CN114972761B - 基于人工智能的车辆部件分割方法及相关设备 - Google Patents

基于人工智能的车辆部件分割方法及相关设备 Download PDF

Info

Publication number
CN114972761B
CN114972761B CN202210696595.3A CN202210696595A CN114972761B CN 114972761 B CN114972761 B CN 114972761B CN 202210696595 A CN202210696595 A CN 202210696595A CN 114972761 B CN114972761 B CN 114972761B
Authority
CN
China
Prior art keywords
vehicle
segmentation
image
target
component
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210696595.3A
Other languages
English (en)
Other versions
CN114972761A (zh
Inventor
唐子豪
刘莉红
刘玉宇
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210696595.3A priority Critical patent/CN114972761B/zh
Publication of CN114972761A publication Critical patent/CN114972761A/zh
Application granted granted Critical
Publication of CN114972761B publication Critical patent/CN114972761B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提出一种基于人工智能的车辆部件分割方法、装置、电子设备及存储介质，基于人工智能的车辆部件分割方法包括：基于已标注图像训练轻量化的车辆分割初始模型得到车辆分割模型；获取未标注图像集；基于车辆分割模型获取未标注图像集中各车辆图像的部件分割结果，基于部件分割结果筛选未标注图像集以获取异常图像；获取所有异常图像的标签信息以更新车辆分割模型，得到更新后的车辆分割模型；不断获取异常图像以更新车辆分割模型，直到异常图像的数量为零，停止更新得到目标车辆分割模型；基于目标车辆分割模型获取实时车辆图像的部件分割结果。本申请能够基于异常图像对轻量化的车辆分割模型进行更新，从而提高车辆分割模型的精度和速度。

Description

基于人工智能的车辆部件分割方法及相关设备
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于人工智能的车辆部件分割方法、装置、电子设备及存储介质。
背景技术
车辆部件分割在智能定损、整车验收等场景有广泛需求，通常使用深度学习模型对采集到的车辆图像进行分割以获取车辆部件的分割结果，然而由于移动端性能、数据获取难度等因素，传统的深度学习模型在移动端场景往往效果不佳，因此需要针对车辆部件分割场景对深度学习模型的结构和训练方法进行设计，以提高车辆部件分割的速度和精度。
发明内容
鉴于以上内容，有必要提出一种基于人工智能的车辆部件分割方法及相关设备，以解决如何提高车辆部件分割的速度和精度这一技术问题，其中，相关设备包括基于人工智能的车辆部件分割装置、电子设备及存储介质。
本申请提供基于人工智能的车辆部件分割方法，所述方法包括：
S10，搭建车辆分割初始模型，基于已标注图像训练所述车辆分割初始模型得到车辆分割模型，所述已标注图像为带有标签信息的车辆图像，所述标签信息为车辆图像中每一个像素点的车辆部件种类；
S11，储存不带标签信息的车辆图像以获取未标注图像集；
S12，基于所述车辆分割模型对所述未标注图像集中所有车辆图像进行分割以获取每一张车辆图像的部件分割结果，并基于所述部件分割结果对所述未标注图像集进行筛选以获取异常图像，将所有异常图像作为重训练集，所述车辆图像的部件分割结果包括车辆图像中每一个像素点的车辆部件种类；
S13，获取所述重训练集中所有异常图像的标签信息以构成重标签集，基于所述重训练集和所述重标签集更新所述车辆分割模型以获取更新后的车辆分割模型；
S14，重复步骤S12到步骤S13，不断从所述未标注图像集中获取异常图像以更新所述车辆分割模型，直到从所述未标注图像集中获取的所述异常图像的数量为0时停止更新，得到目标车辆分割模型；
S15，采集实时车辆图像，并基于所述目标车辆分割模型获取所述实时车辆图像的部件分割结果。
在一些实施例中，所述基于所述部件分割结果对未标注图像集进行筛选以获取异常图像，将所有异常图像作为重训练集，所述车辆图像的部件分割结果包括车辆图像中每一个像素点的车辆部件种类，包括：
基于已标注图像的标签信息获取任意两种部件的标准位置关系；
随机选取一张部件分割结果作为目标分割结果；
获取所述目标分割结果的部件种类数，对比所述部件种类数和预设阈值，若所述部件种类数小于预设阈值，将所述目标分割结果对应的车辆图像标记为异常图像；若所述部件种类数不小于预设阈值，则进行二次筛选；
在所述二次筛选的过程中，基于所述目标分割结果和所述标准位置关系获取所述目标分割结果对应的车辆图像的判断结果，所述判断结果为正常图像和异常图像；
遍历所有部件分割结果以获取所有异常图像，并储存所有异常图像作为重训练集。
在一些实施例中，所述基于已标注图像的标签信息获取任意两种部件的标准位置关系包括：
A1，从所有已标注图像的标签信息中随机选取一张标签信息作为目标标签信息；
A2，提取所述目标标签信息中目标部件的区域图像，所述目标部件为所述目标标签信息中所有种类的部件中的任意一种，所述目标部件的区域图像中所述目标部件区域内像素点的像素值为1，其他区域内像素点的像素值为0；
A3，将所述目标部件的区域图像中所有像素点的像素值沿着行方向按照固定顺序进行排列以获取所述目标标签信息中所述目标部件的编码向量，所述编码向量反应所述目标部件在所述目标标签信息中的位置信息；
A4，遍历所述目标标签信息中所有种类的部件以获取每一种部件的编码向量；
A5，从所述目标标签信息中任意选取两种部件，计算所述两种部件的编码向量的汉明距离，将所述汉明距离与所述目标标签信息面积的比值作为所述两种部件的初始位置关系，遍历所述目标标签信息中所有种类的部件以获取任意两种部件之间的初始位置关系；
A6，重复执行步骤A1到步骤A5得到所有已标注图像的标签信息中任意两种部件之间的初始位置关系，并计算相同两种部件所有初始位置关系的均值以获取任意两种部件之间的标准位置关系。
在一些实施例中，所述标准位置关系满足关系式：
其中，Numi,j为第i种部件和第j种部件初始位置关系的数量，gk(i,j)为第k个第i种部件和第j种部件的初始位置关系，G(i,j)为第i种部件和第j种部件的标准位置关系。
在一些实施例中，所述在所述二次筛选的过程中，基于所述目标分割结果和所述标准位置关系获取所述目标分割结果对应的车辆图像的判断结果，所述判断结果为正常图像和异常图像，包括：
将目标分割结果中同一部件种类的区域内像素点的像素值置为1，其他区域的像素点的像素值置为0，得到所述部件种类的分割区域图像，遍历所述目标分割结果中所有部件种类得到每一种部件的分割区域图像；
将所有部件的分割区域图像中所有像素值沿着行方向按照固定顺序进行排列以获取每一种部件的分割编码向量；
从所述目标分割结果中任意选取两种部件，计算所述两种部件的分割编码向量的汉明距离，将所述汉明距离与所述目标分割结果面积的比值作为所述两种部件的分割位置关系，遍历所述目标分割结果中所有种类的部件以获取任意两种部件的分割位置关系；
计算所有分割位置关系与对应的标准位置关系差值的绝对值以作为每一个分割位置关系的偏差值，储存所有分割位置关系的偏差值得到偏差值集；
若所述偏差值集中的偏差值均不大于预设偏差，则说明所述目标分割结果中部件间位置关系满足要求，所述目标分割结果对应的车辆图像为正常图像；若所述偏差值集中至少有一个偏差值大于预设偏差，则说明所述目标分割结果中部件间位置关系不满足要求，将所述目标分割结果对应的车辆图像标记为异常图像。
在一些实施例中，所述采集实时车辆图像，并基于所述目标车辆分割模型获取所述实时车辆图像的部件分割结果，包括：
采集实时车辆图像，将所述实时车辆图像输入所述目标车辆分割模型以获取所述实时车辆图像的部件分割结果；
对比所述部件分割结果中所有车辆部件的总面积与预设面积阈值以获取距离对比结果；
依据具体应用场景和所述距离对比结果提示用户改变图像采集设备与车辆的距离以重新采集实时车辆图像，并基于所述目标车辆分割模型获取重新采集的实时车辆图像的部件分割结果。
在一些实施例中，所述对比所述部件分割结果中所有车辆部件的总面积与预设面积阈值以获取距离对比结果包括：
若所述总面积大于预设面积阈值，则表示图像采集设备与车辆的距离较近，所述距离对比结果为较近；
若所述总面积不大于预设面积阈值，则表示图像采集设备与车辆的距离较远，所述距离对比结果为较远。
本申请实施例还提供一种基于人工智能的车辆部件分割装置，所述装置包括：
训练单元，用于搭建车辆分割初始模型，基于已标注图像训练所述车辆分割初始模型得到车辆分割模型，所述已标注图像为带有标签信息的车辆图像，所述标签信息为车辆图像中每一个像素点的车辆部件种类；
储存单元，用于储存不带标签信息的车辆图像以获取未标注图像集；
筛选单元，用于基于所述车辆分割模型对所述未标注图像集中所有车辆图像进行分割以获取每一张车辆图像的部件分割结果，并基于所述部件分割结果对所述未标注图像集进行筛选以获取异常图像，将所有异常图像作为重训练集，所述车辆图像的部件分割结果包括车辆图像中每一个像素点的车辆部件种类；
更新单元，用于获取所述重训练集中所有异常图像的标签信息以构成重标签集，基于所述重训练集和所述重标签集更新所述车辆分割模型以获取更新后的车辆分割模型；
重复单元，用于重复筛选单元和更新单元不断从所述未标注图像集中获取异常图像以更新所述车辆分割模型，直到从所述未标注图像集中获取的所述异常图像的数量为0时停止更新，得到目标车辆分割模型；
分割单元，用于采集实时车辆图像，并基于所述目标车辆分割模型获取所述实时车辆图像的部件分割结果。
本申请实施例还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
处理器，执行所述存储器中存储的指令以实现所述的基于人工智能的车辆部件分割方法。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述的基于人工智能的车辆部件分割方法。
综上，本申请基于已经训练完毕的轻量化的车辆分割模型得到未标注的图像的部件分割结果，基于部件分割结果中部件数量和不同部件的位置关系得到分割效果较差的异常图像，用异常图像对车辆分割模型进行更新，从而提高车辆分割模型的精度，同时，轻量化结构可以保证车辆部件分割的速度。
附图说明
图1是本申请所涉及的基于人工智能的车辆部件分割方法的较佳实施例的流程图。
图2是本申请所涉及的基于人工智能的车辆部件分割装置的较佳实施例的功能模块图。
图3是本申请所涉及的基于人工智能的车辆部件分割方法的较佳实施例的电子设备的结构示意图。
图4是本申请所涉及的基于人工智能的目标分割结果、不同的车辆部件分割区域图像以及不同的车辆部件分割编码向量的示意图。
具体实施方式
为了能够更清楚地理解本申请的目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请，所述描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
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。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请实施例提供一种基于人工智能的车辆部件分割方法，可应用于一个或者多个电子设备中，电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
电子设备可以是任何一种可与客户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
电子设备还可以包括网络设备和/或客户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云。
电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
如图1所示，是本申请基于人工智能的车辆部件分割方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
S10，搭建车辆分割初始模型，基于已标注图像训练所述车辆分割初始模型得到车辆分割模型，所述已标注图像为带有标签信息的车辆图像，所述标签信息为车辆图像中每一个像素点的车辆部件种类。
在一个可选的实施例中，搭建车辆分割初始模型，所述车辆分割初始模型的输入为车辆图像，预期的输出为所述车辆图像的部件分割结果，所述部件分割结果为一张与所述车辆图像等大的图像，可以反应所述车辆图像中不同部件的区域信息，所述部件分割结果中每一个像素点的像素值为所述像素点对应的车辆部件种类的预设标签，所述预设标签为从1到N的整数，其中，N代表包括背景类在内的不同车辆部件的数量，所述背景类为车辆图像中所有车辆部件以外像素点的种类，将所述背景类作为一种特殊的车辆部件，所述车辆部件种类与所述预设标签一一对应。
该可选的实施例中，为了平衡所述车辆分割初始模型分割精度和计算资源消耗，在输入车辆分割初始模型之前，需要将车辆图像的尺寸缩放至限定尺寸，所述限定尺寸为257×257。
该可选的实施例中，所述车辆分割初始模型为编码器和解码器结构，编码器对输入的车辆图像进行下采样得到特征图，并将所述特征图送入解码器中进行上采样得到所述车辆图像的部件分割结果，所述部件分割结果中不同车辆部件内像素点的像素值不同，相同车辆部件内像素点的像素值相同。需要说明的是，为了更好的嵌入移动端设备，所述车辆分割初始模型可以选用MobileNet、ShuffleNet等现有的轻量化的编码器和解码器结构的图像分割网络，本申请不做限制，其中，所述移动端设备可以为智能手机、智能手表、平板电脑等便携的带有拍照功能的智能设备，本申请不做限制。
该可选的实施例中，为了保证所述车辆分割初始模型的输出为所述车辆图像的部件分割结果，需要对搭建完毕的车辆分割初始模型进行训练以获取车辆分割模型。采集历史数据中大量的车辆图像，人为的将所述车辆图像中每一个像素点的像素值标注为所述像素点对应车辆部件种类的预设标签以获取每一张车辆图像的标签信息，得到已标注图像；进一步基于已标注图像和交叉熵损失函数训练所述车辆分割初始模型，在训练过程中不断计算交叉熵损失函数的数值并使用梯度下降法更新所述车辆分割初始模型中的参数，当交叉熵损失函数的数值不再变化时，停止车辆分割初始模型的训练得到车辆分割模型，所述车辆分割模型可以学习到不同车辆部件之间的差异信息。
如此，借助标注数据完成轻量化的车辆分割初始模型的训练，得到车辆分割模型，所述车辆分割模型可以快速得到部件分割结果，且所述车辆分割模型轻量化的特征可以很好的嵌入移动端设备。
S11，储存不带标签信息的车辆图像以获取未标注图像集。
在一个可选的实施例中，采集不同场景下的车辆图像，所述不同场景应包括车辆部件分割的所有应用场景，如整车验收、车辆定损等等；不需要获取所述车辆图像的标签信息，直接存储所有车辆图像以获取未标图像集。
如此，采集不同场景下的车辆图像，为后续车辆分割模型的更新提供数据基础，确保更新后的车辆分割模型可以适用于不同场景。
S12，基于所述车辆分割模型对所述未标注图像集中所有车辆图像进行分割以获取每一张车辆图像的部件分割结果，并基于所述部件分割结果对所述未标注图像集进行筛选以获取异常图像，将所有异常图像作为重训练集，所述车辆图像的部件分割结果包括车辆图像中每一个像素点的车辆部件种类。
在一个可选的实施例中，将未标注图像集中的所有车辆图像依次输入所述车辆分割模型得到每一个车辆图像的部件分割结果，所述车辆图像的部件分割结果包括车辆图像中每一个像素点的车辆部件种类，所述部件分割结果与所述未标注图像集中的车辆图像一一对应；进一步基于所述部件分割结果对未标注图像集进行筛选以获取部件分割结果中分割精度较差的异常图像。需要说明的是，由于车辆分割模型不能很好的学习异常图像中不同车辆部件的特征，故导致所述异常图像的分割精度较差，故异常图像会提供较多的有效信息；若利用异常图像对所述车辆分割模型进行训练，不断更新所述车辆分割模型中的参数得到更新后的车辆分割模型，则更新后的车辆分割模型可以学习到异常图像中不同车辆部件的特征，从而提高车辆分割模型的部件分割精度。
该可选的实施例中，所述基于所述部件分割结果对未标注图像集进行筛选以获取异常图像，将所有异常图像作为重训练集，所述车辆图像的部件分割结果包括车辆图像中每一个像素点的车辆部件种类，包括：
基于已标注图像的标签信息获取任意两种部件的标准位置关系；
随机选取一张部件分割结果作为目标分割结果；
获取所述目标分割结果的部件种类数，对比所述部件种类数和预设阈值，若所述部件种类数小于预设阈值，将所述目标分割结果对应的车辆图像标记为异常图像；若所述部件种类数不小于预设阈值，则进行二次筛选；
在所述二次筛选的过程中，基于所述目标分割结果和所述标准位置关系获取所述目标分割结果对应的车辆图像的判断结果，所述判断结果为正常图像和异常图像；
遍历所有部件分割结果以获取所有异常图像，并储存所有异常图像作为重训练集。
该可选的实施例中，车辆部件分割场景中，任意两种部件的位置关系是固定不变的，如左前车门和左后车门为相邻区域，故左前车门和左后车门间距较近，而左前车门和左后车轮的区域则相距较远；在部件分割结果中任意两种部件之间的位置关系可以作为所述异常图像的筛选条件。
该可选的实施例中，所述基于已标注图像的标签信息获取任意两种部件的标准位置关系包括：
A1，从所有已标注图像的标签信息中随机选取一张标签信息作为目标标签信息；
A2，提取所述目标标签信息中目标部件的区域图像，所述目标部件为所述目标标签信息中所有种类的部件中的任意一种，所述目标部件的区域图像中所述目标部件区域内像素点的像素值为1，其他区域内像素点的像素值为0；
A3，将所述目标部件的区域图像中所有像素点的像素值沿着行方向按照固定顺序进行排列以获取所述目标标签信息中所述目标部件的编码向量，所述编码向量反应所述目标部件在所述目标标签信息中的位置信息；
A4，遍历所述目标标签信息中所有种类的部件以获取每一种部件的编码向量；
A5，从所述目标标签信息中任意选取两种部件，计算所述两种部件的编码向量的汉明距离，将所述汉明距离与所述目标标签信息面积的比值作为所述两种部件的初始位置关系，遍历所述目标标签信息中所有种类的部件以获取任意两种部件之间的初始位置关系；
A6，重复执行步骤A1到步骤A5得到所有已标注图像的标签信息中任意两种部件之间的初始位置关系，并计算相同两种部件所有初始位置关系的均值以获取任意两种部件之间的标准位置关系，以第i种部件和第j种部件的标准位置关系为示例，所述标准位置关系满足关系式：
其中，Numi,j为第i种部件和第j种部件初始位置关系的数量，gk(,j)为第k个第i种部件和第j种部件的初始位置关系，G(i,j)为第i种部件和第j种部件的标准位置关系。
该可选的实施例中，随机选取一张部件分割结果作为目标分割结果，获取所述目标分割结果的部件种类数，对比所述部件种类数和预设阈值，若所述部件种类数小于预设阈值，则说明所述目标分割结果对应的车辆图像中部件种类数过小，不符合实际场景，将所述车辆图像标记为异常图像；若所述部件种类数不小于预设阈值，则说明所述目标分割结果对应的车辆图像中部件种类数符合实际场景，进行二次筛选。其中，所述预设阈值的取值为5。
该可选的实施例中，所述在所述二次筛选的过程中，基于所述目标分割结果和所述标准位置关系获取所述目标分割结果对应的车辆图像的判断结果，所述判断结果为正常图像和异常图像，包括：
将目标分割结果中同一部件种类的区域内像素点的像素值置为1，其他区域的像素点的像素值置为0，得到所述部件种类的分割区域图像，遍历所述目标分割结果中所有部件种类得到每一种部件的分割区域图像；
将所有部件的分割区域图像中所有像素值沿着行方向按照固定顺序进行排列以获取每一种部件的分割编码向量；
从所述目标分割结果中任意选取两种部件，计算所述两种部件的分割编码向量的汉明距离，将所述汉明距离与所述目标分割结果面积的比值作为所述两种部件的分割位置关系，遍历所述目标分割结果中所有种类的部件以获取任意两种部件的分割位置关系；
计算所有分割位置关系与对应的标准位置关系差值的绝对值以作为每一个分割位置关系的偏差值，储存所有分割位置关系的偏差值得到偏差值集；
若所述偏差值集中的偏差值均不大于预设偏差，则说明所述目标分割结果中部件间位置关系满足要求，所述目标分割结果对应的车辆图像为正常图像；若所述偏差值集中至少有一个偏差值大于预设偏差，则说明所述目标分割结果中部件间位置关系不满足要求，将所述目标分割结果对应的车辆图像标记为异常图像。其中，所述预设偏差值为0.2。
需要说明的是，目标分割结果中部件的形状、相邻部件的种类以及相邻部件的种类数等与部件相对位置相关的指标发生变化时，均会引起分割位置关系偏离标准位置关系。
示例性的，为了方便展示完整的二次筛选的过程，以目标分割结果的尺寸为3×3且包括三种不同的车辆部件为示例，在二次筛选的过程中，所述目标分割结果、不同的车辆部件分割区域图像以及不同的车辆部件分割编码向量的示意图如图4所示，则车辆部件1和车辆部件2的分割位置关系为7/9，车辆部件1和车辆部件3的分割位置关系为5/9，车辆部件2和车辆部件3的分割位置关系为6/9；设定所述车辆部件1和车辆部件2的标准位置关系为0.7，所述车辆部件1和车辆部件3的标准位置关系为0.4，所述车辆部件2和车辆部件3的标准位置关系为0.4；则所述偏差值集中包括三个偏差值，所述三个偏差值分别为0.078、0.156、0.267，存在一个偏差值0.267大于预设偏差值0.2，故该目标分割结果对应的车辆图像为异常图像。
该可选的实施例中，遍历所有部件分割结果以获取所有异常图像，储存所有异常图像作为重训练集。
如此，能够基于车辆分割模型的部件分结果对未标注的图像集中所有图像进行筛选得到部件分割效果不好的异常图像，对于车辆分割模型而言，所述异常图像能够提供较多的有效信息，为后续所述车辆分割模型的更新提供数据基础。
S13，获取所述重训练集中所有异常图像的标签信息以构成重标签集，基于所述重训练集和所述重标签集更新所述车辆分割模型以获取更新后的车辆分割模型。
在一个可选的实施例中，获取所述重训练集中所有异常图像的标签信息，所述获取方法为人工获取，所述标签信息为与异常图像等大的图像，所述图像的像素值为异常图像中每一个像素点对应的部件种类的预设标签，所述标签信息与所述异常图像一一对应，储存所有标签信息以构成重标签集。
该可选的实施例中，为了使得所述车辆分割模型能够学会所有异常图像中不同车辆部件的有效信息，提高所述车辆分割模型的分割精度，需要基于所述重训练集和所述重标签集更新所述车辆分割模型以获取更新后的车辆分割模型，更新后的车辆分割模型可以学习到异常图像中不同车辆部件的有效信息。
依据交叉熵损失函数、所述重训练集和所述重标签集对所述车辆分割模型进行训练以更新所述车辆分割模型的参数。从所述重训练集不断挑选异常图像输入所述车辆分割模型进行迭代训练，并在每次迭代训练中从所述重标签集获取所述异常图像的标签信息以计算交叉熵损失函数值，并利用梯度下降法不断更新所述车辆分割模型的参数，当所述交叉熵损失函数值不再变化时，停止训练得到更新后的车辆分割模型，所述更新后的车辆分割模型可以学习到异常图像中不同车辆部件的有效信息。
如此，借助依据异常图像完成所述车辆分割模型的更新，得到更新后的车辆分割模型，所述更新后的车辆分割模型能够学习到异常图像中的有效信息，提高了部件分割的精度。
S14，重复步骤S12到步骤S13，不断从所述未标注图像集中获取异常图像以更新所述车辆分割模型，直到从所述未标注图像集中获取的所述异常图像的数量为0时停止更新，得到目标车辆分割模型。
在一个可选的实施例中，重复执行步骤S12-S13，将未标注图像集中所有车辆图像送入更新后的车辆分割模型再次获取异常图像，不断更新所述车辆分割模型，提高车辆分割模型的分割精度，当所述异常图像的数量为0时，表示车辆分割模型可以在未标注图像集中所有车辆图像上得到较好的分割效果，车辆分割模型可以适应不同的应用场景，停止更新，将最后一次更新得到的车辆分割模型作为目标车辆分割模型。
如此，通过不断更新得到分割精度较高的目标车辆分割模型，所述目标车辆分割模型可以在不同的应用场景中均可以得到较好的分割效果，保证车辆分割模型在不同应用场景下均具有较高的分割精度。
S15，采集实时车辆图像，并基于所述目标车辆分割模型获取所述实时车辆图像的部件分割结果。
在一个可选的实施例中，所述采集实时车辆图像，并基于所述目标车辆分割模型获取所述实时车辆图像的部件分割结果，包括：
采集实时车辆图像，将所述实时车辆图像输入所述目标车辆分割模型以获取所述实时车辆图像的部件分割结果；
对比所述部件分割结果中所有车辆部件的总面积与预设面积阈值以获取距离对比结果；
依据具体应用场景和所述距离对比结果提示用户改变图像采集设备与车辆的距离以重新采集实时车辆图像，并基于所述目标车辆分割模型获取重新采集的实时车辆图像的部件分割结果。
该可选的实施例中，将所述目标车辆分割模型嵌入到移动端设备，所述移动端设备可以为智能手机、智能手表、平板电脑等便携的带有拍照功能的智能设备；使用所述移动端设备采集实时车辆图像，将所述实时车辆图像输入所述目标车辆分割模型以获取所述实时车辆图像的部件分割结果。
该可选的实施例中，对所述实时车辆图像的部件分割结果进行后处理操作，所述后处理操作为所述对比所述部件分割结果中所有车辆部件的总面积与预设面积阈值以获取距离对比结果；若所述总面积大于预设面积阈值，则表示移动端设备与车辆的距离较近，所述距离对比结果为较近；若所述总面积不大于预设面积阈值，则表示移动端设备与车辆的距离较远，所述距离对比结果为较远；依据具体应用场景和所述距离对比结果提示用户改变采集时的移动端设备与车辆的距离以重新采集实时车辆图像，并基于所述目标车辆分割模型获取重新采集的实时车辆图像的部件分割结果，确保部件分割结果符合具体的应用场景。其中，所述面积阈值为所述实时车辆图像的0.6倍，所述实时车辆图像的大小与移动端智能设备有关。
示例性的，如需要获取车辆部件细节特征的智能定损场景中，若部件分割结果中所有车辆部件的总面积不大于预设面积阈值，则无法获取车辆部件的细节，则应提示用户缩短采集时的移动端设备与车辆的距离；而需要获取所有车辆部件整体特征的整车验收场景中，若部件分割结果中所有车辆部件的总面积大于预设面积阈值，则无法获取所有车辆部件的全貌，则应提示用户增大采集时的移动端设备与车辆的距离。
如此，将所述目标车辆分割模型嵌入到移动端设备，可以在不同应用场景下得到实时采集的车辆图像的部件分割结果。
由以上技术方案可以看出，本申请基于已经训练完毕的轻量化的车辆分割模型得到未标注的图像的部件分割结果，基于部件分割结果中部件数量和不同部件的位置关系得到分割效果较差的异常图像，用异常图像对车辆分割模型进行更新，从而提高车辆分割模型的精度，同时，轻量化结构可以保证车辆部件分割的速度。
请参见图2，图2是本申请基于人工智能的车辆部件分割装置的较佳实施例的功能模块图。基于人工智能的车辆部件分割装置11包括训练单元110、储存单元111、筛选单元112、更新单元113、重复单元114、分割单元115。本申请所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
在一个可选的实施例中，训练单元110用于搭建车辆分割初始模型，基于已标注图像训练所述车辆分割初始模型得到车辆分割模型，所述已标注图像为带有标签信息的车辆图像，所述标签信息为车辆图像中每一个像素点的车辆部件种类。
在一个可选的实施例中，搭建车辆分割初始模型，所述车辆分割初始模型的输入为车辆图像，预期的输出为所述车辆图像的部件分割结果，所述部件分割结果为一张与所述车辆图像等大的图像，可以反应所述车辆图像中不同部件的区域信息，所述部件分割结果中每一个像素点的像素值为所述像素点对应的车辆部件种类的预设标签，所述预设标签为从1到N的整数，其中，N代表包括背景类在内的不同车辆部件的数量，所述背景类为车辆图像中所有车辆部件以外像素点的种类，将所述背景类作为一种特殊的车辆部件，所述车辆部件种类与所述预设标签一一对应。
该可选的实施例中，为了平衡所述车辆分割初始模型分割精度和计算资源消耗，在输入车辆分割初始模型之前，需要将车辆图像的尺寸缩放至限定尺寸，所述限定尺寸为257×257。
该可选的实施例中，所述车辆分割初始模型为编码器和解码器结构，编码器对输入的车辆图像进行下采样得到特征图，并将所述特征图送入解码器中进行上采样得到所述车辆图像的部件分割结果，所述部件分割结果中不同车辆部件内像素点的像素值不同，相同车辆部件内像素点的像素值相同。需要说明的是，为了更好的嵌入移动端设备，所述车辆分割初始模型可以选用MobileNet、ShuffleNet等现有的轻量化的编码器和解码器结构的图像分割网络，本申请不做限制，其中，所述移动端设备可以为智能手机、智能手表、平板电脑等便携的带有拍照功能的智能设备，本申请不做限制。
该可选的实施例中，为了保证所述车辆分割初始模型的输出为所述车辆图像的部件分割结果，需要对搭建完毕的车辆分割初始模型进行训练以获取车辆分割模型。采集历史数据中大量的车辆图像，人为的将所述车辆图像中每一个像素点的像素值标注为所述像素点对应车辆部件种类的预设标签以获取每一张车辆图像的标签信息，得到已标注图像；进一步基于已标注图像和交叉熵损失函数训练所述车辆分割初始模型，在训练过程中不断计算交叉熵损失函数的数值并使用梯度下降法更新所述车辆分割初始模型中的参数，当交叉熵损失函数的数值不再变化时，停止车辆分割初始模型的训练得到车辆分割模型，所述车辆分割模型可以学习到不同车辆部件之间的差异信息。
在一个可选的实施例中，储存单元111用于储存不带标签信息的车辆图像以获取未标注图像集。
在一个可选的实施例中，采集不同场景下的车辆图像，所述不同场景应包括车辆部件分割的所有应用场景，如整车验收、车辆定损等等；不需要获取所述车辆图像的标签信息，直接存储所有车辆图像以获取未标图像集。
在一个可选的实施例中，筛选单元112用于基于所述车辆分割模型对所述未标注图像集中所有车辆图像进行分割以获取每一张车辆图像的部件分割结果，并基于所述部件分割结果对所述未标注图像集进行筛选以获取异常图像，将所有异常图像作为重训练集，所述车辆图像的部件分割结果包括车辆图像中每一个像素点的车辆部件种类。
在一个可选的实施例中，将未标注图像集中的所有车辆图像依次输入所述车辆分割模型得到每一个车辆图像的部件分割结果，所述车辆图像的部件分割结果包括车辆图像中每一个像素点的车辆部件种类，所述部件分割结果与所述未标注图像集中的车辆图像一一对应；进一步基于所述部件分割结果对未标注图像集进行筛选以获取部件分割结果中分割精度较差的异常图像。需要说明的是，由于车辆分割模型不能很好的学习异常图像中不同车辆部件的特征，故导致所述异常图像的分割精度较差，故异常图像会提供较多的有效信息；若利用异常图像对所述车辆分割模型进行训练，不断更新所述车辆分割模型中的参数得到更新后的车辆分割模型，则更新后的车辆分割模型可以学习到异常图像中不同车辆部件的特征，从而提高车辆分割模型的部件分割精度。
该可选的实施例中，所述基于所述部件分割结果对未标注图像集进行筛选以获取异常图像，将所有异常图像作为重训练集，所述车辆图像的部件分割结果包括车辆图像中每一个像素点的车辆部件种类，包括：
基于已标注图像的标签信息获取任意两种部件的标准位置关系；
随机选取一张部件分割结果作为目标分割结果；
获取所述目标分割结果的部件种类数，对比所述部件种类数和预设阈值，若所述部件种类数小于预设阈值，将所述目标分割结果对应的车辆图像标记为异常图像；若所述部件种类数不小于预设阈值，则进行二次筛选；
在所述二次筛选的过程中，基于所述目标分割结果和所述标准位置关系获取所述目标分割结果对应的车辆图像的判断结果，所述判断结果为正常图像和异常图像；
遍历所有部件分割结果以获取所有异常图像，并储存所有异常图像作为重训练集。
该可选的实施例中，车辆部件分割场景中，任意两种部件的位置关系是固定不变的，如左前车门和左后车门为相邻区域，故左前车门和左后车门间距较近，而左前车门和左后车轮的区域则相距较远；在部件分割结果中任意两种部件之间的位置关系可以作为所述异常图像的筛选条件。
该可选的实施例中，所述基于已标注图像的标签信息获取任意两种部件的标准位置关系包括：
A1，从所有已标注图像的标签信息中随机选取一张标签信息作为目标标签信息；
A2，提取所述目标标签信息中目标部件的区域图像，所述目标部件为所述目标标签信息中所有种类的部件中的任意一种，所述目标部件的区域图像中所述目标部件区域内像素点的像素值为1，其他区域内像素点的像素值为0；
A3，将所述目标部件的区域图像中所有像素点的像素值沿着行方向按照固定顺序进行排列以获取所述目标标签信息中所述目标部件的编码向量，所述编码向量反应所述目标部件在所述目标标签信息中的位置信息；
A4，遍历所述目标标签信息中所有种类的部件以获取每一种部件的编码向量；
A5，从所述目标标签信息中任意选取两种部件，计算所述两种部件的编码向量的汉明距离，将所述汉明距离与所述目标标签信息面积的比值作为所述两种部件的初始位置关系，遍历所述目标标签信息中所有种类的部件以获取任意两种部件之间的初始位置关系；
A6，重复执行步骤A1到步骤A5得到所有已标注图像的标签信息中任意两种部件之间的初始位置关系，并计算相同两种部件所有初始位置关系的均值以获取任意两种部件之间的标准位置关系，以第i种部件和第j种部件的标准位置关系为示例，所述标准位置关系满足关系式：
其中，Numi,j为第i种部件和第j种部件初始位置关系的数量，gk(,j)为第k个第i种部件和第j种部件的初始位置关系，G(i,j)为第i种部件和第j种部件的标准位置关系。
该可选的实施例中，随机选取一张部件分割结果作为目标分割结果，获取所述目标分割结果的部件种类数，对比所述部件种类数和预设阈值，若所述部件种类数小于预设阈值，则说明所述目标分割结果对应的车辆图像中部件种类数过小，不符合实际场景，将所述车辆图像标记为异常图像；若所述部件种类数不小于预设阈值，则说明所述目标分割结果对应的车辆图像中部件种类数符合实际场景，进行二次筛选。其中，所述预设阈值的取值为5。
该可选的实施例中，所述在所述二次筛选的过程中，基于所述目标分割结果和所述标准位置关系获取所述目标分割结果对应的车辆图像的判断结果，所述判断结果为正常图像和异常图像，包括：
将目标分割结果中同一部件种类的区域内像素点的像素值置为1，其他区域的像素点的像素值置为0，得到所述部件种类的分割区域图像，遍历所述目标分割结果中所有部件种类得到每一种部件的分割区域图像；
将所有部件的分割区域图像中所有像素值沿着行方向按照固定顺序进行排列以获取每一种部件的分割编码向量；
从所述目标分割结果中任意选取两种部件，计算所述两种部件的分割编码向量的汉明距离，将所述汉明距离与所述目标分割结果面积的比值作为所述两种部件的分割位置关系，遍历所述目标分割结果中所有种类的部件以获取任意两种部件的分割位置关系；
计算所有分割位置关系与对应的标准位置关系差值的绝对值以作为每一个分割位置关系的偏差值，储存所有分割位置关系的偏差值得到偏差值集；
若所述偏差值集中的偏差值均不大于预设偏差，则说明所述目标分割结果中部件间位置关系满足要求，所述目标分割结果对应的车辆图像为正常图像；若所述偏差值集中至少有一个偏差值大于预设偏差，则说明所述目标分割结果中部件间位置关系不满足要求，将所述目标分割结果对应的车辆图像标记为异常图像。其中，所述预设偏差值为0.2。
需要说明的是，目标分割结果中部件的形状、相邻部件的种类以及相邻部件的种类数等与部件相对位置相关的指标发生变化时，均会引起分割位置关系偏离标准位置关系。
示例性的，为了方便展示完整的二次筛选的过程，以目标分割结果的尺寸为3×3且包括三种不同的车辆部件为示例，在二次筛选的过程中，所述目标分割结果、不同的车辆部件分割区域图像以及不同的车辆部件分割编码向量的示意图如图4所示，则车辆部件1和车辆部件2的分割位置关系为7/9，车辆部件1和车辆部件3的分割位置关系为5/9，车辆部件2和车辆部件3的分割位置关系为6/9；设定所述车辆部件1和车辆部件2的标准位置关系为0.7，所述车辆部件1和车辆部件3的标准位置关系为0.4，所述车辆部件2和车辆部件3的标准位置关系为0.4；则所述偏差值集中包括三个偏差值，所述三个偏差值分别为0.078、0.156、0.267，存在一个偏差值0.267大于预设偏差值0.2，故该目标分割结果对应的车辆图像为异常图像。
该可选的实施例中，遍历所有部件分割结果以获取所有异常图像，储存所有异常图像作为重训练集。
在一个可选的实施例中，更新单元113用于获取所述重训练集中所有异常图像的标签信息以构成重标签集，基于所述重训练集和所述重标签集更新所述车辆分割模型以获取更新后的车辆分割模型。
在一个可选的实施例中，获取所述重训练集中所有异常图像的标签信息，所述获取方法为人工获取，所述标签信息为与异常图像等大的图像，所述图像的像素值为异常图像中每一个像素点对应的部件种类的预设标签，所述标签信息与所述异常图像一一对应，储存所有标签信息以构成重标签集。
该可选的实施例中，为了使得所述车辆分割模型能够学会所有异常图像中不同车辆部件的有效信息，提高所述车辆分割模型的分割精度，需要基于所述重训练集和所述重标签集更新所述车辆分割模型以获取更新后的车辆分割模型，更新后的车辆分割模型可以学习到异常图像中不同车辆部件的有效信息。
依据交叉熵损失函数、所述重训练集和所述重标签集对所述车辆分割模型进行训练以更新所述车辆分割模型的参数。从所述重训练集不断挑选异常图像输入所述车辆分割模型进行迭代训练，并在每次迭代训练中从所述重标签集获取所述异常图像的标签信息以计算交叉熵损失函数值，并利用梯度下降法不断更新所述车辆分割模型的参数，当所述交叉熵损失函数值不再变化时，停止训练得到更新后的车辆分割模型，所述更新后的车辆分割模型可以学习到异常图像中不同车辆部件的有效信息。
在一个可选的实施例中，重复单元114用于重复筛选单元和更新单元不断从所述未标注图像集中获取异常图像以更新所述车辆分割模型，直到从所述未标注图像集中获取的所述异常图像的数量为0时停止更新，得到目标车辆分割模型。
在一个可选的实施例中，重复运行筛选单元和更新单元，将未标注图像集中所有车辆图像送入更新后的车辆分割模型再次获取异常图像，不断更新所述车辆分割模型，提高车辆分割模型的分割精度，当所述异常图像的数量为0时，表示车辆分割模型可以在未标注图像集中所有车辆图像上得到较好的分割效果，车辆分割模型可以适应不同的应用场景，停止更新，将最后一次更新得到的车辆分割模型作为目标车辆分割模型。
在一个可选的实施例中，分割单元115用于采集实时车辆图像，并基于所述目标车辆分割模型获取所述实时车辆图像的部件分割结果。
在一个可选的实施例中，所述采集实时车辆图像，并基于所述目标车辆分割模型获取所述实时车辆图像的部件分割结果，包括：
采集实时车辆图像，将所述实时车辆图像输入所述目标车辆分割模型以获取所述实时车辆图像的部件分割结果；
对比所述部件分割结果中所有车辆部件的总面积与预设面积阈值以获取距离对比结果；
依据具体应用场景和所述距离对比结果提示用户改变图像采集设备与车辆的距离以重新采集实时车辆图像，并基于所述目标车辆分割模型获取重新采集的实时车辆图像的部件分割结果。
该可选的实施例中，将所述目标车辆分割模型嵌入到移动端设备，所述移动端设备可以为智能手机、智能手表、平板电脑等便携的带有拍照功能的智能设备；使用所述移动端设备采集实时车辆图像，将所述实时车辆图像输入所述目标车辆分割模型以获取所述实时车辆图像的部件分割结果。
该可选的实施例中，对所述实时车辆图像的部件分割结果进行后处理操作，所述后处理操作为所述对比所述部件分割结果中所有车辆部件的总面积与预设面积阈值以获取距离对比结果，若所述总面积大于预设面积阈值，则表示移动端设备与车辆的距离较近，所述距离对比结果为较近；若所述总面积不大于预设面积阈值，则表示移动端设备与车辆的距离较远，所述距离对比结果为较远；依据具体应用场景和所述距离对比结果提示用户改变采集时的移动端设备与车辆的距离以重新采集实时车辆图像，并基于所述目标车辆分割模型获取重新采集的实时车辆图像的部件分割结果，确保部件分割结果符合具体的应用场景。其中，所述面积阈值为所述实时车辆图像的0.6倍，所述实时车辆图像的大小与移动端智能设备有关。
示例性的，如需要获取车辆部件细节特征的智能定损场景中，若部件分割结果中所有车辆部件的总面积不大于预设面积阈值，则无法获取车辆部件的细节，则应提示用户缩短采集时的移动端设备与车辆的距离；而需要获取所有车辆部件整体特征的整车验收场景中，若部件分割结果中所有车辆部件的总面积大于预设面积阈值，则无法获取所有车辆部件的全貌，则应提示用户增大采集时的移动端设备与车辆的距离。
由以上技术方案可以看出，本申请基于已经训练完毕的轻量化的车辆分割模型得到未标注的图像的部件分割结果，基于部件分割结果中部件数量和不同部件的位置关系得到分割效果较差的异常图像，用异常图像对车辆分割模型进行更新，从而提高车辆分割模型的精度，同时，轻量化结构可以保证车辆部件分割的速度。
请参见图3，是本申请实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行所述储器中存储的计算机可读指令以实现上述任一实施例所述的基于人工智能的车辆部件分割方法。
在一个可选的实施例中，电子设备1还包括总线、存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于人工智能的车辆部件分割程序。
图3仅示出了具有存储器12和处理器13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，电子设备1中的所述存储器12存储多个计算机可读指令以实现一种基于人工智能的车辆部件分割方法，所述处理器13可执行所述多个指令从而实现：
S10，搭建车辆分割初始模型，基于已标注图像训练所述车辆分割初始模型得到车辆分割模型，所述已标注图像为带有标签信息的车辆图像，所述标签信息为车辆图像中每一个像素点的车辆部件种类；
S11，储存不带标签信息的车辆图像以获取未标注图像集；
S12，基于所述车辆分割模型对所述未标注图像集中所有车辆图像进行分割以获取每一张车辆图像的部件分割结果，并基于所述部件分割结果对所述未标注图像集进行筛选以获取异常图像，将所有异常图像作为重训练集，所述车辆图像的部件分割结果包括车辆图像中每一个像素点的车辆部件种类；
S13，获取所述重训练集中所有异常图像的标签信息以构成重标签集，基于所述重训练集和所述重标签集更新所述车辆分割模型以获取更新后的车辆分割模型；
S14，重复步骤S12到步骤S13，不断从所述未标注图像集中获取异常图像以更新所述车辆分割模型，直到从所述未标注图像集中获取的所述异常图像的数量为0时停止更新，得到目标车辆分割模型；
S15，采集实时车辆图像，并基于所述目标车辆分割模型获取所述实时车辆图像的部件分割结果。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，电子设备1可以是总线型结构，也可以是星形结构，电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的车辆部件分割程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于人工智能的车辆部件分割程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的车辆部件分割方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如，所述计算机程序可以被分割成训练单元110、储存单元111、筛选单元112、更新单元113、重复单元114、分割单元115。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(Processor)执行本申请各个实施例所述的基于人工智能的车辆部件分割方法的部分。
电子设备1集成的模块/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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存储器及其他存储器等。
进一步地，计算机可读存储介质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等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
本申请实施例还提供一种计算机可读存储介质(图未示)，计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的车辆部件分割方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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模块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，也可以采用硬件加软件功能模块的形式实现。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。说明书陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (7)

1.一种基于人工智能的车辆部件分割方法，其特征在于，所述方法包括：
S10，搭建车辆分割初始模型，基于已标注图像训练所述车辆分割初始模型得到车辆分割模型，所述已标注图像为带有标签信息的车辆图像，所述标签信息为车辆图像中每一个像素点的车辆部件种类；
S11，储存不带标签信息的车辆图像以获取未标注图像集；
S12，基于所述车辆分割模型对所述未标注图像集中所有车辆图像进行分割以获取每一张车辆图像的部件分割结果，并基于所述部件分割结果对所述未标注图像集进行筛选以获取异常图像，将所有异常图像作为重训练集，所述车辆图像的部件分割结果包括车辆图像中每一个像素点的车辆部件种类，包括：基于已标注图像的标签信息获取任意两种部件的标准位置关系；随机选取一张部件分割结果作为目标分割结果；获取所述目标分割结果的部件种类数，对比所述部件种类数和预设阈值，若所述部件种类数小于预设阈值，将所述目标分割结果对应的车辆图像标记为异常图像；若所述部件种类数不小于预设阈值，则进行二次筛选；在所述二次筛选的过程中，将目标分割结果中同一部件种类的区域内像素点的像素值置为1，其他区域的像素点的像素值置为0，得到所述部件种类的分割区域图像，遍历所述目标分割结果中所有部件种类得到每一种部件的分割区域图像；将所有部件的分割区域图像中所有像素值沿着行方向按照固定顺序进行排列以获取每一种部件的分割编码向量；从所述目标分割结果中任意选取两种部件，计算所述两种部件的分割编码向量的汉明距离，将所述汉明距离与所述目标分割结果面积的比值作为所述两种部件的分割位置关系，遍历所述目标分割结果中所有种类的部件以获取任意两种部件的分割位置关系；计算所有分割位置关系与对应的标准位置关系差值的绝对值以作为每一个分割位置关系的偏差值，储存所有分割位置关系的偏差值得到偏差值集；若所述偏差值集中的偏差值均不大于预设偏差，则说明所述目标分割结果中部件间位置关系满足要求，所述目标分割结果对应的车辆图像为正常图像；若所述偏差值集中至少有一个偏差值大于预设偏差，则说明所述目标分割结果中部件间位置关系不满足要求，将所述目标分割结果对应的车辆图像标记为异常图像；遍历所有部件分割结果以获取所有异常图像，并储存所有异常图像作为重训练集；其中，所述基于已标注图像的标签信息获取任意两种部件的标准位置关系包括：A1，从所有已标注图像的标签信息中随机选取一张标签信息作为目标标签信息；A2，提取所述目标标签信息中目标部件的区域图像，所述目标部件为所述目标标签信息中所有种类的部件中的任意一种，所述目标部件的区域图像中所述目标部件区域内像素点的像素值为1，其他区域内像素点的像素值为0；A3，将所述目标部件的区域图像中所有像素点的像素值沿着行方向按照固定顺序进行排列以获取所述目标标签信息中所述目标部件的编码向量，所述编码向量反应所述目标部件在所述目标标签信息中的位置信息；A4，遍历所述目标标签信息中所有种类的部件以获取每一种部件的编码向量；A5，从所述目标标签信息中任意选取两种部件，计算所述两种部件的编码向量的汉明距离，将所述汉明距离与所述目标标签信息面积的比值作为所述两种部件的初始位置关系，遍历所述目标标签信息中所有种类的部件以获取任意两种部件之间的初始位置关系；A6，重复执行步骤A1到步骤A5得到所有已标注图像的标签信息中任意两种部件之间的初始位置关系，并计算相同两种部件所有初始位置关系的均值以获取任意两种部件之间的标准位置关系；
S13，获取所述重训练集中所有异常图像的标签信息以构成重标签集，基于所述重训练集和所述重标签集更新所述车辆分割模型以获取更新后的车辆分割模型；
S14，重复步骤S12到步骤S13，不断从所述未标注图像集中获取异常图像以更新所述车辆分割模型，直到从所述未标注图像集中获取的所述异常图像的数量为0时停止更新，得到目标车辆分割模型；
S15，采集实时车辆图像，并基于所述目标车辆分割模型获取所述实时车辆图像的部件分割结果。
2.如权利要求1所述的基于人工智能的车辆部件分割方法，其特征在于，所述标准位置关系满足关系式：
其中，Numi,j为第i种部件和第j种部件初始位置关系的数量，gk(i,j)为第k个第i种部件和第j种部件的初始位置关系，G(i,j)为第i种部件和第j种部件的标准位置关系。
3.如权利要求1所述的基于人工智能的车辆部件分割方法，其特征在于，所述采集实时车辆图像，并基于所述目标车辆分割模型获取所述实时车辆图像的部件分割结果，包括：
采集实时车辆图像，将所述实时车辆图像输入所述目标车辆分割模型以获取所述实时车辆图像的部件分割结果；
对比所述部件分割结果中所有车辆部件的总面积与预设面积阈值以获取距离对比结果；
依据具体应用场景和所述距离对比结果提示用户改变图像采集设备与车辆的距离以重新采集实时车辆图像，并基于所述目标车辆分割模型获取重新采集的实时车辆图像的部件分割结果。
4.如权利要求3所述的基于人工智能的车辆部件分割方法，其特征在于，所述对比所述部件分割结果中所有车辆部件的总面积与预设面积阈值以获取距离对比结果包括：
若所述总面积大于预设面积阈值，则表示图像采集设备与车辆的距离较近，所述距离对比结果为较近；
若所述总面积不大于预设面积阈值，则表示图像采集设备与车辆的距离较远，所述距离对比结果为较远。
5.一种基于人工智能的车辆部件分割装置，其特征在于，所述装置包括用于实现如权利要求1至4中任意一项所述的基于人工智能的车辆部件分割方法的模块，所述装置包括：
训练单元，用于搭建车辆分割初始模型，基于已标注图像训练所述车辆分割初始模型得到车辆分割模型，所述已标注图像为带有标签信息的车辆图像，所述标签信息为车辆图像中每一个像素点的车辆部件种类；
储存单元，用于储存不带标签信息的车辆图像以获取未标注图像集；
筛选单元，用于基于所述车辆分割模型对所述未标注图像集中所有车辆图像进行分割以获取每一张车辆图像的部件分割结果，并基于所述部件分割结果对所述未标注图像集进行筛选以获取异常图像，将所有异常图像作为重训练集，所述车辆图像的部件分割结果包括车辆图像中每一个像素点的车辆部件种类；
更新单元，用于获取所述重训练集中所有异常图像的标签信息以构成重标签集，基于所述重训练集和所述重标签集更新所述车辆分割模型以获取更新后的车辆分割模型；
重复单元，用于重复筛选单元和更新单元不断从所述未标注图像集中获取异常图像以更新所述车辆分割模型，直到从所述未标注图像集中获取的所述异常图像的数量为0时停止更新，得到目标车辆分割模型；
分割单元，用于采集实时车辆图像，并基于所述目标车辆分割模型获取所述实时车辆图像的部件分割结果。
6.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至4中任意一项所述的基于人工智能的车辆部件分割方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至4中任一项所述的基于人工智能的车辆部件分割方法。
CN202210696595.3A 2022-06-20 2022-06-20 基于人工智能的车辆部件分割方法及相关设备 Active CN114972761B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210696595.3A CN114972761B (zh) 2022-06-20 2022-06-20 基于人工智能的车辆部件分割方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210696595.3A CN114972761B (zh) 2022-06-20 2022-06-20 基于人工智能的车辆部件分割方法及相关设备

Publications (2)

Publication Number Publication Date
CN114972761A CN114972761A (zh) 2022-08-30
CN114972761B true CN114972761B (zh) 2024-05-07

Family

ID=82962824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210696595.3A Active CN114972761B (zh) 2022-06-20 2022-06-20 基于人工智能的车辆部件分割方法及相关设备

Country Status (1)

Country Link
CN (1) CN114972761B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108108657A (zh) * 2017-11-16 2018-06-01 浙江工业大学 一种基于多任务深度学习的修正局部敏感哈希车辆检索方法
CN109934163A (zh) * 2018-12-27 2019-06-25 北京航空航天大学 一种基于场景先验和特征再融合的航空图像车辆检测方法
CN111325061A (zh) * 2018-12-14 2020-06-23 顺丰科技有限公司 一种基于深度学习的车辆检测算法、设备及存储介质
CN113221907A (zh) * 2021-06-01 2021-08-06 平安科技（深圳）有限公司 一种车辆部件分割方法、装置、设备及存储介质
CN113252027A (zh) * 2021-06-21 2021-08-13 中南大学 井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质
CN113313716A (zh) * 2020-02-27 2021-08-27 北京车和家信息技术有限公司 一种自动驾驶语义分割模型的训练方法及装置
CN114445651A (zh) * 2021-12-22 2022-05-06 天翼云科技有限公司 一种语义分割模型的训练集构建方法、装置及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7860639B2 (en) * 2003-02-27 2010-12-28 Shaoping Yang Road traffic control method and traffic facilities

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108108657A (zh) * 2017-11-16 2018-06-01 浙江工业大学 一种基于多任务深度学习的修正局部敏感哈希车辆检索方法
CN111325061A (zh) * 2018-12-14 2020-06-23 顺丰科技有限公司 一种基于深度学习的车辆检测算法、设备及存储介质
CN109934163A (zh) * 2018-12-27 2019-06-25 北京航空航天大学 一种基于场景先验和特征再融合的航空图像车辆检测方法
CN113313716A (zh) * 2020-02-27 2021-08-27 北京车和家信息技术有限公司 一种自动驾驶语义分割模型的训练方法及装置
CN113221907A (zh) * 2021-06-01 2021-08-06 平安科技（深圳）有限公司 一种车辆部件分割方法、装置、设备及存储介质
CN113252027A (zh) * 2021-06-21 2021-08-13 中南大学 井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质
CN114445651A (zh) * 2021-12-22 2022-05-06 天翼云科技有限公司 一种语义分割模型的训练集构建方法、装置及电子设备

Also Published As

Publication number Publication date
CN114972761A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN112446025A (zh) 联邦学习防御方法、装置、电子设备及存储介质
CN111739016B (zh) 目标检测模型训练方法、装置、电子设备及存储介质
CN113705462B (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN110738219A (zh) 图像中线条提取方法和装置、存储介质及电子装置
CN110246095B (zh) 一种图像修复方法、装置、存储介质及终端设备
CN115049878B (zh) 基于人工智能的目标检测优化方法、装置、设备及介质
CN115237802A (zh) 基于人工智能的模拟测试方法及相关设备
CN115063589A (zh) 基于知识蒸馏的车辆部件分割方法及相关设备
CN115063632A (zh) 基于人工智能的车辆损伤识别方法、装置、设备及介质
CN115222427A (zh) 基于人工智能的欺诈风险识别方法及相关设备
CN108520532B (zh) 识别视频中物体运动方向的方法及装置
CN114972761B (zh) 基于人工智能的车辆部件分割方法及相关设备
CN116363365A (zh) 基于半监督学习的图像分割方法及相关设备
CN116503608A (zh) 基于人工智能的数据蒸馏方法及相关设备
CN116611812A (zh) 基于人工智能的车辆配件定损方法、装置、设备及介质
CN112102205B (zh) 图像去模糊方法、装置、电子设备及存储介质
CN115169360A (zh) 基于人工智能的用户意图识别方法及相关设备
CN117173075A (zh) 医学图像检测方法及相关设备
CN113505885A (zh) 基于预设的损失函数的单目深度估计网络的训练方法
CN114879843A (zh) 基于人工智能的视线重定向方法及相关设备
CN114943865B (zh) 基于人工智能的目标检测样本优化方法及相关设备
US20240046601A1 (en) Deep recognition model training method, electronic device and readable storage medium
CN116187422A (zh) 神经网络的参数更新方法及相关设备
CN116156277B (zh) 基于姿态预测的视频生成方法及相关设备
CN116030525A (zh) 基于人工智能的人脸识别方法及相关设备

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
GR01 Patent grant
GR01 Patent grant