CN107194398B - 车损部位的识别方法及系统 - Google Patents

Abstract

本发明公开了一种车损部位的识别方法及系统，该方法包括：若收到第一终端上传的车险理赔照片，则利用预先训练的识别模型对所述车险理赔照片进行车损部位的像素区域进行识别；其中，所述预先确定的识别模型为预先通过对预设数量的各个车损部位样本图片中的像素区域进行标注并训练得到的识别模型；若识别出所述车险理赔照片中车损部位的像素区域，则对识别出的像素区域进行标识，并将带有像素区域标识的所述车险理赔照片发送给该第一终端及/或预先确定的第二终端，或者，将识别出的像素区域截取出来发送给该第一终端及/或预先确定的第二终端。本发明能更加精确的识别出车险理赔照片中各个不同区域大小的车损部位。

Description

车损部位的识别方法及系统

技术领域

本发明涉及计算机技术领域，尤其涉及一种车损部位的识别方法及系统。

背景技术

目前，在车险理赔领域，为了提高理赔效率，很多车险公司在车险理赔系统中运用图像分类和识别技术对上传的理赔照片中的车辆和受损部位进行自动识别。然而，现有的图像分类和识别技术只能识别出车辆大致的受损部位轮廓，无法精确的识别出车的受损部位，当一个受损部位同时涉及两个车辆部位时，现有技术中识别出的大致受损车辆部位轮廓可能只指向一个车辆部位。例如，车辆划痕如果大部分处于一个车辆部位X1上，只有少部分处于另一个车辆部位X2的边缘上，采用现有技术识别出的车损车辆部位可能只是X1。因此，如何更加精确的对车损部位进行识别已经成为一个亟待解决的技术问题。

发明内容

本发明的主要目的在于提供一种车损部位的识别方法及系统，旨在精确的识别出车辆的车损部位。

为实现上述目的，本发明提供的一种车损部位的识别方法，所述方法包括以下步骤：

若收到第一终端上传的车险理赔照片，则利用预先训练的识别模型对所述车险理赔照片进行车损部位的像素区域进行识别；其中，所述预先确定的识别模型为预先通过对预设数量的各个车损部位样本图片中的像素区域进行标注并训练得到的识别模型；

若识别出所述车险理赔照片中车损部位的像素区域，则对识别出的像素区域进行标识，并将带有像素区域标识的所述车险理赔照片发送给该第一终端及/或预先确定的第二终端，或者，将识别出的像素区域截取出来发送给该第一终端及/或预先确定的第二终端。

优选地，所述识别模型为不带有全连接层的深度卷积神经网络模型，所述深度卷积神经网络模型包括输入层、卷积层、池化层、上采样层及裁切层。

优选地，所述识别模型的训练过程如下：

A、为预设的各个车损部位准备对应的预设数量的样本图片；

B、对各个样本图片进行图片预处理以获得待模型训练的训练图片，根据预设的车损部位与标签颜色的映射关系，将每一个训练图片的车损部位的像素颜色更改为对应的标签颜色，并为各个更改了标签颜色的训练图片按照预设的转换规则转换生成对应的车损部位像素区域标注矩阵；

C、将所有带有车损部位像素区域标注矩阵的训练图片分为第一比例的训练集、第二比例的验证集；

D、利用所述训练集训练所述预先确定的识别模型；

E、利用所述验证集验证训练的识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个车损部位对应的样本图片数量并重新执行上述步骤B、C、D、E。

优选地，所述预设的转换规则包括：

识别出各个更改了标签颜色的训练图片中的标签颜色像素区域及其对应的车损部位；

根据预先确定的车损部位与标识数据的映射关系，确定各个更改了标签颜色的训练图片中的标签颜色像素区域对应的标识数据；

将各个更改了标签颜色的训练图片中除了标签颜色像素区域之外的所有其他像素点转换为预设数据，并将各个更改了标签颜色的训练图片中的标签颜色像素区域中的各个像素转换为对应的标识数据，以获得各个更改了标签颜色的训练图片对应的车损部位像素区域标注矩阵。

优选地，所述对各个样本图片进行图片预处理以获得待模型训练的训练图片的步骤包括：

将各个样本图片调整为第一预设大小的第一图片，在各个第一图片上随机裁剪出一个第二预设大小的第二图片；

对各个第二图片做预设方向的翻转，及按照预设的扭曲角度对各个第二图片进行扭曲操作，以获得各个第二图片对应的第三图片；

计算出各个样本图片对应的所有第二图片和第三图片的平均像素图片；

基于所述平均像素图片得到各个样本图片对应的训练图片。

此外，为实现上述目的，本发明还提供一种车损部位识别系统，所述车损部位识别系统包括：

识别模块，用于若收到第一终端上传的车险理赔照片，则利用预先训练的识别模型对所述车险理赔照片进行车损部位的像素区域进行识别；其中，所述预先确定的识别模型为预先通过对预设数量的各个车损部位样本图片中的像素区域进行标注并训练得到的识别模型；

发送模块，用于若识别出所述车险理赔照片中车损部位的像素区域，则对识别出的像素区域进行标识，并将带有像素区域标识的所述车险理赔照片发送给该第一终端及/或预先确定的第二终端，或者，将识别出的像素区域截取出来发送给该第一终端及/或预先确定的第二终端。

优选地，所述识别模型为不带有全连接层的深度卷积神经网络模型，所述深度卷积神经网络模型包括输入层、卷积层、池化层、上采样层及裁切层。

优选地，所述识别模型的训练过程如下：

A、为预设的各个车损部位准备对应的预设数量的样本图片；

B、对各个样本图片进行图片预处理以获得待模型训练的训练图片，根据预设的车损部位与标签颜色的映射关系，将每一个训练图片的车损部位的像素颜色更改为对应的标签颜色，并为各个更改了标签颜色的训练图片按照预设的转换规则转换生成对应的车损部位像素区域标注矩阵；

C、将所有带有车损部位像素区域标注矩阵的训练图片分为第一比例的训练集、第二比例的验证集；

D、利用所述训练集训练所述预先确定的识别模型；

E、利用所述验证集验证训练的识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个车损部位对应的样本图片数量并重新执行上述步骤B、C、D、E。

优选地，所述预设的转换规则包括：

识别出各个更改了标签颜色的训练图片中的标签颜色像素区域及其对应的车损部位；

根据预先确定的车损部位与标识数据的映射关系，确定各个更改了标签颜色的训练图片中的标签颜色像素区域对应的标识数据；

将各个更改了标签颜色的训练图片中除了标签颜色像素区域之外的所有其他像素点转换为预设数据，并将各个更改了标签颜色的训练图片中的标签颜色像素区域中的各个像素转换为对应的标识数据，以获得各个更改了标签颜色的训练图片对应的车损部位像素区域标注矩阵。

优选地，所述对各个样本图片进行图片预处理以获得待模型训练的训练图片的步骤包括：

将各个样本图片调整为第一预设大小的第一图片，在各个第一图片上随机裁剪出一个第二预设大小的第二图片；

对各个第二图片做预设方向的翻转，及按照预设的扭曲角度对各个第二图片进行扭曲操作，以获得各个第二图片对应的第三图片；

计算出各个样本图片对应的所有第二图片和第三图片的平均像素图片；

基于所述平均像素图片得到各个样本图片对应的训练图片。

本发明提出的车损部位的识别方法及系统，通过对预设数量的各个车损部位样本图片中的像素区域进行标注并训练得到的识别模型来对收到的待识别车险理赔照片进行车损部位的像素区域识别，若该车险理赔照片中有车损部位的像素区域被识别出，则将识别出的像素区域作为识别出的车损部位进行标注或截取后发送给相应终端。由于能通过识别车险理赔照片中车损部位的像素区域来识别出具体的车损部位，而不是仅通过识别车辆大致的受损部位轮廓来确定车损部位，能更加精确的识别出车险理赔照片中各个不同区域大小的车损部位。

附图说明

图1为本发明车损部位的识别方法一实施例的流程示意图；

图2为本发明车损部位识别系统10较佳实施例的运行环境示意图；

图3为本发明车损部位识别系统一实施例的功能模块示意图。

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

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。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。

本发明提供一种车损部位的识别方法。

参照图1，图1为本发明车损部位的识别方法一实施例的流程示意图。

在一实施例中，该车损部位的识别方法包括：

步骤S10，若收到第一终端上传的车险理赔照片，则利用预先训练的识别模型对所述车险理赔照片进行车损部位的像素区域进行识别；其中，所述预先确定的识别模型为预先通过对预设数量的各个车损部位样本图片中的像素区域进行标注并训练得到的识别模型。

本实施例中，车损部位识别系统可以接收用户发出的包含待识别的车险理赔照片的车损部位识别请求，例如，接收用户通过第一终端(例如用户的手持终端、车险查勘员的手持终端或者后台定损员的办公终端等)发送的车损部位识别请求，如接收用户在手机、平板电脑、自助终端设备等终端中预先安装的客户端上发送来的车损部位识别请求，或接收用户在手机、平板电脑、自助终端设备等终端中的浏览器系统上发送来的车损部位识别请求。

车损部位识别系统在收到用户发出的车损部位识别请求后，利用预先训练好的识别模型对收到的待识别的车险理赔照片进行识别。该识别模型可预先通过对大量不同车损部位样本图片中的像素区域进行标注，并针对不同车损部位样本图片中标注后的像素区域进行识别来不断进行训练、学习、验证、优化等，以将其训练成能准确识别出不同车损部位的像素区域的模型。例如，该识别模型可采用深度卷积神经网络模型(ConvolutionalNeural Network，CNN)模型等。

步骤S20，若识别出所述车险理赔照片中车损部位的像素区域，则对识别出的像素区域进行标识，并将带有像素区域标识的所述车险理赔照片发送给该第一终端及/或预先确定的第二终端，或者，将识别出的像素区域截取出来发送给该第一终端及/或预先确定的第二终端。

若所述车险理赔照片中有车损部位的像素区域被该识别模型识别出，则说明所述车险理赔照片中存在车损部位，且已找到具体的车损部位的区域即识别出的像素区域，则对识别出的像素区域进行标识(如可根据预先设定的不同车损部位对应的颜色标识，对识别出的车损部位的像素区域进行对应的颜色标识，如可设定车门损坏标识为黄色、保险杠损坏标识为红色等；还可根据预先设定的不同车损部位对应的数字标识，对识别出的车损部位的像素区域中的各个像素点进行对应的数字标识，如可设定车门损坏的像素区域中的各个像素点标识为“1”、保险杠损坏的像素区域中的各个像素点标识为“2”等)，并将带有像素区域标识的照片发送给该第一终端及/或预先确定的第二终端，以便用户根据所述车险理赔照片中的像素区域标识准确全面地获取到识别出的所述车险理赔照片中各个不同区域大小的车损部位。在另一种实施方式中，还可将识别出的像素区域截取出来发送给该第一终端及/或预先确定的第二终端。其中，若第一终端是用户的手持终端或者车险查勘员的手持终端，则该第二终端可以是后台定损员的办公终端等。

若所述车险理赔照片中没有车损部位的像素区域被识别出，则说明所述车险理赔照片中不存在车损部位或未成功识别车损部位，则向该第一终端发送未成功识别车损部位的提醒信息，以便再次识别或转入人工识别。

本实施例通过对预设数量的各个车损部位样本图片中的像素区域进行标注并训练得到的识别模型来对收到的待识别车险理赔照片进行车损部位的像素区域识别，若该车险理赔照片中有车损部位的像素区域被识别出，则将识别出的像素区域作为识别出的车损部位进行标注或截取后发送给相应终端。由于能通过识别车险理赔照片中车损部位的像素区域来识别出具体的车损部位，而不是仅通过识别车辆大致的受损部位轮廓来确定车损部位，能更加精确的识别出车险理赔照片中各个不同区域大小的车损部位。

进一步地，在其他实施例中，所述识别模型为不带有全连接层的深度卷积神经网络模型，所述深度卷积神经网络模型包括输入层、卷积层、池化层、上采样层及裁切层。

在一种具体的实施方式中，所述深度卷积神经网络模型由1个输入层，16个卷积层，5个池化层，1个上采样层，1个裁切层构成。所述深度卷积神经网络模型的详细结构如下表1所示：

Layer Name	Channel	Kernel Size	Stride Size	Pad Size
					Input	3	N/A	N/A	N/A
Conv1_1	64	3	1	100
					Conv1_2	64	3	1	1
MaxPool1	可计算的值	2	2	0
					Conv2_1	128	3	1	1
Conv2_2	128	3	1	1
					MaxPool2	可计算的值	2	2	0
Conv3_1	256	3	1	1
					Conv3_2	256	3	1	1
Conv3_3	256	3	1	1
					MaxPool3	可计算的值	2	2	0
Conv4_1	512	3	1	1
					Conv4_2	512	3	1	1
Conv4_3	512	3	1	1
					MaxPool4	可计算的值	2	2	0
Conv5_1	512	3	1	1
					Conv5_2	512	3	1	1
Conv5_3	512	3	1	1
					MaxPool5	可计算的值	2	2	0
Conv6	4096	7	1	0
					Conv7	4096	1	1	0
Conv8	Class num+1	5	1	0
					Upscore	Class num+1	64	32	0
Crop	N/A	N/A	N/A	N/A
					SoftmaxWithLoss	N/A	N/A	N/A	N/A

表1

其中：Layer Name列表示每一层的名称，Channel表示输出的通道数，Kernel Size表示当前层卷积核的尺度(例如，Kernel Size可以等于3，表示卷积核的尺度为3x 3)，Stride Size表示卷积核的移动步长，即做完一次卷积之后移动到下一个卷积位置的距离；Pad Size表示对当前网络层之中的图像填充的大小。Input表示网络的数据输入层，Conv表示模型的卷积层，Conv1表示模型的第1个卷积层，MaxPool表示模型的最大值池化层，MaxPool1表示模型的第1个最大值池化层，SoftmaxWithLoss是训练阶段用于计算Loss的Softmax层，与SoftMax层不同，它只计算Loss；Upscore表示上采样层，实现反卷积；Crop表示裁切层，把Upscore层裁切到和原图尺寸一样大。需要说明的是，本实施例中池化层的池化方式包括但不限于Mean pooling(均值采样)、Max pooling(最大值采样)、Overlapping(重叠采样)、L2pooling(均方采样)、Local Contrast Normalization(归一化采样)、Stochasticpooling(随机采样)、Def-pooling(形变约束采样)等等。

由于在传统的分类问题中，一般需要用全连接层来输出每一张图片属于每个类的概率，然而在语义分割问题上，用这种方法来预测每个像素属于哪个类必然会导致效率低下。因此，本实施例中的识别模型为不带有全连接层的深度卷积神经网络模型，该深度卷积神经网络模型只需在Conv8上，用一个卷积层来输出每个像素的分类score。在该层上，特征图上的每个点都有class num+1个分类中不同分类的score，因此输出的channel也是classnum+1，识别效率大大提高。

进一步地，在其他实施例中，所述预先确定的识别模型的训练过程如下：

A、为预设的各个车损部位(例如，左前门、右前门、左叶子板、右叶子板、前保险杠、后保险杠等)准备对应的预设数量的样本图片；

B、将各个样本图片进行图片预处理以获得待模型训练的训练图片，例如可通过对各个样本图片进行图片预处理如缩放、裁剪、翻转及/或扭曲等操作后才进行模型训练，以有效提高模型训练的真实性及准确率。再根据预设的车损部位与标签颜色的映射关系，将每一个训练图片的车损部位的像素颜色更改为对应的标签颜色，并为各个更改了标签颜色的训练图片按照预设的转换规则转换生成对应的车损部位像素区域标注矩阵；

C、将所有带有车损部位像素区域标注矩阵的训练图片分为第一比例(例如，70％)的训练集、第二比例(例如，30％)的验证集；

D、利用所述训练集训练所述预先确定的识别模型；

E、利用所述验证集验证训练的识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个车损部位对应的样本图片数量并重新执行上述步骤B、C、D、E，直至训练的识别模型的准确率大于或者等于预设准确率。

进一步地，在其他实施例中，所述预设的转换规则包括：

识别出各个更改了标签颜色的训练图片中的标签颜色像素区域及其对应的车损部位；

根据预先确定的车损部位与标识数据的映射关系，确定各个更改了标签颜色的训练图片中的标签颜色像素区域对应的标识数据；

将各个更改了标签颜色的训练图片中除了标签颜色像素区域之外的所有其他像素点转换为预设数据(例如，0)，并将各个更改了标签颜色的训练图片中的标签颜色像素区域中的各个像素转换为对应的标识数据(例如，左前门的标签颜色像素区域对应的标识数据为1，则左前门的标签颜色像素区域中的各个像素对应的标识数据为1；右前门的标签颜色像素区域对应的标识数据为2，则右前门的标签颜色像素区域中的各个像素对应的标识数据为2)，以获得各个更改了标签颜色的训练图片对应的车损部位像素区域标注矩阵，以便后续识别模型对不同车损部位像素区域的识别训练。

进一步地，在其他实施例中，所述将各个样本图片进行图片预处理以获得待模型训练的训练图片的步骤包括：

将各个样本图片调整为第一预设大小(例如，384*384像素)的第一图片，在各个第一图片上随机裁剪出一个第二预设大小(例如，256*256像素)的第二图片；

对各个第二图片做预设方向(例如，水平和垂直方向)的翻转，及按照预设的扭曲角度对各个第二图片进行扭曲操作，以获得各个第二图片对应的第三图片。其中，翻转和扭曲操作的作用是模拟实际业务场景下各种形式的图像，通过这些翻转和扭曲操作可以增大数据集的规模，从而提高模型训练的真实性和实用性。

计算出各个样本图片对应的所有第二图片和第三图片的平均像素图片，所述平均像素图片的各个像素是对应的所有第二图片和第三图片对应像素的平均像素。例如，所述平均像素图片的像素点X分别与第二图片的像素点X1和第三图片的像素点X2对应，则像素点X的像素是所有像素点X1和像素点X2的像素的平均像素。

基于所述平均像素图片即可得到各个样本图片对应的训练图片。如可直接将各个样本图片对应的所有第二图片和第三图片的平均像素图片作为各个样本图片对应的训练图片，还可将各个样本图片对应的各个第二图片和第三图片中的各个像素分别减去对应的平均像素图片中的对应像素，以得到各个样本图片对应的训练图片，在此不做限定。

本发明进一步提供一种车损部位识别系统。请参阅图2，是本发明车损部位识别系统10较佳实施例的运行环境示意图。

在本实施例中，所述的车损部位识别系统10安装并运行于电子装置1中。该电子装置1可包括，但不仅限于，存储器11、处理器12及显示器13。图2仅示出了具有组件11-13的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

所述存储器11在一些实施例中可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘或内存。所述存储器11在另一些实施例中也可以是所述电子装置1的外部存储设备，例如所述电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括所述电子装置1的内部存储单元也包括外部存储设备。所述存储器11用于存储安装于所述电子装置1的应用软件及各类数据，例如所述车损部位识别系统10的程序代码等。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行所述存储器11中存储的程序代码或处理数据，例如执行所述车损部位识别系统10等。

所述显示器13在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器13用于显示在所述电子装置1中处理的信息以及用于显示可视化的用户界面，例如显示用户上传的车险理赔照片、带有识别出的像素区域标识的车险理赔照片等。所述电子装置1的部件11-13通过系统总线相互通信。

请参阅图3，是本发明车损部位识别系统10较佳实施例的功能模块图。在本实施例中，所述的车损部位识别系统10可以被分割成一个或多个模块，所述一个或者多个模块被存储于所述存储器11中，并由一个或多个处理器(本实施例为所述处理器12)所执行，以完成本发明。例如，在图3中，所述的车损部位识别系统10可以被分割成识别模块01、发送模块02。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述车损部位识别系统10在所述电子装置1中的执行过程。以下描述将具体介绍所述识别模块01、发送模块02的功能。

识别模块01，用于若收到第一终端上传的车险理赔照片，则利用预先训练的识别模型对所述车险理赔照片进行车损部位的像素区域进行识别；其中，所述预先确定的识别模型为预先通过对预设数量的各个车损部位样本图片中的像素区域进行标注并训练得到的识别模型。

本实施例中，车损部位识别系统可以接收用户发出的包含待识别的车险理赔照片的车损部位识别请求，例如，接收用户通过第一终端(例如用户的手持终端、车险查勘员的手持终端或者后台定损员的办公终端等)发送的车损部位识别请求，如接收用户在手机、平板电脑、自助终端设备等终端中预先安装的客户端上发送来的车损部位识别请求，或接收用户在手机、平板电脑、自助终端设备等终端中的浏览器系统上发送来的车损部位识别请求。

车损部位识别系统在收到用户发出的车损部位识别请求后，利用预先训练好的识别模型对收到的待识别的车险理赔照片进行识别。该识别模型可预先通过对大量不同车损部位样本图片中的像素区域进行标注，并针对不同车损部位样本图片中标注后的像素区域进行识别来不断进行训练、学习、验证、优化等，以将其训练成能准确识别出不同车损部位的像素区域的模型。例如，该识别模型可采用深度卷积神经网络模型(ConvolutionalNeural Network，CNN)模型等。

发送模块02，用于若识别出所述车险理赔照片中车损部位的像素区域，则对识别出的像素区域进行标识，并将带有像素区域标识的所述车险理赔照片发送给该第一终端及/或预先确定的第二终端，或者，将识别出的像素区域截取出来发送给该第一终端及/或预先确定的第二终端。

若所述车险理赔照片中有车损部位的像素区域被该识别模型识别出，则说明所述车险理赔照片中存在车损部位，且已找到具体的车损部位的区域即识别出的像素区域，则对识别出的像素区域进行标识(如可根据预先设定的不同车损部位对应的颜色标识，对识别出的车损部位的像素区域进行对应的颜色标识，如可设定车门损坏标识为黄色、保险杠损坏标识为红色等；还可根据预先设定的不同车损部位对应的数字标识，对识别出的车损部位的像素区域中的各个像素点进行对应的数字标识，如可设定车门损坏的像素区域中的各个像素点标识为“1”、保险杠损坏的像素区域中的各个像素点标识为“2”等)，并将带有像素区域标识的照片发送给该第一终端及/或预先确定的第二终端，以便用户根据所述车险理赔照片中的像素区域标识准确全面地获取到识别出的所述车险理赔照片中各个不同区域大小的车损部位。在另一种实施方式中，还可将识别出的像素区域截取出来发送给该第一终端及/或预先确定的第二终端。其中，若第一终端是用户的手持终端或者车险查勘员的手持终端，则该第二终端可以是后台定损员的办公终端等。

若所述车险理赔照片中没有车损部位的像素区域被识别出，则说明所述车险理赔照片中不存在车损部位或未成功识别车损部位，则向该第一终端发送未成功识别车损部位的提醒信息，以便再次识别或转入人工识别。

本实施例通过对预设数量的各个车损部位样本图片中的像素区域进行标注并训练得到的识别模型来对收到的待识别车险理赔照片进行车损部位的像素区域识别，若该车险理赔照片中有车损部位的像素区域被识别出，则将识别出的像素区域作为识别出的车损部位进行标注或截取后发送给相应终端。由于能通过识别车险理赔照片中车损部位的像素区域来识别出具体的车损部位，而不是仅通过识别车辆大致的受损部位轮廓来确定车损部位，能更加精确的识别出车险理赔照片中各个不同区域大小的车损部位。

进一步地，在其他实施例中，所述识别模型为不带有全连接层的深度卷积神经网络模型，所述深度卷积神经网络模型包括输入层、卷积层、池化层、上采样层及裁切层。

在一种具体的实施方式中，所述深度卷积神经网络模型由1个输入层，16个卷积层，5个池化层，1个上采样层，1个裁切层构成。所述深度卷积神经网络模型的详细结构如下表1所示：

表1

其中：Layer Name列表示每一层的名称，Channel表示输出的通道数，Kernel Size表示当前层卷积核的尺度(例如，Kernel Size可以等于3，表示卷积核的尺度为3x 3)，Stride Size表示卷积核的移动步长，即做完一次卷积之后移动到下一个卷积位置的距离；Pad Size表示对当前网络层之中的图像填充的大小。Input表示网络的数据输入层，Conv表示模型的卷积层，Conv1表示模型的第1个卷积层，MaxPool表示模型的最大值池化层，MaxPool1表示模型的第1个最大值池化层，SoftmaxWithLoss是训练阶段用于计算Loss的Softmax层，与SoftMax层不同，它只计算Loss；Upscore表示上采样层，实现反卷积；Crop表示裁切层，把Upscore层裁切到和原图尺寸一样大。需要说明的是，本实施例中池化层的池化方式包括但不限于Mean pooling(均值采样)、Max pooling(最大值采样)、Overlapping(重叠采样)、L2pooling(均方采样)、Local Contrast Normalization(归一化采样)、Stochasticpooling(随机采样)、Def-pooling(形变约束采样)等等。

由于在传统的分类问题中，一般需要用全连接层来输出每一张图片属于每个类的概率，然而在语义分割问题上，用这种方法来预测每个像素属于哪个类必然会导致效率低下。因此，本实施例中的识别模型为不带有全连接层的深度卷积神经网络模型，该深度卷积神经网络模型只需在Conv8上，用一个卷积层来输出每个像素的分类score。在该层上，特征图上的每个点都有class num+1个分类中不同分类的score，因此输出的channel也是classnum+1，识别效率大大提高。

进一步地，在其他实施例中，所述预先确定的识别模型的训练过程如下：

A、为预设的各个车损部位(例如，左前门、右前门、左叶子板、右叶子板、前保险杠、后保险杠等)准备对应的预设数量的样本图片；

B、将各个样本图片进行图片预处理以获得待模型训练的训练图片，例如可通过对各个样本图片进行图片预处理如缩放、裁剪、翻转及/或扭曲等操作后才进行模型训练，以有效提高模型训练的真实性及准确率。再根据预设的车损部位与标签颜色的映射关系，将每一个训练图片的车损部位的像素颜色更改为对应的标签颜色，并为各个更改了标签颜色的训练图片按照预设的转换规则转换生成对应的车损部位像素区域标注矩阵；

C、将所有带有车损部位像素区域标注矩阵的训练图片分为第一比例(例如，70％)的训练集、第二比例(例如，30％)的验证集；

D、利用所述训练集训练所述预先确定的识别模型；

E、利用所述验证集验证训练的识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个车损部位对应的样本图片数量并重新执行上述步骤B、C、D、E，直至训练的识别模型的准确率大于或者等于预设准确率。

进一步地，在其他实施例中，所述预设的转换规则包括：

识别出各个更改了标签颜色的训练图片中的标签颜色像素区域及其对应的车损部位；

根据预先确定的车损部位与标识数据的映射关系，确定各个更改了标签颜色的训练图片中的标签颜色像素区域对应的标识数据；

将各个更改了标签颜色的训练图片中除了标签颜色像素区域之外的所有其他像素点转换为预设数据(例如，0)，并将各个更改了标签颜色的训练图片中的标签颜色像素区域中的各个像素转换为对应的标识数据(例如，左前门的标签颜色像素区域对应的标识数据为1，则左前门的标签颜色像素区域中的各个像素对应的标识数据为1；右前门的标签颜色像素区域对应的标识数据为2，则右前门的标签颜色像素区域中的各个像素对应的标识数据为2)，以获得各个更改了标签颜色的训练图片对应的车损部位像素区域标注矩阵，以便后续识别模型对不同车损部位像素区域的识别训练。

进一步地，在其他实施例中，所述将各个样本图片进行图片预处理以获得待模型训练的训练图片的步骤包括：

将各个样本图片调整为第一预设大小(例如，384*384像素)的第一图片，在各个第一图片上随机裁剪出一个第二预设大小(例如，256*256像素)的第二图片；

对各个第二图片做预设方向(例如，水平和垂直方向)的翻转，及按照预设的扭曲角度对各个第二图片进行扭曲操作，以获得各个第二图片对应的第三图片。其中，翻转和扭曲操作的作用是模拟实际业务场景下各种形式的图像，通过这些翻转和扭曲操作可以增大数据集的规模，从而提高模型训练的真实性和实用性。

计算出各个样本图片对应的所有第二图片和第三图片的平均像素图片，所述平均像素图片的各个像素是对应的所有第二图片和第三图片对应像素的平均像素。例如，所述平均像素图片的像素点X分别与第二图片的像素点X1和第三图片的像素点X2对应，则像素点X的像素是所有像素点X1和像素点X2的像素的平均像素。

基于所述平均像素图片即可得到各个样本图片对应的训练图片。如可直接将各个样本图片对应的所有第二图片和第三图片的平均像素图片作为各个样本图片对应的训练图片，还可将各个样本图片对应的各个第二图片和第三图片中的各个像素分别减去对应的平均像素图片中的对应像素，以得到各个样本图片对应的训练图片，在此不做限定。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。另外，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明，比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。

Claims (6)

1.一种车损部位的识别方法，其特征在于，所述方法包括以下步骤：

接收第一终端上传的车险理赔照片，利用预先训练的识别模型对所述车险理赔照片对车损部位的像素区域进行识别，其中，所述识别模型的训练过程如下：

A、为预设的各个车损部位准备对应的预设数量的样本图片；

B、对各个样本图片进行图片预处理以获得待模型训练的训练图片，根据预设的车损部位与标签颜色的映射关系，将每一个训练图片的车损部位的像素颜色更改为对应的标签颜色，并为各个更改了标签颜色的训练图片按照预设的转换规则转换生成对应的车损部位像素区域标注矩阵，所述预设的转换规则包括：

识别出各个更改了标签颜色的训练图片中的标签颜色像素区域及其对应的车损部位；

根据预先确定的车损部位与标识数据的映射关系，确定各个更改了标签颜色的训练图片中的标签颜色像素区域对应的标识数据；

将各个更改了标签颜色的训练图片中除了标签颜色像素区域之外的所有其他像素点转换为预设数据，并将各个更改了标签颜色的训练图片中的标签颜色像素区域中的各个像素转换为对应的标识数据，以获得各个更改了标签颜色的训练图片对应的所述车损部位像素区域标注矩阵；

C、将所有带有车损部位像素区域标注矩阵的训练图片分为第一比例的训练集、第二比例的验证集；

D、利用所述训练集训练所述预先确定的识别模型；

E、利用所述验证集验证训练的识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个车损部位对应的样本图片数量并重新执行上述步骤B、C、D、E；

当识别出所述车险理赔照片中车损部位的像素区域时，根据预先设定的不同车损部位对应的颜色标识，对识别出的车损部位的像素区域进行对应的颜色标识，并将带有像素区域颜色标识的所述车险理赔照片发送给该第一终端及/或预先确定的第二终端，或者，将识别出的像素区域截取出来发送给该第一终端及/或预先确定的第二终端。

2.如权利要求1所述的车损部位的识别方法，其特征在于，所述识别模型为不带有全连接层的深度卷积神经网络模型，所述深度卷积神经网络模型包括输入层、卷积层、池化层、上采样层及裁切层。

3.如权利要求1所述的车损部位的识别方法，其特征在于，所述对各个样本图片进行图片预处理以获得待模型训练的训练图片的步骤包括：

将各个样本图片调整为第一预设大小的第一图片，在各个第一图片上随机裁剪出一个第二预设大小的第二图片；

对各个第二图片做预设方向的翻转，及按照预设的扭曲角度对各个第二图片进行扭曲操作，以获得各个第二图片对应的第三图片；

计算出各个样本图片对应的所有第二图片和第三图片的平均像素图片；

基于所述平均像素图片得到各个样本图片对应的训练图片。

4.一种车损部位识别系统，其特征在于，所述车损部位识别系统包括：

识别模块，用于接收第一终端上传的车险理赔照片，利用预先训练的识别模型对所述车险理赔照片对车损部位的像素区域进行识别，其中，所述识别模型的训练过程如下：

A、为预设的各个车损部位准备对应的预设数量的样本图片；

B、对各个样本图片进行图片预处理以获得待模型训练的训练图片，根据预设的车损部位与标签颜色的映射关系，将每一个训练图片的车损部位的像素颜色更改为对应的标签颜色，并为各个更改了标签颜色的训练图片按照预设的转换规则转换生成对应的车损部位像素区域标注矩阵，所述预设的转换规则包括：

识别出各个更改了标签颜色的训练图片中的标签颜色像素区域及其对应的车损部位；

根据预先确定的车损部位与标识数据的映射关系，确定各个更改了标签颜色的训练图片中的标签颜色像素区域对应的标识数据；

将各个更改了标签颜色的训练图片中除了标签颜色像素区域之外的所有其他像素点转换为预设数据，并将各个更改了标签颜色的训练图片中的标签颜色像素区域中的各个像素转换为对应的标识数据，以获得各个更改了标签颜色的训练图片对应的所述车损部位像素区域标注矩阵；

C、将所有带有车损部位像素区域标注矩阵的训练图片分为第一比例的训练集、第二比例的验证集；

D、利用所述训练集训练所述预先确定的识别模型；

E、利用所述验证集验证训练的识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个车损部位对应的样本图片数量并重新执行上述步骤B、C、D、E；

发送模块，用于当识别出所述车险理赔照片中车损部位的像素区域时，根据预先设定的不同车损部位对应的颜色标识，对识别出的车损部位的像素区域进行对应的颜色标识，并将带有像素区域颜色标识的所述车险理赔照片发送给该第一终端及/或预先确定的第二终端，或者，将识别出的像素区域截取出来发送给该第一终端及/或预先确定的第二终端。

5.如权利要求4所述的车损部位识别系统，其特征在于，所述识别模型为不带有全连接层的深度卷积神经网络模型，所述深度卷积神经网络模型包括输入层、卷积层、池化层、上采样层及裁切层。

6.如权利要求4所述的车损部位识别系统，其特征在于，所述对各个样本图片进行图片预处理以获得待模型训练的训练图片的步骤包括：

将各个样本图片调整为第一预设大小的第一图片，在各个第一图片上随机裁剪出一个第二预设大小的第二图片；

对各个第二图片做预设方向的翻转，及按照预设的扭曲角度对各个第二图片进行扭曲操作，以获得各个第二图片对应的第三图片；

计算出各个样本图片对应的所有第二图片和第三图片的平均像素图片；

基于所述平均像素图片得到各个样本图片对应的训练图片。