CN111680746A - 车损检测模型训练、车损检测方法、装置、设备及介质 - Google Patents

车损检测模型训练、车损检测方法、装置、设备及介质 Download PDF

Info

Publication number
CN111680746A
CN111680746A CN202010513050.5A CN202010513050A CN111680746A CN 111680746 A CN111680746 A CN 111680746A CN 202010513050 A CN202010513050 A CN 202010513050A CN 111680746 A CN111680746 A CN 111680746A
Authority
CN
China
Prior art keywords
vehicle
loss
vehicle loss
image
detection model
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
Application number
CN202010513050.5A
Other languages
English (en)
Other versions
CN111680746B (zh
Inventor
康甲
刘莉红
刘玉宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010513050.5A priority Critical patent/CN111680746B/zh
Publication of CN111680746A publication Critical patent/CN111680746A/zh
Priority to PCT/CN2020/120758 priority patent/WO2021135500A1/zh
Application granted granted Critical
Publication of CN111680746B publication Critical patent/CN111680746B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能的分类模型领域，提供一种车损检测模型训练、车损检测方法、装置、设备及介质，方法包括：通过包含车损样本图像的车损样本集输入车损检测模型进行训练，通过基于InceptionV4模型架构的车损检测模型提取损纹理特征，获取至少一个的预测结果；通过GIOU方法和soft‑NMS算法，获取识别结果；通过GIOU损失算法，确定出第一损失值，同时通过多分类交叉熵方法，确定出第二损失值；根据第一损失值和第二损失值，确定总损失值；在总损失值未达到预设的收敛条件时，迭代更新车损检测模型的初始参数，直至总损失值达到预设的收敛条件时，将收敛之后的车损检测模型记录为训练完成的车损检测模型。本发明实现快速识别车损类型和车损区域。

Description

车损检测模型训练、车损检测方法、装置、设备及介质
技术领域
本发明涉及人工智能的分类模型领域，尤其涉及一种车损检测模型训练、车损检测方法、装置、计算机设备及存储介质。
背景技术
在车辆发生交通事故后，车辆的某些部位会留下破损、刮伤等损伤的痕迹，目前，保险公司一般是人工识别由车主或业务人员拍摄的交通事故之后的车辆损伤的图像，即对图像中车辆的损伤部位的损伤类型及损伤区域进行人工识别并判定，如此，可能由于存在标准理解不一、观察经验不足等影响，导致人工识别的损伤类型及损伤区域不符；例如：由于凹陷和刮擦难以通过目测图像加以分辨，定损人员很容易就将凹陷的损伤类型确定为刮擦的损伤类型，上述情况下导致的定损失误，会大大降低了定损的准确性；在可能会导致保险公司的成本损失的同时，也会降低车主或客户的满意度；此外，人工定损的工作量巨大，定损效率低下，在需要满足一定的定损准确度的情况下，会进一步提升工作量，降低工作效率。
发明内容
本发明提供一种车损检测模型训练、车损检测方法、装置、计算机设备及存储介质，实现了通过引入车损转换图像和基于InceptionV4模型进行架构，并且通过GIOU方法、soft-NMS算法和GIOU损失算法进行训练能够减少样本收集数量及提升了识别准确性和可靠性，减少了成本，提高了训练效率。
一种车损检测模型训练方法，包括：
获取车损样本集；所述车损样本集包括车损样本图像，所述车损样本图像包括车损原始图像和车损转换图像，一个所述车损样本图像与一个车损标签组关联；所述车损标签组包括车损标签类型和矩形区域；所述车损转换图像为所述车损原始图像通过图像预处理模型进行随机数值累加后并转换获得；
将所述车损样本图像输入含有初始参数的车损检测模型，通过所述车损检测模型提取所述车损样本图像中的车损纹理特征，获取所述车损检测模型根据提取的所述车损纹理特征输出的至少一个的预测结果；所述车损检测模型为基于InceptionV4模型架构的深度卷积神经网络模型；
通过GIOU方法和soft-NMS算法，获取所述车损检测模型对所有所述预测结果进行筛选获得的识别结果；所述识别结果包括样本车损类型和样本识别区域；
通过GIOU损失算法，根据所述矩形区域和所述样本识别区域确定出第一损失值，同时通过多分类交叉熵方法，根据所述车损标签类型和所述样本车损类型确定出第二损失值；
根据所述第一损失值和所述第二损失值，确定总损失值；
在所述总损失值未达到预设的收敛条件时，迭代更新所述车损检测模型的初始参数，直至所述总损失值达到所述预设的收敛条件时，将收敛之后的所述车损检测模型记录为训练完成的车损检测模型。
一种车损检测方法，包括：
接收到车损检测指令，获取车损图像；
将所述车损图像输入如上述车损检测模型训练方法训练完成的车损检测模型，通过所述车损检测模型提取车损纹理特征，获取所述车损检测模型根据所述车损纹理特征输出的最终结果；所述最终结果包括车损类型和车损区域，所述最终结果表征了所述车损图像中的所有损伤位置的车损类型和车损区域。
一种车损检测模型训练装置，包括：
获取模块，用于获取车损样本集；所述车损样本集包括车损样本图像，所述车损样本图像包括车损原始图像和车损转换图像，一个所述车损样本图像与一个车损标签组关联；所述车损标签组包括车损标签类型和矩形区域；所述车损转换图像为所述车损原始图像通过图像预处理模型进行随机数值累加后并转换获得；
输入模块，用于将所述车损样本图像输入含有初始参数的车损检测模型，通过所述车损检测模型提取所述车损样本图像中的车损纹理特征，获取所述车损检测模型根据提取的所述车损纹理特征输出的至少一个的预测结果；所述车损检测模型为基于InceptionV4模型架构的深度卷积神经网络模型；
识别模块，用于通过GIOU方法和soft-NMS算法，获取所述车损检测模型对所有所述预测结果进行筛选获得的识别结果；所述识别结果包括样本车损类型和样本识别区域；
确定模块，用于通过GIOU损失算法，根据所述矩形区域和所述样本识别区域确定出第一损失值，同时通过多分类交叉熵方法，根据所述车损标签类型和所述样本车损类型确定出第二损失值；
损失模块，用于根据所述第一损失值和所述第二损失值，确定总损失值；
迭代模块，用于在所述总损失值未达到预设的收敛条件时，迭代更新所述车损检测模型的初始参数，直至所述总损失值达到所述预设的收敛条件时，将收敛之后的所述车损检测模型记录为训练完成的车损检测模型。
一种车损检测装置，包括：
接收模块，用于接收到车损检测指令，获取车损图像；
检测模块，用于将所述车损图像输入上述车损检测模型训练方法训练完成的车损检测模型，通过所述车损检测模型提取车损纹理特征，获取所述车损检测模型根据所述车损纹理特征输出的最终结果；所述最终结果包括车损类型和车损区域，所述最终结果表征了所述车损图像中的所有损伤位置的车损类型和车损区域。
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损检测模型训练方法的步骤，或者所述处理器执行所述计算机程序时实现上述车损检测方法的步骤。
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，其中，所述计算机程序被处理器执行时实现上述车损检测模型训练方法的步骤，或者所述计算机程序被处理器执行所述计算机程序时实现上述车损检测方法的步骤。
本发明提供的车损检测模型训练方法、装置、计算机设备及存储介质，通过包含车损样本图像的车损样本集输入车损检测模型进行训练，所述车损样本图像包括车损原始图像和车损转换图像，所述车损转换图像为所述车损原始图像通过图像预处理模型进行随机数值累加后并转换获得；通过基于InceptionV4模型架构的车损检测模型对车损样本图像车进行损纹理特征的提取，获取至少一个的预测结果；通过GIOU方法和soft-NMS算法，获取识别结果；通过GIOU损失算法，根据所述矩形区域和所述样本识别区域确定出第一损失值，同时通过多分类交叉熵方法，根据所述车损标签类型和所述样本车损类型确定出第二损失值；根据所述第一损失值和所述第二损失值，确定总损失值；在总损失值达到预设的收敛条件时，将收敛之后的所述车损检测模型记录为训练完成的车损检测模型，因此，本发明提供了一种车损检测模型训练方法，通过引入车损转换图像和基于InceptionV4模型进行架构，并且通过GIOU方法、soft-NMS算法和GIOU损失算法进行训练能够减少样本收集数量及提升了识别准确性和可靠性，实现了准确地、快速地识别出包含的损伤位置的图像中的车损类型和车损区域，提高了识别准确率，减少了成本，提高了训练效率。
本发明提供的车损检测方法、装置、计算机设备及存储介质，通过获取车损图像，将所述车损图像输入上述训练完成的车损检测模型，通过所述车损检测模型提取车损纹理特征，获取所述车损检测模型根据所述车损纹理特征输出的包含有车损类型和车损区域的最终结果；所述最终结果表征了所述车损图像中的所有车损位置的车损类型和车损区域，如此，本发明提高了识别速度，从而提升了对定损类型和定损区域进行确定的准确率及可靠性，提高了定损效率，减少了成本，提高了客户满意度。
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损检测模型训练方法或车损检测方法的应用环境示意图；
图2是本发明一实施例中车损检测模型训练方法的流程图；
图3是本发明另一实施例中车损检测模型训练方法的流程图；
图4是本发明一实施例中车损检测模型训练方法的步骤S10的流程图；
图5是本发明一实施例中车损检测模型训练方法的步骤S30的流程图；
图6是本发明一实施例中车损检测模型训练方法的步骤S40的流程图；
图7是本发明一实施例中车损检测方法的流程图；
图8是本发明一实施例中车损检测模型训练装置的原理框图；
图9是本发明一实施例中车损检测装置的原理框图；
图10是本发明一实施例中计算机设备的示意图。
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。
本发明提供的车损检测模型训练方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头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，提供一种识别模型训练方法，其技术方案主要包括以下步骤S10-S60：
S10，获取车损样本集；所述车损样本集包括车损样本图像，所述车损样本图像包括车损原始图像和车损转换图像，一个所述车损样本图像与一个车损标签组关联；所述车损标签组包括车损标签类型和矩形区域；所述车损转换图像为所述车损原始图像通过图像预处理模型进行随机数值累加后并转换获得。
可理解地，所述车损样本集包含有多个所述车损样本图像，所述车损样本图像为车辆含有损伤位置的图像，所述车损样本图像中包含有所述车损原始图像和所述车损转换图像，所述车损原始图像指拍摄的含有损伤位置且未经过图像处理的图像，所述车损转换图像为对车损原始图像进行图像预处理模型处理后转换获得，所述车损标签组包括车损标签类型和矩形区域，即一个车损标签类型对应一个或者多个与该车损标签类型对应的矩形区域，所述车损标签类型包括划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失等7种损伤类型，所述矩形区域为通过一个最小面积的矩形框能覆盖损伤位置的坐标区域范围，所述车损转换图像为所述车损原始图像通过图像预处理模型进行随机数值累加后并转换获得，即通过所述图像预处理模型对所述车损原始图像中的每个像素点的像素值进行随机数值累加后再进行转换处理，得到所述车损原始图像对应的所述车损转换图像，所述图像预处理模型中转换的方式可以根据需求设定，比如图像预处理模型中转换的方式可以通过红绿蓝(RGB)颜色空间模型转换，或者通过六角锥体(HSV)颜色空间模型转换，或者通过彩色视频(YUV)颜色空间模型转换等等。
在一实施例中，如图4所示，所述步骤S10之前，即所述车损转换图像为所述车损原始图像通过图像预处理模型进行随机数值累加后并转换获得，包括：
S101，获取所述车损原始图像和与所述车损原始图像关联的所述车损标签组。
可理解地，在接收到车损转换图像的生成指令后，根据所述生成指令中的所述车损原始图像的路径，获取该路径下的所述车损原始图像，所述车损原始图像为所述车损样本集中的其中一个，所述车损原始图像指拍摄的含有损伤位置且未经过图像处理的图像，所述车损原始图像与一个所述车损标签组关联。
S102，通过图像预处理模型将所述车损原始图像分离，分离出红色通道的红色通道图像、绿色通道的绿色通道图像和蓝色通道的蓝色通道图像。
可理解地，所述车损原始图像包括三个通道(红色通道、绿色通道和蓝色通道)图像，即每个所述裁切图像中的每个像素点有三个通道分量值，分别为红色分量值、绿色分量值和蓝色分量值，通过所述图像预处理模型对所述车损原始图像进行分离，得到所述红色通道图像、所述绿色通道图像和所述蓝色通道图像。
S103，通过图像预处理模型，对所述红色通道图像进行随机数值累加处理，得到红色加工通道图像，同时对所述绿色通道图像进行随机数值累加处理，得到绿色加工通道图像，以及对所述蓝色通道图像进行随机数值累加处理，得到蓝色加工通道图像。
可理解地，通过图像预处理模型将所述红色通道图像中的每个像素值累加一个随机数值，将累加之后的红色通道图像确定为红色加工通道图像；通过图像预处理模型将所述绿色通道图像中的每个像素值累加一个随机数值，将累加之后的绿色通道图像确定为绿色加工通道图像；通过图像预处理模型将所述蓝色通道图像中的每个像素值累加一个随机数值，将累加之后的蓝色通道图像确定为蓝色加工通道图像。
其中，所述随机数值可以通过所述图像预处理模型中的随机模块生成，也可以通过所述图像预处理模型从预设的数值范围内随机抽取其中的一个数值，所述随机模块可以为伪随机数生成器，所述随机模块中运用的算法利用单向散列函数的强碰撞性和单向性使得伪随机数生成器拥有不可预知性。
S104，将所述红色加工通道图像、所述绿色加工通道图像和所述蓝色加工通道图像输入所述图像预处理模型中的六角锥体颜色空间模型；
可理解地，所述六角锥体颜色空间模型也称为HSV模型(Hue Saturation Value模型)，根据颜色的直观特性(色调、饱和度和明度)进行转换的模型，将所述红色加工通道图像、所述绿色加工通道图像和所述蓝色加工通道图像输入至所述六角锥体颜色空间模型。
S105，通过所述六角锥体颜色空间模型对所述红色加工通道图像、所述绿色加工通道图像和所述蓝色加工通道图像进行转换及合并，得到所述车损转换图像；其中，所述车损转换图像包括色调通道的色调通道图像、饱和度通道的饱和度通道图像和明度通道的明度通道图像。
可理解地，通过所述六角锥体颜色空间模型将所述红色加工通道图像中的每个像素点、所述绿色加工通道图像中的每个像素点和所述蓝色加工通道图像中的每个像素点进行一一对应的转换得到每个像素点对应的色调(H)分量值、饱和度(S)分量值和明度(V)分量值，将各像素点的色调分量值按照该像素点对应的位置进行汇总得到色调通道图像，将各像素点的饱和度分量值按照该像素点对应的位置进行汇总得到饱和度通道图像，将各像素点的明度分量值按照该像素点对应的位置进行汇总得到明度通道图像，将所述色调通道图像、所述饱和度通道图像和所述明度通道图像进行合并，得到所述车损转换图像，所述即将三个通道的图像(所述色调通道图像、所述饱和度通道图像和所述明度通道图像)汇集成一个通道的所述车损转换图像。
S106，将所述车损原始图像关联的车损标签组确定为所述车损转换图像关联的车损标签组。
可理解地，要将所述车损原始图像用于所述车损样本集中，需要将所述车损转换图像与该所述车损转换图像对应的所述车损原始图像关联的车损标签组进行关联。
本发明实现了通过图像预处理模型对车损原始图像进行通道拆分并对每个通道进行随机数值累加处理，再通过图像预处理模型中的六角椎体颜色模型(HSV模型)转换获得车损转换图像，将所述车损转换图像输入所述车损检测模型进行训练能够防止所述车损检测模型过拟合，并且提高了所述车损样本集的泛化能力，提高了车损检测模型的准确率和可靠性。
S20，将所述车损样本图像输入含有初始参数的车损检测模型，通过所述车损检测模型提取所述车损样本图像中的车损纹理特征，获取所述车损检测模型根据提取的所述车损纹理特征输出的至少一个的预测结果；所述车损检测模型为基于InceptionV4模型架构的深度卷积神经网络模型。
可理解地，所述车损检测模型为识别所述车损样本图像中样本车损类型和样本识别区域的基于InceptionV4模型的深度卷积神经网络模型，即所述车损检测模型的网络结构与InceptionV4模型的网络结构相同，所述车损检测模型的所述初始参数可以根据需求设定，也可以通过迁移学习方法获取InceptionV4模型的所有参数，所述车损纹理特征为车辆损伤位置的条纹、波光纹相关的特征，所述车损检测模型根据提取出的所述车损样本图像中的所述车损纹理特征进行预测，得出所述预测结果，所述预测结果包括预测类型、预测区域和置信度，本发明通过迁移所述InceptionV4模型可以简化所述车损检测模型的网络结构和提高所述车损检测模型的效率，实现了快速识别的效果。
其中，所述预测类型为通过所述车损检测模型预测的类型，所述预测类型包括划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失等7种损伤类型，所述预测区域为与所述预测类型对应的且预测的矩形的区域，所述置信度为所述车损检测模型预测出所述预测结果和所述预测区域的概率，所述置信度表明了所述车损检测模型的预测能力，所述样本车损类型包括划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失等7种损伤类型。
在一实施例中，所述步骤S20之前，即将所述车损样本图像输入含有初始参数的车损检测模型之前，包括：
S201，通过迁移学习，获取训练完成的InceptionV4模型的所有参数，将所有所述参数确定为所述车损检测模型中的所述初始参数。
可理解地，所述训练完成的InceptionV4模型根据需求选择与车辆相关检测的模型，比如：所述训练完成的InceptionV4模型为应用于车辆车灯亮度检测的InceptionV4模型，或者所述训练完成的InceptionV4模型为应用于车辆车型检测的InceptionV4模型等等。
本发明通过迁移学习训练完成的InceptionV4模型，能够快速构架模型并且减少了训练车损检测模型的时间，减少了成本。
S30，通过GIOU方法和soft-NMS算法，获取所述车损检测模型对所有所述预测结果进行筛选获得的识别结果；所述识别结果包括样本车损类型和样本识别区域。
可理解地，所述GIOU方法为先获取两个矩形框的最小闭合包含区域(即同时包含了两个矩形框的最小框的矩形区域)，再获取出两个矩形框的交并比，再获取该最小闭合包含区域中不属于两个框的区域占该最小闭合包含区域的占比(也可称为非区域占比)，最后用两个矩形框的交并比与该非区域占比的差值获得的方法，也即
Figure BDA0002529122790000081
其中，A和B为两个矩形框，C为最小闭合包含区域，X为两个矩形框的交并比(也即全文中的IOU值)，Y为两个矩形框的GIOU值，通过所述GIOU方法，对所有所述预测结果中的预测区域进行计算得出各所述预测区域之间的GIOU预测值，再通过所述soft-NMS算法确定出置信阈值，根据该置信阈值对所有所述预测结果进行筛选，从而得出所述识别结果，所述soft-NMS算法为通过高斯加权方式对所有所述预测结果进行计算获得所有所述预测结果对应的置信阈值。
其中，所述识别结果包括样本车损类型和样本识别区域，所述样本车损类型包括划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失等7种损伤类型，所述样本识别区域为在所有所述预测结果中超过置信阈值对应的预测结果中的矩形区域。
在一实施例中，如图5所示，所述步骤S30，即所述通过GIOU方法和soft-NMS算法，获取所述车损检测模型对所述预测结果进行筛选获得的识别结果，包括：
S301，获取每个所述预测结果中的所述预测区域、与所述预测区域对应的所述预测类型和与所述预测区域对应的置信度；所述预测结果包括预测类型、预测区域和置信度。
可理解地，获取一个所述预测结果，所述预测结果包括所述预测类型、所述预测区域和所述置信度，其中，所述预测类型、所述预测区域和所述置信度之间存在对应关系，例如：预测结果为{“刮擦”，(10，20)，(10，60)，(50，20)，(50，60)，“95.5％”}，其中预测类型为“刮擦”，预测区域为(10，20)，(10，60)，(50，20)，(50，60)围成的矩形区域，置信度为“95.5％”。
S302，通过GIOU方法，根据所有所述预测区域、所有所述预测类型和所有所述置信度，确定每个所述预测区域对应的GIOU预测值。
可理解地，通过所述GIOU方法，计算出各所述预测区域之间的GIOU预测值，即将一个所述预测区域与其他任一个所述预测区域进行所述GIOU方法的计算得出该所述预测区域与该任一个预测区域的GIOU预测值，将对应相同的所述预测区域的GIOU预测值进行取最大值，所述GIOU预测值的为-1至1的范围，其中，所述GIOU预测值靠近-1时，表明两个区域远离，说明此区域的准确率低，所述GIOU预测值靠近1时，表明两个区域接近重合，说明此区域的准确率高。
S303，通过soft-NMS算法，根据所有所述GIOU预测值确定置信阈值。
可理解地，所述soft-NMS算法为通过高斯加权方式对所有所述预测结果进行计算获得所有所述预测结果对应的置信阈值，所述soft-NMS算法对于重叠部分的相邻预测预测区域设置一个高斯衰减函数，从而确定出合适的置信阈值，所述Soft-NMS算法对现有物体检测算法在多个重叠物体检测的平均准确率有显著的提升，通过所述soft-NMS算法能够确定出合适的置信阈值，能够避免粗鲁地删除一些较大GIOU预测值。
S304，获取所有所述置信度大于所述置信阈值对应的所述预测结果，并将所有所述置信度大于所述置信阈值对应的所述预测结果确定为所述识别结果。
可理解地，将所述置信度大于所述置信阈值对应的所述预测结果标记为所述识别结果。
本发明实现了通过GIOU方法和soft-NMS算法，对所有所述预测结果进行筛选获得识别结果，能够合理去除重复且置信度低的预测结果，让车损检测模型的准确率更高，提升了识别的可靠性。
S40，通过GIOU损失算法，根据所述矩形区域和所述样本识别区域确定出第一损失值，同时通过多分类交叉熵方法，根据所述车损标签类型和所述样本车损类型确定出第二损失值。
可理解地，所述GIOU损伤算法为先获取所述样本识别区域与所述矩形区域的GIOU值，再将一减去该GIOU值的算法，即所述GIOU损伤算法中的损失函数L＝1-Z，其中，L为所述第一损失值，Z为所述矩形区域和所述样本识别区域的GIOU值，通过GIOU损失算法，将所述矩形区域和所述样本识别区域输入所述损失函数中，计算出所述第一损失值；所述多分类交叉熵方法为通过交叉熵算法对多个车损标签类型进行概率预测的方法，运用所述交叉熵算法，将所述车损标签类型和所述样本车损类型输入所述交叉熵算法中的交叉熵函数，计算出所述第二损失值。
其中，所述第一损失值表明了所述矩形区域与所述样本识别区域之间的差距，所述第二损失值表明了所述车损标签类型与所述样本车损类型之间的差距。
在一实施例中，如图6所示，所述步骤S40中，即所述通过GIOU方法，根据所述矩形区域和所述样本识别区域确定出第一损失值，包括：
S401，获取所述矩形区域和所述样本识别区域。
可理解地，所述矩形区域为通过一个最小面积的矩形框能覆盖损伤位置的坐标区域范围，所述样本识别区域为在所有所述预测结果中超过置信阈值对应的预测结果中的矩形区域。
S402，通过IOU算法，计算出所述样本识别区域距离所述矩形区域的IOU值。
可理解地，所述IOU算法为所述矩形区域的面积和所述样本识别区域的面积的交集和并集的比值，所述IOU算法的函数公式为
Figure BDA0002529122790000101
其中，I为所述样本识别区域距离所述矩形区域的IOU值，E为所述矩形区域的面积，F为所述样本识别区域的面积，|E∪F|为所述矩形区域的面积和所述样本识别区域的面积的并集，|E∩F|为所述矩形区域的面积和所述样本识别区域的面积的交集。
S403，根据所述矩形区域和所述样本识别区域，确定最小覆盖区域。
可理解地，通过所述矩形区域的矩形坐标和所述样本识别区域的矩形坐标，即获取各个坐标点，一个所述坐标点包括一个横坐标值和一个纵坐标值，从所有的坐标点中提取出所有横坐标值中的横坐标最大值和横坐标最小值，以及从所有的坐标点中提取出所有纵坐标值中的纵坐标最大值和纵坐标最小值，将所述横坐标最大值、所述横坐标最小值、所述纵坐标最大值和所述纵坐标最小值进行组合，确定出所述最小覆盖区域的矩形坐标中的四个坐标点，例如：矩形区域的矩形坐标为(10，20)，(10，60)，(50，20)，(50，60)；样本识别区域的矩形坐标为(35，15)，(35，40)，(80，15)，(80，40)；则横坐标最大值为80、横坐标最小值为10、纵坐标最大值为60和纵坐标最小值为15，从而最小覆盖区域的矩形坐标为(10，15)，(10，60)，(80，15)，(80，60)。
S404，根据所述最小覆盖区域、所述矩形区域和所述样本识别区域，确定未占用区域。
可理解地，从所述最小覆盖区域中去除掉所述矩形区域和所述样本识别区域之后剩下的区域就为所述未占用区域。
S405，获取所述未占用区域与所述最小覆盖区域的比值，并将所述未占用区域与所述最小覆盖区域的比值确定为非占用比。
可理解地，获取所述未占用区域的面积，即通过所述未占用区域的矩形坐标计算出所述未占用区域的面积，再获取所述最小覆盖区域的面积，即通过所述最小覆盖区域的矩形坐标计算出所述最小覆盖区域的面积，从而得到所述未占用区域与所述最小覆盖区域的比值，即所述为占用区域的面积与所述最小覆盖区域的面积的比值，将此比值标记为所述非占用比。
S406，通过所述GIOU损失算法，根据所述非占用比和所述样本识别区域距离所述矩形区域的IOU值，计算出所述样本识别区域对应的所述第一损失值。
可理解地，所述GIOU损伤算法中的损失函数L＝1-Z，其中，L为所述第一损失值，Z为所述矩形区域和所述样本识别区域的GIOU值，所述矩形区域和所述样本识别区域的GIOU值通过Z＝G-H获得，其中，Z为所述矩形区域和所述样本识别区域的GIOU值，G为所述样本识别区域距离所述矩形区域的IOU值，H为所述非占用比。
本发明实现了通过GIOU损失算法计算出第一损失值，提供了回归损失的方向，让所述车损检测模型向更优的识别方向进行识别，从而让样本识别区域向矩形区域靠拢，提高了识别准确率，且减少了训练时间。
S50，根据所述第一损失值和所述第二损失值，确定总损失值。
可理解地，所述损失值可以通过所述第一损失值与所述第二损失值进行加权平均法获得，将所述第一损失值和所述第二损失值输入预设的损失模型，通过所述损失模型中的总损失函数计算出所述总损失值；所述总损失函数为：
LT＝w1×M1+w2×M2
其中，
M1为第一损失值；
M2为第二损失值；
w1为第一损失值的权重；
w2为第二损失值的权重。
S60，在所述总损失值未达到预设的收敛条件时，迭代更新所述车损检测模型的初始参数，直至所述总损失值达到所述预设的收敛条件时，将收敛之后的所述车损检测模型记录为训练完成的车损检测模型。
可理解地，所述收敛条件可以为所述总损失值经过了10000次计算后值为很小且不会再下降的条件，即在所述总损失值经过10000次计算后值为很小且不会再下降时，停止训练，将收敛之后的所述车损检测模型记录为训练完成的车损检测模型；所述收敛条件也可以为所述总损失值小于设定阈值的条件，即在所述总损失值小于设定阈值时，停止训练，并将收敛之后的所述车损检测模型记录为训练完成的车损检测模型。
如此，在所述总损失值未达到预设的收敛条件时，不断更新迭代所述车损检测模型的初始参数，可以不断向准确的结果靠拢，让识别的准确率越来越高。
在一实施例中，如图3所示，所述步骤S50之后，即所述根据所述第一损失值和所述第二损失值，确定总损失值之后，还包括：
S70，在所述总损失值达到预设的收敛条件时，将收敛之后的所述车损检测模型记录为训练完成的车损检测模型。
可理解地，在所述总损失值达到预设的收敛条件时，说明所述总损失值已经达到最优的结果，此时所述损伤检测模型已经收敛，将收敛之后的所述车损检测模型记录为训练完成的车损检测模型，如此，根据所述车损样本集中的车损样本图像，通过不断训练获得训练完成的车损检测模型，能够提升识别的准确率和可靠性。
本发明通过包含车损样本图像的车损样本集输入车损检测模型进行训练，所述车损样本图像包括车损原始图像和车损转换图像，所述车损转换图像为所述车损原始图像通过图像预处理模型进行随机数值累加后并转换获得；通过基于InceptionV4模型架构的车损检测模型对车损样本图像车进行损纹理特征的提取，获取至少一个的预测结果；通过GIOU方法和soft-NMS算法，获取识别结果；通过GIOU损失算法，根据所述矩形区域和所述样本识别区域确定出第一损失值，同时通过多分类交叉熵方法，根据所述车损标签类型和所述样本车损类型确定出第二损失值；根据所述第一损失值和所述第二损失值，确定总损失值；在总损失值未达到预设的收敛条件时，迭代更新所述车损检测模型的初始参数，直至所述总损失值达到所述预设的收敛条件时，将收敛之后的所述车损检测模型记录为训练完成的车损检测模型，因此提供了一种车损检测模型训练方法，通过引入车损转换图像和基于InceptionV4模型进行架构，并且通过GIOU方法、soft-NMS算法和GIOU损失算法进行训练能够减少样本收集数量及提升了识别准确性和可靠性，实现了准确地、快速地识别出包含的损伤位置的图像中的车损类型和车损区域，减少了成本，提高了训练效率。
本发明提供的车损检测方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头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7示，提供一种车损检测方法，其技术方案主要包括以下步骤S100-S200：
S100，接收到车损检测指令，获取车损图像；
可理解地，在车辆发生交通事故后，车辆会留下损伤的痕迹，保险公司的工作人员会拍摄交通事故的相关照片，这些照片包括车辆损伤的照片，工作人员将车辆损伤的照片上传至服务器，以触发所述车损检测指令，获取所述车损检测指令中含有的所述车损图像，所述车损图像为拍摄的车辆损伤的照片。
S200，将所述车损图像输入上述训练完成的车损检测模型，通过所述车损检测模型提取车损纹理特征，获取所述车损检测模型根据所述车损纹理特征输出的最终结果；所述最终结果包括车损类型和车损区域，所述最终结果表征了所述车损图像中的所有损伤位置的车损类型和车损区域。
可理解地，只需将所述车损图像输入训练完成的车损检测模型，通过所述寻上检测模型进行所述车损纹理特征的提取，就可以得到所述最终结果，加快了识别速度，从而提高了识别效率。
本发明通过获取车损图像，将所述车损图像输入上述训练完成的车损检测模型，通过所述车损检测模型提取车损纹理特征，获取所述车损检测模型根据所述车损纹理特征输出的包含有车损类型和车损区域的最终结果；所述最终结果表征了所述车损图像中的所有车损位置的车损类型和车损区域，如此，提高了识别速度，从而提高了识别效率，减少了成本，提高了客户满意度。
在一实施例中，提供一种车损检测模型训练装置，该车损检测模型训练装置与上述实施例中车损检测模型训练方法一一对应。如图8所示，该车损检测模型训练装置包括获取模块11、输入模块12、识别模块13、确定模块14、损失模块15和迭代模块16。各功能模块详细说明如下：
获取模块11，用于获取车损样本集；所述车损样本集包括车损样本图像，所述车损样本图像包括车损原始图像和车损转换图像，一个所述车损样本图像与一个车损标签组关联；所述车损标签组包括车损标签类型和矩形区域；所述车损转换图像为所述车损原始图像通过图像预处理模型进行随机数值累加后并转换获得；
输入模块12，用于将所述车损样本图像输入含有初始参数的车损检测模型，通过所述车损检测模型提取所述车损样本图像中的车损纹理特征，获取所述车损检测模型根据提取的所述车损纹理特征输出的至少一个的预测结果；所述车损检测模型为基于InceptionV4模型架构的深度卷积神经网络模型；
识别模块13，用于通过GIOU方法和soft-NMS算法，获取所述车损检测模型对所有所述预测结果进行筛选获得的识别结果；所述识别结果包括样本车损类型和样本识别区域；
确定模块14，用于通过GIOU损失算法，根据所述矩形区域和所述样本识别区域确定出第一损失值，同时通过多分类交叉熵方法，根据所述车损标签类型和所述样本车损类型确定出第二损失值；
损失模块15，用于根据所述第一损失值和所述第二损失值，确定总损失值；
迭代模块16，用于在所述总损失值未达到预设的收敛条件时，迭代更新所述车损检测模型的初始参数，直至所述总损失值达到所述预设的收敛条件时，将收敛之后的所述车损检测模型记录为训练完成的车损检测模型。
在一实施例中，所述损失模块15包括：
收敛模块，用于在所述总损失值达到预设的收敛条件时，将收敛之后的所述车损检测模型记录为训练完成的车损检测模型。
在一实施例中，所述获取模块11包括：
第一获取单元，用于获取所述车损原始图像和与所述车损原始图像关联的所述车损标签组；
分离单元，用于通过图像预处理模型将所述车损原始图像分离，分离出红色通道的红色通道图像、绿色通道的绿色通道图像和蓝色通道的蓝色通道图像；
处理单元，用于通过图像预处理模型，对所述红色通道图像进行随机数值累加处理，得到红色加工通道图像，同时对所述绿色通道图像进行随机数值累加处理，得到绿色加工通道图像，以及对所述蓝色通道图像进行随机数值累加处理，得到蓝色加工通道图像；
输入单元，用于将所述红色加工通道图像、所述绿色加工通道图像和所述蓝色加工通道图像输入所述图像预处理模型中的六角锥体颜色空间模型；
转换单元，用于通过所述六角锥体颜色空间模型对所述红色加工通道图像、所述绿色加工通道图像和所述蓝色加工通道图像进行转换，得到所述车损转换图像；其中，所述车损转换图像包括色调通道的色调通道图像、饱和度通道的饱和度通道图像和明度通道的明度通道图像；
第一确定单元，用于将所述车损原始图像关联的车损标签组确定为所述车损转换图像关联的车损标签组。
在一实施例中，所述识别模块13包括：
第二获取单元，用于获取每个所述预测结果中的所述预测区域、与所述预测区域对应的所述预测类型和与所述预测区域对应的置信度；所述预测结果包括预测类型、预测区域和置信度；
计算单元，用于通过GIOU方法，根据所有所述预测区域、所有所述预测类型和所有所述置信度，确定每个所述预测区域对应的GIOU预测值；
第二确定单元，用于通过soft-NMS算法，根据所有所述GIOU预测值确定置信阈值；
筛选单元，用于获取所有所述置信度大于所述置信阈值对应的所述预测结果，并将所有所述置信度大于所述置信阈值对应的所述预测结果确定为所述识别结果。
在一实施例中，所述计算单元包括：
获取子单元，用于获取所述矩形区域和所述样本识别区域；
计算子单元，用于通过IOU算法，计算出所述样本识别区域距离所述矩形区域的IOU值；
确定子单元，用于根据所述矩形区域和所述样本识别区域，确定最小覆盖区域；
识别子单元，用于根据所述最小覆盖区域、所述矩形区域和所述样本识别区域，确定未占用区域；
非占比子单元，用于获取所述未占用区域与所述最小覆盖区域的比值，并将所述未占用区域与所述最小覆盖区域的比值确定为非占用比；
输出子单元，用于通过所述GIOU损失算法，根据所述非占用比和所述样本识别区域距离所述矩形区域的IOU值，计算出所述样本识别区域对应的所述第一损失值。
关于车损检测模型训练装置的具体限定可以参见上文中对于车损检测模型训练方法的限定，在此不再赘述。上述车损检测模型训练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。
在一实施例中，提供一种车损检测装置，该车损检测装置与上述实施例中车损检测方法一一对应。如图9所示，该车损检测装置包括获取模块101和检测模块102。各功能模块详细说明如下：
接收模块101，用于接收到车损检测指令，获取车损图像；
检测模块102，用于将所述车损图像输入如上述车损检测模型训练方法训练完成的车损检测模型，通过所述车损检测模型提取车损纹理特征，获取所述车损检测模型根据所述车损纹理特征输出的最终结果；所述最终结果包括车损类型和车损区域，所述最终结果表征了所述车损图像中的所有损伤位置的车损类型和车损区域。
关于车损检测装置的具体限定可以参见上文中对于车损检测方法的限定，在此不再赘述。上述车损检测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损检测模型训练方法，或者车损检测方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中车损检测模型训练方法，或者处理器执行计算机程序时实现上述实施例中车损检测方法。
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损检测模型训练方法，或者计算机程序被处理器执行时实现上述实施例中车损检测方法。
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，本发明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)

1.一种车损检测模型训练方法，其特征在于，包括：
获取车损样本集；所述车损样本集包括车损样本图像，所述车损样本图像包括车损原始图像和车损转换图像，一个所述车损样本图像与一个车损标签组关联；所述车损标签组包括车损标签类型和矩形区域；所述车损转换图像为所述车损原始图像通过图像预处理模型进行随机数值累加后并转换获得；
将所述车损样本图像输入含有初始参数的车损检测模型，通过所述车损检测模型提取所述车损样本图像中的车损纹理特征，获取所述车损检测模型根据提取的所述车损纹理特征输出的至少一个的预测结果；所述车损检测模型为基于InceptionV4模型架构的深度卷积神经网络模型；
通过GIOU方法和soft-NMS算法，获取所述车损检测模型对所有所述预测结果进行筛选获得的识别结果；所述识别结果包括样本车损类型和样本识别区域；
通过GIOU损失算法，根据所述矩形区域和所述样本识别区域确定出第一损失值，同时通过多分类交叉熵方法，根据所述车损标签类型和所述样本车损类型确定出第二损失值；
根据所述第一损失值和所述第二损失值，确定总损失值；
在所述总损失值未达到预设的收敛条件时，迭代更新所述车损检测模型的初始参数，直至所述总损失值达到所述预设的收敛条件时，将收敛之后的所述车损检测模型记录为训练完成的车损检测模型。
2.如权利要求1所述的车损检测模型训练方法，其特征在于，所述将所述车损样本图像输入含有初始参数的车损检测模型之前，包括：
通过迁移学习，获取训练完成的InceptionV4模型的所有参数，将所有所述参数确定为所述车损检测模型中的所述初始参数。
3.如权利要求1所述的车损检测模型训练方法，其特征在于，所述车损转换图像为所述车损原始图像通过图像预处理模型进行随机数值累加后并转换获得，包括：
获取所述车损原始图像和与所述车损原始图像关联的所述车损标签组；
通过图像预处理模型将所述车损原始图像分离，分离出红色通道的红色通道图像、绿色通道的绿色通道图像和蓝色通道的蓝色通道图像；
通过图像预处理模型，对所述红色通道图像进行随机数值累加处理，得到红色加工通道图像，同时对所述绿色通道图像进行随机数值累加处理，得到绿色加工通道图像，以及对所述蓝色通道图像进行随机数值累加处理，得到蓝色加工通道图像；
将所述红色加工通道图像、所述绿色加工通道图像和所述蓝色加工通道图像输入所述图像预处理模型中的六角锥体颜色空间模型；
通过所述六角锥体颜色空间模型对所述红色加工通道图像、所述绿色加工通道图像和所述蓝色加工通道图像进行转换，得到所述车损转换图像；其中，所述车损转换图像包括色调通道的色调通道图像、饱和度通道的饱和度通道图像和明度通道的明度通道图像；
将所述车损原始图像关联的车损标签组确定为所述车损转换图像关联的车损标签组。
4.如权利要求1所述的车损检测模型训练方法，其特征在于，所述通过GIOU方法和soft-NMS算法，获取所述车损检测模型对所述预测结果进行筛选获得的识别结果，包括：
获取每个所述预测结果中的所述预测区域、与所述预测区域对应的所述预测类型和与所述预测区域对应的置信度；所述预测结果包括预测类型、预测区域和置信度；
通过GIOU方法，根据所有所述预测区域、所有所述预测类型和所有所述置信度，确定每个所述预测区域对应的GIOU预测值；
通过soft-NMS算法，根据所有所述GIOU预测值确定置信阈值；
获取所有所述置信度大于所述置信阈值对应的所述预测结果，并将所有所述置信度大于所述置信阈值对应的所述预测结果确定为所述识别结果。
5.如权利要求4所述的车损检测模型训练方法，其特征在于，所述通过GIOU方法，根据所述矩形区域和所述样本识别区域确定出第一损失值，包括：
获取所述矩形区域和所述样本识别区域；
通过IOU算法，计算出所述样本识别区域距离所述矩形区域的IOU值；
根据所述矩形区域和所述样本识别区域，确定最小覆盖区域；
根据所述最小覆盖区域、所述矩形区域和所述样本识别区域，确定未占用区域；
获取所述未占用区域与所述最小覆盖区域的比值，并将所述未占用区域与所述最小覆盖区域的比值确定为非占用比；
通过所述GIOU损失算法，根据所述非占用比和所述样本识别区域距离所述矩形区域的IOU值，计算出所述样本识别区域对应的所述第一损失值。
6.一种车损检测方法，其特征在于，包括：
接收到车损检测指令，获取车损图像；
将所述车损图像输入如权利要求1至5任一项所述车损检测模型训练方法训练完成的车损检测模型，通过所述车损检测模型提取车损纹理特征，获取所述车损检测模型根据所述车损纹理特征输出的最终结果；所述最终结果包括车损类型和车损区域，所述最终结果表征了所述车损图像中的所有损伤位置的车损类型和车损区域。
7.一种车损检测模型训练装置，其特征在于，包括：
获取模块，用于获取车损样本集；所述车损样本集包括车损样本图像，所述车损样本图像包括车损原始图像和车损转换图像，一个所述车损样本图像与一个车损标签组关联；所述车损标签组包括车损标签类型和矩形区域；所述车损转换图像为所述车损原始图像通过图像预处理模型进行随机数值累加后并转换获得；
输入模块，用于将所述车损样本图像输入含有初始参数的车损检测模型，通过所述车损检测模型提取所述车损样本图像中的车损纹理特征，获取所述车损检测模型根据提取的所述车损纹理特征输出的至少一个的预测结果；所述车损检测模型为基于InceptionV4模型架构的深度卷积神经网络模型；
识别模块，用于通过GIOU方法和soft-NMS算法，获取所述车损检测模型对所有所述预测结果进行筛选获得的识别结果；所述识别结果包括样本车损类型和样本识别区域；
确定模块，用于通过GIOU损失算法，根据所述矩形区域和所述样本识别区域确定出第一损失值，同时通过多分类交叉熵方法，根据所述车损标签类型和所述样本车损类型确定出第二损失值；
损失模块，用于根据所述第一损失值和所述第二损失值，确定总损失值；
迭代模块，用于在所述总损失值未达到预设的收敛条件时，迭代更新所述车损检测模型的初始参数，直至所述总损失值达到所述预设的收敛条件时，将收敛之后的所述车损检测模型记录为训练完成的车损检测模型。
8.一种车损检测装置，其特征在于，包括：
接收模块，用于接收到车损检测指令，获取车损图像；
检测模块，用于将所述车损图像输入如权利要求1至5任一项所述车损检测模型训练方法训练完成的车损检测模型，通过所述车损检测模型提取车损纹理特征，获取所述车损检测模型根据所述车损纹理特征输出的最终结果；所述最终结果包括车损类型和车损区域，所述最终结果表征了所述车损图像中的所有损伤位置的车损类型和车损区域。
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5任一项所述车损检测模型训练方法，或者所述处理器执行所述计算机程序时实现如权利要求6所述车损检测方法。
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5任一项所述车损检测模型训练方法，或者所述处理器执行所述计算机程序时实现如权利要求6所述车损检测方法。
CN202010513050.5A 2020-06-08 2020-06-08 车损检测模型训练、车损检测方法、装置、设备及介质 Active CN111680746B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010513050.5A CN111680746B (zh) 2020-06-08 2020-06-08 车损检测模型训练、车损检测方法、装置、设备及介质
PCT/CN2020/120758 WO2021135500A1 (zh) 2020-06-08 2020-10-14 车损检测模型训练、车损检测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010513050.5A CN111680746B (zh) 2020-06-08 2020-06-08 车损检测模型训练、车损检测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN111680746A true CN111680746A (zh) 2020-09-18
CN111680746B CN111680746B (zh) 2023-08-04

Family

ID=72435500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010513050.5A Active CN111680746B (zh) 2020-06-08 2020-06-08 车损检测模型训练、车损检测方法、装置、设备及介质

Country Status (2)

Country Link
CN (1) CN111680746B (zh)
WO (1) WO2021135500A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101550A (zh) * 2020-09-25 2020-12-18 平安科技（深圳）有限公司 分诊融合模型训练方法、分诊方法、装置、设备及介质
CN112668462A (zh) * 2020-12-25 2021-04-16 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
CN112907576A (zh) * 2021-03-25 2021-06-04 平安科技（深圳）有限公司 车辆损伤等级检测方法、装置、计算机设备及存储介质
CN112926437A (zh) * 2021-02-22 2021-06-08 深圳中科飞测科技股份有限公司 检测方法及装置、检测设备和存储介质
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

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723400A (zh) * 2021-08-23 2021-11-30 中南大学 一种基于红外图像的电解槽极板故障识别方法、系统、终端及可读存储介质
CN113628206B (zh) * 2021-08-25 2022-08-12 深圳市捷顺科技实业股份有限公司 一种车牌检测方法、装置、介质
CN114898155B (zh) * 2022-05-18 2024-05-28 平安科技（深圳）有限公司 车辆定损方法、装置、设备及存储介质
CN115512341B (zh) * 2022-09-15 2023-10-27 粤丰科盈智能投资(广东)有限公司 基于高斯分布拟合的目标检测方法、装置及计算机介质
CN115527189B (zh) * 2022-11-01 2023-03-21 杭州枕石智能科技有限公司 车位状态的检测方法、终端设备及计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194398A (zh) * 2017-05-10 2017-09-22 平安科技（深圳）有限公司 车损部位的识别方法及系统
CN110363238A (zh) * 2019-07-03 2019-10-22 中科软科技股份有限公司 智能车辆定损方法、系统、电子设备及存储介质
WO2019205376A1 (zh) * 2018-04-26 2019-10-31 平安科技（深圳）有限公司 车损判定方法、服务器及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392218B (zh) * 2017-04-11 2020-08-04 创新先进技术有限公司 一种基于图像的车辆定损方法、装置及电子设备
CN109215027B (zh) * 2018-10-11 2024-05-24 平安科技（深圳）有限公司 一种基于神经网络的车辆定损方法、服务器及介质
CN110889428A (zh) * 2019-10-21 2020-03-17 浙江大搜车软件技术有限公司 图像识别方法、装置、计算机设备与存储介质
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194398A (zh) * 2017-05-10 2017-09-22 平安科技（深圳）有限公司 车损部位的识别方法及系统
WO2018205467A1 (zh) * 2017-05-10 2018-11-15 平安科技（深圳）有限公司 车损部位的识别方法、系统、电子装置及存储介质
WO2019205376A1 (zh) * 2018-04-26 2019-10-31 平安科技（深圳）有限公司 车损判定方法、服务器及存储介质
CN110363238A (zh) * 2019-07-03 2019-10-22 中科软科技股份有限公司 智能车辆定损方法、系统、电子设备及存储介质

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112101550A (zh) * 2020-09-25 2020-12-18 平安科技（深圳）有限公司 分诊融合模型训练方法、分诊方法、装置、设备及介质
CN112101550B (zh) * 2020-09-25 2024-05-03 平安科技（深圳）有限公司 分诊融合模型训练方法、分诊方法、装置、设备及介质
CN112668462A (zh) * 2020-12-25 2021-04-16 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
WO2022134354A1 (zh) * 2020-12-25 2022-06-30 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
CN112668462B (zh) * 2020-12-25 2024-05-07 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
CN112926437A (zh) * 2021-02-22 2021-06-08 深圳中科飞测科技股份有限公司 检测方法及装置、检测设备和存储介质
CN112907576A (zh) * 2021-03-25 2021-06-04 平安科技（深圳）有限公司 车辆损伤等级检测方法、装置、计算机设备及存储介质
CN112907576B (zh) * 2021-03-25 2024-02-02 平安科技（深圳）有限公司 车辆损伤等级检测方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN111680746B (zh) 2023-08-04
WO2021135500A1 (zh) 2021-07-08

Similar Documents

Publication Publication Date Title
CN111680746A (zh) 车损检测模型训练、车损检测方法、装置、设备及介质
CN109543627B (zh) 一种判断驾驶行为类别的方法、装置、及计算机设备
CN111860147B (zh) 行人重识别模型优化处理方法、装置和计算机设备
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN113255915B (zh) 基于结构化实例图的知识蒸馏方法、装置、设备和介质
CN111199523B (zh) 电力设备识别方法、装置、计算机设备和存储介质
CN111461170A (zh) 车辆图像检测方法、装置、计算机设备及存储介质
CN111666990A (zh) 车辆损伤特征检测方法、装置、计算机设备及存储介质
CN110046577B (zh) 行人属性预测方法、装置、计算机设备和存储介质
CN114092833B (zh) 遥感图像分类方法、装置、计算机设备和存储介质
CN111275685A (zh) 身份证件的翻拍图像识别方法、装置、设备及介质
CN112949507A (zh) 人脸检测方法、装置、计算机设备及存储介质
CN112907576B (zh) 车辆损伤等级检测方法、装置、计算机设备及存储介质
CN113361495A (zh) 人脸图像相似度的计算方法、装置、设备及存储介质
CN112884782B (zh) 生物对象分割方法、装置、计算机设备和存储介质
CN110910360B (zh) 电网图像的定位方法和图像定位模型的训练方法
CN111382808A (zh) 一种车辆检测处理方法及装置
CN111368636A (zh) 目标分类方法、装置、计算机设备和存储介质
CN110969171A (zh) 基于改进卷积神经网络的图像分类模型、方法及应用
CN111881958A (zh) 车牌分类识别方法、装置、设备及存储介质
CN112487913A (zh) 一种基于神经网络的标注方法、装置及电子设备
CN114581419A (zh) 变压器绝缘套管缺陷检测方法、相关设备及可读存储介质
CN111709377B (zh) 特征提取方法、目标重识别方法、装置及电子设备
CN112818960A (zh) 基于人脸识别的等待时长处理方法、装置、设备及介质
CN113128308B (zh) 一种港口场景下的行人检测方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40032356

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant