，方法包括以下步骤：

步骤210，获取当前节点的车辆数据集。

车辆从生产环节到交付至客户手中一般会经历多个环节。例如主机厂即车辆生产商根据车辆的生产合同数据生产车辆环节、4s店接收车辆环节、运车管家运输车辆环节、二网车商接收车辆环节等，并且在每个环节都会对接收到的车辆进行质量检测以保证在本环节接收到的车辆的质量满足要求。在每个交易环节中将当前环节产生的车辆检测数据存储为一个区块，每个区块引用上一环节车辆检测数据对应的区块形成一个互连的链条即区块链，从而实现将车辆从生产环节至交付至客户手中整个过程产生的数据以数据链条的形式存储在区块链上。

具体地，车辆的每个交付环节对应一个节点服务器，节点服务器具有向区块链上传数据或者查看区块链上数据的权限。例如车辆上一交易环节完成车辆信息检测之后，将车辆检测信息上传至区块链，同时将车辆检测人员信息加盖时间戳上传至区块链，形成一个区块链区块。当上一交易环节的节点服务器判断该环节的车辆信息检测合格后向下一交易环节的服务器发送车辆信息检测指令，下一交易环节的服务器根据接收到的车辆信息检测指令从当前节点对应的节点服务器中获取车辆数据集。

其中，车辆数据集中包含车辆的多项性能指标，用于表征车辆在当前交易环节对应的车辆配置信息，具体地可包括车辆的外观信息、车辆的内部配置信息以及车辆的内部性能信息等。还可以包括车辆的识别码(vin码)，识别码用于唯一标识一个车辆，具体地识别码中可包含车辆的生产厂家、生产年代、车型、车身型式及代码、发动机代码、组装地点以及车辆配置原材料数据等。

步骤220，获取上一节点对应的第一区块链区块中的比对特征集。

上一车辆交易环节的服务器将获取的车辆数据集以及根据车辆数据集计算得到的车辆特征集上传至上一交易环节对应的区块链区块中。

当前车辆交易环节对应的服务器接收上一交易环节发送的车辆信息检测指令，从上一节点对应的区块链区块中获取车辆特征集并记作比对特征集。将本交易环节的车辆特征集与比对特征集进行比对，以判断本交易环节接收到的车辆质量是否满足要求。

步骤230，对车辆数据集进行特征提取得到当前特征集，将比对特征集与当前特征集中对应的特征进行校验，根据校验结果生成匹配报告。

车辆数据集中包含对车辆信息进行检测得到的车辆原始数据，对原始数据进行数据处理得到数据特征，数据特征用于表征车辆的具体性能。例如车辆数据集中可包含的原始数据为车辆的外观图片，利用图像颜色识别算法提取车辆外观图片中的颜色信息得到车辆的颜色特征，匹配上一交易环节中的车辆颜色特征与本交易环节的车辆颜色特征得到车辆颜色特征匹配结果。

具体地，车辆数据集中还可包含对车辆信息进行检测得到表征车辆多个方面性能的原始数据，对车辆不同性能对应的原始数据采用不同的特征提取算法提取特征得到当前特征集，遍历比对特征集与当前特征集得到各个特征的匹配结果，根据匹配结果生成匹配报告。

更加具体地，匹配报告中不仅包括特征集中各个特征是否完全一致的匹配结果，还包括各个特征的匹配度，以及根据匹配度生成的当前车辆特征是否合格的提示。

在另一个实施例中，当前节点服务器还可以获取外部数据例如从268v标准化二手车检测评估系统中获取268v数据，从汽车之家获取汽车数据等。将当前特征集中的数据与外部数据进行匹配，根据匹配结果给出匹配建议。

步骤240，将车辆数据集、当前特征集以及匹配报告上传至当前节点对应的第二区块链区块。

当前交易环节完成对车辆的检测后，将在车辆检测环节中产生的数据上传至当前节点对应的区块链区块中，同时将车辆检测人员信息加盖时间戳同步上传，数据上传完成后表明本交易环节对应的车辆检测任务完成。

其中，上传的车辆数据集中可包含车辆的外观图片信息、车辆发动机在运行过程中产生的音频信息、车辆的视频信息等。当前特征集可包括车辆的外观颜色特征、外观形状特征，也可包括通过分析发动机的音频得到的音频特征等。

在本实施例中，通过将车辆在生产交付过程中各个环节产生的车辆信息以及各个环节中的车辆信息匹配数据上传至区块链区块，使得车辆交付过程中每个环节都参与车辆数据的记录，并且区块链具有去中心化、公开透明的特征，存在区块链上的数据具有不可篡改性、信息共享等优点实现车辆在生产交付过程中各个环节产生的信息的可靠记录以及车辆生产信息的可追溯性和可定责性。

在一个实施例中，对车辆数据集进行特征提取得到当前特征集，将比对特征集与当前特征集中对应的特征进行校验，根据校验结果生成匹配报告，包括：提取比对特征集中的图像比对特征集；从车辆数据集中提取图像数据集，将图像数据集输入图像特征提取模型得到图像特征集；将图像特征集与图像比对特征集中对应的图像特征进行校验得到图像校验结果。

具体地，从车辆数据集中获取图像数据集，当前节点服务器通过识别图像数据的类型得到对应的图像特征提取算法，根据图像特征提取算法得到图像数据对应的图像特征，多个图像特征组成图像特征集。将当前的图像特征集与获取的图像比对特征集进行逐个特征比对，得到图像校验结果。

在一个实施例中，利用外观图像特征识别算法获取车辆外观图像的颜色特征、外观图像的平整性特征、外观图像是否有裂痕刮擦等，通过匹配当前图像特征与比对图像特征用于校验从上一环节交付过来的车辆的外观是否完整。图像数据集中还可包括车辆的内饰与配置图像，利用图像特征识别算法可获得车辆的内部空间、座椅、天窗、音响、屏幕等特征信息，用于检验与上一环节交付过来的车辆的内饰与配置数据是否完整一致。

在另一个实施例中，调用深度学习算法对图像进行处理识别，输出处理识别后的结果，其中深度学习算法可以为神经网络，更加具体地可为卷积神经网络算法(cnn)算法。例如，把图像数据集上传至服务器中，服务调用cnn算法对图像数据集中的各图像数据进行处理得到图像特征集，实现将图像数据转化为图像特征集中的文本信息，通过匹配比对图像特征集中的文本信息与当前特征集中的文本信息生成匹配报告，将图像匹配报告上传至当前节点对应的第二区块链区块。

具体地，遍历比对图像特征集与当前图像特征集得到各个图像特征的匹配结果，根据匹配结果生成图像匹配报告。

更加具体地，图像匹配报告中不仅包括图像特征集中各个图像特征是否完全一致的匹配结果，还包括各个图像特征的匹配度，以及根据匹配度生成的当前车辆质量是否合格的提示。

在一个实施例中，对车辆数据集进行特征提取得到当前特征集，将比对特征集与当前特征集中对应的特征进行校验，根据校验结果生成匹配报告，包括：提取比对特征集中的音频比对特征集。

具体地，上一节点服务器上传到区块链上的比对数据集中不仅包含车辆的图像数据集还可包括车辆发动机在运行过程中产生的音频数据集等，以及对发动机的音频数据集中的音频数据进行特征提取得到音频特征集，将音频特征集记为音频比对特征集。

从车辆数据集中提取音频数据集，将音频数据集输入音频分类模型得到异常音源。

音频数据中记录了发动机在不同运行状态下的数据信息，例如获取发动机在启动、加速以及减速状态下的音频数据。当发动机正常运行时音频数据中只包含发动机自身运行产生的音频数据，当发动机出现故障时，音频数据中不仅包含发动机正常运行产生的声音还会夹杂有故障单元产生的声音。

将当前交易环节服务器获取的音频数据输入音频分类模型，音频分类模型对获取的音频数据进行分析得到分类后的音源。其中音源即产生声音的源头，例如产生声音的发动机、产生噪音的发动机异常模块，产生环境噪音的外界环境等。对音源进行统计学分析提取音源中的异常音源，异常音源为除期望音源之外的音源，例如发动机异常模块和外界环境等都可为异常音源。

具体地，可根据音频数据中各音频的音调、音色以及音响等特征对音频进行分类，得到音源。在一个实施例中，可利用机器学习算法中的支持向量机(svm)算法实现对音频数据的分类，将汽车发动机的声音与异常噪音区分出来。进一步地，将发动机的异常噪音与异常音频数据库(268v数据库)中的异常音源数据进行匹配，根据异常音源的匹配相似度输出发动机可能存在的问题。

将异常音源与音频比对特征集中对应的异常音源进行校验得到音频校验结果，根据音频校验结果生成音频匹配报告。

具体地，遍历音频比对特征集与当前音频特征集中的异常音源，得到各个音频特征的匹配结果，根据匹配结果生成音频匹配报告。

更加具体地，音频匹配报告中不仅包括音频特征集中各个特征是否完全一致的匹配结果，还包括各个特征的匹配度，以及根据匹配度生成的当前车辆质量是否合格的提示。

将音频匹配报告上传至当前节点对应的第二区块链区块。

上传的车辆数据集中可包含车辆发动机在运行过程中产生的音频信息、车辆的视频信息或者其他类型的车辆检测数据信息等。音频信息中可包括通过分析发动机的音频得到的音频特征等。

具体地，将车辆数据集、音频匹配报告上传至当前节点对应的第二区块链区块。

在一个实施例中，如图3所示，图3为匹配报告生成方法流程示意图。包括：

步骤s232，从车辆数据集中提取图像数据集和音频数据集。

当前节点服务器读取车辆数据集中的图像信息生成图像数据集，读取音频信息生成音频数据集。

步骤s234，将图像数据集输入图像特征提取模型得到图像特征集，将图像特征集与比对特征集中的图像特征进行校验得到图像校验结果。

步骤s236，将音频数据集输入音频分类模型得到异常音源。

步骤s238，根据图像校验结果和异常音源生成匹配报告。

将车辆数据集、当前特征集以及匹配报告上传至当前节点对应的第二区块链区块。

通过提取车辆数据集中的图像数据集和音频数据集，并采用不同的模型对图像数据集和音频数据集进行处理得到图像特征集和异常音源，实现了车辆交付过程中数据处理与自动化检测流程，提高了车辆的检测速度，提升工作人员效率以及车辆检测的准确性，并且将得到的图像匹配报告和异常音源上传至区块链对应的区块中，实现了数据的可靠存储。

在一个实施例中，从车辆数据集中提取图像数据集，包括：获取车辆数据集中各图像数据的图像名称，根据图像名称生成图像数据的图像标签；根据图像数据和对应的图像标签生成图像数据对，根据图像数据对生成图像数据集。

当前交易环节的服务器获取车辆数据集中各图像的图像名称，在一个实施例中，图像名称可以由类型代码和顺序编号组成，从图像名称中分别提取类型代码和顺序编号，根据类型代码和顺序编号生成图像标签。例如，图像名称为“w001”，其中w表明该图像对应的图像类型是外观图像，数字001代表图像的顺序编号。根据图像名称生成图像标签，例如图像标签为“外观001”。根据图像数据和对应的图像标签生成图像数据对，例如可以记录外观图像数据对{'外观001','w001.jpg'}。根据图像数据对生成图像数据集，例如图像数据集为{[{'外观001','w001.jpg'},{'外观002','w002.jpg'},...,{'外观100','w100.jpg'}],[{'内饰001','n001.jpg'},{'内饰002','n002.jpg'},...,{'内饰100','n100.jpg'}],[{'配置001','p001.jpg'},{'配置002','p002.jpg'},...,{'配置100','p100.jpg'}]}。

在本实施例中，通过提取图像的名称生成图像标签，并获取与图像标签对应的图像生成图像数据对，多个图像数据对组成图像数据集。通过对原始图像名称的预处理得到统一格式的图像数据集，方便后续图像特征提取过程中的图像输入效率。

在一个实施例中，将图像数据集输入图像特征提取模型得到图像特征集的步骤，包括：遍历图像数据集中的图像数据对，得到各图像数据对的图像标签；查找与图像标签对应的图像特征提取模型；将图像数据对中的图像数据输入查找到的图像特征提取模型得到各图像数据对的图像特征；根据各图像特征生成图像特征集。

服务器提取图像数据对中的图像标签，根据提取到的图像标签获取图像的类型，进而查找与该图像类型对应的图像特征提取模型。例如，调用深度学习算法对带标签的图像进行处理识别，输出处理识别后的结果，其中深度学习算法可以为神经网络、更加具体地可为卷积神经网络算法(cnn)算法。例如，把图像数据集上传至服务器中，服务调用cnn算法对图像数据集中的各图像数据进行处理得到图像特征集，实现将图像数据转化为图像特征集中的文本信息，通过匹配比对图像特征集中的文本信息与当前特征集中的文本信息生成匹配报告。

具体地，可以通过识别图像的颜色得到图像颜色特征，提取图像的边缘特征得到图像的大小特征，识别图像的纹理得到图像中包含的要素特征等。将识别后的结果存入list集合中得到图像特征集，具体地，list集合中包括外观识别数据、内饰识别数据、配置识别数据集合。

在本实施例中，利用图像数据集中的图像标签获取与各图像对应的图像特征提取算法，根据不同的图像类型自动获取与之对应的图像特征提取算法，提高了图像特征数据的提取效率。

在一个实施例中，将音频数据集输入音频分类模型得到异常音源的步骤包括：将音频数据集中的各音频数据分别输入音频分类模型，根据音频分类模型得到各音频数据对应的音源；计算各音源的占比，并根据占比大小对各音源进行排名；将占比大于预设阈值的音源提取为异常音源。

音频数据为车辆发动机在运行过程中产生的声音，采集发动机在不同运行状态下的声音并根据每条声音对应的运行状态赋予每条声音名称，声音名称中可包含声音的类型以及声音编号。例如其中一条音频的名称为“q001”，根据音频的名称生成音频标签，例如音频标签为“启动001”，根据音频数据和对应的音频标签生成音频数据对，例如其中一个音频数据对为{启动001q001.mp3}，多个音频数据对生成音频数据集。

将音频数据集输入到音频分类模型中，音频分类模型对连续时间的音源数据进行离散化处理得到多个时刻对应的音频数据，根据每个时刻音频数据的音色、音响以及音调对音频数据进行分类得到不同的音源，计算各音源在整个连续时间音源数据中的时间占比，得到各音源的占比值，根据占比值对音源进行排序。

其中，音源即产生声音的源头，采集得到的音频中可包括多个音源。例如，发动机在正常运行情况下，音频数据来源即音源仅为发动机，当发动机存在异常时，音源为发动机和发动机异常构件，当车辆检测环境嘈杂时，音源还包括外界环境。

当前节点服务器利用聚类算法模型对音频数据集进行归类，得到多个音源，其中聚类算法模型可为机器学习算法，例如支持向量机svm算法等。

对得到的音源进行统计学分析得到各音源的占比值，根据占比值大小对各音源进行排名，排名最靠前的音源为对音频数据贡献率最大的声音，例如排名第一的音源为发动机在运行过程中产生的声音。获取占比值排名前三的音源，当排名第二的音源和排名第三的音源的在整个连续时间音频数据中占比值大于50％时，可将音源提取为异常音源。当音源在整个连续时间音频数据中的占比小于50％时，表明发动机音频中不存在异常音源，此时的发动机在正常运行状态下。

当前节点服务器将获得的异常音源上传至区块链区块，更进一步地还可以包括将异常音源进行输出或者推送至用户终端。

在本实施例中，通过将获得的音频数据集输入到音频分类模型，对音频数据集中的音频进行分类得到多个音源，利用统计学方法对各音源进行分析提取音源中的异常音源。实现对音频数据的自动化处理，提高了对音频数据的处理效率。

在一个实施例中，根据各异常音源生成异常音频特征集之后的步骤，包括：获取异常音频数据库；从异常音频数据库中查找与异常音源匹配的风险类型；根据风险类型生成异常音源对应的风险提示。

异常音频数据库中存储有异常音源以及各异常音源对应的风险类型。其中风险类型如发动机漏油、发动机零部件受损等，将获得的异常音源输入到异常音源数据库中，查找异常音源数据库中与异常音源对应风险类型，将风险类型生成风险提示。更进一步地当前节点服务器将异常音源、风险类型上传至区块链，还可包括将风险提示进行输出。

例如，异常音频数据库可以为268v数据库，268v数据库中存储了各种车型的原始测试数据，将提取出的异常音源数据与268v数据库中的异常音源数据进行匹配，根据异常音源的匹配相似度输出发动机可能存在的问题，具体地，可以输出排名在第二、第三的并且音源在整个声音长度中占比大于50％的异常音源对应的风险类型。输出发动机声音检测结果与存在的风险。

在本实施例中，将获取的异常音源输入异常音源数据库，从异常音源数据库中获取与异常音源匹配度最高的风险类型，进而得到发动机存在的风险类型。

在一个实施例中，车辆信息管理方法还包括：当匹配报告中所有的特征校验结果均合格时，生成特征校验成功消息，将特征校验成功消息发送至下一节点的第一节点服务器，以使第一节点服务器根据特征校验成功消息启动对车辆数据的检测；当匹配报告中存在风险特征值时，生成特征校验失败消息，将特征校验失败消息发送至上一节点的第二节点服务器，以使第二节点服务器根据特征校验失败消息对比对特征集进行复核。

当前节点服务器获取比对特征集，比对特征集作为本交易环节对车辆进行检测的标准数据源，若当前交易环节产生的车辆检测数据集与上一交易环节产生的车辆检测数据完全一致时，当前交易环节对应的节点服务器接收车辆，完成本环节的车辆验收工作，并向下一节点服务器发送车辆信息检测指令，下一节点服务器接收车辆信息检测指令开启对车辆信息进行检测。

若当前交易环节产生的车辆检测数据集与上一交易环节产生的车辆检测数据不完全一致时，表明当前车辆的质量信息与上一环节承诺的车辆质量信息不符，当前交易环节拒收该车辆，并向上一节点对应的服务器发送车辆验收失败指令，下一节点服务器接收该验收失败指令开启对车辆信息的核查。

参考图4，图4为不同交易环节过程中车辆信息管理方法流程示意图。例如主机厂将第一车辆数据集上传第一区块链区块，其中第一区块链区块中包含第一图像特征集以及第一音频特征集，主机厂车辆检测人员将车辆合同书数据与第一车辆数据集进行对比，生成匹配报告，若匹配报告中的数据一致则将车辆交付至下一交易环节4s店，若匹配报告中的数据不一致则将新车车辆检测问题反馈到主机厂相关部门。同时，主机厂检测人员将新车车辆检测数据与主机厂新车检测人信息加盖时间戳上传第一区块链区块。

当4s店收到主机厂交付的新车车辆后通过解析查看第一区块链区块上第一特征集，同时4s店完成新车车辆检测后获得第二车辆数据集，根据第二车辆数据集获取第二图像特征集以及第二音频数据集，比对第一图像特征集与第二图像特征集得到第二图像匹配报告，比对第一音频特征集与第二音频特征集得到第二音频匹配报告，将图像匹配报告以及音频匹配报告与4s店检测人信息加盖时间戳上传第二区块链区块。若匹配报告中的数据显示4s店检测数据与主机厂检测数据不一致或者与车辆说明书数据不一致则将问题反馈主机厂方且拒绝接车，否则通知运车管家运输车辆和新车二网接车。

运车管家收到4s店发出运车信息后，通过解析查看第一区块链区块上的数据以及第二区块链区块上的数据。同时，运车管家对新车车辆进行检测并将新车车辆检测结果与检测人数据上传第三区块链区块。若运车管家检测新车车辆数据与4s店检测新车车辆数据不一致可拒绝运车并将问题反馈4s店，否则发出提车指令到新车二网经销商，通知在指定日期接车。

新车二网车商收到接车信息后查看第一区块链区块、第二区块链区块以及第三区块链区块上新车车辆生产信息与各环节验车信息。同时，新车二网验车人员将验车信息、验车人信息加盖时间戳生成一个新的信息区块上传区块链。若新车二网验车人员校验新车信息与运车管家验车数据不一致，将问题反馈到运车管家与4s店且拒绝接车，否则新车二网验车成功后发出提车指令到购车客户。

购车客户接到提车指令后查看区块链上所有区块上的新车车辆生产信息与各环节验车信息。同时，购车客户对新车进行检验且把购车合同内容加盖时间戳生成新信息区块上传区块链。若购车用户验车信息与新车二网验车数据不一致则将问题反馈新车二网车商且拒绝提车。否则购车客户提车成功。

在本实施例中，提出一种基于区块链技术的新车车辆交付系统，将新车车辆出厂数据和各环节交付验车数据与验车责任人信息加盖时间戳上传区块链。由于区块链的不可篡改性、信息共享等优点，上传区块链的新车车辆信息能够被主机厂、4s店、运车管家、二网车商、购车客户浏览，保证交车信息公开透明且数据完整。同时，新车车辆交付各个环节存在问题可以精准定位，实现快速责任追究。

应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，还如图5所示，提供了一种车辆信息管理装置，包括：车辆数据集获取模块510、比对特征集获取模块520、第一匹配报告生成模块530和区块链数据上传模块540，其中：

车辆数据集获取模块510，用于获取当前节点的车辆数据集。

比对特征集获取模块520，用于获取上一节点对应的第一区块链区块中的比对特征集。

第一匹配报告生成模块530，用于对车辆数据集进行特征提取得到当前特征集，将比对特征集与当前特征集中对应的特征进行校验，根据校验结果生成匹配报告。

区块链数据上传模块540，用于将车辆数据集、当前特征集以及匹配报告上传至当前节点对应的第二区块链区块。

在一个实施例中，第一匹配报告生成模块530可以包括：

图像比对特征集提取单元，用于提取比对特征集中的图像比对特征集。

图像数据集提取单元，用于从车辆数据集中提取图像数据集。

图像特征集提取单元，用于将图像数据集输入图像特征提取模型得到图像特征集。

图像匹配报告生成单元，用于将图像特征集与图像比对特征集中对应的图像特征进行校验得到图像校验结果，根据图像校验结果生成图像匹配报告。

在一个实施例中，第一匹配报告生成模块530，包括：

音频比对特征集提取单元，用于提取所述比对特征集中的音频比对特征集。音频数据集提取单元，用于从所述车辆数据集中提取音频数据集。

异常音源提取单元，用于将所述音频数据集输入音频分类模型得到异常音源。

音频匹配报告生成单元，用于将异常音源与音频比对特征集中对应的异常音源进行校验得到音频校验结果，根据音频校验结果生成音频匹配报告。

在一个实施例中，图像数据集提取单元可以包括：

图像标签生成子单元，用于获取车辆数据集中各图像数据的图像名称，根据图像名称生成图像数据的图像标签。

图像数据集生成子单元，用于根据图像数据和对应的图像标签生成图像数据对，根据图像数据对生成图像数据集。

在一个实施例中，图像特征集提取单元可以包括：

图像标签获取子单元，用于遍历图像数据集中的图像数据对，得到各图像数据对的图像标签。

图像特征提取子单元，用于查找与图像标签对应的图像特征提取模型。

图像特征生成子单元，用于将图像数据对中的图像数据输入查找到的图像特征提取模型得到各图像数据对的图像特征。

图像特征集生成子单元，用于根据各图像特征生成图像特征集。

在一个实施例中，异常音源提取单元可以包括：

音源获取子单元，用于将音频数据集中的各音频数据分别输入音频分类模型，根据音频分类模型得到各音频数据对应的音源。

音源排名计算子单元，用于计算各音源的占比，并根据占比大小对各音源进行排名。

异常音源提取子单元，用于将占比大于预设阈值的音源提取为异常音源。

在一个实施例中，装置还可以包括：

数据库获取模块，用于获取异常音频数据库。

风险类型查找模块，用于从异常音频数据库中查找与异常音源匹配的风险类型。

风险提示生成模块，用于根据风险类型生成异常音源对应的风险提示。

在一个实施例中，装置还包括：

车辆数据检测启动模块，用于当匹配报告中所有的特征校验结果均合格时，生成特征校验成功消息，将特征校验成功消息发送至下一节点的第一节点服务器，以使第一节点服务器根据特征校验成功消息启动对车辆数据的检测。

比对特征集复核模块，用于当匹配报告中存在风险特征值时，生成特征校验失败消息，将特征校验失败消息发送至上一节点的第二节点服务器，以使第二节点服务器根据特征校验失败消息对比对特征集进行复核。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于搜索应用数据处理相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种搜索应用数据处理方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取当前节点的车辆数据集；获取上一节点对应的第一区块链区块中的比对特征集；对车辆数据集进行特征提取得到当前特征集，将比对特征集与当前特征集中对应的特征进行校验，根据校验结果生成匹配报告；将车辆数据集、当前特征集以及匹配报告上传至当前节点对应的第二区块链区块。

在一个实施例中，处理器执行计算机程序时实现所述对所述车辆数据集进行特征提取得到当前特征集，将所述比对特征集与所述当前特征集中对应的特征进行校验，根据校验结果生成匹配报告的步骤时还用于：提取所述比对特征集中的图像比对特征集；从所述车辆数据集中提取图像数据集，将所述图像数据集输入图像特征提取模型得到图像特征集；将所述图像特征集与所述图像比对特征集中对应的图像特征进行校验得到图像校验结果，根据所述图像校验结果生成图像匹配报告。

在一个实施例中，处理器执行计算机程序时实现所述对所述车辆数据集进行特征提取得到当前特征集，将所述比对特征集与所述当前特征集中对应的特征进行校验，根据校验结果生成匹配报告的步骤时还用于：提取所述比对特征集中的音频比对特征集；从所述车辆数据集中提取音频数据集，将所述音频数据集输入音频分类模型得到异常音源；将所述异常音源与所述音频比对特征集中对应的异常音源进行校验得到音频校验结果，根据所述音频校验结果生成音频匹配报告。

在一个实施例中，处理器执行计算机程序时实现从所述车辆数据集中提取图像数据集的步骤时还用于：获取所述车辆数据集中各图像数据的图像名称，根据所述图像名称生成所述图像数据的图像标签；根据所述图像数据和对应的所述图像标签生成图像数据对，根据所述图像数据对生成图像数据集。

在一个实施例中，处理器执行计算机程序时实现所述将所述图像数据集输入图像特征提取模型得到图像特征集的步骤时还用于：遍历图像数据集中的数据对，得到各数据对的图像标签；查找与图像标签对应的图像特征提取模型；将数据对中的图像数据输入查找到的图像特征提取模型得到各数据对的图像特征；根据各图像特征生成图像特征集。

在一个实施例中，处理器执行计算机程序时实现对将音频数据集输入音频分类模型得到异常音源的步骤时还用于：将音频数据集中的各音频数据分别输入音频分类模型，音频分类模型得到各音频数据对应的音源；计算各音源的占比，并根据占比大小对各音源进行排名；将占比大于预设阈值的音源提取为异常音源。

在一个实施例中，处理器执行计算机程序时还用于：当匹配报告中所有的特征校验结果均合格时，生成特征校验成功消息，将特征校验成功消息发送至下一节点的第一节点服务器，以使第一节点服务器根据特征校验成功消息启动对车辆数据的检测；当匹配报告中存在风险特征值时，生成特征校验失败消息，将特征校验失败消息发送至上一节点的第二节点服务器，以使第二节点服务器根据特征校验失败消息对比对特征集进行复核。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取当前节点的车辆数据集；获取上一节点对应的第一区块链区块中的比对特征集；对车辆数据集进行特征提取得到当前特征集，将比对特征集与当前特征集中对应的特征进行校验，根据校验结果生成匹配报告；将车辆数据集、当前特征集以及匹配报告上传至当前节点对应的第二区块链区块。

在一个实施例中，计算机程序被处理器执行时实现所述对所述车辆数据集进行特征提取得到当前特征集，将所述比对特征集与所述当前特征集中对应的特征进行校验，根据校验结果生成匹配报告的步骤时还用于：提取所述比对特征集中的图像比对特征集；从所述车辆数据集中提取图像数据集，将所述图像数据集输入图像特征提取模型得到图像特征集；将所述图像特征集与所述图像比对特征集中对应的图像特征进行校验得到图像校验结果，根据所述图像校验结果生成图像匹配报告。

在一个实施例中，计算机程序被处理器执行时实现所述对所述车辆数据集进行特征提取得到当前特征集，将所述比对特征集与所述当前特征集中对应的特征进行校验，根据校验结果生成匹配报告的步骤时还用于：提取所述比对特征集中的音频比对特征集；从所述车辆数据集中提取音频数据集，将所述音频数据集输入音频分类模型得到异常音源；将所述异常音源与所述音频比对特征集中对应的异常音源进行校验得到音频校验结果，根据所述音频校验结果生成音频匹配报告。

在一个实施例中，处理器执行计算机程序时实现所述从所述车辆数据集中提取图像数据集的步骤时还用于：获取车辆数据集中各图像数据的图像名称，根据图像名称生成图像数据的图像标签；根据图像数据和对应的图像标签生成图像数据对，根据图像数据对生成图像数据集。

在一个实施例中，计算机程序被处理器执行时实现将图像数据集输入图像特征提取模型得到图像特征集的步骤时还用于：遍历图像数据集中的数据对，得到各数据对的图像标签；查找与图像标签对应的图像特征提取模型；将数据对中的图像数据输入查找到的图像特征提取模型得到各数据对的图像特征；根据各图像特征生成图像特征集。

在一个实施例中，计算机程序被处理器执行时实现对将音频数据集输入音频分类模型得到异常音源的步骤时还用于：将音频数据集中的各音频数据分别输入音频分类模型，音频分类模型得到各音频数据对应的音源；计算各音源的占比，并根据占比大小对各音源进行排名；将占比大于预设阈值的音源提取为异常音源。

在一个实施例中，计算机程序被处理器执行时还用于：当匹配报告中所有的特征校验结果均合格时，生成特征校验成功消息，将特征校验成功消息发送至下一节点的第一节点服务器，以使第一节点服务器根据特征校验成功消息启动对车辆数据的检测；当匹配报告中存在风险特征值时，生成特征校验失败消息，将特征校验失败消息发送至上一节点的第二节点服务器，以使第二节点服务器根据特征校验失败消息对比对特征集进行复核。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。