CN113033372B - 车辆定损方法、装置、电子设备及计算机可读存储介质 - Google Patents
车辆定损方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113033372B CN113033372B CN202110297395.6A CN202110297395A CN113033372B CN 113033372 B CN113033372 B CN 113033372B CN 202110297395 A CN202110297395 A CN 202110297395A CN 113033372 B CN113033372 B CN 113033372B
- Authority
- CN
- China
- Prior art keywords
- shooting
- picture
- vehicle
- damaged
- distance
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- 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
Abstract
本公开公开了车辆定损方法、装置、电子设备及计算机可读存储介质,涉及计算机视觉和深度学习等人工智能领域,可用于智能云场景下,其中的方法可包括:当利用智能设备对受损车辆进行图片拍摄时,对拍摄画面进行分析,根据分析结果生成拍摄指导信息,利用拍摄指导信息进行画面拍摄指导;当确定拍摄画面符合预置要求时,将拍摄画面对应的图片上传到云端进行车辆定损。应用本公开所述方案,可提升处理结果的准确性等。
Description
技术领域
本公开涉及人工智能技术领域,特别涉及计算机视觉和深度学习等领域的车辆定损方法、装置、电子设备及计算机可读存储介质。
背景技术
目前的车辆定损通常采用以下实现方式:1)云端智能定损服务,即用户拍摄损伤区域图片,上传到云端进行车辆定损;2)端上智能定损服务,即相关的车辆定损操作均在端上(如手机等嵌入式智能设备)完成。
其中,方式1)中,用户拍摄到的图片质量通常较差,从而导致处理结果的准确性不高,方式2)中,由于端上设备的算力有限,因此也会导致处理结果的准确性不高。
发明内容
本公开提供了车辆定损方法、装置、电子设备及计算机可读存储介质。
一种车辆定损方法,包括:
当利用智能设备对受损车辆进行图片拍摄时,对拍摄画面进行分析,根据分析结果生成拍摄指导信息,利用所述拍摄指导信息进行画面拍摄指导;
当确定所述拍摄画面符合预置要求时,将所述拍摄画面对应的图片上传到云端进行车辆定损。
一种车辆定损方法,包括:
云端获取来自智能设备的图片,所述图片包括:当利用所述智能设备对受损车辆进行图片拍摄时,根据对拍摄画面进行分析的分析结果生成拍摄指导信息,利用所述拍摄指导信息进行画面拍摄指导后,在确定所述拍摄画面符合预置要求时上传的所述拍摄画面对应的图片;
所述云端根据所述图片对所述受损车辆进行车辆定损。
一种车辆定损装置,所述装置应用于智能设备中,包括:指导模块以及传送模块;
所述指导模块,用于当利用所述智能设备对受损车辆进行图片拍摄时,对拍摄画面进行分析,根据分析结果生成拍摄指导信息,利用所述拍摄指导信息进行画面拍摄指导;
所述传送模块,用于当确定所述拍摄画面符合预置要求时,将所述拍摄画面对应的图片上传到云端进行车辆定损。
一种车辆定损装置,所述装置应用于云端,包括:获取模块以及定损模块;
所述获取模块,用于获取来自智能设备的图片,所述图片包括:当利用所述智能设备对受损车辆进行图片拍摄时,根据对拍摄画面进行分析的分析结果生成拍摄指导信息,利用所述拍摄指导信息进行画面拍摄指导后,在确定所述拍摄画面符合预置要求时上传的所述拍摄画面对应的图片;
所述定损模块,用于根据所述图片对所述受损车辆进行车辆定损。
一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行如以上所述的方法。
一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如以上所述的方法。
上述公开中的一个实施例具有如下优点或有益效果:可采用端云结合的车辆定损方式,利用智能设备对拍摄画面的分析能力等进行画面拍摄指导,从而获取到高质量的图片,并上传到云端,利用云端强大的算力来进行最终的车辆定损,进而提升了处理结果即定损结果的准确性等。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开所述车辆定损方法第一实施例的流程图;
图2为本公开所述对用户进行拍摄指导的过程示意图;
图3为本公开所述车辆定损方法第二实施例的流程图;
图4为本公开所述车辆定损装置第一实施例400的组成结构示意图;
图5为本公开所述车辆定损装置第二实施例500的组成结构示意图;
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
另外,应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本公开所述车辆定损方法第一实施例的流程图。如图1所示,包括以下具体实现方式。
在步骤101中,当利用智能设备对受损车辆进行图片拍摄时,对拍摄画面进行分析,根据分析结果生成拍摄指导信息,利用拍摄指导信息进行画面拍摄指导。
在步骤102中,当确定拍摄画面符合预置要求时,将拍摄画面对应的图片上传到云端进行车辆定损。
可以看出,上述方法实施例所述方案中,可采用端云结合的车辆定损方式,利用智能设备对拍摄画面的分析能力等进行画面拍摄指导,从而获取到高质量的图片,并上传到云端,利用云端强大的算力来进行最终的车辆定损,进而提升了处理结果即定损结果的准确性等。
以下以用户利用智能设备对受损车辆进行图片拍摄为例,对本公开所述方案进行进一步说明。
针对受损车辆,用户可利用智能设备对其进行图片拍摄,智能设备可为手机等。相应地,可实时地对呈现出的拍摄画面进行分析,根据分析结果生成拍摄指导信息,利用拍摄指导信息进行画面拍摄指导,即可根据分析结果指导用户如何进行拍摄。
当确定拍摄画面符合预置要求时,可将拍摄画面对应的图片上传到云端进行车辆定损。优选地,若确定同时符合以下条件:智能设备处于稳定状态,用户的拍摄距离符合预定要求以及拍摄画面中包括受损车辆的损伤区域,则可确定拍摄画面符合预置要求。
相应地,可以满足上述条件为目标进行拍摄指导,如可包括以下指导方式。
1)受损车辆
可利用车辆检测模型对拍摄画面进行车辆检测,并可分别获取检测到的各检测框对应的评分,若取值最大的评分小于预先设定的第一阈值,则可确定拍摄画面中未包括受损车辆,并可生成对受损车辆进行拍摄的拍摄指导信息,即可指导用户对受损车辆进行拍摄。
其中,针对任一检测框,可分别根据该检测框的坐标位置、置信度以及大小确定出该检测框对应的评分。
车辆检测模型可为基于只看一遍版本三(YOLOv3,You Only Look Once v3)的轻量车辆检测模型。对于模型输出的每一个检测框,可分别根据其坐标位置、置信度和大小确定出该检测框对应的评分。
比如,可有:
Score=0.3*(boxCenter–imgCenter)+0.3*boxScore+0.3*boxSize;(1)
其中,Score表示任一检测框对应的评分,boxCenter表示该检测框的中心点坐标位置,imgCenter表示拍摄画面的中心点坐标位置,boxScore表示该检测框的置信度,可在利用模型得到该检测框时获取,boxSize表示该检测框的大小,比如,可为该检测框的长和宽的乘积。
在分别获取到各检测框对应的评分后,可按照评分从大到小的顺序对各检测框进行排序(假设存在多个检测框),对于排序后处于第一位的检测框,即取值最大的评分对应的检测框,可将对应的评分与预先设定的第一阈值进行比较,若对应的评分小于第一阈值,则可认为拍摄画面中未包括受损车辆,并可指导用户对受损车辆进行拍摄,若对应的评分大于或等于第一阈值,则可认为拍摄画面中包括受损车辆。
第一阈值的具体取值可根据实际需要而定,比如,可为0.8。也就是说,若取值最大的评分小于0.8,则可认为拍摄画面中未包括受损车辆,并可指导用户对受损车辆进行拍摄。
如何指导用户对受损车辆进行拍摄不作限制。比如,可在拍摄画面中的某一位置显示“请对准车辆”等相关文字,或者,也可通过语音的方式提示用户对准车辆。
通过上述处理,可指导用户对于受损车辆进行拍摄,从而使得拍摄画面中包括受损车辆,进而为后续处理奠定了良好的基础等。
2)拍摄距离
可利用第一部件分割模型对拍摄画面进行车辆部件分割,根据车辆部件分割结果,可生成缩小与受损车辆之间的距离或增大与受损车辆之间的距离的拍摄指导信息。比如,若根据车辆部件分割结果确定用户的拍摄距离过大,则可生成缩小与受损车辆之间的距离的拍摄指导信息,即可指导用户靠近受损车辆,若根据车辆部件分割结果确定用户的拍摄距离过小,则可生成增大与受损车辆之间的距离的拍摄指导信息,即可指导用户远离受损车辆。
第一部件分割模型可为基于混洗网络(ShuffleNet)的轻量端上部件分割模型,完成像素级的车辆部件分割。所述部件可以是指车辆的保险杠、车门等不同部件。
进一步地,可根据车辆部件分割结果确定出识别到的部件数量,若部件数量大于预先设定的第二阈值,则可生成缩小与受损车辆之间的距离的拍摄指导信息,若部件数量小于预先设定的第三阈值,则可生成增大与受损车辆之间的距离的拍摄指导信息,其中,第三阈值小于第二阈值。
即本公开中提出了一种基于部件数量的距离判断方式,根据车辆部件分割结果,统计识别到的部件数量,若大于第二阈值,则可认为用户的拍摄距离过大,从而指导用户靠近受损车辆,若小于第三阈值,则可认为用户的拍摄距离过小,从而指导用户远离受损车辆。
第二阈值和第三阈值的具体取值均可根据实际需要而定。比如,第二阈值可为6,第三阈值可为3。
在实际应用中,可仅对评分最大的检测框中的部件数量进行统计,或者,也可对整个拍摄画面中的部件数量进行统计,具体实现方式不限。对应于不同的统计方式,对应的阈值也可不同。
通过上述处理,可指导用户选择合适的拍摄距离,从而获取到更为高质量的图片。
3)损伤区域
可利用第一损伤分割模型对拍摄画面进行损伤区域分割,若确定得到的损伤区域不符合预定要求,则可生成对损伤区域进行拍摄的拍摄指导信息,即可指导用户对损伤区域进行拍摄。
损伤分割模型可为基于高分辨率网络(HRNet,High-Resoultion Net)的轻量端上损伤分割模型,完成像素级的损伤区域分割。
比如,若确定得到的损伤区域不完整或不在画面中间区域等,则可认为损伤区域不符合预定要求,从而可指导用户对损伤区域进行拍摄,如语音提示用户拍摄完整的损伤区域等。
通过上述处理,可指导用户对于损伤区域进行拍摄,从而便于后续对受损车辆进行车辆定损等。
4)设备稳定
若根据相邻两帧拍摄画面确定智能设备未处于稳定状态,则可生成保持设备稳定的拍摄指导信息,即可指导用户保持设备稳定。
比如,可分别获取相邻两帧拍摄画面的颜色直方图,并可计算两个颜色直方图的差异,若所述差异大于预先设定的第四阈值,则可认为智能设备发生移动,即未处于稳定状态,从而可指导用户保持设备稳定,如可语音提示用户保持设备稳定,若所述差异小于或等于第四阈值,则可认为智能设备处于稳定状态。第四阈值的具体取值也可根据实际需要而定。
通过上述处理,可指导用户稳定智能设备,从而获得清晰的拍摄效果,进而进一步提升了图片质量等。
基于上述介绍,图2为本公开所述对用户进行拍摄指导的过程示意图。具体实现请参照前述相关说明,不再赘述。另外,图2所示顺序仅为举例说明,并不用于限制本公开的技术方案。
通过上述处理后,当确定拍摄画面符合预置要求时,则可将拍摄画面对应的图片上传到云端进行车辆定损。
图3为本公开所述车辆定损方法第二实施例的流程图。如图3所示,包括以下具体实现方式。
步骤301中,云端获取来自智能设备的图片,所述图片包括:当利用智能设备对受损车辆进行图片拍摄时,根据对拍摄画面进行分析的分析结果生成拍摄指导信息,利用拍摄指导信息进行画面拍摄指导后,在确定拍摄画面符合预置要求时上传的拍摄画面对应的图片。
在步骤302中,云端根据获取到的图片对受损车辆进行车辆定损。
另外,云端在获取到来自智能设备的图片后,还可先对图片进行异常识别,若确定图片为与车辆定损无关的异常图片,则可过滤掉图片,否则,可根据图片对受损车辆进行车辆定损。
在实际应用中,智能设备一侧可能会出现误识别的情况,从而将与车辆定损无关的异常图片上传到云端,相应地,云端可通过上述异常图片过滤操作,过滤掉这类图片,从而节省了后续处理所带来的资源消耗等。
在根据获取到的图片对受损车辆进行车辆定损时,可利用第二部件分割模型对图片进行车辆部件分割,并可利用第二损伤分割模型对图片进行损伤区域分割,和/或,利用第一损伤检测模型对图片进行损伤区域检测,进而可结合各模型的处理结果生成车辆定损结果。
第二部件分割模型可为基于金字塔场景解析网络(PSPNet,Pyramid SceneParsing Net)的部件分割模型。第二损伤分割模型可为基于深度实验版本三(Deeplabv3)的损伤分割模型。第一损伤检测模型可为基于更快区域卷积神经网络(Faster Rcnn,Faster Region Convolutional Neural Networks)的损伤检测模型。其中,分割模型通常为像素级的,而检测模型比较粗粒度一些,如得到的为检测框等。
云端和端上(即智能设备侧)虽然都会进行车辆部件分割和损伤区域分割,但通常来说,所用的模型是不同的,云端所用模型的精度会更高等。
对于获取到的图片,除了可利用第二部件分割模型对图片进行车辆部件分割外,还可利用第二损伤分割模型对图片进行损伤区域分割,和/或,利用第一损伤检测模型对图片进行损伤区域检测。优选地,可利用第二损伤分割模型对图片进行损伤区域分割,并可利用第一损伤检测模型对图片进行损伤区域检测。之后,可结合各模型的处理结果生成车辆定损结果。即可融合分割与检测的特征,实现特征增强。
可以看出,本公开中采用了端云结合的视频级车辆定损方式,利用智能设备对拍摄画面的分析能力等对用户进行拍摄指导,从而指导用户拍摄到高质量的图片,并上传到云端进行车辆定损,云端可充分利用数据中心提供的强大算力,采用高精度大规模的模型,同时增加异常图片过滤以及多模态特征融合等处理,进而提升了处理结果的准确性等。
需要说明的是,对于前述的各方法实施例,为了简单描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。另外,某个实施例中没有详述的部分,可以参见其它实施例中的相关说明。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图4为本公开所述车辆定损装置第一实施例400的组成结构示意图。所述装置可应用于智能设备中。如图4所示,包括:指导模块401以及传送模块402。
指导模块401,用于当用户利用智能设备对受损车辆进行图片拍摄时,对拍摄画面进行分析,根据分析结果生成拍摄指导信息,利用拍摄指导信息进行画面拍摄指导。
传送模块402,用于当确定拍摄画面符合预置要求时,将拍摄画面对应的图片上传到云端进行车辆定损。
其中,传送模块402若确定同时符合以下条件:智能设备处于稳定状态,用户的拍摄距离符合预定要求以及拍摄画面中包括受损车辆的损伤区域,则可确定拍摄画面符合预置要求。
相应地,指导模块401可利用车辆检测模型对拍摄画面进行车辆检测,并分别获取检测到的各检测框对应的评分,若取值最大的评分小于预先设定的第一阈值,则可确定拍摄画面中未包括受损车辆,并生成对受损车辆进行拍摄的拍摄指导信息。
其中,指导模块401可针对任一检测框,分别根据该检测框的坐标位置、置信度以及大小确定出该检测框对应的评分。
指导模块401还可利用第一部件分割模型对拍摄画面进行车辆部件分割,根据车辆部件分割结果,生成缩小与受损车辆之间的距离或增大与受损车辆之间的距离的拍摄指导信息。
具体地,指导模块401可根据车辆部件分割结果确定出识别到的部件数量,若部件数量大于预先设定的第二阈值,则可生成缩小与受损车辆之间的距离的拍摄指导信息,若部件数量小于预先设定的第三阈值,则可生成增大与受损车辆之间的距离的拍摄指导信息,其中,第三阈值小于第二阈值。
指导模块401还可利用第一损伤分割模型对拍摄画面进行损伤区域分割,若确定得到的损伤区域不符合预定要求,则可生成指导用户对损伤区域进行拍摄的拍摄指导信息。
指导模块401还可在根据相邻两帧拍摄画面确定智能设备未处于稳定状态时,生成保持设备稳定的拍摄指导信息。
图5为本公开所述车辆定损装置第二实施例500的组成结构示意图。所述装置可应用于云端。如图5所示,包括:获取模块501以及定损模块502。
获取模块501,用于获取来自智能设备的图片,所述图片包括:当用户利用智能设备对受损车辆进行图片拍摄时,根据对拍摄画面进行分析的分析结果生成拍摄指导信息,利用拍摄指导信息进行画面拍摄指导后,在确定拍摄画面符合预置要求时上传的拍摄画面对应的图片。
定损模块502,用于根据获取到的图片对受损车辆进行车辆定损。
具体地,定损模块502可利用第二部件分割模型对图片进行车辆部件分割,并可利用第二损伤分割模型对图片进行损伤区域分割和/或利用第一损伤检测模型对图片进行损伤区域检测,进而可结合各模型的处理结果生成车辆定损结果。
另外,获取模块501还可对获取到的图片进行异常识别,若确定图片为与车辆定损无关的异常图片,则可过滤掉图片。
图4和图5所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明,不再赘述。
总之,采用本公开装置实施例所述方案,可采用端云结合的车辆定损方式,利用智能设备对拍摄画面的分析能力等进行画面拍摄指导,从而获取到高质量的图片,并上传到云端,利用云端强大的算力来进行最终的车辆定损,进而提升了处理结果即定损结果的准确性等。
本公开所述方案可应用于人工智能领域,特别涉及计算机视觉和深度学习等领域,可用于智能云场景下。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术,人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术,人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如本公开所述的方法。例如,在一些实施例中,本公开所述的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行本公开所述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开所述的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。云计算指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用和存储设备等,并可以以按需、自服务的方式对资源进行部署和管理的技术体系,通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种车辆定损方法,包括:
当利用智能设备对受损车辆进行图片拍摄时,对拍摄画面进行分析,根据分析结果生成拍摄指导信息,利用所述拍摄指导信息进行画面拍摄指导;其中,所述对拍摄画面进行分析,根据分析结果生成拍摄指导信息包括:利用车辆检测模型对所述拍摄画面进行车辆检测;针对检测到的任一检测框,分别根据所述检测框的坐标位置、置信度以及大小确定出所述检测框对应的评分;若取值最大的评分小于预先设定的第一阈值,则确定所述拍摄画面中未包括所述受损车辆,并生成对所述受损车辆进行拍摄的拍摄指导信息;
当确定所述拍摄画面符合预置要求时,将所述拍摄画面对应的图片上传到云端进行车辆定损。
2.根据权利要求1所述方法,其中,所述确定所述拍摄画面符合预置要求包括:
若确定同时符合以下条件:所述智能设备处于稳定状态,拍摄距离符合预定要求以及所述拍摄画面中包括所述受损车辆的损伤区域,则确定所述拍摄画面符合预置要求。
3.根据权利要求1所述方法,其中,所述对拍摄画面进行分析,根据分析结果生成拍摄指导信息包括:
利用第一部件分割模型对所述拍摄画面进行车辆部件分割;
根据车辆部件分割结果,生成缩小与所述受损车辆之间的距离或增大与所述受损车辆之间的距离的拍摄指导信息。
4.根据权利要求3所述的方法,其中,所述根据车辆部件分割结果,生成缩小与所述受损车辆之间的距离或增大与所述受损车辆之间的距离的拍摄指导信息包括:
根据车辆部件分割结果确定出识别到的部件数量;
若所述部件数量大于预先设定的第二阈值,则生成缩小与所述受损车辆之间的距离的拍摄指导信息;
若所述部件数量小于预先设定的第三阈值,则生成增大与所述受损车辆之间的距离的拍摄指导信息,其中,所述第三阈值小于所述第二阈值。
5.根据权利要求1所述的方法,其中,所述对拍摄画面进行分析,根据分析结果生成拍摄指导信息包括:
利用第一损伤分割模型对所述拍摄画面进行损伤区域分割;
若确定得到的损伤区域不符合预定要求,则生成对所述损伤区域进行拍摄的拍摄指导信息。
6.根据权利要求1所述的方法,其中,所述对拍摄画面进行分析,根据分析结果生成拍摄指导信息包括:
若根据相邻两帧拍摄画面确定所述智能设备未处于稳定状态,则生成保持设备稳定的拍摄指导信息。
7.一种车辆定损装置,所述装置应用于智能设备中,包括:指导模块以及传送模块;
所述指导模块,用于当利用所述智能设备对受损车辆进行图片拍摄时,对拍摄画面进行分析,根据分析结果生成拍摄指导信息,利用所述拍摄指导信息进行画面拍摄指导;其中,所述对拍摄画面进行分析,根据分析结果生成拍摄指导信息包括:利用车辆检测模型对所述拍摄画面进行车辆检测;针对检测到的任一检测框,分别根据所述检测框的坐标位置、置信度以及大小确定出所述检测框对应的评分;若取值最大的评分小于预先设定的第一阈值,则确定所述拍摄画面中未包括所述受损车辆,并生成对所述受损车辆进行拍摄的拍摄指导信息;
所述传送模块,用于当确定所述拍摄画面符合预置要求时,将所述拍摄画面对应的图片上传到云端进行车辆定损。
8.根据权利要求7所述装置,其中,
所述传送模块若确定同时符合以下条件:所述智能设备处于稳定状态,拍摄距离符合预定要求以及所述拍摄画面中包括所述受损车辆的损伤区域,则确定所述拍摄画面符合预置要求。
9.根据权利要求7所述装置,其中,
所述指导模块利用第一部件分割模型对所述拍摄画面进行车辆部件分割,根据车辆部件分割结果,生成缩小与所述受损车辆之间的距离或增大与所述受损车辆之间的距离的拍摄指导信息。
10.根据权利要求9所述的装置,其中,
所述指导模块根据车辆部件分割结果确定出识别到的部件数量,若所述部件数量大于预先设定的第二阈值,则生成缩小与所述受损车辆之间的距离的拍摄指导信息,若所述部件数量小于预先设定的第三阈值,则生成增大与所述受损车辆之间的距离的拍摄指导信息,其中,所述第三阈值小于所述第二阈值。
11.根据权利要求7所述的装置,其中,
所述指导模块利用第一损伤分割模型对所述拍摄画面进行损伤区域分割,若确定得到的损伤区域不符合预定要求,则生成对所述损伤区域进行拍摄的拍摄指导信息。
12.根据权利要求7所述的装置,其中,
所述指导模块若根据相邻两帧拍摄画面确定所述智能设备未处于稳定状态,则生成保持设备稳定的拍摄指导信息。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110297395.6A CN113033372B (zh) | 2021-03-19 | 2021-03-19 | 车辆定损方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110297395.6A CN113033372B (zh) | 2021-03-19 | 2021-03-19 | 车辆定损方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033372A CN113033372A (zh) | 2021-06-25 |
CN113033372B true CN113033372B (zh) | 2023-08-18 |
Family
ID=76471917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110297395.6A Active CN113033372B (zh) | 2021-03-19 | 2021-03-19 | 车辆定损方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033372B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241180A (zh) * | 2021-12-15 | 2022-03-25 | 平安科技(深圳)有限公司 | 车损理赔的图片检测方法、装置、计算机设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194323A (zh) * | 2017-04-28 | 2017-09-22 | 阿里巴巴集团控股有限公司 | 车辆定损图像获取方法、装置、服务器和终端设备 |
CN108540719A (zh) * | 2018-04-10 | 2018-09-14 | 平安科技(深圳)有限公司 | 拍摄照片的方法、装置、计算机设备及存储介质 |
CN108632530A (zh) * | 2018-05-08 | 2018-10-09 | 阿里巴巴集团控股有限公司 | 一种车辆定损的数据处理方法、装置、处理设备及客户端 |
CN108875648A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于手机视频流的实时车辆损伤和部件检测的方法 |
CN110427810A (zh) * | 2019-06-21 | 2019-11-08 | 北京百度网讯科技有限公司 | 视频定损方法、装置、拍摄端及机器可读存储介质 |
US10762572B1 (en) * | 2015-08-17 | 2020-09-01 | United Services Automobile Association (Usaa) | Vehicle inspection systems and methods |
CN111666995A (zh) * | 2020-05-29 | 2020-09-15 | 平安科技(深圳)有限公司 | 基于深度学习模型的车辆定损方法、装置、设备及介质 |
CN112434587A (zh) * | 2020-11-16 | 2021-03-02 | 北京沃东天骏信息技术有限公司 | 一种图像处理方法及装置、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10902525B2 (en) * | 2016-09-21 | 2021-01-26 | Allstate Insurance Company | Enhanced image capture and analysis of damaged tangible objects |
-
2021
- 2021-03-19 CN CN202110297395.6A patent/CN113033372B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10762572B1 (en) * | 2015-08-17 | 2020-09-01 | United Services Automobile Association (Usaa) | Vehicle inspection systems and methods |
CN107194323A (zh) * | 2017-04-28 | 2017-09-22 | 阿里巴巴集团控股有限公司 | 车辆定损图像获取方法、装置、服务器和终端设备 |
CN108540719A (zh) * | 2018-04-10 | 2018-09-14 | 平安科技(深圳)有限公司 | 拍摄照片的方法、装置、计算机设备及存储介质 |
CN108632530A (zh) * | 2018-05-08 | 2018-10-09 | 阿里巴巴集团控股有限公司 | 一种车辆定损的数据处理方法、装置、处理设备及客户端 |
CN108875648A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于手机视频流的实时车辆损伤和部件检测的方法 |
CN110427810A (zh) * | 2019-06-21 | 2019-11-08 | 北京百度网讯科技有限公司 | 视频定损方法、装置、拍摄端及机器可读存储介质 |
CN111666995A (zh) * | 2020-05-29 | 2020-09-15 | 平安科技(深圳)有限公司 | 基于深度学习模型的车辆定损方法、装置、设备及介质 |
CN112434587A (zh) * | 2020-11-16 | 2021-03-02 | 北京沃东天骏信息技术有限公司 | 一种图像处理方法及装置、存储介质 |
Non-Patent Citations (1)
Title |
---|
施海 ; .一种基于图像识别的车辆智能定损系统.科学技术创新.2020,(10),53-55. * |
Also Published As
Publication number | Publication date |
---|---|
CN113033372A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343826B (zh) | 人脸活体检测模型的训练方法、人脸活体检测方法及装置 | |
CN113205057B (zh) | 人脸活体检测方法、装置、设备及存储介质 | |
CN113674421B (zh) | 3d目标检测方法、模型训练方法、相关装置及电子设备 | |
CN113378712B (zh) | 物体检测模型的训练方法、图像检测方法及其装置 | |
CN112883902A (zh) | 视频检测方法、装置、电子设备及存储介质 | |
CN112561879A (zh) | 模糊度评价模型训练方法、图像模糊度评价方法及装置 | |
CN113033372B (zh) | 车辆定损方法、装置、电子设备及计算机可读存储介质 | |
CN113705381B (zh) | 雾天的目标检测方法、装置、电子设备以及存储介质 | |
CN113177497B (zh) | 视觉模型的训练方法、车辆识别方法及装置 | |
CN112561053B (zh) | 图像处理方法、预训练模型的训练方法、装置和电子设备 | |
CN114445898B (zh) | 人脸活体检测方法、装置、设备、存储介质及程序产品 | |
CN115273184B (zh) | 人脸活体检测模型训练方法及装置 | |
KR101592087B1 (ko) | 배경 영상의 위치를 이용한 관심맵 생성 방법 및 이를 기록한 기록 매체 | |
CN114387651B (zh) | 一种人脸识别方法、装置、设备及存储介质 | |
CN115937950A (zh) | 一种多角度人脸数据采集方法、装置、设备及存储介质 | |
CN112861811B (zh) | 目标识别方法、装置、设备、存储介质及雷达 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
CN111967299B (zh) | 无人机巡检方法、装置、设备及存储介质 | |
CN114140320A (zh) | 图像迁移方法和图像迁移模型的训练方法、装置 | |
CN114202807A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN113569707A (zh) | 活体检测方法、装置、电子设备以及存储介质 | |
CN113361455A (zh) | 人脸鉴伪模型的训练方法、相关装置及计算机程序产品 | |
CN113283305B (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN115205939B (zh) | 人脸活体检测模型训练方法、装置、电子设备及存储介质 | |
CN113705620B (zh) | 图像显示模型的训练方法、装置、电子设备和存储介质 |
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 |