车辆VIN码检测方法与设备与流程

本申请涉及信息技术领域，尤其涉及一种车辆vin码检测技术。

背景技术：

伴随着社会经济的不断发展和人民生活水平的不断提高，城市机动车保有量迅猛增长。因此导致机动车的年检审核工作任务繁重，而车辆vin码由于其存在唯一性和不可变动性，使其成为了机动车年检审核中的重点项目。然而由于机动车年检审核工作任务的繁重以及种种现实场景中的条件限制，使得机动车年检审核中获取到的车辆vin码图像上存在各种各样的旋转角度。这导致以往的车辆vin码的检测工作不仅耗时而且会造成计算资源的不必要浪费。

技术实现要素：

本申请的一个目的是提供一种车辆vin码检测方法与设备。

根据本申请的一个方面，提供了一种车辆vin码检测方法，其中，所述方法包括：

获取车辆vin码待检测图像；

采用基于深度学习的旋转检测器在所述车辆vin码待检测图像中定位车辆vin码区域，检测所述车辆vin码待检测图像中是否存在车辆vin码区域图像，若存在，则获取所述车辆vin码区域图像，若不存在，则判断车辆vin码检测不合格；

根据所述车辆vin码区域图像进行车辆vin码检测。

根据本申请的另一个方面，还提供了一种车辆vin码检测设备，其中，所述设备包括：

输入模块，用于获取车辆vin码待检测图像；

目标定位模块，用于采用基于深度学习的旋转检测器在所述车辆vin码待检测图像中定位车辆vin码区域，检测所述车辆vin码待检测图像中是否存在车辆vin码区域图像，若存在，则获取所述车辆vin码区域图像，若不存在，则判断车辆vin码检测不合格；

检测模块，用于根据所述车辆vin码区域图像进行车辆vin码检测。

根据本申请的又一个方面，提供了一种计算设备，其中，该设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发所述设备执行所述的车辆vin码检测方法。

根据本申请的又一个方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机可读指令可被处理器执行以实现所述的车辆vin码检测方法。

本申请提供的方案中，先获取车辆vin码待检测图像，再采用基于深度学习的旋转检测器在所述车辆vin码待检测图像中定位车辆vin码区域，若所述车辆vin码待检测图像中存在车辆vin码区域图像，则获取所述车辆vin码区域图像，然后根据所述车辆vin码区域图像进行车辆vin码检测。与现有技术相比，本申请能够快速地在车辆vin码待检测图像中定位出车辆vin码区域，用于机动车年检审核中能够快速、高效地完成车辆vin码检测，不仅节省检测时间而且避免了计算资源的浪费，具有很强的实用性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其他特征、目的和优点将会变得更明显：

图1是根据本申请实施例的一种车辆vin码检测方法流程图；

图2(a)是根据本申请实施例的一种获取车辆vin码区域图像示意图；

图2(b)是根据现有技术的一种获取车辆vin码区域图像示意图；

图3是根据本申请实施例的一种车辆vin码检测流程图；

图4是根据本申请实施例的一种基于深度学习的旋转检测器训练样本示例图；

图5是根据本申请实施例的一种基于深度学习的旋转检测器的网络结构图；

图6是根据本申请实施例的一种车辆vin码检测设备示意图。

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

下面结合附图对本申请作进一步详细描述。

在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的装置或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

本申请实施例提供了车辆vin码检测方法，如图2(a)所示，利用基于深度学习的旋转检测器直接检测出存在旋转角度的车辆vin码目标所在位置，其中，所述旋转检测器可以是采用r3det网络结构(refinedrotationretinanet，改进的旋转retinanet网络)所训练出来的模型。不同于以往的车辆vin码检测工作先通过对图像依次进行不同角度的旋转操作，如图2(b)所示，然后利用基于深度学习的水平检测器获取到最贴合车辆vin码字符的矩形目标框的做法。本申请可以运用于机动车年检审核等场景。

在实际场景中，执行该方法的设备可以是用户设备、网络设备或者用户设备与网络设备通过网络相集成所构成的设备。其中，所述用户设备包括但不限于个人计算机(pc)等终端设备，所述网络设备包括但不限于网络主机、单个网络服务器、多个网络服务器集或基于云计算的计算机集合等实现。在此，云由基于云计算(cloudcomputing)的大量主机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟计算机。

图1是根据本申请实施例的一种车辆vin码检测方法流程图，该方法包括步骤s101、步骤s102和步骤s103。

步骤s101，获取车辆vin码待检测图像。

例如，可以从车辆管理系统的服务器中获取所述车辆vin码待检测图像，也可以获取实时拍摄的所述车辆vin码待检测图像。

步骤s102，采用基于深度学习的旋转检测器在所述车辆vin码待检测图像中定位车辆vin码区域，检测所述车辆vin码待检测图像中是否存在车辆vin码区域图像，若存在，则获取所述车辆vin码区域图像，若不存在，则判断车辆vin码检测不合格。

例如，如图2(a)所示，在所述车辆vin码待检测图像上，采用基于深度学习的旋转检测器定位出该图像中的车辆vin码区域。

在一个实施例中，步骤s102还包括：根据此步骤的判断结果进行记录，得到关于所述车辆vin码待检测图像的标志信息。例如，若所述车辆vin码待检测图像中不存在车辆vin码区域，则记录此条标志为0，如图3所示；若存在车辆vin码区域，则记录此条标志为1，并保存相关的车辆vin码区域图像。

在一个实施例中，所述基于深度学习的旋转检测器的训练过程包括：获取不同拍摄条件下的车辆vin码图像；采用带有各种旋转角度的矩形框在所述车辆vin码图像中标出车辆vin码区域，记录所述矩形框相应的坐标，得到标注好的训练数据；采用所述标注好的训练数据，训练所述基于深度学习的旋转检测器。

例如，所述基于深度学习的旋转检测器的训练过程包括：(1)训练数据准备阶段，获取不同拍摄条件(如光照、角度)下的车辆vin码图像，使得训练准备的数据更贴合实际的应用场景；(2)数据标注阶段，采用带有各种旋转角度的矩形框将车辆vin码区域在所述车辆vin码图像中标出，如图4所示，矩形框区域内需完整包含车辆vin码，同时记录矩形框相应的坐标，得到标注好的训练数据；(3)模型训练阶段，采用标注好的训练数据，训练基于深度学习的旋转检测器，模型可以采用r3det网络结构。需要注意的是，所述基于深度学习的旋转检测器可以是基于r3det网络结构训练出来的模型，但训练所述基于深度学习的旋转检测器的方法不局限于采用r3det网络结构。

如图5所示，该r3det网络结构包括骨干网络和分类回归的子网络两部分。骨干网络为带有fpn(特征金字塔)结构的resnet50网络(resnet：残差网络)，fpn结构包括自上而下的路径和特征图横向连接，因此构建出语义信息更丰富的多尺度的特征图。在生成候选框时，网络采用将水平锚和带有旋转角度的锚这两种形式的锚的组合策略。由于水平锚可以以更少的数量实现更高的召回率，所以首先使用水平锚更快速的生成候选框，然后使用带有旋转角度的锚在生成候选框的锚点位置获取到适用于旋转目标的更细化的候选框。在骨干网络中获取到的不同维度的特征图后面连接分类回归的子网络，分类回归的子网络采用相同的结构，但是不同维度的子网络参数不共享，这样有利于生成更精准的候选框。另外，分类回归的子网络中添加了特征优化模块，由于使用cnn(卷积神经网络)的卷积操作使得获取到的特征图尺寸小于原图，特征图上获取的候选框位置与实际图像中的目标位置仍存在一定偏差。该特征优化模块通过双线性插值的方法将细化后的候选框的位置信息重新编码，重建特征图以实现特征对齐，以此获取到更加符合检测目标的真实位置信息的检测目标框。

本方案结合r3det网络结构对车辆vin码检测，以使得基于深度学习的旋转检测器可以直接检测出存在旋转角度的车辆vin码目标所在位置，如图2(a)所示。而现有技术的方法只能检测水平的车架号，如图2(b)所示，先通过对图像依次进行不同角度的旋转操作，每旋转一个角度就检测一次，直到检测出正确位置，然后利用基于深度学习的水平检测器获取到最贴合车辆vin码字符的矩形目标框。与现有技术相比，本方案避免了多余的旋转，检测效率更高。

步骤s103，根据所述车辆vin码区域图像进行车辆vin码检测。在此，可以根据所述步骤s102中获取的所述车辆vin码区域图像，基于实际需要进行各项检测。

在一个实施例中，所述步骤s101还包括获取车辆vin码标准答案；所述步骤s103包括：采用车辆vin码字符分割模型对所述车辆vin码区域图像进行处理，分割出所述车辆vin码区域图像的背景和前景，并将分割识别结果与所述车辆vin码标准答案进行比对，若比对结果相同，则根据分割结果图像中每个字符的位置信息，截出一组车辆vin码单个字符的图像，若比对结果不同，则判断车辆vin码检测不合格。

例如，可以从车辆管理系统的服务器中获取所述车辆vin码标准答案。在所述步骤s102获取到的所述车辆vin码区域图像上，分割出车辆vin码区域图像的背景和前景(即车辆vin码字符)，并将分割识别结果与所述车辆vin码标准答案进行比对。如此，可以从字符识别层面进行车辆vin码防篡改检测。

在一个实施例中，所述方法还包括：根据此步骤的判断结果进行记录，得到关于所述车辆vin码待检测图像的标志信息。例如，若比对结果不相同，则记录此条标志为0，如图3所示；若比对结果相同，则记录此条标志为1，并根据分割结果图像中每个字符的位置信息，截出一组车辆vin码单个字符的图像。

在一个实施例中，所述车辆vin码字符分割模型的训练过程包括：获取不同拍摄条件下的车辆vin码区域图像；对所述车辆vin码区域图像进行标注，得到标注好的训练数据；采用所述标注好的训练数据，训练基于深度学习的所述车辆vin码字符分割模型。

例如，所述车辆vin码字符分割模型的训练过程包括：(1)训练数据准备阶段，获取不同拍摄条件(如光照、角度)下的车辆vin码区域图像，使得训练准备的数据更贴合实际的应用场景。(2)数据标注阶段，通过标注工具对车辆vin码区域图像进行标注。为获取更准确的车辆vin码识别结果，就需要获取到更精确的车辆vin码分割结果图像，则在标注车辆vin码的分割标签图时应避免引入多余的背景。因此，标注方法可以采用对车辆vin码字符进行笔画描边的方式进行标注，得到标注好的训练数据。其中，车辆vin码中的字符有“0～9”、“a～z”，不包含“i”、“o”和“q”，共计34种字符，分别用0～33来表示类别。(3)模型训练阶段，通过pytorch框架，采用标注好的训练数据，训练基于深度学习的车辆vin码字符分割模型，模型训练可以使用panet网络，调用resnet-101为基网络，使用fpn结构，使用语义分割功能。需要注意的是，所述车辆vin码字符分割模型可以是基于fpn(特征金字塔)结构训练出来的模型，但训练所述车辆vin码字符分割模型的方法不局限于采用fpn结构。

在一个实施例中，所述步骤s101还包括获取车辆vin码历史图像；所述步骤s103还包括：依次使用车辆vin码字符分类模型对所述一组车辆vin码单个字符的图像进行分类，并与所述车辆vin码历史图像进行比对，若比对结果相同，则判断车辆vin码检测合格，若比对结果不同，则判断车辆vin码检测不合格。

例如，可以从车辆管理系统的历史档案中获取所述车辆vin码历史图像。在获取到的一组车辆vin码单个字符的图像上，依次使用基于深度学习的车辆vin码字符分类模型进行分类，并与所述车辆vin码历史图像进行比对。通过比对可以发现例如字符间距、字符之间的相对距离、字体形状等是否与所述车辆vin码历史图像一致，从而可以有效的甄别出高仿车辆vin码，进一步确保车辆vin码防篡改检测的准确度。

在一个实施例中，所述方法还包括：根据此步骤的判断结果进行记录，得到关于所述车辆vin码待检测图像的标志信息。例如，若分类结果不同，或者分类结果相同但分类得分小于所设定的阈值(即可以认定为分类结果不同)，则记录此条标志为0，如图3所示；否则，判断下一张车辆vin码单个字符图像，直至所有车辆vin码单个字符图像均通过比对，则记录此条标志为1。

在一个实施例中，所述车辆vin码字符分类模型的训练过程包括：获取不同拍摄条件下的车辆vin码单个字符图像；根据字符的字形字体对所述车辆vin码单个字符图像进行分类，得到分类好的训练数据；采用所述分类好的训练数据，训练基于深度学习的所述车辆vin码字符分类模型。

例如，所述车辆vin码字符分类模型的训练过程包括：(1)训练数据准备阶段，获取不同拍摄条件(如光照、角度)下的车辆vin码单个字符图像，使得训练准备的数据更贴合实际的应用场景。(2)数据标注阶段，对于所述车辆vin码单个字符图像，根据字符的字形字体进行人工分类，得到分类好的训练数据。由于车辆vin码的实际拍摄过程中存在一定的拍摄倾斜角度，使得车辆vin码图像产生畸变，对于此类由图像畸变引起的区别不作为车辆vin码字符分类的分类标准。(3)模型训练阶段，采用所述分类好的训练数据，训练基于深度学习的车辆vin码字符分类模型，模型可以采用resnet18网络进行训练。需要注意的是，所述车辆vin码字符分类模型可以是基于resnet18网络(resnet：残差网络)训练出来的模型，但训练所述车辆vin码字符分类模型的方法不局限于采用resnet18网络。

在一个实施例中，所述方法还包括：根据各个步骤的判断结果进行记录，得到关于所述车辆vin码待检测图像的标志信息；根据所述标志信息，输出车辆vin码检测合格或不合格的结果。

例如，如图3所示，若任意一环节判断车辆vin码检测不合格，则输出车辆vin码检测不合格的结果；若通过各个环节的检测均为合格，则输出车辆vin码检测合格的结果。具体地，可以对整个过程的动作结果进行统计分析，若记录以上标志位全部为1，则车辆vin码检测合格；若标志位中任何一个存在标志0，则车辆vin码检测不合格，同时根据标志0出现的位置获取校验不通过的原因及问题图片。

图6是根据本申请实施例的一种车辆vin码检测设备示意图，该方法包括输入模块601、目标定位模块602和检测模块603。

输入模块601获取车辆vin码待检测图像。

例如，可以从车辆管理系统的服务器中获取所述车辆vin码待检测图像，也可以获取实时拍摄的所述车辆vin码待检测图像。

目标定位模块602采用基于深度学习的旋转检测器在所述车辆vin码待检测图像中定位车辆vin码区域，检测所述车辆vin码待检测图像中是否存在车辆vin码区域图像，若存在，则获取所述车辆vin码区域图像，若不存在，则判断车辆vin码检测不合格。

例如，如图2(a)所示，在所述车辆vin码待检测图像上，采用基于深度学习的旋转检测器定位出该图像中的车辆vin码区域。

在一个实施例中，目标定位模块602还根据此模块的判断结果进行记录，得到关于所述车辆vin码待检测图像的标志信息。例如，若所述车辆vin码待检测图像中不存在车辆vin码区域，则记录此条标志为0，如图3所示；若存在车辆vin码区域，则记录此条标志为1，并保存相关的车辆vin码区域图像。

在一个实施例中，所述基于深度学习的旋转检测器的训练过程包括：获取不同拍摄条件下的车辆vin码图像；采用带有各种旋转角度的矩形框在所述车辆vin码图像中标出车辆vin码区域，记录所述矩形框相应的坐标，得到标注好的训练数据；采用所述标注好的训练数据，训练所述基于深度学习的旋转检测器。

例如，所述基于深度学习的旋转检测器的训练过程包括：(1)训练数据准备阶段，获取不同拍摄条件(如光照、角度)下的车辆vin码图像，使得训练准备的数据更贴合实际的应用场景；(2)数据标注阶段，采用带有各种旋转角度的矩形框将车辆vin码区域在所述车辆vin码图像中标出，如图4所示，矩形框区域内需完整包含车辆vin码，同时记录矩形框相应的坐标，得到标注好的训练数据；(3)模型训练阶段，采用标注好的训练数据，训练基于深度学习的旋转检测器，模型可以采用r3det网络结构。需要注意的是，所述基于深度学习的旋转检测器可以是基于r3det网络结构训练出来的模型，但训练所述基于深度学习的旋转检测器的方法不局限于采用r3det网络结构。

如图5所示，该r3det网络结构包括骨干网络和分类回归的子网络两部分。骨干网络为带有fpn(特征金字塔)结构的resnet50网络(resnet：残差网络)，fpn结构包括自上而下的路径和特征图横向连接，因此构建出语义信息更丰富的多尺度的特征图。在生成候选框时，网络采用将水平锚和带有旋转角度的锚这两种形式的锚的组合策略。由于水平锚可以以更少的数量实现更高的召回率，所以首先使用水平锚更快速的生成候选框，然后使用带有旋转角度的锚在生成候选框的锚点位置获取到适用于旋转目标的更细化的候选框。在骨干网络中获取到的不同维度的特征图后面连接分类回归的子网络，分类回归的子网络采用相同的结构，但是不同维度的子网络参数不共享，这样有利于生成更精准的候选框。另外，分类回归的子网络中添加了特征优化模块，由于使用cnn(卷积神经网络)的卷积操作使得获取到的特征图尺寸小于原图，特征图上获取的候选框位置与实际图像中的目标位置仍存在一定偏差。该特征优化模块通过双线性插值的方法将细化后的候选框的位置信息重新编码，重建特征图以实现特征对齐，以此获取到更加符合检测目标的真实位置信息的检测目标框。

本方案结合r3det网络结构对车辆vin码检测，以使得基于深度学习的旋转检测器可以直接检测出存在旋转角度的车辆vin码目标所在位置，如图2(a)所示。而现有技术的方法只能检测水平的车架号，如图2(b)所示，先通过对图像依次进行不同角度的旋转操作，每旋转一个角度就检测一次，直到检测出正确位置，然后利用基于深度学习的水平检测器获取到最贴合车辆vin码字符的矩形目标框。与现有技术相比，本方案避免了多余的旋转，检测效率更高。

检测模块603根据所述车辆vin码区域图像进行车辆vin码检测。在此，可以根据所述目标定位模块602中获取的所述车辆vin码区域图像，基于实际需要进行各项检测。

在一个实施例中，所述输入模块601还获取车辆vin码标准答案；所述检测模块603采用车辆vin码字符分割模型对所述车辆vin码区域图像进行处理，分割出所述车辆vin码区域图像的背景和前景，并将分割识别结果与所述车辆vin码标准答案进行比对，若比对结果相同，则根据分割结果图像中每个字符的位置信息，截出一组车辆vin码单个字符的图像，若比对结果不同，则判断车辆vin码检测不合格。

例如，可以从车辆管理系统的服务器中获取所述车辆vin码标准答案。在所述目标定位模块602获取到的所述车辆vin码区域图像上，分割出车辆vin码区域图像的背景和前景(即车辆vin码字符)，并将分割识别结果与所述车辆vin码标准答案进行比对。如此，可以从字符识别层面进行车辆vin码防篡改检测。

在一个实施例中，所述检测设备还根据此模块的判断结果进行记录，得到关于所述车辆vin码待检测图像的标志信息。例如，若比对结果不相同，则记录此条标志为0，如图3所示；若比对结果相同，则记录此条标志为1，并根据分割结果图像中每个字符的位置信息，截出一组车辆vin码单个字符的图像。

在一个实施例中，所述车辆vin码字符分割模型的训练过程包括：获取不同拍摄条件下的车辆vin码区域图像；对所述车辆vin码区域图像进行标注，得到标注好的训练数据；采用所述标注好的训练数据，训练基于深度学习的所述车辆vin码字符分割模型。

例如，所述车辆vin码字符分割模型的训练过程包括：(1)训练数据准备阶段，获取不同拍摄条件(如光照、角度)下的车辆vin码区域图像，使得训练准备的数据更贴合实际的应用场景。(2)数据标注阶段，通过标注工具对车辆vin码区域图像进行标注。为获取更准确的车辆vin码识别结果，就需要获取到更精确的车辆vin码分割结果图像，则在标注车辆vin码的分割标签图时应避免引入多余的背景。因此，标注方法可以采用对车辆vin码字符进行笔画描边的方式进行标注，得到标注好的训练数据。其中，车辆vin码中的字符有“0～9”、“a～z”，不包含“i”、“o”和“q”，共计34种字符，分别用0～33来表示类别。(3)模型训练阶段，通过pytorch框架，采用标注好的训练数据，训练基于深度学习的车辆vin码字符分割模型，模型训练可以使用panet网络，调用resnet-101为基网络，使用fpn结构，使用语义分割功能。需要注意的是，所述车辆vin码字符分割模型可以是基于fpn(特征金字塔)结构训练出来的模型，但训练所述车辆vin码字符分割模型的方法不局限于采用fpn结构。

在一个实施例中，所述输入模块601还获取车辆vin码历史图像；所述检测模块603还依次使用车辆vin码字符分类模型对所述一组车辆vin码单个字符的图像进行分类，并与所述车辆vin码历史图像进行比对，若比对结果相同，则判断车辆vin码检测合格，若比对结果不同，则判断车辆vin码检测不合格。

例如，可以从车辆管理系统的历史档案中获取所述车辆vin码历史图像。在获取到的一组车辆vin码单个字符的图像上，依次使用基于深度学习的车辆vin码字符分类模型进行分类，并与所述车辆vin码历史图像进行比对。通过比对发现字符间距、字体形状等是否与所述车辆vin码历史图像一致，从而进一步确保车辆vin码防篡改检测的准确度。

在一个实施例中，所述检测设备还根据此模块的判断结果进行记录，得到关于所述车辆vin码待检测图像的标志信息。例如，若分类结果不同，或者分类结果相同但分类得分小于所设定的阈值(即可以认定为分类结果不同)，则记录此条标志为0，如图3所示；否则，判断下一张车辆vin码单个字符图像，直至所有车辆vin码单个字符图像均通过比对，则记录此条标志为1。

在一个实施例中，所述车辆vin码字符分类模型的训练过程包括：获取不同拍摄条件下的车辆vin码单个字符图像；根据字符的字形字体对所述车辆vin码单个字符图像进行分类，得到分类好的训练数据；采用所述分类好的训练数据，训练基于深度学习的所述车辆vin码字符分类模型。

例如，所述车辆vin码字符分类模型的训练过程包括：(1)训练数据准备阶段，获取不同拍摄条件(如光照、角度)下的车辆vin码单个字符图像，使得训练准备的数据更贴合实际的应用场景。(2)数据标注阶段，对于所述车辆vin码单个字符图像，根据字符的字形字体进行人工分类，得到分类好的训练数据。由于车辆vin码的实际拍摄过程中存在一定的拍摄倾斜角度，使得车辆vin码图像产生畸变，对于此类由图像畸变引起的区别不作为车辆vin码字符分类的分类标准。(3)模型训练阶段，采用所述分类好的训练数据，训练基于深度学习的车辆vin码字符分类模型，模型可以采用resnet18网络进行训练。需要注意的是，所述车辆vin码字符分类模型可以是基于resnet18网络(resnet：残差网络)训练出来的模型，但训练所述车辆vin码字符分类模型的方法不局限于采用resnet18网络。

在一个实施例中，所述检测还根据各个模块的判断结果进行记录，得到关于所述车辆vin码待检测图像的标志信息；根据所述标志信息，输出车辆vin码检测合格或不合格的结果。

例如，如图3所示，若任意一环节判断车辆vin码检测不合格，则输出车辆vin码检测不合格的结果；若通过各个环节的检测均为合格，则输出车辆vin码检测合格的结果。具体地，可以对整个过程的动作结果进行统计分析，若记录以上标志位全部为1，则车辆vin码检测合格；若标志位中任何一个存在标志0，则车辆vin码检测不合格，同时根据标志0出现的位置获取校验不通过的原因及问题图片。

综上所述，本申请实施例提供的方案在保证检测精度的同时，不仅节省检测时间而且避免了计算资源的浪费，能够快速、高效地完成车辆vin码检测工作。

另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据程序指令运行的计算机设备的工作存储器中。在此，本申请的一些实施例提供了一种计算设备，该设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发所述设备执行前述本申请的多个实施例的方法和/或技术方案。

此外，本申请的一些实施例还提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机可读指令可被处理器执行以实现前述本申请的多个实施例的方法和/或技术方案。

需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请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申请。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，本申请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申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。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。装置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。