CN108764046A - 车辆损伤分类模型的生成装置、方法及计算机可读存储介质 - Google Patents
车辆损伤分类模型的生成装置、方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108764046A CN108764046A CN201810388000.1A CN201810388000A CN108764046A CN 108764046 A CN108764046 A CN 108764046A CN 201810388000 A CN201810388000 A CN 201810388000A CN 108764046 A CN108764046 A CN 108764046A
- Authority
- CN
- China
- Prior art keywords
- damage
- samples pictures
- vehicle
- model
- disaggregated model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车辆损伤分类模型的生成装置,包括存储器和处理器,存储器上存储有可在处理器上运行的模型生成程序,该程序被处理器执行时实现如下步骤:为各个车损部位准备原始车损照片,并进行标注和预处理后构建样本库;将样本库中的样本图片作为vgg网络的输入数据,按照预设的剪枝算法和预设压缩率对vgg网络进行剪枝处理;基于剪枝后的vgg网络构建车辆损伤分类模型,并使用样本库中的样本图片训练车辆损伤分类模型,以确定该模型的模型参数。本发明还提出一种车辆损伤分类模型的生成方法以及一种计算机可读存储介质。本发明解决了现有技术中无法实现在移动设备上通过卷积神经网络模型进行车辆定损的技术问题。
Description
技术领域
本发明涉及车辆定损技术领域,尤其涉及一种车辆损伤分类模型的生成装置、方法及计算机可读存储介质。
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很多采用的是深度卷积神经网络模型,例如采用基于vgg网络构建的卷积神经网络模型来进行样本图片的识别与定损,但是现有的vgg网络的参数量过于庞大,占用内存过多,无法移植到移动设备内使用。导致无法实现在移动设备上通过卷积神经网络模型进行车辆定损。
发明内容
本发明提供一种车辆损伤分类模型的生成装置、方法及计算机可读存储介质,其主要目的在于解决现有技术中无法实现在移动设备上通过卷积神经网络模型进行车辆定损的技术问题。
为实现上述目的,本发明提供一种车辆损伤分类模型的生成装置,该装置包括存储器和处理器,所述存储器中存储有可在所述处理器上运行的模型生成程序,所述模型生成程序被所述处理器执行时实现如下步骤:
为各个车损部位准备预设数量的原始车损照片,对所述原始车损照片进行标注和预处理后作为样本图片,构建样本库;
将所述样本库中的样本图片作为vgg网络的输入数据,按照预设的剪枝算法和预设压缩率对所述vgg网络进行剪枝处理;
基于剪枝处理后的vgg网络构建车辆损伤分类模型,并使用所述样本库中的样本图片训练所述车辆损伤分类模型,以确定该车辆损伤分类模型的模型参数。
可选地,所述将所述样本库中的样本图片作为vgg网络的输入数据,按照预设的剪枝算法和预设压缩率对所述vgg网络进行剪枝处理的步骤包括:
将所述样本库中的样本图片作为vgg网络的输入数据,在vgg网络进行卷积计算的过程中,根据贪心算法和预设压缩率计算每一层网络要删除的通道的集合;
按照计算得到的通道的集合将vgg网络中的卷积层进行剪枝处理。
可选地,所述根据贪心算法和预设压缩率计算每一层网络要删除的通道的集合的步骤包括:
根据公式计算每一层网络要删除的通道的集合T,其中,|T|=C×(1-r),C为通道的个数,x是输入的训练数据,m代表训练数据的个数,r为预设压缩率。
可选地,所述为各个车损部位准备预设数量的原始车损照片,对所述原始车损照片进行标注和预处理后作为样本图片,构建样本库的步骤包括:
为各个车损部位准备预设数量的原始车损照片;
获取原始车损照片对应的定损信息,根据定损信息对所述原始车损照片的损伤程度进行标注;
按照预设尺寸对标注后的原始车损照片进行剪裁处理,生成第一样本图片,对所述第一样本图片进行数据增强处理,生成第二样本图片;
基于所述第一样本图片和所述第二样本图片构建样本库。
可选地,所述使用所述样本库中的样本图片训练所述车辆损伤分类模型的步骤包括:
将样本库中的样本图片分为第一预设比例的训练集和第二预设比例的验证集,其中,第一预设比例和第二预设比例之和为1;
使用所述训练集训练所述车辆损伤分类模型,使用所述验证集对训练得到的车辆损伤分类模型的准确率进行验证,其中,若准确率大于或者等于预设准确率,则训练结束,若准确率小于所述预设准确率,则重新执行将样本库中的样本图片分为第一预设比例的训练集和第二预设比例的验证集的步骤。
此外,为实现上述目的,本发明还提供一种车辆损伤分类模型的生成方法,该方法包括:
为各个车损部位准备预设数量的原始车损照片,对所述原始车损照片进行标注和预处理后作为样本图片,构建样本库;
将所述样本库中的样本图片作为vgg网络的输入数据,按照预设的剪枝算法和预设压缩率对所述vgg网络进行剪枝处理;
基于剪枝处理后的vgg网络构建车辆损伤分类模型,并使用所述样本库中的样本图片训练所述车辆损伤分类模型,以确定该车辆损伤分类模型的模型参数。
可选地,所述将所述样本库中的样本图片作为vgg网络的输入数据,按照预设的剪枝算法和预设压缩率对所述vgg网络进行剪枝处理的步骤包括:
将所述样本库中的样本图片作为vgg网络的输入数据,在vgg网络进行卷积计算的过程中,根据贪心算法和预设压缩率计算每一层网络要删除的通道的集合;
按照计算得到的通道的集合将vgg网络中的卷积层进行剪枝处理。
可选地,所述根据贪心算法和预设压缩率计算每一层网络要删除的通道的集合的步骤包括:
根据公式计算每一层网络要删除的通道的集合T,其中,|T|=C×(1-r),C为通道的个数,x是输入的训练数据,m代表训练数据的个数,r为预设压缩率。
可选地,所述为各个车损部位准备预设数量的原始车损照片,对所述原始车损照片进行标注和预处理后作为样本图片,构建样本库的步骤包括:
为各个车损部位准备预设数量的原始车损照片;
获取原始车损照片对应的定损信息,根据定损信息对所述原始车损照片的损伤程度进行标注;
按照预设尺寸对标注后的原始车损照片进行剪裁处理,生成第一样本图片,对所述第一样本图片进行数据增强处理,生成第二样本图片;
基于所述第一样本图片和所述第二样本图片构建样本库。
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上存储有模型生成程序,所述模型生成程序可被一个或者多个处理器执行,以实现如上所述的车辆损伤分类模型的生成方法的步骤。
本发明提出的车辆损伤分类模型的生成装置、方法及计算机可读存储介质,为各个车损部位准备预设数量的原始车损照片,对原始车损照片进行标注和预处理后作为样本图片构建样本库,将这些样本图片作为vgg网络的输入数据,按照预设的剪枝算法和预设压缩率对该vgg网络进行剪枝处理,删除原始的vgg网络中的冗余通道,基于剪枝处理后的vgg网络构建车辆损伤分类模型,使用样本库中的样本图片训练构建的模型以获取模型参数,以生成最终的车辆损伤分类模型。本发明通过剪枝算法对vgg网络进行压缩处理,并且使得剪枝处理后的vgg网络相对于原始网络的压缩率达到预设压缩率,减小了网络占用的空间,同时,基于简化后的网络构建的车辆损伤分类模型在训练和测试上的速度都会加快,使得能够实现在移动设备上通过卷积神经网络模型进行车辆定损。
附图说明
图1为本发明车辆损伤分类模型的生成装置较佳实施例的示意图;
图2为本发明车辆损伤分类模型的生成装置一实施例中模型生成程序的程序模块示意图;
图3为本发明车辆损伤分类模型的生成方法较佳实施例的流程图。
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。
本发明提供一种车辆损伤分类模型的生成装置。参照图1所示,为本发明车辆损伤分类模型的生成装置较佳实施例的示意图。
在本实施例中,车辆损伤分类模型的生成装置1可以是PC(Personal Computer,个人电脑),也可以是智能手机、平板电脑、便携计算机等终端设备。该车辆损伤分类模型的生成装置1至少包括存储器11、处理器12,通信总线13,以及网络接口14。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是车辆损伤分类模型的生成装置1的内部存储单元,例如该车辆损伤分类模型的生成装置1的硬盘。存储器11在另一些实施例中也可以是车辆损伤分类模型的生成装置1的外部存储设备,例如车辆损伤分类模型的生成装置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(FlashCard)等。进一步地,存储器11还可以既包括车辆损伤分类模型的生成装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于车辆损伤分类模型的生成装置1的应用软件及各类数据,例如模型生成程序01的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行模型生成程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该装置1与其他电子设备之间生成通信连接。
图1仅示出了具有组件11-14以及模型生成程序01的车辆损伤分类模型的生成装置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。
可选地,该装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,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OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在车辆损伤分类模型的生成装置1中处理的信息以及用于显示可视化的用户界面。
可选地,该装置1还可以包括触摸传感器。所述触摸传感器所提供的供用户进行触摸操作的区域称为触控区域。此外,这里所述的触摸传感器可以为电阻式触摸传感器、电容式触摸传感器等。而且,所述触摸传感器不仅包括接触式的触摸传感器,也可包括接近式的触摸传感器等。此外,所述触摸传感器可以为单个传感器,也可以为阵列布置的多个传感器。该装置1的显示器的面积可以与所述触摸传感器的面积相同,也可以不同。可选地,将显示器与所述触摸传感器层叠设置,以形成触摸显示屏。该装置1基于触摸显示屏侦测用户触发的触控操作。
可选地,该装置1还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,若该装置1为移动终端,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
在图1所示的装置实施例中,存储器11中存储有模型生成程序;处理器12执行存储器11中存储的模型生成程序时实现如下步骤:
为各个车损部位准备预设数量的原始车损照片,对所述原始车损照片进行标注和预处理后作为样本图片,构建样本库。
在本实施例中,需要针对各个车损部位采集预设数量的原始车损照片,其中,车损部位包括但不限于:左前门、右前门、左叶子板、右叶子板、前保险杠、后保险杠等。原始车损照片可以从历史车辆定损文件中获取,同时从其中获取与原始车损照片对应的定损信息,根据定损信息对原始车损照片的损伤程度进行标注,例如,若原始车损照片对应的定损信息为完好无损,则将该原始车损照片标注为0;若原始车损照片对应的定损信息为需喷漆,则将该原始车损照片标注为1;若原始车损照片对应的定损信息为需修复,则将该原始车损照片标注为2;若原始车损照片对应的定损信息为需更换,则将该原始车损照片标注为3。其中,预设数量可以根据需要设置,样本照片的数量越多,那么训练得到的分类模型的分类结果也越准确。
在完成对照片的标注之后,对照片进行预处理后作为样本图片,具体地,按照预设尺寸对标注后的原始车损照片进行剪裁处理,生成第一样本图片,对第一样本图片进行数据增强处理,生成第二样本图片;基于第一样本图片和第二样本图片构建样本库。
将收集的所有原始车损照片的尺寸统一剪裁为预设尺寸,在一些实施例中,预设尺寸可以是224x224,将剪裁处理后的照片作为第一样本图片,对第一样本进行数据增强处理,以增强样本的多样化,提高模型的精度。增强处理的手段包括随机剪裁、90度翻转以及增加高斯噪声等,其中,每一张第一样本图片经过上述多种增强处理手段的处理后,都可以得到多张图片。将得到的图片作为第二样本图片,基于第一样本图片和第二样本图片构建样本库。
将所述样本库中的样本图片作为vgg网络的输入数据,按照预设的剪枝算法和预设压缩率对所述vgg网络进行剪枝处理。
用In、Wn表示vgg网络中第n层的卷积操作,其中:In表示网络中第n层的输入,它有C个通道;Wn代表一组卷积核大小为k*k的滤波器,该滤波器为第n层的滤波器。第n层的输出数据即为第n+1层的输入。
剪枝操作的目的是去除Wn中一些不重要的滤波器,并且当Wn中的某一个滤波器被去掉后,其在In+1和Wn+1中对应的通道也会被去除。因此,这一步的作用是从所有的通道中选择出要删除的通道的合集,具体地,采用贪心算法计算下述表达式的值最小时的通道的集合T,这个集合中的通道即为要删除的通道,在删除通道时,会连带删除与之对应的滤波器。
其中,|T|=C×(1-r),C为通道的个数,x是输入的训练数据,m代表训练数据的个数,r为预先设置的模型的压缩率。计算得到的T是一个输入通道的子集。按照上述公式计算每一个卷积层要删除的通道的集合,进而按照计算结果对网络中的卷积层进行剪枝处理。剪枝后剩余的通道数的数量取决于预先设置的压缩率。
可选地,在对每一层做完剪枝之后,使用样本库中的数据在剪枝后的网络上迭代1-2次,以对网络进行微调和优化。在所有的卷积层都剪枝完成后,再次使用样本库中的数据在剪枝后的网络上迭代1-2次,进一步优化剪枝后的网络。
此外,vgg网络是一种卷积神经网络,而对于该卷积神经网络来说,90%的计算量在卷积层,因此对卷积层进行压缩操作,能够提高计算效率,压缩率可以根据用户需要设置,例如设置为50%,则剪枝后的网络中可以去除一半的通道。这种剪枝处理方式对于vgg网络的准确率基本上没有影响,通过该网络构建的分类模型,仍然能够保持较高的准确率。另外,由于全连接层层占据了网络较多的参数,因此,可以将所有的全连接层用一个全局平均池化层代替。
基于剪枝处理后的vgg网络构建车辆损伤分类模型,并使用所述样本库中的样本图片训练所述车辆损伤分类模型,以确定该车辆损伤分类模型的模型参数。
在完成vgg网络的剪枝处理后,基于剪枝后的vgg网络构建车辆损伤分类模型,该模型是一种基于卷积神经网络构建的分类模型。使用之前构建的样本库中的样本图片训练该分类模型。具体地,将样本库中的样本图片分为第一预设比例的训练集和第二预设比例的验证集,其中,第一预设比例和第二预设比例之和为1,例如第一预设比例为80%,第二预设比例为20%。使用所述训练集训练所述车辆损伤分类模型,使用所述验证集对训练得到的车辆损伤分类模型的准确率进行验证,其中,若准确率大于或者等于预设准确率,则训练结束,若准确率小于所述预设准确率,则重新执行将样本库中的样本图片分为第一预设比例的训练集和第二预设比例的验证集的步骤。即当使用验证集中对分类模型的训练结果进行验证时,若准确率小于预设的准确率,则重新按照第一预设比例和第二预设比例对样本库中的样本图片分为两个集合,重新对模型进行训练,按照这样的方式不断的迭代训练,直至训练得到的模型,在经验证集验证后得到的准确率达到预设准确率时,完成模型的训练,得到模型参数,生成最终的车辆损伤分类模型,可以应用于车辆定损,在使用时,将待定损的照片输入到该模型,输出结果为对应的损伤程度的类别。本发明中经过了对该网络的剪枝处理,使得vgg网络按照一定的比例进行压缩,压缩后的网络在能够保证分类的准确度的同时,极大地减少了参数量,提高了计算速度,同时减小了模型运行需要占用的空间,可以实现在移动设备上通过卷积神经网络模型进行车辆定损。
本实施例提出的车辆损伤分类模型的生成装置,为各个车损部位准备预设数量的原始车损照片,对原始车损照片进行标注和预处理后作为样本图片构建样本库,将这些样本图片作为vgg网络的输入数据,按照预设的剪枝算法和预设压缩率对该vgg网络进行剪枝处理,删除原始的vgg网络中的冗余通道,基于剪枝处理后的vgg网络构建车辆损伤分类模型,使用样本库中的样本图片训练构建的模型以获取模型参数,以生成最终的车辆损伤分类模型。本发明通过剪枝算法对vgg网络进行压缩处理,并且使得剪枝处理后的vgg网络相对于原始网络的压缩率达到预设压缩率,减小了网络占用的空间,同时,基于简化后的网络构建的车辆损伤分类模型在训练和测试上的速度都会加快,使得能够实现在移动设备上通过卷积神经网络模型进行车辆定损。
可选地,在其他的实施例中,模型生成程序还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明,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,用于描述模型生成程序在车辆损伤分类模型的生成装置中的执行过程。
例如,参照图2所示,为本发明车辆损伤分类模型的生成装置一实施例中的模型生成程序的程序模块示意图,该实施例中,模型生成程序可以被分割为样本构建模块10、网络压缩模块20和模型生成模块30,示例性地:
样本构建模块10用于:为各个车损部位准备预设数量的原始车损照片,对所述原始车损照片进行标注和预处理后作为样本图片,构建样本库;
网络压缩模块20用于:将所述样本库中的样本图片作为vgg网络的输入数据,按照预设的剪枝算法和预设压缩率对所述vgg网络进行剪枝处理;
模型生成模块30用于:基于剪枝处理后的vgg网络构建车辆损伤分类模型,并使用所述样本库中的样本图片训练所述车辆损伤分类模型,以确定该车辆损伤分类模型的模型参数。
上述样本构建模块10、网络压缩模块20和模型生成模块30等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同,在此不再赘述。
此外,本发明还提供一种车辆损伤分类模型的生成方法。参照图3所示,为本发明车辆损伤分类模型的生成方法较佳实施例的流程图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,车辆损伤分类模型的生成方法包括:
步骤S10,为各个车损部位准备预设数量的原始车损照片,对所述原始车损照片进行标注和预处理后作为样本图片,构建样本库。
在本实施例中,需要针对各个车损部位采集预设数量的原始车损照片,其中,车损部位包括但不限于:左前门、右前门、左叶子板、右叶子板、前保险杠、后保险杠等。原始车损照片可以从历史车辆定损文件中获取,同时从其中获取与原始车损照片对应的定损信息,根据定损信息对原始车损照片的损伤程度进行标注,例如,若原始车损照片对应的定损信息为完好无损,则将该原始车损照片标注为0;若原始车损照片对应的定损信息为需喷漆,则将该原始车损照片标注为1;若原始车损照片对应的定损信息为需修复,则将该原始车损照片标注为2;若原始车损照片对应的定损信息为需更换,则将该原始车损照片标注为3。其中,预设数量可以根据需要设置,样本照片的数量越多,那么训练得到的分类模型的分类结果也越准确。
在完成对照片的标注之后,对照片进行预处理后作为样本图片,具体地,按照预设尺寸对标注后的原始车损照片进行剪裁处理,生成第一样本图片,对第一样本图片进行数据增强处理,生成第二样本图片;基于第一样本图片和第二样本图片构建样本库。
将收集的所有原始车损照片的尺寸统一剪裁为预设尺寸,在一些实施例中,预设尺寸可以是224x224,将剪裁处理后的照片作为第一样本图片,对第一样本进行数据增强处理,以增强样本的多样化,提高模型的精度。增强处理的手段包括随机剪裁、90度翻转以及增加高斯噪声等,其中,每一张第一样本图片经过上述多种增强处理手段的处理后,都可以得到多张图片。将得到的图片作为第二样本图片,基于第一样本图片和第二样本图片构建样本库。
步骤S20,将所述样本库中的样本图片作为vgg网络的输入数据,按照预设的剪枝算法和预设压缩率对所述vgg网络进行剪枝处理。
用In、Wn表示vgg网络中第n层的卷积操作,其中:In表示网络中第n层的输入,它有C个通道;Wn代表一组卷积核大小为k*k的滤波器,该滤波器为第n层的滤波器。第n层的输出数据即为第n+1层的输入。
剪枝操作的目的是去除Wn中一些不重要的滤波器,并且当Wn中的某一个滤波器被去掉后,其在In+1和Wn+1中对应的通道也会被去除。因此,这一步的作用是从所有的通道中选择出要删除的通道的合集,具体地,采用贪心算法计算下述表达式的值最小时的通道的集合T,这个集合中的通道即为要删除的通道,在删除通道时,会连带删除与之对应的滤波器。
其中,|T|=C×(1-r),C为通道的个数,x是输入的训练数据,m代表训练数据的个数,r为预先设置的模型的压缩率。计算得到的T是一个输入通道的子集。按照上述公式计算每一个卷积层要删除的通道的集合,进而按照计算结果对网络中的卷积层进行剪枝处理。剪枝后剩余的通道数的数量取决于预先设置的压缩率。
可选地,在对每一层做完剪枝之后,使用样本库中的数据在剪枝后的网络上迭代1-2次,以对网络进行微调和优化。在所有的卷积层都剪枝完成后,再次使用样本库中的数据在剪枝后的网络上迭代1-2次,进一步优化剪枝后的网络。
此外,vgg网络是一种卷积神经网络,而对于该卷积神经网络来说,90%的计算量在卷积层,因此对卷积层进行压缩操作,能够提高计算效率,压缩率可以根据用户需要设置,例如设置为50%,则剪枝后的网络中可以去除一半的通道。这种剪枝处理方式对于vgg网络的准确率基本上没有影响,通过该网络构建的分类模型,仍然能够保持较高的准确率。另外,由于全连接层层占据了网络较多的参数,因此,可以将所有的全连接层用一个全局平均池化层代替。
步骤S30,基于剪枝处理后的vgg网络构建车辆损伤分类模型,并使用所述样本库中的样本图片训练所述车辆损伤分类模型,以确定该车辆损伤分类模型的模型参数。
在完成vgg网络的剪枝处理后,基于剪枝后的vgg网络构建车辆损伤分类模型,该模型是一种基于卷积神经网络构建的分类模型。使用之前构建的样本库中的样本图片训练该分类模型。具体地,将样本库中的样本图片分为第一预设比例的训练集和第二预设比例的验证集,其中,第一预设比例和第二预设比例之和为1,例如第一预设比例为80%,第二预设比例为20%。使用所述训练集训练所述车辆损伤分类模型,使用所述验证集对训练得到的车辆损伤分类模型的准确率进行验证,其中,若准确率大于或者等于预设准确率,则训练结束,若准确率小于所述预设准确率,则重新执行将样本库中的样本图片分为第一预设比例的训练集和第二预设比例的验证集的步骤。即当使用验证集中对分类模型的训练结果进行验证时,若准确率小于预设的准确率,则重新按照第一预设比例和第二预设比例对样本库中的样本图片分为两个集合,重新对模型进行训练,按照这样的方式不断的迭代训练,直至训练得到的模型,在经验证集验证后得到的准确率达到预设准确率时,完成模型的训练,得到模型参数,生成最终的车辆损伤分类模型,可以应用于车辆定损,在使用时,将待定损的照片输入到该模型,输出结果为对应的损伤程度的类别。本发明中经过了对该网络的剪枝处理,使得vgg网络按照一定的比例进行压缩,压缩后的网络在能够保证分类的准确度的同时,极大地减少了参数量,提高了计算速度,同时减小了模型运行需要占用的空间,可以实现在移动设备上通过卷积神经网络模型进行车辆定损。
本实施例提出的车辆损伤分类模型的生成方法,为各个车损部位准备预设数量的原始车损照片,对原始车损照片进行标注和预处理后作为样本图片构建样本库,将这些样本图片作为vgg网络的输入数据,按照预设的剪枝算法和预设压缩率对该vgg网络进行剪枝处理,删除原始的vgg网络中的冗余通道,基于剪枝处理后的vgg网络构建车辆损伤分类模型,使用样本库中的样本图片训练构建的模型以获取模型参数,以生成最终的车辆损伤分类模型。本发明通过剪枝算法对vgg网络进行压缩处理,并且使得剪枝处理后的vgg网络相对于原始网络的压缩率达到预设压缩率,减小了网络占用的空间,同时,基于简化后的网络构建的车辆损伤分类模型在训练和测试上的速度都会加快,使得能够实现在移动设备上通过卷积神经网络模型进行车辆定损。
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上存储有模型生成程序,所述模型生成程序可被一个或多个处理器执行,以实现如下操作:
为各个车损部位准备预设数量的原始车损照片,对所述原始车损照片进行标注和预处理后作为样本图片,构建样本库;
将所述样本库中的样本图片作为vgg网络的输入数据,按照预设的剪枝算法和预设压缩率对所述vgg网络进行剪枝处理;
基于剪枝处理后的vgg网络构建车辆损伤分类模型,并使用所述样本库中的样本图片训练所述车辆损伤分类模型,以确定该车辆损伤分类模型的模型参数。
本发明计算机可读存储介质具体实施方式与上述车辆损伤分类模型的生成装置和方法各实施例基本相同,在此不作累述。
需要说明的是,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。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。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、装置、物品或者方法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,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他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种车辆损伤分类模型的生成装置,其特征在于,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的模型生成程序,所述模型生成程序被所述处理器执行时实现如下步骤:
为各个车损部位准备预设数量的原始车损照片,对所述原始车损照片进行标注和预处理后作为样本图片,构建样本库;
将所述样本库中的样本图片作为vgg网络的输入数据,按照预设的剪枝算法和预设压缩率对所述vgg网络进行剪枝处理;
基于剪枝处理后的vgg网络构建车辆损伤分类模型,并使用所述样本库中的样本图片训练所述车辆损伤分类模型,以确定该车辆损伤分类模型的模型参数。
2.如权利要求1所述的车辆损伤分类模型的生成装置,其特征在于,所述将所述样本库中的样本图片作为vgg网络的输入数据,按照预设的剪枝算法和预设压缩率对所述vgg网络进行剪枝处理的步骤包括:
将所述样本库中的样本图片作为vgg网络的输入数据,在vgg网络进行卷积计算的过程中,根据贪心算法和预设压缩率计算每一层网络要删除的通道的集合;
按照计算得到的通道的集合将vgg网络中的卷积层进行剪枝处理。
3.如权利要求2所述的车辆损伤分类模型的生成装置,其特征在于,所述根据贪心算法和预设压缩率计算每一层网络要删除的通道的集合的步骤包括:
根据公式计算每一层网络要删除的通道的集合T,其中,|T|=C×(1-r),C为通道的个数,x是输入的训练数据,m代表训练数据的个数,r为预设压缩率。
4.如权利要求1至3中任一项所述的车辆损伤分类模型的生成装置,其特征在于,所述为各个车损部位准备预设数量的原始车损照片,对所述原始车损照片进行标注和预处理后作为样本图片,构建样本库的步骤包括:
为各个车损部位准备预设数量的原始车损照片;
获取原始车损照片对应的定损信息,根据定损信息对所述原始车损照片的损伤程度进行标注;
按照预设尺寸对标注后的原始车损照片进行剪裁处理,生成第一样本图片,对所述第一样本图片进行数据增强处理,生成第二样本图片;
基于所述第一样本图片和所述第二样本图片构建样本库。
5.如权利要求1至3中任一项所述的车辆损伤分类模型的生成装置,其特征在于,所述使用所述样本库中的样本图片训练所述车辆损伤分类模型的步骤包括:
将样本库中的样本图片分为第一预设比例的训练集和第二预设比例的验证集,其中,第一预设比例和第二预设比例之和为1;
使用所述训练集训练所述车辆损伤分类模型,使用所述验证集对训练得到的车辆损伤分类模型的准确率进行验证,其中,若准确率大于或者等于预设准确率,则训练结束,若准确率小于所述预设准确率,则重新执行将样本库中的样本图片分为第一预设比例的训练集和第二预设比例的验证集的步骤。
6.一种车辆损伤分类模型的生成方法,其特征在于,所述方法包括:
为各个车损部位准备预设数量的原始车损照片,对所述原始车损照片进行标注和预处理后作为样本图片,构建样本库;
将所述样本库中的样本图片作为vgg网络的输入数据,按照预设的剪枝算法和预设压缩率对所述vgg网络进行剪枝处理;
基于剪枝处理后的vgg网络构建车辆损伤分类模型,并使用所述样本库中的样本图片训练所述车辆损伤分类模型,以确定该车辆损伤分类模型的模型参数。
7.如权利要求6所述的车辆损伤分类模型的生成方法,其特征在于,所述将所述样本库中的样本图片作为vgg网络的输入数据,按照预设的剪枝算法和预设压缩率对所述vgg网络进行剪枝处理的步骤包括:
将所述样本库中的样本图片作为vgg网络的输入数据,在vgg网络进行卷积计算的过程中,根据贪心算法和预设压缩率计算每一层网络要删除的通道的集合;
按照计算得到的通道的集合将vgg网络中的卷积层进行剪枝处理。
8.如权利要求7所述的车辆损伤分类模型的生成方法,其特征在于,所述根据贪心算法和预设压缩率计算每一层网络要删除的通道的集合的步骤包括:
根据公式计算每一层网络要删除的通道的集合T,其中,|T|=C×(1-r),C为通道的个数,x是输入的训练数据,m代表训练数据的个数,r为预设压缩率。
9.如权利要求6至8中任一项所述的车辆损伤分类模型的生成方法,其特征在于,所述为各个车损部位准备预设数量的原始车损照片,对所述原始车损照片进行标注和预处理后作为样本图片,构建样本库的步骤包括:
为各个车损部位准备预设数量的原始车损照片;
获取原始车损照片对应的定损信息,根据定损信息对所述原始车损照片的损伤程度进行标注;
按照预设尺寸对标注后的原始车损照片进行剪裁处理,生成第一样本图片,对所述第一样本图片进行数据增强处理,生成第二样本图片;
基于所述第一样本图片和所述第二样本图片构建样本库。
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上存储有模型生成程序,所述模型生成程序可被一个或者多个处理器执行,以实现如权利要求6至9中任一项所述的车辆损伤分类模型的生成方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810388000.1A CN108764046A (zh) | 2018-04-26 | 2018-04-26 | 车辆损伤分类模型的生成装置、方法及计算机可读存储介质 |
PCT/CN2018/102411 WO2019205391A1 (zh) | 2018-04-26 | 2018-08-27 | 车辆损伤分类模型的生成装置、方法及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810388000.1A CN108764046A (zh) | 2018-04-26 | 2018-04-26 | 车辆损伤分类模型的生成装置、方法及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764046A true CN108764046A (zh) | 2018-11-06 |
Family
ID=64012083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810388000.1A Pending CN108764046A (zh) | 2018-04-26 | 2018-04-26 | 车辆损伤分类模型的生成装置、方法及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108764046A (zh) |
WO (1) | WO2019205391A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635110A (zh) * | 2018-11-30 | 2019-04-16 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备以及计算机可读存储介质 |
CN110378254A (zh) * | 2019-07-03 | 2019-10-25 | 中科软科技股份有限公司 | 车损图像修改痕迹的识别方法、系统、电子设备及存储介质 |
CN111291882A (zh) * | 2018-12-06 | 2020-06-16 | 北京百度网讯科技有限公司 | 一种模型转换的方法、装置、设备和计算机存储介质 |
CN111553480A (zh) * | 2020-07-10 | 2020-08-18 | 腾讯科技(深圳)有限公司 | 神经网络搜索方法、装置、计算机可读介质及电子设备 |
CN111899204A (zh) * | 2020-07-30 | 2020-11-06 | 平安科技(深圳)有限公司 | 车损检测数据合成方法、装置及存储介质 |
CN112465018A (zh) * | 2020-11-26 | 2021-03-09 | 深源恒际科技有限公司 | 一种基于深度学习的车辆视频定损系统的智能截图方法及系统 |
CN112884142A (zh) * | 2019-11-29 | 2021-06-01 | 北京市商汤科技开发有限公司 | 神经网络训练、目标检测方法、装置、设备、存储介质 |
CN113516163A (zh) * | 2021-04-26 | 2021-10-19 | 合肥市正茂科技有限公司 | 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质 |
WO2021218020A1 (zh) * | 2020-04-29 | 2021-11-04 | 平安科技(深圳)有限公司 | 车辆损伤图片处理方法、装置、计算机设备及存储介质 |
CN114241398A (zh) * | 2022-02-23 | 2022-03-25 | 深圳壹账通科技服务有限公司 | 基于人工智能的车辆定损方法、装置、设备及存储介质 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969121A (zh) * | 2019-11-29 | 2020-04-07 | 长沙理工大学 | 一种基于深度学习的高分辨率雷达目标识别算法 |
CN111311540A (zh) * | 2020-01-13 | 2020-06-19 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、计算机设备和存储介质 |
CN111401360B (zh) * | 2020-03-02 | 2023-06-20 | 杭州雄迈集成电路技术股份有限公司 | 优化车牌检测模型的方法及系统、车牌检测方法及系统 |
CN113408561A (zh) * | 2020-03-17 | 2021-09-17 | 北京京东乾石科技有限公司 | 模型生成方法、目标检测方法、装置、设备及存储介质 |
CN111553169B (zh) * | 2020-06-25 | 2023-08-25 | 北京百度网讯科技有限公司 | 语义理解模型的剪枝方法、装置、电子设备和存储介质 |
CN111832466A (zh) * | 2020-07-08 | 2020-10-27 | 上海东普信息科技有限公司 | 基于vgg网络的暴力分拣识别方法、装置、设备及存储介质 |
CN111885146B (zh) * | 2020-07-21 | 2022-06-24 | 合肥学院 | 一种工业数据云端服务平台数据传输方法 |
CN113554084B (zh) * | 2021-07-16 | 2024-03-01 | 华侨大学 | 基于剪枝和轻量卷积的车辆再辨识模型压缩方法及系统 |
CN113901904A (zh) * | 2021-09-29 | 2022-01-07 | 北京百度网讯科技有限公司 | 图像处理方法、人脸识别模型训练方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780048A (zh) * | 2016-11-28 | 2017-05-31 | 中国平安财产保险股份有限公司 | 一种智能车险的自助理赔方法、自助理赔装置及系统 |
CN107194398A (zh) * | 2017-05-10 | 2017-09-22 | 平安科技(深圳)有限公司 | 车损部位的识别方法及系统 |
CN107578453A (zh) * | 2017-10-18 | 2018-01-12 | 北京旷视科技有限公司 | 压缩图像处理方法、装置、电子设备及计算机可读介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184313B (zh) * | 2015-08-24 | 2019-04-19 | 小米科技有限责任公司 | 分类模型构建方法及装置 |
CN106355248A (zh) * | 2016-08-26 | 2017-01-25 | 深圳先进技术研究院 | 一种深度卷积神经网络训练方法及装置 |
CN107358596B (zh) * | 2017-04-11 | 2020-09-18 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及系统 |
-
2018
- 2018-04-26 CN CN201810388000.1A patent/CN108764046A/zh active Pending
- 2018-08-27 WO PCT/CN2018/102411 patent/WO2019205391A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780048A (zh) * | 2016-11-28 | 2017-05-31 | 中国平安财产保险股份有限公司 | 一种智能车险的自助理赔方法、自助理赔装置及系统 |
CN107194398A (zh) * | 2017-05-10 | 2017-09-22 | 平安科技(深圳)有限公司 | 车损部位的识别方法及系统 |
CN107578453A (zh) * | 2017-10-18 | 2018-01-12 | 北京旷视科技有限公司 | 压缩图像处理方法、装置、电子设备及计算机可读介质 |
Non-Patent Citations (1)
Title |
---|
罗建豪等: "一种深度卷积网络压缩的过滤器级别剪枝方法", 《计算机视觉领域顶级国际会议ICCV》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635110A (zh) * | 2018-11-30 | 2019-04-16 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备以及计算机可读存储介质 |
CN111291882A (zh) * | 2018-12-06 | 2020-06-16 | 北京百度网讯科技有限公司 | 一种模型转换的方法、装置、设备和计算机存储介质 |
CN110378254A (zh) * | 2019-07-03 | 2019-10-25 | 中科软科技股份有限公司 | 车损图像修改痕迹的识别方法、系统、电子设备及存储介质 |
CN112884142A (zh) * | 2019-11-29 | 2021-06-01 | 北京市商汤科技开发有限公司 | 神经网络训练、目标检测方法、装置、设备、存储介质 |
CN112884142B (zh) * | 2019-11-29 | 2022-11-22 | 北京市商汤科技开发有限公司 | 神经网络训练、目标检测方法、装置、设备、存储介质 |
WO2021218020A1 (zh) * | 2020-04-29 | 2021-11-04 | 平安科技(深圳)有限公司 | 车辆损伤图片处理方法、装置、计算机设备及存储介质 |
CN111553480A (zh) * | 2020-07-10 | 2020-08-18 | 腾讯科技(深圳)有限公司 | 神经网络搜索方法、装置、计算机可读介质及电子设备 |
CN111899204A (zh) * | 2020-07-30 | 2020-11-06 | 平安科技(深圳)有限公司 | 车损检测数据合成方法、装置及存储介质 |
CN111899204B (zh) * | 2020-07-30 | 2024-04-09 | 平安科技(深圳)有限公司 | 车损检测数据合成方法、装置及存储介质 |
CN112465018A (zh) * | 2020-11-26 | 2021-03-09 | 深源恒际科技有限公司 | 一种基于深度学习的车辆视频定损系统的智能截图方法及系统 |
CN112465018B (zh) * | 2020-11-26 | 2024-02-02 | 深源恒际科技有限公司 | 一种基于深度学习的车辆视频定损系统的智能截图方法及系统 |
CN113516163A (zh) * | 2021-04-26 | 2021-10-19 | 合肥市正茂科技有限公司 | 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质 |
CN113516163B (zh) * | 2021-04-26 | 2024-03-12 | 合肥市正茂科技有限公司 | 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质 |
CN114241398A (zh) * | 2022-02-23 | 2022-03-25 | 深圳壹账通科技服务有限公司 | 基于人工智能的车辆定损方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2019205391A1 (zh) | 2019-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764046A (zh) | 车辆损伤分类模型的生成装置、方法及计算机可读存储介质 | |
Alyamkin et al. | Low-power computer vision: Status, challenges, and opportunities | |
CN108416003A (zh) | 一种图片分类方法和装置、终端、存储介质 | |
CN107463331B (zh) | 手势轨迹模拟方法、装置及电子设备 | |
CN106293074B (zh) | 一种情绪识别方法和移动终端 | |
CN108647712A (zh) | 车辆损伤识别的处理方法、处理设备、客户端及服务器 | |
CN107609598A (zh) | 图像鉴别模型训练方法、装置及可读存储介质 | |
CN107443373A (zh) | 基于关节臂机器人的避碰轨迹规划方法和装置 | |
CN110738211A (zh) | 一种对象检测的方法、相关装置以及设备 | |
CN111680678B (zh) | 目标区域识别方法、装置、设备及可读存储介质 | |
CN109002820A (zh) | 一种车牌识别方法、装置及相关设备 | |
CN107818491A (zh) | 电子装置、基于用户上网数据的产品推荐方法及存储介质 | |
CN106611015A (zh) | 标签的处理方法及装置 | |
CN108682010A (zh) | 车辆损伤识别的处理方法、处理设备、客户端及服务器 | |
US11951390B2 (en) | Method and system for incremental topological update within a data flow graph in gaming | |
CN110135889A (zh) | 智能推荐书单的方法、服务器及存储介质 | |
CN111738403A (zh) | 一种神经网络的优化方法及相关设备 | |
CN109740567A (zh) | 关键点定位模型训练方法、定位方法、装置及设备 | |
CN110246506A (zh) | 人声智能检测方法、装置及计算机可读存储介质 | |
CN111339072B (zh) | 基于用户行为的变化值分析方法、装置、电子设备及介质 | |
JP2023526899A (ja) | 画像修復モデルを生成するための方法、デバイス、媒体及びプログラム製品 | |
CN113177432A (zh) | 基于多尺度轻量化网络的头部姿态估计方法、系统、设备及介质 | |
CN107368181A (zh) | 一种手势识别方法及装置 | |
CN115878805A (zh) | 情感分析方法、装置、电子设备及存储介质 | |
CN114445684A (zh) | 车道线分割模型的训练方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |