CN110363238A - 智能车辆定损方法、系统、电子设备及存储介质 - Google Patents
智能车辆定损方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110363238A CN110363238A CN201910595385.3A CN201910595385A CN110363238A CN 110363238 A CN110363238 A CN 110363238A CN 201910595385 A CN201910595385 A CN 201910595385A CN 110363238 A CN110363238 A CN 110363238A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- damaged
- module
- training
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种智能车辆定损方法,包括以下步骤:获取车损原始图像,基于车损原始图像形成训练样本集和测试样本集;对车损原始图像进行预处理获得待检测图像;基于训练样本集中的训练样本,利用SSD深度神经网络方法对待检测图像进行判断,以识别出车辆的受损部位;基于车辆的受损部位判断车辆受损类型,并对车辆受损类型进行分类以获得训练模型;将测试样本集中的测试样本输入该训练模型,判断所述测试样本中的图像的车辆受损类型以生成测试结果;根据测试结果迭代更新所述训练模型以获得最终测试模型;利用最终测试模型分析车辆受损类型。本发明还公开了一种智能车辆定损系统。本发明的最终测试模型可以准确的分析、判断车辆受损类型。
Description
技术领域
本发明属于图像识别技术领域,具体涉及一种智能车辆定损方法、系统、电子设备及存储介质。
背景技术
智能车辆定损系统的成功实现与应用能够远程完成业务,大幅度降低保险公司进行车辆定损的工作量和成本;其简单化、高智能的特性能够降低操作人员的定损难度,有效地提高了工作效率。
现有技术中公开了一种基于图像识别原理的智能车辆定损系统,该系统由“图像采集设备和后台处理单元”组成。该系统以大量事故车现场图片作为数据来源,并在后台处理单元采用基础算法SVM对不同类型的车损图像进行分类;该算法的采用的分类器算法过于基础,支持的图像特征也比较固定化,对车损类型分类较为模糊。
现有技术中还公开了一种基于人工智能AI技术的定损系统,该系统中应用的后台处理算法采用了比SVM分类器更深度化,且特征更细致分类且准确的CNN卷积神经网络分类器,这是对传统分类算法的一种改进,但应用CNN卷积神经网络算法会造成整个定损系统的计算消耗,因为车辆定损的特征是多样化的且相似度较高难以区分的,应用CNN网络对每类样本进行逐个训练排查会造成非常大规模的参数计算。
另外,现有技术中还公开一种车辆定损图像获取的车损系统,该系统提出:前端根据客户自行拍摄的视频影像,通过数据预处理步骤提取出受损部位以进行下一步的定损,然后利用更高级的RPN+CNN结构算法(即Fast RCNN)对车辆进行定损类型分类,该系统在定损精确度方面较前述两个系统有了显著地提高,但却降低了系统的敏捷性,而且由于增加了RPN网络(即将窗口随机分割区域第一次送入卷积网络提取特征),这会增加整个系统的计算量。
因此,综上所述,现有技术中存在以下几个问题:
1.采用的分类器算法过于基础,支持的图像特征也比较固定化,泛化能力弱,对车损类型分类较为模糊。
2.应用CNN网络对每类样本进行逐个训练排查会造成非常大规模的参数计算。
3.降低了系统的敏捷性,同时增加整个定损系统的计算量。
发明内容
本发明实施例提供一种智能车辆定损方法、系统、电子设备及存储介质,通过将获取到的车损原始图像进行预处理,并利用SSD深度神经网络方法对待检测图像进行训练最终的测试模型,利用该最终测试模型可以准确的分析、判断车辆受损类型,以至少解决现有技术中的一个技术问题。
第一方面,本发明实施例提供一种智能车辆定损方法,包括以下步骤:
获取车损原始图像,基于所述车损原始图像形成训练样本集和测试样本集;
对所述车损原始图像进行预处理获得待检测图像;
基于训练样本集中的训练样本,利用SSD深度神经网络方法对待检测图像进行判断,以识别出车辆的受损部位;
基于所述车辆的受损部位判断车辆受损类型,并对车辆受损类型进行分类以获得训练模型;
将测试样本集中的测试样本输入该训练模型,判断所述测试样本中的图像的车辆受损类型以生成测试结果;
根据所述测试结果迭代更新所述训练模型以获得最终测试模型;
利用所述最终测试模型分析车辆受损类型。
第二方面,本发明实施例提供一种智能车辆定损系统,该系统包括第一获取模块、第一预处理模块、第一判断模块、第二获取模块、第二判断模块、更新模块和分析模块;
所述第一获取模块用于获取车损原始图像并基于所述车损原始图像形成训练样本集和测试样本集;
所述第一预处理模块对所述车损原始图像进行预处理获得待检测图像;
所述第一判断模块基于训练样本集中的训练样本,并利用SSD深度神经网络方法对待检测图像进行判断,以识别出车辆的受损部位;
所述第二获取模块基于所述车辆的受损部位判断车辆受损类型,并对车辆受损类型进行分类以获得训练模型;
所述第二判断模块将测试样本集中的测试样本输入该训练模型,判断所述测试样本中的图像的车辆受损类型以生成测试结果;
所述更新模块用于根据所述测试结果迭代更新所述训练模型以获得最终测试模型;
所述分析模块利用所述最终测试模型分析车辆受损类型。
第三方面,本发明实施例提供一种电子设备包括:处理器和存储装置;所述存储装置上存储有计算机程序,所述处理器执行所述存储装置上的计算机程序时实现上述发明任一项所述的方法。
第四方面,本发明实施例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计算机程序,所述计算机程序在被处理器执行时实现上述发明任一项所述的方法。
本发明通过将获取到的车损原始图像进行预处理,并利用SSD深度神经网络方法对待检测图像进行训练最终的测试模型,利用该最终测试模型可以准确的分析、判断车辆受损类;另外本发明采用的ResNext深度残差网络结构可以在不增加参数复杂度的前提下提高训练模型的准确率,同时还减少了超参数的数量,且ResNeXt深度残差网络的深度能够支撑起多样化复杂特征的分辨率,方便各种应用的模型迁移学习。
附图说明
图1为本发明的一种智能车辆定损方法的一个实施例的流程示意图;
图2为本发明的一种智能车辆定损方法的一个实施例中的Resnext深度残差网络的结构示意图;
图3为本发明的一种智能车辆定损系统的一个实施例的结构示意图;
图4为本发明的一种电子设备的一个实施例的结构示意图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
实施例一
图1为本发明的一种智能车辆定损方法的一个实施例的流程示意图,参见图1,所述方法包括以下步骤:
S100:获取车损原始图像,基于所述车损原始图像形成训练样本集和测试样本集;
具体的,在本实施例中,用户可以自行将拍摄到的事故车的车损原始图像上传到云端,保险公司通过云端接收该车损原始图像,并将全部所述车损原始图像划分为训练样本集和测试样本集;例如可以将70%的车损原始图像的作为训练样本以形成训练数据集,将30%的车损原始图像作为测试样本以形成测试样本集,该测试样本集用于验证步骤400中获得的训练模型的精准度,从而适用于非样本集内的待检测图像的车辆受损类型的定损。
S200:对所述车损原始图像进行预处理获得待检测图像;
具体的,本实施例中对所述车损原始图像进行预处理的步骤可以是对车损原始图像进行去噪处理,即将车损原始图像中的背景像素不清晰的数据进行去噪处理,例如可以采用自适应维纳滤波器对车损原始图像进行滤波处理,该自适应维纳滤波器可根据所述车损原始图像的局部方差来调整自适应维纳滤波器的输出,若所述局部方差越大,则该自适应维纳滤波器的平滑作用越强,其目的是使恢复车损原始图像滤波后的图像f(x,y)与车损原始图像的均方误差最小;
其中,f(x,y)为滤波后的图像的图像参数;为车损原始图像的图像参数;e2为滤波后图像与车损原始图像之间的均方差。
该自适应维纳滤波器滤波器与均值滤波器相比的优点是:利用自适应滤波器的强大滤波功能可以去除图像的噪声干扰,处理该车损原始图像的白噪声的效果最佳,可以有效滤除车损原始图像中不清晰的图像数据,方便对车损的图像进行后期的特征提取和分类,与现有技术相比能够提高车损分类的准确率。
S300:基于训练样本集中的训练样本,利用SSD深度神经网络方法对待检测图像进行判断,以识别出车辆的受损部位;
本实施例中利用SSD(即:Single Shot MultiBox Detector)深度神经网络方法对待检测图像中车辆的各个部位进行判断识别,以识别出待检测图像的车辆受损部位。
该SSD深度神经网络的构成与CNN卷积神经网络的构成类似,所述SSD深度神经网络包括卷积层、池化层,全链接层、回归层等层级;
但该SSD深度神经网络与CNN卷积神经网络的不同点在于:其利用astrous(小波融合算法)算法增加了三层卷积层和一个平均池化层,该结构使SSD网络能够具有变化较大的特征图谱(feature map)层面,提高了对尺度变化较大的目标的泛化能力。
首先,介绍SSD神经网络的网络结构:采用VGG16的基础网络结构,使用前面的前五层,后利用小波融合算法将第六层与第七层转换成两个卷基层,再额外增加了三个卷几层以及一个平均池化层,不同层次得到的不同大小的特征图分别用于预定义检测框的偏移以及不同类别的得分的预测,最后通过NMS(非极大值抑制)得到最终的检测结果。这些增加的卷积层大小差异较大,允许能够检测不同尺寸的图像,且去掉了全连接层,增加了网络检测的合理性。
由于本实施例中的车损原始图像是客户自行上传的,无法统一上传的车损原始图像,利用泛化能力大的SSD深度神经卷积网络方法能够完成对尺度变化大的目标的精准分类,所述尺度变化大的目标例如图像的尺寸,图像的纹理结构,图像的边缘特征等。
S400:基于所述车辆的受损部位对车辆受损类型进行分类,并对车辆受损类型进行分类以获得训练模型;
其中,所述基于所述车辆的受损部位判断车辆受损类型,并对车辆受损类型进行分类获得训练模型的方法包括以下子步骤S410-S430,具体如下:
S410:对车辆的受损部位进行分类并标记,并将标记好的训练样本保存在相应的标签内;
由于每一种事故类型中的车辆的受损部位存在多个不同特征,基于所述多个不同特征对待检测图像的车辆受损类型进行分类,例如根据图像的颜色特征、图像的纹理特征、图像的边缘轮廓特征等对车辆受损类型进行分类,将所述标签标记为:刮擦、外形轻微变形、部件的开裂和脱落、严重粉碎变形等,并将标记好的训练样本保存在相应的标签内,形成带有标签的训练样本集,这样在对训练样本集中的样本进行训练的时候就可以遍历整个训练样本集中带有标签的训练样本了。
S420:将标记好的训练样本进行预处理,获得预处理后的训练样本;
本实施例中,对标记好的训练样本进行预处理包括归一化处理,所述归一化处理具体为:对训练样本中的图像规格、图像标签等进行归一化,以生成适合ResNext深度残差神经网络的输入的信息结构体。
S430:将所述预处理后的训练样本输入ResNext深度残差网络进行训练,以获得所述训练模型;
参见图2,图2为本发明的一种智能车辆定损方法的一个实施例中的Resnext深度残差网络的结构示意图;本实施例中,根据所输入的预处理后的训练样本的规格设定两个超参数的值,分别是:1、分支数目基数(基数-Cardinality);2、每一个平行支路中过渡的特征图谱的卷积核大小瓶颈(瓶颈-bottleneck)。
分支数目基数和支路数目这两个超参数决定了ResNext深度残差网络的深度和广度,卷积核大小为7*7大小,卷积核大小决定了卷积步骤提取图像特征的效果。
具体的,分支数目基数和每一个平行支路中过渡的特征图谱的卷积核大小瓶颈来说明如何对预处理后的训练样本输入ResNext残差网络进行训练的步骤如下:
设定参数步骤:参见图2,预先设定好ResNext深度残差网络的卷积核大小(例如:7*7),步长大小(例如:步长为2),以及两个超参数(即分支数目基数和每一个平行支路中过渡的特征图谱的卷积核大小瓶颈)的大小分支数(例如:这两个超参数的分支数是32);
前馈步骤:将预处理后的训练样本输入该ResNext深度残差网络并向前进行多层卷积,获得更新后的ResNext深度残差特征网络;
计算残差步骤:计算预处理后的训练样本的特征和更新后的ResNext深度残差特征网络的图像特征之间的残差,将该残差通过后馈网络传递并利用梯度下降法,不断更新车损原始图像的权重值;
训练步骤:通过多次往复迭代步骤,最终形成与车损原始图像拟合度最高的训练模型。
上述所述的超参数是在开始学习过程之前设置值的参数,而不是通过训练得到的参数数据。通常情况下,需要对超参数进行优化,给学习机选择一组最优超参数,以提高学习的性能和效果。
一般来说传统提高训练模型准确率的方法都是加深或加宽网络,但是随着超参数数量的增加,比如增加通道(channels)数,过滤器尺寸(filter size)等方法,这些方法的网络设计的难度和计算开销也会增加;
而相反的,本实施例中采用的ResNext深度残差网络结构可以在不增加参数复杂度的前提下提高训练模型的准确率,同时还减少了超参数的数量,且ResNeXt深度残差网络的深度能够支撑起多样化复杂特征的分辨率。
上述ResNeXt深度残差网络的结构是将传统的单支路多模块堆叠型网络拆分成并行的多支路单模块卷积网络,该网络每个支路的卷积层结构都采用相同的结构,条件参数少不仅能够减少计算机的计算压力,使整个系统更有效率,更能够减小泛化误差,并保证高精度检测结果。
ResNeXt深度残差网络是通过聚合拓扑结构相同的子网络来代替增加网络的宽度和深度的步骤来实现提高训练模型准确率的。
为了更好的体现上述训练模型的泛化性,本实施例中采用上述ResNeXt深度残差网络对车辆受损类型进行分类,从而减少了训练模型的特征维度同时也增加了训练模型的泛化能力。
而且,本实施例中采用了深度与精度并存的ResNeXt网络,该网络具有不扩大网络规模且减少参数调整的情况下依然保持超高精准率的特性,相比较其他网络,本实施例利用该网络比现有技术的实用性更强。
S500:将测试样本集中的测试样本输入该训练模型,判断所述测试样本中的图像的车辆受损类型以生成测试结果;
具体的,测试样本通过回归层的概率计算对车损现场图像进行分类,与已有训练模型中各个类别的车损现场图像的特征进行匹配与分类,在一定误差范围内则可认为该测试样本中的车损原始图像属于某一事故类型,例如事故类型分为:刮擦、掉漆、变形等类别,从而判断出该测试样本中的图像的车辆受损类型。
S600:根据所述测试结果迭代更新所述训练模型以获得最终测试模型;
S700:利用所述最终测试模型分析车辆的受损类型;
即利用最终测试模型可以对实际应用过程中的车辆受损类型(如刮擦、外形轻微变形、部件的开裂和脱落、严重粉碎变形等)进行判断、分析。
进一步的,所述智能车辆定损方法还包括根据车辆受损类型确定车辆维修方案;
具体的,在识别出车辆受损类型后,根据车辆受损类型匹配不同的车辆维修方案,所述维修方案为“喷漆”、“钣金”、“部件更换”(包括“外部部件更换”和“内部部件的更换和整车维修”)中的一种或多种,例如:
对标记为“刮擦”的车辆受损图像中的车辆,所匹配的车辆维修方案是“喷漆”;
对标记为“外形轻微变形”的车辆受损图像中的车辆,所匹配的车辆维修方案是“填补”;
对标记为“部件的开裂和脱落”的车辆受损图像中的车辆,所匹配的车辆维修方案是“外部部件更换”;
对标记为“严重粉碎变形”的车辆受损图像中的车辆,所匹配的车辆维修方案是“内部部件的更换和整车维修”。
进一步的,所述智能车辆定损方法还包括根据所述车辆维修方案自动生成车辆的赔付金额结果;
具体的,首先,根据车辆的识别码(VIN码,即Vehicle Identification Number)查找该车辆各个部件的汽配编号码(OE码,即Original Equipment),所述汽配编号码是预先存在数据库中的;
然后,根据所述汽配编号码查找车辆各个部件的维修和更换的价格,并自动生成车辆的赔付金额结果,所述车辆的赔付金额结果是一预估的赔付金额范围。
实施例二
图3为本发明的一种智能车辆定损系统,该系统包括第一获取模块、第一预处理模块、第一判断模块、第二获取模块、第二判断模块、更新模块和分析模块;
所述第一获取模块用于获取车损原始图像并基于所述车损原始图像形成训练样本集和测试样本集;
所述第一预处理模块对所述车损原始图像进行预处理获得待检测图像;
所述第一判断模块基于训练样本集中的训练样本,并利用SSD深度神经网络方法对待检测图像进行判断,以识别出车辆的受损部位;
所述第二获取模块基于所述车辆的受损部位判断车辆受损类型,并对车辆受损类型进行分类以获得训练模型;
所述第二判断模块将测试样本集中的测试样本输入该训练模型,判断所述测试样本中的图像的车辆受损类型以生成测试结果;
所述更新模块用于根据所述测试结果迭代更新所述训练模型以获得最终测试模型;
所述分析模块利用所述最终测试模型分析车辆受损类型。
进一步的,所述预处理模块对所述车损原始图像进行预处理为对车损原始图像进行去噪处理。
进一步的,所述训练模型获取模块包括标记模块、第二预处理模块和训练模块;
所述标记模块用于对车辆的受损部位进行标记;
所述第二预处理模块用于将标记好的训练样本进行预处理,获得预处理后的训练样本;
所述训练模块将所述预处理后的训练样本输入ResNext深度残差网络进行训练以获得所述训练模型。
进一步的,所述智能车辆定损系统车辆维修模块,所述车辆维修模块根据车辆受损类型确定车辆维修方案。
进一步的,所述智能车辆定损系统还包括金额赔付模块,所述金额赔付模块根据车辆的维修方案自动生成车辆的赔付金额结果。
上述各个模块的具体实施方式与实施例一的各个方法步骤的具体实施方式一致,在此不再赘述。
实施例三
图4为本发明的一种电子设备的一个实施例的结构示意图,参见图4,在本实施例中,提供一种电子设备,包括但不限于智能手机、固定电话、平板电脑、笔记本电脑、穿戴式设备等电子设备,所述电子设备包括:处理器和存储器,所述存储器存储有计算机可读指令,所述计算机可读指令在被所述处理器执行时实现上述本发明的识别保险欺诈的方法。
实施例四
在本实施例中,提供一种计算机可读存储介质,可以为ROM(例如只读存储器、FLASH存储器、转移装置等)、光学存储介质(例如,CD-ROM、DVD-ROM、纸卡等)、磁存储介质(例如,磁带、磁盘驱动器等)或其他类型的程序存储器;所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器或计算机运行时执行上述本发明的识别保险欺诈的方法。
本发明具有以下优点:
本发明通过将获取到的车损原始图像进行预处理,并利用SSD深度神经网络方法对待检测图像进行训练最终的测试模型,利用该最终测试模型可以准确的分析、判断车辆受损类;另外本发明采用的ResNext深度残差网络结构可以在不增加参数复杂度的前提下提高训练模型的准确率,同时还减少了超参数的数量,且ResNeXt深度残差网络的深度能够支撑起多样化复杂特征的分辨率,方便各种应用的模型迁移学习。
而且,本发明可以基于车辆受损类型自动生成车辆维修方法和赔付金额结果;因此本发明具有多功能性,且实用性很强的系统,其不仅具有,在检测的精度和准确率上能够有所保障。
本领域普通技术人员可以意识到,结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种智能车辆定损方法,其特征在于,包括以下步骤:
获取车损原始图像,基于所述车损原始图像形成训练样本集和测试样本集;
对所述车损原始图像进行预处理获得待检测图像;
基于训练样本集中的训练样本,利用SSD深度神经网络方法对待检测图像进行判断,以识别出车辆的受损部位;
基于所述车辆的受损部位判断车辆受损类型,并对车辆受损类型进行分类以获得训练模型;
将测试样本集中的测试样本输入该训练模型,判断所述测试样本中的图像的车辆受损类型以生成测试结果;
根据所述测试结果迭代更新所述训练模型以获得最终测试模型;
利用所述最终测试模型分析车辆受损类型。
2.根据权利要求1所述的方法,其特征在于,所述对所述车损原始图像进行预处理为对车损原始图像进行去噪处理。
3.根据权利要求1所述的方法,其特征在于,所述基于所述车辆的受损部位对车辆受损类型进行分类获得训练模型的方法包括以下子步骤:
对车辆的受损部位进行标记;
将标记好的训练样本进行预处理,获得预处理后的训练样本;
将所述预处理后的训练样本输入ResNext深度残差网络进行训练,以获得所述训练模型。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括根据车辆受损类型确定车辆的维修方案,所述车辆维修方案为“喷漆”、“钣金”、“部件更换”中的一种或多种。
5.根据权利要求4所述的方法,其特征在于,还包括根据车辆的维修方案自动生成车辆的赔付金额结果。
6.一种智能车辆定损系统,其特征在于,该系统包括第一获取模块、第一预处理模块、第一判断模块、第二获取模块、第二判断模块、更新模块和分析模块;
所述第一获取模块用于获取车损原始图像并基于所述车损原始图像形成训练样本集和测试样本集;
所述第一预处理模块对所述车损原始图像进行预处理获得待检测图像;
所述第一判断模块基于训练样本集中的训练样本,并利用SSD深度神经网络方法对待检测图像进行判断,以识别出车辆的受损部位;
所述第二获取模块基于所述车辆的受损部位判断车辆受损类型,并对车辆受损类型进行分类以获得训练模型;
所述第二判断模块将测试样本集中的测试样本输入该训练模型,判断所述测试样本中的图像的车辆受损类型以生成测试结果;
所述更新模块用于根据所述测试结果迭代更新所述训练模型以获得最终测试模型;
所述分析模块利用所述最终测试模型分析车辆受损类型。
7.根据权利要求6所述的系统,其特征在于,所述预处理模块对所述车损原始图像进行预处理为对车损原始图像进行去噪处理。
8.根据权利要求6或7所述的系统,其特征在于,所述训练模型获取模块包括标记模块、第二预处理模块和训练模块;
所述标记模块用于对车辆的受损部位进行标记;
所述第二预处理模块用于将标记好的训练样本进行预处理,获得预处理后的训练样本;
所述训练模块将所述预处理后的训练样本输入ResNext深度残差网络进行训练以获得所述训练模型。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器存储有计算机可读指令,所述计算机可读指令在被所述处理器执行时实现根据权利要求1-5任一项所述的方法。
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计算机程序,所述计算机程序在被处理器或计算机运行时执行根据权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910595385.3A CN110363238A (zh) | 2019-07-03 | 2019-07-03 | 智能车辆定损方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910595385.3A CN110363238A (zh) | 2019-07-03 | 2019-07-03 | 智能车辆定损方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363238A true CN110363238A (zh) | 2019-10-22 |
Family
ID=68217838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910595385.3A Pending CN110363238A (zh) | 2019-07-03 | 2019-07-03 | 智能车辆定损方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363238A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111680746A (zh) * | 2020-06-08 | 2020-09-18 | 平安科技(深圳)有限公司 | 车损检测模型训练、车损检测方法、装置、设备及介质 |
WO2021151412A1 (de) * | 2020-01-27 | 2021-08-05 | Jan Nabatian | Vorrichtung und verfahren zur automatischen erkennung von beschädigungen an fahrzeugen |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092922A (zh) * | 2017-03-13 | 2017-08-25 | 平安科技(深圳)有限公司 | 车损识别方法及服务器 |
CN107194323A (zh) * | 2017-04-28 | 2017-09-22 | 阿里巴巴集团控股有限公司 | 车辆定损图像获取方法、装置、服务器和终端设备 |
CN107392218A (zh) * | 2017-04-11 | 2017-11-24 | 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、装置及电子设备 |
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 |
CN109815997A (zh) * | 2019-01-04 | 2019-05-28 | 平安科技(深圳)有限公司 | 基于深度学习的识别车辆损伤的方法和相关装置 |
-
2019
- 2019-07-03 CN CN201910595385.3A patent/CN110363238A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092922A (zh) * | 2017-03-13 | 2017-08-25 | 平安科技(深圳)有限公司 | 车损识别方法及服务器 |
CN107392218A (zh) * | 2017-04-11 | 2017-11-24 | 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、装置及电子设备 |
CN107194323A (zh) * | 2017-04-28 | 2017-09-22 | 阿里巴巴集团控股有限公司 | 车辆定损图像获取方法、装置、服务器和终端设备 |
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 |
CN109815997A (zh) * | 2019-01-04 | 2019-05-28 | 平安科技(深圳)有限公司 | 基于深度学习的识别车辆损伤的方法和相关装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2021151412A1 (de) * | 2020-01-27 | 2021-08-05 | Jan Nabatian | Vorrichtung und verfahren zur automatischen erkennung von beschädigungen an fahrzeugen |
CN111680746A (zh) * | 2020-06-08 | 2020-09-18 | 平安科技(深圳)有限公司 | 车损检测模型训练、车损检测方法、装置、设备及介质 |
WO2021135500A1 (zh) * | 2020-06-08 | 2021-07-08 | 平安科技(深圳)有限公司 | 车损检测模型训练、车损检测方法、装置、设备及介质 |
CN111680746B (zh) * | 2020-06-08 | 2023-08-04 | 平安科技(深圳)有限公司 | 车损检测模型训练、车损检测方法、装置、设备及介质 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN110363238A (zh) | 智能车辆定损方法、系统、电子设备及存储介质 | |
Qi et al. | Convolutional neural network based detection and judgement of environmental obstacle in vehicle operation | |
CN108182441B (zh) | 平行多通道卷积神经网络、构建方法及图像特征提取方法 | |
CN106650721B (zh) | 一种基于卷积神经网络的工业字符识别方法 | |
CN106570477B (zh) | 基于深度学习的车型识别模型构建方法及车型识别方法 | |
CN105550701B (zh) | 实时图像提取识别方法及装置 | |
CN108427920A (zh) | 一种基于深度学习的边海防目标检测方法 | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN109685115A (zh) | 一种双线性特征融合的细粒度概念模型及学习方法 | |
CN104408469A (zh) | 基于图像深度学习的烟火识别方法及系统 | |
Türkyılmaz et al. | License plate recognition system using artificial neural networks | |
CN112837344B (zh) | 一种基于条件对抗生成孪生网络的目标跟踪方法 | |
CN105512680A (zh) | 一种基于深度神经网络的多视sar图像目标识别方法 | |
Greenblatt et al. | Quaternion neural networks applied to prostate cancer gleason grading | |
CN103971106B (zh) | 多视角人脸图像性别识别方法及装置 | |
CN107688819A (zh) | 车辆的识别方法及装置 | |
Ye et al. | Detecting USM image sharpening by using CNN | |
CN110175649A (zh) | 一种关于重新检测的快速多尺度估计目标跟踪方法 | |
CN113705655B (zh) | 三维点云全自动分类方法及深度神经网络模型 | |
CN109784171A (zh) | 车辆定损图像筛选方法、装置、可读存储介质及服务器 | |
CN108537121A (zh) | 气象环境参数与图像信息融合的自适应遥感场景分类方法 | |
CN106056627B (zh) | 一种基于局部鉴别性稀疏表示的鲁棒目标跟踪方法 | |
CN104851183A (zh) | 纸币面向识别方法及装置 | |
CN110427912A (zh) | 一种基于深度学习的人脸检测方法及其相关装置 |
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 |
Application publication date: 20191022 |
|
RJ01 | Rejection of invention patent application after publication |