CN115222943A - 基于人工智能的倒车镜损伤检测方法及相关设备 - Google Patents

基于人工智能的倒车镜损伤检测方法及相关设备 Download PDF

Info

Publication number
CN115222943A
CN115222943A CN202210900037.4A CN202210900037A CN115222943A CN 115222943 A CN115222943 A CN 115222943A CN 202210900037 A CN202210900037 A CN 202210900037A CN 115222943 A CN115222943 A CN 115222943A
Authority
CN
China
Prior art keywords
image
rearview mirror
damage
vehicle
images
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
Application number
CN202210900037.4A
Other languages
English (en)
Inventor
方起明
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 CN202210900037.4A priority Critical patent/CN115222943A/zh
Publication of CN115222943A publication Critical patent/CN115222943A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Accounting & Taxation (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出一种基于人工智能的倒车镜损伤检测方法、装置、电子设备及存储介质，基于人工智能的倒车镜损伤检测方法包括：对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像；依据所述车辆图像训练车辆部件分割模型；依据所述倒车镜图像训练倒车镜损伤检测模型；将待检测车辆图像输入所述车辆部件分割模型以获得待检测倒车镜图像；将所述待检测倒车镜图像输入所述倒车镜损伤检测模型以获得倒车镜损伤检测结果。该方法可以实现端到端的倒车镜损伤检测，从而能够提升倒车镜损伤检测的准确度。

Description

基于人工智能的倒车镜损伤检测方法及相关设备
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倒车镜损伤检测方法、装置、电子设备及存储介质。
背景技术
随着数字科技的发展，越来越多的企业倾向于利用图像处理技术为用户提供便捷的服务，例如，越来越多的保险公司在处理车辆理赔业务时倾向于利用图像处理技术对车辆损伤进行鉴定进而提升理赔效率。
目前，通常利用诸如语义分割模型或目标检测模型等现有的图像处理技术对事故车辆进行智能定损，然而，不同的车辆部件之间的差异性通常较大，这种方式无法对车辆部件进行细粒度的划分，从而会导致对事故车辆倒车镜损伤检测的准确度较低。
发明内容
鉴于以上内容，有必要提供一种基于人工智能的倒车镜损伤检测方法及相关设备，以解决如何提高倒车镜损伤检测的准确度这一技术问题，其中，相关设备包括基于人工智能的倒车镜损伤检测装置、电子设备及存储介质。
本申请实施例提供一种基于人工智能的倒车镜损伤检测方法，所述方法包括：
对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像；
依据所述车辆图像训练车辆部件分割模型；
依据所述倒车镜图像训练倒车镜损伤检测模型；
将待检测车辆图像输入所述车辆部件分割模型以获得待检测倒车镜图像；
将所述待检测倒车镜图像输入所述倒车镜损伤检测模型以获得倒车镜损伤检测结果。
上述基于人工智能的倒车镜损伤检测方法通过对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像，并依据大量的车辆图像训练车辆部件分割模型，依据大量的倒车镜图像训练倒车镜损伤检测模型，进而利用车辆部件分割模型分割待检测车辆图像获得待检测倒车镜图像，最终利用倒车镜损伤检测模型对待检测倒车镜图像进行损伤检测获得倒车镜损伤检测结果，通过大量的历史车辆数据训练鲁棒性较强的车损识别模型，能够做到端到端的倒车镜损伤识别，从而能够提升倒车镜损伤识别的准确度。
在一些实施例中，所述对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像，包括：
对历史车损图像进行降噪处理获得多个降噪图像；
对所述降噪图像进行增强处理获得多个车辆图像；
分割所述车辆图像获得多个倒车镜图像。
在一些实施例中，所述依据所述车辆图像训练车辆部件分割模型包括：
对所述车辆图像进行标注获得第一标签图像，将所述第一标签图像与所述车辆图像一一对应作为第一训练数据集；
构建初始分割模型，所述初始分割模型包括第一编码器和第一解码器；
依据所述第一训练数据集与预设的第一损失函数训练所述初始分割模型，直至所述预设的第一损失函数的数值不再变化，则停止训练并获得车辆部件分割模型。
在一些实施例中，所述依据所述倒车镜图像训练倒车镜损伤检测模型包括：
对所述倒车镜图像进行特征提取获得第二标签图像；
将所述第二标签图像与所述倒车镜图像一一对应作为第二训练数据集；
构建初始倒车镜损伤检测模型，所述初始倒车镜损伤检测模型包括第二编码器和第二解码器；
依据所述第二训练数据集与预设的第二损失函数训练所述初始倒车镜损伤检测模型，直至所述预设的第二损失函数的数值不再变化，则停止训练并获得倒车镜损伤检测模型。
在一些实施例中，所述对所述倒车镜图像进行特征提取获得第二标签图像，包括：
依据预设的标注工具对所述倒车镜图像中的车损部位进行标注获得初始标注图像，所述初始标注图像具备多个锚框，每个锚框具备一个损伤类别列表和一个初始损伤概率列表；
计算所述倒车镜图像中每个像素点的纹理特征值；
依据所述纹理特征值更新所述初始标注图像中的初始损伤概率列表获得第二标签图像。
在一些实施例中，所述将待检测车辆图像输入所述车辆部件分割模型获得待检测倒车镜图像，包括：
将待检测车辆图像输入所述部件分割模型获得所述待检测车辆图像中每个像素点的类别和每个类别对应的概率值；
分别将每个像素点的最大概率值对应的类别作为该像素点对应的类别，所述类别至少包括“左倒车镜”和“右倒车镜”；
将类别为“左倒车镜”和“右倒车镜”的像素点作为所述待检测图像对应的倒车镜图像。
在一些实施例中，所述将所述待检测倒车镜图像输入所述倒车镜损伤检测模型获得倒车镜损伤检测结果，包括：
将所述倒车镜图像输入所述倒车镜损伤检测模型获得多个预测锚框，每个预测锚框对应一个损伤类别列表和一个预测概率列表，所述预测概率列表中包含多个概率值；
将所述预测概率列表中最大概率值对应的类别作为所述预测锚框对应的损伤类别；
依据所述预测锚框的损伤类别和该损伤类别对应的概率值标记所述待检测车辆图像以获得倒车镜损伤检测结果。
本申请实施例还提供一种基于人工智能的倒车镜损伤检测装置，所述装置包括：
预处理单元，用于对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像；
第一训练单元，用于依据所述车辆图像训练车辆部件分割模型；
第二训练单元，用于依据所述倒车镜图像训练倒车镜损伤检测模型；
分割单元，用于将待检测车辆图像输入所述车辆部件分割模型以获得待检测倒车镜图像；
检测单元，用于将所述待检测倒车镜图像输入所述倒车镜损伤检测模型以获得倒车镜损伤检测结果。
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所述基于人工智能的倒车镜损伤检测方法。
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计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述基于人工智能的倒车镜损伤检测方法。
上述基于人工智能的倒车镜损伤检测方法通过对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像，并依据大量的车辆图像训练车辆部件分割模型，依据大量的倒车镜图像训练倒车镜损伤检测模型，进而利用车辆部件分割模型分割待检测车辆图像获得待检测倒车镜图像，最终利用倒车镜损伤检测模型对待检测倒车镜图像进行损伤检测获得倒车镜损伤检测结果，通过大量的历史车辆数据训练鲁棒性较强的车损识别模型，能够做到端到端的倒车镜损伤识别，从而能够提升倒车镜损伤识别的准确度。
附图说明
图1是本申请所涉及的一种基于人工智能的倒车镜损伤检测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倒车镜损伤检测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倒车镜损伤检测方法的较佳实施例的电子设备的结构示意图。
图4是本申请实施例所涉及的初始分割模型的结构示意图。
图5是本申请实施例所涉及的初始倒车镜损伤检测模型的结构示意图。
图6是本申请实施例所涉及的倒车镜损伤检测结果示意图。
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倒车镜损伤检测方法，可应用于一个或者多个电子设备中，所述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(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用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。
所述电子设备还可以包括网络设备和/或用户设备。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(CloudComputing)的由大量主机或网络服务器构成的云。
所述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倒车镜损伤检测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，对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像。
在一个可选的实施例中，所述对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像，包括：
对历史车损图像进行降噪处理获得多个降噪图像；
对所述降噪图像进行增强处理获得多个车辆图像；
分割所述车辆图像获得多个倒车镜图像。
该可选的实施例中，所述历史车损图像可以是由用户拍摄的车损图像，还可以是由监控设备采集到的车损图像，本申请对此不做限定。
该可选的实施例中，由于所述历史车损图像通常具备噪声，可能对后续车损检测结果造成消极影响，因此需要先依据预设的降噪算法对所述历史车损图像进行降噪处理获得多个降噪图像，所述预设的降噪算法可以是均值滤波算法、高斯滤波算法、中值滤波算法等现有的图像降噪算法，本申请对此不做限定。
该可选的实施例中，为了增强图像的对比度以提升后续车辆部件分割模型和倒车镜车损检测模型的性能，可依据预设的增强算法对所述降噪图像进行增强处理以获得多个车辆图像，每个降噪图像对应一个车辆图像，所述预设的增强算法可以是双边滤波算法、伽马矫正算法、拉普拉斯算法等现有的图像增强算法，本申请对此不做限定。
该可选的实施例中，可依据预设的分割工具从每个车辆图像中分割倒车镜图像，所述预设的分割工具可以是lableme工具，所述lableme工具的功能是将所述车辆图像中属于倒车镜的像素点标记为1，分别计算每个车辆图像中标记为1的像素区域的最小外接矩形，并将所述最小外接矩形范围内所有的像素点作为倒车镜图像。
如此，通过对图像进行降噪和增强处理获得了多个车辆图像，并依据预设的分割工具从每个车辆图像中分割出倒车镜图像，为后续训练车辆部件分割模型和倒车镜损伤检测模型提供了数据支撑，从而能够提升倒车镜损伤检测的准确度。
S11，依据所述车辆图像训练车辆部件分割模型。
在一个可选的实施例中，所述依据所述车辆图像训练车辆部件分割模型包括：
对所述车辆图像进行标注获得第一标签图像，将所述标签图像与所述车辆图像一一对应作为第一训练数据集；
构建初始分割模型，所述初始分割模型包括第一编码器和第一解码器；
依据所述第一训练数据集与预设的第一损失函数训练所述初始分割模型，直至所述预设的第一损失函数的数值不再变化，则停止训练并获得车辆部件分割模型。
该可选的实施例中，可依据预设的图像标注工具标记所述车辆图像中每个像素点的类别以获取多个标注图像，所述类别至少包括：左倒车镜、右倒车镜、左大灯、右大灯、左雾灯、右雾灯、前挡风玻璃、后挡风玻璃等车身部件类别，所述预设的图像标注工具可以是Image Annotator工具(图像标注器)、labelImg工具(标注图像)、Vott工具等现有的图像标注工具，本申请对此不做限定。
该可选的实施例中，可依据所述标注图像中每个像素点的类别设置所述标注图像中每个像素点对应的类别列表和概率列表，所述类别列表中的元素用以表征所有的车身部件的类别，所述概率列表用以表征该像素点属于某一个类别的概率值。
示例性的，当某一个像素点属于左倒车镜，则该像素点对应的类别列表可以是[左倒车镜，右倒车镜，左雾灯，右雾灯，前挡风，后挡风]，该类别列表对应的概率列表可以是[1,0,0,0,0,0]。
该可选的实施例中，可将所述标注图像作为第一标签图像，并将所述第一标签图像对应的车辆图像作为第一样本图像，进一步可将所述第一样本图像与所述第一标签图像一一对应以作为第一训练数据集。
该可选的实施例中，所述初始分割模型包括第一编码器和第一解码器，所述第一编码器和第一解码器可以是U-Net模型(U网络)、SegNet模型、DeepLab模型等现有的语义分割模型，本申请对此不做限定。所述第一编码器的输入是所述第一样本图像，所述第一编码器的输出是所述第一样本图像对应的第一特征图；所述第一解码器的输入是所述第一特征图，所述第一解码器的输出是所述第一样本图像对应的分割图像，所述分割图像中的每个像素点具备一个预测类别列表和一个预测概率列表，所述预测概率列表用以表征所述分割图像中每个像素点属于某一个类别的概率值，如图4所示为所述初始分割模型的结构示意图。
示例性的，当所述分割图像中某一个像素点对应的预测类别列表为：[左倒车镜，右倒车镜，左雾灯，右雾灯，前挡风，后挡风]，且该像素点对应的预测概率列表为：[0.9，0.05,0,0.05,0,0]，则该像素点属于左倒车镜部件的概率为0.9、属于又倒车镜部件的概率为0.05、属于右雾灯部件的概率为0.05、属于其余部件类别的概率都为0。
该可选的实施例中，为了使所述初始分割模型的输出与所述标签图像尽可能一致，可将所述第一标签图像中每个像素点的概率列表与所述分割图像中每个像素点的预测概率列表输入预设的第一损失函数以计算所述初始分割模型的第一损失值，所述第一损失函数满足以下关系式：
Figure BDA0003770461440000061
其中，Loss1代表所述初始分割模型的第一损失值，所述第一损失值越小则表明所述第一样本图像对应的分割图像中每个像素点的预测概率列表与所述第一标签图像中每个像素点的概率列表越相似，则所述第一标签图像与所述分割图像越相似，则所述初始分割模型的性能越好；i代表所述第一标签图像的像素点对应概率列表中的类别；p(ji)代表所述第一标签图像中第j个像素点属于i类别的概率；q(ji)代表所述分割图像中第j个像素点属于i类别的概率。
该可选的实施例中，可将所述第一训练数据集中的第一样本图像依次输入所述初始分割模型获得每个第一样本图像对应的分割图像，并依据每个第一标签图像和所述分割图像计算所述第一损失值，进一步可依据梯度下降法更新所述初始分割模型的参数，直到所述第一损失值不再下降时获得车辆部件分割模型。
如此，通过大量车辆图像训练初始分割模型获得了车辆部件分割模型，能够提升车辆部件分割模型的准确度，进而提升后续车损检测结果的准确度。
S12，依据所述倒车镜图像训练倒车镜损伤检测模型。
在一个可选的实施例中，所述依据所述倒车镜图像训练倒车镜损伤检测模型包括：
对所述倒车镜图像进行特征提取获得第二标签图像；
将所述第二标签图像与所述倒车镜图像一一对应作为第二训练数据集；
构建初始倒车镜损伤检测模型，所述初始倒车镜损伤检测模型包括第二编码器和第二解码器；
依据所述第二训练数据集与预设的第二损失函数训练所述初始倒车镜损伤检测模型，直至所述预设的第二损失函数的数值不再变化，则停止训练并获得倒车镜损伤检测模型。
在一个可选的实施例中，所述对所述倒车镜图像进行特征提取获得第二标签图像，包括：
依据预设的标注工具对所述倒车镜图像中的车损部位进行标注获得初始标注图像，所述初始标注图像具备多个锚框，每个锚框具备一个损伤类别列表和一个初始损伤概率列表；
计算所述倒车镜图像中每个像素点的纹理特征值；
依据所述纹理特征值更新所述初始标注图像中的初始损伤概率列表获得第二标签图像。
该可选的实施例中，可依据预设的标注工具对所述倒车镜图像中的车损部位进行标注获得初始标注图像，所述初始标注图像具备多个锚框，每个锚框具备一个损伤类别列表和一个初始损伤概率列表，所述损伤类别列表中的元素用以标注所述倒车镜图像中可能存在的损伤类别，所述损伤类别至少包括：擦伤、开裂、变形、断裂等倒车镜损伤类别，所述初始损伤概率列表中的元素用以表征该锚框属于每个损伤类别的概率，所述预设的标注工具可以是Image Annotator工具(图像标注器)、labelImg工具(标注图像)、Vott工具等现有的图像标注工具，本申请对此不做限定。
示例性的，当所述初始标注图像中的某一个锚框对应的损伤类别列表为[擦伤,开裂,变形,断裂]，且该锚框对应的初始损伤概率列表为[0,1,0,0]时，则表明该初始标注图像中该锚框区域属于开裂损伤的概率值为1。
该可选的实施例中，可依据预设的纹理特征提取算法计算所述倒车镜图像中每个像素点的纹理特征值，所述纹理特征值越高则表明该像素点的邻域范围内纹理越复杂，则该像素点邻域范围内的倒车镜图像越不光滑，则该像素点属于倒车镜损伤的概率越高，所述预设的纹理特征提取算法可以是LBP算法(Local Binary Pattern，局部二值模式)、Uniform LBP算法(Uniform Local Binary Pattern，旋转不变局部二值模式)、LTP算法(Local Triple Pattern，局部三值模式)等现有的纹理特征提取算法，本申请对此不做限定。
该可选的实施例中，可依据所述纹理特征值更新所述初始标注图像中的初始损伤概率列表获得第二标签图像，所述第二标签图像包括多个锚框，每个锚框对应一个损伤类别列表和一个损伤概率列表。可分别计算每个锚框中所有像素点对应纹理特征值的均值以作为该锚框的纹理特征值，进一步可计算所述锚框对应的纹理特征值与该锚框对应的初始概率列表中每个元素的乘积以作为更新概率列表。
该可选的实施例中，可依据预设的归一化算法对同一个初始标注图像中所有锚框的更新概率列表中具备相同损伤类别的概率值进行归一化处理获得损伤概率列表，所述损伤概率列表中每个元素的取值范围是[0,1]。
该可选的实施例中，可将具备多个损伤概率列表的初始标注图像作为第二标签图像，并可将所述倒车镜图像作为第二样本图像，将所述第二样本图像与所述第二标签图像一一对应作为第二训练数据集。
该可选的实施例中，所述初始倒车镜损伤检测模型包括第二编码器和第二解码器，所述第二编码器和所述第二解码器可以是YOLO模型、FCN模型、CenterNet模型等现有的目标检测模型，本申请对此不做限定。所述第二编码器的输入是所述第二样本图像，所述第二编码器的输出是所述第二样本图像对应的第二特征图；所述第二解码器的输入是所述第二特征图，所述第二解码器的输出是车损检测结果，所述车损检测结果是包含多个预测锚框的第二样本图像，每个预测锚框对应一个预测概率列表，所述预测概率列表用以表征所述预测锚框对应的损伤类别和每个损伤类别对应的概率，如图5所示为所述初始倒车镜损伤检测模型的结构示意图。
该可选的实施例中，可将所述第二标签图像中每个锚框的概率列表与所述预测锚框对应的预测概率列表输入预设的第二损失函数以计算所述初始倒车镜损伤检测模型的第二损失值，所述第二损失函数满足以下关系式：
Figure BDA0003770461440000081
其中，Loss2代表所述初始倒车镜损伤检测模型的第二损失值，所述第二损失值越小则表明所述第二标签图像中每个像素点的概率列表与所述预测锚框对应的预测概率列表越相似，则所述车损检测结果与所述第二标签图像越相似，则所述初始倒车镜损伤检测模型的性能越好；e代表所述第二标签图像中锚框的索引，u代表所述第二标签图像中锚框的数量；h代表所述预测锚框的索引，r代表所述预测锚框的数量；ye,h代表预设的分段函数，当所述第二标签图像中第e个锚框的类别与第h个预测锚框的类别相同时，所述ye,h＝1，否则所述ye,h＝0；v代表所述损伤类别列表中的第v个元素，即第v个类别；p(v)代表所述第二标签图像中第e个锚框对应损伤概率列表中第v个损伤类别的概率值；q(v)代表第h个预测锚框对应预测损伤概率列表中第v个损伤类别的概率值。
该可选的实施例中，可将所述第二训练集中的第二样本图像依次输入所述初始倒车镜损伤检测模型以获得每个第二样本图像对应的预测概率列表，并依据所述预测概率列表和所述第二标签图像中的概率列表计算所述初始倒车镜损伤检测模型的损失值，进一步可依据梯度下降法迭代更新所述初始倒车镜检测模型中的参数，直至所述损失值不再下降则停止迭代并获得倒车镜损伤检测模型。
如此，对于大量的历史倒车镜图像进行特征提取获得了大量标记图像，并将大量标记图像和历史倒车镜图像作为训练数据以训练初始倒车镜损伤检测模型，获得倒车镜损伤检测模型，提升了倒车镜损伤检测模型的鲁棒性，从而能够提升后续车损检测结果的准确度。
S13，将待检测车辆图像输入所述车辆部件分割模型以获得待检测倒车镜图像。
在一个可选的实施例中，所述将待检测车辆图像输入所述车辆部件分割模型以获得待检测倒车镜图像，包括：
将待检测车辆图像输入所述车辆部件分割模型获得所述待检测车辆图像中每个像素点的类别和每个类别对应的概率值；
分别将每个像素点的最大概率值对应的类别作为该像素点对应的类别，所述类别至少包括“左倒车镜”和“右倒车镜”；
将类别为“左倒车镜”和“右倒车镜”的像素点作为所述待检测图像对应的倒车镜图像。
该可选的实施例中，可将待检测的车辆图像输入所述车辆部件分割模型获得分割图像，所述分割图像中的每个像素点对应一个预测类别列表和一个预测概率列表，所述预测类别列表用以表征所述分割图像中每个像素点可能归属的车辆部件类别，所述预测概率列表用以表征所述分割图像中每个像素点对应的车辆部件类别的概率值。
示例性的，当所述分割图像中某一个像素点的预测类别列表为[左倒车镜，右倒车镜，左雾灯，右雾灯，前挡风，后挡风]，且该像素点对应的预测概率列表为[1,0,0,0,0,0]时，则该像素点属于左倒车镜部件的概率为1；当所述分割图像中另一个像素点的预测类别列表为[左倒车镜，右倒车镜，左雾灯，右雾灯，前挡风，后挡风]，且该像素点对应的预测概率列表为[0.95,0.05,0,0,0,0]时，则该像素点属于左倒车镜的概率为0.95且属于右倒车镜的概率为0.05。
该可选的实施例中，可分别将所述分割图像中每个像素点的最大概率值对应的类别作为该像素点对应的类别，所述类别至少包括“左倒车镜”和“右倒车镜”。
该可选的实施例中，可将类别为“左倒车镜”和类别为“右倒车镜”的像素点标记为1，并从将所述分割图像中标记为1的像素点的最小外接矩形作为待检测倒车镜图像。
如此，通过将待检测的车辆图像输入车辆部件分割模型获得了待检测倒车镜图像，避免了人工对车辆图像进行分割，能够提升倒车镜车损检测的效率。
S14，将所述待检测倒车镜图像输入所述倒车镜损伤检测模型以获得倒车镜损伤检测结果。
在一个可选的实施例中，所述将所述待检测倒车镜图像输入所述倒车镜损伤检测模型以获得倒车镜损伤检测结果，包括：
将所述倒车镜图像输入所述倒车镜损伤检测模型获得多个预测锚框，每个预测锚框对应一个损伤类别列表和一个预测概率列表，所述预测概率列表中包含多个概率值；
将所述预测概率列表中最大概率值对应的类别作为所述预测锚框对应的损伤类别；
依据所述预测锚框的损伤类别和该损伤类别对应的概率值标记所述待检测车辆图像以获得倒车镜损伤检测结果。
该可选的实施例中，可将所述待检测倒车镜图像输入所述倒车镜损伤检测模型以获得多个预测锚框，每个预测锚框对应一个损伤类别列表和一个预测概率列表。
该可选的实施例中，可将所述预测概率列表中最大概率值对应的类别作为所述预测锚框对应的损伤类别，示例性的，当某一个预测锚框对应的损伤类别列表和预测概率列表分别为[擦伤,开裂,变形,断裂]和[0,0.95,0.05,0]时，则该预测锚框对应的损伤类别为开裂，且概率为0.95；当另一个预测锚框对应的损伤类别列表和预测概率列表分别为[擦伤,开裂,变形,断裂]和[0.8,0,0.2,0]时，则该预测锚框对应的损伤类别为擦伤，且概率为0.8。
该可选的实施例中，可依据所述预测锚框的损伤类别和该损伤类别对应的概率值标记所述待检测车辆图像以获得倒车镜损伤检测结果，如图6所示为所述倒车镜损伤检测结果的示意图。
如此，利用倒车镜损伤检测模型检测到了所述待检测车损图像的多个锚框，并依据该锚框对应的车损类别和车损程度标记所述待检测的图像，能够做到端到端的车损检测，从而能够提升倒车镜车损检测的准确度。
上述基于人工智能的倒车镜损伤检测方法通过对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像，并依据大量的车辆图像训练车辆部件分割模型，依据大量的倒车镜图像训练倒车镜损伤检测模型，进而利用车辆部件分割模型分割待检测车辆图像获得待检测倒车镜图像，最终利用倒车镜损伤检测模型对待检测倒车镜图像进行损伤检测获得倒车镜损伤检测结果，通过大量的历史车辆数据训练鲁棒性较强的车损识别模型，能够做到端到端的倒车镜损伤识别，从而能够提升倒车镜损伤识别的准确度。
如图2所示，是本申请实施例提供的基于人工智能的倒车镜损伤检测装置的较佳实施例的功能模块图。基于人工智能的倒车镜损伤检测装置11包括预处理单元110、第一训练单元111、第二训练单元112、分割单元113、检测单元114。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程序段，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，预处理单元110用于对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像。
在一个可选的实施例中，所述对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像，包括：
对历史车损图像进行降噪处理获得多个降噪图像；
对所述降噪图像进行增强处理获得多个车辆图像；
分割所述车辆图像获得多个倒车镜图像。
该可选的实施例中，所述历史车损图像可以是由用户拍摄的车损图像，还可以是由监控设备采集到的车损图像，本申请对此不做限定。
该可选的实施例中，由于所述历史车损图像通常具备噪声，可能对后续车损检测结果造成消极影响，因此需要先依据预设的降噪算法对所述历史车损图像进行降噪处理获得多个降噪图像，所述预设的降噪算法可以是均值滤波算法、高斯滤波算法、中值滤波算法等现有的图像降噪算法，本申请对此不做限定。
该可选的实施例中，为了增强图像的对比度以提升后续车辆部件分割模型和倒车镜车损检测模型的性能，可依据预设的增强算法对所述降噪图像进行增强处理以获得多个车辆图像，每个降噪图像对应一个车辆图像，所述预设的增强算法可以是双边滤波算法、伽马矫正算法、拉普拉斯算法等现有的图像增强算法，本申请对此不做限定。
该可选的实施例中，可依据预设的分割工具从每个车辆图像中分割倒车镜图像，所述预设的分割工具可以是lableme工具，所述lableme工具的功能是将所述车辆图像中属于倒车镜的像素点标记为1，分别计算每个车辆图像中标记为1的像素区域的最小外接矩形，并将所述最小外接矩形范围内所有的像素点作为倒车镜图像。
在一个可选的实施例中，第一训练单元111用于依据所述车辆图像训练车辆部件分割模型。
在一个可选的实施例中，所述依据所述车辆图像训练车辆部件分割模型包括：
对所述车辆图像进行标注获得第一标签图像，将所述标签图像与所述车辆图像一一对应作为第一训练数据集；
构建初始分割模型，所述初始分割模型包括第一编码器和第一解码器；
依据所述第一训练数据集与预设的第一损失函数训练所述初始分割模型，直至所述预设的第一损失函数的数值不再变化，则停止训练并获得车辆部件分割模型。
该可选的实施例中，可依据预设的图像标注工具标记所述车辆图像中每个像素点的类别以获取多个标注图像，所述类别至少包括：左倒车镜、右倒车镜、左大灯、右大灯、左雾灯、右雾灯、前挡风玻璃、后挡风玻璃等车身部件类别，所述预设的图像标注工具可以是Image Annotator工具(图像标注器)、labelImg工具(标注图像)、Vott工具等现有的图像标注工具，本申请对此不做限定。
该可选的实施例中，可依据所述标注图像中每个像素点的类别设置所述标注图像中每个像素点对应的类别列表和概率列表，所述类别列表中的元素用以表征所有的车身部件的类别，所述概率列表用以表征该像素点属于某一个类别的概率值。
示例性的，当某一个像素点属于左倒车镜，则该像素点对应的类别列表可以是[左倒车镜，右倒车镜，左雾灯，右雾灯，前挡风，后挡风]，该类别列表对应的概率列表可以是[1,0,0,0,0,0]。
该可选的实施例中，可将所述标注图像作为第一标签图像，并将所述第一标签图像对应的车辆图像作为第一样本图像，进一步可将所述第一样本图像与所述第一标签图像一一对应以作为第一训练数据集。
该可选的实施例中，所述初始分割模型包括第一编码器和第一解码器，所述第一编码器和第一解码器可以是U-Net模型(U网络)、SegNet模型、DeepLab模型等现有的语义分割模型，本申请对此不做限定。所述第一编码器的输入是所述第一样本图像，所述第一编码器的输出是所述第一样本图像对应的第一特征图；所述第一解码器的输入是所述第一特征图，所述第一解码器的输出是所述第一样本图像对应的分割图像，所述分割图像中的每个像素点具备一个预测类别列表和一个预测概率列表，所述预测概率列表用以表征所述分割图像中每个像素点属于某一个类别的概率值，如图4所示为所述初始分割模型的结构示意图。
示例性的，当所述分割图像中某一个像素点对应的预测类别列表为：[左倒车镜，右倒车镜，左雾灯，右雾灯，前挡风，后挡风]，且该像素点对应的预测概率列表为：[0.9，0.05,0,0.05,0,0]，则该像素点属于左倒车镜部件的概率为0.9、属于又倒车镜部件的概率为0.05、属于右雾灯部件的概率为0.05、属于其余部件类别的概率都为0。
该可选的实施例中，为了使所述初始分割模型的输出与所述标签图像尽可能一致，可将所述第一标签图像中每个像素点的概率列表与所述分割图像中每个像素点的预测概率列表输入预设的第一损失函数以计算所述初始分割模型的第一损失值，所述第一损失函数满足以下关系式：
Figure BDA0003770461440000121
其中，Loss1代表所述初始分割模型的第一损失值，所述第一损失值越小则表明所述第一样本图像对应的分割图像中每个像素点的预测概率列表与所述第一标签图像中每个像素点的概率列表越相似，则所述第一标签图像与所述分割图像越相似，则所述初始分割模型的性能越好；i代表所述第一标签图像的像素点对应概率列表中的类别；p(ji)代表所述第一标签图像中第j个像素点属于i类别的概率；q(ji)代表所述分割图像中第j个像素点属于i类别的概率。
该可选的实施例中，可将所述第一训练数据集中的第一样本图像依次输入所述初始分割模型获得每个第一样本图像对应的分割图像，并依据每个第一标签图像和所述分割图像计算所述第一损失值，进一步可依据梯度下降法更新所述初始分割模型的参数，直到所述第一损失值不再下降时获得车辆部件分割模型。
在一个可选的实施例中，第二训练单元112用于依据所述倒车镜图像训练倒车镜损伤检测模型。
在一个可选的实施例中，所述依据所述倒车镜图像训练倒车镜损伤检测模型包括：
对所述倒车镜图像进行特征提取获得第二标签图像；
将所述第二标签图像与所述倒车镜图像一一对应作为第二训练数据集；
构建初始倒车镜损伤检测模型，所述初始倒车镜损伤检测模型包括第二编码器和第二解码器；
依据所述第二训练数据集与预设的第二损失函数训练所述初始倒车镜损伤检测模型，直至所述预设的第二损失函数的数值不再变化，则停止训练并获得倒车镜损伤检测模型。
在一个可选的实施例中，所述对所述倒车镜图像进行特征提取获得第二标签图像，包括：
依据预设的标注工具对所述倒车镜图像中的车损部位进行标注获得初始标注图像，所述初始标注图像具备多个锚框，每个锚框具备一个损伤类别列表和一个初始损伤概率列表；
计算所述倒车镜图像中每个像素点的纹理特征值；
依据所述纹理特征值更新所述初始标注图像中的初始损伤概率列表获得第二标签图像。
该可选的实施例中，可依据预设的标注工具对所述倒车镜图像中的车损部位进行标注获得初始标注图像，所述初始标注图像具备多个锚框，每个锚框具备一个损伤类别列表和一个初始损伤概率列表，所述损伤类别列表中的元素用以标注所述倒车镜图像中可能存在的损伤类别，所述损伤类别至少包括：擦伤、开裂、变形、断裂等倒车镜损伤类别，所述初始损伤概率列表中的元素用以表征该锚框属于每个损伤类别的概率，所述预设的标注工具可以是Image Annotator工具(图像标注器)、labelImg工具(标注图像)、Vott工具等现有的图像标注工具，本申请对此不做限定。
示例性的，当所述初始标注图像中的某一个锚框对应的损伤类别列表为[擦伤,开裂,变形,断裂]，且该锚框对应的初始损伤概率列表为[0,1,0,0]时，则表明该初始标注图像中该锚框区域属于开裂损伤的概率值为1。
该可选的实施例中，可依据预设的纹理特征提取算法计算所述倒车镜图像中每个像素点的纹理特征值，所述纹理特征值越高则表明该像素点的邻域范围内纹理越复杂，则该像素点邻域范围内的倒车镜图像越不光滑，则该像素点属于倒车镜损伤的概率越高，所述预设的纹理特征提取算法可以是LBP算法(Local Binary Pattern，局部二值模式)、Uniform LBP算法(Uniform Local Binary Pattern，旋转不变局部二值模式)、LTP算法(Local Triple Pattern，局部三值模式)等现有的纹理特征提取算法，本申请对此不做限定。
该可选的实施例中，可依据所述纹理特征值更新所述初始标注图像中的初始损伤概率列表获得第二标签图像，所述第二标签图像包括多个锚框，每个锚框对应一个损伤类别列表和一个损伤概率列表。可分别计算每个锚框中所有像素点对应纹理特征值的均值以作为该锚框的纹理特征值，进一步可计算所述锚框对应的纹理特征值与该锚框对应的初始概率列表中每个元素的乘积以作为更新概率列表。
该可选的实施例中，可依据预设的归一化算法对同一个初始标注图像中所有锚框的更新概率列表中具备相同损伤类别的概率值进行归一化处理获得损伤概率列表，所述损伤概率列表中每个元素的取值范围是[0,1]。
该可选的实施例中，可将具备多个损伤概率列表的初始标注图像作为第二标签图像，并可将所述倒车镜图像作为第二样本图像，将所述第二样本图像与所述第二标签图像一一对应作为第二训练数据集。
该可选的实施例中，所述初始倒车镜损伤检测模型包括第二编码器和第二解码器，所述第二编码器和所述第二解码器可以是YOLO模型、FCN模型、CenterNet模型等现有的目标检测模型，本申请对此不做限定。所述第二编码器的输入是所述第二样本图像，所述第二编码器的输出是所述第二样本图像对应的第二特征图；所述第二解码器的输入是所述第二特征图，所述第二解码器的输出是车损检测结果，所述车损检测结果是包含多个预测锚框的第二样本图像，每个预测锚框对应一个预测概率列表，所述预测概率列表用以表征所述预测锚框对应的损伤类别和每个损伤类别对应的概率，如图5所示为所述初始倒车镜损伤检测模型的结构示意图。
该可选的实施例中，可将所述第二标签图像中每个锚框的概率列表与所述预测锚框对应的预测概率列表输入预设的第二损失函数以计算所述初始倒车镜损伤检测模型的第二损失值，所述第二损失函数满足以下关系式：
Figure BDA0003770461440000141
其中，Loss2代表所述初始倒车镜损伤检测模型的第二损失值，所述第二损失值越小则表明所述第二标签图像中每个像素点的概率列表与所述预测锚框对应的预测概率列表越相似，则所述车损检测结果与所述第二标签图像越相似，则所述初始倒车镜损伤检测模型的性能越好；e代表所述第二标签图像中锚框的索引，u代表所述第二标签图像中锚框的数量；h代表所述预测锚框的索引，r代表所述预测锚框的数量；ye,h代表预设的分段函数，当所述第二标签图像中第e个锚框的类别与第h个预测锚框的类别相同时，所述ye,h＝1，否则所述ye,h＝0；v代表所述损伤类别列表中的第v个元素，即第v个类别；p(v)代表所述第二标签图像中第e个锚框对应损伤概率列表中第v个损伤类别的概率值；q(v)代表第h个预测锚框对应预测损伤概率列表中第v个损伤类别的概率值。
该可选的实施例中，可将所述第二训练集中的第二样本图像依次输入所述初始倒车镜损伤检测模型以获得每个第二样本图像对应的预测概率列表，并依据所述预测概率列表和所述第二标签图像中的概率列表计算所述初始倒车镜损伤检测模型的损失值，进一步可依据梯度下降法迭代更新所述初始倒车镜检测模型中的参数，直至所述损失值不再下降则停止迭代并获得倒车镜损伤检测模型。
在一个可选的实施例中，分割单元113用于将待检测车辆图像输入所述车辆部件分割模型以获得待检测倒车镜图像。
在一个可选的实施例中，所述将待检测车辆图像输入所述车辆部件分割模型以获得待检测倒车镜图像，包括：
将待检测车辆图像输入所述车辆部件分割模型获得所述待检测车辆图像中每个像素点的类别和每个类别对应的概率值；
分别将每个像素点的最大概率值对应的类别作为该像素点对应的类别，所述类别至少包括“左倒车镜”和“右倒车镜”；
将类别为“左倒车镜”和“右倒车镜”的像素点作为所述待检测图像对应的倒车镜图像。
该可选的实施例中，可将待检测的车辆图像输入所述车辆部件分割模型获得分割图像，所述分割图像中的每个像素点对应一个预测类别列表和一个预测概率列表，所述预测类别列表用以表征所述分割图像中每个像素点可能归属的车辆部件类别，所述预测概率列表用以表征所述分割图像中每个像素点对应的车辆部件类别的概率值。
示例性的，当所述分割图像中某一个像素点的预测类别列表为[左倒车镜，右倒车镜，左雾灯，右雾灯，前挡风，后挡风]，且该像素点对应的预测概率列表为[1,0,0,0,0,0]时，则该像素点属于左倒车镜部件的概率为1；当所述分割图像中另一个像素点的预测类别列表为[左倒车镜，右倒车镜，左雾灯，右雾灯，前挡风，后挡风]，且该像素点对应的预测概率列表为[0.95,0.05,0,0,0,0]时，则该像素点属于左倒车镜的概率为0.95且属于右倒车镜的概率为0.05。
该可选的实施例中，可分别将所述分割图像中每个像素点的最大概率值对应的类别作为该像素点对应的类别，所述类别至少包括“左倒车镜”和“右倒车镜”。
该可选的实施例中，可将类别为“左倒车镜”和类别为“右倒车镜”的像素点标记为1，并从将所述分割图像中标记为1的像素点的最小外接矩形作为待检测倒车镜图像。
在一个可选的实施例中，检测单元114用于将所述待检测倒车镜图像输入所述倒车镜损伤检测模型以获得倒车镜损伤检测结果。
在一个可选的实施例中，所述将所述待检测倒车镜图像输入所述倒车镜损伤检测模型以获得倒车镜损伤检测结果，包括：
将所述倒车镜图像输入所述倒车镜损伤检测模型获得多个预测锚框，每个预测锚框对应一个损伤类别列表和一个预测概率列表，所述预测概率列表中包含多个概率值；
将所述预测概率列表中最大概率值对应的类别作为所述预测锚框对应的损伤类别；
依据所述预测锚框的损伤类别和该损伤类别对应的概率值标记所述待检测车辆图像以获得倒车镜损伤检测结果。
该可选的实施例中，可将所述待检测倒车镜图像输入所述倒车镜损伤检测模型以获得多个预测锚框，每个预测锚框对应一个损伤类别列表和一个预测概率列表。
该可选的实施例中，可将所述预测概率列表中最大概率值对应的类别作为所述预测锚框对应的损伤类别，示例性的，当某一个预测锚框对应的损伤类别列表和预测概率列表分别为[擦伤,开裂,变形,断裂]和[0,0.95,0.05,0]时，则该预测锚框对应的损伤类别为开裂，且概率为0.95；当另一个预测锚框对应的损伤类别列表和预测概率列表分别为[擦伤,开裂,变形,断裂]和[0.8,0,0.2,0]时，则该预测锚框对应的损伤类别为擦伤，且概率为0.8。
该可选的实施例中，可依据所述预测锚框的损伤类别和该损伤类别对应的概率值标记所述待检测车辆图像以获得倒车镜损伤检测结果，如图6所示为所述倒车镜损伤检测结果的示意图。
上述基于人工智能的倒车镜损伤检测方法通过对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像，并依据大量的车辆图像训练车辆部件分割模型，依据大量的倒车镜图像训练倒车镜损伤检测模型，进而利用车辆部件分割模型分割待检测车辆图像获得待检测倒车镜图像，最终利用倒车镜损伤检测模型对待检测倒车镜图像进行损伤检测获得倒车镜损伤检测结果，通过大量的历史车辆数据训练鲁棒性较强的车损识别模型，能够做到端到端的倒车镜损伤识别，从而能够提升倒车镜损伤识别的准确度。
如图3所示，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用执行储器中存储的计算机可读指令以实现上述任一实施例的基于人工智能的倒车镜损伤检测方法。
在一个可选的实施例中，电子设备1还包括总线、存储在存储器12中并可在处理器13上运行的计算机程序，例如基于人工智能的倒车镜损伤检测程序。
图3仅示出了具有组件12-13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倒车镜损伤检测方法，处理器13可执行多个指令从而实现：
对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像；
依据所述车辆图像训练车辆部件分割模型；
依据所述倒车镜图像训练倒车镜损伤检测模型；
将待检测车辆图像输入所述车辆部件分割模型以获得待检测倒车镜图像；
将所述待检测倒车镜图像输入所述倒车镜损伤检测模型以获得倒车镜损伤检测结果。
具体地，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既可以是总线型结构，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。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。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倒车镜损伤检测程序的代码等，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存储器12内的程序或者模块(例如执行基于人工智能的倒车镜损伤检测程序等)，以及调用存储在存储器12内的数据，以执行电子设备1的各种功能和处理数据。
处理器13执行电子设备1的操作系统以及安装的各类应用程序。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倒车镜损伤检测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/单元被存储在存储器12中，并由处理器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预处理单元110、第一训练单元111、第二训练单元112、分割单元113、检测单元114。
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基于人工智能的倒车镜损伤检测方法的部分。
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倒车镜损伤检测方法。
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 (10)

1.一种基于人工智能的倒车镜损伤检测方法，其特征在于，所述方法包括：
对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像；
依据所述车辆图像训练车辆部件分割模型；
依据所述倒车镜图像训练倒车镜损伤检测模型；
将待检测车辆图像输入所述车辆部件分割模型以获得待检测倒车镜图像；
将所述待检测倒车镜图像输入所述倒车镜损伤检测模型以获得倒车镜损伤检测结果。
2.如权利要求1所述的基于人工智能的倒车镜损伤检测方法，其特征在于，所述对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像，包括：
对历史车损图像进行降噪处理获得多个降噪图像；
对所述降噪图像进行增强处理获得多个车辆图像；
分割所述车辆图像获得多个倒车镜图像。
3.如权利要求1所述的基于人工智能的倒车镜损伤检测方法，其特征在于，所述依据所述车辆图像训练车辆部件分割模型包括：
对所述车辆图像进行标注获得第一标签图像，将所述第一标签图像与所述车辆图像一一对应作为第一训练数据集；
构建初始分割模型，所述初始分割模型包括第一编码器和第一解码器；
依据所述第一训练数据集与预设的第一损失函数训练所述初始分割模型，直至所述预设的第一损失函数的数值不再变化，则停止训练并获得车辆部件分割模型。
4.如权利要求1所述的基于人工智能的倒车镜损伤检测方法，其特征在于，所述依据所述倒车镜图像训练倒车镜损伤检测模型包括：
对所述倒车镜图像进行特征提取获得第二标签图像；
将所述第二标签图像与所述倒车镜图像一一对应作为第二训练数据集；
构建初始倒车镜损伤检测模型，所述初始倒车镜损伤检测模型包括第二编码器和第二解码器；
依据所述第二训练数据集与预设的第二损失函数训练所述初始倒车镜损伤检测模型，直至所述预设的第二损失函数的数值不再变化，则停止训练并获得倒车镜损伤检测模型。
5.如权利要求4所述的基于人工智能的倒车镜损伤检测方法，其特征在于，所述对所述倒车镜图像进行特征提取获得第二标签图像，包括：
依据预设的标注工具对所述倒车镜图像中的车损部位进行标注获得初始标注图像，所述初始标注图像具备多个锚框，每个锚框具备一个损伤类别列表和一个初始损伤概率列表；
计算所述倒车镜图像中每个像素点的纹理特征值；
依据所述纹理特征值更新所述初始标注图像中的初始损伤概率列表获得第二标签图像。
6.如权利要求1所述的基于人工智能的倒车镜损伤检测方法，其特征在于，所述将待检测车辆图像输入所述车辆部件分割模型获得待检测倒车镜图像，包括：
将待检测车辆图像输入所述部件分割模型获得所述待检测车辆图像中每个像素点的类别和每个类别对应的概率值；
分别将每个像素点的最大概率值对应的类别作为该像素点对应的类别，所述类别至少包括“左倒车镜”和“右倒车镜”；
将类别为“左倒车镜”和“右倒车镜”的像素点作为所述待检测图像对应的倒车镜图像。
7.如权利要求1所述的基于人工智能的倒车镜损伤检测方法，其特征在于，所述将所述待检测倒车镜图像输入所述倒车镜损伤检测模型获得倒车镜损伤检测结果，包括：
将所述倒车镜图像输入所述倒车镜损伤检测模型获得多个预测锚框，每个预测锚框对应一个损伤类别列表和一个预测概率列表，所述预测概率列表中包含多个概率值；
将所述预测概率列表中最大概率值对应的类别作为所述预测锚框对应的损伤类别；
依据所述预测锚框的损伤类别和该损伤类别对应的概率值标记所述待检测车辆图像以获得倒车镜损伤检测结果。
8.一种基于人工智能的倒车镜损伤检测装置，其特征在于，所述装置包括：
预处理单元，用于对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像；
第一训练单元，用于依据所述车辆图像训练车辆部件分割模型；
第二训练单元，用于依据所述倒车镜图像训练倒车镜损伤检测模型；
分割单元，用于将待检测车辆图像输入所述车辆部件分割模型以获得待检测倒车镜图像；
检测单元，用于将所述待检测倒车镜图像输入所述倒车镜损伤检测模型以获得倒车镜损伤检测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储计算机可读指令；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7中任意一项所述的基于人工智能的倒车镜损伤检测方法。
10.一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中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于人工智能的倒车镜损伤检测方法。
CN202210900037.4A 2022-07-28 2022-07-28 基于人工智能的倒车镜损伤检测方法及相关设备 Pending CN115222943A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210900037.4A CN115222943A (zh) 2022-07-28 2022-07-28 基于人工智能的倒车镜损伤检测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210900037.4A CN115222943A (zh) 2022-07-28 2022-07-28 基于人工智能的倒车镜损伤检测方法及相关设备

Publications (1)

Publication Number Publication Date
CN115222943A true CN115222943A (zh) 2022-10-21

Family

ID=83613034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210900037.4A Pending CN115222943A (zh) 2022-07-28 2022-07-28 基于人工智能的倒车镜损伤检测方法及相关设备

Country Status (1)

Country Link
CN (1) CN115222943A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703837A (zh) * 2023-05-24 2023-09-05 北京大学第三医院（北京大学第三临床医学院） 一种基于mri图像的肩袖损伤智能识别方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703837A (zh) * 2023-05-24 2023-09-05 北京大学第三医院（北京大学第三临床医学院） 一种基于mri图像的肩袖损伤智能识别方法及装置
CN116703837B (zh) * 2023-05-24 2024-02-06 北京大学第三医院（北京大学第三临床医学院） 一种基于mri图像的肩袖损伤智能识别方法及装置

Similar Documents

Publication Publication Date Title
CN110097068B (zh) 相似车辆的识别方法和装置
CN112052850B (zh) 车牌识别方法、装置、电子设备及存储介质
CN111652845A (zh) 异常细胞自动标注方法、装置、电子设备及存储介质
CN112102402B (zh) 闪光灯光斑位置识别方法、装置、电子设备及存储介质
CN115063632B (zh) 基于人工智能的车辆损伤识别方法、装置、设备及介质
CN111178357B (zh) 车牌识别方法、系统、设备和存储介质
CN111860522B (zh) 身份证图片处理方法、装置、终端及存储介质
CN114038004A (zh) 一种证件信息提取方法、装置、设备及存储介质
CN115222943A (zh) 基于人工智能的倒车镜损伤检测方法及相关设备
CN115063589A (zh) 基于知识蒸馏的车辆部件分割方法及相关设备
CN112132033A (zh) 车型识别方法、装置、电子设备及存储介质
CN112966687B (zh) 图像分割模型训练方法、装置及通信设备
CN117611569A (zh) 基于人工智能的车辆筋线检测方法、装置、设备及介质
CN111104844B (zh) 多发票信息录入方法、装置、电子设备及存储介质
CN115239958A (zh) 基于人工智能的轮毂损伤检测方法及相关设备
CN115049836B (zh) 图像分割方法、装置、设备及存储介质
CN111127503A (zh) 检测车辆轮胎的花纹的方法、设备和存储介质
CN111429085A (zh) 合同数据生成方法、装置、电子设备及存储介质
CN115131564A (zh) 基于人工智能的车辆部件损伤检测方法及相关设备
CN113221907A (zh) 一种车辆部件分割方法、装置、设备及存储介质
CN116416632A (zh) 基于人工智能的文件自动归档方法及相关设备
CN113705459B (zh) 人脸抓拍方法、装置、电子设备及存储介质
CN115984786A (zh) 车辆损伤检测方法及装置、终端、存储介质
CN111488876B (zh) 基于人工智能的车牌识别方法、装置、设备及介质
CN115562934A (zh) 基于人工智能的业务流量切换方法及相关设备

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