机动车雨刷自动控制系统的制作方法

本实用新型实施例涉及汽车配件领域，特别是涉及一种机动车雨刷自动控制系统。

背景技术：

为应对雨天行车，机动车前挡风玻璃外表面都配有雨刷来清除前挡风玻璃外表面的雨水。传统的雨刷都需要驾驶员手动启动以及调节雨刷动作频率，这在操作使用上多有不便，驾驶员需要分心操控雨刷，也易引发交通事故。为此，一些汽车厂商推出了以雨滴传感器为基础的汽车自动雨刷控制系统。这种自动雨刷控制系统的工作原理是：将雨滴传感器检测的降水强度实时测量值转换成电信号，依据电信号大小来自动调节雨刮器工作的时间间隔，从而控制了雨刮器动作。

目前，市场上应用于自动雨刷控制系统的雨滴传感器主要有如下三种：利用压电振子的传感器、利用静电电容的传感器、利用光强变化的传感器。第一种和第二种是把雨滴传感器安装在汽车的外面，雨滴直接滴在传感器上来实现感应；第三种是把雨滴传感器安装在挡风玻璃驾驶室一侧，通过对雨滴滴落在玻璃上所引起的反射光强的变化进行感应而反应出雨滴的变化情况。主流的雨滴传感器为电容式雨滴传感器和红外式雨滴传感器，经过实际使用及分析发现，现有的电容式雨滴传感器存在改变范围有限且电容量本身很小，测量困难，受工作环境影响大的缺陷；而红外式雨滴传感器则存在易受背景光干扰，光电转换信号弱，信号易被噪声淹没的缺陷。

技术实现要素：

本实用新型实施例要解决的技术问题在于，提供一种机动车雨刷自动控制系统，能够依据降雨强度自动调节控制雨刷。

为解决上述技术问题，本实用新型实施例采用以下技术方案：一种机动车雨刷自动控制系统，包括：

摄像装置，用于实时采集对应安装有雨刷的挡风玻璃的图像；

图像识别模块，与所述摄像装置相连，所述图像识别模块是基于深度学习卷积神经网络模型的图像识别模块，用于对所述摄像装置传来的所述挡风玻璃的图像进行识别，根据识别结果确定降落在所述挡风玻璃上的降水强度并产生和输出对应的降水强度信号；

控制器，与所述图像识别模块和所述雨刷的驱动器相连，用于根据所述降水强度信号发出对应的控制信号给所述驱动器来驱动所述雨刷按照与所述降水强度相适配的频率在挡风玻璃外表面来回刮动。

进一步地，所述图像识别模块包括：

第一存储器，用于存储所述摄像装置传来的挡风玻璃的图像；

第二存储器，预先存储有所述深度学习卷积神经网络模型；

数据处理芯片，用于调用所述深度学习卷积神经网络模型对所述挡风玻璃的图像进行识别，根据识别结果确定降落在所述挡风玻璃上的降水强度并产生和输出对应的降水强度信号。

进一步地，所述深度学习卷积神经网络模型是squeezedet模型。

进一步地，所述摄像装置为安装于机动车上的行车记录仪的摄像头。

采用上述技术方案，本实用新型实施例至少具有以下有益效果：本实用新型实施例通过配置摄像装置和基于深度学习卷积神经网络模型的图像识别模块，由摄像装置来实时采集对应安装有雨刷的挡风玻璃的图像提供给图像识别模块进行分析识别，能精确获得降落在挡风玻璃上单位时间内的雨水量，即降水强度，进而根据降水强度产生和输出对应的降水强度信号，控制器则根据所述降水强度信号来输出对应的控制信号给雨刷的驱动器来控制雨刷按照与所述降水强度相适配的频率在挡风玻璃外表面来回刮动，由此实现了雨刷自动调节，无需人为干预，减轻了驾驶员压力，有利于提高雨天驾驶的安全性。

附图说明

图1是本实用新型机动车雨刷控制系统的一个可选实施例的系统构成框图。

图2是本实用新型机动车雨刷控制系统的一个可选实施例中的图像识别模块的构成框图。

图3是本实用新型机动车雨刷控制系统的一个可选实施例中对雨刷进行控制时的具体处理流程示意图。

图4是本实用新型机动车雨刷控制系统的一个可选实施例中对雨刷进行控制时进行图像识别的具体流程示意图。

具体实施方式

下面结合附图和具体实施例对本实用新型作进一步详细说明。应当理解，以下的示意性实施例及说明仅用来解释本实用新型，并不作为对本实用新型的限定，而且，在不冲突的情况下，本实用新型中的实施例及实施例中的特征可以相互结合。

如图1所示，本实用新型一个可选实施例提供一种机动车雨刷自动控制系统，包括：

摄像装置1，用于实时采集对应安装有雨刷的挡风玻璃的图像；

图像识别模块2，与所述摄像装置1相连，所述图像识别模块2是基于深度学习卷积神经网络模型的图像识别模块，用于对所述摄像装置1传来的所述挡风玻璃的图像进行识别，根据识别结果确定降落在所述挡风玻璃上的降水强度并产生和输出对应的降水强度信号；

控制器3，与所述图像识别模块2和所述雨刷的驱动器4相连，用于根据所述降水强度信号发出对应的控制信号给所述驱动器4来驱动所述雨刷按照与所述降水强度相适配的频率在挡风玻璃外表面来回刮动。

卷积神经网络(convolutionalneuralnetwork，缩写cnn)主要用来识别位移、缩放及其他形式扭曲不变性的二维图形，其可以保留邻域的联系和空间的局部特点，和常见的全连接深度结构相比，由于cnn基于的是共享卷积核的结构，所以cnn处理实际尺寸的高维图像也毫无难度。另外，由于cnn的特征检测层通过训练数据进行学习，所以在使用cnn时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；再者，由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。所以深度学习卷积神经网络模型。

分类方式几乎都是基于统计特征的，这就意味着在进行分辨前必须提取某些特征。然而，显式的特征提取并不容易，在一些应用场合中也并非总是可靠的。卷积神经网络可以避免显式的特征取样，而是隐式地从训练数据中进行学习，这使得卷积神经网络明显有别于其他基于神经网络的分类器，通过结构重组和减少权值将特征提取功能融合进多层感知器，可以直接处理灰度图片，能够直接用于处理基于图像的分类。

所以选择深度学习卷积神经网络模型对雨天雨滴打在挡风玻璃的场景图片的特征检测，卷积层通过训练数据进行学习，特征抽取，再从训练图片数据集中进行学习，雨天雨滴的特征映射面上的神经元权值相同，特征分类；利用图片验证数据集中进行预测评估而收敛，并达到比较高的准确效率的效果，最后保存为深度学习模型。在实际行车驾驶的雨景中，由摄像装置1采集挡风玻璃上的雨景图像，调用深度学习模型对雨量预测，例如：可以识别为雨量大，雨量小，无雨3个类，最终再由控制器3发送控制信号给雨刷的驱动器4，进而实现雨刷运动的快慢或停止的控制，达到智能识别和智能控制效果。

由此可见，本实用新型实施例通过配置摄像装置1和基于深度学习卷积神经网络模型的图像识别模块2，由摄像装置1来实时采集对应安装有雨刷的挡风玻璃的图像提供给图像识别模块2进行分析识别，能精确获得降落在挡风玻璃上单位时间内的雨水量，即降水强度，进而根据降水强度对应产生和输出对应的降水强度信号，控制器3则根据所述降水强度信号来输出对应的控制信号给雨刷的驱动器4来控制雨刷按照与所述降水强度相适配的频率在挡风玻璃外表面来回刮动，由此实现了雨刷自动调节，无需人为干预，减轻了驾驶员压力，有利于提高雨天驾驶的安全性。

在本实用新型一个可选实施例中，如图2所示，所述图像识别模块2包括：

第一存储器20，用于存储所述摄像装置1传来的挡风玻璃的图像；

第二存储器22，预先存储有所述深度学习卷积神经网络模型；

数据处理芯片24，用于调用所述深度学习卷积神经网络模型对所述挡风玻璃的图像进行识别，并根据识别结果产生和输出对应的降水强度信号。

本实用新型实施例通过分别设置第一存储器20和第二存储器22，分别用于存储所述摄像装置1传来的挡风玻璃的图像和预先存储有所述深度学习卷积神经网络模型，有利于提升图像处理效率。在具体实施时，所述数据处理芯片24可以采用型号为安霸cv22aq的芯片，该芯片主要应用于机动车的视觉处理，支持dnns用于目标检测、分类(如行人、车辆、交通标志和交通灯)和跟踪，以及用于自由空间检测等应用的高分辨率语义分割。

在本实用新型一个可选实施例中，所述深度学习卷积神经网络模型是squeezedet模型。

squeezedet模型是squeeznet卷积网络模型的改进，其替换部分3x3的卷积kernel为1x1的卷积kernel。在进行目标识别时，从早期的alexnet模型到较新的deepresiduallearning模型，卷积大小基本上都选择在3x3，因为其有更好的有效性和设计简洁性。而squeezedet模型通过替换3x3的卷积kernel为1x1的卷积kernel，可以让参数缩小至原来的九分之一，为了不影响识别精度，并不是全部替换，仅是一部分用3x3，一部分用1x1。

squeezedet模型还能减少输入3x3卷积的inputfeaturemap(输入特征图)数量，如果是conv1-conv2这样的直连，实际上是没有办法减少conv2的inputfeaturemap数量，为此，本申请把原本一层conv分解为两层，并且封装为一个fire模块。

squeezedet模型的整个网络包含13层，第1层为卷积层，缩小输入图像，提取96维特征。第2到11层为fire模块，每个模块内部先减少通道数(squeeze)再增加通道数(expand)。每两个模块之后，通道数会增加。在1、4、8层之后加入降采样的maxpooling，缩小一半尺寸。第10层又是卷积层，为小图的每个像素预测1000类分类得分。最后用一个全图cvn得到这张图的类得分。由于最后一层提供了全图求平均操作，可以接受任意尺寸的输入，当然，输入还是需要归一化到大致相当的尺寸，保持统一尺度。

squeezedet模型训练与测试的数据集及样本标签大致如下：

1)训练数据集：4000张大雨图片，大小为(1920x430)；4000张小雨图片，大小为(1920x430)；4800张无雨图片，大小为(1920x430)；

2)验证数据集：1000张大雨图片，大小为(1920x430)；1000张小雨图片，大小为(1920x430)；1200张无雨图片，大小为(1920x430)；

3)样本标签：大雨图片训练标签；小雨图片训练标签；无雨图片训练标签，以及验证数据集标签。

本实施例通过采用squeezedet模型来作为深度学习卷积神经网络模型，可以有效减小运算数据量，增强学习效能，并还能提升分析效率和精度。

在本实用新型一个可选实施例中，所述摄像装置1为安装于机动车上的行车记录仪的摄像头。本实施例通过直接采用安装于机动车上的行车记录仪的摄像头作为摄像装置1，可以合理利用现有硬件，减小系统布设的硬件成本，并方便快速安装。

本实用新型实施例提供的机动车雨刷自动控制系统在实际应用时的处理步骤如图3所示，具体包括如下步骤：

步骤s1，实时采集对应安装有雨刷的挡风玻璃的图像；

步骤s2，基于深度学习卷积神经网络模型对所述挡风玻璃的图像进行识别，确定降落在所述挡风玻璃上的降水强度并发出对应的降水强度信号；

步骤s3，根据所述降水强度信号发出对应的控制信号给所述雨刷的驱动器4来驱动所述雨刷按照与所述降水强度相适配的频率在挡风玻璃外表面来回刮动。

结合图4所示，所述步骤s2具体又包括：

步骤s21，存储所述挡风玻璃的图像；

步骤s22，调用预先存储的所述深度学习卷积神经网络模型对所述挡风玻璃的图像进行识别，并根据识别结果产生和输出对应的降水强度信号。

上面结合附图对本实用新型的实施例进行了描述，但是本实用新型并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本实用新型的启示下，在不脱离本实用新型宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本实用新型的保护范围之内。