CN113436175A - 车图像分割质量的评估方法、装置、设备及存储介质 - Google Patents
车图像分割质量的评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113436175A CN113436175A CN202110742565.7A CN202110742565A CN113436175A CN 113436175 A CN113436175 A CN 113436175A CN 202110742565 A CN202110742565 A CN 202110742565A CN 113436175 A CN113436175 A CN 113436175A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- area
- preset value
- ratio
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车图像分割质量的评估方法,应用于图像质量评估技术领域,用于解决通过目前的分割图像质量评估方法对车图像分割质量进行评估时,评估效率低、内存占用量大的技术问题。本发明提供的方法包括:获取包含有车辆的图像;对该图像进行分割,得到分割好的车辆的整车图像和该车辆的各部件图像;从各该部件图像中获取面积最大的部件图像,作为主部件图像;判断该主部件图像的面积与包含有该车辆的图像的面积的第一比值是否小于第一预设值;若是,则判断分割质量差;当该第一比值不小于该第一预设值时,判断该主部件图像的面积与该整车图像的面积的第二比值是否小于第二预设值;当该第二比值小于该第二预设值时,判断分割质量差。
Description
技术领域
本发明涉及图像质量评估技术领域,尤其涉及一种车图像分割质量的评估方法、装置、设备及存储介质。
背景技术
图像分割是图像分析和机器视觉中重要的一步,在车辆损伤自动理赔过程中,车图像分割质量的好坏影响着后续损伤的检测。车图像分割质量评估承担着分割结果质量的主要任务,对于获取符合人眼感知系统的优质分割结果以及优化分割算法性能具有积极的意义。
传统的图像分割质量评估主要是对分割结果质量的评估与度量,通过深度学习的网络模型来实现评估,评估的过程需要先对图像质量评估模型进行训练,再通过训练好的图像质量评估模型对待评估的分割的车图像进行评估,但在车辆损伤自动理赔流程中,图像质量评估只需要对分割结果做出定性评价,即分割质量是好还是坏,现有的分割质量评估算法对在车定损场景中的车图像质量的评估耗时过长,且评估过程中对内存的占用量较大,使得车图像分割质量的评估效率低,拉长了车定损周期。
发明内容
本发明实施例提供了一种车图像分割质量的评估方法、装置、计算机设备及存储介质,以解决通过目前的分割图像质量评估方法对车图像分割质量进行评估时,评估效率低、内存占用量大的技术问题。
一种车图像分割质量的评估方法,该方法包括:
获取包含有车辆的图像;
对该图像进行分割,得到分割好的车辆的整车图像和该车辆的各部件图像;
从各该部件图像中获取面积最大的部件图像,作为主部件图像;
判断该主部件图像的面积与包含有该车辆的图像的面积的第一比值是否小于第一预设值;
当该第一比值小于该第一预设值时,判断分割质量差;
当该第一比值不小于该第一预设值时,判断该主部件图像的面积与该整车图像的面积的第二比值是否小于第二预设值;
当该第二比值小于该第二预设值时,判断分割质量差。
一种车图像分割质量的评估装置,该装置包括:
车图像获取模块,用于获取包含有车辆的图像;
分割模块,用于对该图像进行分割,得到分割好的车辆的整车图像和该车辆的各部件图像;
主部件图像获取模块,用于从各该部件图像中获取面积最大的部件图像,作为主部件图像;
第一判断模块,用于判断该主部件图像的面积与包含有该车辆的图像的面积的第一比值是否小于第一预设值;
第二判断模块,用于当该第一比值小于该第一预设值时,判断分割质量差;
第三判断模块,用于当该第一比值不小于该第一预设值时,判断该主部件图像的面积与该整车图像的面积的第二比值是否小于第二预设值;
第四判断模块,用于当该第二比值小于该第二预设值时,判断分割质量差。
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图像分割质量的评估方法的步骤。
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,所述计算机程序被处理器执行时实现上述车图像分割质量的评估方法的步骤。
本发明提出的车图像分割质量的评估方法、装置、计算机设备及存储介质,首先对包含有车辆的图像进行分割,得到分割好的车辆的整车图像和该车辆的各部件图像,然后从各该部件图像中获取面积最大的部件图像,作为主部件图像,判断该主部件图像的面积与包含有该车辆的图像的面积的第一比值是否小于第一预设值,当该第一比值小于该第一预设值时,判断分割质量差,如果该第一比值不小于该第一预设值则判断该主部件图像的面积与该整车图像的面积的第二比值是否小于第二预设值,若该第二比值小于该第二预设值则判断分割质量差,整个判断过程仅涉及对分割图的部件面积计算和逻辑判断,评估速度较快,在我们收集的分割质量评估数据集中,本发明提出的车图像分割质量的评估方法的评估准确率达到了90%以上,可以较为准确地判断车辆定损流程中车分割图的分割质量。
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图像分割质量的评估方法的一应用环境示意图;
图2是本发明一实施例中车图像分割质量的评估方法的一流程图;
图3是本发明另一实施例中车图像分割质量的评估方法的一流程图;
图4是本发明一实施例中车图像分割质量的评估装置的结构示意图;
图5是本发明一实施例中计算机设备的一示意图。
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。
本申请提供的车图像分割质量的评估方法,可应用在如图1所示的应用环境中,其中,该计算机设备可以通过网络与服务器进行通信。其中,该计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。该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,提供一种车图像分割质量的评估方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤S101至S107。
S101、获取包含有车辆的图像。
可以理解的是,该图像包含有车辆,可以包含图像背景,也可以不包含图像背景。包含有车辆的图像表示需要进行车图像分割,且需要对分割质量进行评估的图像。
在其中一个实施例中,该图像中包含的车辆为需要进行定损的车辆。
S102、对该图像进行分割,得到分割好的车辆的整车图像和该车辆的各部件图像。
在其中一个实施例中,可以通过现有的分割模型,例如deeplabv3模型,将包含有车辆的图像进行分割,得到该分割好的车辆的整车图像和该车辆的各部件图像。
S103、从各该部件图像中获取面积最大的部件图像,作为主部件图像。
在其中一个实施例中,可以通过比较各部件图像中哪部分包含的像素点最多来判断哪个部件图像的面积最大,进而得到该主部件图像。
S104、判断该主部件图像的面积与包含有该车辆的图像的面积的第一比值是否小于第一预设值。
在其中一个实施例中,该第一预设值例如为2.5%。可以将该主部件图像所包含的像素点数作为该主部件图像的面积,将该车辆的图像包含的像素点数的总点数作为该车辆的图像的面积,可以简化主部件图像的面积和包含有该车辆的图像的面积的计算过程,进一步提高该车图像分割质量的评估效率。
在其他实施例中,也可以通过计算该主部件图像的实际面积得到该主部件图像的面积,同样地,也可以通过计算该车辆的图像的实际面积作为该车辆的图像的面积。
S105、当该第一比值小于该第一预设值时,判断分割质量差。
当该第一预设值为2.5%时,表示该主部件图像的面积与包含有该车辆的图像的面积的第一比值小于2.5%时,判断分割质量差。
S106、当该第一比值不小于该第一预设值时,判断该主部件图像的面积与该整车图像的面积的第二比值是否小于第二预设值。
在其中一个实施例中,该第二预设值例如10%。
S107、当该第二比值小于该第二预设值时,判断分割质量差。
当该第二预设值例如10%时,表示当该主部件图像的面积与该整车图像的面积的第二比值小于10%时,判断分割质量差。
在其他实施例中,还可以增加判断非背景面积与车的面积比值,根据车辆分割mask计算整车的面积,当非背景面积与车的面积比值小于0.3,直接判断包含有车辆的图像的分割质量差。
本实施例提出的车图像分割质量的评估方法首先对包含有车辆的图像进行分割,得到分割好的车辆的整车图像和该车辆的各部件图像,然后从各该部件图像中获取面积最大的部件图像,作为主部件图像,判断该主部件图像的面积与包含有该车辆的图像的面积的第一比值是否小于第一预设值,当该第一比值小于该第一预设值时,判断分割质量差,如果该第一比值不小于该第一预设值则判断该主部件图像的面积与该整车图像的面积的第二比值是否小于第二预设值,若该第二比值小于该第二预设值则判断分割质量差,整个判断过程仅涉及对分割图的部件面积计算和逻辑判断,评估速度较快,在我们收集的分割质量评估数据集中,可以较为准确地判断车辆定损流程中车分割图的分割质量。
图3是本发明另一实施例中车图像分割质量的评估方法的一流程图,如图3所示,该车图像分割质量的评估方法在包括上述步骤S101至S103的基础上,上述步骤S104即图3中的步骤S301进一步为:
S301、判断该主部件图像的面积与包含有该车辆的图像的面积的第一比值是否小于第一预设值,若是,则跳转至步骤S317,否则,执行步骤S302即图2中步骤S106;
S302、判断该主部件图像的面积与该整车图像的面积的第二比值是否小于第二预设值,若是,则跳转至步骤S317。
S317、判断分割质量差。
在其中一个实施例中,当该第二比值不小于该第二预设值时,该方法还包括:
从各该部件图像中获取面积大于第三预设值的部件图像,作为大轮廓部件图像;
判断该大轮廓部件图像的数量是否超过第四预设值,若是,则判断分割质量差。
在其中一个实施例中,该第三预设值例如为50dm2,表示将面积大于50dm2的部件图像作为大轮廓部件图像。
结合图3,当该第二比值不小于该第二预设值时否则,执行步骤S303;
S303、从各该部件图像中获取面积大于第三预设值的部件图像,作为大轮廓部件图像,然后执行步骤S304;
S304、判断该大轮廓部件图像的数量是否超过第四预设值,若是,则跳转至步骤S317。
在其中一个实施例中,该第四预设值例如为4,表示当该大轮廓部件图像的数量超过4个时,则判断分割质量差。
在其中一个实施例中,当该大轮廓部件图像的数量不超过第四预设值时,该车图像分割质量的评估方法还包括:
判断分割质量好。
在其中一个实施例中,还可以增加判断主部件图像的外轮廓数量,主部件图像的外轮廓的数量反映了分割mask的连贯性,当主部件图像的外轮廓的数量过多时,可以判定为分割质量差。进一步地,当主部件图像的外轮廓的数量大于11个时,可以判断分割质量差。
在其中一个实施例中,该车图像分割质量的评估方法还包括:
当该大轮廓部件图像的数量不超过该第四预设值时,获取该各部件图像的轮廓总数量;
判断该轮廓总数量是否超过预设的第五预设值;
当该轮廓总数量超过预设的该第五预设值时,判断分割质量差。
结合图3可以看出,当步骤S304中判断出该大轮廓部件图像的数量不超过该第四预设值时执行步骤S305;
S305、获取该各部件图像的轮廓总数量,执行步骤S306;
S306、判断该轮廓总数量是否超过预设的第五预设值,若是,则跳转至步骤S317。
在其中一个实施例中,该第五预设值例如为8,表示该轮廓总数量超过8个时,判断分割质量差。
在其中一个实施例中,当该轮廓总数量不超过预设的第五预设值时,该车图像分割质量的评估方法还包括:
判断分割质量好。
进一步地,一般好的分割质量图的边缘光滑,勾勒轮廓所需的点数较少,为了针对这一情况完善该车图像分割质量的评估方法。在其中一个实施例中,该车图像分割质量的评估方法还包括:
当该轮廓总数量不超过预设的该第五预设值时,识别该主部件图像的外轮廓点数;
判断该主部件图像的外轮廓点数是否在预设的阈值范围之内;
当该主部件图像的外轮廓点数不在预设的该阈值范围之内时,判断分割质量差。
结合图3可以看出,当步骤S306中判断出该轮廓总数量不超过预设的该第五预设值时,执行步骤S307;
S307、识别该主部件图像的外轮廓点数,然后执行步骤S308;
S308、判断该主部件图像的外轮廓点数是否在预设的阈值范围之内,若否,则跳转至步骤S317。
为了找到区分分割质量好坏的最佳阈值,我们共收集了4698张样本,其中包括2868张分割质量好的样本和1830张分割质量差的样本,接着分别统计主部件图像的最大外轮廓的点数,计算得到分割质量好坏样本的主部件图像的最大外轮廓的点数的平均值分别为549和927,在其中一个实施例中,可以选用650作为分界点,即该预设的阈值范围为小于650,表示将主部件图像的最大外轮廓的点数超过650的分割mask直接判为分割质量差。
在其中一个实施例中,当该主部件图像的外轮廓点数在预设的阈值范围时,该车图像分割质量的评估方法还包括:
判断分割质量好。
在其中一个实施例中,当主部件图像的外接矩形的面积与包含有车辆的该图像的面积的比值过小时,表示车辆主体部件没有很好地被分割出来,为了评估出这一情况,该车图像分割质量的评估方法还包括:
当该主部件图像的外轮廓点数在预设的该阈值范围之内时,获取该主部件图像的外接矩形;
计算该外接矩形的面积;
计算该外接矩形的面积与包含有车辆的该图像的面积的第三比值;
当该第三比值小于预设的第六预设值时,判断分割质量差。
结合图3可以看出,当步骤S308中判断出该主部件图像的外轮廓点数在预设的阈值范围之内时,执行步骤S309;
S309、获取该主部件图像的外接矩形,然后执行步骤S310;
S310、计算该外接矩形的面积,然后计算该外接矩形的面积与包含有车辆的该图像的面积的第三比值,然后执行步骤S311;
S311、判断该第三比值是否小于预设的第六预设值,若是,则跳转至步骤S317。
在其中一个实施例中,该第六预设值例如20%,表示当该外接矩形的面积与包含有车辆的该图像的面积的第三比值小于20%时,判断分割质量差。
在其中一个实施例中,当该第三比值不小于预设的第六预设值时,该车图像分割质量的评估方法还包括:
判断分割质量好。
在其中与一个实施例中,该车图像分割质量的评估方法还包括:
当该第三比值不小于该第六预设值时,识别该主部件图像的内部轮廓的数量,作为该主部件图像中孔洞的数量;
判断该孔洞的数量是否大于预设的第七预设值;
当该孔洞的数量大于预设的第七预设值时,判断分割质量差。
结合图3可以看出,当步骤S311中判断出该第三比值不小于预设的第六预设值时,执行步骤S312;
S312、识别该主部件图像的内部轮廓的数量,作为该主部件图像中孔洞的数量,然后执行步骤S313;
S313、判断该孔洞的数量是否大于预设的第七预设值,若是,则跳转至步骤S317。
在其中一个实施例中,该第七预设值例如为8,表示该主部件图像的内部的孔洞的数量大于8个时,判断分割质量差。
在其中一个实施例中,当该孔洞的数量不大于预设的第七预设值时,该车图像分割质量的评估方法还包括:
判断分割质量好。
在其中一个实施例中,该车图像分割质量的评估方法还包括:
当该孔洞的数量不大于预设的第七预设值时,计算各该孔洞的总面积;
当该孔洞的总面积与该主部件图像的面积的比值大于预设的第四比值时,判断分割质量差,否则,判断分割质量好。
结合图3可以看出,当步骤S313中判断出该孔洞的数量不大于预设的第七预设值时,执行步骤S314;
S314、计算各该孔洞的总面积,然后执行步骤S315;
S315、判断该孔洞的总面积与该主部件图像的面积的比值是否大于预设的第四比值,若是,则跳转至步骤S317。
在其中一个实施例中,该第四比值例如为3%,表示当该孔洞的总面积与该主部件图像的面积的比值大于3%时,判断分割质量差。
在其中一个实施例中,当该孔洞的总面积与该主部件图像的面积的比值不大于预设的第四比值时,该车图像分割质量的评估方法还包括:
判断分割质量好。
作为可选地,还可以增加判断是否有上下或者左右部件同时出现的情况,在可视化车图像分割mask时,我们发现有部分分割mask中出现了前后或者左右部件同时出现时,例如右前叶子板和右后叶子板同时出现在一张图,这样的分割图明显是不合理,于是我们在主部件周围检查是否有这种情况发生,在判断这种情况时,我们可以忽略一些小部件,例如面积小于主部件面积的5%的部件,如果主部件周围有上下或者左右部件同时出现的情况出现,我们将该包含有车辆的图像判为分割质量差,否则该样本为分割质量好。
本实施例提出的车图像分割质量的评估方法基于对分割图的部件面积计算和线条轮廓的逻辑判断,并且考虑了现实车图像场景中出现的各种特殊情况,在我们收集的分割质量数据集中,该算法的准确率达到了90%以上,可以较为准确地判断车辆定损流程中分割图的分割质量。且本实施例提出的车图像分割质量的评估方法仅涉及图像分析和逻辑判断,因此测试速度较快,相比于深度学习方法的过大的内存占用和时间损耗,该方案耗时较少,基本不影响整体车辆定损的时间损耗。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种车图像分割质量的评估装置,该车图像分割质量的评估装置与上述实施例中车图像分割质量的评估方法一一对应。如图4所示,该车图像分割质量的评估装置100还包括车图像获取模块11、分割模块12、主部件图像获取模块13、第一判断模块14、第二判断模块15、第三判断模块16和第四判断模块17。各功能模块详细说明如下:
车图像获取模块11,用于获取包含有车辆的图像。
分割模块12,用于对该图像进行分割,得到分割好的车辆的整车图像和该车辆的各部件图像。
在其中一个实施例中,可以通过现有的分割模型,例如deeplabv3模型,将包含有车辆的图像进行分割,得到该分割好的车辆的整车图像和该车辆的各部件图像。
主部件图像获取模块13,用于从各该部件图像中获取面积最大的部件图像,作为主部件图像。
在其中一个实施例中,可以通过比较各部件图像中哪部分包含的像素点最多来判断哪个部件图像的面积最大,进而得到该主部件图像。
第一判断模块14,用于判断该主部件图像的面积与包含有该车辆的图像的面积的第一比值是否小于第一预设值。
在其中一个实施例中,该第一预设值例如为2.5%。可以将该主部件图像所包含的像素点数作为该主部件图像的面积,将该车辆的图像包含的像素点数的总点数作为该车辆的图像的面积,可以简化主部件图像的面积和包含有该车辆的图像的面积的计算过程,进一步提高该车图像分割质量的评估效率。
在其他实施例中,也可以通过计算该主部件图像的实际面积得到该主部件图像的面积,同样地,也可以通过计算该车辆的图像的实际面积作为该车辆的图像的面积。
第二判断模块15,用于当该第一比值小于该第一预设值时,判断分割质量差。
当该第一预设值为2.5%时,表示该主部件图像的面积与包含有该车辆的图像的面积的第一比值小于2.5%时,判断分割质量差。
第三判断模块16,用于当该第一比值不小于该第一预设值时,判断该主部件图像的面积与该整车图像的面积的第二比值是否小于第二预设值。在其中一个实施例中,该第二预设值例如10%。
第四判断模块17,用于当该第二比值小于该第二预设值时,判断分割质量差。
当该第二预设值例如10%时,表示当该主部件图像的面积与该整车图像的面积的第二比值小于10%时,判断分割质量差。
在其他实施例中,还可以增加判断非背景面积与车的面积比值,根据车辆分割mask计算整车的面积,当非背景面积与车的面积比值小于0.3,直接判断包含有车辆的图像的分割质量差。
在其中一个实施例中,当该第二比值不小于该第二预设值时,该车图像分割质量的评估装置100还包括:
大轮廓部件图像获取模块,用于从各该部件图像中获取面积大于第三预设值的部件图像,作为大轮廓部件图像;
第五判断模块,用于判断该大轮廓部件图像的数量是否超过第四预设值,若是,则判断分割质量差。
在其中一个实施例中,还可以增加用于判断主部件图像的外轮廓数量的模块,主部件图像的外轮廓的数量反映了分割mask的连贯性,当主部件图像的外轮廓的数量过多时,可以判定为分割质量差。进一步地,当主部件图像的外轮廓的数量大于11个时,可以判断分割质量差。
在其中一个实施例中,该第四预设值例如为4,表示当该大轮廓部件图像的数量超过4个时,则判断分割质量差。
在其中一个实施例中,该车图像分割质量的评估装置100还包括:
轮廓总数量获取模块,用于当该大轮廓部件图像的数量不超过该第四预设值时,获取该各部件图像的轮廓总数量;
第六判断模块,用于判断该轮廓总数量是否超过预设的第五预设值;
第七判断模块,用于当该轮廓总数量超过预设的该第五预设值时,判断分割质量差。
在其中一个实施例中,该第五预设值例如为8,表示该轮廓总数量超过8个时,判断分割质量差。
一般好的分割质量图的边缘光滑,勾勒轮廓所需的点数较少,为了针对这一情况完善该车图像分割质量的评估装置,在其中一个实施例中,该车图像分割质量的评估装置100还包括:
外轮廓点数识别模块,用于当该轮廓总数量不超过预设的该第五预设值时,识别该主部件图像的外轮廓点数;
第八判断模块,用于判断该主部件图像的外轮廓点数是否在预设的阈值范围之内;
第九判断模块,用于当该主部件图像的外轮廓点数不在预设的该阈值范围之内时,判断分割质量差。
为了找到区分分割质量好坏的最佳阈值,我们共收集了4698张样本,其中包括2868张分割质量好的样本和1830张分割质量差的样本,接着分别统计主部件图像的最大外轮廓的点数,计算得到分割质量好坏样本的主部件图像的最大外轮廓的点数的平均值分别为549和927,在其中一个实施例中,可以选用650作为分界点,即该预设的阈值范围为小于650,表示将主部件图像的最大外轮廓的点数超过650的分割mask直接判为分割质量差。
在其中一个实施例中,在其中一个实施例中,当主部件图像的外接矩形的面积与包含有车辆的该图像的面积的比值过小时,表示车辆主体部件没有很好地被分割出来,为了评估出这一情况,该车图像分割质量的评估装置100还包括:
外接矩形获取模块,用于当该主部件图像的外轮廓点数在预设的该阈值范围之内时,获取该主部件图像的外接矩形;
外接矩形面积计算模块,用于计算该外接矩形的面积;
第三比值计算模块,用于计算该外接矩形的面积与包含有车辆的该图像的面积的第三比值;
第十判断模块,用于当该第三比值小于预设的第六预设值时,判断分割质量差。
在其中一个实施例中,该第六预设值例如20%,表示当该外接矩形的面积与包含有车辆的该图像的面积的第三比值小于20%时,判断分割质量差。
在其中一个实施例中,该车图像分割质量的评估装置100还包括:
孔洞数量识别模块,用于当该第三比值不小于该第六预设值时,识别该主部件图像的内部轮廓的数量,作为该主部件图像中孔洞的数量;
第十一判断模块,用于判断该孔洞的数量是否大于预设的第七预设值;
第十二判断模块,用于当该孔洞的数量大于预设的第七预设值时,判断分割质量差。
在其中一个实施例中,该第七预设值例如为8,表示该主部件图像的内部的孔洞的数量大于8个时,判断分割质量差。
在其中一个实施例中,该车图像分割质量的评估装置100还包括:
孔洞总面积计算模块,用于当该孔洞的数量不大于预设的第七预设值时,计算各该孔洞的总面积;
第十三判断模块,用于当该孔洞的总面积与该主部件图像的面积的比值大于预设的第四比值时,判断分割质量差,否则,判断分割质量好。
在其中一个实施例中,该第四比值例如为3%,表示当该孔洞的总面积与该主部件图像的面积的比值大于3%时,判断分割质量差。
作为可选地,还可以增加用于判断是否有上下或者左右部件同时出现的模块,在可视化车图像分割mask时,我们发现有部分分割mask中出现了前后或者左右部件同时出现时,例如右前叶子板和右后叶子板同时出现在一张图,这样的分割图明显是不合理,于是我们在主部件周围检查是否有这种情况发生,如果主部件周围有上下或者左右部件同时出现的情况出现,我们将该包含有车辆的图像判为分割质量差,否则该样本为分割质量好。
本实施例提出的车图像分割质量的评估装置基于对分割图的部件面积计算和线条轮廓的逻辑判断,并且考虑了现实车图像场景中出现的各种特殊情况,在我们收集的分割质量数据集中,该算法的准确率达到了90%以上,可以较为准确地判断车辆定损流程中分割图的分割质量。且本实施例提出的车图像分割质量的评估方法仅涉及图像分析和逻辑判断,因此测试速度较快,相比于深度学习方法的过大的内存占用和时间损耗,该方案耗时较少,基本不影响整体车辆定损的时间损耗。
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分,并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块,本申请中所出现的模块的划分,仅仅是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式。
关于车图像分割质量的评估装置的具体限定可以参见上文中对于车图像分割质量的评估方法的限定,在此不再赘述。上述车图像分割质量的评估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终端,其内部结构图可以如图5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、显示屏和输入装置。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存储介质、内存储器。该存储介质包括非易失性存储介质和/或易失性的存储介质,该存储介质存储有操作系统和计算机程序。该内存储器为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服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种车图像分割质量的评估方法。
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图像分割质量的评估方法的步骤,例如图2所示的步骤101至步骤107及该方法的其它扩展和相关步骤的延伸。或者,处理器执行计算机程序时实现上述实施例中车图像分割质量的评估装置的各模块/单元的功能,例如图4所示模块11至模块17的功能。为避免重复,这里不再赘述。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
所述存储器可以集成在所述处理器中,也可以与所述处理器分开设置。
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图像分割质量的评估方法的步骤,例如图2所示的步骤101至步骤107及该方法的其它扩展和相关步骤的延伸。或者,计算机程序被处理器执行时实现上述实施例中车图像分割质量的评估装置的各模块/单元的功能,例如图4所示模块11至模块17的功能。为避免重复,这里不再赘述。
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和/或易失性的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,本申请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)
1.一种车图像分割质量的评估方法,其特征在于,所述方法包括:
获取包含有车辆的图像;
对所述图像进行分割,得到分割好的车辆的整车图像和所述车辆的各部件图像;
从各所述部件图像中获取面积最大的部件图像,作为主部件图像;
判断所述主部件图像的面积与包含有所述车辆的图像的面积的第一比值是否小于第一预设值;
当所述第一比值小于所述第一预设值时,判断分割质量差;
当所述第一比值不小于所述第一预设值时,判断所述主部件图像的面积与所述整车图像的面积的第二比值是否小于第二预设值;
当所述第二比值小于所述第二预设值时,判断分割质量差。
2.根据权利要求1所述的车图像分割质量的评估方法,其特征在于,当所述第二比值不小于所述第二预设值时,所述方法还包括:
从各所述部件图像中获取面积大于第三预设值的部件图像,作为大轮廓部件图像;
判断所述大轮廓部件图像的数量是否超过第四预设值,若是,则判断分割质量差。
3.根据权利要求2所述的车图像分割质量的评估方法,其特征在于,所述方法还包括:
当所述大轮廓部件图像的数量不超过所述第四预设值时,获取所述各部件图像的轮廓总数量;
判断所述轮廓总数量是否超过预设的第五预设值;
当所述轮廓总数量超过预设的所述第五预设值时,判断分割质量差。
4.根据权利要求3所述的车图像分割质量的评估方法,其特征在于,所述方法还包括:
当所述轮廓总数量不超过预设的所述第五预设值时,识别所述主部件图像的外轮廓点数;
判断所述主部件图像的外轮廓点数是否在预设的阈值范围之内;
当所述主部件图像的外轮廓点数不在预设的所述阈值范围之内时,判断分割质量差。
5.根据权利要求4所述的车图像分割质量的评估方法,其特征在于,所述方法还包括:
当所述主部件图像的外轮廓点数在预设的所述阈值范围之内时,获取所述主部件图像的外接矩形;
计算所述外接矩形的面积;
计算所述外接矩形的面积与包含有车辆的所述图像的面积的第三比值;
当所述第三比值小于预设的第六预设值时,判断分割质量差。
6.根据权利要求5所述的车图像分割质量的评估方法,其特征在于,所述方法还包括:
当所述第三比值不小于所述第六预设值时,识别所述主部件图像的内部轮廓的数量,作为所述主部件图像中孔洞的数量;
判断所述孔洞的数量是否大于预设的第七预设值;
当所述孔洞的数量大于预设的第七预设值时,判断分割质量差。
7.根据权利要求6所述的车图像分割质量的评估方法,其特征在于,所述方法还包括:
当所述孔洞的数量不大于预设的第七预设值时,计算各所述孔洞的总面积;
当所述孔洞的总面积与所述主部件图像的面积的比值大于预设的第四比值时,判断分割质量差,否则,判断分割质量好。
8.一种车图像分割质量的评估装置,其特征在于,所述装置包括:
车图像获取模块,用于获取包含有车辆的图像;
分割模块,用于对所述图像进行分割,得到分割好的车辆的整车图像和所述车辆的各部件图像;
主部件图像获取模块,用于从各所述部件图像中获取面积最大的部件图像,作为主部件图像;
第一判断模块,用于判断所述主部件图像的面积与包含有所述车辆的图像的面积的第一比值是否小于第一预设值;
第二判断模块,用于当所述第一比值小于所述第一预设值时,判断分割质量差;
第三判断模块,用于当所述第一比值不小于所述第一预设值时,判断所述主部件图像的面积与所述整车图像的面积的第二比值是否小于第二预设值;
第四判断模块,用于当所述第二比值小于所述第二预设值时,判断分割质量差。
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7中任一项所述车图像分割质量的评估方法的步骤。
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7中任一项所述车图像分割质量的评估方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742565.7A CN113436175B (zh) | 2021-06-30 | 2021-06-30 | 车图像分割质量的评估方法、装置、设备及存储介质 |
PCT/CN2022/071256 WO2023273296A1 (zh) | 2021-06-30 | 2022-01-11 | 车图像分割质量的评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742565.7A CN113436175B (zh) | 2021-06-30 | 2021-06-30 | 车图像分割质量的评估方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436175A true CN113436175A (zh) | 2021-09-24 |
CN113436175B CN113436175B (zh) | 2023-08-18 |
Family
ID=77758388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110742565.7A Active CN113436175B (zh) | 2021-06-30 | 2021-06-30 | 车图像分割质量的评估方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113436175B (zh) |
WO (1) | WO2023273296A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114358144A (zh) * | 2021-12-16 | 2022-04-15 | 西南交通大学 | 一种图像分割质量评估方法 |
WO2023273296A1 (zh) * | 2021-06-30 | 2023-01-05 | 平安科技(深圳)有限公司 | 车图像分割质量的评估方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160165246A1 (en) * | 2013-07-17 | 2016-06-09 | Sony Corporation | Image processing device and method |
WO2018072483A1 (zh) * | 2016-10-17 | 2018-04-26 | 京东方科技集团股份有限公司 | 图像分割方法、图像分割系统和存储介质及包括其的设备 |
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 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368776B (zh) * | 2017-04-28 | 2020-07-03 | 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 |
CN108446618A (zh) * | 2018-03-09 | 2018-08-24 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、电子设备及存储介质 |
CN109784171A (zh) * | 2018-12-14 | 2019-05-21 | 平安科技(深圳)有限公司 | 车辆定损图像筛选方法、装置、可读存储介质及服务器 |
CN111753843A (zh) * | 2020-06-28 | 2020-10-09 | 平安科技(深圳)有限公司 | 基于深度学习的分割效果评估方法、装置、设备及介质 |
CN112418789A (zh) * | 2020-11-18 | 2021-02-26 | 德联易控科技(北京)有限公司 | 理赔评估处理方法及装置、非易失性存储介质、电子设备 |
CN112381840A (zh) * | 2020-11-27 | 2021-02-19 | 深源恒际科技有限公司 | 一种用于定损视频中车辆外观部件标注的方法及系统 |
CN113436175B (zh) * | 2021-06-30 | 2023-08-18 | 平安科技(深圳)有限公司 | 车图像分割质量的评估方法、装置、设备及存储介质 |
-
2021
- 2021-06-30 CN CN202110742565.7A patent/CN113436175B/zh active Active
-
2022
- 2022-01-11 WO PCT/CN2022/071256 patent/WO2023273296A1/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160165246A1 (en) * | 2013-07-17 | 2016-06-09 | Sony Corporation | Image processing device and method |
WO2018072483A1 (zh) * | 2016-10-17 | 2018-04-26 | 京东方科技集团股份有限公司 | 图像分割方法、图像分割系统和存储介质及包括其的设备 |
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 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023273296A1 (zh) * | 2021-06-30 | 2023-01-05 | 平安科技(深圳)有限公司 | 车图像分割质量的评估方法、装置、设备及存储介质 |
CN114358144A (zh) * | 2021-12-16 | 2022-04-15 | 西南交通大学 | 一种图像分割质量评估方法 |
CN114358144B (zh) * | 2021-12-16 | 2023-09-26 | 西南交通大学 | 一种图像分割质量评估方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023273296A1 (zh) | 2023-01-05 |
CN113436175B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108323204B (zh) | 一种检测人脸瑕疵点的方法和智能终端 | |
CN113436175B (zh) | 车图像分割质量的评估方法、装置、设备及存储介质 | |
CN111862228B (zh) | 遮挡检测的方法、系统、计算机设备和可读存储介质 | |
CN103065134A (zh) | 一种具有提示信息的指纹识别装置和方法 | |
CN107748882B (zh) | 一种车道线检测方法及装置 | |
CN111461170A (zh) | 车辆图像检测方法、装置、计算机设备及存储介质 | |
CN101901342A (zh) | 影像目标区域的提取方法和装置 | |
CN113379680A (zh) | 缺陷检测方法、装置、电子设备和计算机可读存储介质 | |
CN111915541B (zh) | 基于人工智能的图像增强处理方法、装置、设备及介质 | |
CN115457063A (zh) | Pcb板圆孔的边缘提取方法、装置、设备及存储介质 | |
CN111860568B (zh) | 数据样本的均衡分布方法、装置及存储介质 | |
CN114298985B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN109978903B (zh) | 一种标识点识别方法、装置、电子设备及存储介质 | |
CN113284113A (zh) | 溢胶瑕疵检测方法、装置、计算机设备和可读存储介质 | |
CN104243967A (zh) | 一种图像检测方法及装置 | |
CN113158900A (zh) | 人脸活体检测模型的训练方法、装置、设备及存储介质 | |
CN111177878B (zh) | 衍生仿真场景筛选方法、装置和终端 | |
CN112528930B (zh) | 一种光学标记异常填涂识别方法、系统、终端及存储介质 | |
CN114723728A (zh) | 一种手机摄像头玻璃盖板丝印cd纹缺陷检测方法及系统 | |
CN112686851B (zh) | 一种图像检测方法、装置及存储介质 | |
CN113326893A (zh) | 车牌识别模型的训练、识别方法、装置及电子设备 | |
CN109117843B (zh) | 字符遮挡检测方法及装置 | |
CN112581001A (zh) | 设备的评估方法及装置、电子设备、可读存储介质 | |
CN111523544A (zh) | 车牌类型检测方法、系统、计算机设备及可读存储介质 | |
CN113709563B (zh) | 视频封面选取方法、装置、存储介质以及电子设备 |
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: 40054518 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |