CN110349124A - 车辆外观损伤智能检测方法、装置及计算机可读存储介质 - Google Patents

车辆外观损伤智能检测方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN110349124A
CN110349124A CN201910519165.2A CN201910519165A CN110349124A CN 110349124 A CN110349124 A CN 110349124A CN 201910519165 A CN201910519165 A CN 201910519165A CN 110349124 A CN110349124 A CN 110349124A
Authority
CN
China
Prior art keywords
vehicle appearance
image
damage
image set
intelligent measurement
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
Application number
CN201910519165.2A
Other languages
English (en)
Inventor
王健宗
彭俊清
瞿晓阳
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 CN201910519165.2A priority Critical patent/CN110349124A/zh
Publication of CN110349124A publication Critical patent/CN110349124A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种人工智能技术，揭露了一种车辆外观损伤智能检测方法，包括：接收含有车辆外观损伤的图像集，对所述含有车辆外观损伤的图像集进行预处理操作，得到样本图像集，利用所述样本图像集对预先构建的车辆外观损伤智能检测模型进行训练，得到训练后的所述车辆外观损伤智能检测模型，通过测试样本的车辆外观图像集对训练后的所述车辆外观损伤智能检测模型进行测试，得到测试结果，并识别出所述测试样本的车辆外观图像集是否出现损伤。本发明还提出一种车辆外观损伤智能检测装置以及一种计算机可读存储介质。本发明实现了车辆外观损伤的检测。

Description

车辆外观损伤智能检测方法、装置及计算机可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种车辆外观损伤智能检测方法、装置及计算机可读存储介质。
背景技术
车险报案时，需要对车辆损伤进行检验。目前对于车辆外观损伤检测，主要通过基于数字图像处理技术以及人工现场勘测的方法进行检测，但由于传统数字图像处理方法非常依赖算法设计者的经验，导致检测精度不高，效率低下，同时基于人工现场勘测方法会带来用人成本的增加。
发明内容
本发明提供一种车辆外观损伤智能检测方法、装置及计算机可读存储介质，其主要目的在于对车辆外观图像进行损伤检测时，给用户呈现出精确的检测结果。
为实现上述目的，本发明提供的一种车辆外观损伤智能检测方法，包括：
获取含有车辆外观损伤的图像组成的图像集，对所述图像集进行预处理操作，得到样本图像集，并将所述样本图像集划分为训练样本图像集、验证样本图像集，存入数据库中；
构建车辆外观损伤智能检测模型，利用所述训练样本图像集对所述车辆外观损伤智能检测模型进行训练，得到训练值，通过所述车辆外观损伤智能检测模型的损失层计算出所述训练值的损失函数值，当所述损失函数值小于第一预设阈值时，利用所述验证样本图像集对所述车辆外观损伤智能检测模型进行交叉验证，得到交叉验证的精确值，当所述交叉验证的精确值大于第二预设阈值时，完成所述车辆外观损伤智能检测模型的训练；
接收待测试的车辆外观图像集对训练后的所述车辆外观损伤智能检测模型进行测试，得到测试结果，并根据所述测试结果识别出所述测试样本的车辆外观图像集是否出现损伤。
可选地，所述预处理操作包括：
通过一个预设尺寸大小的窗口，并按照预设的距离对所述图像集进行平移，将所述窗口包含的内容剪裁下来，得到小图像；
对所述小图像进行筛选，得到正图像集、负图像集以及疑义图像集，将所述疑义样本图像集舍弃，对正负图像集建立正负标签，其中，所述正图像集为损伤很明显的小图像，疑义图像集为损伤信息不明显的小图像，负图像集则为没有损伤的小图像。
可选地，所述预处理操作还包括：
对所述正负图像集进行图像灰度化处理，得到灰色图像集，利用波谷阈值分割法对所述灰色图像集进行背景过滤处理，得到所述样本图像集。
可选地，所述利用所述训练样本图像集对所述车辆外观损伤智能检测模型进行训练，得到训练值，通过所述车辆外观损伤智能检测模型的损失层计算出所述训练值的损失函数值，包括：
创建包括卷积神经网络的车辆外观损伤智能检测模型，其中，所述卷积神经网络包括卷积层、池化层、全连接层以及损失层；
通过所述卷积层和池化层对所述训练样本图像集进行特征提取，得到特征向量，通过所述全连接层识别出所述特征向量是否含有损伤的车辆外观图像集，得到训练值，并将所述训练值输入至所述损失层中；
利用所述损失层的损失函数计算出所述训练值的损失函数值。
可选地，所述损失函数包括：
其中，Oj表示所述车辆外观损伤智能检测模型输出层第j个神经元的车辆损伤图像输出值，Ij表示所述车辆外观损伤智能检测模型输出层第j个神经元的输入值，t表示所述输出层神经元的总量，e为无限不循环小数，Loss表示损失函数值。
此外，为实现上述目的，本发明还提供一种车辆外观损伤智能检测装置，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车辆外观损伤智能检测程序，所述车辆外观损伤智能检测程序被所述处理器执行时实现如下步骤：
获取含有车辆外观损伤的图像组成的图像集，对所述图像集进行预处理操作，得到样本图像集，并将所述样本图像集划分为训练样本图像集、验证样本图像集，存入数据库中；
构建车辆外观损伤智能检测模型，利用所述训练样本图像集对所述车辆外观损伤智能检测模型进行训练，得到训练值，通过所述车辆外观损伤智能检测模型的损失层计算出所述训练值的损失函数值，当所述损失函数值小于第一预设阈值时，利用所述验证样本图像集对所述车辆外观损伤智能检测模型进行交叉验证，得到交叉验证的精确值，当所述交叉验证的精确值大于第二预设阈值时，完成所述车辆外观损伤智能检测模型的训练；
接收待测试的车辆外观图像集对训练后的所述车辆外观损伤智能检测模型进行测试，得到测试结果，并根据所述测试结果识别出所述测试样本的车辆外观图像集是否出现损伤。
可选地，所述预处理操作包括：
通过一个预设尺寸大小的窗口，并按照预设的距离对所述图像集进行平移，将所述窗口包含的内容剪裁下来，得到小图像；
对所述小图像进行筛选，得到正图像集、负图像集以及疑义图像集，将所述疑义样本图像集舍弃，对正负图像集建立正负标签，其中，所述正图像集为损伤很明显的小图像，疑义图像集为损伤信息不明显的小图像，负图像集则为没有损伤的小图像。
可选地，所述预处理操作还包括：
对所述正负图像集进行图像灰度化处理，得到灰色图像集，利用波谷阈值分割法对所述灰色图像集进行背景过滤处理，得到所述样本图像集。
可选地，所述利用所述训练样本图像集对所述车辆外观损伤智能检测模型进行训练，得到训练值，通过所述车辆外观损伤智能检测模型的损失层计算出所述训练值的损失函数值，包括：
创建包括卷积神经网络的车辆外观损伤智能检测模型，其中，所述卷积神经网络包括卷积层、池化层、全连接层以及损失层；
通过所述卷积层和池化层对所述训练样本图像集进行特征提取，得到特征向量，通过所述全连接层识别出所述特征向量是否含有损伤的车辆外观图像集，得到训练值，并将所述训练值输入至所述损失层中；
利用所述损失层的损失函数计算出所述训练值的损失函数值。
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车辆外观损伤智能检测程序，所述车辆外观损伤智能检测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外观损伤智能检测方法的步骤。
本发明提出的车辆外观损伤智能检测方法、装置及计算机可读存储介质，在进行车辆外观图像损伤检测时，对待检测的车辆外观图像进行预处理操作后输入至训练好的车辆外观损伤智能检测模型中，得到测试结果，识别出所述待检测的车辆外观图像是否出现损伤，可以给用户呈现出精确的检测结果。
附图说明
图1为本发明一实施例提供的车辆外观损伤智能检测方法的流程示意图；
图2为本发明一实施例提供的车辆外观损伤智能检测装置的内部结构示意图；
图3为本发明一实施例提供的车辆外观损伤智能检测装置中车辆外观损伤智能检测程序的模块示意图。
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
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外观损伤智能检测方法。参照图1所示，为本发明一实施例提供的车辆外观损伤智能检测方法的流程示意图。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，车辆外观损伤智能检测方法包括：
S1、获取含有车辆外观损伤的图像组成的图像集，对所述图像集进行预处理操作，得到样本图像集，并将所述样本图像集划分为训练样本图像集、验证样本图像集，存入数据库中。
本发明较佳实施例中，所述含有车辆外观损伤的图像组成的图像集通过以下两种方式获取：方式一、通过从事车辆保险行业的企业数据库获取，例如，中国平安的车辆数据库；方式二、从交通局的数据库中获取得到。本发明较佳实施例中，所述预处理操作包括滑窗操作和自适应阈值分割操作。
所述滑窗操作包括：以一个预设尺寸大小的窗口，按照预设的距离在图像上平移，将窗口所包含的内容裁剪出来，得到小图像。
本发明较佳实施例从所述小图像中筛选出正图像集、负图像集以及疑义图像集，并将所述疑义样本图像集舍弃，对正负图像集建立正负标签，形成标签数据集。其中，所述正图像集为损伤很明显的小图像，疑义图像集为损伤信息不明显的小图像，负图像集则为没有损伤的小图像。
进一步地，本发明较佳实施例通过对所述正负图像集进行图像灰度化处理，得到灰色图像集，利用波谷阈值分割法对所述灰色图像集进行背景过滤处理，得到所述样本图像集。其中，所述图像灰度化处理以及背景过滤处理具体操作步骤如下所示：
a、图像灰度化处理：
所述图像灰度化处理是将彩色图像转换为灰阶图像。灰度图像的亮度信息完全能够表达图像的整体和局部的特征，并且对图像进行灰度化处理之后可以大大降低后续工作的计算量。
本发明较佳实施例中，所述图像灰度化处理的方法是将图像像素点的R、G、B分量转换为YUV的颜色空间的Y分量，即亮度值，所述Y分量的计算方法如下式所示:
Y＝0.3R+0.59G+0.11B
其中R、G、B分别是RGB色彩模式中图像像素点的R、G、B值。
b、波谷阈值分割处理：
本发明中含有损伤的正图像灰度分布有一个很明显的特点：正图像的灰度分布存在连接成线的波谷点，灰度值小于所述波谷点的灰度值的部分对应损伤像素，灰度值大于所述波谷点的灰度值的部分对应非损伤像素。本发明较佳实施例通过波谷阈值分割来滤除背景。
详细地，本发明较佳实施例中，若当前图像有符合条件的波谷点，则将小于波谷像素值的所有像素值不变，大于波谷像素值的所有像素值设置为全白；若当前图像没有符合条件的波谷点，则判定该图像为不含损伤的图像，整个图像置为全白。
优选地，所述波谷点计算方式如下：
统计小图像的灰度分布图f(xi)，并逐点扫描所述灰度分布图，若存在一点xi，满足下式：
f(xi)-f(xi-1)＜0
f(xi)-f(xi+1)＞0
则该点是一个波谷点，保存该点(xi,f(xi))。
进一步地，本发明较佳实施例将所述样本图像集划分为训练样本图像集、验证样本图像集。其中所述训练样本图像集提供建立训练模型的样本，验证样本图像集在训练样本图像集时进行交叉验证，用于对模型进行评估。优选地，本发明中所述数据库为Oracle数据库。
S2、构建车辆外观损伤智能检测模型，利用所述训练样本图像集对所述车辆外观损伤智能检测模型进行训练，得到训练值，通过所述车辆外观损伤智能检测模型的损失层计算出所述训练值的损失函数值，当所述损失函数值小于第一预设阈值时，利用所述验证样本图像集对所述车辆外观损伤智能检测模型进行交叉验证，得到交叉验证的精确值，当所述交叉验证的精确值大于第二预设阈值时，完成所述车辆外观损伤智能检测模型的训练。
本发明较佳实施例中所述车辆外观损伤智能检测模型包括卷积神经网络，其中，所述卷积神经网络包括卷积层、池化层、全连接层以及损失层。j进一步地，本发明通过所述卷积层和池化层对所述训练样本图像集进行特征提取，得到特征向量，通过所述全连接层识别出所述特征向量是否含有损伤的车辆外观图像集，得到训练值，并将所述训练值输入至所述损失层中；利用所述损失层的损失函数计算出所述训练值的损失函数值。优选地，本发明较佳实施例中，所述第一预设阈值为0.01。
详细地，本发明较佳实施例通过三个卷积层和两个池化层提取所述训练样本图像集的特征，其中，所述卷积层和池化层的单位幅值为2并采用最大值池化，通过三层卷积层之后得到特征向量，进入全连接层，并利用所述全连接层分布式特征表示映射到样本标记空间，结合学习到的损伤的各个特征，从而得到是否有损伤的车辆外观图像特征。其中，全连接层之后进入损失层，即loss层，所述损失层通过比较输出和目标的差值并最小化代价来驱动学习。
进一步地，本发明较佳实施例中，所述损失函数包括：
其中，Oj表示所述车辆外观损伤智能检测模型输出层第j个神经元的车辆损伤图像输出值，Ij表示所述车辆外观损伤智能检测模型输出层第j个神经元的输入值，t表示所述输出层神经元的总量，e为无限不循环小数，Loss表示损失函数值。
进一步地，本发明较佳实施例还包括通过反向梯度算法不断减小所述损失函数值。本发明中，所述反向梯度算法为SGD随机梯度下降法。所述SGD随机梯度下降法利用负梯度和上一次权重值Vt的线性组合来更新权重W。学习率α是负梯度的权重，而动量u是一次更新值Vt的权重，根据上一次的权重值Vt和当前权重Wt来计算本次的权重值Vt+1和权重Wt+1：
Wt+1＝Wt+Vt+1
其中为负梯度，μ为动量，α为学习率，Vt为上一次权重值，Vt+1为本次的权重值，Wt为上一次权重，Wt+1为本次的权重。
进一步地，本发明利用所述验证样本图像集进行交叉验证，对所述车辆外观损伤智能检测模型进行评估。本发明较佳实施例通过预设每迭代训练n次，如500次，便交叉验证一次，在验证过程中记录下输出的交叉验证的精确值，当所述交叉验证的精确值大于第二预设阈值时，此时退出训练，完成所述图像损失检测模型的训练。优选地，本发明中所述第二预设阈值为0.97。
S3、接收待测试的车辆外观图像集对训练后的所述车辆外观损伤智能检测模型进行测试，得到测试结果，并根据所述测试结果识别出所述测试样本的车辆外观图像集是否出现损伤。
本发明较佳实施例通过对所述待测试车辆外观图像集进行滑窗和自适应阈值分割处理，得到待测试车辆外观的小图像集，根据所述训练后的车辆外观损伤智能检测模型检测出所述待测试车辆外观的小图像集是否有出现损伤，并将所述待测试车辆外观的小图像集的结果映射回对应的测试车辆外观图像，识别出所述测试车辆外观图像是否出现损伤，当检测出小图像集出现损伤时，判断出所述测试车辆外观图像有损伤，当检测出所述小图像集没有损伤时，判断出所述样本车辆外观图像没有损伤。
发明还提供一种车辆外观损伤智能检测装置。参照图2所示，为本发明一实施例提供的车辆外观损伤智能检测装置的内部结构示意图。
在本实施例中，所述车辆外观损伤智能检测装置1可以是PC(Personal Computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。该车辆外观损伤智能检测装置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外观损伤智能检测装置1的内部存储单元，例如该车辆外观损伤智能检测装置1的硬盘。存储器11在另一些实施例中也可以是车辆外观损伤智能检测装置1的外部存储设备，例如车辆外观损伤智能检测装置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，存储器11还可以既包括车辆外观损伤智能检测装置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外观损伤智能检测装置1的应用软件及各类数据，例如车辆外观损伤智能检测程序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，例如执行车辆外观损伤智能检测程序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建立通信连接。
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，用于显示在车辆外观损伤智能检测装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及车辆外观损伤智能检测程序01的车辆外观损伤智能检测装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对车辆外观损伤智能检测装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的装置1实施例中，存储器11中存储有车辆外观损伤智能检测程序01；处理器12执行存储器11中存储的车辆外观损伤智能检测程序01时实现如下步骤：
步骤一、获取含有车辆外观损伤的图像组成的图像集，对所述图像集进行预处理操作，得到样本图像集，并将所述样本图像集划分为训练样本图像集、验证样本图像集，存入数据库中。
本发明较佳实施例中，所述含有车辆外观损伤的图像组成的图像集通过以下两种方式获取：方式一、通过从事车辆保险行业的企业数据库获取，例如，中国平安的车辆数据库；方式二、从交通局的数据库中获取得到。本发明较佳实施例中，所述预处理操作包括滑窗操作和自适应阈值分割操作。
所述滑窗操作包括：以一个预设尺寸大小的窗口，按照预设的距离在图像上平移，将窗口所包含的内容裁剪出来，得到小图像。
本发明较佳实施例从所述小图像中筛选出正图像集、负图像集以及疑义图像集，并将所述疑义样本图像集舍弃，对正负图像集建立正负标签，形成标签数据集。其中，所述正图像集为损伤很明显的小图像，疑义图像集为损伤信息不明显的小图像，负图像集则为没有损伤的小图像。
进一步地，本发明较佳实施例通过对所述正负图像集进行图像灰度化处理，得到灰色图像集，利用波谷阈值分割法对所述灰色图像集进行背景过滤处理，得到所述样本图像集。其中，所述图像灰度化处理以及背景过滤处理具体操作步骤如下所示：
a、图像灰度化处理：
所述图像灰度化处理是将彩色图像转换为灰阶图像。灰度图像的亮度信息完全能够表达图像的整体和局部的特征，并且对图像进行灰度化处理之后可以大大降低后续工作的计算量。
本发明较佳实施例中，所述图像灰度化处理的方法是将图像像素点的R、G、B分量转换为YUV的颜色空间的Y分量，即亮度值，所述Y分量的计算方法如下式所示:
Y＝0.3R+0.59G+0.11B
其中R、G、B分别是RGB色彩模式中图像像素点的R、G、B值。
b、波谷阈值分割处理：
本发明中含有损伤的正图像灰度分布有一个很明显的特点：正图像的灰度分布存在连接成线的波谷点，灰度值小于所述波谷点的灰度值的部分对应损伤像素，灰度值大于所述波谷点的灰度值的部分对应非损伤像素。本发明较佳实施例通过波谷阈值分割来滤除背景。
详细地，本发明较佳实施例中，若当前图像有符合条件的波谷点，则将小于波谷像素值的所有像素值不变，大于波谷像素值的所有像素值设置为全白；若当前图像没有符合条件的波谷点，则判定该图像为不含损伤的图像，整个图像置为全白。
优选地，所述波谷点计算方式如下：
统计小图像的灰度分布图f(xi)，并逐点扫描所述灰度分布图，若存在一点xi，满足下式：
f(xi)-f(xi-1)＜0
f(xi)-f(xi+1)＞0
则该点是一个波谷点，保存该点(xi,f(xi))。
进一步地，本发明较佳实施例将所述样本图像集划分为训练样本图像集、验证样本图像集。其中所述训练样本图像集提供建立训练模型的样本，验证样本图像集在训练样本图像集时进行交叉验证，用于对模型进行评估。优选地，本发明中所述数据库为Oracle数据库。
步骤二、构建车辆外观损伤智能检测模型，利用所述训练样本图像集对所述车辆外观损伤智能检测模型进行训练，得到训练值，通过所述车辆外观损伤智能检测模型的损失层计算出所述训练值的损失函数值，当所述损失函数值小于第一预设阈值时，利用所述验证样本图像集对所述车辆外观损伤智能检测模型进行交叉验证，得到交叉验证的精确值，当所述交叉验证的精确值大于第二预设阈值时，完成所述车辆外观损伤智能检测模型的训练。
本发明较佳实施例中所述车辆外观损伤智能检测模型包括卷积神经网络，其中，所述卷积神经网络包括卷积层、池化层、全连接层以及损失层。j进一步地，本发明通过所述卷积层和池化层对所述训练样本图像集进行特征提取，得到特征向量，通过所述全连接层识别出所述特征向量是否含有损伤的车辆外观图像集，得到训练值，并将所述训练值输入至所述损失层中；利用所述损失层的损失函数计算出所述训练值的损失函数值。优选地，本发明较佳实施例中，所述第一预设阈值为0.01。
详细地，本发明较佳实施例通过三个卷积层和两个池化层提取所述训练样本图像集的特征，其中，所述卷积层和池化层的单位幅值为2并采用最大值池化，通过三层卷积层之后得到特征向量，进入全连接层，并利用所述全连接层分布式特征表示映射到样本标记空间，结合学习到的损伤的各个特征，从而得到是否有损伤的车辆外观图像特征。其中，全连接层之后进入损失层，即loss层，所述损失层通过比较输出和目标的差值并最小化代价来驱动学习。
进一步地，本发明较佳实施例中，所述损失函数包括：
其中，Oj表示所述车辆外观损伤智能检测模型输出层第j个神经元的车辆损伤图像输出值，Ij表示所述车辆外观损伤智能检测模型输出层第j个神经元的输入值，t表示所述输出层神经元的总量，e为无限不循环小数，Loss表示损失函数值。
进一步地，本发明较佳实施例还包括通过反向梯度算法不断减小所述损失函数值。本发明中，所述反向梯度算法为SGD随机梯度下降法。所述SGD随机梯度下降法利用负梯度和上一次权重值Vt的线性组合来更新权重W。学习率α是负梯度的权重，而动量u是一次更新值Vt的权重，根据上一次的权重值Vt和当前权重Wt来计算本次的权重值Vt+1和权重Wt+1：
Wt+1＝Wt+Vt+1
其中为负梯度，μ为动量，α为学习率，Vt为上一次权重值，Vt+1为本次的权重值，Wt为上一次权重，Wt+1为本次的权重。
进一步地，本发明利用所述验证样本图像集进行交叉验证，对所述车辆外观损伤智能检测模型进行评估。本发明较佳实施例通过预设每迭代训练n次，如500次，便交叉验证一次，在验证过程中记录下输出的交叉验证的精确值，当所述交叉验证的精确值大于第二预设阈值时，此时退出训练，完成所述图像损失检测模型的训练。优选地，本发明中所述第二预设阈值为0.97。
步骤三、接收待测试的车辆外观图像集对训练后的所述车辆外观损伤智能检测模型进行测试，得到测试结果，并根据所述测试结果识别出所述测试样本的车辆外观图像集是否出现损伤。
本发明较佳实施例通过对所述待测试车辆外观图像集进行滑窗和自适应阈值分割处理，得到待测试车辆外观的小图像集，根据所述训练后的车辆外观损伤智能检测模型检测出所述待测试车辆外观的小图像集是否有出现损伤，并将所述待测试车辆外观的小图像集的结果映射回对应的测试车辆外观图像，识别出所述测试车辆外观图像是否出现损伤，当检测出小图像集出现损伤时，判断出所述测试车辆外观图像有损伤，当检测出所述小图像集没有损伤时，判断出所述样本车辆外观图像没有损伤。
可选地，在其他实施例中，车辆外观损伤智能检测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，用于描述车辆外观损伤智能检测程序在车辆外观损伤智能检测装置中的执行过程。
例如，参照图3所示，为本发明车辆外观损伤智能检测装置一实施例中的车辆外观损伤智能检测程序的程序模块示意图，该实施例中，所述车辆外观损伤智能检测程序可以被分割为图像预处理模块10、模型训练模块20以及识别模块30，示例性地：
所述图像预处理模块10用于：获取含有车辆外观损伤的图像组成的图像集，对所述图像集进行预处理操作，得到样本图像集，并将所述样本图像集划分为训练样本图像集、验证样本图像集，存入数据库中。
所述模型训练模块20用于：构建车辆外观损伤智能检测模型，利用所述训练样本图像集对所述车辆外观损伤智能检测模型进行训练，得到训练值，通过所述车辆外观损伤智能检测模型的损失层计算出所述训练值的损失函数值，当所述损失函数值小于第一预设阈值时，利用所述验证样本图像集对所述车辆外观损伤智能检测模型进行交叉验证，得到交叉验证的精确值，当所述交叉验证的精确值大于第二预设阈值时，完成所述车辆外观损伤智能检测模型的训练。
所述识别模块30用于：接收待测试的车辆外观图像集对训练后的所述车辆外观损伤智能检测模型进行测试，得到测试结果，并根据所述测试结果识别出所述测试样本的车辆外观图像集是否出现损伤。
上述图像预处理模块10、模型训练模块20以及识别模块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车辆外观损伤智能检测程序，所述车辆外观损伤智能检测程序可被一个或多个处理器执行，以实现如下操作：
获取含有车辆外观损伤的图像组成的图像集，对所述图像集进行预处理操作，得到样本图像集，并将所述样本图像集划分为训练样本图像集、验证样本图像集，存入数据库中；
构建车辆外观损伤智能检测模型，利用所述训练样本图像集对所述车辆外观损伤智能检测模型进行训练，得到训练值，通过所述车辆外观损伤智能检测模型的损失层计算出所述训练值的损失函数值，当所述损失函数值小于第一预设阈值时，利用所述验证样本图像集对所述车辆外观损伤智能检测模型进行交叉验证，得到交叉验证的精确值，当所述交叉验证的精确值大于第二预设阈值时，完成所述车辆外观损伤智能检测模型的训练；
接收待测试的车辆外观图像集对训练后的所述车辆外观损伤智能检测模型进行测试，得到测试结果，并根据所述测试结果识别出所述测试样本的车辆外观图像集是否出现损伤。
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)

1.一种车辆外观损伤智能检测方法，其特征在于，所述方法包括：
获取含有车辆外观损伤的图像组成的图像集，对所述图像集进行预处理操作，得到样本图像集，并将所述样本图像集划分为训练样本图像集、验证样本图像集，存入数据库中；
构建车辆外观损伤智能检测模型，利用所述训练样本图像集对所述车辆外观损伤智能检测模型进行训练，得到训练值，通过所述车辆外观损伤智能检测模型的损失层计算出所述训练值的损失函数值，当所述损失函数值小于第一预设阈值时，利用所述验证样本图像集对所述车辆外观损伤智能检测模型进行交叉验证，得到交叉验证的精确值，当所述交叉验证的精确值大于第二预设阈值时，完成所述车辆外观损伤智能检测模型的训练；
接收待测试的车辆外观图像集对训练后的所述车辆外观损伤智能检测模型进行测试，得到测试结果，并根据所述测试结果识别出所述测试样本的车辆外观图像集是否出现损伤。
2.如权利要求1所述的车辆外观损伤智能检测方法，其特征在于，所述预处理操作包括：
通过一个预设尺寸大小的窗口，并按照预设的距离对所述图像集进行平移，将所述窗口包含的内容剪裁下来，得到小图像；
对所述小图像进行筛选，得到正图像集、负图像集以及疑义图像集，将所述疑义样本图像集舍弃，对正负图像集建立正负标签，其中，所述正图像集为损伤很明显的小图像，疑义图像集为损伤信息不明显的小图像，负图像集则为没有损伤的小图像。
3.如权利要求2所述的车辆外观损伤智能检测方法，其特征在于，所述预处理操作还包括：
对所述正负图像集进行图像灰度化处理，得到灰色图像集，利用波谷阈值分割法对所述灰色图像集进行背景过滤处理，得到所述样本图像集。
4.如权利要求1至3中任意一项所述的车辆外观损伤智能检测方法，其特征在于，所述利用所述训练样本图像集对所述车辆外观损伤智能检测模型进行训练，得到训练值，通过所述车辆外观损伤智能检测模型的损失层计算出所述训练值的损失函数值，包括：
创建包括卷积神经网络的车辆外观损伤智能检测模型，其中，所述卷积神经网络包括卷积层、池化层、全连接层以及损失层；
通过所述卷积层和池化层对所述训练样本图像集进行特征提取，得到特征向量，通过所述全连接层识别出所述特征向量是否含有损伤的车辆外观图像集，得到训练值，并将所述训练值输入至所述损失层中；
利用所述损失层的损失函数计算出所述训练值的损失函数值。
5.如权利要求4所述的车辆外观损伤智能检测方法，其特征在于，所述损失函数包括：
其中，Oj表示所述车辆外观损伤智能检测模型输出层第j个神经元的车辆损伤图像输出值，Ij表示所述车辆外观损伤智能检测模型输出层第j个神经元的输入值，t表示所述输出层神经元的总量，e为无限不循环小数，Loss表示损失函数值。
6.一种车辆外观损伤智能检测装置，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车辆外观损伤智能检测程序，所述车辆外观损伤智能检测程序被所述处理器执行时实现如下步骤：
获取含有车辆外观损伤的图像组成的图像集，对所述图像集进行预处理操作，得到样本图像集，并将所述样本图像集划分为训练样本图像集、验证样本图像集，存入数据库中；
构建车辆外观损伤智能检测模型，利用所述训练样本图像集对所述车辆外观损伤智能检测模型进行训练，得到训练值，通过所述车辆外观损伤智能检测模型的损失层计算出所述训练值的损失函数值，当所述损失函数值小于第一预设阈值时，利用所述验证样本图像集对所述车辆外观损伤智能检测模型进行交叉验证，得到交叉验证的精确值，当所述交叉验证的精确值大于第二预设阈值时，完成所述车辆外观损伤智能检测模型的训练；
接收待测试的车辆外观图像集对训练后的所述车辆外观损伤智能检测模型进行测试，得到测试结果，并根据所述测试结果识别出所述测试样本的车辆外观图像集是否出现损伤。
7.如权利要求6所述的车辆外观损伤智能检测装置，其特征在于，所述预处理操作包括：
通过一个预设尺寸大小的窗口，并按照预设的距离对所述图像集进行平移，将所述窗口包含的内容剪裁下来，得到小图像；
对所述小图像进行筛选，得到正图像集、负图像集以及疑义图像集，将所述疑义样本图像集舍弃，对正负图像集建立正负标签，其中，所述正图像集为损伤很明显的小图像，疑义图像集为损伤信息不明显的小图像，负图像集则为没有损伤的小图像。
8.如权利要求7所述的车辆外观损伤智能检测装置，其特征在于，所述预处理操作还包括：
对所述正负图像集进行图像灰度化处理，得到灰色图像集，利用波谷阈值分割法对所述灰色图像集进行背景过滤处理，得到所述样本图像集。
9.如权利要求6至8中任意一项所述的车辆外观损伤智能检测装置，其特征在于，所述利用所述训练样本图像集对所述车辆外观损伤智能检测模型进行训练，得到训练值，通过所述车辆外观损伤智能检测模型的损失层计算出所述训练值的损失函数值，包括：
创建包括卷积神经网络的车辆外观损伤智能检测模型，其中，所述卷积神经网络包括卷积层、池化层、全连接层以及损失层；
通过所述卷积层和池化层对所述训练样本图像集进行特征提取，得到特征向量，通过所述全连接层识别出所述特征向量是否含有损伤的图像车辆外观集，得到训练值，并将所述训练值输入至所述损失层中；
利用所述损失层的损失函数计算出所述训练值的损失函数值。
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车辆外观损伤智能检测程序，所述车辆外观损伤智能检测程序可被一个或者多个处理器执行，以实现如权利要求1至5中任一项所述的车辆外观损伤智能检测方法的步骤。
CN201910519165.2A 2019-06-13 2019-06-13 车辆外观损伤智能检测方法、装置及计算机可读存储介质 Pending CN110349124A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910519165.2A CN110349124A (zh) 2019-06-13 2019-06-13 车辆外观损伤智能检测方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910519165.2A CN110349124A (zh) 2019-06-13 2019-06-13 车辆外观损伤智能检测方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN110349124A true CN110349124A (zh) 2019-10-18

Family

ID=68182057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910519165.2A Pending CN110349124A (zh) 2019-06-13 2019-06-13 车辆外观损伤智能检测方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110349124A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111583215A (zh) * 2020-04-30 2020-08-25 平安科技（深圳）有限公司 损伤图像智能定损方法、装置、电子设备及存储介质
CN116309610A (zh) * 2023-05-25 2023-06-23 杭州易靓好车互联网科技有限公司 一种基于人工智能的车辆管理方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106094827A (zh) * 2016-07-01 2016-11-09 蔡雄 一种能够自主导航电力设备巡逻车
CN106874840A (zh) * 2016-12-30 2017-06-20 东软集团股份有限公司 车辆信息识别方法及装置
CN108229298A (zh) * 2017-09-30 2018-06-29 北京市商汤科技开发有限公司 神经网络的训练和人脸识别方法及装置、设备、存储介质
CN108376235A (zh) * 2018-01-15 2018-08-07 深圳市易成自动驾驶技术有限公司 图像检测方法、装置及计算机可读存储介质
CN109325533A (zh) * 2018-09-18 2019-02-12 成都网阔信息技术股份有限公司 一种人工智能框架进行cnn迭代训练方法
CN109657716A (zh) * 2018-12-12 2019-04-19 天津卡达克数据有限公司 一种基于深度学习的车辆外观损伤识别方法
CN109684956A (zh) * 2018-12-14 2019-04-26 深源恒际科技有限公司 一种基于深度神经网络的车辆损伤检测方法及系统
CN109740451A (zh) * 2018-12-17 2019-05-10 南京理工大学 基于重要性加权的道路场景图像语义分割方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106094827A (zh) * 2016-07-01 2016-11-09 蔡雄 一种能够自主导航电力设备巡逻车
CN106874840A (zh) * 2016-12-30 2017-06-20 东软集团股份有限公司 车辆信息识别方法及装置
CN108229298A (zh) * 2017-09-30 2018-06-29 北京市商汤科技开发有限公司 神经网络的训练和人脸识别方法及装置、设备、存储介质
CN108376235A (zh) * 2018-01-15 2018-08-07 深圳市易成自动驾驶技术有限公司 图像检测方法、装置及计算机可读存储介质
CN109325533A (zh) * 2018-09-18 2019-02-12 成都网阔信息技术股份有限公司 一种人工智能框架进行cnn迭代训练方法
CN109657716A (zh) * 2018-12-12 2019-04-19 天津卡达克数据有限公司 一种基于深度学习的车辆外观损伤识别方法
CN109684956A (zh) * 2018-12-14 2019-04-26 深源恒际科技有限公司 一种基于深度神经网络的车辆损伤检测方法及系统
CN109740451A (zh) * 2018-12-17 2019-05-10 南京理工大学 基于重要性加权的道路场景图像语义分割方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111583215A (zh) * 2020-04-30 2020-08-25 平安科技（深圳）有限公司 损伤图像智能定损方法、装置、电子设备及存储介质
CN116309610A (zh) * 2023-05-25 2023-06-23 杭州易靓好车互联网科技有限公司 一种基于人工智能的车辆管理方法及系统

Similar Documents

Publication Publication Date Title
CN108446697B (zh) 图片处理方法、电子装置及存储介质
CN107633204B (zh) 人脸遮挡检测方法、装置及存储介质
CN110738101B (zh) 行为识别方法、装置及计算机可读存储介质
US10635946B2 (en) Eyeglass positioning method, apparatus and storage medium
CN107679475B (zh) 门店监控评价方法、装置及存储介质
CN110033018B (zh) 图形相似度判断方法、装置及计算机可读存储介质
CN111257341B (zh) 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法
CN109492612A (zh) 基于骨骼点的跌倒检测方法及其跌倒检测装置
CN106250845A (zh) 基于卷积神经网络的火焰检测方法及装置
CN109637664A (zh) 一种bmi评测方法、装置及计算机可读存储介质
CN107292229A (zh) 一种图像识别方法和装置
CN109977750A (zh) 印章真伪校验方法、装置及计算机可读存储介质
CN110163204A (zh) 基于图像识别的商家监管方法、装置及存储介质
CN109871821A (zh) 自适应网络的行人重识别方法、装置、设备及存储介质
CN110020653A (zh) 图像语义分割方法、装置及计算机可读存储介质
CN110008997A (zh) 图像纹理相似度识别方法、装置及计算机可读存储介质
CN110135421A (zh) 车牌识别方法、装置、计算机设备及计算机可读存储介质
CN110349124A (zh) 车辆外观损伤智能检测方法、装置及计算机可读存储介质
CN110135889A (zh) 智能推荐书单的方法、服务器及存储介质
CN110363747A (zh) 智能化异常细胞判断方法、装置及计算机可读存储介质
CN108615401B (zh) 基于深度学习的室内非均匀光线车位状况识别方法
CN107784482A (zh) 招聘方法、电子装置及可读存储介质
CN109685059A (zh) 文字图像标注方法、装置及计算机可读存储介质
CN110427828B (zh) 人脸活体检测方法、装置及计算机可读存储介质
CN110705547B (zh) 图像内文字识别方法、装置及计算机可读存储介质

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