CN108734702A - 车损判定方法、服务器及存储介质 - Google Patents

Abstract

本发明提供了一种车损判定方法、服务器及存储介质，该方法接收定损请求及用户上传的待定损照片。接着，该方法利用预先训练的分类模型对所述待定损照片进行分析，获取每张待定损照片中车辆各个部位的分类信息，再根据每张待定损照片中车辆各个部位的分类信息，利用预先确定的拍摄角度判定规则，判断每张待定损照片的拍摄角度。最后，该方法结合拍摄角度以及车辆部位的分类信息，利用预先训练的定损模型分析出每张待定损照片中车辆各个部位的损伤情况，输出每张待定损照片的损伤分析结果。利用本发明，能够有效降低车险理赔环节的人力物力，提高车损勘查准确性及查全率。

Description

车损判定方法、服务器及存储介质

技术领域

本发明涉及图片识别技术领域，尤其涉及一种车损判定方法、服务器及计算机可读存储介质。

背景技术

随着人工智能(Artificial Intelligence,AI)的发展技术的不断成熟，其应用领域也不断扩大。全球知名的科技公司都在各个领域中做出了关于人工智能的产业布局。在保险领域，保险公司也抓准此次机遇，利用人工智能解决现有保险业务的难点，实现产业的转型升级。对于保险业务而言，车险业务是其中一个重要的组成部分，而目前车险业务的一个难点在于车险理赔环节需要投入大量的人力、物力进行车损勘查。为了有效降低车险理赔环节的人力、物力。目前部分保险公司接受用户利用手持终端在事故现场拍摄车损照片，上传至车险理赔服务器进行自动检测，发起自助车险理赔。然而，目前现有的自动检测方案中，用户拍摄的车损照片经常因拍摄角度问题导致容易受损部位检测遗漏甚至识别错误，查全率及识别的准确率低。

发明内容

鉴于以上内容，本发明提供一种车损判定方法、服务器及计算机可读存储介质，其主要目的在于提高车辆受损部位检测的全面性及准确性。

为实现上述目的，本发明提供一种车损判定方法，该方法包括：

接收步骤：接收定损请求及用户上传的待定损照片；

分类步骤：利用预先训练的分类模型对所述待定损照片进行分析，获取每张待定损照片中车辆各个部位的分类信息；

角度判定步骤：根据每张待定损照片中车辆各个部位的分类信息，利用预先确定的拍摄角度判定规则，判断每张待定损照片的拍摄角度；

定损步骤：结合拍摄角度以及车辆部位的分类信息，利用预先训练的定损模型分析出每张待定损照片中车辆各个部位的损伤情况，输出每张待定损照片中车辆的损伤分析结果。

优选地，所述分类模型为单次检测器(Single Shot MultiBox Detector,SSD)模型，所述分类模型的训练步骤如下：

获取第一预设数量的包含车辆的样本图片，并在每张样本图片上进行分类标注；

将分类标注后的样本图片分成第一比例的训练集和第二比例的验证集，其中，第一比例大于第二比例；

利用训练集中的样本图片对所述分类模型进行训练，并在训练完后利用验证集中的样本图片验证所述分类模型的准确率；

若准确率大于预设值，则训练完成，若准确率小于或等于预设值，则增加样本图片的数量，之后返回将样本图片分成训练集和验证集的步骤。

优选地，所述定损模型为视觉几何组-16(Visual Geometry Group-16,VGG-16)模型，所述定损模型的训练步骤如下：

针对车辆的每个部位，获取第二预设数量的该部位的样本图片，并对该部位的每张样本图片进行损伤标注，其中，该第二预设数量的样本图片包含第三比例的该部位存在损伤的样本图片和第四比例的该部位不存在损伤的样本图片；

将损伤标注后的该部位的样本图片随机分成第五比例的训练集和第六比例的验证集，其中，第五比例大于第六比例；

利用训练集中的样本图片对所述定损模型进行训练，并在训练完后利用验证集中的样本图片验证所述定损模型的准确率；

若准确率大于预设阈值，则训练完成，若准确率小于或等于预设阈值，则增加该部位的样本图片的数量，之后返回将样本图片分成训练集和验证集的步骤。

优选地，该方法还包括：

提示步骤：若判断出的拍摄角度中未包含某个预设角度，则提醒用户重新拍摄并上传该预设角度的待定损照片。

优选地，所述预设角度包括第一预设角度、第二预设角度、第三预设角度、第四预设角度，所述预先确定的拍摄角度判定规则包括：

若一张待定损照片被分析出的车辆部位包括左前车门、左前叶子板、左前车窗、左前车灯，则判断该待定损照片的拍摄角度为第一预设角度；

若一张待定损照片被分析出的车辆部位包括左后车门、左后叶子板、左后车窗、左后车灯，则判断该待定损照片的拍摄角度为第二预设角度；

若一张待定损照片被分析出的车辆部位包括右前车门、右前叶子板、右前车窗、右前车灯，则判断该待定损照片的拍摄角度为第三预设角度；

若一张待定损照片被分析出的车辆部位包括右后车门、右后叶子板、右后车窗、右后车灯，则判断该待定损照片的拍摄角度为第四预设角度。

此外，本发明还提供一种服务器，该服务器包括：存储器及处理器，所述存储器上存储车损判定程序，所述车损判定程序被所述处理器执行，可实现如下步骤：

接收步骤：接收定损请求及用户上传的待定损照片；

分类步骤：利用预先训练的分类模型对所述待定损照片进行分析，获取每张待定损照片中车辆各个部位的分类信息；

角度判定步骤：根据每张待定损照片中车辆各个部位的分类信息，利用预先确定的拍摄角度判定规则，判断每张待定损照片的拍摄角度；

定损步骤：结合拍摄角度以及车辆部位的分类信息，利用预先训练的定损模型分析出每张待定损照片中车辆各个部位的损伤情况，输出每张待定损照片中车辆的损伤分析结果。

优选地，所述分类模型为SSD模型，所述分类模型的训练步骤如下：

获取第一预设数量的包含车辆的样本图片，并在每张样本图片上进行分类标注；

将分类标注后的样本图片分成第一比例的训练集和第二比例的验证集，其中，第一比例大于第二比例；

利用训练集中的样本图片对所述分类模型进行训练，并在训练完后利用验证集中的样本图片验证所述分类模型的准确率；

若准确率大于预设值，则训练完成，若准确率小于或等于预设值，则增加样本图片的数量，之后返回将样本图片分成训练集和验证集的步骤。

优选地，所述定损模型为VGG-16模型，所述定损模型的训练步骤如下：

针对车辆的每个部位，获取第二预设数量的该部位的样本图片，并对该部位的每张样本图片进行损伤标注，其中，该第二预设数量的样本图片包含第三比例的该部位存在损伤的样本图片和第四比例的该部位不存在损伤的样本图片；

将损伤标注后的该部位的样本图片随机分成第五比例的训练集和第六比例的验证集，其中，第五比例大于第六比例；

利用训练集中的样本图片对所述定损模型进行训练，并在训练完后利用验证集中的样本图片验证所述定损模型的准确率；

若准确率大于预设阈值，则训练完成，若准确率小于或等于预设阈值，则增加该部位的样本图片的数量，之后返回将样本图片分成训练集和验证集的步骤。

优选地，所述车损判定程序被所述处理器执行，还可实现如下步骤：

提示步骤：若判断出的拍摄角度中未包含某个预设角度，则提醒用户重新拍摄并上传该预设角度的待定损照片。

此外，为实现上述目的，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包括车损判定程序，所述车损判定程序被处理器执行时，可实现如上所述车损判定方法中的任意步骤。

本发明提出的车损判定方法、服务器及计算机可读存储介质，通过利用分类模型对用户上传的待定损照片中车辆各个部位进行分类，接着利用预先确定的拍摄角度判定规则判断该照片的拍摄角度，最后车辆部位分类信息和拍摄角度，利用定损模型分析对车辆的部位进行损伤分析，反馈损伤分析结果，从而全面的对车辆进行检测，提高检测精准度。

附图说明

图1为本发明服务器较佳实施例的示意图；

图2为图1中车损判定程序较佳实施例的模块示意图；

图3为本发明车损判定方法较佳实施例的流程图；

图4为本发明分类模型训练的流程图；

图5为本发明定损模型训练的流程图。

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

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，是本发明服务器1较佳实施例的示意图。

在本实施例中，服务器1是指车险理赔服务器，该服务器1可以是服务器、智能手机、平板电脑、个人电脑、便携计算机以及其它具有运算功能的电子设备。

该服务器1包括：存储器11、处理器12、网络接口13及通信总线14。其中，网络接口13可选地可以包括标准的有线接口、无线接口(如WI-FI接口)。通信总线14用于实现这些组件之间的连接通信。

存储器11至少包括一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中，所述存储器11可以是所述服务器1的内部存储单元，例如该服务器1的硬盘。在另一些实施例中，所述存储器11也可以是所述服务器1的外部存储单元，例如所述服务器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。

在本实施例中，所述存储器11不仅可以用于存储安装于所述服务器1的应用软件及各类数据，例如车损判定程序10等。

处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其它数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行车损判定程序10的计算机程序代码、分类模型及定损模型的训练等。

图1仅示出了具有组件11-14以及车损判定程序10的服务器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。

可选地，该服务器1还可以包括显示器，显示器可以称为显示屏或显示单元。在一些实施例中显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。显示器用于显示在服务器1中处理的信息以及用于显示可视化的工作界面，例如显示车辆各个部位的损伤程度。

可选地，该服务器1还可以包括用户接口，用户接口可以包括输入单元比如键盘(Keyboard)、语音输出装置比如音响、耳机等，可选地用户接口还可以包括标准的有线接口、无线接口。

该服务器1还可以包括射频(Radio Frequency，RF)电路、传感器和音频电路等等，在此不再赘述。

如图2所示，是图1中车损判定程序10较佳实施例的模块示意图。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。

在本实施例中，车损判定程序10包括：接收模块110、分类模块120、角度判定模块130、定损模块140，所述模块110-140所实现的功能或操作步骤均与上文类似，此处不再详述，示例性地，例如其中：

接收模块110，用于接收定损请求及用户上传的待定损照片。其中，所述定损请求及车辆的待定损照片是用户通过手持终端向服务器1发出的。所述待定损照片是指待定损车辆全景的照片。例如，用户用手机的车险理赔应用程序APP上传待定损车辆全景的照片，并发起自助车险理赔。

分类模块120，用于利用预先训练的分类模型对所述待定损照片进行分析，获取每张待定损照片中车辆各个部位的分类信息。其中，所述车辆各个部位的分类信息包括：左前车门、左前叶子板、左前车窗、左前车灯、左后车门、左后叶子板、左后车窗、左后车灯、右前车门、右前叶子板、右前车窗、右前车灯、右后车门、右后叶子板、右后车窗、右后车灯、前车窗、后车窗、前车牌、后车牌及车辆识别码。

所述预先训练的分类模型为SSD模型，所述分类模型的具体结构如表1所示：

表1：分类模型的网络结构

其中，Layer Name列表示每一层的名称，Input表示输入层，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，Fc表示模型中的全连接层，Fc1表示模型中第1个全连接层，Softmax表示Softmax分类器；Batch Size表示当前层的输入图像数目；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3*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；norm代表将feature map上的点归一化后得到的层；mbox_loc用来预测bounding box的回归值；mbox_conf用来预测feature map上每一个点的类别；mbox_priorbox用来生成bounding box；mbox_loss用来计算bounding box的损失函数。

角度判定模块130，用于根据每张待定损照片中车辆各个部位的分类信息，利用预先确定的拍摄角度判定规则，判断每张待定损照片的拍摄角度。其中，所述预先确定的拍摄角度判定规则包括：

若一张待定损照片被分析出的车辆部位包括左前车门、左前叶子板、左前车窗、左前车灯，则判断该待定损照片的拍摄角度为第一预设角度；

若一张待定损照片被分析出的车辆部位包括左后车门、左后叶子板、左后车窗、左后车灯，则判断该待定损照片的拍摄角度为第二预设角度；

若一张待定损照片被分析出的车辆部位包括右前车门、右前叶子板、右前车窗、右前车灯，则判断该待定损照片的拍摄角度为第三预设角度；

若一张待定损照片被分析出的车辆部位包括右后车门、右后叶子板、右后车窗、右后车灯，则判断该待定损照片的拍摄角度为第四预设角度。

所述预设角度包括第一预设角度、第二预设角度、第三预设角度及第四预设角度。例如，预设角度包括左前45度、左后45度、右前45度及右后45度。进一步地，若拍摄角度中分析出未包含某个预设角度，则服务器1向用户手持终端发送提示信息：缺少**45度的待定损照片，请及时上传。

定损模块140，用于结合拍摄角度以及车辆部位的分类信息，利用预先训练的定损模型分析出车辆各个部位的损伤情况，输出每张待定损照片中车辆的损伤分析结果。根据拍摄角度和车辆部位的分类信息，针对每个车辆部位，利用对应的定损模型进行损伤情况分析。例如，针对左前车门的部位，使用左前车门的定损模型进行训练。所述对应的定损模型是预先训练好的，该定损模型为VGG-16模型，所述定损模型的具体结构如表2所示：

表2：定损模型的网络结构

其中：Layer Name列表示每一层的名称，Input表示输入层，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，Fc表示模型中的全连接层，Fc1表示模型中第1个全连接层，Softmax表示Softmax分类器；Batch Size表示当前层的输入图像数目；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3*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。

如图3所示，是本发明车损判定方法较佳实施例的流程图。

在实施方式中，以自助车险理赔为例阐述本发明提供的车损判定方法的技术构思，其他类型的业务同样适用。

在本实施例中，处理器12执行存储器11中存储的车损判定程序10的计算机程序时实现车损判定方法包括：步骤S10-步骤S40：

步骤S10，接收模块110接收用户发送的定损请求及上传的车辆的待定损照片。当用户的车辆发生事故时，用户可以利用手机在事故现场拍摄车辆全景的车损照片，并将照片上传至车险理赔应用程序APP，发起自助车险理赔。所述车损照片从预设角度对车辆全景进行拍摄，防止遗漏检测受损部位。所述预设角度包括第一预设角度、第二预设角度、第三预设角度及第四预设角度。例如，第一预设角度、第二预设角度、第三预设角度及第四预设角度分别对应的是左前45度、左后45度、右前45度及右后45度。

步骤S20，分类模块120利用预先训练的分类模型对用户上传的待定损照片进行分析，获取每张待定损照片中车辆各个部位的分类信息。其中，所述分类模型为SSD模型，所述分类模型是预先训练好的。如图4所示，是本发明分类模型训练的流程图，该模型的训练步骤如下：

获取第一预设数量，如10万张包含车辆的样本图片，并在每张样本图片上对车辆的车牌区域、车辆识别码区域等部位区域进行分类标注。所述分类标注是指使用不同颜色的框线分别框出不同的车辆部位，并对各个框线区域进行分类标注。其中，每种颜色的框线对应一个部位区域。例如，绿色的框线对应前车牌区域，红色的框线对应车辆识别码区域。

将分类标注后的样本图片分成第一比例的训练集和第二比例的验证集，其中，第一比例大于第二比例。例如，随机将80％的样本图片，即8万张标注后的样本图片作为训练集，将剩余20％的样本图片，即2万张标注后的样本图片作为验证集。

利用训练集中的样本图片对所述分类模型进行训练，并在训练完后利用验证集中的样本图片验证所述分类模型的准确率。例如，将训练集中8万张样本图片输入到SSD模型中训练，生成分类模型，并将验证集中2万张样本图片输入到生成的分类模型中验证该模型的准确率。

若准确率大于预设值，则训练完成，若准确率小于或等于预设值，则增加样本图片的数量，之后返回将样本图片分成训练集和验证集的步骤。假设，预设值为96％，若验证准确率大于96％，则训练完成，若准确率小于或等于96％，则增加2万张分类标注后的样本图片，之后返回将样本图片分成训练集和验证集的步骤。

步骤S30，角度判定模块130根据每张待定损照片中车辆各个部位的分类信息，利用预先确定的拍摄角度判定规则，判断每张待定损照片的拍摄角度。所述预先确定的拍摄角度判定规则包括：

若一张待定损照片被分析出的车辆部位包括左前车门、左前叶子板、左前车窗、左前车灯，则判断该待定损照片的拍摄角度为第一预设角度。例如，某张照片中包含左前车门、左前叶子板、左前车窗、左前车灯，则判断该照片的拍摄角度为左前45度。

若一张待定损照片被分析出的车辆部位包括左后车门、左后叶子板、左后车窗、左后车灯，则判断该待定损照片的拍摄角度为第二预设角度。例如，某张照片中包含左后车门、左后叶子板、左后车窗、左后车灯，则判断该照片的拍摄角度为左后45度。

若一张待定损照片被分析出的车辆部位包括右前车门、右前叶子板、右前车窗、右前车灯，则判断该待定损照片的拍摄角度为第三预设角度。例如，某张照片中包含右前车门、右前叶子板、右前车窗、右前车灯，则判断该照片的拍摄角度为右前45度。

若一张待定损照片被分析出的车辆部位包括右后车门、右后叶子板、右后车窗、右后车灯，则判断该待定损照片的拍摄角度为第四预设角度。例如，某张照片中包含右后车门、右后叶子板、右后车窗、右后车灯，则判断该照片的拍摄角度为右后45度。

进一步地，若角度判定模块130分析出拍摄角度中未包含某个预设角度，则服务器1向用户手持终端发送提示信息。例如，用户上传的照片中未包含右后车门、右后叶子板、右后车窗、右后车灯的照片，则角度判定模块130向用户手机发送提示信息：缺少右后45度的待定损照片，请及时上传。

步骤S40，定损模块140结合拍摄角度以及车辆部位的分类信息，利用预先训练的定损模型分析出每张待定损照片中车辆各个部位的损伤情况，输出每张待定损照片中车辆的损伤分析结果。所述结合拍摄角度以及车辆部位的分类信息是指针对车辆各个部位调用对应的定损模型对受损部位进行检测，结合拍摄角度判断受损部位的受损面积、受损程度以及赔偿金额。分析出车辆各个部位的受损情况后，以预设的方式提示用户。例如，通过短信的方式提示用户车辆各个部分的受损情况以及赔偿金额。其中，所述定损模型为VGG-16模型，所述定损模型是预先训练好的。如图5所示，是本发明定损模型训练的流程图，该模型的训练步骤如下：

针对车辆的每个部位，获取第二预设数量，10万张该部位的样本图片，并对该部位的每张样本图片进行损伤标注，其中，该第二预设数量的样本图片包含第三比例的该部位存在损伤的样本图片和第四比例的该部位不存在损伤的样本图片。假设，第三比例为60％，第四比例为40％，则10万张该部位的样本图片中包含6万张该部位存在损伤的样本图片和4万张该部位不存在损伤的样本图片。

在另一个实施例中，还可以设置不同程度的损伤等级，在对存在损伤的样本图片进行标注时还需要标注该样本图片的损伤等级，损伤等级包括严重损伤、较严重损伤、轻微损伤。同时在存在损伤的样本图片中为三个不同的损伤等级设置一定比例。例如，严重损伤占40％的存在损伤的样本图片，严重损伤占30％的存在损伤的样本图片，严重损伤占30％的存在损伤的样本图片。

将损伤标注后的该部位的样本图片随机分成第五比例的训练集和第六比例的验证集，其中，第五比例大于第六比例。例如，随机将70％损伤标注后的样本图片，即7万张标注后的样本图片作为训练集，将剩余30％损伤标注后的样本图片，即3万张标注后的样本图片作为验证集。

利用训练集中的样本图片对所述定损模型进行训练，并在训练完后利用验证集中的样本图片验证所述定损模型的准确率。例如，将训练集中7万张损伤标注后的样本图片输入到SSD模型中训练，生成定损模型，并将验证集中2万张损伤标注后的样本图片输入到生成的定损模型中验证该模型的准确率。

若准确率大于预设阈值，则训练完成，若准确率小于或等于预设阈值，则增加该车辆部位的样本图片的数量，之后返回将样本图片分成训练集和验证集的步骤。假设，预设阈值为98％，若验证准确率大于98％，则训练完成，若准确率小于或等于98％，则增加2万张该部位损伤标注后的样本图片，之后返回将样本图片分成训练集和验证集的步骤。

上述实施例提出的车损判定方法，通过接收上传的车辆全景的车损照片并利用分类模型对车损照片进行分类，识别出车辆各个部位，接着根据照片中的车辆部位信息判断拍摄角度，结合拍摄角度及车辆部位信息，利用对应的定损模型进行定损分析，输出损伤分析结果，降低分析的错误率，防止对受损部位检测遗漏。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质中包括车损判定程序10，所述车损判定程序10被处理器执行时实现如下操作：

接收步骤：接收定损请求及用户上传的待定损照片；

分类步骤：利用预先训练的分类模型对所述待定损照片进行分析，获取每张待定损照片中车辆各个部位的分类信息；

角度判定步骤：根据每张待定损照片中车辆各个部位的分类信息，利用预先确定的拍摄角度判定规则，判断每张待定损照片的拍摄角度；

定损步骤：结合拍摄角度以及车辆部位的分类信息，利用预先训练的定损模型分析出每张待定损照片中车辆各个部位的损伤情况，输出每张待定损照片中车辆的损伤分析结果。

优选地，所述分类模型为SSD模型，所述分类模型的训练步骤如下：

获取第一预设数量的包含车辆的样本图片，并在每张样本图片上进行分类标注；

将分类标注后的样本图片分成第一比例的训练集和第二比例的验证集，其中，第一比例大于第二比例；

利用训练集中的样本图片对所述分类模型进行训练，并在训练完后利用验证集中的样本图片验证所述分类模型的准确率；

若准确率大于预设值，则训练完成，若准确率小于或等于预设值，则增加样本图片的数量，之后返回将样本图片分成训练集和验证集的步骤。

优选地，所述定损模型为VGG-16模型，所述定损模型的训练步骤如下：

针对车辆的每个部位，获取第二预设数量的该部位的样本图片，并对该部位的每张样本图片进行损伤标注，其中，该第二预设数量的样本图片包含第三比例的该部位存在损伤的样本图片和第四比例的该部位不存在损伤的样本图片；

将损伤标注后的该部位的样本图片随机分成第五比例的训练集和第六比例的验证集，其中，第五比例大于第六比例；

利用训练集中的样本图片对所述定损模型进行训练，并在训练完后利用验证集中的样本图片验证所述定损模型的准确率；

若准确率大于预设阈值，则训练完成，若准确率小于或等于预设阈值，则增加该部位的样本图片的数量，之后返回将样本图片分成训练集和验证集的步骤。

优选地，该方法还包括：

提示步骤：若判断出的拍摄角度中未包含某个预设角度，则提醒用户重新拍摄并上传该预设角度的待定损照片。

优选地，所述预设角度包括第一预设角度、第二预设角度、第三预设角度、第四预设角度，所述预先确定的拍摄角度判定规则包括：

若一张待定损照片被分析出的车辆部位包括左前车门、左前叶子板、左前车窗、左前车灯，则判断该待定损照片的拍摄角度为第一预设角度；

若一张待定损照片被分析出的车辆部位包括左后车门、左后叶子板、左后车窗、左后车灯，则判断该待定损照片的拍摄角度为第二预设角度；

若一张待定损照片被分析出的车辆部位包括右前车门、右前叶子板、右前车窗、右前车灯，则判断该待定损照片的拍摄角度为第三预设角度；

若一张待定损照片被分析出的车辆部位包括右后车门、右后叶子板、右后车窗、右后车灯，则判断该待定损照片的拍摄角度为第四预设角度。

本发明之计算机可读存储介质的具体实施方式与上述车损判定方法的具体实施方式大致相同，在此不再赘述。

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。

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，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如上所述的一个存储介质(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，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种车损判定方法，应用于服务器，其特征在于，所述方法包括：

接收步骤：接收定损请求及用户上传的待定损照片；

分类步骤：利用预先训练的分类模型对所述待定损照片进行分析，获取每张待定损照片中车辆各个部位的分类信息；

角度判定步骤：根据每张待定损照片中车辆各个部位的分类信息，利用预先确定的拍摄角度判定规则，判断每张待定损照片的拍摄角度；

定损步骤：结合拍摄角度以及车辆部位的分类信息，利用预先训练的定损模型分析出每张待定损照片中车辆各个部位的损伤情况，输出每张待定损照片中车辆的损伤分析结果。

2.根据权利要求1所述的车损判定方法，其特征在于，所述分类模型为单次检测器模型，所述分类模型的训练步骤如下：

获取第一预设数量的包含车辆的样本图片，并在每张样本图片上进行分类标注；

将分类标注后的样本图片分成第一比例的训练集和第二比例的验证集，其中，第一比例大于第二比例；

利用训练集中的样本图片对所述分类模型进行训练，并在训练完后利用验证集中的样本图片验证所述分类模型的准确率；

若准确率大于预设值，则训练完成，若准确率小于或等于预设值，则增加样本图片的数量，之后返回将样本图片分成训练集和验证集的步骤。

3.根据权利要求1所述的车损判定方法，其特征在于，所述定损模型为视觉几何组-16模型，所述定损模型的训练步骤如下：

针对车辆的每个部位，获取第二预设数量的该部位的样本图片，并对该部位的每张样本图片进行损伤标注，其中，该第二预设数量的样本图片包含第三比例的该部位存在损伤的样本图片和第四比例的该部位不存在损伤的样本图片；

将损伤标注后的该部位的样本图片随机分成第五比例的训练集和第六比例的验证集，其中，第五比例大于第六比例；

利用训练集中的样本图片对所述定损模型进行训练，并在训练完后利用验证集中的样本图片验证所述定损模型的准确率；

若准确率大于预设阈值，则训练完成，若准确率小于或等于预设阈值，则增加该部位的样本图片的数量，之后返回将样本图片分成训练集和验证集的步骤。

4.根据权利要求1所述的车损判定方法，其特征在于，该方法还包括：

提示步骤：若判断出的拍摄角度中未包含某个预设角度，则提醒用户重新拍摄并上传该预设角度的待定损照片。

5.根据权利要求1或4所述的车损判定方法，其特征在于，所述预设角度包括第一预设角度、第二预设角度、第三预设角度、第四预设角度，所述预先确定的拍摄角度判定规则包括：

若一张待定损照片被分析出的车辆部位包括左前车门、左前叶子板、左前车窗、左前车灯，则判断该待定损照片的拍摄角度为第一预设角度；

若一张待定损照片被分析出的车辆部位包括左后车门、左后叶子板、左后车窗、左后车灯，则判断该待定损照片的拍摄角度为第二预设角度；

若一张待定损照片被分析出的车辆部位包括右前车门、右前叶子板、右前车窗、右前车灯，则判断该待定损照片的拍摄角度为第三预设角度；

若一张待定损照片被分析出的车辆部位包括右后车门、右后叶子板、右后车窗、右后车灯，则判断该待定损照片的拍摄角度为第四预设角度。

6.一种服务器，其特征在于，所述服务器包括：存储器及处理器，所述存储器上存储有车损判定程序，所述车损判定程序被所述处理器执行，可实现如下步骤：

接收步骤：接收定损请求及用户上传的待定损照片；

分类步骤：利用预先训练的分类模型对所述待定损照片进行分析，获取每张待定损照片中车辆各个部位的分类信息；

角度判定步骤：根据每张待定损照片中车辆各个部位的分类信息，利用预先确定的拍摄角度判定规则，判断每张待定损照片的拍摄角度；

定损步骤：结合拍摄角度以及车辆部位的分类信息，利用预先训练的定损模型分析出每张待定损照片中车辆各个部位的损伤情况，输出每张待定损照片中车辆的损伤分析结果。

7.根据权利要求6所述的服务器，其特征在于，所述分类模型为单次检测器模型，所述分类模型的训练步骤如下：

获取第一预设数量的包含车辆的样本图片，并在每张样本图片上进行分类标注；

将分类标注后的样本图片分成第一比例的训练集和第二比例的验证集，其中，第一比例大于第二比例；

利用训练集中的样本图片对所述分类模型进行训练，并在训练完后利用验证集中的样本图片验证所述分类模型的准确率；

若准确率大于预设值，则训练完成，若准确率小于或等于预设值，则增加样本图片的数量，之后返回将样本图片分成训练集和验证集的步骤。

8.根据权利要求6所述的服务器，其特征在于，所述定损模型为视觉几何组-16模型，所述定损模型的训练步骤如下：

针对车辆的每个部位，获取第二预设数量的该部位的样本图片，并对该部位的每张样本图片进行损伤标注，其中，该第二预设数量的样本图片包含第三比例的该部位存在损伤的样本图片和第四比例的该部位不存在损伤的样本图片；

将损伤标注后的该部位的样本图片随机分成第五比例的训练集和第六比例的验证集，其中，第五比例大于第六比例；

利用训练集中的样本图片对所述定损模型进行训练，并在训练完后利用验证集中的样本图片验证所述定损模型的准确率；

若准确率大于预设阈值，则训练完成，若准确率小于或等于预设阈值，则增加该部位的样本图片的数量，之后返回将样本图片分成训练集和验证集的步骤。

9.根据权利要求6所述的服务器，其特征在于，所述车损判定程序被所述处理器执行，还可实现如下步骤：

提示步骤：若判断出的拍摄角度中未包含某个预设角度，则提醒用户重新拍摄并上传该预设角度的待定损照片。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括车损判定程序，所述车损判定程序被处理器执行时，可实现如权利要求1至5中任一项所述车损判定方法的步骤。