CN112348011A - 一种车辆定损方法、装置及存储介质 - Google Patents
一种车辆定损方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112348011A CN112348011A CN202010944931.2A CN202010944931A CN112348011A CN 112348011 A CN112348011 A CN 112348011A CN 202010944931 A CN202010944931 A CN 202010944931A CN 112348011 A CN112348011 A CN 112348011A
- Authority
- CN
- China
- Prior art keywords
- picture
- vehicle
- detected
- damage
- component
- 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
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车辆定损方法、装置及存储介质,所述方法包括:响应于车辆定损请求,获取待检测车辆图片;对所述待检测车辆图片进行实例分割,获得所述待检测车辆中各个部件的检测图片;基于流生成模型,将每个部件的检测图片与每个部件对应的标准图片进行对比,得到每个部件的损坏参数;根据各个部件的损坏参数确定车辆维修数据。通过本发明所述方法,能快速的对待检测车辆进行定损处理。
Description
技术领域
本发明涉及智能定损技术领域,尤其涉及一种车辆定损方法、装置及存储介质。
背景技术
车辆定损是根据汽车构造原理,通过科学、系统的专业化检测、测试与勘测手段,对车辆碰撞与事故现场进行综合分析,运用车辆估损资料与维修数据,对车辆碰撞修复进行科学系统的估损定价。现有车辆定损方法需要人为工作保障,且在已有数据库中寻找和对比,导致定损处理时间长以及拓展性差,在实际应用中受限。
发明内容
针对现有技术定损处理时间长及拓展性差的问题,本发明实施例提供一种车辆定损方法、装置、设备及介质。
为了达到所述目的,本发明实施例采用的技术方案是:
第一方面,本发明实施例提供一种车辆定损方法,包括:
响应于车辆定损请求,获取待检测车辆图片;
对所述待检测车辆图片进行实例分割,获得所述待检测车辆中各个部件的检测图片;
基于流生成模型,将每个部件的检测图片与每个部件对应的标准图片进行对比,得到每个部件的损坏参数;
根据各个部件的损坏参数确定车辆维修数据。
第二方面,本发明实施例提供一种车辆定损装置,所述装置包括图片获取模块、图片分割模块、图片评价模块以及定损模块;
所述图片获取模块用于响应于车辆定损请求,获取待检测车辆图片;
所述图片分割模块用于对所述待检测车辆图片进行实例分割,获得所述待检测车辆中各个部件的检测图片;
所述图片评价模块用于基于流生成模型,将每个部件的检测图片与每个部件对应的标准图片进行对比,得到每个部件的损坏参数;
所述定损模块用于根据各个部件的损坏参数确定车辆维修数据。
第三方面,本发明实施例提供一种计算机存储介质,所述计算机存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现:响应于车辆定损请求,获取待检测车辆图片;对所述待检测车辆图片进行实例分割,获得所述待检测车辆中各个部件的检测图片;基于流生成模型,将每个部件的检测图片与每个部件对应的标准图片进行对比,得到每个部件的损坏参数;根据各个部件的损坏参数确定车辆维修数据。
本发明的技术方案带来的有益效果是:
利用实例分割方法,将待检测车辆图片分割成像素级图片,能更精确的得到各个部件的图片信息;利用流生成模型将每个部件的标准图片与检测图片进行对比,直接利用对比参数进行损坏估计,在快速的还原问题的同时,能更精确的对车辆进行定损;此外,通过结合图片分割和图片还原技术,使得定损过程具有很好的泛化能力。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图做简单地介绍,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是本发明实施例提供的一种车辆定损方法的流程图。
图2是本发明实施例提供的采用流生成模型获得部件的损坏参数的流程图。
图3是本发明实施例提供的一种车辆定损装置的结构框图示意图。
具体实施方式
为了使本技术领域的人员更好的理解本发明方案,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,所描述的实施例仅仅是本发明的一部分的实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明实施例提供一种车辆定损方法,所述方法可以应用在多种设备的系统平台,所述设备包括个人计算机以及手机等,其执行主体可以为系统平台,包括计算机终端或各种移动设备的处理器。参考说明书附图1,所述方法可以包括以下步骤:
步骤S101:响应于车辆定损请求,获取待检测车辆图片。
在本发明实施例中,当用户通过客户端进行车辆定损操作时,客户端向服务器发送车辆定损请求,服务端从所述车辆定损请求中获取待检测车辆的定损数据,所述定损数据包括至少一个图片和/或至少一个视频。在提取出客户端的定损数据后,服务器对定损数据进行数据解析,提取出待检测车辆图片。具体的,若所述定损数据中包含一个或多个图片,则直接将所述一个或多个图片存入到待检测集中;若所述定损数据中包含有一个或多个视频,则对所述一个或多个视频进行数据采样,提取出车辆图片,将所述车辆图片存入到待检测集中;然后,对所述待检测集中的图片进行去噪及去重等预处理操作,得到待检测车辆图片。
在一个具体的实施方式中,对视频进行数据采样即从视频中提取需要的图片,可以采用按时间间隔或按帧提取的方式。为了更好的对车辆进行定损,客户端上传或拍摄的图片或视频尽可能覆盖车辆的各个角度,可以是车辆的全方位360度角度数据,也可以对同一个部位进行多次不同角度和远近距离的拍摄生成的多个图片或多段拍摄视频。
优选的,所述待检测车辆图片中包含有待检测车辆的车牌图片。
步骤S102:对所述待检测车辆图片进行实例分割,获得所述待检测车辆中各个部件的检测图片。
具体的,本发明实施例中的实例分割属于像素级的分割方法,可以将图片中的每个像素都分为一类,例如可以区分出图片中某个像素属于正面车窗、背面车窗、左侧车门还是右侧车门等。实例分割的难点在于,需要同时检测出目标的位置并且对目标进行分割,所以需要融合目标检测(框出目标的位置)以及语义分割(对像素进行分类,不区分属于相同类别的不同实例)方法。例如,当图片中有多个车窗时,语义分割会将这些车窗的所有像素预测为“车窗”这个类别,实例分割需要区分出哪些像素属于正面车窗,哪些像素属于背面车窗。
在本发明实施例中,采用基于掩码的卷积神经网络(Mask R-CNN,Mask Region-based Convolutional Neural Networks)对待检测车辆图片进行实例分割。Mask R-CNN的整个网络结构包含两部分,一部分用于获取特征图的主干特征提取网络,另一部分用于对每一个感兴趣区域(ROI,Region of Interest)进行分类、框回归和掩码(Mask)预测。本发明实施例选取ResNeXt作为特征提取网络,所述ResNeXt是一种由32组独立变换结构组成的网络结构,可以在不增加参数复杂度的前提下提高分类的准确率,同时还减少了超参数的数量。
在本发明实施例中,采用Mask R-CNN对待检测车辆图片进行实例分割,获得待检测车辆中各个部件的图片的过程可以包括:将待检测车辆图片中的每个图片处理成256×256大小,将每个图片输入到训练好的ResNeXt网络中进行特征提取,得到特征图;对所述特征图中的每一个特征点设定预设个数的ROI,从而得到多个候选ROI;将这多个候选ROI输入到区域建议网络(RPN,Region Progosal network)进行二值分类和边界框回归,利用0.5作为阈值进行二值化,产生背景和前景的分割Mask,过滤掉部分候选的ROI;对剩下的候选ROI进行区域特征聚类(ROIAlign)操作得到候选区域;对所述候选区域进行分类、边界框回归以及分割检测等操作,得到待检测车辆中各个部件的图片。
步骤S103:基于流生成模型,将每个部件的检测图片与每个部件对应的标准图片进行对比,得到每个部件的损坏参数。
在本发明实施例中,采用流生成模型Glow(Generative flow)对每个部件的检测图片与每个部件对应的标准图片进行对比。Glow是一种可逆的生成模型,也称基于流的生成模型,可以将一个图片很流畅的变换到另一个图片,精确的潜变量推断和对数似然评估,可同时处理高效的推理和有效的合成。
具体的,在Glow中,整个照片流的生成需要分为K次单步流来完成。单步流包含三步:第一步是行为规范(Actnorm)层,通过Actnorm层对数据进行规范化处理,采用每个通道的缩放和偏差参数进行激活,把激活神经元归一化(Activation Normalization);第二步是建立一个可逆的1*1卷积,目的是采用矩阵乘法实现对各个维度数据的打乱,使信息混合得更加充分,输入和输出通道数量相同;第三步是防射变换(Affine Transformation),训练得出可逆的函数,这三步组成一个新的数据流。无数的数据流连在一起就有了周而复始的生成流,将各部件的标准图片与检测图片循环对比,直到将标准图片还原成检测图片的形式。将生成流与生成网络的多尺度(Multi-Scale)架构结合在一起,对潜变量(LatentVariable)有了确切的对数似然估计值(Log-Likelyhood),根据所述对数似然估计值可以对车辆的损毁程度进行较为精确的损坏估计。
步骤S104:根据各个部件的损坏参数确定车辆维修数据。
具体地,根据每个部件的损坏参数,参照预设维修准则确定每个部件的维修策略和维修价格;汇总各个部件的维修策略和维修价格,得到车辆维修数据,通过预设维修准则,能快速的根据车辆型号匹配出损坏程度和相对应的维修价格。其中,所述预设维修准则中包括有车辆的损坏程度、车辆型号以及维修策略等信息,对于每个车辆型号所对应的车辆中各部件均有对应的维修策略和价格参考,一个部件可能存在多种损伤,将所有损伤都计算在内,即为该部件的损伤程度。然后将车辆所有的部件的维修费用进行汇总,得到整个车辆的维修费用,达到对车辆定损的目的。
在本发明实施例中,所述方法的步骤S103之前还包括:获取待检测车辆中各个部件对应的标准图片。具体的,可以从客户端直接获取车辆的各个部件对应的标准图片,也可以通过从待检测车辆对应的标准图片中提取出各个部件对应的标准图片,客户端可以针对不同的应用场景按需设置。其中,所述标准图片表征无损坏图片。
在本发明实施例中,所述通过从待检测车辆对应的标准图片中提取出各个部件对应的标准图片的过程可以包括:从所述待检测车辆图片中识别出待检测车辆的车牌号码,根据搜索方法在预设资料库中,查找与所述车牌号码匹配的图片作为待检测车辆的标准图片;将所述待检测车辆的标准图片进行实例分割,得到待检测车辆中各个部件对应的标准图片。其中,将所述待检测车辆的标准图片进行实例分割,得到待检测车辆中各个部件对应的标准图片,与将所述待检测车辆图片进行实例分割,获得所述待检测车辆中各个部件的检测图片的方法相同,这里不再赘述;所述预设资料库中可以存储与所述车牌号码相匹配的车辆数据信息,例如车牌号码、车辆型号、车辆标准图片以及车主信息等。
在一个具体的实施方式中,Mask R-CNN训练过程中目标检测的类别,可以包括正面车窗、背面车窗、左侧车门或右侧车门等,这样掩码损失(Lmask)使得网络能够输出每一类的Mask,且不会有不同类别Mask间的竞争,分类网络分支预测实体类别标签,以选择输出Mask,对每一个ROI,如果检测得到ROI属于哪一个分类,就只使用哪一个分支的相对熵误差作为误差值进行计算,例如检测得到当前ROI属于正面车窗这一类,那么所使用的掩码损失Lmask为正面车窗这一分支的Mask,即每个类别对应一个Mask可以有效避免类间竞争,其他分类不贡献损失。通过识别出ROI进行全景分割,然后对分割出来的部分进行语义分割将检测图片拆解成不同的部分的像素图片;然后再进行实例分割将待检测车辆的各部件选取出来,标记各部件的位置等信息,然后得到各部件图片。
在一个具体的实施方式中,所述采用流生成模型Glow将每个部件的检测图片与每个部件对应的标准图片进行对比,得到每个部件的损坏参数的步骤可以包括:
步骤S201:将所述标准图片确定为当前处理图片。
步骤S202:按照损坏估计值对当前处理图片进行调整,得到生成图片。
具体的,将所述当前处理图片与所述检测图片输入到流生成模型中进行循环对比,通过将当前处理图片编码,对潜在变量进行线性插值生成图片;每次对比计算所述当前处理图片与所述检测图片的差异值,根据差异值计算损坏估计值,按照所述损坏估计值对所述当前处理图片进行调整得到生成图片,每次调整后,将本次调整的损坏估计值作为该部件的一个损坏参数,并保存在该部件的损坏集中。
在本发明实施例中,可以通过将当前处理图片和检测图片编码,分别计算出一个潜在向量,将两个向量之间的向量差作为差异值,然后通过流生成模型对差异值进行估计,得到损坏估计值,即损坏估计值表示了当前处理图片与检测图片的精确差异,因而可以用所述损坏估计值表示车辆的损坏程度值,例如可以用来表示刮伤、损坏或污渍等。
步骤S203:将损坏估计值存储在损坏集中,将生成图片确定为当前处理图片。
步骤S204:判断生成图片与检测图片是否一致。
具体地,将生成图片与检测图片进行比较,进行潜变量估算,当所述潜变量估算值达到预设阈值时,确定生成图片与检测图片一致。
步骤S205:若生成图片与检测图片一致,则将生成图片与检测图片一致时的损坏集确定为本次所检测的部件对应的损坏参数,完成该部件的图片损坏检测。
若生成图片与检测图片不一致,继续从步骤S202开始执行。
为了便于更清晰的理解本发明实施例提供的所述定损方法,对车辆定损进行检测的过程进行举例说明如下:
用户使用客户端上传需要检测车辆的图片或视频,可以同时上传多个图片和/或多个视频,服务器接收到客户端上传的图片或视频后,若检测到有视频输入,先对视频进行数据采样获得采样图片,然后对采样图片与客户端上传的图片一起进行去噪以及去重等预处理操作后得到检测车辆的图片;接着,服务器将检测车辆的图片输入到预先训练好的卷积神经网络Mask R-CNN中进行实例分割,得到检测车辆中各个部件的检测图片。
然后,服务器从检测车辆的图片中提取出车辆的车牌号码,若未提取到,则提示客户端进行图片重传;然后根据车牌号码从预设资料库中,获取与车牌号码匹配的车辆型号对应的标准图片;将车辆的标准图片输入到训练好的Mask R-CNN网络中,进行实例分割,得到车辆中各个部件的标准图片。
接着,将各个部件的检测图片作为模拟对象,基于Glow模型,对每个部件的标准图片进行数据还原,还原成与检测图片一致,将每个部件数据还原过程中的损坏集作为该部件的损坏参数。
最后,基于损坏参数,参照预设的维修准则,得到各个部件的维修策略及对应的维修价格,汇总所有部件的维修策略和对应的维修价格,给出对车辆定损的结论。
本发明实施例所述方法利用Mask R-CNN实例分割方法,可以实现将待检测车辆图片分割成像素级图片,能更精确的得到待检测车辆中各个部件的图片信息;根据得到的各个部件的检测图片,利用各个部件对应的标准图片进行对抗神经网络模拟Glow,以检测图片作为评价标准,对生成的图片进行评价,在快速的还原问题的同时,可以更精确的对车辆进行定损,同时,通过结合图片分割Mask R-CNN和图片还原Glow技术,使得定损过程具有很好的泛化能力,可以进行大规模的拓展。
参考说明书附图3,本发明实施例提供一种车辆定损装置。为简化起见,仅示出了与文中所述的主题相关的模块。总体的车辆定损装置可具有许多其它构造和可使用许多其它类型的装备。如图3所示,所述装置包括图片获取模块301、图片分割模块302、图片评价模块303以及定损模块304,其中,
图片获取模块301用于响应于车辆定损请求,获取待检测车辆图片,并获取待检测车辆中各个部件对应的标准图片;
图片分割模块302用于对所述待检测车辆图片进行实例分割,获得所述待检测车辆中各个部件的检测图片;
图片评价模块303用于基于流生成模型,将每个部件的检测图片与每个部件对应的标准图片进行对比,得到每个部件的损坏参数;
定损模块304用于根据各个部件的损坏参数确定车辆维修数据。
本发明实施例还提供一种计算机存储介质,所述计算机存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现:响应于车辆定损请求,获取待检测车辆图片;对所述待检测车辆图片进行实例分割,获得所述待检测车辆中各个部件的检测图片;基于流生成模型,将每个部件的检测图片与每个部件对应的标准图片进行对比,得到每个部件的损坏参数;根据各个部件的损坏参数确定车辆维修数据。
可选地,在另一实施例中,上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在另一实施例中,上述存储介质可以包括但不限于:U盘、ROM(Read-Only Memory,只读存储器)、RAM(Random Access Memory,随机存取存储器)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明所提供的实施例中,应该理解,所揭露的装置/设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
上述说明已经充分揭露了本发明的具体实施方式。需要指出的是,熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应地,本发明的权利要求的范围也并不仅仅局限于前述具体实施方式。
Claims (10)
1.一种车辆定损方法,其特征在于,包括:
响应于车辆定损请求,获取待检测车辆图片;
对所述待检测车辆图片进行实例分割,获得所述待检测车辆中各个部件的检测图片;
基于流生成模型,将每个部件的检测图片与每个部件对应的标准图片进行对比,得到每个部件的损坏参数;
根据各个部件的损坏参数确定车辆维修数据。
2.根据权利要求1所述的方法,其特征在于,所述响应于车辆定损请求,获取待检测车辆图片包括:
从所述车辆定损请求中获取待检测车辆的定损数据,所述定损数据包括至少一个图片和/或至少一个视频;
对所述定损数据进行数据解析,提取待检测车辆图片。
3.根据权利要求1或2所述的方法,其特征在于,所述基于流生成模型,将每个部件的检测图片与每个部件对应的标准图片进行对比,得到每个部件的损坏参数包括:
将所述标准图片确定为当前处理图片;
将所述当前处理图片与所述检测图片输入到流生成模型中进行循环对比,每次对比计算所述当前处理图片与所述检测图片的差异值,根据差异值计算损坏估计值,按照所述损坏估计值对所述当前处理图片进行调整得到生成图片,将所述损坏估计值存储在损坏集中,将所述生成图片确定为所述当前处理图片,直到所述生成图片与所述检测图片一致;
将所述损坏集确定为部件的损坏参数。
4.根据权利要求1所述的方法,其特征在于,所述基于流生成模型,将每个部件的检测图片与每个部件对应的标准图片进行对比,得到每个部件的损坏参数之前,还包括:
获取待检测车辆中各个部件对应的标准图片。
5.根据权利要求4所述的方法,其特征在于,所述获取待检测车辆中各个部件对应的标准图片包括:
获取待检测车辆的标准图片,将所述待检测车辆的标准图片进行实例分割,得到待检测车辆中各个部件对应的标准图片。
6.根据权利要求5所述的方法,其特征在于,所述获取待检测车辆的标准图片包括:
从所述待检测车辆图片中识别出待检测车辆的车牌号码;
在预设资料库中,查找与所述车牌号码匹配的图片作为待检测车辆的标准图片。
7.根据权利要求1所述的方法,其特征在于,所述根据各个部件的损坏参数确定车辆维修数据包括:
根据每个部件的损坏参数,参照预设维修准则确定每个部件的维修策略和维修价格;
汇总各个部件的维修策略和维修价格,得到车辆维修数据。
8.一种车辆定损装置,其特征在于,所述装置包括图片获取模块、图片分割模块、图片评价模块以及定损模块;
所述图片获取模块用于响应于车辆定损请求,获取待检测车辆图片;
所述图片分割模块用于对所述待检测车辆图片进行实例分割,获得所述待检测车辆中各个部件的检测图片;
所述图片评价模块用于基于流生成模型,将每个部件的检测图片与每个部件对应的标准图片进行对比,得到每个部件的损坏参数;
所述定损模块用于根据各个部件的损坏参数确定车辆维修数据。
9.根据权利要求8所述的装置,其特征在于,所述图片获取模块还用于:
获取待检测车辆中各个部件对应的标准图片。
10.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1至7任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010944931.2A CN112348011B (zh) | 2020-09-10 | 2020-09-10 | 一种车辆定损方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010944931.2A CN112348011B (zh) | 2020-09-10 | 2020-09-10 | 一种车辆定损方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348011A true CN112348011A (zh) | 2021-02-09 |
CN112348011B CN112348011B (zh) | 2022-08-09 |
Family
ID=74357231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010944931.2A Active CN112348011B (zh) | 2020-09-10 | 2020-09-10 | 一种车辆定损方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348011B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966730A (zh) * | 2021-03-01 | 2021-06-15 | 创新奇智(上海)科技有限公司 | 车辆伤损识别方法、装置、设备及存储介质 |
CN114842198A (zh) * | 2022-05-31 | 2022-08-02 | 平安科技(深圳)有限公司 | 车辆智能定损方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150201835A1 (en) * | 2014-01-21 | 2015-07-23 | Osterhout Group, Inc. | Eye imaging in head worn computing |
CN106780048A (zh) * | 2016-11-28 | 2017-05-31 | 中国平安财产保险股份有限公司 | 一种智能车险的自助理赔方法、自助理赔装置及系统 |
CN107403424A (zh) * | 2017-04-11 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置及电子设备 |
CN108961082A (zh) * | 2018-07-06 | 2018-12-07 | 北京精友世纪软件技术有限公司 | 一种基于ai图像识别的车险定损系统及方法 |
CN110569702A (zh) * | 2019-02-14 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 视频流的处理方法和装置 |
CN110753169A (zh) * | 2018-07-23 | 2020-02-04 | Aptiv技术有限公司 | 具有2部件元件的照相机 |
-
2020
- 2020-09-10 CN CN202010944931.2A patent/CN112348011B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150201835A1 (en) * | 2014-01-21 | 2015-07-23 | Osterhout Group, Inc. | Eye imaging in head worn computing |
CN106780048A (zh) * | 2016-11-28 | 2017-05-31 | 中国平安财产保险股份有限公司 | 一种智能车险的自助理赔方法、自助理赔装置及系统 |
CN107403424A (zh) * | 2017-04-11 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置及电子设备 |
CN108961082A (zh) * | 2018-07-06 | 2018-12-07 | 北京精友世纪软件技术有限公司 | 一种基于ai图像识别的车险定损系统及方法 |
CN110753169A (zh) * | 2018-07-23 | 2020-02-04 | Aptiv技术有限公司 | 具有2部件元件的照相机 |
CN110569702A (zh) * | 2019-02-14 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 视频流的处理方法和装置 |
Non-Patent Citations (2)
Title |
---|
DIEDERIK P. KINGMA.ET AL: ""Glow: Generative Flow with Invertible 1*1 Convolutions"", 《ARXIV:1807.03039V2》 * |
PAPERW....: ""换脸效果媲美GAN一文解析OpenAI流生成模型Glow"", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/39676312》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966730A (zh) * | 2021-03-01 | 2021-06-15 | 创新奇智(上海)科技有限公司 | 车辆伤损识别方法、装置、设备及存储介质 |
CN114842198A (zh) * | 2022-05-31 | 2022-08-02 | 平安科技(深圳)有限公司 | 车辆智能定损方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112348011B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670429B (zh) | 一种基于实例分割的监控视频多目标人脸检测方法及系统 | |
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
CN109101888B (zh) | 一种游客人流量监控预警方法 | |
CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
EP3844669A1 (en) | Method and system for facilitating recognition of vehicle parts based on a neural network | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN108537119B (zh) | 一种小样本视频识别方法 | |
CN111369581A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN110969166A (zh) | 一种巡检场景下小目标识别方法和系统 | |
CN111242144B (zh) | 电网设备异常的检测方法和装置 | |
CN113011357A (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
CN110991397B (zh) | 一种行进方向确定方法及相关设备 | |
Đukić et al. | A low-shot object counting network with iterative prototype adaptation | |
JP2024513596A (ja) | 画像処理方法および装置、ならびにコンピュータ可読ストレージ媒体 | |
CN117292338B (zh) | 基于视频流解析的车辆事故识别和分析方法 | |
CN112348011B (zh) | 一种车辆定损方法、装置及存储介质 | |
CN109376736A (zh) | 一种基于深度卷积神经网络的视频小目标检测方法 | |
CN116311214B (zh) | 车牌识别方法和装置 | |
CN114743257A (zh) | 图像目标行为的检测识别方法 | |
Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
CN116580063B (zh) | 目标追踪方法、装置、电子设备及存储介质 | |
CN111582057B (zh) | 一种基于局部感受野的人脸验证方法 | |
CN116523959A (zh) | 一种基于人工智能的运动目标检测方法及系统 | |
CN110728316A (zh) | 一种课堂行为检测方法、系统、装置和存储介质 | |
Cao et al. | Robust crowd counting based on refined density map |
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 |