CN110458301A - 一种车辆部件的定损方法、装置、计算机设备及存储介质 - Google Patents
一种车辆部件的定损方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110458301A CN110458301A CN201910625175.4A CN201910625175A CN110458301A CN 110458301 A CN110458301 A CN 110458301A CN 201910625175 A CN201910625175 A CN 201910625175A CN 110458301 A CN110458301 A CN 110458301A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- component
- image
- external
- loss
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 61
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 238000012423 maintenance Methods 0.000 claims abstract description 36
- 230000006866 deterioration Effects 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000010365 information processing Effects 0.000 claims description 5
- 238000003012 network analysis Methods 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 1
- 238000012549 training Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 239000010721 machine oil Substances 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000013507 mapping Methods 0.000 description 5
- 238000003702 image correction Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及车辆定损技术领域,提供了一种车辆部件的定损方法,其包括:获取车辆的车辆外部部件图像和车辆行驶信息;将车辆外部部件图像输入预先训练好的神经网络分析模型,得到车辆各外部部件的损耗等级;对车辆行驶信息进行分析,得到车辆各内部部件的损耗等级;根据车辆各外部部件的损耗等级和车辆各内部部件的损耗等级获得与各部件损耗等级相匹配的部件处理结果;在预设数据平台中查询各部件的部件处理结果相对应的保养价格;输出各部件的部件处理结果以及查询获得的各部件的保养价格。通过本发明的实施,能够对车辆外部部件和内部部件分别进行分析,提供与各部件的损耗情况相匹配的部件处理结果。
Description
技术领域
本发明涉及车辆定损技术领域领域,尤其涉及一种车辆部件的定损方法、装置、计算机设备及存储介质。
背景技术
随着经济水平的不断提升,车辆保有量不断增加,市场上对车辆进行保养的次数也越来越多,保养的同时需要对车辆各部件进行定损,而目前对车辆进行定损的方式通常是利用人工对车辆进行检测,根据检测的结果获得车辆各部件定损的结果。然而,通过人工对车辆进行检测方式存在效率较低,且由于不同车辆维修人员的技术水平不同,容易出现针对同一车辆各部件定损的结果不统一的情况。而通过使用人工智能技术检测车辆,并给出损伤级别,能够较好地解决这些问题。
在现有技术中,其一般是先摄制车辆图像,然后利用预设神经网络模型提取车辆图像的特征向量,最后通过计算提取的特征向量获得车辆整体的损伤级别。但是,该方案一般仅通过对车辆图像识别分析完成对车辆整体损耗的判断,存在判断依据较少导致判断结果的准确性不高的缺陷,且不能对车辆各内部部件的情况做出判断,从而导致无法准确提供与车辆各部件损耗情况对应的部件处理结果的问题。
发明内容
本发明实施例提供一种车辆部件的定损方法、装置、计算机设备及存储介质,以解决无法准确提供车辆各部件具体损耗情况的问题。
一种车辆部件的定损方法,包括:
获取车辆的车辆外部部件图像和车辆行驶信息;
将车辆外部部件图像输入预先训练好的神经网络分析模型,得到车辆各外部部件的损耗等级;
对车辆行驶信息进行分析,得到车辆各内部部件的损耗等级;
根据车辆各外部部件的损耗等级和车辆各内部部件的损耗等级,获取与损耗等级相匹配的各部件的处理结果;
输出各部件的部件处理结果。
一种车辆部件的定损装置,包括:
获取模块,其用于获取车辆的车辆外部部件图像和车辆行驶信息;
车辆外部部件图像处理模块,其用于将车辆外部部件图像输入预先训练好的神经网络分析模型,得到车辆各外部部件的损耗等级;
车辆行驶信息处理模块,其用于对车辆行驶信息进行分析,得到车辆各内部部件的损耗等级;
部件处理结果获取模块,其用于根据车辆各外部部件的损耗等级和车辆各内部部件的损耗等级,获取与损耗等级相匹配的各部件的处理结果;以及
部件处理结果输出模块,其用于输出各部件的保养价格。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述车辆部件的定损方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述车辆部件的定损方法的步骤。
上述车辆部件的定损方法、装置、计算机设备及存储介质中,首先,获取车辆的车辆外部部件图像和车辆行驶信息,再将车辆外部部件图像输入预先训练好的神经网络分析模型,得到车辆各外部部件的损耗等级,然后,对车辆行驶信息进行分析,得到车辆各内部部件的损耗等级,再次,根据车辆各外部部件的损耗等级和车辆各内部部件的损耗等级获得与各部件损耗等级相匹配的各部件的部件处理结果,最后,输出各部件的部件处理结果。将车辆外部部件和内部部件分开进行处理,通过预先训练好的神经网络分析模型对车辆外部部件图像进行分析,获得车辆各外部部件的损耗等级,通过车辆的行驶信息判断车辆各内部部件的损耗等级,获得车辆各单一部件的损耗等级,根据车辆各单一部件的损耗等级获取各部件的部件处理结果,实现对单一部件进行定损,并给出与车辆各部件损耗等级相对应的部件处理结果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中车辆部件的定损方法的一应用环境示意图;
图2是本发明一实施例中车辆部件的定损方法的一流程图;
图3是本发明一实施例中车辆部件的定损方法中步骤200一流程图;
图4是本发明一实施例中车辆部件的定损方法中步骤201的一流程图;
图5是本发明一实施例中车辆部件的定损方法中步骤202的一流程图;
图6是本发明一实施例中车辆部件的定损方法中步骤300的一流程图;
图7是本发明一实施例中车辆部件的定损方法中步骤400之后的一流程图;
图8是本发明一实施例中车辆部件的定损方法中对神经网络分析模型进行训练一流程图;
图9是本发明一实施例中车辆部件的定损装置的模块示意图;
图10是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请提供的车辆部件的定损方法,可应用在如图1的应用环境中,其中,车辆是与待检车辆相关的车辆信息,通过客户端能够获取车辆信息。客户端可以是独立开发APP、小程序、网页、公众号等。客户端能够与终端设备结合使用,终端设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种车辆部件的定损方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤:
步骤100:获取车辆的车辆外部部件图像和车辆行驶信息。
对于上述步骤100,车辆外部部件图像包含与车辆外部部件相关的图像。例如,车辆外部部件可以是车辆的车架、保险杠、后视镜、轮胎、挡风玻璃等外部部件。另外,车辆外部部件图像可以是车辆外部部件处于无损、待维修、待保养等任意状态的图像。并且,针对同一车辆外部部件,可以同时具有一张或多张从各个不同角度和方向摄制的车辆外部部件图像。同时,车辆行驶信息包含与车辆行驶的相关信息。例如,车辆行驶信息可以是车型型号、里程情况、车辆部件更换情况等车辆内部部件相关信息。
步骤200:将车辆外部部件图像输入预先训练好的神经网络分析模型,得到车辆各外部部件的损耗等级。
在上述步骤200中,预设神经网络分析模型是基于单次检测器(Single ShotMultiBox Detector,以下简称SSD模型)和视觉几何组网络结构(Visual Geometry GroupNetwork,以下简称VGG模型)形成,SSD模型可以用于标记车辆外部部件的位置,VGG模型可以用于检测车辆外部部件的损耗情况。另外,损耗等级用于表示车辆部件损耗的级别,车辆部件包括车辆的外部部件和内部部件,级别越高,车辆部件的损耗越大。例如,损耗等级可以是10%、20%、30%、40%等。
步骤300:对车辆行驶信息进行分析,得到车辆各内部部件的损耗等级。
在上述步骤300中,车辆行驶信息包括但不仅限于是车辆车型、车辆行驶里程、车辆过往维修保养记录等。车辆各内部部件包括但不仅限于是火花塞、机油、机油滤芯、刹车片、气门油路等。
步骤400:根据车辆各外部部件的损耗等级和车辆各内部部件的损耗等级获得与各部件损耗等级相匹配各部件的部件处理结果。
在上述步骤400中,部件处理结果可以为更换、维修、分析中的任意一种。进一步地,更换是指对车辆部件进行更替,维修是指对车辆部件进行维护,分析是指技术人员对车辆部件进行人工检测或无需对车辆部件进行保养处理。另外,在预设数据平台中,车辆部件的损耗等级与车辆部件处理结果之间建立有映射关系。例如,当车辆部件的损耗等级大于或等于95%时,部件处理结果为更换;当车辆部件的损耗等级在70%至95%时,部件处理结果为维修;当车辆部件的损耗等级在0%至70%时,部件处理结果为分析。需要注意的是,针对不同部件而言,车辆部件的损耗等级与部件处理结果之间的映射关系可以通过人工进行修改设定。
同时,为能够更好理解车辆部件的损耗等级与部件处理结果之间的映射关系,举如下示例,车辆行驶信息包括车辆车型“XT4紧凑型SUV”、车辆行驶里程“里程数6千KM”、使用时长“4个月”和维修保养记录“从未维修保养”,从预设数据平台中获得车型信息“凯迪拉克XT4紧凑型SUV”,并依据车辆各部件的型号获得待检车辆中“火花塞”、“机油”和“机油滤芯”等部件的参考使用状态数据,获知“火花塞”里程寿命为5万KM,“机油”里程寿命为5千KM,机油滤芯使用年限为“6个月”,通过车辆行驶信息获取车辆内部部件的损耗情况各部件使用里程数为6千KM,使用时长4个月,从未经过维修和保养,将损耗情况与参考使用状态数据进行对比,获知“火花塞”无需维修,“机油”需要更换,“机油滤芯”需要分析。
步骤500:输出各部件的部件处理结果。
通过上述步骤100至步骤500的实施,能够通过神经网络分析模型对车辆各外部部件图像进行分析,获得车辆各外部部件的损耗等级,通过对车辆行驶信息进行分析,获得车辆各内部部件的损耗等级,并基于车辆各部件的损耗等级获得车辆各部件的部件处理结果,而无需人力对各部件进行分析,减少人力判断各部件损耗等级中主观因素的影响,提升对各部件分析的效率。
如图3所示,上述步骤200具体还包括以下步骤201至步骤202:
步骤201:从车辆外部部件图像提取目标部件图像。
对于上述步骤201,具体是通过预训练好的神经网络分析模型中的SSD模型从车辆外部部件图像中提取出目标部件图像。
步骤202:通过神经网络分析模型对目标部件图像进行处理并获得车辆各外部部件的损耗等级。
对于上述步骤202,具体是通过预训练好的神经网络分析模型中的VGG模型对目标部件图像进行处理并获得车辆各外部部件的损耗等级。
通过上述步骤201至步骤202的实施,能够先从车辆外部部件图像中提取目标部件图像,再对目标部件图像进行处理获得车辆外部部件的损耗等级,实现对车辆外部部件进行二次识别,提升获得损耗等级的准确性。
如图4所示,上述步骤201具体可以通过以下步骤2011至步骤2015来实现:
步骤2011:对车辆外部部件图像进行归一化处理。
在上述步骤2011中,归一化处理为将待处理的车辆外部部件图像转换成相应的标准形式,标准形式具体可以包括但不限于是对图像的平移、旋转、缩放等。
步骤2012:将车辆外部部件图像划分多个候选区域。
对于上述步骤2012,具体可以通过以下方式实现:
将车辆外部部件图像划分为N个网格,基于网格生成多个候选区域。其中,N为正整数,一个候选区域由一个或多个相邻的网格组成。
步骤2013:将每个候选区域与部件样本图像进行对比,将与部件样本图像相似度达到设定阈值的候选区域作为对应部件的目标区域。
对于上述步骤2013,其中,样本图像为用于预设神经网络分析模型识别时作为参考的车辆各外部部件图像样本。进一步地,样本图像也可以是多张相同或者不相同的车辆外部部件图像,也即,可以将每个候选区域与多个不相同车辆外部部件的样本图像进行对比。另外,设定阈值为预先设定的阈值。例如可以是85%、90%、95%等。
在上述步骤2013中将每个候选区域与部件样本图像进行对比,具体可以通过以下方式实现:
利用SSD模型将多个候选区域进行调整,分别获取多张与辆外部部件图像样本尺寸接近的图像,将该多张图像分别与部件样本图像进行重叠处理,基于重叠处理的结果分别得到该多张图像与部件样本图像的相似度。
通过上述步骤2013的实施,SSD模型能够获取相似度达到设定阈值的候选区域作为目标区域。
步骤2014:枚举不同的矩形框对目标区域进行框选,将车辆外部部件的图像面积在矩形框中占比率最高的矩形框确定为对应部件的目标矩形框。
在上述步骤2014中,将车辆外部部件的图像面积在矩形框中占比率最高的矩形框确定为对应部件的目标矩形框具体可以通过以下方式实现:
首先,计算矩形框内车辆外部部件的图像面积和矩形框的面积,然后计算车辆外部部件在矩形框内占比率,并判断车辆外部部件在矩形框内是否全面展示,最后将车辆外部部件能够全面展示的且在矩形框内占比率最高的矩形框作为对应部件的目标矩形框。
通过上述步骤2014的实施,SSD模型能够基于车辆外部部件在矩形框内的占比率获取目标矩形框,以获得展示能够清晰展示车辆外部部件的图像用于预先训练好的神经网络分析模型进行分析。
步骤2015:对目标矩形框框选的图像进行裁剪以得到目标部件图像。
通过上述步骤2011至步骤2015的实施,能够从车辆外部部件图像中获取目标部件图像,当存在多张车辆外部部件图像时,依据上述步骤2011至步骤2015,能够从多张车辆外部部件图像中分别获取多张目标部件图像;当一张车辆外部部件图像中存在多个部件时,依据上述步骤2011至步骤2015,也能够从一张车辆外部部件图像中获取多张目标部件图像。
如图5所示,上述步骤202具体可以通过以下步骤2021至步骤2023来实现:
步骤2021:对目标部件图像进行边缘检测,并根据目标部件图像中目标部件的边缘对目标部件图像进行偏转。
对于上述步骤2021,对目标部件图像进行边缘检测可以通过Sobel算子、Canny算子、Roberts Cross算子、Prewitt算子、Laplacian算子等算子实现。
以Sobel算子对目标部件图像进行边缘检测为例,上述步骤2021具体可以通过以下步骤20211至步骤20214来实现:
步骤20211:对目标部件图像进行高斯滤波处理;
步骤20212:使用第一矩阵和第二矩阵分别对应目标部件图像的横向模板和纵向模板,并分别计算出横向梯度近似值和纵向梯度近似值;其中,第一矩阵和第二矩阵均为两组a×b矩阵,a和b均为正整数。
步骤20213:基于目标部件图像中每个像素的横向梯度近似值与纵向梯度近似值,根据下式(1)可以计算获得梯度值:
其中,G为梯度值,Gx和Gy分别为第一矩阵和第二矩阵。
根据下式(2)可以计算获得梯度方向:
其中,Θ为梯度方向,梯度方向具体是梯度与横轴正半轴逆时针方向的夹角。
步骤20214:根据梯度值和方向获得目标部件的边缘。
通过上述步骤20211至步骤20214的实施,能够在对目标部件图像进行识别中,对目标部件图像中的目标部件进行边缘检测,能够使目标部件图像中的目标部件统一保持一个偏转角度,使目标部件图像的偏转符合识别要求,保证在上述步骤20214之后的步骤中对目标部件图像进行识别分析更加精确。
步骤2022:对目标部件图像进行分析,以得到特征向量。
对于步骤2022,其中,具体是通过预设神经网络分析模型中的VGG模型提取目标部件图像的特征向量,特征向量用于表示目标部件损耗等级的特征。
步骤2023:基于神经网络分析模型中的分类器对特征向量的值进行计算以获得目标部件图像中目标部件的损耗等级。
通过上述步骤2021至步骤2023的实施,能够对目标部件图像进行处理,并获得目标部件中目标部件的损耗等级。
上述步骤2022具体可以通过以下步骤20221至步骤20225实现:
步骤20221:对目标部件图像进行灰度化处理和图像校正处理。
在上述步骤20221中,灰度化处理的过程具体为:在红绿蓝模型(RGB)中形成三个分量作为三个灰度图像的灰度值,三个向量的灰度值分别为R值、G值、B值,每个像素用R值、G值、B值表示。另外,图像校正处理是采用Gamma校正法、几何校正法、灰度校正法等对图像进行对比度调节和噪点抑制。
步骤20222:计算经过灰度处理和图像校正处理的目标部件图像中每个像素的梯度以提取物体的轮廓信息。
步骤20223:将经过灰度处理和图像校正处理的目标部件图像划分为多个单元格(cells),并根据轮廓信息统计每个单元格的梯度直方图,获得每个单元格的特征描述符。其中,每个单元格为A×B像素,A和B均为正整数。
步骤20224:根据单元格生成多个块(block),分别串联各个块内所有单元格的特征向量获得各个块的方向梯度直方图的特征描述符。其中,每个块由任意几个相邻的单元格组成。
步骤20225:将所有块中包含的特征向量进行串联,得到经过灰度处理和图像校正处理的目标部件图像的特征描述符,并通过该特征描述符获得特征向量。
通过上述步骤20221至步骤20225的实施,能够获取特征向量以用于分类器获得对应部件的损耗等级。
对于上述步骤2023,其中,分类器可以包括但不限于是决策分类器、选择树分类器和证据分类器等。分类器获得的损耗等级为预先设定的供分类器选择的等级(例如,可以是0%至120%)。另外,当针对同一车辆外部部件具有多张目标部件图像时,可以对分类器获得的多个损耗等级进行求平均值处理,将获得的平均值作为该车辆外部部件的损耗等级。
上述步骤2023具体可以通过以下内容实现:
基于神经网络分析模型中的分类器对特征向量的值进行分类,获得多个分类簇,每个分类簇与各损耗等级预设有映射关系,判断分类簇中特征向量的值的个数多少,将个数最多的分类簇确定为目标分类簇,并基于目标分类簇与各损耗等级的映射关系获得对应车辆外部部件的损耗等级。
通过上述步骤2023的实施,针对对同一车辆外部部件具有多张目标部件图像的情况,能够对分类器获得的多个损耗等级求平均值,将获得的平均值作为车辆外部部件的损耗等级,由此能够有效规避通过一张车辆外部部件图像对一个车辆外部部件分析获得损耗等级得出判断的情况,减少获得损耗等级的误差。
如图6所示,上述步骤300实现的方法具体可以包括以下步骤301至步骤304:
步骤301:根据车辆行驶信息从预设数据平台中获取与待检测的车辆各内部部件相匹配的内部部件的型号。
在上述步骤301中,预设数据平台可以是预先基于关系数据库和非关系数据库形成的数据平台,同时,预设数据平台可以用于存储、搜索和计算数据。进一步地,预设数据平台中包含车辆的车型信息、与车型相关车辆部件的型号、车辆部件的参考使用状态数据、对各车辆部件进行处理的价格等与车辆保养相关的信息。其中,车辆部件参考使用状态数据具体可以包括车辆部件的使用年限、里程寿命、温度限制等。
步骤302:依据内部部件的型号从预设数据平台获取对应内部部件的参考使用状态数据。
步骤303:根据车辆行驶信息获取车辆内部部件的实际使用状态数据。
步骤304:通过以下公式计算车辆各内部部件的损耗等级:
Z=X/Y (3)
其中,Z代表损耗等级,X代表车辆各内部部件的实际使用状态数据,Y代表车辆各内部部件的参考使用状态数据。
为能够更好说明上述步骤303,列举示例:内部部件“火花塞”,其实际使用状态数据为“已使用3万公里”,其参考使用状态数据为“不超过5万公里”,获得实际使用状态数据“3”和参考使用状态数据“5”,通过公式Z=X/Y,计算得到车辆内部部件“火花塞”的实际使用状态数据在参考使用状态数据中的占比为“60%”,将该占比作为“火花塞”的损耗等级。
通过上述步骤301至步骤304的实施,能够通过车辆行驶信息对车辆内部部件进行分析,获得车辆各内部部件的损耗等级,而无需使用人力对车辆部件的损耗等级进行判断。
在本实施例中,还可以获取对车辆各个部件进行保养的价格,具体而言,如图7所示,在上述步骤400之后,还可以包括以下步骤600至步骤700:
步骤600:通过预设数据平台获取与部件处理结果相对应的各部件的保养价格。
步骤700:输出各部件的保养价格。
对于上述步骤600,保养价格为车辆部件按照部件处理结果进行处理的所需要的价格。
上述步骤600具体可以通过以下内容实现:
在预设数据平台中通过车辆部件的名称分别获取与各个车辆部件对应的部件处理结果以及各个车辆部件的保养价格。
通过上述步骤600的实施,能够获取对车辆部件按照处理结果进行处理所需要的价格。
对于上述步骤700,其中,输出的内容还可以包含车辆部件的名称和各个车辆部件的保养价格的总和。需要注意的是,输出的内容可以作为车辆的保养方案。具体地,各个车辆部件的保养价格的总和可以将获得的各个车辆部件的保养价格相加,进而获得保养价格的总和。
需要注意的是,上述步骤700输出的内容可以作为车辆的保养方案。
通过上述步骤600和上述步骤700的实施,能够获取车辆的保养方案。
为能够使神经网络分析模型能够对图像信息进行识别和分析,需要对预先对神经网络分析模型进行训练,进而得到较为成熟可靠的预先训练好的预设神经网络分析模型。故而,在上述步骤200之前,还需要对神经网络分析模型进行训练,对神经网路分析模型进行训练为步骤800,步骤800具体可以包括以下几个步骤801至步骤807:
步骤801:构建包含输入层、卷积层、池化层、全连接层和输出层的神经网络分析模型。
其中,各特征的权重值在神经网络分析模型中为初始化状态。神经网络分析模型是基于SSD模型和VGG模型构成。输入层用于接收外部信息并输入数据,卷积层用于提取图像的特征,池化层用于压缩提取的特征,全连接层用于连接所有的特征并进行分类,输出层用于输出计算结果。进一步地,卷积层和池化层的数量均可以是一个或多个。
步骤802:获取与车辆外部部件图像样本相关的数据集,并将数据集中的图像输入到输入层,将数据集随机划分为训练集、验证集和测试集。
其中,训练集用于训练神经网络分析模型,验证集用于在训练过程中验证是否存在过拟合,测试集用于判断经过训练的神经网络模型的质量。
上述步骤802中获取与车辆外部部件图像相关的数据集具体可以通过以下两种方式实现:
方式一,利用自动采集数据的方式从互联网中获取数据,将与车辆外部部件图像相关的图像自动筛选出来并作为数据集,其中,自动采集数据的方式包括但不限于是爬虫工具、付费API、数据采集工具等方式。
方式二,根据以往存储的图像,利用人力在与车辆外部部件图像相关的图像上做标记,将具有标记的图像作为数据集。
步骤803:通过VGG模型对训练集中的图像进行统一规格处理,并基于卷积层和池化层从训练集中经过统一规格处理的图像获取特征向量。
其中,统一规格处理为将图像的属性按照统一规则进行调整。例如,统一规格处理可以是对图像大小、图像像素、图像偏转角度等进行调整。
步骤804:将特征向量输入到全连接层,通过全连接层中的分类器获得分类值和车辆部件的损耗等级。
其中,分类值为分类器计算特征向量获得的数值,其与车辆部件的损耗等级相对应,也即,分类器计算得到分类值后,能够得到与该分类值对应的车辆部件的损耗等级。
步骤805:将分类值与实际值进行比较,计算分类值与实际值之间的差值,当差值等于或小于预期值时,通过输出层输出第一部件信息,当误差大于预期差值时,对分类值进行反向推倒计算,调整各特征的权重值。
其中,实际值为代表与待提取特征的图像的实际损耗等级对应的分类值。预期值为允许分类器计算得到的分类值产生的误差范围。
在上述步骤805中,对分类值进行反向推倒计算,调整各特征的权重值,具体包括以下内容:
分别在全连接层、池化层和卷积层计算分类值产生的误差,并计算全连接层、池化层和卷积层产生的误差在总误差中的占比,根据各层产生的误差在总误差中的占比对每层各特征的权重值进行调整。
步骤806:使用验证集对神经网络分析模型进行验证,调整神经网络分析模型的超参数。
其中,神经网络分析模型的超参数可以是神经元数量、迭代次数、序列长度等。
步骤807:使用测试集对神经网络分析模型进行测试,当测试结果达到预设要求时,将该神经网络分析模型作为经过训练的神经网络分析模型,当测试结果未达到预设要求时,重新进行步骤803至步骤807,直到所述测试结果达到所述预设要求。
上述步骤803至步骤805采用训练集对神经网络分析模型进行训练,步骤206采用验证集对神经网络分析模型进行验证,步骤807采用测试集对神经网络分析模型进行测试,为提高神经网络分析模型的训练效率和质量,可以每循环M次步骤803至步骤805,再进行步骤806至步骤807,M可以是正整数。例如,每循环5次步骤803至步骤805,再进行步骤806至步骤807。需要注意的是,神经网络分析模型经过训练的次数越多,神经网络分析模型对图像进行识别和分析的效率和质量越高。
通过上述步骤801至807的实施,神经网络分析模型能够经过训练、验证、测试这三个阶段,完成神经网络分析模型的训练以获得预先训练好的神经网络分析模型。
通过本实施例的实施,能够对车辆外部部件和内部部件分别进行分析,获得各部件的损耗等级,进而获得对各部件进行保养得价格,同时能够提高获取各部件的损耗情况和保养价格的准确性,减少对人力的投入,提高获取车辆保养方案的效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种车辆部件的定损装置,该车辆部件的定损装置与上述实施例中车辆部件的定损方法一一对应。如图9所示,该车辆部件的定损装置包括获取模块901、车辆外部部件图像处理模块902、车辆行驶信息处理模块903、部件处理结果获取模块904、保养价格获取模块905和保养结果输出模块906。各功能模块详细说明如下:
获取模块901,其用于获取车辆的车辆外部部件图像和车辆行驶信息;
车辆外部部件图像处理模块902,其用于将车辆外部部件图像输入预先训练好的神经网络分析模型,得到车辆各外部部件的损耗等级;
车辆行驶信息处理模块903,其用于对车辆行驶信息进行分析,得到车辆各内部部件的损耗等级;
部件处理结果获取模块904,其用于根据车辆各外部部件的损耗等级和车辆各内部部件的损耗等级获得与各部件损耗等级相匹配的部件处理结果;
保养价格获取模块905,其用于输出各部件的部件处理结果。
车辆外部部件图像处理模块902具体还可以包括提取单元和目标部件图像处理单元。各功能单元详细说明如下:
提取单元,其用于从车辆外部部件图像提取目标部件图像。
目标部件图像处理单元,其用于对目标部件图像进行处理,以获得车辆各外部部件的损耗等级。
提取单元具体还可以包括归一化子单元、候选区域子单元、候选区域对比子单元、目标矩形框获取子单元和目标部件图像裁剪子单元。各功能子单元详细说明如下:
归一化子单元,其用于对车辆外部部件图像进行归一化处理;
候选区域子单元,其用于将车辆外部部件图像划分为多个候选区域;
候选区域对比子单元,其用于将每个候选区域与部件样本图像进行对比,将与部件样本图像相似度达到设定阈值的候选区域作为对应部件的目标区域;
目标矩形框获取子单元,其用于枚举不同的矩形框对目标区域进行框选,将车辆外部部件的图像面积在矩形框中占比率最高的矩形框确定为对应部件的目标矩形框;
目标部件图像裁剪子单元,其用于对目标矩形框框选的图像进行裁剪以得到目标部件图像。
目标部件图像处理单元具体还可以包括偏转子单元、特征向量子单元和外部部件损耗等级子单元。各功能子单元详细说明如下:
偏转子单元,其用于对目标部件图像进行边缘检测,并根据目标部件图像中目标部件的边缘对目标部件图像进行偏转;
特征向量子单元,其用于对目标部件图像进行分析,以得到特征向量;
外部部件损耗等级子单元,其用于基于分类器对特征向量的值进行计算以获得目标部件图像中目标部件的损耗等级。
车辆行驶信息处理模块具体还可以包括部件型号单元、参考使用状态数据单元、实际使用状态数据单元和内部部件损耗等级单元。各功能单元详细说明如下:
部件型号单元,其用于根据车辆行驶信息从预设数据平台中获取与待检测的车辆各内部部件相匹配的内部部件的型号;
参考使用状态数据单元,其用于依据内部部件的型号从预设数据平台获取对应内部部件的参考使用状态数据;
实际使用状态数据单元,其用于根据车辆行驶信息获取车辆内部部件的实际使用状态数据;
内部部件损耗等级单元,其用于通过以下公式计算车辆各内部部件的损耗等级:
Z=X/Y
其中,Z代表损耗等级,X代表车辆各内部部件的实际使用状态数据,Y代表车辆各内部部件的参考使用状态数据。
另外,一种车辆部件的定损装置还可以包括保养价格获取模块和保养价格输出模块。各功能模块的详细功能如下:
保养价格获取模块,其用于通过预设数据平台获取与部件处理结果相对应的各部件的保养价格;
保养价格输出模块,其用于输出各部件的保养价格。
关于车辆部件的定损装置的具体限定可以参见上文中对于车辆部件的定损方法的限定,在此不再赘述。上述车辆部件的定损装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储车辆部件的定损方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆部件的定损方法。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中车辆部件的定损方法的步骤,例如图2所示的步骤100至步骤500、如图7所示的步骤600至步骤700以及如图8所示的步骤800。或者,计算机程序被处理器执行时实现上述实施例中车辆部件的定损方法的各模块/单元的功能,例如图9所示模块901至模块905的功能。为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车辆部件的定损处理方法,其特征在于,所述方法包括:
获取车辆的车辆外部部件图像和车辆行驶信息;
将所述车辆外部部件图像输入预先训练好的神经网络分析模型,得到车辆各外部部件的损耗等级;
对所述车辆行驶信息进行分析,得到车辆各内部部件的损耗等级;
根据所述车辆各外部部件的所述损耗等级和所述车辆各内部部件的所述损耗等级,获取与所述损耗等级相匹配的各部件的部件处理结果;
输出所述各部件的所述部件处理结果。
2.根据权利要求1所述的车辆部件的定损方法,其特征在于,所述将所述车辆外部部件图像输入预先训练好的神经网络分析模型,得到车辆各外部部件的损耗等级的步骤包括:
从所述车辆外部部件图像中提取目标部件图像;
通过所述神经网络分析模型对所述目标部件图像进行处理,以获得所述车辆各外部部件的所述损耗等级。
3.根据权利要求2所述的车辆部件的定损方法,其特征在于,所述从所述车辆外部部件图像中提取目标部件图像的步骤包括:
对所述车辆外部部件图像进行归一化处理;
将所述车辆外部部件图像划分为多个候选区域;
将每个所述候选区域与部件样本图像进行对比,将与所述部件样本图像相似度达到设定阈值的所述候选区域作为对应部件的目标区域;
枚举不同的矩形框对所述目标区域进行框选,将所述车辆外部部件的图像面积在所述矩形框中占比率最高的矩形框确定为对应部件的目标矩形框;
对所述目标矩形框框选的图像进行裁剪以得到所述目标部件图像。
4.根据权利要求2所述的车辆部件的定损方法,其特征在于,所述通过所述神经网络分析模型对所述目标部件图像进行处理,以获得所述车辆各外部部件的所述损耗等级的步骤包括:
对所述目标部件图像进行边缘检测,并根据所述目标部件图像中目标部件的边缘对所述目标部件图像进行偏转;
对所述目标部件图像进行分析,以得到特征向量;
基于所述神经网络分析模型中的分类器对所述特征向量的值进行计算,以获得所述目标部件图像中所述目标部件的所述损耗等级。
5.根据权利要求1所述的车辆部件的定损方法,其特征在于,所述对所述车辆行驶信息进行分析,得到车辆各内部部件的损耗等级的步骤包括包括:
根据所述车辆行驶信息从预设数据平台中获取所述车辆各内部部件的型号;
依据所述内部部件的型号从所述预设数据平台获取对应内部部件的参考使用状态数据;
根据所述车辆行驶信息获取所述车辆内部部件的实际使用状态数据;
通过以下公式计算所述车辆各内部部件的所述损耗等级:
Z=X/Y
其中,Z代表所述损耗等级,X代表所述车辆各内部部件的实际使用状态数据,Y代表所述车辆各内部部件的参考使用状态数据。
6.根据权利要求1至5任一项所述的车辆部件的定损方法,其特征在于,在所述根据所述车辆各外部部件的所述损耗等级和所述车辆各内部部件的所述损耗等级,获取与所述损耗等级相匹配的对应部件的处理结果的步骤之后,包括:
通过预设数据平台获取与所述部件处理结果相对应的各部件的保养价格;
输出所述各部件的保养价格。
7.一种车辆部件的定损装置,其特征在于,包括:
获取模块,其用于获取车辆的车辆外部部件图像和车辆行驶信息;
车辆外部部件图像处理模块,其用于将所述车辆外部部件图像输入预先训练好的神经网络分析模型,得到车辆各外部部件的损耗等级;
车辆行驶信息处理模块,其用于对所述车辆行驶信息进行分析,得到车辆各内部部件的所述损耗等级;
部件处理结果获取模块,其用于根据所述车辆各外部部件的所述损耗等级和所述车辆各内部部件的所述损耗等级获得与各部件损耗等级相匹配的部件处理结果;
部件处理结果输出模块,其用于输出各部件的保养价格。
8.根据权利要求7所述的车辆部件的定损装置,其特征在于,所述车辆外部部件图像处理模块包括:
提取单元,其用于从所述车辆外部部件图像提取目标部件图像;
目标部件图像处理单元,其用于通过所述神经网络分析模型对所述目标部件图像进行处理,以获得所述车辆各外部部件的所述损耗等级。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述车辆部件的定损方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述车辆部件的定损方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910625175.4A CN110458301A (zh) | 2019-07-11 | 2019-07-11 | 一种车辆部件的定损方法、装置、计算机设备及存储介质 |
PCT/CN2020/094341 WO2021004205A1 (zh) | 2019-07-11 | 2020-06-04 | 一种车辆部件的定损方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910625175.4A CN110458301A (zh) | 2019-07-11 | 2019-07-11 | 一种车辆部件的定损方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110458301A true CN110458301A (zh) | 2019-11-15 |
Family
ID=68482677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910625175.4A Pending CN110458301A (zh) | 2019-07-11 | 2019-07-11 | 一种车辆部件的定损方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110458301A (zh) |
WO (1) | WO2021004205A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209957A (zh) * | 2020-01-03 | 2020-05-29 | 平安科技(深圳)有限公司 | 车辆部件识别方法、装置、计算机设备及存储介质 |
CN112085610A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 目标物定损方法、装置、电子设备及计算机可读存储介质 |
WO2021004205A1 (zh) * | 2019-07-11 | 2021-01-14 | 深圳壹账通智能科技有限公司 | 一种车辆部件的定损方法、装置、计算机设备及存储介质 |
WO2021217853A1 (zh) * | 2020-04-30 | 2021-11-04 | 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 |
CN114742791A (zh) * | 2022-04-02 | 2022-07-12 | 深圳市国电科技通信有限公司 | 印刷电路板组装的辅助缺陷检测方法、装置及计算机设备 |
CN115095205A (zh) * | 2022-06-24 | 2022-09-23 | 张青霞 | 一种基于云服务的智能型立体停车设备 |
WO2023273345A1 (zh) * | 2021-06-29 | 2023-01-05 | 北京百度网讯科技有限公司 | 基于图像的车辆定损方法、装置及系统 |
CN116342111A (zh) * | 2023-05-30 | 2023-06-27 | 中汽信息科技(天津)有限公司 | 一种基于大数据的汽车配件智能交易方法及系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966586B (zh) * | 2021-03-01 | 2024-06-04 | 北京嘀嘀无限科技发展有限公司 | 车辆状态检测方法、装置、系统、设备、介质及产品 |
CN115293825A (zh) * | 2022-10-08 | 2022-11-04 | 北京西南风信息技术有限公司 | 二手车损耗成本确定方法及装置 |
CN116579592B (zh) * | 2023-07-14 | 2023-09-08 | 凯泰铭科技(北京)有限公司 | 一种可视化模式的车辆定损匹配识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127747A (zh) * | 2016-06-17 | 2016-11-16 | 史方 | 基于深度学习的汽车表面损伤分类方法及装置 |
CN106203644A (zh) * | 2016-08-09 | 2016-12-07 | 深圳市永兴元科技有限公司 | 车辆定损方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2235682B1 (en) * | 2008-01-30 | 2018-10-03 | The Boeing Company | Methods and systems for automatically assessing and reporting structural health |
CN109284836A (zh) * | 2018-08-31 | 2019-01-29 | 深圳市有钱科技有限公司 | 共享汽车维护管理方法和装置 |
CN110458301A (zh) * | 2019-07-11 | 2019-11-15 | 深圳壹账通智能科技有限公司 | 一种车辆部件的定损方法、装置、计算机设备及存储介质 |
-
2019
- 2019-07-11 CN CN201910625175.4A patent/CN110458301A/zh active Pending
-
2020
- 2020-06-04 WO PCT/CN2020/094341 patent/WO2021004205A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127747A (zh) * | 2016-06-17 | 2016-11-16 | 史方 | 基于深度学习的汽车表面损伤分类方法及装置 |
CN106203644A (zh) * | 2016-08-09 | 2016-12-07 | 深圳市永兴元科技有限公司 | 车辆定损方法和装置 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021004205A1 (zh) * | 2019-07-11 | 2021-01-14 | 深圳壹账通智能科技有限公司 | 一种车辆部件的定损方法、装置、计算机设备及存储介质 |
CN111209957A (zh) * | 2020-01-03 | 2020-05-29 | 平安科技(深圳)有限公司 | 车辆部件识别方法、装置、计算机设备及存储介质 |
CN111209957B (zh) * | 2020-01-03 | 2023-07-18 | 平安科技(深圳)有限公司 | 车辆部件识别方法、装置、计算机设备及存储介质 |
WO2021217853A1 (zh) * | 2020-04-30 | 2021-11-04 | 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 |
CN112085610A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 目标物定损方法、装置、电子设备及计算机可读存储介质 |
CN112085610B (zh) * | 2020-09-07 | 2023-08-22 | 中国平安财产保险股份有限公司 | 目标物定损方法、装置、电子设备及计算机可读存储介质 |
WO2023273345A1 (zh) * | 2021-06-29 | 2023-01-05 | 北京百度网讯科技有限公司 | 基于图像的车辆定损方法、装置及系统 |
CN114742791A (zh) * | 2022-04-02 | 2022-07-12 | 深圳市国电科技通信有限公司 | 印刷电路板组装的辅助缺陷检测方法、装置及计算机设备 |
CN115095205A (zh) * | 2022-06-24 | 2022-09-23 | 张青霞 | 一种基于云服务的智能型立体停车设备 |
CN115095205B (zh) * | 2022-06-24 | 2023-12-26 | 普智城市科技(深圳)有限公司 | 一种基于云服务的智能型立体停车设备 |
CN116342111A (zh) * | 2023-05-30 | 2023-06-27 | 中汽信息科技(天津)有限公司 | 一种基于大数据的汽车配件智能交易方法及系统 |
CN116342111B (zh) * | 2023-05-30 | 2023-08-29 | 中汽信息科技(天津)有限公司 | 一种基于大数据的汽车配件智能交易方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021004205A1 (zh) | 2021-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458301A (zh) | 一种车辆部件的定损方法、装置、计算机设备及存储介质 | |
Zavrtanik et al. | Draem-a discriminatively trained reconstruction embedding for surface anomaly detection | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN110349145B (zh) | 缺陷检测方法、装置、电子设备以及存储介质 | |
US8139867B2 (en) | Image segregation system architecture | |
US8139850B2 (en) | Constraint generation for use in image segregation | |
CN110110799A (zh) | 细胞分类方法、装置、计算机设备和存储介质 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
US7995854B2 (en) | System and method for identifying complex tokens in an image | |
US8260050B2 (en) | Test bed for optimizing an image segregation | |
US20100142846A1 (en) | Solver for image segregation | |
CN109671058A (zh) | 一种大分辨率图像的缺陷检测方法及系统 | |
CN115601332A (zh) | 一种基于语义分割的嵌入式指纹模块外观检测方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN107004266A (zh) | 检测轮胎表面上缺陷的方法 | |
CN112613375A (zh) | 一种轮胎受损检测识别方法和设备 | |
Daniel et al. | Automatic road distress detection and analysis | |
CN115439654B (zh) | 动态约束下的弱监督农田地块精细化分割方法及系统 | |
CN113269680A (zh) | 一种基于排序学习和孪生神经网络的图像修复质量评价方法 | |
CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
Meeradevi et al. | An analytical survey of textile fabric defect and shade variation detection system using image processing | |
CN116830157A (zh) | 用于自动视觉检查的图像增强技术 | |
Hou et al. | No-reference quality assessment for underwater images | |
WO2015171355A1 (en) | A method for identifying color-based vectors for analysis of frames of a video |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191115 |
|
WD01 | Invention patent application deemed withdrawn after publication |