CN111652209B - 损伤检测方法、装置、电子设备及介质 - Google Patents
损伤检测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN111652209B CN111652209B CN202010361297.XA CN202010361297A CN111652209B CN 111652209 B CN111652209 B CN 111652209B CN 202010361297 A CN202010361297 A CN 202010361297A CN 111652209 B CN111652209 B CN 111652209B
- Authority
- CN
- China
- Prior art keywords
- image
- damage
- image set
- training
- target part
- 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.)
- Active
Links
- 230000006378 damage Effects 0.000 title claims abstract description 306
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 121
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 40
- 208000027418 Wounds and injury Diseases 0.000 claims description 34
- 208000014674 injury Diseases 0.000 claims description 34
- 230000003902 lesion Effects 0.000 claims description 23
- 239000003550 marker Substances 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006735 deficit Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 20
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007790 scraping Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Finance (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及人工智能领域,揭露一种损伤检测方法,包括:对原始损伤图像集去噪得到标准图像集;对标准图像集进行特征处理得到特征图集;利用所述特征图集训练多个图像生成模型,将所述原始损伤图像集输入所述图像生成模型,得到损伤图像训练集及损伤特征标记图像训练集;利用所述损伤图像训练集和所述损伤特征标记图像训练集训练目标部位损伤检测模型,并利用所述目标部位损伤检测模型对待检测损伤图像检测,得到损伤类型。此外,本发明还涉及区块链技术,用于模型训练以及检测的数据可存储于区块链中。本发明还提出一种损伤检测装置、电子设备以及计算机可读存储介质。本发明可以解决目标部位损伤数据过少导致的模型训练不准确的问题。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种损伤检测方法、装置、电子设备及计算机可读存储介质。
背景技术
近几年,随着计算机视觉技术和深度学习技术的发展和突破,逐渐出现了一些代替了人工作业的物体智能检测模型。然而,车辆等物体损伤的检测会存在错综复杂、形态各异等特点,而且不同物体的部件类型、材质以及形状的不同,使得损伤检测也会产生各种变化,使用单一模型,很难应对各种情况的损伤。为了解决该问题,目前业内经常按物体部位进行分类,构建不同部位的检测模型。每一个部位的检测模型都需要该部位的足量的损伤数据进行模型训练。但是,现实生活中,不同部位发生损伤的可能性存在严重不平衡,例如,车辆的车顶损伤的可能性远远小于前后保险杠和车门损伤的可能性,这将导致车顶损伤的图像数据较少,进而导致车顶损伤检测模型的训练数据不足从而影响模型准确率。
发明内容
本发明提供一种损伤检测方法、装置、电子设备及计算机可读存储介质,其主要目的在于解决了目标部位损伤数据过少导致的模型训练不准确的问题。
为实现上述目的,本发明提供的一种损伤检测方法,包括:
获取原始损伤图像集,其中,所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集;
对所述原始损伤图像集进行去噪处理,得到标准图像集;
对所述标准图像集中的图像进行网格划分,得到划分组合图像集,并对所述划分组合图像集进行特征提取,得到特征图集;
利用所述特征图集训练预构建的第一生成式对抗网络模型;
对所述特征图集进行损伤特征类型标记,得到损伤特征类型标记图像集,利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型;
将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型,得到目标部位损伤图像训练集,及将所述目标部位损伤图像集输入至所述第二生成式对抗网络模型,得到目标部位损伤特征标记图像训练集;
利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型;
利用所述目标部位损伤检测模型对待检测损伤图像进行检测,得到待检测损伤图像的损伤类型。
可选地,所述对所述原始损伤图像集进行去噪处理,得到标准图像集,包括:
将预构建的两个噪声统计器的差值乘以预设的倍数组成卷积核,利用所述卷积核对所述原始损伤图像集中的每个图像进行卷积操作,得到图像噪声值;
将所述原始损伤图像集中图像噪声值大于预设门限值的图像删除,得到所述标准图像集。
可选地,所述图像噪声值的计算公式如下:
其中W,H分别为所述原始损伤图像集中图像的宽和高,imageI为所述原始损伤图像集中第I个图像,I(x,y)为第I个图像的像素坐标,N表示所述卷积核。
可选地,所述对所述标准图像集中的图像进行网格划分,包括:
采用尺度维度Mi和横宽比维度Mj对所述标准图像集中的图像进行网格划分。
可选地,所述利用所述特征图集训练预构建的第一生成式对抗网络模型,包括:
对所述特征图集进行分类组合,得到目标部位特征图扩展组合和非目标部位特征图扩展组合;
将所述特征图集根据尺度维度Mi进行分类,得到不同尺度维度的特征图集F(Mi);
根据所述特征图集F(Mi)、所述目标部位特征图扩展组合及所述非目标部位特征图扩展组合构建特征图损伤函数,利用所述特征图损伤函数对所述第一生成式对抗网络模型进行训练,得到所述第一生成式对抗网络模型的图像损伤值;
当所述计算出来的损伤值小于第一预设阈值时,所述第一生成式对抗网络模型完成训练。
可选地,所述特征图损伤函数为:
其中,代表不同尺度维度的特征图损失值,f(Mi)为尺度为Mi的特征图集F(Mi)中的图像,ZS为所述第一生成式对抗网络模型中生成网络生成的特征图像,DX表示第一生成式对抗网络模型中的判别网络判断图像真实概率的函数,/>表示非目标部位特征图扩展组合的期望,/>表示目标部位特征图扩展组合的期望。
可选地,所述利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型,包括:
对所述损伤特征类型标记图像集进行分类组合,得到目标部位特征类型标记扩展组合和非目标部位特征类型标记扩展组合;
根据所述损伤特征类型标记图像集、所述目标部位特征类型标记扩展组合和非目标部位特征类型标记扩展组合,构建实例损伤函数对第二生成式对抗网络模型进行训练,得到所述第二生成式对抗网络模型的实例损失值;
当所述计算出来的实例损失值小于第二预设阈值时,所述第二生成式对抗网络模型完成训练;
可选地,所述实例损失函数为:
其中,表示所述实例损失值,Zy表示所述第二生成式对抗网络模型中生成网络生成的特征图像,Dins表示第二生成式对抗网络模型中的判别网络判断图像真实概率的函数,Zx表示损伤特征类型标记图像,;/>表示非目标部位特征扩展组合期望,/>表示目标部位特征扩展组合期望。
为了解决上述问题,本发明还提供一种损伤检测装置,所述装置包括:
图像去噪模块,用于获取原始损伤图像集,对所述原始损伤图像集进行去噪处理,得到标准图像集;
特征图集生成模块,用于对所述标准图像集中的图像进行网格划分处理,得到划分组合图像集,并对所述划分组合图像集进行特征提取,得到特征图集;
生成模型训练模块,用于利用所述特征图集训练预构建的第一生成式对抗网络模型,对所述特征图集进行损伤特征类型标记,得到损伤特征类型标记图像集,利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型;
训练图像生成模块,用于将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型,得到目标部位损伤图像训练集,及将所述目标部位损伤图像集输入至所述第二生成式对抗网络模型,得到目标部位损伤特征标记图像训练集;
损伤检测模型训练模块,用于利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型;
损伤类型检测模块,用于利用所述目标部位损伤检测模型对待检测损伤图像进行检测,得到待检测损伤图像的损伤类型。
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检测方法。
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,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的损伤检测方法。
本发明实施例对原始损伤图像集进行去噪处理,得到标准图像集,去除了图像质量差的图像,降低了计算压力和模型训练的准确度;对所述标准图像集中的图像进行网格划分处理,得到划分组合图像集,并对所述划分组合图像集进行特征提取,得到特征图集,去除了非特征部位对模型训练的影响;利用所述特征图集训练预构建的第一生成式对抗网络模型,对所述目标部位损伤图像集进行扩充,生成目标部位损伤图像训练集;对所述特征图集进行损伤特征类型标记得到损伤特征类型标记图像,利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型,生成目标部位损伤特征标记图像训练集;并利用上述扩充操作得到的目标部位损伤图像训练集和目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型,以对待识别损伤图像进行检测,得到目标部位损伤类型。因此,本发明实施例所述的损伤检测方法、装置、电子设备以及计算机可读存储介质解决了目标部位损伤数据过少导致的模型训练不准确的问题。
附图说明
图1为本发明一实施例提供的损伤检测方法的流程示意图;
图2为本发明一实施例提供的损伤检测方法的模块示意图;
图3为本发明一实施例提供的损伤检测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。
本发明提供一种损伤检测方法。参照图1所示,为本发明一实施例提供的损伤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,损伤检测方法包括:
S1、获取原始损伤图像集,其中,所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集。
本发明实施例中所述原始损伤图像集包括预设物体,如车辆的各个部位的损伤图像的集合。所述原始损伤图像集可以通过人工拍摄或者从一个损伤图像集数据库中下载得到。所述损伤图像集数据库可以是,例如保险公司的理赔数据库。
进一步地,所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集。其中,所述目标部位损伤图像集为样本数据较少的部位的损伤图像集合。例如,所述原始损伤图像集为车辆不同部位的损伤图像的集合,由于车辆的车顶损伤的可能性远远小于车辆其他部位损伤的可能性,导致车顶损伤的图像数据较少,所以可以以车顶损伤的图像集合为目标部位损伤图像集,车辆除车顶外其他部位的损伤图像集合为非目标部位损伤图像集。本发明实施例可以利用所述非目标部位损伤图像集生成多个目标部位损伤图像,从而扩充所述目标部位损伤图像集。
S2、对所述原始损伤图像集进行去噪处理,得到标准图像集。
本发明其中一个实施例中,所述原始损伤图像集中的图像可能会由于拍摄人员的水平以及现场环境等的影响,导致拍摄出来的图像质量受到一定的影响,如图像较暗,图像模糊等,因此,本发明实施例需要对所原始损伤图像集进行去噪处理,过滤掉质量差的图像。
较佳地,本发明实施例利用图像噪声估计算法对所述原始损伤图像集进行去噪处理,得到标准图像集。其中,所述图像噪声估计算法通过两个噪声统计器组成的卷积核对所述原始损伤图像集进行卷积操作,过滤掉所述原始损伤图像集中质量差的图像。其中,所述噪声统计器是预设的初始卷积核。
详细地,所述图像噪声估计算法包括:
将预构建的两个噪声统计器的差值乘以预设的倍数组成卷积核;
利用所述卷积核对所述原始损伤图像集中的每个图像进行卷积操作,得到图像噪声值;
将所述原始损伤图像集中图像噪声值大于预设门限值的图像删除,得到所述标准图像集。
例如:两个噪声统计器分别为L1和L2,预设的倍数为2,则所述卷积核为N=2(L2-L1)。
进一步地,本发明实施例利用所述卷积核对所述原始损伤图像集中的图像执行如下卷积操作得到图像噪声值σn:
其中W,H分别为所述原始损伤图像集中图像的宽和高,imageI为所述原始损伤图像集中第I个图像,I(x,y)为第I个图像的像素坐标,N表示所述卷积核。
本发明实施例将计算得到的所述图像噪声值σn与一个预设门限值进行比较,以确定保留该图像或者删除该图像。
例如,设门限值为C,则:
通过上述去噪处理,本发明实施例可以筛选出所述原始损伤图像集中的清晰图像,得到标准图像集。
S3、对所述标准图像集中的图像进行网格划分,得到划分组合图像集,并对所述划分组合图像集进行特征提取,得到特征图集。
本发明实施例中所述网格划分处理是指把一张图像分成多个网格。
详细地,本发明实施例中所述划分可以采用尺度维度Mi和横宽比维度Mj对所述准图像集中的图像进行网格划分。所述尺度维度Mi为按照网格的个数Mi对所述标准图像集中的图像进行网格划分,其中,Mi=r*l,i为尺度类型,r为网格的列数,l为网格的行数。所述横宽比维度Mj为按照网格的宽度与高度的比值Mj对所述标准图像集中的图像进行网格划分,其中,Mj=k/g,j为横宽比的类型,k为网格的宽,g为网格的高。本发明实施例选择一种尺度类型和一种横宽比类型的组合S(S={Mi,Mj})对所述标准图像集中的图像进行网格划分处理,得到一组划分组合图像集。例如:选择Mi=256,Mj=1的划分组合,将所述标准图像集中的图像划分为256个网格,网格横宽比为1。因此,根据Mi,Mj的不同类型的组合方式,本发明实施例可以得到i*j组不同的划分组合图像集。
本发明其中一个优选实施例可以选用i=3,j=3,即三种尺度类型以及3种横宽比类型对所述标准图像集中的图像进行网格划分处理。其中,所述三种尺度类型分别是:Mi=256,代表将图像划分为256个网格;Mi=160,代表将图像划分为160个网格;Mi=96,代表将图像划分为96个网格。同时,所述三种横宽比类型分别是:Mj=0.5、Mj=1、Mj=2。在i=3,j=3,的情况下,共得到9组不同的划分组合的图像。
进一步地,本发明实施例可以利用已知的区域候选网络技术(RPN,RegionProposal Networks)对所述组合图像进行特征提取,得到特征图集。
S4、利用所述特征图集训练预构建的第一生成式对抗网络模型。
本领域技术人员应该了解,所述生成式对抗网络模型分为判别网络和生成网络两个部分。在训练过程中,所述生成网络用来生成图像,所述判别网络用来判断生成网络生成的图像的真实概率,当所述生成网络的真实概率达到预设阈值时,根据此时的生成网络得到一个生成模型,用来生成图像。
较佳地,本发明实施例所述第一生成式对抗网络模型为目标部位损伤图像的生成式对抗网络模型。
详细地,所述训练预构建的第一生成式对抗网络模型,包括:
S40、对所述特征图集进行分类组合,得到目标部位特征图扩展组合和非目标部位特征图扩展组合。
详细地,本发明实施例将所述非目标部位特征图两两组合为非目标部位特征图扩展组合,将任一目标部位特征图与任一非目标部位特征图组合为目标部位特征图扩展组合。例如:Gs1={(gs,gs)},Gs2={(gs,gt)},其中gs为非目标部位特征图,gt为目标部位特征图,Gs1表示非目标部位特征图扩展组合,Gs2表示目标部位特征图扩展组合。
S41、将所述特征图集按照尺度维度Mi进行分类,得到不同划分尺度的特征图F(Mi)。
S42、根据所述特征图集F(Mi)、所述目标部位特征图扩展组合及所述非目标部位特征图扩展组合构建特征图损伤函数,利用所述特征图损伤函数对所述第一生成式对抗网络模型进行训练,得到所述第一生成式对抗网络模型的图像损伤值。
其中,所述特征图损伤函数为:
其中,代表不同尺度维度的特征图损失值,f(Mi)为尺度为Mi的特征图集F(Mi)中的图像,ZS为所述第一生成式对抗网络模型中生成网络生成的特征图像,DX表示第一生成式对抗网络模型中的判别网络判断图像真实概率的函数,/>表示非目标部位特征图扩展组合的期望,/>表示目标部位特征图扩展组合的期望。
本发明实施例根据计算得到的不同尺度维度的特征图损伤值,得到所述第一生成式对抗网络模型的图像损伤值:
其中,L表示所述图像损伤值,为尺度维度为Mi的特征图损伤值,i为尺度类型。
S43、当所述计算出来的损伤值小于第一预设阈值时,所述第一生成式对抗网络模型完成训练。其中,所述第一预设阈值可以根据对所述第一生成式对抗网络模型的精度要求设定不同的值。
S5、对所述特征图集进行损伤特征类型标记,得到损伤特征类型标记图像集,利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型。
详细地,本发明实施例可以利用已知的感兴趣的区域池化(RoI Pooling,Regionof InterestPooling)技术对所述特征图集进行损伤特征类型标记得到损伤特征类型标记图像集。其中,所述损伤特征类型标记图像集中包括:非目标部位的损伤特征类型标记图像和目标部位的损伤特征类型标记图像。
上述第一生成式对抗网络模型可以生成目标部位损伤图像,但是所述目标部位损伤图像并不知道其中的损伤类型,本发明实施例中所述第二生成式对抗网络模型可以生成具有损伤特征类型标记的损伤图像。其中,所述损伤特征类型可以包括:刮擦、划痕、凹陷、缺失、破裂、褶皱和死褶等。
较佳地,本发明实施例所述第二生成式对抗网络模型为目标部位的损伤特征类型标记图像的生成式对抗网络模型。
详细地,所述利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型,包括:
S50、对损伤特征类型标记图像集进行分类组合,得到目标部位特征类型标记扩展组合和非目标部位特征类型标记扩展组合。
详细地,本发明实施例将任一非目标部位的损伤特征类型标记图像和任一目标部位的损伤特征类型标记图像组合得到目标部位特征类型标记扩展组合,将非目标部位的损伤特征类型标记图像两两组合得到非目标部位特征类型标记扩展组合。例如:Ni1={(nis,nis)},Ni2={(nis,nit)},其中nis为非目标部位的损伤特征类型标记图像,nit为目标部位的损伤特征类型标记图像,Ni1表示非目标部位特征类型标记扩展组合,Ni2表示目标部位特征类型标记扩展组合。
S51、根据所述损伤特征类型标记图像集、所述目标部位特征类型标记扩展组合和非目标部位特征类型标记扩展组合,构建实例损伤函数对第二生成式对抗网络模型进行训练,得到所述第二生成式对抗网络模型的实例损失值。
其中,所述实例损失函数为:
其中,表示所述实例损失值,Zy表示所述第二生成式对抗网络模型中生成网络生成的特征图像,Dins表示第二生成式对抗网络模型中的判别网络判断图像真实概率的函数,Zx表示损伤特征类型标记图像,;/>表示非目标部位特征扩展组合期望,/>表示目标部位特征扩展组合期望。
S53,当所述计算出来的实例损失值小于第二预设阈值时,所述第二生成式对抗网络模型完成训练。其中,所述第二预设阈值可以根据对所述第二生成式对抗网络模型的精度要求设定不同的值。
S6、将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型得到目标部位损伤图像训练集,及将所述目标部位损伤图像集输入至所述第二生成式对抗网络模型得到目标部位损伤特征标记图像训练集。
S7、利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型。
较佳地,所述目标部位损伤检测模型可以通过卷积神经网络进行构建。本发明实施例将所述目标部位损伤图像训练集作为训练集,将目标部位损伤特征标记图像训练集作为标签集,构建规范损失函数对所述目标部位损伤检测模型进行训练。
其中,所述规范损失函数公式如下:
其中,Lreg表示规范损失值,fs,ft分别代表特征提取函数,w和h分别为输入图像的宽和高,xs、xt分别表示目标部位损伤图像训练集中的图像和目标部位损伤特征标记图像训练集中的图像,表示目标部位损伤图像训练集的期望。
本发明实施例中,当所述规范损失值小于第三预设阈值时,完成所述目标部位损伤检测模型的训练。其中,所述第三预设阈值可以根据对所述目标部位损伤检测模型的精度要求设定不同的值。
S8、利用所述目标部位损伤检测模型对待检测损伤图像进行检测,得到待检测损伤图像的损伤类型。
本发明其中一个实施例中,用于所述目标部位损伤检测模型的训练数据以及检测数据可以存储于区块链中。
本发明实施例对原始损伤图像集进行去噪处理,得到标准图像集,去除了图像质量差的图像,降低了计算压力和模型训练的准确度;对所述标准图像集中的图像进行网格划分处理,得到划分组合图像集,并对所述划分组合图像集进行特征提取,得到特征图集,去除了非特征部位对模型训练的影响;利用所述特征图集训练预构建的第一生成式对抗网络模型,对所述目标部位损伤图像集进行扩充,生成目标部位损伤图像训练集;对所述特征图集进行损伤特征类型标记得到损伤特征类型标记图像集,利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型,生成目标部位损伤特征标记图像训练集;并利用上述扩充操作得到的目标部位损伤图像训练集和目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型,以对待识别损伤图像进行检测,得到目标部位损伤类型。经过上述步骤得到的模型训练算法,解决了目标部位损伤数据过少导致的模型训练不准确的问题。
如图2所示,是本发明损伤检测装置的功能模块图。
本发明的损伤检测装置100可以安装于电子设备中。根据实现的功能,所述装置可以包括图像去噪模块101、特征图集生成模块102、生成模型训练模块103、训练图像生成模块104、损伤检测模型训练模块105及损伤类型检测模块106。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:
所述图像去噪模块101,用于获取原始损伤图像集,对所述原始损伤图像集进行去噪处理,得到标准图像集。
本发明实施例中,所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集。
本发明实施例中所述原始损伤图像集包括预设物体,如车辆的各个部位的损伤图像的集合。所述原始损伤图像集可以通过人工拍摄或者从一个损伤图像集数据库中下载得到。所述损伤图像集数据库可以是,例如保险公司的理赔数据库。
进一步地,所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集。其中,所述目标部位损伤图像集为样本数据较少的部位的损伤图像集合。例如,所述原始损伤图像集为车辆不同部位的损伤图像的集合,由于车辆的车顶损伤的可能性远远小于车辆其他部位损伤的可能性,导致车顶损伤的图像数据较少,所以可以以车顶损伤的图像集合为目标部位损伤图像集,车辆除车顶外其他部位的损伤图像集合为非目标部位损伤图像集。本发明实施例可以利用所述非目标部位损伤图像集生成多个目标部位损伤图像,从而扩充所述目标部位损伤图像集。
本发明其中一个实施例中,所述原始损伤图像集中的图像可能会由于拍摄人员的水平以及现场环境等的影响,导致拍摄出来的图像质量受到一定的影响,如图像较暗,图像模糊等,因此,本发明实施例需要对所原始损伤图像集进行去噪处理,过滤掉质量差的图像。
较佳地,本发明实施例利用图像噪声估计算法对所述原始损伤图像集进行去噪处理,得到标准图像集。其中,所述图像噪声估计算法通过两个噪声统计器组成的卷积核对所述原始损伤图像集进行卷积操作,过滤掉所述原始损伤图像集中质量差的图像。其中,所述噪声统计器是预设的初始卷积核。
详细地,所述图像噪声估计算法包括:
将预构建的两个噪声统计器的差值乘以预设的倍数组成卷积核;
利用所述卷积核对所述原始损伤图像集中的每个图像进行卷积操作,得到图像噪声值;
将所述原始损伤图像集中图像噪声值大于预设门限值的图像删除,得到所述标准图像集。
例如:两个噪声统计器分别为L1和L2,预设的倍数为2,则所述卷积核为N=2(L2-L1)。
进一步地,本发明实施例利用所述卷积核对所述原始损伤图像集中的图像执行如下卷积操作得到图像噪声值σn:
其中W,H分别为所述原始损伤图像集中图像的宽和高,imageI为所述原始损伤图像集中第I个图像,I(x,y)为第I个图像的像素坐标,N表示所述卷积核。
本发明实施例将计算得到的所述图像噪声值σn与一个预设门限值进行比较,以确定保留该图像或者删除该图像。
例如,设门限值为C,则:
通过上述去噪处理,本发明实施例可以筛选出所述原始损伤图像集中的清晰图像,得到标准图像集。
所述特征图集生成模块102,用于对所述标准图像集中的图像进行网格划分,得到划分组合图像集,并对所述划分组合图像集进行特征提取,得到特征图集。
本发明实施例中所述网格划分处理是指把一张图像分成多个网格。
详细地,本发明实施例中所述划分可以采用尺度维度Mi和横宽比维度Mj对所述准图像集中的图像进行网格划分。所述尺度维度Mi为按照网格的个数Mi对所述标准图像集中的图像进行网格划分,其中,Mi=r*l,i为尺度类型,r为网格的列数,l为网格的行数。所述横宽比维度Mj为按照网格的宽度与高度的比值Mj对所述标准图像集中的图像进行网格划分,其中,Mj=k/g,j为横宽比的类型,k为网格的宽,g为网格的高。本发明实施例选择一种尺度类型和一种横宽比类型的组合S(S={Mi,Mj})对所述标准图像集中的图像进行网格划分处理,得到一组划分组合图像集。例如:选择Mi=256,Mj=1的划分组合,将所述标准图像集中的图像划分为256个网格,网格横宽比为1。因此,根据Mi,Mj的不同类型的组合方式,本发明实施例可以得到i*j组不同的划分组合图像集。
本发明其中一个优选实施例可以选用i=3,j=3,即三种尺度类型以及3种横宽比类型对所述标准图像集中的图像进行网格划分处理。其中,所述三种尺度类型分别是:Mi=256,代表将图像划分为256个网格;Mi=160,代表将图像划分为160个网格;Mi=96,代表将图像划分为96个网格。同时,所述三种横宽比类型分别是:Mj=0.5、Mj=1、Mj=2。在i=3,j=3,的情况下,共得到9组不同的划分组合的图像。
进一步地,本发明实施例可以利用已知的区域候选网络技术(RPN,RegionProposal Networks)对所述组合图像进行特征提取,得到特征图集。
所述生成模型训练模块103,用于利用所述特征图集训练预构建的第一生成式对抗网络模型,对所述特征图集进行损伤特征类型标记,得到损伤特征类型标记图像集,利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型。
本领域技术人员应该了解,所述生成式对抗网络模型分为判别网络和生成网络两个部分。在训练过程中,所述生成网络用来生成图像,所述判别网络用来判断生成网络生成的图像的真实概率,当所述生成网络的真实概率达到预设阈值时,根据此时的生成网络得到一个生成模型,用来生成图像。
较佳地,本发明实施例所述第一生成式对抗网络模型为目标部位损伤图像的生成式对抗网络模型。
详细地,所述训练预构建的第一生成式对抗网络模型,包括:
步骤A、对所述特征图集进行分类组合,得到目标部位特征图扩展组合和非目标部位特征图扩展组合。
详细地,本发明实施例将所述非目标部位特征图两两组合为非目标部位特征图扩展组合,将任一目标部位特征图与任一非目标部位特征图组合为目标部位特征图扩展组合。例如:Gs1={(gs,gs)},Gs2={(gs,gt)},其中gs为非目标部位特征图,gt为目标部位特征图,Gs1表示非目标部位特征图扩展组合,Gs2表示目标部位特征图扩展组合。
步骤B、将所述特征图集按照尺度维度Mi进行分类,得到不同划分尺度的特征图F(Mi)。
步骤C、根据所述特征图集F(Mi)、所述目标部位特征图扩展组合及所述非目标部位特征图扩展组合构建特征图损伤函数,利用所述特征图损伤函数对所述第一生成式对抗网络模型进行训练,得到所述第一生成式对抗网络模型的图像损伤值。
其中,所述特征图损伤函数为:
其中,代表不同尺度维度的特征图损失值,f(Mi)为尺度为Mi的特征图集F(Mi)中的图像,ZS为所述第一生成式对抗网络模型中生成网络生成的特征图像,DX表示第一生成式对抗网络模型中的判别网络判断图像真实概率的函数,/>表示非目标部位特征图扩展组合的期望,/>表示目标部位特征图扩展组合的期望。
本发明实施例根据计算得到的不同尺度维度的特征图损伤值,得到所述第一生成式对抗网络模型的图像损伤值:
其中,L表示所述图像损伤值,为尺度维度为Mi的特征图损伤值,i为尺度类型。
步骤D、当所述计算出来的损伤值小于第一预设阈值时,所述第一生成式对抗网络模型完成训练。其中,所述第一预设阈值可以根据对所述第一生成式对抗网络模型的精度要求设定不同的值。
进一步地,本发明实施例可以利用已知的感兴趣的区域池化(RoI Pooling,Region of InterestPooling)技术对所述特征图集进行损伤特征类型标记得到损伤特征类型标记图像集。其中,所述损伤特征类型标记图像集中包括:非目标部位的损伤特征类型标记图像和目标部位的损伤特征类型标记图像。
上述第一生成式对抗网络模型可以生成目标部位损伤图像,但是所述目标部位损伤图像并不知道其中的损伤类型,本发明实施例中所述第二生成式对抗网络模型可以生成具有损伤特征类型标记的损伤图像。其中,所述损伤特征类型可以包括:刮擦、划痕、凹陷、缺失、破裂、褶皱和死褶等。
较佳地,本发明实施例所述第二生成式对抗网络模型为目标部位的损伤特征类型标记图像的生成式对抗网络模型。
详细地,所述利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型,包括:
步骤a、对损伤特征类型标记图像集进行分类组合,得到目标部位特征类型标记扩展组合和非目标部位特征类型标记扩展组合。
详细地,本发明实施例将任一非目标部位的损伤特征类型标记图像和任一目标部位的损伤特征类型标记图像组合得到目标部位特征类型标记扩展组合,将非目标部位的损伤特征类型标记图像两两组合得到非目标部位特征类型标记扩展组合。例如:Ni1={(nis,nis)},Ni2={(nis,nit)},其中nis为非目标部位的损伤特征类型标记图像,nit为目标部位的损伤特征类型标记图像,Ni1表示非目标部位特征类型标记扩展组合,Ni2表示目标部位特征类型标记扩展组合。
步骤b、根据所述损伤特征类型标记图像集、所述目标部位特征类型标记扩展组合和非目标部位特征类型标记扩展组合,构建实例损伤函数对第二生成式对抗网络模型进行训练,得到所述第二生成式对抗网络模型的实例损失值。
其中,所述实例损失函数为:
其中,表示所述实例损失值,Zy表示所述第二生成式对抗网络模型中生成网络生成的特征图像,Dins表示第二生成式对抗网络模型中的判别网络判断图像真实概率的函数,Zx表示损伤特征类型标记图像,;/>表示非目标部位特征扩展组合期望,/>表示目标部位特征扩展组合期望。
步骤c,当所述计算出来的实例损失值小于第二预设阈值时,所述第二生成式对抗网络模型完成训练。其中,所述第二预设阈值可以根据对所述第二生成式对抗网络模型的精度要求设定不同的值。
所述训练图像生成模块104,用于将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型,得到目标部位损伤图像训练集,及将所述目标部位损伤图像集输入至所述第二生成式对抗网络模型,得到目标部位损伤特征标记图像训练集。
所述损伤检测模型训练模块105,用于利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型。
较佳地,所述目标部位损伤检测模型可以通过卷积神经网络进行构建。本发明实施例将所述目标部位损伤图像训练集作为训练集,将目标部位损伤特征标记图像训练集作为标签集,构建规范损失函数对所述目标部位损伤检测模型进行训练。
其中,所述规范损失函数公式如下:
其中,Lreg表示规范损失值,fs,ft分别代表特征提取函数,w和h分别为输入图像的宽和高,xs、xt分别表示目标部位损伤图像训练集中的图像和目标部位损伤特征标记图像训练集中的图像,表示目标部位损伤图像训练集的期望。
本发明实施例中,当所述规范损失值小于第三预设值时,完成所述目标部位损伤检测模型的训练。其中,所述第三预设阈值可以根据对所述目标部位损伤检测模型的精度要求设定不同的值。
所述损伤类型检测模块106,用于利用所述目标部位损伤检测模型对待检测损伤图像进行检测,得到待检测损伤图像的损伤类型。
本发明其中一个实施例中,用于所述目标部位损伤检测模型的训练数据以及检测数据可以存储于区块链中。
如图3所示,是本发明实现损伤检测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,如损伤检测程序12。
其中,所述存储器11至少包括一类型型的可读存储介质,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,例如损伤检测程序的代码等,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(例如损伤检测程序等),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3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3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存储的损伤检测程序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,其中,所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集;
对所述原始损伤图像集进行去噪处理,得到标准图像集;
对所述标准图像集中的图像进行网格划分处理,得到划分组合图像集,并对所述划分组合图像集进行特征提取,得到特征图集;
利用所述特征图集训练预构建的第一生成式对抗网络模型;
对所述特征图集进行损伤特征类型标记,得到损伤特征类型标记图像集,利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型;
将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型,得到目标部位损伤图像训练集,及将所述目标部位损伤图像集输入至所述第二生成式对抗网络模型,得到目标部位损伤特征标记图像训练集;
利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型;
利用所述目标部位损伤检测模型对待检测损伤图像进行检测,得到待检测损伤图像的损伤类型。
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)
1.一种损伤检测方法,其特征在于,所述方法包括:
获取原始损伤图像集,其中,所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集;
对所述原始损伤图像集进行去噪处理,得到标准图像集;
对所述标准图像集中的图像进行网格划分,得到划分组合图像集,并对所述划分组合图像集进行特征提取,得到特征图集;
利用所述特征图集训练预构建的第一生成式对抗网络模型;
对所述特征图集进行损伤特征类型标记,得到损伤特征类型标记图像集,利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型;
将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型,得到目标部位损伤图像训练集,及将所述目标部位损伤图像集输入至所述第二生成式对抗网络模型,得到目标部位损伤特征标记图像训练集;
利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型;
利用所述目标部位损伤检测模型对待检测损伤图像进行检测,得到待检测损伤图像的损伤类型。
2.如权利要求1所述的损伤检测方法,其特征在于,所述对所述原始损伤图像集进行去噪处理,得到标准图像集,包括:
将预构建的两个噪声统计器的差值乘以预设的倍数组成卷积核,利用所述卷积核对所述原始损伤图像集中的每个图像进行卷积操作,得到图像噪声值;
将所述原始损伤图像集中图像噪声值大于预设门限值的图像删除,得到所述标准图像集。
3.如权利要求2所述的损伤检测方法,其特征在于,所述图像噪声值的计算公式如下:
其中W,H分别为所述原始损伤图像集中图像的宽和高,为所述原始损伤图像集中第I个图像,/>为第I个图像的像素坐标,N表示所述卷积核。
4.如权利要求1所述的损伤检测方法,其特征在于,所述对所述标准图像集中的图像进行网格划分,包括:
采用尺度维度和横宽比维度/>对所述标准图像集中的图像进行网格划分。
5.如权利要求4所述的损伤检测方法,其特征在于,所述利用所述特征图集训练预构建的第一生成式对抗网络模型,包括:
对所述特征图集进行分类组合,得到目标部位特征图扩展组合和非目标部位特征图扩展组合;
将所述特征图集根据尺度维度进行分类,得到不同尺度维度的特征图集/>;
根据所述特征图集、所述目标部位特征图扩展组合及所述非目标部位特征图扩展组合构建特征图损伤函数,利用所述特征图损伤函数对所述第一生成式对抗网络模型进行训练,得到所述第一生成式对抗网络模型的图像损伤值;
当所述图像损伤值小于第一预设阈值时,所述第一生成式对抗网络模型完成训练。
6.如权利要求5的损伤检测方法,其特征在于,所述特征图损伤函数为:
其中,代表不同尺度维度的特征图损失值,/>为尺度为/>中的图像,/>为所述第一生成式对抗网络模型中生成网络生成的特征图像,/>表示第一生成式对抗网络模型中的判别网络判断图像真实概率的函数,/>表示非目标部位特征图扩展组合的期望,/>表示目标部位特征图扩展组合的期望。
7.如权利要求1至6中任意一项所述的损伤检测方法,其特征在于,所述利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型,包括:
对所述损伤特征类型标记图像集进行分类组合,得到目标部位特征类型标记扩展组合和非目标部位特征类型标记扩展组合;
根据所述损伤特征类型标记图像集、所述目标部位特征类型标记扩展组合和非目标部位特征类型标记扩展组合,构建实例损伤函数对第二生成式对抗网络模型进行训练,得到所述第二生成式对抗网络模型的实例损失值;
当所述实例损失值小于第二预设阈值时,所述第二生成式对抗网络模型完成训练。
8.一种损伤检测装置,其特征在于,所述装置包括:
图像去噪模块,用于获取原始损伤图像集,对所述原始损伤图像集进行去噪处理,得到标准图像集,其中,所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集;
特征图集生成模块,用于对所述标准图像集中的图像进行网格划分,得到划分组合图像集,并对所述划分组合图像集进行特征提取,得到特征图集;
生成模型训练模块,用于利用所述特征图集训练预构建的第一生成式对抗网络模型,对所述特征图集进行损伤特征类型标记,得到损伤特征类型标记图像集,利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型;
训练图像生成模块,用于将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型,得到目标部位损伤图像训练集,及将所述目标部位损伤图像集输入至所述第二生成式对抗网络模型,得到目标部位损伤特征标记图像训练集;
损伤检测模型训练模块,用于利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型;
损伤类型检测模块,用于利用所述目标部位损伤检测模型对待检测损伤图像进行检测,得到待检测损伤图像的损伤类型。
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时,使所述至少一个处理器执行如权利要求1至7中任一项所述的损伤检测方法。
10.一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7中任一项所述的损伤检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361297.XA CN111652209B (zh) | 2020-04-30 | 2020-04-30 | 损伤检测方法、装置、电子设备及介质 |
PCT/CN2020/098971 WO2021217852A1 (zh) | 2020-04-30 | 2020-06-29 | 损伤检测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361297.XA CN111652209B (zh) | 2020-04-30 | 2020-04-30 | 损伤检测方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652209A CN111652209A (zh) | 2020-09-11 |
CN111652209B true CN111652209B (zh) | 2024-05-10 |
Family
ID=72346067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010361297.XA Active CN111652209B (zh) | 2020-04-30 | 2020-04-30 | 损伤检测方法、装置、电子设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111652209B (zh) |
WO (1) | WO2021217852A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233125B (zh) * | 2020-10-15 | 2023-06-02 | 平安科技(深圳)有限公司 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
CN112801951A (zh) * | 2021-01-15 | 2021-05-14 | 深圳市商汤科技有限公司 | 目标部件的损伤检测方法、装置、设备及存储介质 |
CN114894807A (zh) * | 2022-05-16 | 2022-08-12 | 福耀玻璃工业集团股份有限公司 | 一种工件表面橘皮的检测设备、方法及装置 |
CN115115611B (zh) * | 2022-07-21 | 2023-04-07 | 明觉科技(北京)有限公司 | 车辆损伤识别方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019028725A1 (en) * | 2017-08-10 | 2019-02-14 | Intel Corporation | CONVOLUTIVE NEURAL NETWORK STRUCTURE USING INVERTED CONNECTIONS AND OBJECTIVITY ANTERIORITIES TO DETECT AN OBJECT |
WO2019205391A1 (zh) * | 2018-04-26 | 2019-10-31 | 平安科技(深圳)有限公司 | 车辆损伤分类模型的生成装置、方法及计算机可读存储介质 |
CN110569864A (zh) * | 2018-09-04 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 基于gan网络的车损图像生成方法和装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190021677A1 (en) * | 2017-07-18 | 2019-01-24 | Siemens Healthcare Gmbh | Methods and systems for classification and assessment using machine learning |
CN108802041B (zh) * | 2018-03-16 | 2023-05-05 | 惠州旭鑫智能技术有限公司 | 一种屏幕检测的小样本集快速换型的方法 |
CN109741328B (zh) * | 2019-02-02 | 2023-04-14 | 东北大学 | 一种基于生成式对抗网络的汽车表观质量检测方法 |
CN110032931B (zh) * | 2019-03-01 | 2023-06-13 | 创新先进技术有限公司 | 生成对抗网络训练、网纹去除方法、装置及电子设备 |
KR102034248B1 (ko) * | 2019-04-19 | 2019-10-18 | 주식회사 루닛 | GAN(Generative Adversarial Networks)을 이용하는 이상 검출 방법, 장치 및 그 시스템 |
CN110097543B (zh) * | 2019-04-25 | 2023-01-13 | 东北大学 | 基于生成式对抗网络的热轧带钢表面缺陷检测方法 |
CN110992315A (zh) * | 2019-11-18 | 2020-04-10 | 上海集成电路研发中心有限公司 | 一种基于生成式对抗网络的芯片表面缺陷分类装置和方法 |
CN110880176B (zh) * | 2019-11-19 | 2022-04-26 | 浙江大学 | 一种基于对抗生成网络的半监督工业图像缺陷分割方法 |
-
2020
- 2020-04-30 CN CN202010361297.XA patent/CN111652209B/zh active Active
- 2020-06-29 WO PCT/CN2020/098971 patent/WO2021217852A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019028725A1 (en) * | 2017-08-10 | 2019-02-14 | Intel Corporation | CONVOLUTIVE NEURAL NETWORK STRUCTURE USING INVERTED CONNECTIONS AND OBJECTIVITY ANTERIORITIES TO DETECT AN OBJECT |
WO2019205391A1 (zh) * | 2018-04-26 | 2019-10-31 | 平安科技(深圳)有限公司 | 车辆损伤分类模型的生成装置、方法及计算机可读存储介质 |
CN110569864A (zh) * | 2018-09-04 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 基于gan网络的车损图像生成方法和装置 |
Non-Patent Citations (1)
Title |
---|
卷积神经网络在光学元件损伤检测中的应用;刘岩;;电脑知识与技术;20170228;13(04);第178-182页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111652209A (zh) | 2020-09-11 |
WO2021217852A1 (zh) | 2021-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652209B (zh) | 损伤检测方法、装置、电子设备及介质 | |
CN111932482B (zh) | 图像中目标物的检测方法、装置、电子设备及存储介质 | |
CN112395978B (zh) | 行为检测方法、装置及计算机可读存储介质 | |
CN111932547B (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
CN111932534B (zh) | 医学影像图片分析方法、装置、电子设备及可读存储介质 | |
CN112465060A (zh) | 图像中目标物检测方法、装置、电子设备及可读存储介质 | |
CN109858327B (zh) | 一种基于深度学习的字符分割方法 | |
CN111695609A (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN111639704A (zh) | 目标识别方法、装置及计算机可读存储介质 | |
CN111933274A (zh) | 疾病分类诊断方法、装置、电子设备及存储介质 | |
CN111695615A (zh) | 基于人工智能的车辆定损方法、装置、电子设备及介质 | |
CN112036304A (zh) | 医疗票据版面识别的方法、装置及计算机设备 | |
CN112862703B (zh) | 基于移动拍照的图像校正方法、装置、电子设备及介质 | |
CN112528903A (zh) | 人脸图像获取方法、装置、电子设备及介质 | |
CN114445499A (zh) | 棋盘格角点自动提取方法、系统、设备及介质 | |
CN115294426B (zh) | 介入医学设备的跟踪方法、装置、设备及存储介质 | |
CN111814743A (zh) | 笔迹识别方法、装置及计算机可读存储介质 | |
JP5365408B2 (ja) | 移動体認識装置、移動体認識方法及びプログラム | |
CN114463685A (zh) | 行为识别方法、装置、电子设备及存储介质 | |
CN114066664A (zh) | 基于行为画像的风险等级评估方法、装置、设备及介质 | |
CN113343882A (zh) | 人群计数方法、装置、电子设备及存储介质 | |
CN112561893A (zh) | 图片匹配方法、装置、电子设备及存储介质 | |
CN113792671A (zh) | 人脸合成图像的检测方法、装置、电子设备及介质 | |
CN112541436A (zh) | 专注度分析方法、装置、电子设备及计算机存储介质 | |
CN112434601A (zh) | 基于行车视频的车辆违法检测方法、装置、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: 40031431 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 | ||
GR01 | Patent grant |