CN111899204B - 车损检测数据合成方法、装置及存储介质 - Google Patents
车损检测数据合成方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111899204B CN111899204B CN202010753024.XA CN202010753024A CN111899204B CN 111899204 B CN111899204 B CN 111899204B CN 202010753024 A CN202010753024 A CN 202010753024A CN 111899204 B CN111899204 B CN 111899204B
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle loss
- specified
- instance
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000001308 synthesis method Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 40
- 230000003321 amplification Effects 0.000 claims abstract description 34
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims description 48
- 230000004927 fusion Effects 0.000 claims description 24
- 230000015572 biosynthetic process Effects 0.000 claims description 15
- 230000002194 synthesizing effect Effects 0.000 claims description 15
- 238000007499 fusion processing Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 5
- 230000006735 deficit Effects 0.000 description 8
- 238000003786 synthesis reaction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005336 cracking Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
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)
- Health & Medical Sciences (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)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (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 Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,提供一种车损检测数据合成方法、装置及计算机可读存储介质,包括:收集指定车损实例对象图片和场景图片;根据指定车损实例对象图片提取指定车损实例掩码数据;对指定车损实例掩码数据进行数据扩增处理,得到待融合指定车损实例掩码数据;将待融合指定车损实例掩码数据对应的待融合指定车损实例掩码图片与场景图片进行融合处理,得到合成的车损检测数据。本发明能够快速合成大批量包含指定车损纹理的数据,解决了直接粘贴指定车损实例对象带来的局部伪影问题,并能够保持指定车损实例的图像局部真实性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种车损检测数据合成方法、装置及计算机可读存储介质。
背景技术
快速部署用于车损检测模型的一个主要障碍是缺少大型的带标注的车损数据集。在车损检测中,指定车损种类往往存在数据少的问题,传统的数据收集分为数据管理和数据标注两个步骤。在数据管理中,如果直接在网上收集针对特定实例检测任务的数据十分困难,如果手动收集,则需要通过将物体放置在不同的背景和从不同的视角收集来确保获取的图片具有足够的多样性。数据标注往往比较昂贵。传统方法收集的数据都是针对特定场景,特定实例,若检测任务需要切换场景或者切换实例,如针对车损检测任务需要切换车型或切换车损种类,则需要重新收集和标注,既不快速又很昂贵。
为了解决上述问题,目前比较成功的方案有两个方向。第一种方案是利用合成和渲染的方式批量生成特定任务需要的场景和对象。直接人工合成最大的好处在于合成软件往往能够自然地生成标注而无需额外的人工标注。但直接人工合成也存在缺陷:1)为了确保高质量的全局和局部一致性,需要大量工作才可使场景和对象足够逼真;2)由于合成数据和真实数据之间有图像统计量的变化,针对这些合成数据的模型难以推广到真实数据。特别是第二类缺陷,若不能推广到真实数据,那么检测模型的有效性将被大大削弱。第二种方案是将真实实例对象粘贴到真实场景中来生成新的数据,以此减少对图形渲染的依赖。不过直接粘贴会在图像中产生像素级的伪影,从而影响最终实例检测结果。此外,直接粘贴的方式会使得数据在对象多视角和多尺度上的表现上较为缺陷。上述现有的合成数据集的方法,不论是第一种方案,还是第二种方案,主要集中在确保全局一致性和真实性上。缺少对局部信息特征的关注。
发明内容
基于上述现有技术中存在的问题,本发明提供一种车损检测数据合成方法、装置及计算机可读存储介质,其主要目的在于,通过先收集指定车损实例对象图片和场景图片;提取指定车损实例对象图片的指定车损实例掩码数据;对指定车损实例掩码数据进行数据扩增,将扩增后的待融合指定车损实例掩码数据对应的待融合指定车损实例掩码图片与场景图片进行融合,最后得到合成的车损检测数据,能够快速合成大批量包含指定车损纹理的数据,解决了直接粘贴指定车损实例对象带来的局部伪影问题,并能够保持指定车损实例的图像局部真实性。
第一方面,为实现上述目的,本发明提供一种车损检测数据合成方法,该方法包括:
收集指定车损实例对象图片和场景图片;
根据所述指定车损实例对象图片提取指定车损实例掩码数据;
对所述指定车损实例掩码数据进行数据扩增处理,得到待融合指定车损实例掩码数据;
将所述待融合指定车损实例掩码数据对应的待融合指定车损实例掩码图片与所述场景图片进行融合处理,得到合成的车损检测数据。
第二方面,为实现上述目的,本发明还提供一种电子装置,该电子装置包括:存储器、处理器,所述存储器中存储有车损检测数据合成程序,所述车损检测数据合成程序被所述处理器执行时实现如下步骤:
收集指定车损实例对象图片和场景图片;
根据所述指定车损实例对象图片提取指定车损实例掩码数据;
对所述指定车损实例掩码数据进行数据扩增处理,得到待融合指定车损实例掩码数据;
将所述待融合指定车损实例掩码数据对应的待融合指定车损实例掩码图片与所述场景图片进行融合处理,得到合成的车损检测数据。
第三方面,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有车损检测数据合成程序,所述车损检测数据合成程序被处理器执行时,实现如上所述的车损检测数据合成方法中的任意步骤。
本发明提出的车损检测数据合成方法、装置及计算机可读存储介质,通过收集指定车损实例对象图片和场景图片;根据指定车损实例对象图片提取指定车损实例掩码数据;对指定车损实例掩码数据进行数据扩增处理,得到待融合指定车损实例掩码数据;将待融合指定车损实例掩码数据对应的待融合指定车损实例掩码图片与场景图片进行融合处理,得到合成的车损检测数据。能够快速合成大批量包含指定车损纹理的数据,解决了直接粘贴指定车损实例对象带来的局部伪影问题,并能够保持指定车损实例的图像局部真实性。
附图说明
图1为本发明车损检测数据合成方法较佳实施例的流程图;
图2为本发明车损检测数据合成方法较佳实施例的应用环境示意图;
图3为图2中车损检测数据合成程序较佳实施例的模块示意图。
图4为本发明车损检测数据合成方法对应的系统逻辑图。
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。
本发明提供一种车损检测数据合成方法。参照图1所示,为本发明车损检测数据合成方法较佳实施例的流程图。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,车损检测数据合成方法包括:步骤S110-步骤S140。
步骤S110,收集指定车损实例对象图片和场景图片。
具体地,指定车损实例对象图片构成了生成合成数据集的指定车损实例对象。其中,指定车损实例对象图片是指带有某种车损类型的图片,例如带有开裂纹理的车损图片、带有划痕纹理的车损图片等;场景图片是指不同类型的车辆,例如,卡车、轿车等。
在收集指定车损实例对象图片和场景图片的过程中,不限制收集图片的方式,只要能够收集指定车损类型和车型的图片即可,例如,通过摄像装置拍摄的图片或者通过网络收集的图片均可。指定车损实例对象图片可以为不同角度的图片。场景图片构成了生成合成数据集的背景图片。本发明不计算任何场景统计信息,比如几何信息或者布局信息,因此方案可以很容易地处理新的场景,如其他种类的卡车、货车等。
步骤S120,根据指定车损实例对象图片提取指定车损实例掩码数据。
具体地,将指定车损实例对象图片中车损部分提取出来,通过提取掩码的方式将指定车损实例与背景分离,从而得到指定车损实例,例如,将一辆带有开裂纹理的轿车图片中的开裂纹理作为车损实例提取出来。分离出的即为没有背景信息的开裂纹理。
作为本发明的一个优选方案,根据指定车损实例对象图片提取指定车损实例掩码数据,包括:
对指定车损实例对象图片进行像素处理,得到指定车损实例对象图片的像素数据;
对指定车损实例对象图片的像素数据进行前景和背景分类处理,分别得到前景像素数据和背景像素数据;
提取前景像素数据,作为指定车损实例掩码数据。
具体地,通过将图片像素化,像素是图片最小的单位,通过一个像素一个像素的甄别,分出前景像素数据和背景像素数据,再提取出前景像素数据,从而得到指定车损实例掩码数据。当然为了便于提取指定车损实例掩码数据,可以通过训练一个用于前景/背景分类的模型来自动化该预测操作。可以通过训练Mask R-CNN模型来将每个图像像素划分为前景/背景,该检测模型可以进行替换。通过检测模型也可以获得指定车损实例对象的高质量掩码。
作为本发明的一个优选方案,在根据指定车损实例对象图片提取指定车损实例掩码数据之后,还包括:
对指定车损实例掩码数据对应的指定车损实例掩码图片进行纹理遮挡和拦截处理,使指定车损实例掩码图片中粘贴部分重叠对象的最大重叠度为0.75,并使指定车损实例掩码图片中至少有0.25个框在指定车损实例掩码图片中。
具体地,在真实图像中指定车损纹理遮挡和拦截的现象很常见,指的是实例对象部分可见的现象。为了合成更加符合真实场景的数据,数据增强分别针对指定车损纹理遮挡和拦截进行操作。为了模拟指定车损纹理遮挡的情况,粘贴部分重叠的对象,最大的折叠度(IOU)为0.75。为了模拟指定车损纹理截断的情况,将实例对象放置在图像的边界处进行截断,保证该实例对象至少有0.25个框在图像中。其中,重叠度是指两个对象的面积交集除以并集,0.75是根据实际操作中的经验进行设定,当然也可根据实际操作情况进行调整。
作为本发明的一个优选方案,在根据指定车损实例对象图片提取指定车损实例掩码数据之后,还包括:
在指定车损实例掩码数据对应的指定车损实例掩码图片中添加指定车损干扰对象。
具体地,在生成的图像中通过添加指定车损干扰对象来模拟真实场景。通过这些添加的实例干扰对象,将更容易地检测到边界伪影和提高最终的检测性能。
步骤S130,对指定车损实例掩码数据进行数据扩增处理,得到待融合指定车损实例掩码数据。
具体地,为了扩增指定车损实例数据,通过扩增数据的方式得到大量的指定车损实例掩码数据,然后通过指定车损实例掩码数据得到用于与背景图片融合的指定车损实例图片。
作为本发明的一个优选方案,对指定车损实例掩码数据进行数据扩增处理的方式为2D旋转的数据扩增方式。
具体地,将指定车损实例掩码数据对应的指定车损实例掩码图片进行平面旋转处理,从而得到经过平面旋转后的指定车损实例扩增掩码图片,再根据指定车损实例扩增掩码图片,得到与指定车损实例扩增掩码图片相对应的指定车损实例掩码数据。
作为本发明的一个优选方案,待融合指定车损实例掩码数据存储于区块链中,对指定车损实例掩码数据进行数据扩增处理,得到待融合指定车损实例掩码数据,包括:
将指定车损实例掩码数据以均匀采样的方式在-180°到180°之间旋转,得到指定车损实例掩码数据在-180°到180°之间的扩增数据。
具体地,指定车损实例掩码数据在采用2D旋转的数据扩增方式进行数据扩增的过程中,将指定车损实例掩码数据对应的指定车损实例掩码图片按照一定的角度,如每次旋转10°的方式在-180°到180°之间均匀旋转,得到指定车损实例掩码图片在-180°到180°之间的指定车损实例扩增掩码图片,在根据指定车损实例扩增掩码图片,得到与指定车损实例扩增掩码图片相对应的指定车损实例掩码数据,即指定车损实例掩码数据在-180°到180°之间的扩增数据。
步骤S140,将待融合指定车损实例掩码数据对应的待融合指定车损实例掩码图片与场景图片进行融合处理,得到合成的车损检测数据。
具体地,将待融合指定车损实例掩码图片与场景图片融合处理后,得到用于车损检测的图片数据,通过这些用于车损检测的图片数据训练用于车损检测模型训练。
作为本发明的一个优选方案,融合处理为高斯融合、泊松融合、运动融合和混合融合中的任意一种或几种混合使用的图片融合处理方式。
具体地,几种不同的融合方式主要差别在于采用的计算算子不同,他们的实际效果会根据图像的纹理,光照等因素变化,无法保证某种融合方法绝对优于其他方法。但一般的,泊松融合可以在平滑边界的同时增添亮度变化,适合处理如保险杠、叶子板等区域小且边缘复杂的场景;高斯融合一般适用于边界相对平整的场景,如车门,机盖等;实际应用中,也可将几种方法综合在一起使用,来减少融合带来的不确定性。
本发明提供的车损检测数据合成方法,应用于一种电子装置1。参照图2所示,为本发明车损检测数据合成方法较佳实施例的应用环境示意图。
在本实施例中,电子装置1可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有运算功能的终端设备。
该电子装置1包括:处理器12、存储器11、网络接口13及通信总线14。
存储器11包括至少一种类型的可读存储介质。至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡及卡型存储器11等的非易失性存储介质。在一些实施例中,可读存储介质可以是电子装置1的内部存储单元,例如该电子装置1的硬盘。在另一些实施例中,可读存储介质也可以是电子装置1的外部存储器11,例如电子装置1上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(FlashCard)等。
在本实施例中,存储器11的可读存储介质通常用于存储安装于电子装置1的车损检测数据合成程序10等。存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行车损检测数据合成程序10等。
网络接口13可选地可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该电子装置1与其它电子设备之间建立通信连接。
通信总线14用于实现上述这些组件之间的连接通信。
图2仅示出了具有组件11-14的电子装置1,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
可选地,该电子装置1还可以包括摄像装置,摄像装置既可以是电子装置1的一部分,也可以独立于电子装置1。在一些实施例中,电子装置1为智能手机、平板电脑、便携计算机等具有摄像头的终端设备,则摄像装置即为电子装置1的摄像头。在其他实施例中,电子装置1可以为服务器,摄像装置独立于该电子装置1、与该电子装置1通过有线或者无线网络连接。例如,该摄像装置安装于特定场所,如办公场所、监控区域,对进入该特定场所的目标进行实时拍摄得到实时图像,通过网络将拍摄得到的实时图像传输至处理器12。
可选地,该电子装置1还可以包括用户接口,用户接口可以包括输入单元比如键盘(Keyboard)、语音输入装置比如麦克风(microphone)等具有语音识别功能的设备、语音输出装置比如音响、耳机等,可选地用户接口还可以包括标准的有线接口、无线接口。
可选地,该电子装置1还可以包括显示器,显示器也可以称为显示屏或显示单元。在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode,OLED)触摸器等。显示器用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。
可选地,该电子装置1还包括触摸传感器。该触摸传感器所提供的供用户进行触摸操作的区域称为触控区域。此外,这里的触摸传感器可以为电阻式触摸传感器、电容式触摸传感器等。而且,触摸传感器不仅包括接触式的触摸传感器,也可包括接近式的触摸传感器等。此外,触摸传感器可以为单个传感器,也可为例如阵列布置的多个传感器。
此外,该电子装置1的显示器的面积可以与所述触摸传感器的面积相同,也可以不同。可选地,将显示器与所述触摸传感器层叠设置,以形成触摸显示屏。该装置基于触摸显示屏侦测用户触发的触控操作。
可选地,该电子装置1还可以包括射频(Radio Frequency,RF)电路,传感器、音频电路等等,在此不再赘述。
在图2所示的装置实施例中,作为一种计算机存储介质的存储器11中可以包括操作系统以及车损检测数据合成程序10;处理器12执行存储器11中存储的车损检测数据合成程序10时实现如下步骤:
步骤S110、收集指定车损实例对象图片和场景图片;
步骤S120、根据指定车损实例对象图片提取指定车损实例掩码数据;
步骤S130、对指定车损实例掩码数据进行数据扩增处理,得到待融合指定车损实例掩码数据;
步骤S140、将待融合指定车损实例掩码数据对应的待融合指定车损实例掩码图片与场景图片进行融合处理,得到合成的车损检测数据。
作为本发明的一个优选方案,根据指定车损实例对象图片提取指定车损实例掩码数据,包括:
对指定车损实例对象图片进行像素处理,得到指定车损实例对象图片的像素数据;
对指定车损实例对象图片的像素数据进行前景和背景分类处理,分别得到前景像素数据和背景像素数据;
提取前景像素数据,作为指定车损实例掩码数据。
作为本发明的一个优选方案,在根据指定车损实例对象图片提取指定车损实例掩码数据之后,还包括:
对指定车损实例掩码数据对应的指定车损实例掩码图片进行纹理遮挡和拦截处理,使指定车损实例掩码图片中粘贴部分重叠对象的最大重叠度为0.75,并使指定车损实例掩码图片中至少有0.25个框在指定车损实例掩码图片中。
作为本发明的一个优选方案,在根据指定车损实例对象图片提取指定车损实例掩码数据之后,还包括:
在指定车损实例掩码数据对应的指定车损实例掩码图片中添加指定车损干扰对象。
作为本发明的一个优选方案,对指定车损实例掩码数据进行数据扩增处理的方式为2D旋转的数据扩增方式。
作为本发明的一个优选方案,待融合指定车损实例掩码数据存储于区块链中,对指定车损实例掩码数据进行数据扩增处理,得到待融合指定车损实例掩码数据,包括:
将指定车损实例掩码数据以均匀采样的方式在-180°到180°之间旋转,得到指定车损实例掩码数据在-180°到180°之间的扩增数据。
作为本发明的一个优选方案,融合处理为高斯融合、泊松融合、运动融合和混合融合中的任意一种或几种混合使用的图片融合处理方式。
在其他实施例中,车损检测数据合成程序10还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由处理器12执行,以完成本发明。
本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。参照图3所示,为图2中车损检测数据合成程序10较佳实施例的程序模块图。所述车损检测数据合成程序10可以被分割为:图片收集模块110、实例掩码数据提取模块120、数据扩增模块130、图片融合模块140。
所述模块110-140所实现的功能或操作步骤均与上文类似,此处不再详述,示例性地,例如其中:
图片收集模块110、用于收集指定车损实例对象图片和场景图片。
实例掩码数据提取模块120、用于根据指定车损实例对象图片提取指定车损实例掩码数据。
数据扩增模块130、用于对指定车损实例掩码数据进行数据扩增处理,得到待融合指定车损实例掩码数据。
图片融合模块140、用于将待融合指定车损实例掩码数据对应的待融合指定车损实例掩码图片与场景图片进行融合处理,得到合成的车损检测数据。
如图4所示,此外,与上述方法相对应,本发明的实施例还提出一种车损检测数据合成系统400,包括:图片收集单元410、实例掩码数据提取单元420、数据扩增单元430、图片融合单元440,其中,图片收集单元410、实例掩码数据提取单元420、数据扩增单元430、图片融合单元440的实现功能与实施例中车损检测数据合成方法的步骤一一对应。
图片收集单元410、用于收集指定车损实例对象图片和场景图片。
实例掩码数据提取单元420、用于根据指定车损实例对象图片提取指定车损实例掩码数据。
数据扩增单元430、用于对指定车损实例掩码数据进行数据扩增处理,得到待融合指定车损实例掩码数据。
图片融合单元440、用于将待融合指定车损实例掩码数据对应的待融合指定车损实例掩码图片与场景图片进行融合处理,得到合成的车损检测数据。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质中存储有车损检测数据合成程序,所述车损检测数据合成程序被处理器执行时实现如下操作:
收集指定车损实例对象图片和场景图片;
根据指定车损实例对象图片提取指定车损实例掩码数据;
对指定车损实例掩码数据进行数据扩增处理,得到待融合指定车损实例掩码数据;
将待融合指定车损实例掩码数据对应的待融合指定车损实例掩码图片与场景图片进行融合处理,得到合成的车损检测数据。
优选地,根据指定车损实例对象图片提取指定车损实例掩码数据,包括:
对指定车损实例对象图片进行像素处理,得到指定车损实例对象图片的像素数据;
对指定车损实例对象图片的像素数据进行前景和背景分类处理,分别得到前景像素数据和背景像素数据;
提取前景像素数据,作为指定车损实例掩码数据。
优选地,在根据指定车损实例对象图片提取指定车损实例掩码数据之后,还包括:
对指定车损实例掩码数据对应的指定车损实例掩码图片进行纹理遮挡和拦截处理,使指定车损实例掩码图片中粘贴部分重叠对象的最大重叠度为0.75,并使指定车损实例掩码图片中至少有0.25个框在指定车损实例掩码图片中。
优选地,在根据指定车损实例对象图片提取指定车损实例掩码数据之后,还包括:
在指定车损实例掩码数据对应的指定车损实例掩码图片中添加指定车损干扰对象。
优选地,对指定车损实例掩码数据进行数据扩增处理的方式为2D旋转的数据扩增方式。
优选地,待融合指定车损实例掩码数据存储于区块链中,对指定车损实例掩码数据进行数据扩增处理,得到待融合指定车损实例掩码数据,包括:
将指定车损实例掩码数据以均匀采样的方式在-180°到180°之间旋转,得到指定车损实例掩码数据在-180°到180°之间的扩增数据。
优选地,融合处理为高斯融合、泊松融合、运动融合和混合融合中的任意一种或几种混合使用的图片融合处理方式。
本发明之计算机可读存储介质的具体实施方式与上述车损检测数据合成方法、电子装置的具体实施方式大致相同,在此不再赘述。
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。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种车损检测数据合成方法,应用于电子装置,其特征在于,所述方法包括:
收集指定车损实例对象图片和场景图片;其中,所述指定车损实例对象图片是指带有某种车损类型的图片;所述场景图片是指不同类型的车辆的图片;
根据所述指定车损实例对象图片提取指定车损实例掩码数据;其中,包括如下步骤:对所述指定车损实例对象图片进行像素处理,得到指定车损实例对象图片的像素数据;对所述指定车损实例对象图片的像素数据进行前景和背景分类处理,分别得到前景像素数据和背景像素数据;提取所述前景像素数据,作为指定车损实例掩码数据;
对所述指定车损实例掩码数据对应的指定车损实例掩码图片进行纹理遮挡和拦截处理,使所述指定车损实例掩码图片中粘贴部分重叠对象的最大重叠度为0.75,并使所述指定车损实例掩码图片中至少有0.25个框在所述指定车损实例掩码图片中;
对所述指定车损实例掩码数据进行数据扩增处理,得到待融合指定车损实例掩码数据;其中,对所述指定车损实例掩码数据进行数据扩增处理的方式为2D旋转的数据扩增方式;包括:将所述指定车损实例掩码数据以均匀采样的方式在-180°到180°之间旋转,得到所述指定车损实例掩码数据在-180°到180°之间的扩增数据;
将所述待融合指定车损实例掩码数据对应的待融合指定车损实例掩码图片与所述场景图片进行融合处理,得到合成的车损检测数据。
2.根据权利要求1所述的车损检测数据合成方法,其特征在于,在根据所述指定车损实例对象图片提取指定车损实例掩码数据之后,还包括:
在所述指定车损实例掩码数据对应的指定车损实例掩码图片中添加指定车损干扰对象。
3.根据权利要求1所述的车损检测数据合成方法,其特征在于,所述待融合指定车损实例掩码数据存储于区块链中。
4.根据权利要求1所述的车损检测数据合成方法,其特征在于,所述融合处理为高斯融合、泊松融合、运动融合和混合融合中的任意一种或几种混合使用的图片融合处理方式。
5.一种电子装置,其特征在于,该电子装置包括:存储器、处理器,所述存储器中存储有车损检测数据合成程序,所述车损检测数据合成程序被所述处理器执行时实现如下步骤:
收集指定车损实例对象图片和场景图片;其中,所述指定车损实例对象图片是指带有某种车损类型的图片;所述场景图片是指不同类型的车辆的图片;
根据所述指定车损实例对象图片提取指定车损实例掩码数据;其中,包括如下步骤:对所述指定车损实例对象图片进行像素处理,得到指定车损实例对象图片的像素数据;对所述指定车损实例对象图片的像素数据进行前景和背景分类处理,分别得到前景像素数据和背景像素数据;提取所述前景像素数据,作为指定车损实例掩码数据;
对所述指定车损实例掩码数据对应的指定车损实例掩码图片进行纹理遮挡和拦截处理,使所述指定车损实例掩码图片中粘贴部分重叠对象的最大重叠度为0.75,并使所述指定车损实例掩码图片中至少有0.25个框在所述指定车损实例掩码图片中;
对所述指定车损实例掩码数据进行数据扩增处理,得到待融合指定车损实例掩码数据;其中,对所述指定车损实例掩码数据进行数据扩增处理的方式为2D旋转的数据扩增方式;包括:将所述指定车损实例掩码数据以均匀采样的方式在-180°到180°之间旋转,得到所述指定车损实例掩码数据在-180°到180°之间的扩增数据;
将所述待融合指定车损实例掩码数据对应的待融合指定车损实例掩码图片与所述场景图片进行融合处理,得到合成的车损检测数据。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中
存储有车损检测数据合成程序,所述车损检测数据合成程序被处理器执行时,
实现如权利要求1至4中任一项所述的车损检测数据合成方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010753024.XA CN111899204B (zh) | 2020-07-30 | 2020-07-30 | 车损检测数据合成方法、装置及存储介质 |
PCT/CN2020/125073 WO2021139357A1 (zh) | 2020-07-30 | 2020-10-30 | 车损检测数据合成方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010753024.XA CN111899204B (zh) | 2020-07-30 | 2020-07-30 | 车损检测数据合成方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111899204A CN111899204A (zh) | 2020-11-06 |
CN111899204B true CN111899204B (zh) | 2024-04-09 |
Family
ID=73182687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010753024.XA Active CN111899204B (zh) | 2020-07-30 | 2020-07-30 | 车损检测数据合成方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111899204B (zh) |
WO (1) | WO2021139357A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612744A (zh) * | 2022-03-10 | 2022-06-10 | 平安科技(深圳)有限公司 | 一种检测模型训练方法、车辆损伤检测方法及终端设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003304395A (ja) * | 2002-04-09 | 2003-10-24 | Canon Inc | 画像処理装置及びフィルムスキャナ |
WO2018128741A1 (en) * | 2017-01-06 | 2018-07-12 | Board Of Regents, The University Of Texas System | Segmenting generic foreground objects in images and videos |
CN108764046A (zh) * | 2018-04-26 | 2018-11-06 | 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 |
CN109146830A (zh) * | 2018-07-17 | 2019-01-04 | 北京旷视科技有限公司 | 用于生成训练数据的方法、装置、系统和存储介质 |
CN110070056A (zh) * | 2019-04-25 | 2019-07-30 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质及设备 |
WO2020038207A1 (en) * | 2018-08-21 | 2020-02-27 | Huawei Technologies Co., Ltd. | Binarization and normalization-based inpainting for removing text |
CN111047576A (zh) * | 2019-12-12 | 2020-04-21 | 珠海博明视觉科技有限公司 | 一种表面缺陷样本生成工具 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288019A (zh) * | 2019-06-21 | 2019-09-27 | 北京百度网讯科技有限公司 | 图像标注方法、装置和存储介质 |
-
2020
- 2020-07-30 CN CN202010753024.XA patent/CN111899204B/zh active Active
- 2020-10-30 WO PCT/CN2020/125073 patent/WO2021139357A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003304395A (ja) * | 2002-04-09 | 2003-10-24 | Canon Inc | 画像処理装置及びフィルムスキャナ |
WO2018128741A1 (en) * | 2017-01-06 | 2018-07-12 | Board Of Regents, The University Of Texas System | Segmenting generic foreground objects in images and videos |
CN108764046A (zh) * | 2018-04-26 | 2018-11-06 | 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 |
CN109146830A (zh) * | 2018-07-17 | 2019-01-04 | 北京旷视科技有限公司 | 用于生成训练数据的方法、装置、系统和存储介质 |
WO2020038207A1 (en) * | 2018-08-21 | 2020-02-27 | Huawei Technologies Co., Ltd. | Binarization and normalization-based inpainting for removing text |
CN110070056A (zh) * | 2019-04-25 | 2019-07-30 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质及设备 |
CN111047576A (zh) * | 2019-12-12 | 2020-04-21 | 珠海博明视觉科技有限公司 | 一种表面缺陷样本生成工具 |
Also Published As
Publication number | Publication date |
---|---|
WO2021139357A1 (zh) | 2021-07-15 |
CN111899204A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | Fast image dehazing using guided joint bilateral filter | |
JP6025522B2 (ja) | 画像処理装置、画像処理方法、画像処理システム及びプログラム | |
CN105825544A (zh) | 一种图像处理方法及移动终端 | |
US8520967B2 (en) | Methods and apparatuses for facilitating generation images and editing of multiframe images | |
US20210374972A1 (en) | Panoramic video data processing method, terminal, and storage medium | |
CN111950353B (zh) | 印章文本识别方法、装置及电子设备 | |
CN108154149B (zh) | 基于深度学习网络共享的车牌识别方法 | |
CN110532497B (zh) | 生成全景图的方法、生成三维页面的方法以及计算设备 | |
CN113126862B (zh) | 截屏方法、装置、电子设备以及可读存储介质 | |
CN113570626B (zh) | 图像裁剪方法、装置、计算机设备及存储介质 | |
CN105701762B (zh) | 一种图片处理方法和电子设备 | |
CN112651881B (zh) | 图像合成方法、装置、设备、存储介质以及程序产品 | |
WO2019214321A1 (zh) | 车辆损伤识别的处理方法、处理设备、客户端及服务器 | |
CN112712487A (zh) | 一种场景视频融合方法、系统、电子设备及存储介质 | |
CN111899204B (zh) | 车损检测数据合成方法、装置及存储介质 | |
CN111462164A (zh) | 一种前景分割方法以及基于图像合成的数据增强方法 | |
KR102388777B1 (ko) | 360도 vr 카메라를 이용한 연도변 조사 서비스 제공 시스템 | |
Kim et al. | Texture feature-based text region segmentation in social multimedia data | |
CN114240816A (zh) | 道路环境感知方法、装置、存储介质、电子设备及车辆 | |
CN114049488A (zh) | 一种多维信息融合的远距离弱小目标检测方法和终端 | |
CN111489323A (zh) | 双光场图像融合方法、装置、设备及可读存储介质 | |
CN113766147B (zh) | 视频中嵌入图像的方法、平面预测模型获取方法和装置 | |
WO2019080257A1 (zh) | 电子装置、车祸现场全景图像展示方法和存储介质 | |
CN107633498B (zh) | 图像暗态增强方法、装置及电子设备 | |
CN113012085A (zh) | 图像处理方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |