本发明涉及智能检测领域，揭露一种基于人工智能的油耗检测方法、装置及存储介质，包括：获取油耗待检车辆及加油装置，对应采集加油装置的装置油表图像和油耗待检车辆的车辆油表图像；识别车辆油表图像的油表指针刻度和装置油表图像的装置油表数据，构建油表指针刻度与装置油表数据之间的关联关系；定位油耗待检车辆的里程起点和里程终点，并获取对应的起点里程及终点里程，识别里程起点和里程终点之间的行驶路径，根据起点里程和终点里程，计算行驶路径对应的行驶路径里程；识别油耗待检车辆对应行驶路径的油耗影响因子，基于油耗影响因子、行驶路径里程、油表指针刻度及关联关系，计算油耗待检车辆的油耗水平。本发明可以提高油耗检测的准确率。
1.一种基于人工智能的油耗检测方法，其特征在于，所述方法包括：
获取油耗待检车辆及加油装置，利用所述加油装置对所述油耗待检车辆进行加油，以对应采集所述加油装置的装置油表图像和所述油耗待检车辆的车辆油表图像；
识别所述车辆油表图像的油表指针刻度，并识别所述装置油表图像的装置油表数据，及构建所述油表指针刻度与所述装置油表数据之间的关联关系；
所述构建所述油表指针刻度与所述装置油表数据之间的关联关系，包括：构建所述油表指针刻度与所述装置油表数据的关联数据对，并将所述关联数据对划分为训练数据对和测试数据对；根据所述训练数据对，构建候选插值函数，并根据所述测试数据，计算所述候选插值函数的插值误差；选择最小的所述插值误差对应的候选插值函数，作为目标插值函数，基于所述目标插值函数，确定所述油表指针刻度与所述装置油表数据之间的关联关系；
定位所述油耗待检车辆的里程起点和里程终点，识别所述里程起点和所述里程终点之间的行驶路径，分别获取所述里程起点和所述里程终点的起点里程和终点里程，根据所述起点里程和所述终点里程，计算所述行驶路径对应的行驶路径里程；
识别所述油耗待检车辆对应所述行驶路径的油耗影响因子，基于所述油耗影响因子、所述行驶路径里程、所述油表指针刻度及所述关联关系，计算所述油耗待检车辆的油耗水平；
所述识别所述油耗待检车辆对应所述行驶路径的油耗影响因子，包括：识别所述油耗待检车辆的油耗评价指标和初始油耗因子，计算所述油耗评价指标和所述初始油耗影响因子之间的相关系数；根据所述相关系数，筛选所述初始油耗影响因子中的目标油耗因子，并配置所述目标油耗因子的因子影响基准；根据所述因子影响基准，计算所述目标油耗因子的因子影响系数，根据所述目标油耗因子和所述因子影响系数，确定所述油耗影响因子；所述油耗影响因子是指对车辆在道路上行驶耗费油量有影响作用的因素，其包括：行驶路径的路况、车辆排量、驾驶习惯和驾驶速度；
所述基于所述油耗影响因子、所述行驶路径里程、所述油表指针刻度及所述关联关系，计算所述油耗待检车辆的油耗水平，包括：利用下述公式计算所述油耗待检车辆的油耗水平：
其中，Zcon表示油耗待检车辆每百公里的油耗水平，q表示油表指针刻度，f表示油表指针刻度与装置油表数据之间关联关系，S表示行驶路径里程，α表示油耗待检车辆的当前状态的油耗影响因子值，β表示油耗待检车辆的其他状态的油耗影响因子，j表示油耗影响因子的序号，m表示油耗影响因子的数量。
2.如权利要求1所述的基于人工智能的油耗检测方法，其特征在于，所述识别所述车辆油表图像的油表指针刻度，包括：利用下述公式对所述车辆油表图像进行灰度化处理，得到车辆油表灰度图：
g(x,y)＝0.299·R(x,y)+0.578·G(x,y)+0.114·B(x,y)其中，g表示车辆油表灰度图，R表示车辆油表图像的红色分量图像，G表示车辆油表图像的绿色分量图像，B表示车辆油表图像的蓝色分量图像，x，y分别表示车辆油表灰度图的横坐标和纵坐标；
提取所述车辆油表灰度图中的油表盘图像，识别所述油表盘图像中的油表指针和表盘刻度；
并识别所述油表指针对应所述表盘刻度的指针位置，根据所述指针位置，确定所述油表指针的油表指针刻度。
3.如权利要求1所述的基于人工智能的油耗检测方法，其特征在于，所述识别所述装置油表图像的装置油表数据，包括：对所述装置油表图像进行灰度化处理，得到装置油表灰度图，对所述装置油表灰度图进行光照不均匀校正，得到光照校正图像；
对所述光照校正图像进行边缘检测，得到边缘图像，定位所述边缘图像中的字符区域，基于所述字符区域，截取所述边缘图像中的字符区域图像；
对所述字符区域图像进行位置校正，得到字符校正图像，对所述字符校正图像进行数字字符识别，得到所述装置油表图像的装置油表数据。
4.如权利要求3所述的基于人工智能的油耗检测方法，其特征在于，所述对所述装置油表灰度图进行光照不均匀校正，得到光照校正图像，包括：根据预设的尺度参数，利用下述公式计算所述装置油表灰度图的反射分量信息熵：
其中，R表示反射分量信息熵，I表示装置油表灰度图，G表示高斯函数，λ表示高斯尺度幅值，σ表示尺度参数，log表示对数符号， 表示卷积符号；
利用下述公式将所述反射分量信息熵进行归一化，得到归一反射信息熵：
其中，Rnor表示归一反射信息熵，R表示反射分量信息熵，L表示直方图的尺度参数级数，min表示最小化函数符号，max表示最大化函数符号；
根据所述尺度参数和所述归一反射信息熵，构建尺度信息熵直方图，根据所述尺度信息熵直方图，确定最佳尺度参数，基于所述最佳尺度参数，确定自适应尺度范围；
根据所述自适应尺度范围，计算所述装置油表灰度图的光照校正图像。
5.如权利要求4所述的基于人工智能的油耗检测方法，其特征在于，所述根据所述自适应尺度范围，计算所述装置油表灰度图的光照校正图像，包括：利用下述公式述计算所述装置油表灰度图的光照校正图像：
其中，Radj表示光照校正图像，ωk表示第k个权重系数，I表示装置油表灰度图，Gk表示第k个高斯函数，σk表示第k个尺度参数，k表示高斯函数的序号，log表示对数符号， 表示卷积符号。
6.如权利要求3所述的基于人工智能的油耗检测方法，其特征在于，所述对所述字符区域图像进行位置校正，得到字符校正图像，包括：将所述字符区域图像进行左右平均切分，得到左字符区域、右字符区域及切分直线，获取所述字符区域图像对应的边缘图像，并标记所述切分直线与所述边缘图像的上边缘交点；
计算所述上边缘交点与所述字符区域图像的上区域边的交点距离，计算所述字符区域图像的区域宽度，根据所述交点距离与所述区域宽度，计算所述字符区域图像的倾斜角度；
计算所述字符区域图像的图像中心，根据所述图像中心和所述倾斜角度，对所述字符区域图像进行旋转，得到所述字符校正图像。
7.一种基于人工智能的油耗检测装置，其特征在于，所述装置包括：
油表图像采集模块，用于获取油耗待检车辆及加油装置，利用所述加油装置对所述油耗待检车辆进行加油，以对应采集所述加油装置的装置油表图像和所述油耗待检车辆的车辆油表图像；
关联关系构建模块，用于识别所述车辆油表图像的油表指针刻度，并识别所述装置油表图像的装置油表数据，及构建所述油表指针刻度与所述装置油表数据之间的关联关系；
所述构建所述油表指针刻度与所述装置油表数据之间的关联关系，包括：构建所述油表指针刻度与所述装置油表数据的关联数据对，并将所述关联数据对划分为训练数据对和测试数据对；根据所述训练数据对，构建候选插值函数，并根据所述测试数据，计算所述候选插值函数的插值误差；选择最小的所述插值误差对应的候选插值函数，作为目标插值函数，基于所述目标插值函数，确定所述油表指针刻度与所述装置油表数据之间的关联关系；
行驶路径里程计算模块，用于定位所述油耗待检车辆的里程起点和里程终点，识别所述里程起点和所述里程终点之间的行驶路径，分别获取所述里程起点和所述里程终点的起点里程和终点里程，根据所述起点里程和所述终点里程，计算所述行驶路径对应的行驶路径里程；
油耗水平计算模块，用于识别所述油耗待检车辆对应所述行驶路径的油耗影响因子，基于所述油耗影响因子、所述行驶路径里程、所述油表指针刻度及所述关联关系，计算所述油耗待检车辆的油耗水平；
所述识别所述油耗待检车辆对应所述行驶路径的油耗影响因子，包括：识别所述油耗待检车辆的油耗评价指标和初始油耗因子，计算所述油耗评价指标和所述初始油耗影响因子之间的相关系数；根据所述相关系数，筛选所述初始油耗影响因子中的目标油耗因子，并配置所述目标油耗因子的因子影响基准；根据所述因子影响基准，计算所述目标油耗因子的因子影响系数，根据所述目标油耗因子和所述因子影响系数，确定所述油耗影响因子；所述油耗影响因子是指对车辆在道路上行驶耗费油量有影响作用的因素，其包括：行驶路径的路况、车辆排量、驾驶习惯和驾驶速度；
所述基于所述油耗影响因子、所述行驶路径里程、所述油表指针刻度及所述关联关系，计算所述油耗待检车辆的油耗水平，包括：利用下述公式计算所述油耗待检车辆的油耗水平：
其中，Zcon表示油耗待检车辆每百公里的油耗水平，q表示油表指针刻度，f表示油表指针刻度与装置油表数据之间关联关系，S表示行驶路径里程，α表示油耗待检车辆的当前状态的油耗影响因子值，β表示油耗待检车辆的其他状态的油耗影响因子，j表示油耗影响因子的序号，m表示油耗影响因子的数量。
8.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于人工智能的油耗检测方法。
一种基于人工智能的油耗检测方法、装置及存储介质
技术领域
[0001] 本发明涉及智能检测领域，尤其涉及一种基于人工智能的油耗检测方法、装置及存储介质。
背景技术
[0002] 随着化石能源大量的消耗以及持续不断的开采，能源的节约利用逐渐提上国家议程，燃油的经济性也开始被人们关注，而燃油消耗量是衡量汽车燃油经济性一项重要的指标，因此如何提高油耗的检测精度具有重要的现实意义。
[0003] 目前，燃油消耗的测量方法主要分为两大类：直接测量法和间接测量法。直接测量法，即通过拆开发动机油路接入流量测量仪器，直接测得燃油消耗量，主要有容积法、质量法等，但这类方法虽然测量精度较高，但操作复杂、费时，破坏了车辆原有油路结构，导致厂家不保修；间接测量法即不解体测量法，包括碳平衡法、超声波法、电喷测量法、空燃比测量法、放射性跟踪试验方法等，但这类方法虽然无需拆解油路结构，但测量精度相对较低。
发明内容
[0004] 本发明提供一种基于人工智能的油耗检测方法、装置及存储介质，其主要目的在于提高油耗检测的准确率。
[0005] 为实现上述目的，本发明提供的一种基于人工智能的油耗检测方法，包括：
[0006] 获取油耗待检车辆及加油装置，利用所述加油装置对所述油耗待检车辆进行加油，以对应采集所述加油装置的装置油表图像和所述油耗待检车辆的车辆油表图像；
[0007] 识别所述车辆油表图像的油表指针刻度，并识别所述装置油表图像的装置油表数据，及构建所述油表指针刻度与所述装置油表数据之间的关联关系；
[0008] 定位所述油耗待检车辆的里程起点和里程终点，识别所述里程起点和所述里程终点之间的行驶路径，分别获取所述里程起点和所述里程终点的起点里程和终点里程，根据所述起点里程和所述终点里程，计算所述行驶路径对应的行驶路径里程；
[0009] 识别所述油耗待检车辆对应所述行驶路径的油耗影响因子，基于所述油耗影响因子、所述行驶路径里程、所述油表指针刻度及所述关联关系，计算所述油耗待检车辆的油耗水平。
[0010] 可选地，所述识别所述车辆油表图像的油表指针刻度，包括：
[0011] 利用下述公式对所述车辆油表图像进行灰度化处理，得到车辆油表灰度图：
[0012] 其中，表示车辆油表灰度图， 表示车辆油表图像的红色分量图像，表示车辆油表图像的绿色分量图像，表示车辆油表图像的蓝色分量图像，，分别表示车辆油表灰度图的横坐标和纵坐标；
[0013] 提取所述车辆油表灰度图中的油表盘图像，识别所述油表盘图像中的油表指针和表盘刻度；
[0014] 并识别所述油表指针对应所述表盘刻度的指针位置，根据所述指针位置，确定所述油表指针的油表指针刻度。
[0015] 可选地，所述识别所述装置油表图像的装置油表数据，包括：
[0016] 对所述装置油表图像进行灰度化处理，得到装置油表灰度图，对所述装置油表灰度图进行光照不均匀校正，得到光照校正图像；
[0017] 对所述光照校正图像进行边缘检测，得到边缘图像，定位所述边缘图像中的字符区域，基于所述字符区域，截取所述边缘图像中的字符区域图像；
[0018] 对所述字符区域图像进行位置校正，得到字符校正图像，对所述字符校正图像进行数字字符识别，得到所述装置油表图像的装置油表数据。
[0019] 可选地，所述对所述装置油表灰度图进行光照不均匀校正，得到光照校正图像，包括：
[0020] 根据预设的尺度参数，利用下述公式计算所述装置油表灰度图的反射分量信息熵：
[0021]
[0022]
[0023] 其中， 反射分量信息熵，表示装置油表灰度图，表示高斯函数，表示高斯尺度幅值，表示尺度参数， 表示对数符号， 表示卷积符号；
[0024] 利用下述公式将所述反射分量信息熵进行归一化，得到归一反射信息熵：
[0025]
[0026] 其中， 表示归一反射信息熵，表示反射分量信息熵，表示直方图的尺度参数级数， 表示最小化函数符号， 表示最大化函数符号；
[0027] 根据所述尺度参数和所述归一反射信息熵，构建尺度信息熵直方图，根据所述尺度信息熵直方图，确定最佳尺度参数，基于所述最佳尺度参数，确定自适应尺度范围；
[0028] 根据所述自适应尺度范围，计算所述装置油表灰度图的光照校正图像。
[0029] 可选地，所述根据所述自适应尺度范围，计算所述装置油表灰度图的光照校正图像，包括：
[0030] 利用下述公式述计算所述装置油表灰度图的光照校正图像：
[0031]
[0032] 其中， 表示光照校正图像， 表示第 个权重系数，表示装置油表灰度图，表示第 个高斯函数， 表示第 个尺度参数，表示高斯函数的序号， 表示对数符号，表示卷积符号。
[0033] 可选地，所述对所述字符区域图像进行位置校正，得到字符校正图像，包括：
[0034] 将所述字符区域图像进行左右平均切分，得到左字符区域、右字符区域及切分直线，获取所述字符区域图像对应的边缘图像，并标记所述切分直线与所述边缘图像的上边缘交点；
[0035] 计算所述上边缘交点与所述字符区域图像的上区域边的交点距离，计算所述字符区域图像的区域宽度，根据所述交点距离与所述区域宽度，计算所述字符区域图像的倾斜角度；
[0036] 计算所述字符区域图像的图像中心，根据所述图像中心和所述倾斜角度，对所述字符区域图像进行旋转，得到所述字符校正图像。
[0037] 可选地，所述构建所述油表指针刻度与所述装置油表数据之间的关联关系，包括：
[0038] 构建所述油表指针刻度与所述装置油表数据的关联数据对，并将所述关联数据对划分为训练数据对和测试数据对；
[0039] 根据所述训练数据对，构建候选插值函数，并根据所述测试数据，计算所述候选插值函数的插值误差；
[0040] 选择最小的所述插值误差对应的候选插值函数，作为目标插值函数，基于所述目标插值函数，确定所述油表指针刻度与所述装置油表数据之间的关联关系。
[0041] 可选地，所述基于所述油耗影响因子、所述行驶路径里程、所述油表指针刻度及所述关联关系，计算所述油耗待检车辆的油耗水平，包括：
[0042] 利用下述公式计算所述油耗待检车辆的油耗水平：
[0043]
[0044] 其中， 表示油耗待检车辆每百公里的油耗水平，表示油表指针刻度，表示油表指针刻度与装置油表数据之间关联关系，表示行驶路径里程，表示油耗待检车辆的当前状态的油耗影响因子值，表示油耗待检车辆的其他状态的油耗影响因子，表示油耗影响因子的序号， 表示油耗影响因子的数量。
[0045] 为了解决上述问题，本发明还提供一种基于人工智能的油耗检测装置，所述装置包括：
[0046] 油表图像采集模块，用于获取油耗待检车辆及加油装置，利用所述加油装置对所述油耗待检车辆进行加油，以对应采集所述加油装置的装置油表图像和所述油耗待检车辆的车辆油表图像；
[0047] 关联关系构建模块，用于识别所述车辆油表图像的油表指针刻度，并识别所述装置油表图像的装置油表数据，及构建所述油表指针刻度与所述装置油表数据之间的关联关系；
[0048] 行驶路径里程计算模块，用于定位所述油耗待检车辆的里程起点和里程终点，识别所述里程起点和所述里程终点之间的行驶路径，分别获取所述里程起点和所述里程终点的起点里程和终点里程，根据所述起点里程和所述终点里程，计算所述行驶路径对应的行驶路径里程；
[0049] 油耗水平计算模块，用于识别所述油耗待检车辆对应所述行驶路径的油耗影响因子，基于所述油耗影响因子、所述行驶路径里程、所述油表指针刻度及所述关联关系，计算所述油耗待检车辆的油耗水平。
[0050] 为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于人工智能的油耗检测方法。
[0051] 可以看出，本发明实施例通过获取油耗待检车辆及加油装置可以得到油耗检测的实施对象及辅助设施，利用所述加油装置对所述油耗待检车辆进行加油可以实时得到加油装置和油耗待检车辆的油表变化情况，以为后续构建油表指针刻度与装置油表数据之间的关联关系提供数据支持，对应采集所述加油装置的装置油表图像和所述油耗待检车辆的车辆油表图像可以得到油耗待检车辆的加油量的两种不同表达形式，以为后续建立模糊表达与精确表达之间的对应关系，以提高数据的准确性，通过识别所述车辆油表图像的油表指针刻度可为后续构建及分析油表指针刻度与装置油表数据之间的关联关系提供基础的模糊数据，识别所述装置油表图像的装置油表数据可以得到油耗待检车辆的加油量的精确数据；其次，本发明实施例通过构建所述油表指针刻度与所述装置油表数据之间的关联关系可以将模糊的油表指针刻度转换为精确的油量数据，以提高油耗检测的准确性，并定位所述油耗待检车辆的里程起点和里程终点可以确定油耗检测对应的里程对象，作为后续分析的前提，识别所述里程起点和所述里程终点之间的行驶路径及分别获取所述里程起点和所述里程终点的起点里程和终点里程可以确定油耗待检车辆的具体检测路径及油表在起点与终点的里程数据；进一步地，本发明实施例通过根据所述起点里程和所述终点里程，计算所述行驶路径对应的行驶路径里程可以得到待检测油耗的车辆行驶里程，并识别所述油耗待检车辆对应所述行驶路径的油耗影响因子可以确定对油耗有影响的因素，及基于所述油耗影响因子、所述行驶路径里程、所述油表指针刻度及所述关联关系，计算所述油耗待检车辆的油耗水平可以更全面地精确地计算油耗待检车辆的油耗水平，以更准确的实现问题意图。因此，本发明实施例提出的一种基于人工智能的油耗检测方法、装置及存储介质，可以提高油耗检测的准确率。
附图说明
[0052] 图1为本发明一实施例提供的一种基于人工智能的油耗检测方法的流程示意图；
[0053] 图2为本发明一实施例提供的一种基于人工智能的油耗检测装置的功能模块图；
[0054] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0055] 应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0056] 本发明实施例提供一种基于人工智能的油耗检测方法。所述基于人工智能的油耗检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述基于人工智能的油耗检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0057] 参照图1所示，为本发明一实施例提供的基于人工智能的油耗检测方法的流程示意图。在本发明实施例中，所述基于人工智能的油耗检测方法包括：
[0058] S1、获取油耗待检车辆及加油装置，利用所述加油装置对所述油耗待检车辆进行加油，以对应采集所述加油装置的装置油表图像和所述油耗待检车辆的车辆油表图像。
[0059] 本发明实施例通过获取油耗待检车辆及加油装置可以得到油耗检测的实施对象及辅助设施，所述油耗待检车辆及加油装置所述可通过数据脚本获取，所述数据脚本可以通过JS脚本语言进行编译。其中，所述油耗待检车辆是指将要检测的以动力装置驱动或者牵引，上道路行驶的供人员乘用或者用于运送物品以及进行工程专项作业的轮式车辆，可分为营运车辆和非营运车辆。所述加油装置是指主要由管线、计量器、油泵等部件组成的用于直接给机动车输油的计量设备，其可与储油罐和管线以及阀门组成完整的供油系统。
[0060] 进一步地，本发明实施例通过利用所述加油装置对所述油耗待检车辆进行加油可以实时得到加油装置和油耗待检车辆的油表变化情况，以为后续构建油表指针刻度与装置油表数据之间的关联关系提供数据支持。所述利用所述加油装置对所述油耗待检车辆进行加油可通过连接所述油耗待检车辆的油箱口与所述加油装置的加油枪并启动加油程序实现。
[0061] 进一步地，本发明实施例通过对应采集所述加油装置的装置油表图像和所述油耗待检车辆的车辆油表图像可以得到油耗待检车辆的加油量的两种不同表达形式，以为后续建立模糊表达与精确表达之间的对应关系，以提高数据的准确性。所述对应采集所述加油装置的装置油表图像和所述油耗待检车辆的车辆油表图像可通过高清移动手机拍照或数字CCD相机拍照实现。
[0062] S2、识别所述车辆油表图像的油表指针刻度，并识别所述装置油表图像的装置油表数据，及构建所述油表指针刻度与所述装置油表数据之间的关联关系。
[0063] 本发明实施例通过识别所述车辆油表图像的油表指针刻度可为后续构建及分析油表指针刻度与装置油表数据之间的关联关系提供基础的模糊数据。
[0064] 进一步地，作为本发明的一个可选实施例，所述识别所述车辆油表图像的油表指针刻度，包括：
[0065] 利用下述公式对所述车辆油表图像进行灰度化处理，得到车辆油表灰度图：
[0066] 其中，表示车辆油表灰度图， 表示车辆油表图像的红色分量图像，表示车辆油表图像的绿色分量图像，表示车辆油表图像的蓝色分量图像，，分别表示车辆油表灰度图的横坐标和纵坐标；
[0067] 提取所述车辆油表灰度图中的油表盘图像，识别所述油表盘图像中的油表指针和表盘刻度；
[0068] 并识别所述油表指针对应所述表盘刻度的指针位置，根据所述指针位置，确定所述油表指针的油表指针刻度。
[0069] 可选地，所述提取所述车辆油表灰度图中的油表盘图像可通过阈值分割算法提取。所述识别所述油表盘图像中的油表指针和表盘刻度可通过构建油表指针图像和表盘刻度图像的大量样本，并对所述样本进行深度学习构建深度学习模型识别。
[0070] 进一步地，本发明实施例通过识别所述装置油表图像的装置油表数据可以得到油耗待检车辆的加油量的精确数据。
[0071] 进一步地，作为本发明的一个可选实施例，所述识别所述装置油表图像的装置油表数据，包括：对所述装置油表图像进行灰度化处理，得到装置油表灰度图，对所述装置油表灰度图进行光照不均匀校正，得到光照校正图像；对所述光照校正图像进行边缘检测，得到边缘图像，定位所述边缘图像中的字符区域，基于所述字符区域，截取所述边缘图像中的字符区域图像；对所述字符区域图像进行位置校正，得到字符校正图像，对所述字符校正图像进行数字字符识别，得到所述装置油表图像的装置油表数据。
[0072] 进一步地，作为本发明的一个可选实施例，所述对所述装置油表灰度图进行光照不均匀校正，得到光照校正图像，包括：
[0073] 根据预设的尺度参数，利用下述公式计算所述装置油表灰度图的反射分量信息熵：
[0074]
[0075]
[0076] 其中， 反射分量信息熵，表示装置油表灰度图，表示高斯函数，表示高斯尺度幅值，表示尺度参数， 表示对数符号， 表示卷积符号；
[0077] 利用下述公式将所述反射分量信息熵进行归一化，得到归一反射信息熵：
[0078]
[0079] 其中， 表示归一反射信息熵，表示反射分量信息熵，表示直方图的尺度参数级数， 表示最小化函数符号， 表示最大化函数符号；
[0080] 根据所述尺度参数和所述归一反射信息熵，构建尺度信息熵直方图，根据所述尺度信息熵直方图，确定最佳尺度参数，基于所述最佳尺度参数，确定自适应尺度范围；
[0081] 根据所述自适应尺度范围，计算所述装置油表灰度图的光照校正图像。
[0082] 可选地，所述根据预设的尺度参数，计算所述装置油表灰度图的反射分量信息熵，包括：
[0083] 可选地，所述根据所述自适应尺度范围，计算所述装置油表灰度图的光照校正图像，包括：
[0084] 利用下述公式述计算所述装置油表灰度图的光照校正图像：
[0085]
[0086] 其中， 表示光照校正图像， 表示第 个权重系数，表示装置油表灰度图，表示第 个高斯函数， 表示第 个尺度参数，表示高斯函数的序号， 表示对数符号，表示卷积符号。
[0087] 可选地，所述对所述光照校正图像进行边缘检测，得到边缘图像可通过Canny算法实现。所述定位所述边缘图像中的字符区域可通过对所述边缘图像进行行、列扫描确定边缘图像的最大外接矩形来定位。
[0088] 可选地，所述对所述字符区域图像进行位置校正，得到字符校正图像，包括：将所述字符区域图像进行左右平均切分，得到左字符区域、右字符区域及切分直线，获取所述字符区域图像对应的边缘图像，并标记所述切分直线与所述边缘图像的上边缘交点；计算所述上边缘交点与所述字符区域图像的上区域边的交点距离，计算所述字符区域图像的区域宽度，根据所述交点距离与所述区域宽度，计算所述字符区域图像的倾斜角度；计算所述字符区域图像的图像中心，根据所述图像中心和所述倾斜角度，对所述字符区域图像进行旋转，得到所述字符校正图像。
[0089] 可选地，所述对所述字符校正图像进行数字字符识别，得到所述装置油表图像的装置油表数据，包括：对所述符校正图像进行字符分割，得到分割字符，提取所述分割字符的字符特征；基于所述字符特征，利用预构建的数字识别神经网络，确定所述分割字符对应的数字类型，根据所述数字类型，确定所述装置油表图像的装置油表数据。
[0090] 进一步地，本发明实施例通过构建所述油表指针刻度与所述装置油表数据之间的关联关系可以将模糊的油表指针刻度转换为精确的油量数据，以提高油耗检测的准确性。
[0091] 进一步地，作为本发明的一个可选实施例，所述构建所述油表指针刻度与所述装置油表数据之间的关联关系，包括：构建所述油表指针刻度与所述装置油表数据的关联数据对，并将所述关联数据对划分为训练数据对和测试数据对；根据所述训练数据对，构建候选插值函数，并根据所述测试数据，计算所述候选插值函数的插值误差；选择最小的所述插值误差对应的候选插值函数，作为目标插值函数，基于所述目标插值函数，确定所述油表指针刻度与所述装置油表数据之间的关联关系。
[0092] 可选地，所述根据所述训练数据对，构建候选插值函数可通过预构建的函数形式，将所述训练数据对代入所述函数形式中，生成方程组，计算所述方程组的解，并将所述解代回所述函数形式构建。其中，所述函数形式包括多项式、三角函数、有理分式及指数函数等形式。
[0093] S3、定位所述油耗待检车辆的里程起点和里程终点，识别所述里程起点和所述里程终点之间的行驶路径，分别获取所述里程起点和所述里程终点的起点里程和终点里程，根据所述起点里程和所述终点里程，计算所述行驶路径对应的行驶路径里程。
[0094] 本发明实施例通过定位所述油耗待检车辆的里程起点和里程终点可以确定油耗检测对应的里程对象，作为后续分析的前提。所述定位所述油耗待检车辆的里程起点和里程终点可通过地图软件、GPS及地理信息系统查询实现。
[0095] 进一步地，本发明实施例通过识别所述里程起点和所述里程终点之间的行驶路径及分别获取所述里程起点和所述里程终点的起点里程和终点里程可以确定油耗待检车辆的具体检测路径及油表在起点与终点的里程数据。所述识别所述里程起点和所述里程终点之间的行驶路径及所述分别获取所述里程起点和所述里程终点的起点里程和终点里程都可以通过地理信息系统查询实现。
[0096] 进一步地，本发明实施例通过根据所述起点里程和所述终点里程，计算所述行驶路径对应的行驶路径里程可以得到待检测油耗的车辆行驶里程，所述行驶路径里程可通过对所述起点里程和所述终点里程进行差分运算得到。
[0097] S4、识别所述油耗待检车辆对应所述行驶路径的油耗影响因子，基于所述油耗影响因子、所述行驶路径里程、所述油表指针刻度及所述关联关系，计算所述油耗待检车辆的油耗水平。
[0098] 本发明实施例通过识别所述油耗待检车辆对应所述行驶路径的油耗影响因子可以确定对油耗有影响的因素。其中，所述油耗影响因子是指对车辆在道路上行驶耗费油量有影响作用的因素，如行驶路径的路况、车辆排量、驾驶习惯及驾驶速度等。
[0099] 进一步地，作为本发明的一个可选实施例，所述所述识别所述油耗待检车辆对应所述行驶路径的油耗影响因子，包括：识别所述油耗待检车辆的油耗评价指标和初始油耗因子，计算所述油耗评价指标和所述初始油耗影响因子之间的相关系数；根据所述相关系数，筛选所述初始油耗影响因子中的目标油耗因子，并配置所述目标油耗因子的因子影响基准；根据所述因子影响基准，计算所述目标油耗因子的因子影响系数，根据所述目标油耗因子和所述因子影响系数，确定所述油耗影响因子。
[0100] 可选地，所述计算所述油耗评价指标和所述初始油耗影响因子之间的相关系数可以通过计算皮尔逊相关系数得到。所述根据所述相关系数，筛选所述初始油耗影响因子中的目标油耗因子可通过预设系数阈值，筛选所述相关系数大于所述系数阈值对应的所述初始油耗影响因子得到。所述配置所述目标油耗因子的因子影响基准可根据大概率路段的所述目标油耗因子的平均水平配置。所述根据所述因子影响基准，计算所述目标油耗因子的因子影响系数可通过计算当前目标油耗因子的所述油耗评价指标值与因子影响基准的所述油耗评价指标值的比值来确定。
[0101] 进一步地，本发明实施例通过基于所述油耗影响因子、所述行驶路径里程、所述油表指针刻度及所述关联关系，计算所述油耗待检车辆的油耗水平可以更全面地精确地计算油耗待检车辆的油耗水平，以更准确的实现问题意图。
[0102] 进一步地，作为本发明的一个可选实施例，所述基于所述油耗影响因子、所述行驶路径里程、所述油表指针刻度及所述关联关系，计算所述油耗待检车辆的油耗水平，包括：
[0103] 利用下述公式计算所述油耗待检车辆的油耗水平：
[0104]
[0105] 其中， 表示油耗待检车辆每百公里的油耗水平，表示油表指针刻度，表示油表指针刻度与装置油表数据之间关联关系，表示行驶路径里程，表示油耗待检车辆的当前状态的油耗影响因子值，表示油耗待检车辆的其他状态的油耗影响因子，表示油耗影响因子的序号， 表示油耗影响因子的数量。
[0106] 可以看出，本发明实施例通过获取油耗待检车辆及加油装置可以得到油耗检测的实施对象及辅助设施，利用所述加油装置对所述油耗待检车辆进行加油可以实时得到加油装置和油耗待检车辆的油表变化情况，以为后续构建油表指针刻度与装置油表数据之间的关联关系提供数据支持，对应采集所述加油装置的装置油表图像和所述油耗待检车辆的车辆油表图像可以得到油耗待检车辆的加油量的两种不同表达形式，以为后续建立模糊表达与精确表达之间的对应关系，以提高数据的准确性，通过识别所述车辆油表图像的油表指针刻度可为后续构建及分析油表指针刻度与装置油表数据之间的关联关系提供基础的模糊数据，识别所述装置油表图像的装置油表数据可以得到油耗待检车辆的加油量的精确数据；其次，本发明实施例通过构建所述油表指针刻度与所述装置油表数据之间的关联关系可以将模糊的油表指针刻度转换为精确的油量数据，以提高油耗检测的准确性，并定位所述油耗待检车辆的里程起点和里程终点可以确定油耗检测对应的里程对象，作为后续分析的前提，识别所述里程起点和所述里程终点之间的行驶路径及分别获取所述里程起点和所述里程终点的起点里程和终点里程可以确定油耗待检车辆的具体检测路径及油表在起点与终点的里程数据；进一步地，本发明实施例通过根据所述起点里程和所述终点里程，计算所述行驶路径对应的行驶路径里程可以得到待检测油耗的车辆行驶里程，并识别所述油耗待检车辆对应所述行驶路径的油耗影响因子可以确定对油耗有影响的因素，及基于所述油耗影响因子、所述行驶路径里程、所述油表指针刻度及所述关联关系，计算所述油耗待检车辆的油耗水平可以更全面地精确地计算油耗待检车辆的油耗水平，以更准确的实现问题意图。因此，本发明实施例提出的一种基于人工智能的油耗检测方法、装置及存储介质，可以提高油耗检测的准确率。
[0107] 如图2所示，是本发明基于人工智能的油耗检测装置的功能模块图。
[0108] 本发明所述基于人工智能的油耗检测装置100可以安装于电子设备中。根据实现的功能，所述基于人工智能的油耗检测装置可以油表图像采集模块101、关联关系构建模块102、行驶路径里程计算模块103以及油耗水平计算模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备的处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0109] 在本实施例中，关于各模块/单元的功能如下：
[0110] 所述油表图像采集模块101，用于获取油耗待检车辆及加油装置，利用所述加油装置对所述油耗待检车辆进行加油，以对应采集所述加油装置的装置油表图像和所述油耗待检车辆的车辆油表图像；
[0111] 所述关联关系构建模块102，用于识别所述车辆油表图像的油表指针刻度，并识别所述装置油表图像的装置油表数据，及构建所述油表指针刻度与所述装置油表数据之间的关联关系；
[0112] 所述行驶路径里程计算模块103，用于定位所述油耗待检车辆的里程起点和里程终点，识别所述里程起点和所述里程终点之间的行驶路径，分别获取所述里程起点和所述里程终点的起点里程和终点里程，根据所述起点里程和所述终点里程，计算所述行驶路径对应的行驶路径里程；
[0113] 所述油耗水平计算模块104，用于识别所述油耗待检车辆对应所述行驶路径的油耗影响因子，基于所述油耗影响因子、所述行驶路径里程、所述油表指针刻度及所述关联关系，计算所述油耗待检车辆的油耗水平。
[0114] 详细地，本发明实施例中所述基于人工智能的油耗检测装置100中的所述各模块在使用时采用与上述的图1中所述的基于人工智能的油耗检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0115] 本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备1的处理器所执行时，可以实现：
[0116] 获取油耗待检车辆及加油装置，利用所述加油装置对所述油耗待检车辆进行加油，以对应采集所述加油装置的装置油表图像和所述油耗待检车辆的车辆油表图像；
[0117] 识别所述车辆油表图像的油表指针刻度，并识别所述装置油表图像的装置油表数据，及构建所述油表指针刻度与所述装置油表数据之间的关联关系；
[0118] 定位所述油耗待检车辆的里程起点和里程终点，识别所述里程起点和所述里程终点之间的行驶路径，分别获取所述里程起点和所述里程终点的起点里程和终点里程，根据所述起点里程和所述终点里程，计算所述行驶路径对应的行驶路径里程；
[0119] 识别所述油耗待检车辆对应所述行驶路径的油耗影响因子，基于所述油耗影响因子、所述行驶路径里程、所述油表指针刻度及所述关联关系，计算所述油耗待检车辆的油耗水平。
[0120] 本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0121] 所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0122] 另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0123] 对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明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发明。
[0124] 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，本发明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发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0125] 本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0126] 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。系统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。第二等词语用来表示名称，而并不表示任何特定的顺序。
[0127] 最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
