CN111583215A - 损伤图像智能定损方法、装置、电子设备及存储介质 - Google Patents
损伤图像智能定损方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111583215A CN111583215A CN202010361298.4A CN202010361298A CN111583215A CN 111583215 A CN111583215 A CN 111583215A CN 202010361298 A CN202010361298 A CN 202010361298A CN 111583215 A CN111583215 A CN 111583215A
- Authority
- CN
- China
- Prior art keywords
- damage
- image set
- image
- value
- standard
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims description 23
- 238000001514 detection method Methods 0.000 claims abstract description 84
- 238000005070 sampling Methods 0.000 claims abstract description 42
- 238000005520 cutting process Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 79
- 230000006870 function Effects 0.000 claims description 68
- 230000003902 lesion Effects 0.000 claims description 34
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006735 deficit Effects 0.000 claims description 6
- 125000002015 acyclic group Chemical group 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000007726 management method Methods 0.000 description 13
- 230000002708 enhancing effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000006748 scratching Methods 0.000 description 4
- 230000002393 scratching effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种损伤图像智能定损方法，包括：对原始损伤图像集进行采样，得到采样图像集；获取采样图像集中采样图像的所有特征层，将采样图像中特征层的尺寸调整为相同尺寸，得到初始损伤图像集；计算初始损伤图像集中特征层的语义信息，对语义信息进行特征强化，得到标准损伤图像集；检测标准损伤图像集的损伤位置，裁剪出损伤位置对应的图像，得到目标损伤图像集；通过训练完成的图像损伤程度检测模型对目标损伤图像集进行损伤程度检测，得到损伤程度。本发明还涉及区块链技术，用户的隐私信息可存储于区块链节点中。本发明可以提高损伤图像的定损效率和检测效率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种损伤图像智能定损方法、装置、电子设备及计算机可读存储介质。
背景技术
损伤图像是指对存在损伤的目标物拍摄得到的图像，例如，车辆事故中所拍摄的事故车辆图像、道路发生坍塌时的所拍摄的道路图像等。损伤图像一般用于事后定损，如保险公司根据所述损伤图像对出现事故的车辆进行定损，以进行保险赔付等。
由于损伤图像中通常会存在与真实损伤图像相似却不是真实损伤图像的难例，例如，对于车辆损伤图像来说，车辆部件中含有的泥土、污渍经常会被当做图像损伤，目前，主要依赖随机法获取损伤图像中的真实损伤图像，但是随机法具有不稳定的特性，容易影响损伤图像中真实损伤图像的获取概率，从而会影响损伤图像的定损效率。
另外，对损伤图像的定损通常需要对定损图像进行识别来确定目标物的受损位置，而受损位置识别的准确度主要依赖对定损图像进行识别的模型。目前业内所使用的模型主要是预先收集各种图像的外观数据进行学习，然后利用构建的图像位置损伤识别模型识别定损图像中的损伤位置。为了保障识别精度，通常需要尽可能多的获取各种目标物的外观图像数据作为样本图像进行训练，而且模型算法的训练和参数优化过程周期通常较长，整体实现成本较大。因此，在损伤图像定损的处理中，还需要一种高效识别图像损伤位置的定损方案。
发明内容
本发明提供一种损伤图像智能定损的方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高损伤图像的定损效率以及损伤位置的检测效率。
为实现上述目的，本发明提供的一种损伤图像智能定损方法，包括：
获取原始损伤图像集，根据历史损伤图像集对所述原始损伤图像集进行采样，得到采样图像集；
获取所述采样图像集中每个采样图像的所有特征层，将所述采样图像中每个特征层的尺寸调整为相同尺寸，得到初始损伤图像集；
计算所述初始损伤图像集中每个特征层的语义信息，利用预设的语义特征强化函数对所述语义信息进行特征强化，得到标准损伤图像集；
所述计算所述标准损伤图像集中每个特征层的损伤值，根据所述损伤值检测所述标准损伤图像集的损伤位置，并裁剪出所述损伤位置对应的标准损伤图像集中的图像，得到目标损伤图像集；
通过预先训练完成的图像损伤程度检测模型对所述目标损伤图像集进行损伤程度检测，得到所述目标损伤图像集的损伤程度。
可选地，所述预设的语义特征强化函数包括：
其中，yi表示特征强化后的语义信息权重，xi表示需要进行特征强化的语义信息，xj表示不需要进行特征强化的语义信息权重，wg表示语义信息的偏置，C(x)表示语义信息的归一化参数，e为无限不循环小数。
可选地，所述计算所述标准损伤图像集中每个特征层的损伤值，根据所述损伤值检测所述标准损伤图像集的损伤位置，包括：
利用预设的损伤函数计算所述标准损伤图像集中每个特征层的损伤值，选取所述损伤值大于预设损伤阈值的特征层，得到损伤特征层，根据所述损伤特征层，检测出所述标准损伤图像集的损伤位置；
其中，所述预设的损伤函数包括：
γ＝αln(b+1)
其中，Lb(x)表示损伤值，x表示标准损伤图像集的像素值，α和b分别表示标准损伤图像集的权重和偏置，C表示标准损伤图像集的归一化参数。
可选地，所述方法还包括训练图像损伤程度检测模型，其中，所述训练包括：
获取训练图像集以及所述训练图像集的标签值；
将所述训练图像集输入至所述图像损伤程度检测模型中进行训练，得到训练值，并通过预设的损失函数计算所述训练值与所述标签值的损失函数值；
在所述损失函数值大于预设的阈值时，重新调整所述图像损伤程度检测模型中的参数，并利用参数调整后的所述图像损伤程度检测模型重新对所述训练图像集进行训练，直至所述损失函数值不大于所述预设的阈值时，结束所述参数的调整，完成所述图像损伤程度检测模型的训练，得到训练完成的图像损伤程度检测模型。
可选地，所述损失函数包括：
其中，L(s)表示损失函数值，k表示训练图像集的数量，yi表示训练值，y′i表示标签值。
为了解决上述问题，本发明还提供一种损伤图像智能定损装置，所述装置包括：
采样模块，用于获取原始损伤图像集，根据历史损伤图像集对所述原始损伤图像集进行采样，得到采样图像集；
调整模块，用于获取所述采样图像集中每个采样图像的所有特征层，将所述采样图像中每个特征层的尺寸调整为相同尺寸，得到初始损伤图像集；
强化模块，用于计算所述初始损伤图像集中每个特征层的语义信息，用于利用预设的语义特征强化函数对所述语义信息进行特征强化，得到标准损伤图像集；
检测模块，用于计算所述标准损伤图像集中每个特征层的损伤值，根据所述损伤值检测所述标准损伤图像集的损伤位置，并裁剪出所述损伤位置对应的标准损伤图像集中的图像，得到目标损伤图像集；
定损模块，用于通过预先训练完成的图像损伤程度检测模型对所述目标损伤图像集进行损伤程度检测，得到所述目标损伤图像集的损伤程度。
可选地，所述检测模块，包括：
选取子模块：用于利用预设的损伤函数计算所述标准损伤图像集中每个特征层的损伤值，选取所述损伤值大于预设损伤阈值的特征层，得到损伤特征层，其中，所述预设的损伤函数包括：
γ＝αln(b+1)
其中，Lb(x)表示损伤值，x表示标准损伤图像集的像素值，α和b分别表示标准损伤图像集的权重和偏置，C表示标准损伤图像集的归一化参数；
检测子模块：用于根据所述损伤特征层，检测出所述标准损伤图像集的损伤位置。
优选地，所述损伤图像智能定损装置还包括：
模型训练模块，用于训练所述图像损伤程度检测模型，其中，所述训练包括：
获取训练图像集以及所述训练图像集的标签值；
将所述训练图像集输入至所述图像损伤程度检测模型中进行训练，得到训练值，并通过预设的损失函数计算所述训练值与所述标签值的损失函数值；
在所述损失函数值大于预设的阈值时，重新调整所述图像损伤程度检测模型中的参数，并利用参数调整后的所述图像损伤程度检测模型重新对所述训练图像集进行训练，直至所述损失函数值不大于所述预设的阈值时，得到训练完成的图像损伤程度检测模型。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的损伤图像智能定损方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计算机程序，其中，所述计算机程序被处理器执行时实现以上所述的损伤图像智能定损方法。
本发明实施例首先对原始损伤图像集进行采样，得到采样图像集，可以筛选出原始损伤图像集中的难例图像，提高了原始损伤图像集中真实损伤图像的获取概率，从而提高了原始损伤图像集的定损效率；其次，本发明实施例将所述采样图像中每个特征层的尺寸调整为相同尺寸，得到初始损伤图像集，并计算所述初始损伤图像集中每个特征层的语义信息，以及结合预设的语义特征强化函数对所述语义信息进行特征强化，得到标准损伤图像集，实现了采样图像中所有特征层的语义信息的均衡化；进一步地，本发明实施例通过每个特征层的损伤值检测所述标准损伤图像集的损伤位置，不需要构建及训练图像位置损伤识别模型，从而可以提高损伤位置的检测效率；此外，本发明实施例裁剪出所述损伤位置对应的标准损伤图像集中的图像，得到目标损伤图像集，通过预先训练完成的图像损伤程度检测模型对所述目标损伤图像集进行损伤程度检测，即本发明实施例只利用图像损伤程度检测模型对损伤位置进行损伤程度的检测，保证了不会因人工主观原因出现图像定损偏差的现象，并进一步提高了计算效率。因此，本发明实施例提出的一种损伤图像智能定损方法、装置、电子设备以及计算机可读存储介质可以提高损伤图像的定损效率以及损伤位置的检测效率。
附图说明
图1为本发明一实施例提供的损伤图像智能定损方法的流程示意图；
图2为本发明图1中损伤图像智能定损方法中步骤S5的详细实施流程示意图；
图3为本发明一实施例提供的损伤图像智能定损装置的模块示意图；
图4为本发明一实施例提供的实现损伤图像智能定损方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将整合实施例，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。
本申请实施例提供的损伤图像智能定损方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述损伤图像智能定损方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。
本发明提供一种损伤图像智能定损的方法。参照图1所示，为本发明一实施例提供的损伤图像智能定损方法的流程示意图。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，损伤图像智能定损的方法包括：
S1、获取原始损伤图像集，根据历史损伤图像集对所述原始损伤图像集进行采样，得到采样图像集。
在本发明的至少一个实施例中，所述原始损伤图像集包括，但不限于：车辆损伤图像、道路损伤图像以及桥梁损伤图像等。较佳地，本发明通过图片采集设备获取所述原始损伤图像集，所述图片采集设备可以为摄像机、手机等。
进一步地，由于获取的原始损伤图像集中往往具有形态复杂的特点，比如，在车辆损伤图像中，车辆上的泥土、污渍等往往会被误认为车辆损伤，同时，车辆上含有的大面积泥土、污渍在和真实擦伤地方发生大面积重叠时也会误识别成擦伤。因此，本发明实施例通过对所述原始损伤图像集进行采样，以筛选出原始损失图像集中存在的难例图像，从而提高获取原始损伤图像中真值损失图像的概率，进而提高后续图像损伤的定损率。所述难例图像指的是与原始损伤图像相似却不是原始损伤图像的样例图像。
具体的，所述对所述原始损伤图像集进行采样，得到采样图像集，包括：
计算所述原始损伤图像集与所述原始损伤图像集损伤类别相同的历史损伤图像集的交并比值，根据所述交并比值筛选出所述原始图像集中的难例图像并剔除，得到所述采样图像集。其中，所述历史损伤图像集表示预先对图像标记为损伤图像。
详细地，本发明实施例通过下述方法计算所述原始损伤图像集与所述原始损伤图像集损伤类别相同的真实损伤图像集的交并比值：
其中，IOU表示交并比值，A表示原始损伤图像的面积，B表示真实损伤图像的面积。
进一步地，所述根据所述交并比值筛选出所述原始图像集中的难例图像包括：
若所述交并比值小于预设的交并比阈值时，则将所述交并比值对应的原始损伤图像作为难例图像并剔除，若所述交并比值不小于预设的交并比阈值，则将所述交并比值对应的原始损伤图像作为采样图像。
可选的，所述交并比阈值为0.5。
通过对原始损伤图像集进行采样，筛选出原始损伤图像集中的难例图像，本发明实施例大大提高了原始损伤图像集中真实损伤图像的获取概率。
S2、获取所述采样图像集中每个采样图像的所有特征层，并将所述采样图像中每个特征层的尺寸调整为相同尺寸，得到初始损伤图像集。
所述特征层包括高层特征层，中层特征层以及底层特征层等，不同的特征层表征图像语义信息也有所不同，例如，所述高层特征层包含更多的图像语义信息，比如图像情感，图像主题等，所述底层特征层包含较少的图像语义信息，比如图像形状，图像纹理等。本发明实施例采用尺度不变特征转换(Scale-invariant feature transform，SIFT)算法获取所述采样图像集中每个采样图像的所有特征层。
进一步地，本发明实施例预设所述采样图像包含L个特征层图像，选取所述L个特征层图像中层数为中位数的特征层图像的尺寸作为标准尺寸，根据所述标准尺寸调整剩余的特征层图像的尺寸，完成所述相同尺寸的调整，得到所述初始损伤图像集。
S3、计算所述初始损伤图像集中每个特征层的语义信息，利用预设的语义特征强化函数对所述语义信息进行特征强化，得到标准损伤图像集。
所述语义信息包括图像纹理、图像主题等。
较佳地，本发明实施例通过下述方法计算所述初始损伤图像集中每个特征层的语义信息：
其中，C表示语义信息权重，lmin,lmax分别表示最低特征层的语义信息和最高特征层的语义信息权重，L表示特征层的数量，cl表示初始损伤图像集中初始损伤图像的语义信息权重。
在本发明的至少一个实施例中，为了更好的识别出所述语义信息所要表达的图像特征信息，利用预设的语义特征强化函数对所述语义信息进行特征强化。
其中，所述预设的语义特征强化函数包括：
其中，yi表示特征强化后的语义信息权重，xi表示需要进行特征强化的语义信息，xj表示不需要进行特征强化的语义信息权重，wg表示语义信息的偏置，C(x)表示语义信息的归一化参数，e为无限不循环小数。
S4、计算所述标准损伤图像集中每个特征层的损伤值，根据所述损伤值检测所述标准损伤图像集的损伤位置，并裁剪出所述损伤位置对应的标准损伤图像集中的图像，得到目标损伤图像集。
较佳地，本发明较佳实施例所述检测所述标准损伤图像集的损伤位置，包括：利用预设的损伤函数计算所述标准损伤图像集中每个特征层的损伤值，选取所述损伤值大于预设损伤阈值的特征层，得到损伤特征层，根据所述损失特征层，检测出所述标准损伤图像集的损伤位置。
其中，所述预设的损失函数包括：
γ＝αln(b+1)
其中，Lb(x)表示损伤值，x表示标准损伤图像集的像素值，α和b分别表示标准损伤图像集的权重和偏置，C表示标准损伤图像集的归一化参数。
进一步地，所述裁剪出所述损伤位置对应的标准损伤图像集中的图像可以通过Cohen-Sutherland裁剪、中点分割裁剪算法以及Barskey裁剪等算法进行裁剪，得到所述目标损伤图像集。
进一步地，本发明其他实施例中，在检测所述标准损伤图像集的损伤位置之前，本发明还可以包括：根据损伤图像的类别不同，利用聚类算法对所述标准损伤图像集进行聚类，以提高损伤图像中损伤位置的检测速度。例如，车辆损伤图像的类别包括：凹陷、刮伤以及刮痕等等。
可选地，所述聚类算法可以为当前已知技术的k-means聚类算法。
S5、通过预先训练完成的图像损伤程度检测模型对所述目标损伤图像集进行损伤程度检测，得到所述目标损伤图像集的损伤程度。
所述图像损伤程度检测模型基于卷积神经网络进行创建的。本发明较佳实施例中，所述图像损伤程度检测模型包括：输入层、隐藏层、全连接层以及输出层。其中，所述输入层用于接收数据；所述隐藏层包括卷积层、池化层以及激活层，用于对所述数据进行训练以及增强模型的表达能力；所述全连接层用于隐藏层和输出层之间的数据传输；所述输出层用于输出训练后的数据。
进一步地，所述通过预先训练完成的图像损伤程度检测模型对所述目标损伤图像集进行损伤程度检测，得到所述目标损伤图像集的损伤程度，包括：
通过所述输入层接收所述目标损伤图像集，利用所述隐藏层对所述目标损伤图像集进行训练，得到所述目标损伤图像集的训练值，通过所述全连接层将所述目标损伤图像集的训练值传输至所述输出层，根据所述输出层输出所述目标损伤图像集的训练值，得到所述目标损伤图像集的损伤程度。
在本发明的另一个实施例包括训练所述图像损伤程度检测模型。参阅图2所示，所述训练所述图像损伤程度检测模型，包括：
S50、获取训练图像集以及所述训练图像集的标签值。
本发明实施例中，所述标签值指的是所述训练图像集的损伤程度值。
S51、将所述训练图像集输入至所述图像损伤程度检测模型中进行训练，得到训练值，并通过一个损失函数计算所述训练值与所述标签值的损失函数值。
本发明较佳实时例中，所述损失函数包括：
其中，L(s)表示损失函数值，k表示训练图像集的数量，yi表示训练值，y′i表示标签值。所述预设的阈值为0.1。
S52、若所述损失函数值大于预设的阈值时，通过随机梯度下降算法重新调整所述图像损伤程度检测模型中的参数，并利用参数调整后的所述图像损伤程度检测模型重新对所述训练图像集进行训练，直至所述损失函数值不大于所述预设的阈值时，结束所述参数的调整，完成所述图像损伤程度检测模型的训练，得到训练完成的图像损伤程度检测模型。
其中，所述图像损伤程度检测模型中的参数为权重和偏置，所述阈值可以为0.1。
本发明实施例首先对原始损伤图像集进行采样，得到采样图像集，可以筛选出原始损伤图像集中的难例图像，提高了原始损伤图像集中真实损伤图像的获取概率，从而提高了原始损伤图像集的定损效率；其次，将所述采样图像中每个特征层的尺寸调整为相同尺寸，得到初始损伤图像集，并计算所述初始损伤图像集中每个特征层的语义信息，以及结合预设的语义特征强化函数对所述语义信息进行特征强化，得到标准损伤图像集，实现了采样图像中所有特征层的语义信息的均衡化；进一步地，检测所述标准损伤图像集的损伤位置，可以避免依赖预先构建的图像位置损伤识别模型进行图像损伤位置识别，从而可以提高损伤位置的检测效率，裁剪出所述损伤位置对应的标准损伤图像集中的图像，得到目标损伤图像集，通过预先训练完成的图像损伤程度检测模型对所述目标损伤图像集进行损伤程度检测，保证了不会因人工主观原因出现图像定损偏差的现象。因此，本发明实施例提出的损伤图像智能定损方法可以提高损伤图像的定损效率以及损伤位置的检测效率。
如图3所示，是本发明损伤图像智能定损装置的功能模块图。
本发明所述损伤图像智能定损装置100可以安装于电子设备中。根据实现的功能，所述损伤图像智能定损装置可以包括采样模块101、调整模块102、强化模块103、检测模块104以及定损模块105。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述采样模块101，用于获取原始损伤图像集，根据历史损伤图像集对所述原始损伤图像集进行采样，得到采样图像集。
在本发明的至少一个实施例中，所述原始损伤图像集包括，但不限于：车辆损伤图像、道路损伤图像以及桥梁损伤图像等。较佳地，本发明通过图片采集设备获取所述原始损伤图像集，所述图片采集设备可以为摄像机、手机等。
进一步地，由于获取的原始损伤图像集中往往具有形态复杂的特点，比如，在车辆损伤图像中，车辆上的泥土、污渍等往往会被误认为车辆损伤，同时，车辆上含有的大面积泥土、污渍在和真实擦伤地方发生大面积重叠时也会误识别成擦伤。因此，本发明实施例通过对所述原始损伤图像集进行采样，以筛选出原始损失图像集中存在的难例图像，从而提高获取原始损伤图像中真值损失图像的概率，进而提高后续图像损伤的定损率。所述难例图像指的是与原始损伤图像相似却不是原始损伤图像的样例图像。
具体的，所述对所述原始损伤图像集进行采样，得到采样图像集，包括：
计算所述原始损伤图像集与所述原始损伤图像集损伤类别相同的历史损伤图像集的交并比值，根据所述交并比值筛选出所述原始图像集中的难例图像并剔除，得到所述采样图像集。其中，所述历史损伤图像集表示预先对图像标记为损伤图像。
详细地，本发明实施例通过下述方法计算所述原始损伤图像集与所述原始损伤图像集损伤类别相同的真实损伤图像集的交并比值：
其中，IOU表示交并比值，A表示原始损伤图像的面积，B表示真实损伤图像的面积。
进一步地，所述根据所述交并比值筛选出所述原始图像集中的难例图像包括：
若所述交并比值小于预设的交并比阈值时，则将所述交并比值对应的原始损伤图像作为难例图像并剔除，若所述交并比值不小于预设的交并比阈值，则将所述交并比值对应的原始损伤图像作为采样图像。
可选的，所述交并比阈值为0.5。
通过对原始损伤图像集进行采样，筛选出原始损伤图像集中的难例图像，本发明实施例大大提高了原始损伤图像集中真实损伤图像的获取概率。
所述调整模块102，用于获取所述采样图像集中每个采样图像的所有特征层，并将所述采样图像中每个特征层的尺寸调整为相同尺寸，得到初始损伤图像集。
所述特征层包括高层特征层，中层特征层以及底层特征层等，不同的特征层表征图像语义信息也有所不同，例如，所述高层特征层包含更多的图像语义信息，比如图像情感，图像主题等，所述底层特征层包含较少的图像语义信息，比如图像形状，图像纹理等。本发明实施例采用尺度不变特征转换(Scale-invariant feature transform，SIFT)算法获取所述采样图像集中每个采样图像的所有特征层。
进一步地，本发明实施例预设所述采样图像包含L个特征层图像，选取所述L个特征层图像中层数为中位数的特征层图像的尺寸作为标准尺寸，根据所述标准尺寸调整剩余的特征层图像的尺寸，完成所述相同尺寸的调整，得到所述初始损伤图像集。
所述强化模块103，用于计算所述初始损伤图像集中每个特征层的语义信息，利用预设的语义特征强化函数对所述语义信息进行特征强化，得到标准损伤图像集。
所述语义信息包括图像纹理、图像主题等。
较佳地，本发明实施例通过下述方法计算所述初始损伤图像集中每个特征层的语义信息：
其中，C表示语义信息权重，lmin,lmax分别表示最低特征层的语义信息和最高特征层的语义信息权重，L表示特征层的数量，cl表示初始损伤图像集中初始损伤图像的语义信息权重。
在本发明的至少一个实施例中，为了更好的识别出所述语义信息所要表达的图像特征信息，利用预设的语义特征强化函数对所述语义信息进行特征强化。
其中，所述预设的语义特征强化函数包括：
其中，yi表示特征强化后的语义信息权重，xi表示需要进行特征强化的语义信息，xj表示不需要进行特征强化的语义信息权重，wg表示语义信息的偏置，C(x)表示语义信息的归一化参数，e为无限不循环小数。
所述检测模块104，用于计算所述标准损伤图像集中每个特征层的损失值，根据所述损失值检测所述标准损伤图像集的损伤位置，并裁剪出所述损伤位置对应的标准损伤图像集中的图像，得到目标损伤图像集。
较佳地，本发明较佳实施例所述检测所述标准损伤图像集的损伤位置，包括：
选取子模块1040：用于利用预设的损伤函数计算所述标准损伤图像集中每个特征层的损伤值，选取所述损伤值大于预设损伤阈值的特征层，得到损伤特征层，所述预设的损伤函数包括：
γ＝αln(b+1)
其中，Lb(x)表示损伤值，x表示标准损伤图像集的像素值，α和b分别表示标准损伤图像集的权重和偏置，C表示标准损伤图像集的归一化参数；
检测子模块1041：用于根据所述损伤特征层，检测出所述标准损伤图像集的损伤位置。
进一步地，所述裁剪出所述损伤位置对应的标准损伤图像集中的图像可以通过Cohen-Sutherland裁剪、中点分割裁剪算法以及Barskey裁剪等算法进行裁剪，得到所述目标损伤图像集。
进一步地，本发明其他实施例中，在检测所述标准损伤图像集的损伤位置之前，本发明还可以包括：根据损伤图像的类别不同，利用聚类算法对所述标准损伤图像集进行聚类，以提高损伤图像中损伤位置的检测速度。例如，车辆损伤图像的类别包括：凹陷、刮伤以及刮痕等等。
可选地，所述聚类算法可以为当前已知技术的k-means聚类算法。
所述定损模块105，用于通过预先训练完成的图像损伤程度检测模型对所述目标损伤图像集进行损伤程度检测，得到所述目标损伤图像集的损伤程度。
所述图像损伤程度检测模型基于卷积神经网络进行创建的。本发明较佳实施例中，所述图像损伤程度检测模型包括：输入层、隐藏层、全连接层以及输出层。其中，所述输入层用于接收数据；所述隐藏层包括卷积层、池化层以及激活层，用于对所述数据进行训练以及增强模型的表达能力；所述全连接层用于隐藏层和输出层之间的数据传输；所述输出层用于输出数据。
进一步地，所述通过预先训练完成的图像损伤程度检测模型对所述目标损伤图像集进行损伤程度检测，得到所述目标损伤图像集的损伤程度，包括：
通过所述输入层接收所述目标损伤图像集，利用所述隐藏层对所述目标损伤图像集进行训练，得到所述目标损伤图像集的训练值，通过所述全连接层将所述目标损伤图像集的训练值传输至所述输出层，根据所述输出层输出所述目标损伤图像集的训练值，得到所述目标损伤图像集的损伤程度。
在本发明的另一个实施例还包括模型训练模块，用于训练所述图像损伤程度检测模型详细地，所述训练包括：
步骤Ⅰ、获取训练图像集以及所述训练图像集的标签值。
本发明实施例中，所述标签值指的是所述训练图像集的损伤程度值。
步骤Ⅱ、将所述训练图像集输入至所述图像损伤程度检测模型中进行训练，得到训练值，并通过一个损失函数计算所述训练值与所述标签值的损失函数值。
本发明较佳实时例中，所述损失函数包括：
其中，L(s)表示损失函数值，k表示训练图像集的数量，yi表示训练值，y′i表示标签值。所述预设的阈值为0.1。
步骤Ⅲ、在所述损失函数值大于预设的阈值时，通过随机梯度下降算法重新调整所述图像损伤程度检测模型中的参数，并利用参数调整后的所述图像损伤程度检测模型重新对所述训练图像集进行训练，直至所述损失函数值不大于所述预设的阈值时，结束所述参数的调整，完成所述图像损伤程度检测模型的训练，得到训练完成的图像损伤程度检测模型。
其中，所述图像损伤程度检测模型中的参数为权重和偏置，所述阈值可以为0.1。
本发明实施例首先对原始损伤图像集进行采样，得到采样图像集，可以筛选出原始损伤图像集中的难例图像，提高了原始损伤图像集中真实损伤图像的获取概率；其次，将所述采样图像中每个特征层的尺寸调整为相同尺寸，得到初始损伤图像集，并计算所述初始损伤图像集中每个特征层的语义信息，以及结合预设的语义特征强化函数对所述语义信息进行特征强化，得到标准损伤图像集，实现了采样图像中所有特征层的语义信息的均衡化，从而充分的利用了采样图像中所有的语义信息，进而保证了采样图像的定损准确率；进一步地，检测所述标准损伤图像集的损伤位置，并裁剪出所述损伤位置对应的标准损伤图像集中的图像，得到目标损伤图像集，通过预先训练完成的图像损伤程度检测模型对所述目标损伤图像集进行损伤程度检测，保证了不会因人工主观原因出现图像定损偏差的现象。因此，本发明实施例提出的一种损伤图像智能定损装置可以提高损伤图像定损的准确率。
如图4所示，是本发明实现损伤图像智能定损的方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如损伤图像智能定损程序。
其中，所述存储器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、移动硬盘、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。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如损伤图像智能定损程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如损伤图像智能定损程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备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。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、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，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的损伤图像智能定损程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取原始损伤图像集，根据历史损伤图像集对所述原始损伤图像集进行采样，得到采样图像集；
获取所述采样图像集中每个采样图像的所有特征层，并将所述采样图像中每个特征层的尺寸调整为相同尺寸，得到初始损伤图像集；
计算所述初始损伤图像集中每个特征层的语义信息；
利用预设的语义特征强化函数对所述语义信息进行特征强化，得到标准损伤图像集；
计算所述标准损伤图像集中每个特征层的损伤值，根据所述损伤值检测所述标准损伤图像集的损伤位置，并裁剪出所述损伤位置对应的标准损伤图像集中的图像，得到目标损伤图像集；
通过预先训练完成的图像损伤程度检测模型对所述目标损伤图像集进行损伤程度检测，得到所述目标损伤图像集的损伤程度。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元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。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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模块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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种损伤图像智能定损方法，其特征在于，所述方法包括：
获取原始损伤图像集，根据历史损伤图像集对所述原始损伤图像集进行采样，得到采样图像集；
获取所述采样图像集中每个采样图像的所有特征层，将所述采样图像中每个特征层的尺寸调整为相同尺寸，得到初始损伤图像集；
计算所述初始损伤图像集中每个特征层的语义信息，利用预设的语义特征强化函数对所述语义信息进行特征强化，得到标准损伤图像集；
计算所述标准损伤图像集中每个特征层的损伤值，根据所述损伤值检测所述标准损伤图像集的损伤位置，并裁剪出所述损伤位置对应的标准损伤图像集中的图像，得到目标损伤图像集；
通过预先训练完成的图像损伤程度检测模型对所述目标损伤图像集进行损伤程度检测，得到所述目标损伤图像集的损伤程度。
2.如权利要求1所述的损伤图像智能定损方法，其特征在于，所述预设的语义特征强化函数包括：
其中，yi表示特征强化后的语义信息权重，xi表示需要进行特征强化的语义信息，xj表示不需要进行特征强化的语义信息权重，wg表示语义信息的偏置，C(x)表示语义信息的归一化参数，e为无限不循环小数。
3.如权利要求1所述的损伤图像智能定损方法，其特征在于，所述计算所述标准损伤图像集中每个特征层的损伤值，根据所述损伤值检测所述标准损伤图像集的损伤位置，包括：
利用预设的损伤函数计算所述标准损伤图像集中每个特征层的损伤值，选取所述损伤值大于预设损伤阈值的特征层，得到损伤特征层，根据所述损伤特征层，检测出所述标准损伤图像集的损伤位置；
其中，所述预设的损伤函数包括：
γ＝αln(b+1)
其中，Lb(x)表示损伤值，x表示标准损伤图像集的像素值，α和b分别表示标准损伤图像集的权重和偏置，C表示标准损伤图像集的归一化参数。
4.如权利要求1至3中任意一项所述的损伤图像智能定损方法，其特征在于，该方法还包括训练所述图像损伤程度检测模型，其中，所述训练包括：
获取训练图像集以及所述训练图像集的标签值；
将所述训练图像集输入至所述图像损伤程度检测模型中进行训练，得到训练值，并通过预设的损失函数计算所述训练值与所述标签值的损失函数值；
在所述损失函数值大于预设的阈值时，重新调整所述图像损伤程度检测模型中的参数，并利用参数调整后的所述图像损伤程度检测模型重新对所述训练图像集进行训练，直至所述损失函数值不大于所述预设的阈值时，得到训练完成的图像损伤程度检测模型。
5.如权利要求4所述的损伤图像智能定损方法，其特征在于，所述损失函数包括：
其中，L(s)表示损失函数值，k表示训练图像集的数量，yi表示训练值，yi ′表示标签值。
6.一种损伤图像智能定损装置，其特征在于，所述装置包括：
采样模块，用于获取原始损伤图像集，根据历史损伤图像集对所述原始损伤图像集进行采样，得到采样图像集；
调整模块，用于获取所述采样图像集中每个采样图像的所有特征层，将所述采样图像中每个特征层的尺寸调整为相同尺寸，得到初始损伤图像集；
强化模块，用于计算所述初始损伤图像集中每个特征层的语义信息，用于利用预设的语义特征强化函数对所述语义信息进行特征强化，得到标准损伤图像集；
检测模块，用于计算所述标准损伤图像集中每个特征层的损伤值，根据所述损伤值检测所述标准损伤图像集的损伤位置，并裁剪出所述损伤位置对应的标准损伤图像集中的图像，得到目标损伤图像集；
定损模块，用于通过预先训练完成的图像损伤程度检测模型对所述目标损伤图像集进行损伤程度检测，得到所述目标损伤图像集的损伤程度。
7.如权利要求6所述的损伤图像智能定损装置，其特征在于，所述检测模块，包括：
选取子模块：用于利用预设的损伤函数计算所述标准损伤图像集中每个特征层的损伤值，选取所述损伤值大于预设损伤阈值的特征层，得到损伤特征层，其中，所述预设的损伤函数包括：
γ＝αln(b+1)
其中，Lb(x)表示损伤值，x表示标准损伤图像集的像素值，α和b分别表示标准损伤图像集的权重和偏置，C表示标准损伤图像集的归一化参数；
检测子模块：用于根据所述损伤特征层，检测出所述标准损伤图像集的损伤位置。
8.如权利要求6或7所述的损伤图像智能定损装置，其特征在于，该装置还包括：
模型训练模块，用于训练所述图像损伤程度检测模型，其中，所述训练包括：
获取训练图像集以及所述训练图像集的标签值；
将所述训练图像集输入至所述图像损伤程度检测模型中进行训练，得到训练值，并通过预设的损失函数计算所述训练值与所述标签值的损失函数值；
在所述损失函数值大于预设的阈值时，重新调整所述图像损伤程度检测模型中的参数，并利用参数调整后的所述图像损伤程度检测模型重新对所述训练图像集进行训练，直至所述损失函数值不大于所述预设的阈值时，得到训练完成的图像损伤程度检测模型。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任意一项所述的损伤图像智能定损方法。
10.一种计算机可读存储介质，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的损伤图像智能定损方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010361298.4A CN111583215B (zh) | 2020-04-30 | 2020-04-30 | 损伤图像智能定损方法、装置、电子设备及存储介质 |
| PCT/CN2020/098972 WO2021217853A1 (zh) | 2020-04-30 | 2020-06-29 | 损伤图像智能定损方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010361298.4A CN111583215B (zh) | 2020-04-30 | 2020-04-30 | 损伤图像智能定损方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111583215A true CN111583215A (zh) | 2020-08-25 |
| CN111583215B CN111583215B (zh) | 2024-07-02 |
Family
ID=72112027
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010361298.4A Active CN111583215B (zh) | 2020-04-30 | 2020-04-30 | 损伤图像智能定损方法、装置、电子设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111583215B (zh) |
| WO (1) | WO2021217853A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686271A (zh) * | 2020-12-14 | 2021-04-20 | 杭州趣链科技有限公司 | 损伤预估方法、装置、设备及存储介质 |
| WO2022247006A1 (zh) * | 2021-05-27 | 2022-12-01 | 平安科技（深圳）有限公司 | 基于多重特征的目标物分割方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446618A (zh) * | 2018-03-09 | 2018-08-24 | 平安科技（深圳）有限公司 | 车辆定损方法、装置、电子设备及存储介质 |
| CN109191453A (zh) * | 2018-09-14 | 2019-01-11 | 北京字节跳动网络技术有限公司 | 用于生成图像类别检测模型的方法和装置 |
| CN110349124A (zh) * | 2019-06-13 | 2019-10-18 | 平安科技（深圳）有限公司 | 车辆外观损伤智能检测方法、装置及计算机可读存储介质 |
| CN110728236A (zh) * | 2019-10-12 | 2020-01-24 | 创新奇智(重庆)科技有限公司 | 车辆定损方法及其专用设备 |
| CN110874594A (zh) * | 2019-09-23 | 2020-03-10 | 平安科技（深圳）有限公司 | 基于语义分割网络的人体外表损伤检测方法及相关设备 |
| CN110895814A (zh) * | 2019-11-30 | 2020-03-20 | 南京工业大学 | 一种基于上下文编码网络的航空发动机孔探图像损伤智能分割方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106504248B (zh) * | 2016-12-06 | 2021-02-26 | 成都通甲优博科技有限责任公司 | 基于计算机视觉的车辆损伤判别方法 |
| CN109657716B (zh) * | 2018-12-12 | 2020-12-29 | 中汽数据(天津)有限公司 | 一种基于深度学习的车辆外观损伤识别方法 |
| 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 |
-
2020
- 2020-04-30 CN CN202010361298.4A patent/CN111583215B/zh active Active
- 2020-06-29 WO PCT/CN2020/098972 patent/WO2021217853A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446618A (zh) * | 2018-03-09 | 2018-08-24 | 平安科技（深圳）有限公司 | 车辆定损方法、装置、电子设备及存储介质 |
| CN109191453A (zh) * | 2018-09-14 | 2019-01-11 | 北京字节跳动网络技术有限公司 | 用于生成图像类别检测模型的方法和装置 |
| CN110349124A (zh) * | 2019-06-13 | 2019-10-18 | 平安科技（深圳）有限公司 | 车辆外观损伤智能检测方法、装置及计算机可读存储介质 |
| CN110874594A (zh) * | 2019-09-23 | 2020-03-10 | 平安科技（深圳）有限公司 | 基于语义分割网络的人体外表损伤检测方法及相关设备 |
| CN110728236A (zh) * | 2019-10-12 | 2020-01-24 | 创新奇智(重庆)科技有限公司 | 车辆定损方法及其专用设备 |
| CN110895814A (zh) * | 2019-11-30 | 2020-03-20 | 南京工业大学 | 一种基于上下文编码网络的航空发动机孔探图像损伤智能分割方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686271A (zh) * | 2020-12-14 | 2021-04-20 | 杭州趣链科技有限公司 | 损伤预估方法、装置、设备及存储介质 |
| WO2022247006A1 (zh) * | 2021-05-27 | 2022-12-01 | 平安科技（深圳）有限公司 | 基于多重特征的目标物分割方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021217853A1 (zh) | 2021-11-04 |
| CN111583215B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112395978B (zh) | 行为检测方法、装置及计算机可读存储介质 | |
| CN112446544B (zh) | 交通流预测模型训练方法、装置、电子设备及存储介质 | |
| CN111652280B (zh) | 基于行为的目标物数据分析方法、装置及存储介质 | |
| CN112651342B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
| CN111681681A (zh) | 语音情绪识别方法、装置、电子设备及存储介质 | |
| WO2021189855A1 (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
| CN112447189A (zh) | 语音事件检测方法、装置、电子设备及计算机存储介质 | |
| CN113705462B (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN111695609A (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
| CN111695594A (zh) | 图像类别识别方法、装置、计算机设备及介质 | |
| CN112052850A (zh) | 车牌识别方法、装置、电子设备及存储介质 | |
| CN112581227A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN111696663A (zh) | 疾病风险的分析方法、装置、电子设备及计算机存储介质 | |
| CN111815731A (zh) | 图像处理方法、装置及计算机可读存储介质 | |
| CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
| CN112132216B (zh) | 车型识别方法、装置、电子设备及存储介质 | |
| CN113064994A (zh) | 会议质量评估方法、装置、设备及存储介质 | |
| CN111583215A (zh) | 损伤图像智能定损方法、装置、电子设备及存储介质 | |
| CN113626606A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN115471775A (zh) | 基于录屏视频的信息验证方法、装置、设备及存储介质 | |
| CN113792672B (zh) | 公共场所健康码获取方法、装置、设备及介质 | |
| CN112862703B (zh) | 基于移动拍照的图像校正方法、装置、电子设备及介质 | |
| CN114463685B (zh) | 行为识别方法、装置、电子设备及存储介质 | |
| CN113869269B (zh) | 活动现场拥挤度检测方法、装置、电子设备及存储介质 | |
| CN113792671B (zh) | 人脸合成图像的检测方法、装置、电子设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40030173 Country of ref document: HK |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |