CN114723945A - 车损检测方法和装置、电子设备及存储介质 - Google Patents
车损检测方法和装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114723945A CN114723945A CN202210361642.9A CN202210361642A CN114723945A CN 114723945 A CN114723945 A CN 114723945A CN 202210361642 A CN202210361642 A CN 202210361642A CN 114723945 A CN114723945 A CN 114723945A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- damaged
- damage
- target
- image
- 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.)
- Pending
Links
- 230000006378 damage Effects 0.000 title claims abstract description 213
- 238000001514 detection method Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 49
- 231100000809 Damage Assessment Model Toxicity 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 48
- 230000011218 segmentation Effects 0.000 claims description 34
- 238000012423 maintenance Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 12
- 238000003709 image segmentation Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000003058 natural language processing Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 230000001771 impaired effect Effects 0.000 description 5
- 239000002184 metal Substances 0.000 description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000037303 wrinkles Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009525 mild injury Effects 0.000 description 2
- 230000009526 moderate injury Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种车损检测方法和装置、电子设备及存储介质,属于人工智能技术领域。该方法包括:获取车辆受损图像;对车辆受损图像进行图像增强处理,得到初始受损图像;根据预设的缩放参数对初始受损图像进行缩放处理,得到目标受损图像;通过预先训练的车辆定损模型对目标受损图像进行受损检测,得到车辆受损特征数据,车辆受损特征数据包括车辆受损部件特征、车辆受损位置特征、车辆受损状态特征;根据车辆受损部件特征和车辆受损位置特征,确定目标受损类别;对目标受损类别、车辆受损部件特征、车辆受损状态特征进行受损程度计算,得到目标受损程度。本申请实施例能够提高车辆受损检测的准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种车损检测方法和装置、电子设备及存储介质。
背景技术
目前的车辆受损检测主要依赖人工进行估计,工作人员需要对采集的不同图像进行分类并根据图像区分出部件所受到的损坏,容易受到各种主观因素的影响而造成对车辆受损的误检和漏检,影响对车辆的受损类别和受损程度的判断,检测准确性不高。因此,如何提高车辆受损检测的准确性,成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种车损检测方法和装置、电子设备及存储介质,旨在提高车辆受损检测的准确性。
为实现上述目的,本申请实施例的第一方面提出了一种车损检测方法,所述方法包括:
获取车辆受损图像;
对所述车辆受损图像进行图像增强处理,得到初始受损图像;
根据预设的缩放参数对所述初始受损图像进行缩放处理,得到目标受损图像;
通过预先训练的车辆定损模型对所述目标受损图像进行受损检测,得到车辆受损特征数据,其中,车辆受损特征数据包括车辆受损部件特征、车辆受损位置特征、车辆受损状态特征;
根据所述车辆受损部件特征和所述车辆受损位置特征,确定目标受损类别;
对所述目标受损类别、所述车辆受损部件特征、所述车辆受损状态特征进行受损程度计算,得到目标受损程度。
在一些实施例,所述获取车辆受损图像,包括:
获取原始视频数据,其中,所述原始视频数据为目标车辆的受损视频数据;
对所述原始视频数据进行分割处理,得到多个视频帧图像;
比对所述视频帧图像和预设的参考图像,得到所述车辆受损图像。
在一些实施例,所述车辆定损模型包括残差网络、语义分割网络、目标检测网络,所述通过预先训练的车辆定损模型对所述目标受损图像进行受损检测,得到车辆受损特征数据,包括:
通过所述残差网络对所述目标受损图像进行特征提取,得到局部受损特征图;
通过所述语义分割网络对所述局部受损特征图进行图像分割处理,得到车辆分割部件特征;
通过所述目标检测网络对所述车辆分割部件特征进行目标检测,得到所述车辆受损特征数据。
在一些实施例,所述根据所述车辆受损部件特征和所述车辆受损位置特征,确定目标受损类别,包括:
通过预设的预测函数对所述车辆受损部件特征和所述车辆受损位置特征进行分类概率计算,得到每一预设车辆受损类别的预测概率值;
根据所述预测概率值对所述预设车辆受损类别进行筛选处理,确定所述目标受损类别。
在一些实施例,所述对所述目标受损类别、所述车辆受损部件特征、所述车辆受损状态特征进行受损程度计算,得到目标受损程度,包括:
根据预设的车损值对照表分别对所述目标受损类别、所述车辆受损部件特征、所述车辆受损状态特征进行赋值处理,得到所述目标受损类别对应的第一车损值、所述车辆受损部件特征对应的第二车损值和所述车辆受损状态特征对应的第三车损值;
根据所述第一车损值、所述第二车损值和所述第三车损值进行受损程度计算,得到所述目标受损程度。
在一些实施例,在所述对所述目标受损类别、所述车辆受损部件特征、所述车辆受损状态特征进行受损程度计算,得到目标受损程度之后,所述方法还包括:
提取所述车辆受损特征数据中的受损面积特征;
根据所述目标受损类别,对所述受损面积特征、所述目标受损程度进行加权计算,得到综合车损值;
根据所述综合车损值对预设的参考维修数据进行筛选处理,得到目标维修数据,其中,所述目标维修数据用于对目标车辆进行维修处理。
在一些实施例,在所述通过预先训练的车辆定损模型对所述目标受损图像进行受损检测,得到车辆受损特征数据之前,所述方法还包括预先训练所述车辆定损模型,具体包括:
获取标注车辆受损图像;
对所述标注车辆受损图像进行图像增强和缩放处理,得到样本受损图像;
将所述样本受损图像输入至所述车辆定损模型中;
通过所述车辆定损模型对所述样本受损图像进行受损检测,得到样本受损特征;
通过所述车辆定损模型的损失函数计算所述样本受损特征之间的距离值;
根据所述距离值对所述损失函数进行优化处理,以更新所述车辆定损模型。
为实现上述目的,本申请实施例的第二方面提出了一种车损检测装置,所述装置包括:
图像获取模块,用于获取车辆受损图像;
图像增强模块,用于对所述车辆受损图像进行图像增强处理,得到初始受损图像;
图像缩放模块,用于根据预设的缩放参数对所述初始受损图像进行缩放处理,得到目标受损图像;
受损检测模块,用于通过预先训练的车辆定损模型对所述目标受损图像进行受损检测,得到车辆受损特征数据,其中,车辆受损特征数据包括车辆受损部件特征、车辆受损位置特征、车辆受损状态特征;
目标受损类别确定模块,用于根据所述车辆受损部件特征和所述车辆受损位置特征,确定目标受损类别;
受损程度计算模块,用于对所述目标受损类别、所述车辆受损部件特征、所述车辆受损状态特征进行受损程度计算,得到目标受损程度。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述第一方面所述的方法。
本申请提出的车损检测方法和装置、电子设备及存储介质,其通过获取车辆受损图像,并对车辆受损图像进行图像增强处理,得到初始受损图像,根据预设的缩放参数对初始受损图像进行缩放处理,得到目标受损图像,能够消除车辆受损图像中的无关信息,恢复有用的真实信息,增强有关信息的可检测性,提高目标受损图像的图像质量;进而,通过预先训练的车辆定损模型对目标受损图像进行受损检测,得到车辆受损特征数据,其中,车辆受损特征数据包括车辆受损部件特征、车辆受损位置特征、车辆受损状态特征,并根据车辆受损部件特征和车辆受损位置特征,确定目标受损类别,对目标受损类别、车辆受损部件特征、车辆受损状态特征进行受损程度计算,得到目标受损程度,通过基于深度学习的车辆定损模型能够更加精确、高效地定位和识别车辆的受损部位和受损程度,提高车辆受损检测的准确性。
附图说明
图1是本申请实施例提供的车损检测方法的流程图;
图2是图1中的步骤S101的流程图;
图3是本申请实施例提供的车损检测方法的另一流程图;
图4是图1中的步骤S104的流程图;
图5是图1中的步骤S105的流程图;
图6是图1中的步骤S106的流程图;
图7是本申请实施例提供的车损检测方法的另一流程图;
图8是本申请实施例提供的车损检测装置的结构示意图;
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
人工智能(artificial intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(natural language processing,NLP):NLP用计算机来处理、理解以及运用人类语言(如中文、英文等),NLP属于人工智能的一个分支,是计算机科学与语言学的交叉学科,又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域,它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(Information Extraction,NER):从自然语言文本中抽取指定类型的实体、关系、事件等事实信息,并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的,例如句子、段落、篇章,文本信息正是由一些小的具体的单位构成的,例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取,当然,文本信息抽取技术所抽取的信息可以是各种类型的信息。
网络爬虫(又称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者):网络爬虫是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。
图像增强(image enhancement):增强图像中的有用信息,它可以是一个失真的过程,其目的是要改善图像的视觉效果,针对给定图像的应用场合。有目的地强调图像的整体或局部特性,将原来不清晰的图像变得清晰或强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,使之改善图像质量、丰富信息量,加强图像判读和识别效果,满足某些特殊分析的需要。
残差网络:通过残差密集块(RDB)来充分利用原始LR图像的所有分层特征。对于一个很深的网络来说,直接提取LR空间中的每个卷积层的输出很难,可以说是不切实际的。使用残差密集块(RDB)作为RDN的构建模块。RDB包含密集连通层和带有局部残差学习(LRL)的局部特征融合(LFF)。残差密集块还支持RDB间的连续记忆。一个RDB的输出可以直接访问下一个RDB各层,从而使状态连续传递。RDB每个卷积层都可以访问所有的后续层,传递需要保留的信息。将前面的RDB与当前RDB的所有前面层的状态连接,LFF通过自适应地保存信息来提取局部密集特征。此外,LFF通过稳定更大网络的训练来实现极高的增长率。在提取多层局部密集特征后,进一步进行全局特征融合(GFF)以全局方式自适应地保留分层特征。每层都可以直接访问原始的LR输入,从而产生隐式的深层监督学习。残差网络的特点是容易优化,并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接,缓解了在深度神经网络中增加深度带来的梯度消失问题。残差网络是由一系列残差块组成的。残差块分成两部分直接映射部分和残差部分。残差部分一般由两个或者三个卷积操作构成。
目标检测(Object Detection):目标检测的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。目标检测的核心问题包括四类,即(1)分类问题:即图片(或某个区域)中的图像属于哪个类别。(2)定位问题:目标可能出现在图像的任何位置。(3)大小问题:目标有各种不同的大小。(4)形状问题:目标可能有各种不同的形状目标检测分为两大系列:RCNN系列和YOLO系列,RCNN系列是基于区域检测的代表性算法,YOLO是基于区域提取的代表性算法。
图像分割(image segmentation):图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看,图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程,即把属于同一区域的像素赋予相同的编号。
Softmax分类器:Softmax分类器为逻辑回归分类器面对多个分类的一般化归纳,输出的是属于不同类别的概率值。
随着汽车保有量的激增,交通碰撞事故快速增长,车辆受损也越来越多。为此,保险公司陆续推出车险的保险服务来保障群众的车辆财产安全,当被保险的车辆发生交通事故时,需要对受损车辆进行车辆定损,并根据车辆受损的最重情况确定车险理赔金额,因而,车辆定损是理赔的关键环节。
目前,对于车辆受损的判断主要依赖人工进行估计,需要工作人员在车辆事故现场进行现场查勘判断,通过工作人员手动分类受损的方式会花费大量的时间,要投入大量人工成本,效率低下,不利于车险理赔的快速实现,且工作人员需要对采集的不同图像进行分类并根据图像区分出车辆部件所受到的损坏,容易受到各种主观因素的影响而造成对车辆受损的误检和漏检,影响对车辆的受损类别和受损程度的判断,检测准确性不高。因此,如何提高车辆受损检测的准确性,成为了亟待解决的技术问题。
基于此,本申请实施例提供了一种车损检测方法和装置、电子设备及存储介质,旨在提高车辆受损检测的准确性。
本申请实施例提供的车损检测方法和装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的车损检测方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的车损检测方法,涉及人工智能技术领域。本申请实施例提供的车损检测方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现车损检测方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1是本申请实施例提供的车损检测方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S101至步骤S106。
步骤S101,获取车辆受损图像;
步骤S102,对车辆受损图像进行图像增强处理,得到初始受损图像;
步骤S103,根据预设的缩放参数对初始受损图像进行缩放处理,得到目标受损图像;
步骤S104,通过预先训练的车辆定损模型对目标受损图像进行受损检测,得到车辆受损特征数据,其中,车辆受损特征数据包括车辆受损部件特征、车辆受损位置特征、车辆受损状态特征;
步骤S105,根据车辆受损部件特征和车辆受损位置特征,确定目标受损类别;
步骤S106,对目标受损类别、车辆受损部件特征、车辆受损状态特征进行受损程度计算,得到目标受损程度。
本申请实施例所示意的步骤S101至步骤S106,其通过获取车辆受损图像,并对车辆受损图像进行图像增强处理,得到初始受损图像,根据预设的缩放参数对初始受损图像进行缩放处理,得到目标受损图像,能够消除车辆受损图像中的无关信息,恢复有用的真实信息,增强有关信息的可检测性,提高目标受损图像的图像质量;通过预先训练的车辆定损模型对目标受损图像进行受损检测,得到车辆受损特征数据,其中,车辆受损特征数据包括车辆受损部件特征、车辆受损位置特征、车辆受损状态特征,并根据车辆受损部件特征和车辆受损位置特征,确定目标受损类别,对目标受损类别、车辆受损部件特征、车辆受损状态特征进行受损程度计算,得到目标受损程度,通过基于深度学习的车辆定损模型能够更加精确、高效地定位和识别车辆的受损部位和受损程度,提高车辆受损检测的准确性。
请参阅图2,在一些实施例中,步骤S101可以包括但不限于包括步骤S201至步骤S202:
步骤S201,获取原始视频数据,其中,原始视频数据为目标车辆的受损视频数据;
步骤S202,对原始视频数据进行分割处理,得到多个视频帧图像;
步骤S203,比对视频帧图像和预设的参考图像,得到车辆受损图像。
在一些实施例的步骤S201中,可以通过编写网络爬虫,设置好数据源之后进行有目标性的爬取数据,得到原始视频数据,其中,数据源可以是预设的车辆历史受损视频库,也可以是其他。还可以是通过摄像机等摄像设备对目标车辆进行全方位视角的视频拍摄,得到目标车辆的受损视频数据,不限于此。需要说明的是,受损视频数据包含有车辆外部和车辆内部可视范围内的图像信息。
在一些实施例的步骤S202中,通过Open CV等图像处理软件对原始视频数据进行分割处理,将原始视频数据拆分成多个原始视频片段,进而,对原始视频片段的每一帧视频图片进行拆分,得到多个视频帧图像。
在一些实施例的步骤S203中,将每一视频帧图像与参考图像进行对比,选取相似度小于预设相似阈值的视频帧图像,得到车辆受损图像,其中,参考图像为标准车辆图像,通过相似度对比可以确定出视频帧图像与标准车辆图像的接近程度,从而将与标准车辆图像较为接近的视频帧图像进行过滤,保留与标准车辆图像差异较大的视频帧图像,作为车辆受损图像。
在一些实施例的步骤S102中,可以通过Open CV等图像处理软件对车辆受损图像进行随机裁剪、随机旋转、饱和度调节、色调调节和对比度调节等数据增强操作,从而得到初始受损图像。
在一些实施例的步骤S103中,预设的缩放参数可以根据实际情况设置,例如,根据预设的缩放参数,可以将初始受损图像缩放为800*800大小的图像,得到目标受损图像。
通过上述步骤S102和步骤S103可以消除车辆受损图像中的无关信息,恢复有用的真实信息,增强有关信息的可检测性,提高目标受损图像的图像质量。
请参阅图3,在一些实施例的步骤S104之前,车损检测方法还包括预先训练车辆定损模型,训练车辆定损模型的过程包括但不限于包括步骤S301至步骤S306:
步骤S301,获取标注车辆受损图像;
步骤S302,对标注车辆受损图像进行图像增强和缩放处理,得到样本受损图像;
步骤S303,将样本受损图像输入至车辆定损模型中;
步骤S304,通过车辆定损模型对样本受损图像进行受损检测,得到样本受损特征;
步骤S305,通过车辆定损模型的损失函数计算样本受损特征之间的距离值;
步骤S306,根据距离值对损失函数进行优化处理,以更新车辆定损模型。
在一些实施例的步骤S301中,可以从预设的车损数据库中提取多个标注车辆受损图像,该车损数据库可以通过对车辆受损的历史图像进行人工标注得到,具体地,对每张对车辆受损的历史图像出现的受损形态采用矩形框进行标注,并记录该受损形态所属的受损类别和受损程度,同时对难以区分受损类别的历史图像进行剔除,得到车损数据库,该车损数据库包含多个标注车辆受损图像,车辆受损图像上带有受损类别、受损程度标签。其中,受损类别可以包括划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失等等,受损程度可以以车辆的受损形变程度进行度量,具体地,可以将受损程度按照轻度受损、中度受损、重度受损进行等级划分,也可以是其他,不限于此。
在一些实施例的步骤S302中,通过Open CV等图像处理软件对标注车辆受损图像进行随机裁剪、随机旋转、饱和度调节、色调调节和对比度调节等数据增强操作,再根据预设的缩放参数对经过图像增强处理的标注车辆受损图像进行缩放处理,得到样本受损图像。
在一些实施例的步骤S303中,将样本受损图像输入至车辆定损模型中,该车辆定损模型包括残差网络、语义分割网络、目标检测网络,残差网络可以基于resnext101模型构建而成,残差网络主要用于对车辆的受损特征进行提取;语义分割网络可以基于SSDFPN模型构建而成,语义分割网络主要用于对车辆的不同部件的受损特征进行分割处理;目标检测网络可以基于Seq-Bbox Matching模型构建而成,目标检测网络主要用于进行车辆受损定位,确定车辆的受损位置。
在一些实施例的步骤S304中,通过车辆定损模型的残差网络对样本受损图像进行特征提取,得到样本受损特征图,通过语义分割网络对样本受损特征图上属于不同部件的特征进行分割处理,得到样本分割部件特征,通过目标检测网络对样本分割部件特征进行目标检测,得到样本受损特征。
在一些实施例的步骤S305中,通过车辆定损模型的损失函数计算样本受损特征之间的距离值,其中,车辆定损模型的损失函数可以表示如公式(1)所示:
loss=1-IoU+R(B,Bgt)公式(1)
其中,loss为损失值,Bgt为样本受损特征的目标框,R(B,Bgt)表示样本受损特征的惩罚项,IoU表示样本受损特征的位置相似性,B为样本受损特征的预测框
在一些实施例的步骤S306中,根据距离值对损失函数进行优化处理时,可以根据距离值与预设距离阈值的大小关系,不断地对损失函数进行调整,提高模型的训练效果。
请参阅图4,在一些实施例中,车辆定损模型包括残差网络、语义分割网络、目标检测网络,步骤S104可以包括但不限于包括步骤S401至步骤S403:
步骤S401,通过残差网络对目标受损图像进行特征提取,得到局部受损特征图;
步骤S402,通过语义分割网络对局部受损特征图进行图像分割处理,得到车辆分割部件特征;
步骤S403,通过目标检测网络对车辆分割部件特征进行目标检测,得到车辆受损特征数据。
在一些实施例的步骤S401中,残差网络包括卷积层和池化层,通过卷积层对目标受损图像进行特征提取,捕捉目标受损图像的全局特征,得到全局受损特征图,通过池化层对全局受损特征图进行池化处理,捕捉目标受损图像的局部特征,得到局部受损特征图。
在一些实施例的步骤S402中,通过语义分割网络对局部受损特征图进行上采样处理,得到目标特征图,再对目标受损特征图的多个特征进行特征融合处理,得到融合受损特征图,最后,根据预设的尺寸参数对融合受损特征图进行解码处理,将融合受损特征图分割成多个尺度的图像特征,得到车辆分割部件特征。
在一些实施例的步骤S403中,通过目标检测网络对每一车辆分割部件特征进行目标检测,生成多个初始检测框;计算每两个初始检测框之间的距离值,根据距离值对初始检测框进行合并处理,得到目标检测框;最后,对目标检测框进行受损预测处理,得到车辆受损部件特征、车辆受损位置特征、车辆受损状态特征等多种车辆受损特征数据。例如,车辆受损部件特征可以包括钣金件、玻璃、轮胎等。
具体地,可以通过预设的距离函数计算初始检测框(即车辆分割部件特征)之间的距离值,其中,预设的距离函数可以表示如公式(2)所示:
其中,distance表示距离值,IoU表示车辆分割部件特征之间的位置相似性。Vctri·Vctrj表示车辆分割部件特征之间的的语义相似性;Dctri·Dctrj表示两个车辆分割部件特征之间的受损程度相似性。通过这一方式可以较为方便地确定两个车辆分割部件特征的受损情况是否属于同一受损特征,减小不同位置的相似损失被混淆为同一受损特征带来的误差,从而提高车损检测的准确性。
请参阅图5,在一些实施例中,步骤S105还可以包括但不限于包括步骤S501至步骤S502:
步骤S501,通过预设的预测函数对车辆受损部件特征和车辆受损位置特征进行分类概率计算,得到每一预设车辆受损类别的预测概率值;
步骤S502,根据预测概率值对预设车辆受损类别进行筛选处理,确定目标受损类别。
在一些实施例的步骤S501中,预设的预测函数可以是softmax函数,预设车辆受损类别可以包括划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失等等。具体地,通过softmax函数可以在每一预设车辆受损类别创建一个概率分布,得到每一预设车辆受损类别的预测概率值。
在一些实施例的步骤S502中,可以不同预设车辆受损类别的预测概率值对预设车辆受损类别进行降序排列,选取预测概率值较大一个或者多个预设车辆受损类别作为目标受损类别。在另一些实施例中,也要将预测概率值与预设的概率阈值进行比对,选取预测概率值大于或者等于概率阈值的预设车辆受损类别作为目标受损类别,不限于此。
请参阅图6,在一些实施例,步骤S106还包括但不限于包括步骤S601至步骤S602:
步骤S601,根据预设的车损值对照表分别对目标受损类别、车辆受损部件特征、车辆受损状态特征进行赋值处理,得到目标受损类别对应的第一车损值、车辆受损部件特征对应的第二车损值和车辆受损状态特征对应的第三车损值;
步骤S602,根据第一车损值、第二车损值和第三车损值进行受损程度计算,得到目标受损程度。
在一些实施例的步骤S601中,预设的车损对照表上对每一预设车辆受损类别、车辆受损部件以及车辆受损状态均设置有对应的车损值,通过查阅车损对照表,可以方便地对目标受损类别、车辆受损部件特征、车辆受损状态特征进行赋值处理,得到目标受损类别对应的第一车损值、车辆受损部件特征对应的第二车损值和车辆受损状态特征对应的第三车损值,具体地,预设车辆受损类别可以包括划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失,对应的车损值设置为1、1、2、2、3、5、6,例如,当目标受损类别为凹陷,则得到第一车损值为2;对于车辆受损状态特征,若刮擦和划痕发生的形变较小,则设置车损值为1,否则车损值为2;若凹陷属于轻微凹陷,则设置车损值为1,否则车损值为2;褶皱、死折的车损值为2;撕裂、缺失所处的位置在卡边或者卡扣位置,则车损值为1,否则车损值为2。例如,若发生了轻微凹陷,则第三车损值为1。对于车辆受损部件特征,车辆受损部件可以包括钣金件、玻璃、轮胎等,根据不同部件的成本高低,设置不同的车损值,例如,钣金件对应的第二车损值为2。轮胎对应的第二车损值为5等等。
在一些实施例的步骤S602中,可以对获取到的第一车损值、第二车损值和第三车损值直接进行求和计算,也可以根据预设的权重占比对第一车损值、第二车损值和第三车损值进行加权计算,得到目标受损程度对应的车损值,根据车损值和受损程度的对应关系,确定出目标受损程度属于轻度受损、中度受损一级重度受损中的哪一种。通过这一方式能够提高受损程度预测的准确性。
请参阅图7,在一些实施例的步骤S106之后,车损检测方法还可以包括但不限于包括步骤S701至步骤S703:
步骤S701,提取车辆受损特征数据中的受损面积特征;
步骤S702,根据目标受损类别,对受损面积特征、目标受损程度进行加权计算,得到综合车损值;
步骤S703,根据综合车损值对预设的参考维修数据进行筛选处理,得到目标维修数据,其中,目标维修数据用于对目标车辆进行维修处理。
在一些实施例的步骤S701中,获取车辆受损特征数据中的受损面积特征,该受损面积特征可以是车辆受损面积,其中,车辆受损面积可以通过尺寸测量工具进行检测获取到。
在一些实施例的步骤S702中,对于不同的目标受损类别,对受损面积特征和目标受损程度分别设置不同的权重参数,例如,在目标受损类别为划痕时,将受损面积特征的权重参数设置的更大,而目标受损程度的权重参数较小。通过对目标受损程度和受损面积进行加权计算,得到综合车损值。
在一些实施例的步骤S703中,根据综合车损值和目标受损类别,从预设的多种参考维修数据中提取最符合当前需求的作为目标维修数据,例如,若当前目标受损类别为划痕或者刮擦,则选取喷漆作为目标维修方式,根据目标维修方式以及综合车损值选取合适的喷涂材料,并根据受损面积特征对目标车辆的受损部件和受损位置进行维修处理;若是其他受损类别,则可以根据综合车损值选取不同程度的钣金维修方案。通过这一方式能够将车辆的受损面积和受损程度结合起来对多种维修方案进行筛选,选取最为合适的目标维修数据,并根据目标维修数据来对目标车辆进行维修处理,提高了维修效率和维修准确性,同时也能够有效地降低维修成本。
本申请实施例的车损检测方法,其通过获取原始视频数据,其中,原始视频数据为目标车辆的受损视频数据,对原始视频数据进行分割处理,得到车辆受损图像,能够较为全面地获取到车辆受损的图像信息,通过对车辆受损图像进行图像增强处理,得到初始受损图像,根据预设的缩放参数对初始受损图像进行缩放处理,得到目标受损图像,能够消除车辆受损图像中的无关信息,恢复有用的真实信息,增强有关信息的可检测性,提高目标受损图像的图像质量;通过预先训练的车辆定损模型对目标受损图像进行受损检测,得到车辆受损特征数据,其中,车辆受损特征数据包括车辆受损部件特征、车辆受损位置特征、车辆受损状态特征,并根据车辆受损部件特征和车辆受损位置特征,确定目标受损类别,对目标受损类别、车辆受损部件特征、车辆受损状态特征进行受损程度计算,得到目标受损程度,通过基于深度学习的车辆定损模型能够更加精确、高效地定位和识别车辆的受损部位和受损程度,提高车辆受损检测的准确性。
请参阅图8,本申请实施例还提供一种车损检测装置,可以实现上述车损检测方法,车损检测装置包括:
图像获取模块801,用于获取车辆受损图像;
图像增强模块802,用于对车辆受损图像进行图像增强处理,得到初始受损图像;
图像缩放模块803,用于根据预设的缩放参数对初始受损图像进行缩放处理,得到目标受损图像;
受损检测模块804,用于通过预先训练的车辆定损模型对目标受损图像进行受损检测,得到车辆受损特征数据,其中,车辆受损特征数据包括车辆受损部件特征、车辆受损位置特征、车辆受损状态特征;
目标受损类别确定模块805,用于根据车辆受损部件特征和车辆受损位置特征,确定目标受损类别;
受损程度计算模块806,用于对目标受损类别、车辆受损部件特征、车辆受损状态特征进行受损程度计算,得到目标受损程度。
在一些实施例中,图像获取模块801包括:
视频数据获取单元,用于获取原始视频数据,其中,原始视频数据为目标车辆的受损视频数据;
视频分割单元,用于对原始视频数据进行分割处理,得到车辆受损图像。
在一些实施例中,车辆定损模型包括残差网络、语义分割网络、目标检测网络,受损检测模块804包括:
特征提取单元,用于通过残差网络对目标受损图像进行特征提取,得到局部受损特征图;
图像分割单元,用于通过语义分割网络对局部受损特征图进行图像分割处理,得到车辆分割部件特征;
目标检测单元,用于通过目标检测网络对车辆分割部件特征进行目标检测,得到车辆受损特征数据。
在一些实施例中,目标受损类别确定模块805包括:
预测单元,用于通过预设的预测函数对车辆受损部件特征和车辆受损位置特征进行分类概率计算,得到每一预设车辆受损类别的预测概率值;
筛选单元,用于根据预测概率值对预设车辆受损类别进行筛选处理,确定目标受损类别。
在一些实施例中,受损程度计算模块806包括:
赋值单元,用于根据预设的车损值对照表分别对目标受损类别、车辆受损部件特征、车辆受损状态特征进行赋值处理,得到目标受损类别对应的第一车损值、车辆受损部件特征对应的第二车损值和车辆受损状态特征对应的第三车损值;
受损程度计算单元,用于根据第一车损值、第二车损值和第三车损值进行受损程度计算,得到目标受损程度。
在一些实施例中,车损检测装置还包括模型训练模块,模型训练模块包括:
标注图像获取单元,用于获取标注车辆受损图像;
图像处理单元,用于对标注车辆受损图像进行图像增强和缩放处理,得到样本受损图像;
图像输入单元,用于将样本受损图像输入至车辆定损模型中;
受损检测单元,用于通过车辆定损模型对样本受损图像进行受损检测,得到样本受损特征;
距离值计算单元,用于通过车辆定损模型的损失函数计算样本受损特征之间的距离值;
模型优化单元,用于根据距离值对损失函数进行优化处理,以更新车辆定损模型。
在一些实施例中,车损检测装置还包括维修处理模块,维修处理模块包括:
受损面积特征提取单元,用于提取车辆受损特征数据中的受损面积特征;
加权计算单元,用于根据目标受损类别,对受损面积特征、目标受损程度进行加权计算,得到综合车损值;
参考维修数据筛选单元,用于根据综合车损值对预设的参考维修数据进行筛选处理,得到目标维修数据,其中,目标维修数据用于对目标车辆进行维修处理。
该车损检测装置的具体实施方式与上述车损检测方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括:存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线,程序被处理器执行时实现上述车损检测方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9,图9示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器901,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器902,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器902可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器902中,并由处理器901来调用执行本申请实施例的车损检测方法;
输入/输出接口903,用于实现信息输入及输出;
通信接口904,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线905,在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息;
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质,存储介质为计算机可读存储介质,用于计算机可读存储,存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现上述车损检测方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的车损检测方法、车损检测装置、电子设备及存储介质,其通过获取原始视频数据,其中,原始视频数据为目标车辆的受损视频数据,对原始视频数据进行分割处理,得到车辆受损图像,能够较为全面地获取到车辆受损的图像信息,通过对车辆受损图像进行图像增强处理,得到初始受损图像,根据预设的缩放参数对初始受损图像进行缩放处理,得到目标受损图像,能够消除车辆受损图像中的无关信息,恢复有用的真实信息,增强有关信息的可检测性,提高目标受损图像的图像质量;通过预先训练的车辆定损模型对目标受损图像进行受损检测,得到车辆受损特征数据,其中,车辆受损特征数据包括车辆受损部件特征、车辆受损位置特征、车辆受损状态特征,并根据车辆受损部件特征和车辆受损位置特征,确定目标受损类别,对目标受损类别、车辆受损部件特征、车辆受损状态特征进行受损程度计算,得到目标受损程度,通过基于深度学习的车辆定损模型能够更加精确、高效地定位和识别车辆的受损部位和受损程度,提高车辆受损检测的准确性。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1-7中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,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单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于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:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种车损检测方法,其特征在于,所述方法包括:
获取车辆受损图像;
对所述车辆受损图像进行图像增强处理,得到初始受损图像;
根据预设的缩放参数对所述初始受损图像进行缩放处理,得到目标受损图像;
通过预先训练的车辆定损模型对所述目标受损图像进行受损检测,得到车辆受损特征数据,其中,车辆受损特征数据包括车辆受损部件特征、车辆受损位置特征、车辆受损状态特征;
根据所述车辆受损部件特征和所述车辆受损位置特征,确定目标受损类别;
对所述目标受损类别、所述车辆受损部件特征、所述车辆受损状态特征进行受损程度计算,得到目标受损程度。
2.根据权利要求1所述的车损检测方法,其特征在于,所述获取车辆受损图像,包括:
获取原始视频数据,其中,所述原始视频数据为目标车辆的受损视频数据;
对所述原始视频数据进行分割处理,得到多个视频帧图像;
比对所述视频帧图像和预设的参考图像,得到所述车辆受损图像。
3.根据权利要求1所述的车损检测方法,其特征在于,所述车辆定损模型包括残差网络、语义分割网络、目标检测网络,所述通过预先训练的车辆定损模型对所述目标受损图像进行受损检测,得到车辆受损特征数据,包括:
通过所述残差网络对所述目标受损图像进行特征提取,得到局部受损特征图;
通过所述语义分割网络对所述局部受损特征图进行图像分割处理,得到车辆分割部件特征;
通过所述目标检测网络对所述车辆分割部件特征进行目标检测,得到所述车辆受损特征数据。
4.根据权利要求1所述的车损检测方法,其特征在于,所述根据所述车辆受损部件特征和所述车辆受损位置特征,确定目标受损类别,包括:
通过预设的预测函数对所述车辆受损部件特征和所述车辆受损位置特征进行分类概率计算,得到每一预设车辆受损类别的预测概率值;
根据所述预测概率值对所述预设车辆受损类别进行筛选处理,确定所述目标受损类别。
5.根据权利要求1所述的车损检测方法,其特征在于,所述对所述目标受损类别、所述车辆受损部件特征、所述车辆受损状态特征进行受损程度计算,得到目标受损程度,包括:
根据预设的车损值对照表分别对所述目标受损类别、所述车辆受损部件特征、所述车辆受损状态特征进行赋值处理,得到所述目标受损类别对应的第一车损值、所述车辆受损部件特征对应的第二车损值和所述车辆受损状态特征对应的第三车损值;
根据所述第一车损值、所述第二车损值和所述第三车损值进行受损程度计算,得到所述目标受损程度。
6.根据权利要求1至5任一项所述的车损检测方法,其特征在于,在所述对所述目标受损类别、所述车辆受损部件特征、所述车辆受损状态特征进行受损程度计算,得到目标受损程度之后,所述方法还包括:
提取所述车辆受损特征数据中的受损面积特征;
根据所述目标受损类别,对所述受损面积特征、所述目标受损程度进行加权计算,得到综合车损值;
根据所述综合车损值对预设的参考维修数据进行筛选处理,得到目标维修数据,其中,所述目标维修数据用于对目标车辆进行维修处理。
7.根据权利要求1至5任一项所述的车损检测方法,其特征在于,在所述通过预先训练的车辆定损模型对所述目标受损图像进行受损检测,得到车辆受损特征数据之前,所述方法还包括预先训练所述车辆定损模型,具体包括:
获取标注车辆受损图像;
对所述标注车辆受损图像进行图像增强和缩放处理,得到样本受损图像;
将所述样本受损图像输入至所述车辆定损模型中;
通过所述车辆定损模型对所述样本受损图像进行受损检测,得到样本受损特征;
通过所述车辆定损模型的损失函数计算所述样本受损特征之间的距离值;
根据所述距离值对所述损失函数进行优化处理,以更新所述车辆定损模型。
8.一种车损检测装置,其特征在于,所述装置包括:
图像获取模块,用于获取车辆受损图像;
图像增强模块,用于对所述车辆受损图像进行图像增强处理,得到初始受损图像;
图像缩放模块,用于根据预设的缩放参数对所述初始受损图像进行缩放处理,得到目标受损图像;
受损检测模块,用于通过预先训练的车辆定损模型对所述目标受损图像进行受损检测,得到车辆受损特征数据,其中,车辆受损特征数据包括车辆受损部件特征、车辆受损位置特征、车辆受损状态特征;
目标受损类别确定模块,用于根据所述车辆受损部件特征和所述车辆受损位置特征,确定目标受损类别;
受损程度计算模块,用于对所述目标受损类别、所述车辆受损部件特征、所述车辆受损状态特征进行受损程度计算,得到目标受损程度。
9.一种电子设备,其特征在于,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现如权利要求1至7任一项所述的车损检测方法。
10.一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至7中任一项所述的车损检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210361642.9A CN114723945A (zh) | 2022-04-07 | 2022-04-07 | 车损检测方法和装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210361642.9A CN114723945A (zh) | 2022-04-07 | 2022-04-07 | 车损检测方法和装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114723945A true CN114723945A (zh) | 2022-07-08 |
Family
ID=82240903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210361642.9A Pending CN114723945A (zh) | 2022-04-07 | 2022-04-07 | 车损检测方法和装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723945A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116434047A (zh) * | 2023-03-29 | 2023-07-14 | 邦邦汽车销售服务(北京)有限公司 | 基于数据处理的车辆损伤范围确定方法及系统 |
CN117671330A (zh) * | 2023-11-14 | 2024-03-08 | 平安科技(上海)有限公司 | 车辆定损方法、装置、计算机设备及存储介质 |
CN117876232A (zh) * | 2024-03-11 | 2024-04-12 | 国任财产保险股份有限公司 | 一种基于大模型的智能交通事故保险处理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177926A (zh) * | 2021-05-11 | 2021-07-27 | 泰康保险集团股份有限公司 | 一种图像检测方法和装置 |
WO2021201349A1 (ko) * | 2020-04-02 | 2021-10-07 | 주식회사 애자일소다 | 차량의 손상 분석 시스템 및 방법 |
CN113780435A (zh) * | 2021-09-15 | 2021-12-10 | 平安科技(深圳)有限公司 | 车辆损伤检测方法、装置、设备及存储介质 |
-
2022
- 2022-04-07 CN CN202210361642.9A patent/CN114723945A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021201349A1 (ko) * | 2020-04-02 | 2021-10-07 | 주식회사 애자일소다 | 차량의 손상 분석 시스템 및 방법 |
CN113177926A (zh) * | 2021-05-11 | 2021-07-27 | 泰康保险集团股份有限公司 | 一种图像检测方法和装置 |
CN113780435A (zh) * | 2021-09-15 | 2021-12-10 | 平安科技(深圳)有限公司 | 车辆损伤检测方法、装置、设备及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116434047A (zh) * | 2023-03-29 | 2023-07-14 | 邦邦汽车销售服务(北京)有限公司 | 基于数据处理的车辆损伤范围确定方法及系统 |
CN116434047B (zh) * | 2023-03-29 | 2024-01-09 | 邦邦汽车销售服务(北京)有限公司 | 基于数据处理的车辆损伤范围确定方法及系统 |
CN117671330A (zh) * | 2023-11-14 | 2024-03-08 | 平安科技(上海)有限公司 | 车辆定损方法、装置、计算机设备及存储介质 |
CN117876232A (zh) * | 2024-03-11 | 2024-04-12 | 国任财产保险股份有限公司 | 一种基于大模型的智能交通事故保险处理方法及系统 |
CN117876232B (zh) * | 2024-03-11 | 2024-05-28 | 国任财产保险股份有限公司 | 一种基于大模型的智能交通事故保险处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114723945A (zh) | 车损检测方法和装置、电子设备及存储介质 | |
CN109558823B (zh) | 一种以图搜图的车辆识别方法及系统 | |
WO2020124247A1 (en) | Automated inspection system and associated method for assessing the condition of shipping containers | |
CN103927762B (zh) | 一种目标车辆自动跟踪方法及装置 | |
CN113779308B (zh) | 一种短视频检测和多分类方法、装置及存储介质 | |
CN111191695A (zh) | 一种基于深度学习的网站图片篡改检测方法 | |
CN110798805B (zh) | 基于gps轨迹的数据处理方法、装置及存储介质 | |
CN113033604A (zh) | 一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质 | |
CN113688837A (zh) | 图像脱敏方法、装置、电子设备及计算机可读存储介质 | |
CN116359218B (zh) | 一种工业聚集区大气污染移动监测系统 | |
CN114595357A (zh) | 视频搜索方法和装置、电子设备、存储介质 | |
CN112016545A (zh) | 一种包含文本的图像生成方法及装置 | |
CN106778777B (zh) | 一种车辆匹配方法及系统 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
CN111242899A (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN116824399A (zh) | 基于改进YOLOv5神经网络的路面裂缝识别方法 | |
CN114937248A (zh) | 用于跨相机的车辆跟踪方法、装置、电子设备、存储介质 | |
CN115131826B (zh) | 物品检测识别方法、网络模型的训练方法和装置 | |
CN117274868A (zh) | 一种基于大模型对视频进行交通事件识别方法及系统 | |
Guili et al. | A man-made object detection algorithm based on contour complexity evaluation | |
CN115439450A (zh) | 用于自动驾驶的视频画面质量评价方法、装置、设备、存储介质 | |
Prakash-Borah et al. | Real-Time Helmet Detection and Number Plate Extraction Using Computer Vision | |
Gizatullin et al. | Automatic car license plate detection based on the image weight model | |
Ramakrishnan et al. | Autonomous Vehicle Image Classification using Deep Learning |
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 |