CN109325531A - 基于图像的车辆定损方法、装置、设备及存储介质 - Google Patents

基于图像的车辆定损方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN109325531A
CN109325531A CN201811081289.9A CN201811081289A CN109325531A CN 109325531 A CN109325531 A CN 109325531A CN 201811081289 A CN201811081289 A CN 201811081289A CN 109325531 A CN109325531 A CN 109325531A
Authority
CN
China
Prior art keywords
vehicle
image
damage
depth
color image
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.)
Withdrawn
Application number
CN201811081289.9A
Other languages
English (en)
Inventor
马进
林春伟
王健宗
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201811081289.9A priority Critical patent/CN109325531A/zh
Publication of CN109325531A publication Critical patent/CN109325531A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像的车辆定损方法，属于图像识别技术领域。该方法包括以下步骤：获取受损车辆的彩色图像和相对应的深度图像；利用经过部位训练后的车辆部位检测模型对所述彩色图像进行车辆部位识别，确认车辆各部位在所述彩色图像中的位置；将识别出的车辆各部位在所述彩色图像中的位置的色彩信息以及对应在所述深度图像中的位置的深度信息拼接为一个四通道的数据矩阵；利用经过损伤识别训练后的车辆损伤检测模型对所述四通道的数据矩阵进行识别，并输出识别的损伤结果。本发明结合了色彩和深度两种信息，大大提高了车辆损伤程度的分类精度。

Description

基于图像的车辆定损方法、装置、设备及存储介质
技术领域
本发明涉及图像识别技术领域，涉及一种基于图像的车辆定损方法、装置、设备及存储介质。
背景技术
在车险理赔的过程中，需要业务员根据车辆的受损程度对车辆进行定损，但每个业务员的判断标准不一，经验丰富程度不一，很容易影响车辆定损的准确性。
目前业内有一些利用交通事故现场图像进行自动分析得到预设车损部位分类的处理方式，但仅仅是简单的确定出车损部位的分类，如车前方、侧面、尾部等，没有设备处具体的损伤类型，更不会给出修理的建议。识别出的损伤部位的提醒信息主要用于保险公司的工作人员拿来和人工定损进行人工的对比，作为参考信息帮助保险公司的工作人员进行定损核算。最终车辆定损的结果还是依靠人工核定，人力和时间成本较大，并且不同保险公司车损核定标准不统一，加上主管因素影响，车辆定损结果的差异较大，可靠性较低。
发明内容
本发明要解决的技术问题是为了克服现有技术中车辆定损主要依靠人工判断的问题，提出了一种基于图像的车辆定损方法、装置、设备及存储介质，通过结合彩色图像和深度图像上的信息，大大提高车辆损伤程度分类模型的分类精度。
本发明是通过下述技术方案来解决上述技术问题：
一种基于图像的车辆定损方法，包括以下步骤：
获取受损车辆的彩色图像和相对应的深度图像；
利用经过部位训练后的车辆部位检测模型对所述彩色图像进行车辆部位识别，确认车辆各部位在所述彩色图像中的位置；
将识别出的车辆各部位在所述彩色图像中的位置的色彩信息以及对应在所述深度图像中的位置的深度信息拼接为一个四通道的数据矩阵；
利用经过损伤识别训练后的车辆损伤检测模型对所述四通道的数据矩阵进行识别，并输出识别的损伤结果。
优选地，所述彩色图像和相对应的深度图像通过深度摄像头拍摄获得。
优选地，所述车辆部位检测模型的训练包括以下步骤：
使用深度摄像头获取若干车辆的彩色图像样本和相对应的深度图像样本，所述彩色图像样本和相对应的深度图像样本中包含至少一个车辆部件；
在所述彩色图像样本中将车辆的各个部位用矩形框标注出来，并给各矩形框打上相应的部位类别标签；
将打标后的所述彩色图像样本作为基于深度卷积神经网络构建的车辆部位检测模型的输入，将对应打在各个矩形框上的部位类别标签作为输出，对所述车辆部位检测模型进行训练。
优选地，所述四通道的数据矩阵中的三通道表述的是所述彩色图像中的色彩信息；所述四通道的数据矩阵中的一通道表述的是所述深度图像中的深度信息。
优选地，所述车辆损伤检测模型的训练包括以下步骤：
使用深度摄像头获取若干车辆的彩色图像样本和相对应的深度图像样本，所述彩色图像样本和相对应的深度图像样本中包含至少一个车辆部件；
在所述彩色图像样本中将车辆的各个部位用矩形框标注出来，并给各矩形框打上相应的损伤类别标签；
将所述矩形框内的所述彩色图像的色彩信息以及对应的所述深度图像的深度信息拼接为一个四通道的数据矩阵；
将打标后的所述四通道的数据矩阵作为基于深度卷积神经网络构建的车辆损伤检测模型的输入，将对应打在各个矩形框上的损伤类别标签作为输出，对所述车辆损伤检测模型进行训练。
优选地，还包括以下步骤：根据预设的损伤结果与修复方案对应表，输出与所述损伤结果相对应的修复方案。
本发明还公开了一种电子装置，所述电子装置上存储有基于图像的车辆定损系统，所述基于图像的车辆定损系统包括：
拍摄模块，用于获取受损车辆的彩色图像和相对应的深度图像；
位置识别模块，用于利用经过部位训练后的车辆部位检测模型对所述彩色图像进行车辆部位识别，确认车辆各部位在所述彩色图像中的位置；
信息拼接模块，用于将识别出的车辆各部位在所述彩色图像中的位置的色彩信息以及对应在所述深度图像中的位置的深度信息拼接为一个四通道的数据矩阵；
损伤识别模块，用于利用经过损伤识别训练后的车辆损伤检测模型对所述四通道的数据矩阵进行识别，并输出识别的损伤结果。
优选地，所述系统还包括：修复方案选择模块，用于根据预设的损伤结果与修复方案对应表，输出与所述损伤结果相对应的修复方案。
本发明还公开了一种计算机设备，包括存储器和处理器，所述存储器上存储有可被所述处理器执行的基于图像的车辆定损系统，所述系统被所述处理器执行时实现前述任一项所述的基于图像的车辆定损方法的步骤。
本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序指令，所述计算机程序指令可被至少一个处理器所执行，以使所述至少一个处理器执行前述任一项所述的基于图像的车辆定损方法的步骤。
本发明的积极进步效果在于：在对车辆的损伤程度进行图像识别时，彩色图像含有的信息不足以全面体现车辆的损伤情况，且易受干扰，而深度信息可以很好的补充描述车辆的变形性损伤情况，结合色彩和深度两种信息，大大提高了车辆损伤程度的分类精度。
附图说明
图1示出了本发明基于图像的车辆定损方法实施例一的流程图；
图2示出了本发明基于图像的车辆定损方法中所用车辆部位检测模型的训练的流程图；
图3示出了本发明基于图像的车辆定损方法中所用车辆损伤检测模型的训练的流程图；
图4示出了本发明基于图像的车辆定损方法实施例二的流程图；
图5示出了本发明电子装置中基于图像的车辆定损系统第一实施例的程序模块示意图；
图6示出了本发明电子装置中基于图像的车辆定损系统第二实施例的程序模块示意图；
图7示出了本发明计算机设备一实施例的硬件架构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
首先，本发明提出一种基于图像的车辆定损方法。
在实施例一中，如图1所示，所述的基于图像的车辆定损方法包括如下步骤：
步骤01：获取受损车辆的彩色图像和相对应的深度图像。
所谓彩色图像就是通常所说的RGB色彩图像，就是把一种颜色用RGB三个分量表达出来的图像，即图像中每个像素由R、G、B三个分量表示，每个通道取值范围0～255。数据类型一般为8位无符号整形。
RGB色彩模式是工业界的一种颜色标准，是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色系统之一。
所谓深度图像是包含与视点的场景对象的表面的距离有关的信息的图像或图像通道。深度图像类似于灰度图像，只是它的每个像素值是传感器距离物体的实际距离。
所述彩色图像和相对应的深度图像通过深度摄像头拍摄获得，而且获得的所述彩色图像和深度图像是配准的，因而像素点之间具有一对一的对应关系。
步骤02：利用经过部位训练后的车辆部位检测模型对所述彩色图像进行车辆部位识别，确认车辆各部位在所述彩色图像中的位置。
所述车辆部位检测模型一般可以基于深度卷积神经网络进行构建，模型通过训练，可以准确识别出彩色图像中车辆的各个部位。
如图2所示，所述车辆部位检测模型的训练具体包括以下步骤：
步骤021：使用深度摄像头获取若干车辆的彩色图像样本和相对应的深度图像样本，所述彩色图像样本和相对应的深度图像样本中包含至少一个车辆部件。
所述若干车辆优选各种颜色、各种型号，且对应车辆的各个部件都要有图像样本(彩色图像样本和相对应的深度图像样本通常为图像样本)用于车辆部位检测模型的训练，以使得车辆部位检测模型可以识别车辆的各个部位。每个图像样本中包含有一个或一个以上的车辆部件。
步骤022：在所述彩色图像样本中将车辆的各个部位用矩形框标注出来，并给各矩形框打上相应的部位类别标签。
这里所述各个部位是指车辆的左前门、右前门或前保险杠等等，用矩形框把左前门、右前门或前保险杠等单独标注出来。具体来说，如果一张图像样本同时包含有左前门和左后门，则即用一个矩形框框出左前门，再用另一个矩形框框出左后门，一个矩形框框出一个部位。
然后在框出的部位上打上相应的损伤类别标签，所述损伤类别标签具体可以是完好、轻微剐蹭(划痕、掉漆)、形变、严重变形等。
步骤023：将打标后的所述彩色图像样本作为基于深度卷积神经网络构建的车辆部位检测模型的输入，将对应打在各个矩形框上的部位类别标签作为输出，对所述车辆部位检测模型进行训练。
通过给车辆部位检测模型输入打标后的彩色图像样本，使得所述车辆部位检测模型各种车辆部位对应的图像。
步骤03：将识别出的车辆各部位在所述彩色图像中的位置的色彩信息以及对应在所述深度图像中的位置的深度信息拼接为一个四通道的数据矩阵。
如前述中所述，彩色图像是把一种颜色用RGB三个分量表达出来的图像，即彩色图像本身是可以生成一个三通道的数据矩阵，再加上深度图像中的深度信息，就可以生成一个四通道的数据矩阵。
也就是说，所述四通道的数据矩阵中的三通道表述的是所述彩色图像中的色彩信息；所述四通道的数据矩阵中的一通道表述的是所述深度图像中的深度信息。
步骤04：利用经过损伤识别训练后的车辆损伤检测模型对所述四通道的数据矩阵进行识别，并输出识别的损伤结果。
所述车辆损伤检测模型通过训练，可以识别出车辆各部位的损伤程度。
如图3所示，所述车辆损伤检测模型的训练具体包括以下步骤：
步骤041：使用深度摄像头获取若干车辆的彩色图像样本和相对应的深度图像样本，所述彩色图像样本和相对应的深度图像样本中包含至少一个车辆部件。
步骤042：在所述彩色图像样本中将车辆的各个部位用矩形框标注出来，并给各矩形框打上相应的损伤类别标签。
上述步骤041和步骤042同步骤021和步骤022，此处不再详细展开。
步骤043：将所述矩形框内的所述彩色图像的色彩信息以及对应的所述深度图像的深度信息拼接为一个四通道的数据矩阵。
通过将表征同一物体的色彩信息以及深度信息进行拼接，可以对所述物体实现更好地刻画，其中彩色信息对划痕、掉漆这种轻微剐蹭的刻画能力较好，而深度信息对形变类损伤的刻画能力较好。
步骤044：将打标后的所述四通道的数据矩阵作为基于深度卷积神经网络构建的车辆损伤检测模型的输入，将对应打在各个矩形框上的损伤类别标签作为输出，对所述车辆损伤检测模型进行训练。
通过给车辆损伤检测模型输入四通道的数据矩阵，使得所述车辆损伤检测模型可以更好地识别各类损伤对应的图像。
在实施例二中，基于实施例一的基础上，如图4所示，所述的基于图像的车辆定损方法包括如下步骤：
步骤01-步骤04同实施例一，此处不再赘述。
步骤05：根据预设的损伤结果与修复方案对应表，输出与所述损伤结果相对应的修复方案。
通过步骤05，在识别出损伤结果的基础上，进一步给出相应的修复方案。所述修复方案可以具体如下：损伤类别为完好对应修复方案为无需修复，损伤类别为轻微剐蹭对应修复方案为喷漆，损伤类别为形变对应修复方案为修复，损伤类别为严重变形对应修复方案为更换。
其次，本发明提出了一种电子装置，所述电子装置上存储有基于图像的车辆定损系统20，所述系统20可以被分割为一个或者多个程序模块。
例如，图5示出了所述基于图像的车辆定损系统20第一实施例的程序模块示意图，该实施例中，所述系统20可以被分割为拍摄模块201、位置识别模块202、信息拼接模块203和损伤识别模块204。其中，本发明所称的程序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基于图像的车辆定损系统20在所述电子装置2中的执行过程。以下描述将具体介绍所述程序模块201-204的具体功能。
所述拍摄模块201用于获取受损车辆的彩色图像和相对应的深度图像。
具体地，所述拍摄模块201可以是深度摄像头，通过所述深度摄像头拍摄获得的所述彩色图像和深度图像是配准的，因而像素点之间具有一对一的对应关系。
所谓彩色图像就是通常所说的RGB色彩图像，就是把一种颜色用RGB三个分量表达出来的图像，即图像中每个像素由R、G、B三个分量表示，每个通道取值范围0～255。数据类型一般为8位无符号整形。
RGB色彩模式是工业界的一种颜色标准，是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色系统之一。
所谓深度图像是包含与视点的场景对象的表面的距离有关的信息的图像或图像通道。深度图像类似于灰度图像，只是它的每个像素值是传感器距离物体的实际距离。
所述位置识别模块202用于利用经过部位训练后的车辆部位检测模型对所述彩色图像进行车辆部位识别，确认车辆各部位在所述彩色图像中的位置。
具体地，所述位置识别模块202可以是基于深度卷积神经网络进行构建的车辆部位检测模型，所述模型通过训练可以准确识别出彩色图像中车辆的各个部位。
所述车辆部位检测模型的训练具体包括以下步骤：
1、使用深度摄像头获取若干车辆的彩色图像样本和相对应的深度图像样本，所述彩色图像样本和相对应的深度图像样本中包含至少一个车辆部件。
所述若干车辆优选各种颜色、各种型号，且对应车辆的各个部件都要有图像样本(彩色图像样本和相对应的深度图像样本通常为图像样本)用于车辆部位检测模型的训练，以使得车辆部位检测模型可以识别车辆的各个部位。每个图像样本中包含有一个或一个以上的车辆部件。
2、在所述彩色图像样本中将车辆的各个部位用矩形框标注出来，并给各矩形框打上相应的部位类别标签以及损伤类别标签。
这里所述各个部位是指车辆的左前门、右前门或前保险杠等等，用矩形框把左前门、右前门或前保险杠等单独标注出来。具体来说，如果一张图像样本同时包含有左前门和左后门，则即用一个矩形框框出左前门，再用另一个矩形框框出左后门，一个矩形框框出一个部位。
然后在框出的部位上打上相应的损伤类别标签，所述损伤类别标签具体可以是完好、轻微剐蹭(划痕、掉漆)、形变、严重变形等。
3、将打标后的所述彩色图像样本输入基于深度卷积神经网络构建车辆部位检测模型中进行训练，所述车辆部位检测模型的输出为对应打在各个矩形框上的部位类别标签。
通过给车辆部位检测模型输入打标后的彩色图像样本，使得所述车辆部位检测模型各种车辆部位对应的图像。
所述信息拼接模块203用于将识别出的车辆各部位在所述彩色图像中的位置的色彩信息以及对应在所述深度图像中的位置的深度信息拼接为一个四通道的数据矩阵。
如前述中所述，彩色图像是把一种颜色用RGB三个分量表达出来的图像，即彩色图像本身是可以生成一个三通道的数据矩阵，再加上深度图像中的深度信息，就可以生成一个四通道的数据矩阵。
也就是说，所述四通道的数据矩阵中的三通道表述的是所述彩色图像中的色彩信息；所述四通道的数据矩阵中的一通道表述的是所述深度图像中的深度信息。
所述损伤识别模块204用于利用经过损伤识别训练后的车辆损伤检测模型对所述四通道的数据矩阵进行识别，并输出识别的损伤结果。
具体地，所述损伤识别模块204可以是基于深度卷积神经网络进行构建的车辆损伤检测模型，所述模型通过训练可以准确识别出用四通道的数据矩阵表征的图像中车辆各部位的损伤程度。
所述车辆损伤检测模型的训练具体包括以下步骤：
1、使用深度摄像头获取若干车辆的彩色图像样本和相对应的深度图像样本，所述彩色图像样本和相对应的深度图像样本中包含至少一个车辆部件。
2、在所述彩色图像样本中将车辆的各个部位用矩形框标注出来，并给各矩形框打上相应的部位类别标签以及损伤类别标签。
3、将所述矩形框内的所述彩色图像的色彩信息以及对应的所述深度图像的深度信息拼接为一个四通道的数据矩阵。
通过将表征同一物体的色彩信息以及深度信息进行拼接，可以对所述物体实现更好地刻画，其中彩色信息对划痕、掉漆这种轻微剐蹭的刻画能力较好，而深度信息对形变类损伤的刻画能力较好。
4、将所述四通道的数据矩阵输入基于深度卷积神经网络构建的车辆损伤检测模型中进行训练，所述车辆损伤检测模型的输出为对应打在所述矩形框上的损伤类别标签。
通过给车辆损伤检测模型输入四通道的数据矩阵，使得所述车辆损伤检测模型可以更好地识别各类损伤对应的图像。
又例如，图6示出了所述基于图像的车辆定损系统20第二实施例的程序模块示意图，该实施例中，所述基于图像的车辆定损系统20还可以被分割为拍摄模块201、位置识别模块202、信息拼接模块203、损伤识别模块204和修复方案选择模块205。
其中，程序模块201-204同第一实施例，此处不再赘述。
所述修复方案选择模块205用于根据预设的损伤结果与修复方案对应表，输出与所述损伤结果相对应的修复方案。
通过模块205，在模块204识别出损伤结果的基础上，进一步给出相应的修复方案。所述修复方案可以具体如下：损伤类别为完好对应修复方案为无需修复，损伤类别为轻微剐蹭对应修复方案为喷漆，损伤类别为形变对应修复方案为修复，损伤类别为严重变形对应修复方案为更换。
再次，本发明还提出来一种计算机设备。
参阅图7所示，是本发明计算机设备一实施例的硬件架构示意图。本实施例中，所述计算机设备2是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。例如，可以是智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图所示，所述计算机设备2至少包括，但不限于，可通过系统总线相互通信连接存储器21、处理器22、网络接口23、以及基于图像的车辆定损系统20。其中：
所述存储器21至少包括一种类型的计算机可读存储介质，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)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器21可以是所述计算机设备2的内部存储单元，例如该计算机设备2的硬盘或内存。在另一些实施例中，所述存储器21也可以是所述计算机设备2的外部存储设备，例如该计算机设备2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。当然，所述存储器21还可以既包括所述计算机设备2的内部存储单元也包括其外部存储设备。本实施例中，所述存储器21通常用于存储安装于所述计算机设备2的操作系统和各类应用软件，例如所述基于图像的车辆定损系统20的程序代码等。此外，所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述计算机设备2的总体操作，例如执行与所述计算机设备2进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据，例如运行所述的基于图像的车辆定损系统20等。
所述网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在所述计算机设备2与其他计算机设备之间建立通信连接。例如，所述网络接口23用于通过网络将所述计算机设备2与外部终端相连，在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication，GSM)、宽带码分多址(WidebandCode Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是，图7仅示出了具有组件21-23的计算机设备2，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。
在本实施例中，存储于存储器21中的所述基于图像的车辆定损系统20可以被一个或多个处理器(本实施例为处理器22)所执行，以完成以下步骤的操作：
步骤01：获取受损车辆的彩色图像和相对应的深度图像；
步骤02：利用经过部位训练后的车辆部位检测模型对所述彩色图像进行车辆部位识别，确认车辆各部位在所述彩色图像中的位置；
步骤03：将识别出的车辆各部位在所述彩色图像中的位置的色彩信息以及对应在所述深度图像中的位置的深度信息拼接为一个四通道的数据矩阵；
步骤04：利用经过损伤识别训练后的车辆损伤检测模型对所述四通道的数据矩阵进行识别，并输出识别的损伤结果。
在一实施例中，所述步骤还包括：
步骤05：根据预设的损伤结果与修复方案对应表，输出与所述损伤结果相对应的修复方案。
此外，本发明一种计算机可读存储介质，所述计算机可读存储介质为非易失性可读存储介质，其内存储有计算机程序指令，所述计算机程序指令可被至少一个处理器所执行，以实现上述基于图像的车辆定损方法或电子装置的操作。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种基于图像的车辆定损方法，其特征在于，包括以下步骤：
获取受损车辆的彩色图像和相对应的深度图像；
利用经过部位训练后的车辆部位检测模型对所述彩色图像进行车辆部位识别，确认车辆各部位在所述彩色图像中的位置；
将识别出的车辆各部位在所述彩色图像中的位置的色彩信息以及对应在所述深度图像中的位置的深度信息拼接为一个四通道的数据矩阵；
利用经过损伤识别训练后的车辆损伤检测模型对所述四通道的数据矩阵进行识别，并输出识别的损伤结果。
2.根据权利要求1所述的基于图像的车辆定损方法，其特征在于，所述彩色图像和相对应的深度图像通过深度摄像头拍摄获得。
3.根据权利要求1所述的基于图像的车辆定损方法，其特征在于，所述车辆部位检测模型的训练包括以下步骤：
使用深度摄像头获取若干车辆的彩色图像样本和相对应的深度图像样本，所述彩色图像样本和相对应的深度图像样本中包含至少一个车辆部件；
在所述彩色图像样本中将车辆的各个部位用矩形框标注出来，并给各矩形框打上相应的部位类别标签；
将打标后的所述彩色图像样本作为基于深度卷积神经网络构建的车辆部位检测模型的输入，将对应打在各个矩形框上的部位类别标签作为输出，对所述车辆部位检测模型进行训练。
4.根据权利要求1所述的基于图像的车辆定损方法，其特征在于，所述四通道的数据矩阵中的三通道表述的是所述彩色图像中的色彩信息；所述四通道的数据矩阵中的一通道表述的是所述深度图像中的深度信息。
5.根据权利要求1所述的基于图像的车辆定损方法，其特征在于，所述车辆损伤检测模型的训练包括以下步骤：
使用深度摄像头获取若干车辆的彩色图像样本和相对应的深度图像样本，所述彩色图像样本和相对应的深度图像样本中包含至少一个车辆部件；
在所述彩色图像样本中将车辆的各个部位用矩形框标注出来，并给各矩形框打上相应的损伤类别标签；
将所述矩形框内的所述彩色图像的色彩信息以及对应的所述深度图像的深度信息拼接为一个四通道的数据矩阵；
将打标后的所述四通道的数据矩阵作为基于深度卷积神经网络构建的车辆损伤检测模型的输入，将对应打在各个矩形框上的损伤类别标签作为输出，对所述车辆损伤检测模型进行训练。
6.根据权利要求1所述的基于图像的车辆定损方法，其特征在于，还包括以下步骤：根据预设的损伤结果与修复方案对应表，输出与所述损伤结果相对应的修复方案。
7.一种电子装置，其特征在于，所述电子装置上存储有基于图像的车辆定损系统，所述基于图像的车辆定损系统包括：
拍摄模块，用于获取受损车辆的彩色图像和相对应的深度图像；
位置识别模块，用于利用经过部位训练后的车辆部位检测模型对所述彩色图像进行车辆部位识别，确认车辆各部位在所述彩色图像中的位置；
信息拼接模块，用于将识别出的车辆各部位在所述彩色图像中的位置的色彩信息以及对应在所述深度图像中的位置的深度信息拼接为一个四通道的数据矩阵；
损伤识别模块，用于利用经过损伤识别训练后的车辆损伤检测模型对所述四通道的数据矩阵进行识别，并输出识别的损伤结果。
8.根据权利要求7所述的电子装置，其特征在于，所述系统还包括：
修复方案选择模块，用于根据预设的损伤结果与修复方案对应表，输出与所述损伤结果相对应的修复方案。
9.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器上存储有可被所述处理器执行的基于图像的车辆定损系统，所述系统被所述处理器执行时实现如权利要求1-6中任一项所述的基于图像的车辆定损方法的步骤。
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内存储有计算机程序指令，所述计算机程序指令可被至少一个处理器所执行，以使所述至少一个处理器执行如权利要求1-6中任一项所述的基于图像的车辆定损方法的步骤。
CN201811081289.9A 2018-09-17 2018-09-17 基于图像的车辆定损方法、装置、设备及存储介质 Withdrawn CN109325531A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811081289.9A CN109325531A (zh) 2018-09-17 2018-09-17 基于图像的车辆定损方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811081289.9A CN109325531A (zh) 2018-09-17 2018-09-17 基于图像的车辆定损方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN109325531A true CN109325531A (zh) 2019-02-12

Family

ID=65265550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811081289.9A Withdrawn CN109325531A (zh) 2018-09-17 2018-09-17 基于图像的车辆定损方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN109325531A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135437A (zh) * 2019-05-06 2019-08-16 北京百度网讯科技有限公司 用于车辆的定损方法、装置、电子设备和计算机存储介质
CN110276258A (zh) * 2019-05-21 2019-09-24 智慧互通科技有限公司 一种识别车辆外观的方法及系统
CN110598880A (zh) * 2019-09-12 2019-12-20 神华铁路货车运输有限责任公司沧州机车车辆维修分公司 一种车辆维修工艺操控方法
CN111123853A (zh) * 2019-11-25 2020-05-08 浙江明泉工业涂装有限公司 一种对汽车内表面喷涂检测与补救的机器人的控制方法
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
CN111553268A (zh) * 2020-04-27 2020-08-18 深圳壹账通智能科技有限公司 车辆部件识别方法、装置、计算机设备和存储介质
CN111753658A (zh) * 2020-05-20 2020-10-09 高新兴科技集团股份有限公司 一种睡岗告警方法、装置和计算机设备
CN112037211A (zh) * 2020-09-04 2020-12-04 中国空气动力研究与发展中心超高速空气动力研究所 一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法
CN112435209A (zh) * 2019-08-08 2021-03-02 武汉东湖大数据交易中心股份有限公司 一种图像大数据采集和处理系统
WO2021135499A1 (zh) * 2020-06-08 2021-07-08 平安科技（深圳）有限公司 损伤检测模型训练、车损检测方法、装置、设备及介质
CN113705351A (zh) * 2021-07-28 2021-11-26 中国银行保险信息技术管理有限公司 车辆定损方法、装置及设备
CN117557221A (zh) * 2023-11-17 2024-02-13 德联易控科技(北京)有限公司 一种车辆损伤报告的生成方法、装置、设备和可读介质

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135437A (zh) * 2019-05-06 2019-08-16 北京百度网讯科技有限公司 用于车辆的定损方法、装置、电子设备和计算机存储介质
US11538286B2 (en) 2019-05-06 2022-12-27 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for vehicle damage assessment, electronic device, and computer storage medium
CN110276258A (zh) * 2019-05-21 2019-09-24 智慧互通科技有限公司 一种识别车辆外观的方法及系统
CN112435209A (zh) * 2019-08-08 2021-03-02 武汉东湖大数据交易中心股份有限公司 一种图像大数据采集和处理系统
CN110598880A (zh) * 2019-09-12 2019-12-20 神华铁路货车运输有限责任公司沧州机车车辆维修分公司 一种车辆维修工艺操控方法
CN110598880B (zh) * 2019-09-12 2022-04-19 神华铁路货车运输有限责任公司沧州机车车辆维修分公司 一种车辆维修工艺操控方法
CN111123853A (zh) * 2019-11-25 2020-05-08 浙江明泉工业涂装有限公司 一种对汽车内表面喷涂检测与补救的机器人的控制方法
CN111123853B (zh) * 2019-11-25 2021-05-14 浙江明泉工业涂装有限公司 一种对汽车内表面喷涂检测与补救的机器人的控制方法
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
WO2021143063A1 (zh) * 2020-01-13 2021-07-22 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
CN111553268A (zh) * 2020-04-27 2020-08-18 深圳壹账通智能科技有限公司 车辆部件识别方法、装置、计算机设备和存储介质
CN111753658A (zh) * 2020-05-20 2020-10-09 高新兴科技集团股份有限公司 一种睡岗告警方法、装置和计算机设备
WO2021135499A1 (zh) * 2020-06-08 2021-07-08 平安科技（深圳）有限公司 损伤检测模型训练、车损检测方法、装置、设备及介质
CN112037211A (zh) * 2020-09-04 2020-12-04 中国空气动力研究与发展中心超高速空气动力研究所 一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法
CN112037211B (zh) * 2020-09-04 2022-03-25 中国空气动力研究与发展中心超高速空气动力研究所 一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法
CN113705351A (zh) * 2021-07-28 2021-11-26 中国银行保险信息技术管理有限公司 车辆定损方法、装置及设备
CN113705351B (zh) * 2021-07-28 2024-05-14 中国银行保险信息技术管理有限公司 车辆定损方法、装置及设备
CN117557221A (zh) * 2023-11-17 2024-02-13 德联易控科技(北京)有限公司 一种车辆损伤报告的生成方法、装置、设备和可读介质

Similar Documents

Publication Publication Date Title
CN109325531A (zh) 基于图像的车辆定损方法、装置、设备及存储介质
CN106778583B (zh) 基于卷积神经网络的车辆属性识别方法与装置
CN103413147B (zh) 一种车牌识别方法和系统
CN106446949B (zh) 一种车辆型号识别方法及装置
CN109002820A (zh) 一种车牌识别方法、装置及相关设备
CN110728283A (zh) 一种车牌类型识别方法及设备
US10949687B2 (en) Method and apparatus for outputting information
CN110766033B (zh) 图像处理方法、装置、电子设备及存储介质
CN108229468A (zh) 车辆外观特征识别及车辆检索方法、装置、存储介质、电子设备
CN110580475A (zh) 基于无人机巡检的线路诊断方法、电子装置及存储介质
CN110287889A (zh) 一种身份识别的方法及装置
CN107480676B (zh) 一种车辆颜色识别方法、装置和电子设备
CN111291812B (zh) 属性类别的获取方法及装置、存储介质、电子装置
CN106845321A (zh) 路面标记信息的处理方法和装置
CN112052850A (zh) 车牌识别方法、装置、电子设备及存储介质
CN108596119A (zh) 射频识别与视频识别匹配方法及系统、设备、存储介质
CN110399880A (zh) 一种车牌字符及车牌类别的识别方法、装置及设备
CN110738164A (zh) 零件异常检测方法、模型训练方法及装置
CN106599967A (zh) 安检物品定位的标签和安检物品定位的方法
CN109740609A (zh) 一种轨距检测方法及装置
CN110378254B (zh) 车损图像修改痕迹的识别方法、系统、电子设备及存储介质
CN105426863A (zh) 检测车道线的方法和装置
CN108648210B (zh) 一种静态复杂场景下快速多目标检测方法及装置
CN112465031B (zh) 数据分类方法、装置以及计算机可读存储介质
CN110414375A (zh) 低空目标的识别方法、装置、存储介质及电子设备

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20190212

WW01 Invention patent application withdrawn after publication