CN112668462A - 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 PDFInfo
- Publication number
- CN112668462A CN112668462A CN202011566971.4A CN202011566971A CN112668462A CN 112668462 A CN112668462 A CN 112668462A CN 202011566971 A CN202011566971 A CN 202011566971A CN 112668462 A CN112668462 A CN 112668462A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- loss
- sample
- damage
- result
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000000877 morphologic effect Effects 0.000 claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 23
- 230000001066 destructive effect Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 230000007423 decrease Effects 0.000 claims description 5
- 230000008707 rearrangement Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013145 classification model Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010061619 Deformity Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (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：通过获取车损样本集；输入含有初始参数的初始检测模型；提取车损样本图像中的全局车损形态特征，获取目标区域结果，并确定出第一损失值；根据目标区域结果中的目标区域，得到多个车损样本局部图像；通过局部车损形态特征提取，识别出车损形态结果，同时进行真伪识别，得到真伪结果；确定出第二损失值，同时确定出第三损失值；从而得到总损失值；通过总损失值训练模型，得到训练完成的车损检测模型。本发明实现减少干扰噪声的影响，实现了准确地、快速地识别出图像中的车损形态类型。
Description
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，保险公司一般是通过人工识别由车主或业务人员拍摄的交通事故的车辆损伤图像，进而对图像中车辆的损伤部位的损伤类型进行人工识别并判定；该方案的不足之处在于：由于存在标准理解不一、观察经验不足等影响，可能会导致人工识别的损伤类型不符；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，会进一步增加工作量，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，实现了提取出目标区域和确定出第一损失值，再对目标区域进行提取及重排，识别出结合大粒度损伤结果的车损形态结果及真伪识别的真伪结果，并确定第二损失值和第三损失值，从而得到总损失值，进而根据总损失值进行训练，直至收敛，以防止识别中过拟合，并聚焦学习于车损形态特征的细粒程度，和学习减少干扰噪声的特征的影响，提高了识别的准确率，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，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矩形区域和车损形态标签类型；
将所述车损样本图像输入含有初始参数的初始检测模型；
提取所述车损样本图像中的全局车损形态特征，识别出目标区域结果，并根据所述目标区域结果和所述车损矩形区域，确定出第一损失值；
根据所述目标区域结果中的目标区域，对所述车损样本图像提取及重排，得到多个与所述车损样本图像对应的车损样本局部图像；一个所述车损样本局部图像与一个真伪标签关联；
根据所述目标区域结果对所有与所述车损样本图像对应的所述车损样本局部图像进行局部车损形态识别，识别出与所述车损样本局部图像对应的样本结果；所述样本结果包括车损形态结果和真伪结果；
根据与所述车损样本图像对应的所述车损形态标签类型和与该车损样本图像对应的所述车损样本局部图像对应的所述车损形态结果，确定出第二损失值，同时根据与所述车损样本局部图像对应的所述真伪标签和所述真伪结果，确定出第三损失值；
根据所述第一损失值、所述第二损失值和所述第三损失值，确定总损失值；
在所述总损失值未达到预设的收敛条件时，迭代更新所述初始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，将收敛之后的所述初始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对所述车损图像进行车损形态识别，得到最终结果；所述最终结果表征了所述车损图像中的车损形态类型。
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，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矩形区域和车损形态标签类型；
输入模块，用于将所述车损样本图像输入含有初始参数的初始检测模型；
提取模块，用于提取所述车损样本图像中的全局车损形态特征，识别出目标区域结果，并根据所述目标区域结果和所述车损矩形区域，确定出第一损失值；
重排模块，用于根据所述目标区域结果中的目标区域，对所述车损样本图像提取及重排，得到多个与所述车损样本图像对应的车损样本局部图像；一个所述车损样本局部图像与一个真伪标签关联；
第一识别模块，用于根据所述目标区域结果对所有与所述车损样本图像对应的所述车损样本局部图像进行局部车损形态识别，识别出与所述车损样本局部图像对应的样本结果；所述样本结果包括车损形态结果和真伪结果；
确定模块，用于根据与所述车损样本图像对应的所述车损形态标签类型和与该车损样本图像对应的所述车损样本局部图像对应的所述车损形态结果，确定出第二损失值，同时根据与所述车损样本局部图像对应的所述真伪标签和所述真伪结果，确定出第三损失值；
损失模块，用于根据所述第一损失值、所述第二损失值和所述第三损失值，确定总损失值；
训练模块，用于在所述总损失值未达到预设的收敛条件时，迭代更新所述初始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，将收敛之后的所述初始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；
第二识别模块，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对所述车损图像进行车损形态识别，得到最终结果；所述最终结果表征了所述车损图像中的车损形态类型。
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，通过获取车损样本集；所述车损样本集包括车损样本图像，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矩形区域和车损形态标签类型；将所述车损样本图像输入含有初始参数的初始检测模型；提取所述车损样本图像中的全局车损形态特征，识别出目标区域结果，并根据所述目标区域结果和所述车损矩形区域，确定出第一损失值；根据所述目标区域结果中的目标区域，对所述车损样本图像提取及重排，得到多个与所述车损样本图像对应的车损样本局部图像；一个所述车损样本局部图像与一个真伪标签关联；根据所述目标区域结果对所有与所述车损样本图像对应的所述车损样本局部图像进行局部车损形态识别，识别出与所述车损样本局部图像对应的样本结果；所述样本结果包括车损形态结果和真伪结果；根据与所述车损样本图像对应的所述车损形态标签类型和与该车损样本图像对应的所述车损样本局部图像对应的所述车损形态结果，确定出第二损失值，同时根据与所述车损样本局部图像对应的所述真伪标签和所述真伪结果，确定出第三损失值；根据所述第一损失值、所述第二损失值和所述第三损失值，确定总损失值；在所述总损失值未达到预设的收敛条件时，迭代更新所述初始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，将收敛之后的所述初始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，实现了通过全局车损形态特征识别，识别出车损样本图像中的目标区域结果，再对目标区域结果中的目标区域进行破坏性的重排得到含有关联真伪标签的车损样本局部图像，对车损样本局部图像进行局部车损形态识别，得到结合目标区域结果的车损形态结果及真伪识别的真伪结果，从而确定出总损失值进行训练，实现了通过全局车损形态特征的学习中识别大粒度损伤维度的目标区域结果，结合目标区域结果学习大粒度损伤维度下的细粒度损伤维度的局部区域的局部车损形态识别，并通过重排的具有破坏性的车损样本局部图像以防止识别中过拟合，以及学习噪声真伪特征以识别噪声的真伪，能够将减少噪声在识别过程中的干扰，提高了车损形态检测的准确性和可靠性，本发明能够提升了车损形态识别的准确率和质量，通过车损形态的针对大粒度维度的全局车损形态特征的识别和针对细粒度维度的局部车损形态识别，以及学习噪声真伪特征减少干扰噪声的影响，实现了准确地、快速地识别出图像中的车损形态类型，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对所述车损图像进行车损形态识别，得到最终结果；所述最终结果表征了所述车损图像中的车损形态类型，如此，本发明提高了识别速度，从而提升了对车损形态类型识别的准确率及可靠性，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是本发明一实施例中车损检测方法的流程图；
图4是本发明一实施例中车损检测模型训练装置的原理框图；
图5是本发明一实施例中车损检测装置的原理框图；
图6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，提供一种车损检测模型训练方法，其技术方案主要包括以下步骤S10-S80：
S10，获取车损样本集；所述车损样本集包括车损样本图像，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矩形区域和车损形态标签类型。
可理解地，所述车损样本集为所述车损样本图像的集合，所述车损样本图像为历史收集的车损的图像，将所述车损样本图像作为训练车损检测模型的样本，一个所述车损样本图像与一个所述车损标签组关联，所述车损标签组包括所述车损矩形区域和所述车损形态标签类型，所述车损标签组为与所述车损样本图像关联的一组标签的集合，所述车损标签组定义了与其对应的所述车损样本图像中的车损区域的坐标范围和属于哪一种车损形态标签的类型，所述车损矩形区域为车损区域的坐标范围的区域，所述车损形态标签类型为对车损形态定义的各大粒度损伤维度的大粒度损伤类型下的细粒度损伤维度的细粒度损伤类型的标签类型，所述大粒度损伤类型为定义的损伤类型分类的树状结构中第一层的根节点，即所有损伤类型分类中划分的大类的损伤类型，所述细粒度损伤类型为定义的在所述大粒度损伤类型下细分的损伤类型，比如大粒度损伤类型包括擦伤，凹陷和开裂等三种大粒度损伤类型，细粒度损伤类型有为在大粒度损伤类型为凹陷下的下凹，褶皱，死褶等类型，所述车损形态标签类型包括大粒度损伤类型下的细分度损伤类型，例如：车损形态标签类型包含有“凹陷-褶皱”的标签。
S20，将所述车损样本图像输入含有初始参数的初始检测模型。
可理解地，所述初始检测模型包含有所述初始参数，所述初始参数可以为预设的初始的参数值。
S30，提取所述车损样本图像中的全局车损形态特征，识别出目标区域结果，并根据所述目标区域结果和所述车损矩形区域，确定出第一损失值。
可理解地，对输入的图像进行所述全局车损形态特征的提取以及识别出该图像中的含有损伤的目标区域和大粒度损伤维度的损伤类型，所述全局车损形态特征为与所述大粒度损伤类型相关的损伤区域的特征，比如下凹，褶皱，死褶等类型的特征，提取所述车损样本图像中的全局车损形态特征，即提取出所述车损样本图像中大粒度损伤类型下具有全局性的和共性损伤的特征，通过对提取的所述全局车损形态特征进行目标识别，将具有所述全局车损形态特征的局域进行框定，从而能够识别出所述目标区域结果，所述目标区域结果包括所述目标区域和大粒度损伤结果，所述目标区域结果为识别出所述车损样本图像中存在车损形态的矩形区域范围和大粒度损伤维度下的损伤类型，所述目标区域为一个识别出的具有车损形态的矩形区域范围，所述大粒度损伤结果为识别出的具有大粒度损伤维度下的损伤类型的结果。
其中，将所述目标区域结果和所述车损矩形区域输入第一损失函数中，通过所述第一损失函数计算出所述第一损失值，所述第一损失值表明了识别出的所述目标区域结果与所述车损矩形区域的差距。
作为优选，所述初始检测模型包括基于SSD与FPN模型架构的目标区域检测模型，所述目标区域检测模型用于提取所述车损样本图像中的全局车损形态特征，识别出目标区域结果，并根据所述目标区域结果和所述车损矩形区域，确定出第一损失值的，所述目标区域检测模型的网络结构为基于所述SSD与FPN模型架构构建的网络结构，所述SSD与FPN模型架构为在SSD的神经网络结构中应用FPN模型架构对SSD架构中的各层进行融合的架构，所述FPN即为特征金字塔，所述FPN模型架构为先压缩(下采样)、再增大(上采样)、然后同层级的进行融合的架构，所述SSD模型架构为目标区域生成以及多特征信息融合的目标检测模型。
S40，根据所述目标区域结果中的目标区域，对所述车损样本图像提取及重排，得到多个与所述车损样本图像对应的车损样本局部图像；一个所述车损样本局部图像与一个真伪标签关联。
可理解地，从所述车损样本图像中提取及重排出所述车损样本局部图像，所述提取及重排的过程为对识别出的所述目标区域结果中的目标区域进行提取，得到原始局部样本图像，并将所述原始局部样本图像与所述真伪标签中的真标签关联，以及对所述原始局部样本图像进行分割重排，得到破坏性样本图像，并将所述破坏性样本图像与所述真伪标签中的伪标签关联。
其中，所述车损样本局部图像包括所述原始局部样本图像和所述破坏性样本图像，所述原始局部样本图像为直接从所述车损样本图像中根据所述目标区域结果中的目标区域提取出的图像，所述破坏性样本图像为对所述原始局部样本图像进行重排过的图像，所述真伪标签包括真标签和伪标签，所述真伪标签为区分真伪的标签，所述真标签为未加工的原始的图像赋予的标签，所述伪标签为重排过的图像赋予的标签。
在一实施例中，所述步骤S40中，即所述根据所述目标区域结果中的目标区域，对所述车损样本图像提取及重排，得到多个与所述车损样本图像对应的车损样本局部图像，包括：
S401，根据所述目标区域结果中的目标区域，对所述车损样本图像进行提取，得到与所述车损样本图像对应的原始局部样本图像，并将所述原始局部样本图像与所述真伪标签中的真标签关联。
可理解地，所述提取过程为从所述车损样本图像中按照所述目标区域的范围复制出的过程，从而得到与所述车损样本图像对应的所述原始局部样本图像，以及建立所述原始局部样本图像与所述真伪标签中的真标签的关联关系。
S402，对所述原始局部样本图像进行分割重排，得到破坏性样本图像，并将所述破坏性样本图像与所述真伪标签中的伪标签关联。
可理解地，所述分割重排的处理过程为对所述原始局部样本图像按照预设区域进行分割，再重新排列后得到相同大小的图像的过程，所述预设区域可以根据需求设定，所述预设区域可以根据识别出的所述目标区域结果中的目标区域的大小确定其尺寸大小，也可以根据识别出的所述目标区域结果中的大粒度损伤结果确定其尺寸大小，所述预设区域为M×N的区域，其中，M×N的区域小于所述目标区域的尺寸大小，优先地，所述预设区域的默认尺寸大小为5×4的区域，将分割后的多个与预设区域相同大小的区域确定为待排列区域，对所有所述待排列区域进行随机排列，重新排列成与所述原始局部样本图像一样大小的图像，从而经过分割重排处理后的所述原始局部样本图像，可以得到多个与所述原始局部样本图像对应的所述破坏性样本图像，建立所述破坏性样本图像与所述真伪标签中的伪标签的关联关系，所述破坏性样本图像为具有视觉上的噪声的图像，所述破坏性样本图像能够防止局部车损形态识别的过拟合，以及为噪声真伪特征学习提供了数据。
本发明实现了根据所述目标区域结果中的目标区域，对所述车损样本图像进行提取，得到与所述车损样本图像对应的原始局部样本图像，并将所述原始局部样本图像与所述真伪标签中的真标签关联，以及对所述原始局部样本图像进行分割重排，得到破坏性样本图像，并将所述破坏性样本图像与所述真伪标签中的伪标签关联，如此，能够得到具有真标签的原始局部样本图像和具有伪标签的破坏性样本图像，为后续的车损形态类型的识别提高了准确性，以及防止了局部车损形态识别出现过拟合，并为后续的局部车损形态识别提供了数据来源。
S50，根据所述目标区域结果对所有与所述车损样本图像对应的所述车损样本局部图像进行局部车损形态识别，识别出与所述车损样本局部图像对应的样本结果；所述样本结果包括车损形态结果和真伪结果。
可理解地，所述目标区域结果还包括与所述车损样本局部图形对应的所述大粒度损伤结果，所述大粒度损伤结果为识别出的具有大粒度损伤维度下的损伤类型的结果，所述局部车损形态识别为选择与该大粒度损伤结果对应的细粒度卷积层，通过选择的所述细粒度卷积层对所述车损样本局部图像进行所述局部车损形态特征提取和所述噪声真伪特征提取，分别对提取所述局部车损形态特征和所述噪声真伪特征进行识别的过程，所述局部车损形态识别通过分开两个分支进行卷积提取，所述局部车损形态特征为大粒度损伤类型下的细粒度损伤类型的相关特征，所述噪声真伪特征为造成损伤形状不规则或者不流畅的噪声的特征，所述局部车损形态识别包括细粒度车损识别和真伪识别，在识别过程中结合提取的所述局部车损形态特征提取和所述噪声真伪特征之间的关联关系，彼此相互影响细粒度车损识别和真伪识别，调整所述细粒度卷积层中的参数，将细粒度车损识别和真伪识别的精度不断提高，所述所述细粒度车损识别为针对于细粒度损伤维度的局部特征的识别，所述真伪识别为针对视觉噪音的真伪特征进行识别，所述噪声真伪特征所述车损形态结果为经过所述细粒度车损识别之后确定的细粒度损伤维度的损伤类型的结果，所述真伪结果为经过所述真伪识别之后确定的是否存在噪声的结果，所述真伪结果表明了所述车损样本局部图像的是否存在噪声的真伪情况。
作为优选，所述初始检测模型还包括基于ResNet50模型架构的车损形态检测模型，所述车损形态检测模型的网络结构为ResNet50模型架构的网络结构，所述车损形态检测模型用于实现根据所述目标区域结果对所有与所述车损样本图像对应的所述车损样本局部图像进行局部车损形态识别，识别出与所述车损样本局部图像对应的样本结果的模型。
在一实施例中，所述步骤S50中，即所述根据所述目标区域结果对所有与所述车损样本图像对应的所述车损样本局部图像进行局部车损形态识别，识别出与所述车损样本局部图像对应的样本结果；所述样本结果包括车损形态结果和真伪结果，包括：
S501，选择与大粒度损伤结果对应的细粒度卷积层；所述目标区域结果包括所述大粒度损伤结果。
可理解地，所述大粒度损伤结果为识别出的具有大粒度损伤维度下的损伤类型的结果，所述局部车损形态特征为大粒度损伤类型下的细粒度损伤类型的相关特征，所述初始检测模型中包含有多个与各大粒度损伤类型一一对应的所述细粒度卷积层，各所述细粒度卷积层的层级结构可以一样，也可以不一样。
S502，通过选择的所述细粒度卷积层对所述车损样本局部图像进行局部车损形态特征提取，同时进行噪声真伪特征提取。
可理解地，所述细粒度卷积层的层级结构可以为ResNet50模型的卷积层的层级结构，通过该细粒度卷积层对所述局部特征向量图进行卷积，从而提取出所述局部车损形态特征，以及提取出所诉噪声真伪特征。
S503，根据提取的所述局部车损形态特征进行细粒度车损识别，得到所述车损形态结果，以及根据提取的所述噪声真伪特征进行真伪识别，得到所述真伪结果。
可理解地，所述细粒度车损识别为针对于细粒度损伤维度的局部特征的识别，所述真伪识别为针对视觉噪音的真伪特征进行识别，所述车损形态结果为经过所述细粒度车损识别之后确定的细粒度损伤维度的损伤类型的结果，所述细粒度车损识别可理解为对卷积后的所述局部车损形态特征进行全连接分类识别，识别出具有大粒度损伤类型下的细粒度损伤类型的所述车损形态结果的过程，所述真伪结果为经过所述真伪识别之后确定的是否存在噪声的结果，所述真伪结果表明了所述车损样本局部图像的是否存在噪声的真伪情况。
S504，将所述车损形态结果和所述真伪结果确定为所述样本结果。可理解地，将所述车损形态结果和所述真伪结果标记为所述样本结果。
本发明实现了选择与大粒度损伤结果对应的细粒度卷积层；所述目标区域结果包括所述大粒度损伤结果；通过选择的所述细粒度卷积层对所述车损样本局部图像进行局部车损形态特征提取，同时进行噪声真伪特征提取；根据提取的所述局部车损形态特征进行细粒度车损识别，得到所述车损形态结果，以及根据提取的所述噪声真伪特征进行真伪识别，得到所述真伪结果；将所述车损形态结果和所述真伪结果确定为所述样本结果，如此，实现了通过选择与大粒度损伤结果对应的细粒度卷积层，对车损样本局部图像进行局部车损形态特征和噪声真伪特征的提取，并且进行细粒度车损识别和噪声真伪识别，能够识别出含有车损形态结果和真伪结果的样本结果，实现了自动识别出具有大粒度损伤类型下的细粒度损伤类型的车损形态结果，以及是否存在噪声的真伪结果，去除噪声对识别过程的影响，提高了识别精度，提升了识别准确率和质量。
S60，根据与所述车损样本图像对应的所述车损形态标签类型和与该车损样本图像对应的所述车损样本局部图像对应的所述车损形态结果，确定出第二损失值，同时根据与所述车损样本局部图像对应的所述真伪标签和所述真伪结果，确定出第三损失值。
可理解地，将与所述车损样本图像对应的所述车损形态标签类型和与所述车损样本图像对应的所述车损样本局部图像对应的车损形态结果输入第二损失函数中，确定出所述第二损失值，所述第二损失函数可以根据需求设定，以及将与所述车损样本局部图像对应的所述真伪标签和所述真伪结果输入第三损失函数中，确定出所述第三损失值，所述第三损失函数优选为二分类损失函数，所述车损形态结果表征了所述车损样本图像的识别出的车损形态的损伤类型。
在一实施例中，所述步骤S60中，即所述根据与所述车损样本图像对应的所述车损形态标签类型和与该车损样本图像对应的所述车损样本局部图像对应的所述车损形态结果，确定出第二损失值，包括：
S601，将所述车损形态标签类型和所述车损形态结果输入第二损失函数中，获取所述第二损失函数输出的所述第二损失值；所述第二损失函数为：
其中：
L2为第二损失值；
n为与所述车损样本图像对应的所有所述车损样本局部图像的总数；
S为所述车损样本局部图像中的所述原始局部样本图像；
F为所述车损样本局部图像中的所述破坏性样本图像；
d为与所述原始局部样本图像对应的真权重；
(1-d)为与所述破坏性样本图像对应的伪权重。
可理解地，所述真权重为预设给所述原始局部样本图像的权重参数，所述伪权重为预设给所述破坏性样本图像的权重参数。
S70，根据所述第一损失值、所述第二损失值和所述第三损失值，确定总损失值。
在一实施例中，所述步骤S70中，即所述根据所述第一损失值、所述第二损失值和所述第三损失值，确定总损失值，包括：
S701，运用注意力机制技术，根据所述目标区域结果、所述车损形态结果和所述真伪结果，调整第一损失权重、第二损失权重和第三损失权重,。
可理解地，所述注意力机制技术为在迭代训练过程中不断增强所述第一损失权重、所述第二损失权重和所述第三损失权重之中对识别有用的权重，以将增强有用的特征识别的结果。
S702，将所述第一损失值、所述第二损失值、所述第三损失值、所述第一损失权重、所述第二损失权重和所述第三损失权重输入所述初始检测模型中的总损失函数中，通过所述总损失函数计算出所述总损失值；所述总损失函数为：
L＝α1L1+α2L2+α3L3
其中：
L为总损失值；
L1为所述第一损失值；
L2为所述第二损失值；
L3为所述第三损失值；
α1为所述第一损失权重；
α2为所述第二损失权重；
α3为所述第三损失权重。
本发明实现了通过注意力机制技术，根据所述目标区域结果、所述车损形态结果和所述真伪结果，调整第一损失权重、第二损失权重和第三损失权重；将所述第一损失值、所述第二损失值、所述第三损失值、所述第一损失权重、所述第二损失权重和所述第三损失权重输入所述初始检测模型中的总损失函数中，通过所述总损失函数计算出所述总损失值，如此，实现了自动增强有用的特征识别的结果，提高了识别的效率及训练的效率。
S80，在所述总损失值未达到预设的收敛条件时，迭代更新所述初始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，将收敛之后的所述初始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，并将收敛之后的所述初始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初始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，不断调整所述初始检测模型的初始参数，并触发通过所述目标区域检测模型提取所述车损样本图像中的全局车损形态特征，获取所述目标区域检测模型输出的目标区域结果，并根据所述目标区域结果和所述车损矩形区域，确定出第一损失值的步骤，可以不断向准确的结果靠拢，让识别的准确率越来越高。如此，能够优化车损形态类型识别，提高了肺部特征识别的准确性和可靠性。
如此，本发明实现了通过获取车损样本集；所述车损样本集包括车损样本图像，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矩形区域和车损形态标签类型；将所述车损样本图像输入含有初始参数的初始检测模型；提取所述车损样本图像中的全局车损形态特征，识别出目标区域结果，并根据所述目标区域结果和所述车损矩形区域，确定出第一损失值；根据所述目标区域结果中的目标区域，对所述车损样本图像提取及重排，得到多个与所述车损样本图像对应的车损样本局部图像；一个所述车损样本局部图像与一个真伪标签关联；根据所述目标区域结果对所有与所述车损样本图像对应的所述车损样本局部图像进行局部车损形态识别，识别出与所述车损样本局部图像对应的样本结果；所述样本结果包括车损形态结果和真伪结果；根据与所述车损样本图像对应的所述车损形态标签类型和与该车损样本图像对应的所述车损样本局部图像对应的所述车损形态结果，确定出第二损失值，同时根据与所述车损样本局部图像对应的所述真伪标签和所述真伪结果，确定出第三损失值；根据所述第一损失值、所述第二损失值和所述第三损失值，确定总损失值；在所述总损失值未达到预设的收敛条件时，迭代更新所述初始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，将收敛之后的所述初始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，实现了通过全局车损形态特征识别，识别出车损样本图像中的目标区域结果，再对目标区域结果中的目标区域进行破坏性的重排得到含有关联真伪标签的车损样本局部图像，对车损样本局部图像进行局部车损形态识别，得到结合目标区域结果的车损形态结果及真伪识别的真伪结果，从而确定出总损失值进行训练，实现了通过全局车损形态特征的学习中识别大粒度损伤维度的目标区域结果，结合目标区域结果学习大粒度损伤维度下的细粒度损伤维度的局部区域的局部车损形态识别，并通过重排的具有破坏性的车损样本局部图像以防止识别中过拟合，以及学习噪声真伪特征以识别噪声的真伪，能够将减少噪声在识别过程中的干扰，提高了车损形态检测的准确性和可靠性，本发明能够提升了车损形态识别的准确率和质量，通过车损形态的针对大粒度维度的全局车损形态特征的识别和针对细粒度维度的局部车损形态识别，以及学习噪声真伪特征减少干扰噪声的影响，实现了准确地、快速地识别出图像中的车损形态类型，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，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3所示，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对所述车损图像进行车损形态识别，得到最终结果；所述最终结果表征了所述车损图像中的车损形态类型。
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，通过所述车损检测模型进行所述车损形态识别，就可以得到所述最终结果，所述车损形态识别为通过提取全局车损形态特征识别出区域，然后在具有大粒度损伤类型的区域下识别出细粒度损伤类型的识别过程，加快了车损形态的识别速度，从而提升了车损形态的识别准确率和质量。
本发明通过获取车损图像；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对所述车损图像进行车损形态识别，得到最终结果；所述最终结果表征了所述车损图像中的车损形态类型，如此，本发明减少了噪声影响，提高了车损形态识别速度，从而提升了对车损形态类型识别的准确率及质量，提高了定损效率，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4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、提取模块13、重排模块14、第一识别模块15、确定模块16、损失模块17和训练模块18。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，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矩形区域和车损形态标签类型；
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初始检测模型；
提取模块13，用于提取所述车损样本图像中的全局车损形态特征，识别出目标区域结果，并根据所述目标区域结果和所述车损矩形区域，确定出第一损失值；
重排模块14，用于根据所述目标区域结果中的目标区域，对所述车损样本图像提取及重排，得到多个与所述车损样本图像对应的车损样本局部图像；一个所述车损样本局部图像与一个真伪标签关联；
第一识别模块15，用于根据所述目标区域结果对所有与所述车损样本图像对应的所述车损样本局部图像进行局部车损形态识别，识别出与所述车损样本局部图像对应的样本结果；所述样本结果包括车损形态结果和真伪结果；
确定模块16，用于根据与所述车损样本图像对应的所述车损形态标签类型和与该车损样本图像对应的所述车损样本局部图像对应的所述车损形态结果，确定出第二损失值，同时根据与所述车损样本局部图像对应的所述真伪标签和所述真伪结果，确定出第三损失值；
损失模块17，用于根据所述第一损失值、所述第二损失值和所述第三损失值，确定总损失值；
训练模块18，用于在所述总损失值未达到预设的收敛条件时，迭代更新所述初始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，将收敛之后的所述初始检测模型记录为训练完成的车损检测模型。
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5所示，该车损检测装置包括接收模块101和第二识别模块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；
第二识别模块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对所述车损图像进行车损形态识别，得到最终结果；所述最终结果表征了所述车损图像中的车损形态类型。
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6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，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矩形区域和车损形态标签类型；
将所述车损样本图像输入含有初始参数的初始检测模型；
提取所述车损样本图像中的全局车损形态特征，识别出目标区域结果，并根据所述目标区域结果和所述车损矩形区域，确定出第一损失值；
根据所述目标区域结果中的目标区域，对所述车损样本图像提取及重排，得到多个与所述车损样本图像对应的车损样本局部图像；一个所述车损样本局部图像与一个真伪标签关联；
根据所述目标区域结果对所有与所述车损样本图像对应的所述车损样本局部图像进行局部车损形态识别，识别出与所述车损样本局部图像对应的样本结果；所述样本结果包括车损形态结果和真伪结果；
根据与所述车损样本图像对应的所述车损形态标签类型和与该车损样本图像对应的所述车损样本局部图像对应的所述车损形态结果，确定出第二损失值，同时根据与所述车损样本局部图像对应的所述真伪标签和所述真伪结果，确定出第三损失值；
根据所述第一损失值、所述第二损失值和所述第三损失值，确定总损失值；
在所述总损失值未达到预设的收敛条件时，迭代更新所述初始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，将收敛之后的所述初始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，所述根据所述目标区域结果中的目标区域，对所述车损样本图像提取及重排，得到多个与所述车损样本图像对应的车损样本局部图像，包括：
根据所述目标区域结果中的目标区域，对所述车损样本图像进行提取，得到与所述车损样本图像对应的原始局部样本图像，并将所述原始局部样本图像与所述真伪标签中的真标签关联；
对所述原始局部样本图像进行分割重排，得到破坏性样本图像，并将所述破坏性样本图像与所述真伪标签中的伪标签关联。
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，所述根据所述目标区域结果对所有与所述车损样本图像对应的所述车损样本局部图像进行局部车损形态识别，识别出与所述车损样本局部图像对应的样本结果，包括：
选择与大粒度损伤结果对应的细粒度卷积层；所述目标区域结果包括所述大粒度损伤结果；
通过选择的所述细粒度卷积层对所述车损样本局部图像进行局部车损形态特征提取，同时进行噪声真伪特征提取；
根据提取的所述局部车损形态特征进行细粒度车损识别，得到所述车损形态结果，以及根据提取的所述噪声真伪特征进行真伪识别，得到所述真伪结果；
将所述车损形态结果和所述真伪结果确定为所述样本结果。
4.如权利要求2所述的车损检测模型训练方法，其特征在于，所述根据与所述车损样本图像对应的所述车损形态标签类型和与该车损样本图像对应的所述车损样本局部图像对应的所述车损形态结果，确定出第二损失值，包括：
将所述车损形态标签类型和所述车损形态结果输入第二损失函数中，获取所述第二损失函数输出的所述第二损失值；所述第二损失函数为：
其中：
L2为第二损失值；
n为与所述车损样本图像对应的所有所述车损样本局部图像的总数；
S为所述车损样本局部图像中的所述原始局部样本图像；
F为所述车损样本局部图像中的所述破坏性样本图像；
d为与所述原始局部样本图像对应的真权重；
(1-d)为与所述破坏性样本图像对应的伪权重。
5.如权利要求1所述的车损检测模型训练方法，其特征在于，所述根据所述第一损失值、所述第二损失值和所述第三损失值，确定总损失值，包括：
运用注意力机制技术，根据所述目标区域结果、所述车损形态结果和所述真伪结果，调整第一损失权重、第二损失权重和第三损失权重；
将所述第一损失值、所述第二损失值、所述第三损失值、所述第一损失权重、所述第二损失权重和所述第三损失权重输入所述初始检测模型中的总损失函数中，通过所述总损失函数计算出所述总损失值；所述总损失函数为：
L＝α1L1+α2L2+α3L3
其中：
L为总损失值；
L1为所述第一损失值；
L2为所述第二损失值；
L3为所述第三损失值；
α1为所述第一损失权重；
α2为所述第二损失权重；
α3为所述第三损失权重。
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对所述车损图像进行车损形态识别，得到最终结果；所述最终结果表征了所述车损图像中的车损形态类型。
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，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矩形区域和车损形态标签类型；
输入模块，用于将所述车损样本图像输入含有初始参数的初始检测模型；
提取模块，用于提取所述车损样本图像中的全局车损形态特征，识别出目标区域结果，并根据所述目标区域结果和所述车损矩形区域，确定出第一损失值；
重排模块，用于根据所述目标区域结果中的目标区域，对所述车损样本图像提取及重排，得到多个与所述车损样本图像对应的车损样本局部图像；一个所述车损样本局部图像与一个真伪标签关联；
第一识别模块，用于根据所述目标区域结果对所有与所述车损样本图像对应的所述车损样本局部图像进行局部车损形态识别，识别出与所述车损样本局部图像对应的样本结果；所述样本结果包括车损形态结果和真伪结果；
确定模块，用于根据与所述车损样本图像对应的所述车损形态标签类型和与该车损样本图像对应的所述车损样本局部图像对应的所述车损形态结果，确定出第二损失值，同时根据与所述车损样本局部图像对应的所述真伪标签和所述真伪结果，确定出第三损失值；
损失模块，用于根据所述第一损失值、所述第二损失值和所述第三损失值，确定总损失值；
训练模块，用于在所述总损失值未达到预设的收敛条件时，迭代更新所述初始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，将收敛之后的所述初始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；
第二识别模块，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对所述车损图像进行车损形态识别，得到最终结果；所述最终结果表征了所述车损图像中的车损形态类型。
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。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011566971.4A CN112668462B (zh) | 2020-12-25 | 2020-12-25 | 车损检测模型训练、车损检测方法、装置、设备及介质 |
| PCT/CN2021/083782 WO2022134354A1 (zh) | 2020-12-25 | 2021-03-30 | 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 |
|---|---|---|---|
| CN202011566971.4A CN112668462B (zh) | 2020-12-25 | 2020-12-25 | 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 |
|---|---|
| CN112668462A true CN112668462A (zh) | 2021-04-16 |
| CN112668462B CN112668462B (zh) | 2024-05-07 |
Family
ID=75409670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011566971.4A Active CN112668462B (zh) | 2020-12-25 | 2020-12-25 | 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) | CN112668462B (zh) |
| WO (1) | WO2022134354A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114155417A (zh) * | 2021-12-13 | 2022-03-08 | 中国科学院空间应用工程与技术中心 | 图像目标的识别方法、装置、电子设备及计算机存储介质 |
| WO2023071180A1 (zh) * | 2021-10-29 | 2023-05-04 | 上海商汤智能科技有限公司 | 真伪识别方法、装置、电子设备以及存储介质 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117372791B (zh) * | 2023-12-08 | 2024-03-22 | 齐鲁空天信息研究院 | 细粒度定向能毁伤区域检测方法、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598190A (zh) * | 2020-07-21 | 2020-08-28 | 腾讯科技（深圳）有限公司 | 图像目标识别模型的训练方法、图像识别方法及装置 |
| CN111667011A (zh) * | 2020-06-08 | 2020-09-15 | 平安科技（深圳）有限公司 | 损伤检测模型训练、车损检测方法、装置、设备及介质 |
| CN111680746A (zh) * | 2020-06-08 | 2020-09-18 | 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 |
| CN111695605A (zh) * | 2020-05-20 | 2020-09-22 | 平安科技（深圳）有限公司 | 基于oct图像的图像识别方法、服务器及存储介质 |
| CN111709408A (zh) * | 2020-08-18 | 2020-09-25 | 腾讯科技（深圳）有限公司 | 图像真伪检测方法和装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109410218B (zh) * | 2018-10-08 | 2020-08-11 | 百度在线网络技术（北京）有限公司 | 用于生成车辆损伤信息的方法和装置 |
-
2020
- 2020-12-25 CN CN202011566971.4A patent/CN112668462B/zh active Active
-
2021
- 2021-03-30 WO PCT/CN2021/083782 patent/WO2022134354A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695605A (zh) * | 2020-05-20 | 2020-09-22 | 平安科技（深圳）有限公司 | 基于oct图像的图像识别方法、服务器及存储介质 |
| CN111667011A (zh) * | 2020-06-08 | 2020-09-15 | 平安科技（深圳）有限公司 | 损伤检测模型训练、车损检测方法、装置、设备及介质 |
| CN111680746A (zh) * | 2020-06-08 | 2020-09-18 | 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 |
| CN111598190A (zh) * | 2020-07-21 | 2020-08-28 | 腾讯科技（深圳）有限公司 | 图像目标识别模型的训练方法、图像识别方法及装置 |
| CN111709408A (zh) * | 2020-08-18 | 2020-09-25 | 腾讯科技（深圳）有限公司 | 图像真伪检测方法和装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023071180A1 (zh) * | 2021-10-29 | 2023-05-04 | 上海商汤智能科技有限公司 | 真伪识别方法、装置、电子设备以及存储介质 |
| CN114155417A (zh) * | 2021-12-13 | 2022-03-08 | 中国科学院空间应用工程与技术中心 | 图像目标的识别方法、装置、电子设备及计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022134354A1 (zh) | 2022-06-30 |
| CN112668462B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860670B (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
| WO2021017261A1 (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
| CN110110799B (zh) | 细胞分类方法、装置、计算机设备和存储介质 | |
| CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
| WO2019237846A1 (zh) | 图像处理方法、人脸识别方法、装置和计算机设备 | |
| CN112668462B (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
| WO2021114809A1 (zh) | 车辆损伤特征检测方法、装置、计算机设备及存储介质 | |
| CN111461170A (zh) | 车辆图像检测方法、装置、计算机设备及存储介质 | |
| CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
| CN111626123A (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
| CN111191533B (zh) | 行人重识别的处理方法、装置、计算机设备和存储介质 | |
| CN111191568A (zh) | 翻拍图像识别方法、装置、设备及介质 | |
| CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
| CN112884782B (zh) | 生物对象分割方法、装置、计算机设备和存储介质 | |
| CN111832581B (zh) | 肺部特征识别方法、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 | |
| CN113111880B (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
| CN111666932A (zh) | 单据审核方法、装置、计算机设备及存储介质 | |
| CN116596875B (zh) | 晶圆缺陷检测方法、装置、电子设备及存储介质 | |
| CN112613553A (zh) | 图片样本集生成方法、装置、计算机设备和存储介质 | |
| CN111144425B (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
| CN110751163A (zh) | 目标定位方法及其装置、计算机可读存储介质和电子设备 | |
| CN113705511A (zh) | 手势识别方法及装置 | |
| CN113449706A (zh) | 基于人工智能的票据单据识别和归档的方法及系统 | |
| CN113761987A (zh) | 一种行人重识别的方法、装置、计算机设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |