CN115240095A - 车辆喷漆方式识别方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及人工智能，提供一种车辆喷漆方式识别方法、装置、设备及存储介质。该方法获取受损车辆的车辆图像，基于部件分割模型及筋线分割模型分割车辆图像，得到部件轮廓及筋线轮廓，根据部件轮廓及筋线轮廓定位出目标轮廓，基于钣金件损伤检测模型检测车辆图像，得到钣金件损伤框，若钣金件损伤框与目标轮廓不存在交集，则根据钣金件损伤框及部件轮廓能够准确的生成喷漆结果。此外，本发明还涉及区块链技术，所述喷漆结果可存储于区块链中。

Description

车辆喷漆方式识别方法、装置、设备及存储介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种车辆喷漆方式识别方法、装置、设备及存储介质。

背景技术

目前，在车辆定损时，通常会根据理赔用户上传的受损车辆图像识别出受损部件及受损类型，进而结合受损部件及受损类型对受损车辆进行理赔，然而，对于一些需要进行重新喷漆的受损车辆来说，喷漆方式的不同会造成理赔金额存在较大的差异，因此，如何准确的识别出受损车辆的喷漆方式成了亟需解决的技术问题。

发明内容

鉴于以上内容，有必要提供一种车辆喷漆方式识别方法、装置、设备及存储介质，解决如何准确的识别出受损车辆的喷漆方式的技术问题。

一方面，本发明提出一种车辆喷漆方式识别方法，所述车辆喷漆方式识别方法包括：

当接收到车辆喷漆方式识别请求时，根据所述车辆喷漆方式识别请求获取受损车辆的车辆图像；

基于预先训练完成的部件分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆部件及每个车辆部件的部件轮廓；

基于预先训练完成的筋线分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆筋线及每个车辆筋线的筋线轮廓；

根据每个车辆部件的部件轮廓及每个车辆筋线的筋线轮廓定位出所述多个车辆筋线中目标筋线的目标轮廓；

基于预先训练完成的钣金件损伤检测模型对所述车辆图像进行损伤检测，得到所述车辆图像的钣金件损伤框；

检测所述钣金件损伤框与所述目标轮廓是否存在交集；

若所述钣金件损伤框与所述目标轮廓不存在交集，则根据所述钣金件损伤框及每个车辆部件的部件轮廓生成所述受损车辆的喷漆结果。

根据本发明优选实施例，所述部件分割模型包括编码层、特征提取层、标准卷积层及预测轮廓输出层，所述基于预先训练完成的部件分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆部件及每个车辆部件的部件轮廓包括：

基于所述编码层中的像素向量映射表对所述车辆图像进行编码处理，得到图像编码向量；

基于所述特征提取层提取所述图像编码向量的第一特征信息；

基于所述标准卷积层对所述第一特征信息进行卷积处理，得到第二特征信息；

融合所述第一特征信息及所述第二特征信息，得到融合特征信息；

基于所述预测轮廓输出层对所述融合特征信息进行映射处理，得到所述部件轮廓。

根据本发明优选实施例，所述根据每个车辆部件的部件轮廓及每个车辆筋线的筋线轮廓定位出所述多个车辆筋线中目标筋线的目标轮廓包括：

根据所述部件轮廓定位出每个车辆部件在所述车辆图像中的部件位置；

根据所述筋线轮廓定位出每个车辆筋线在所述车辆图像中的筋线位置；

根据所述筋线位置及所述部件位置识别出处于所述部件轮廓中的车辆筋线作为所述目标筋线；

将与所述目标筋线所对应的筋线轮廓确定为所述目标轮廓。

根据本发明优选实施例，所述损伤检测模型包括多个检测卷积层，所述基于预先训练完成的钣金件损伤检测模型对所述车辆图像进行损伤检测，得到所述车辆图像的钣金件损伤框包括：

基于所述多个检测卷积层对所述车辆图像进行特征提取，得到每个检测卷积层的损伤检测特征；

基于所述多个检测卷积层的网络层权值对所述损伤检测特征进行加权和运算，得到所述车辆图像的损伤特征信息；

从所述车辆图像中识别出与所述损伤特征信息对应的检测框作为损伤检测框；

定位所述损伤检测框在所述车辆图像中的检测框位置；

获取预设钣金部件，并从所述部件位置中获取与所述预设钣金部件对应的钣金件位置；

根据所述钣金件位置及所述检测框位置，将与所述预设钣金部件存在交集的损伤检测框确定为所述钣金件损伤框。

根据本发明优选实施例，所述部件轮廓与所述部件位置对应，所述根据所述钣金件损伤框及每个车辆部件的部件轮廓生成所述受损车辆的喷漆结果包括：

从所述检测框位置中获取所述钣金件损伤框的钣金件损伤位置；

根据所述钣金件损伤位置及所述部件位置，统计所述钣金件损伤框中所包含的车辆部件的部件数量；

若所述部件数量小于或者等于预设数量，则确定所述喷漆结果为半喷方式。

根据本发明优选实施例，所述车辆喷漆方式识别方法还包括：

若所述部件数量大于所述预设数量，或者，所述钣金件损伤框与所述目标轮廓存在交集，则确定所述喷漆结果为全喷方式。

根据本发明优选实施例，所述检测所述钣金件损伤框与所述目标轮廓是否存在交集包括：

从所述车辆图像中获取所述钣金件损伤框中的第一像素点；

从所述车辆图像中获取所述目标轮廓中的第二像素点；

检测所述第一像素点中是否存在与所述第二像素点处于同一像素位置上的像素点；

若所述第一像素点中存在与所述第二像素点处于同一像素位置上的像素点，则确定所述钣金件损伤框与所述目标轮廓存在交集；或者

若所述第一像素点中不存在与所述第二像素点处于同一像素位置上的像素点，则确定所述钣金件损伤框与所述目标轮廓不存在交集。

另一方面，本发明还提出一种车辆喷漆方式识别装置，所述车辆喷漆方式识别装置包括：

获取单元，用于当接收到车辆喷漆方式识别请求时，根据所述车辆喷漆方式识别请求获取受损车辆的车辆图像；

分割单元，用于基于预先训练完成的部件分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆部件及每个车辆部件的部件轮廓；

所述分割单元，还用于基于预先训练完成的筋线分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆筋线及每个车辆筋线的筋线轮廓；

定位单元，用于根据每个车辆部件的部件轮廓及每个车辆筋线的筋线轮廓定位出所述多个车辆筋线中目标筋线的目标轮廓；

检测单元，用于基于预先训练完成的钣金件损伤检测模型对所述车辆图像进行损伤检测，得到所述车辆图像的钣金件损伤框；

所述检测单元，还用于检测所述钣金件损伤框与所述目标轮廓是否存在交集；

生成单元，用于若所述钣金件损伤框与所述目标轮廓不存在交集，则根据所述钣金件损伤框及每个车辆部件的部件轮廓生成所述受损车辆的喷漆结果。

另一方面，本发明还提出一种电子设备，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车辆喷漆方式识别方法。

另一方面，本发明还提出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车辆喷漆方式识别方法。

由以上技术方案可以看出，本申请通过结合每个车辆部件的部件轮廓及每个车辆筋线的筋线轮廓能够准确的定位出目标筋线的目标轮廓，由于所述目标筋线相较于所述多个车辆筋线减少了一定数量的筋线，因此，无需对所有车辆筋线进行检测，能够提高所述钣金件损伤框与所述目标轮廓的交集检测效率，从而提高所述喷漆结果的生成效率，通过在所述钣金件损伤框与所述目标轮廓不存在交集时，进一步结合每个车辆部件的部件轮廓对所述钣金件损伤框进行检测，能够提高所述喷漆结果的生成准确性，从而能够提高车险理赔的准确性。

附图说明

图1是本发明车辆喷漆方式识别方法的较佳实施例的流程图。

图2是本发明车辆喷漆方式识别装置的较佳实施例的功能模块图。

图3是本发明实现车辆喷漆方式识别方法的较佳实施例的电子设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

如图1所示，是本发明车辆喷漆方式识别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。

所述车辆喷漆方式识别方法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。

所述车辆喷漆方式识别方法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计算机可读指令，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 Specific IntegratedCircuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(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)、智能穿戴式设备等。

所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。

所述电子设备所在的网络包括，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。

S10，当接收到车辆喷漆方式识别请求时，根据所述车辆喷漆方式识别请求获取受损车辆的车辆图像。

在本发明的至少一个实施例中，所述车辆喷漆方式识别请求可以由负责保险理赔的工作人员触发生成，也可以由维修所述受损车辆的工作人员触发生成，也可以由所述受损车辆的持有用户触发生成。所述车辆喷漆方式识别请求还可以在所述持有用户上传完所述车辆图像后触发生成。

所述受损车辆是指需要进行维修或者理赔的车辆，所述车辆图像是指在受损状态时，对所述受损车辆所拍摄得到的图像。

在本发明的至少一个实施例中，所述电子设备根据所述车辆喷漆方式识别请求获取受损车辆的车辆图像包括：

从所述车辆喷漆方式识别请求中提取请求时刻、车辆识别码及图像存储路径；

从所述图像存储路径中获取同时与所述请求时刻及所述车辆识别码对应的图像作为所述车辆图像。

其中，所述请求时刻是指触发所述车辆喷漆方式识别请求生成的时刻点。所述请求时刻与所述车辆图像上传至图像库的时刻点相同。

通过结合所述请求时刻及所述车辆识别码，能够准确的获取到所述车辆图像，同时，由于所述车辆图像能够直接从所述图像存储路径中获取，因此，能够提高所述车辆图像的获取效率。

S11，基于预先训练完成的部件分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆部件及每个车辆部件的部件轮廓。

在本发明的至少一个实施例中，所述部件分割模型包括编码层、特征提取层、标准卷积层及预测轮廓输出层。所述部件分割模型用于分割出所述车辆图像中的车辆部件所对应的部件轮廓。

所述多个车辆部件包括叶子板、行李箱盖、车灯等，所述部件轮廓是指构成对应车辆部件的外缘的线条。

在本发明的至少一个实施例中，所述电子设备基于预先训练完成的部件分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆部件及每个车辆部件的部件轮廓包括：

基于所述编码层中的像素向量映射表对所述车辆图像进行编码处理，得到图像编码向量；

基于所述特征提取层提取所述图像编码向量的第一特征信息；

基于所述标准卷积层对所述第一特征信息进行卷积处理，得到第二特征信息；

融合所述第一特征信息及所述第二特征信息，得到融合特征信息；

基于所述预测轮廓输出层对所述融合特征信息进行映射处理，得到所述部件轮廓。

其中，所述像素向量映射表中存储有像素值与向量的映射关系。

通过所述像素向量映射表能够准确的对所述车辆图像进行编码，提高所述图像编码向量对所述车辆图像的表征能力，基于所述特征提取层及所述标准卷积层能够分别提取到所述车辆图像的特征信息，进一步地，通过结合所述第一特征信息及所述第二特征信息能够准确的生成所述车辆图像的融合特征信息，从而提高所述部件轮廓的分割准确性。

具体地，所述电子设备融合所述第一特征信息及所述第二特征信息，得到融合特征信息包括：

对所述第一特征信息进行降维处理，得到低维特征；

对所述第二特征信息进行上采样处理，得到采样特征，所述采样特征的维度等于所述低维特征的维度；

计算所述低维特征与所述采样特征在每个向量维度上的平均值，得到所述融合特征信息。

通过对所述第一特征信息进行降维处理，以及对所述第二特征信息进行上采样处理，能够确保所述采样特征的维度等于所述低维特征的维度，从而有利于所述融合特征信息的生成。

S12，基于预先训练完成的筋线分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆筋线及每个车辆筋线的筋线轮廓。

在本发明的至少一个实施例中，所述筋线分割模型用于分割出所述车辆图像中的车辆筋线所对应的筋线轮廓。

本实施例中，由于所述筋线分割模型的网络结构与所述部件分割模型的网络结构相似，因此，所述电子设备基于所述筋线分割模型对所述车辆图像进行部件分割处理的具体方式本申请对此不再赘述。

S13，根据每个车辆部件的部件轮廓及每个车辆筋线的筋线轮廓定位出所述多个车辆筋线中目标筋线的目标轮廓。

在本发明的至少一个实施例中，所述目标筋线是指处于所述部件轮廓中的车辆筋线。

在本发明的至少一个实施例中，所述电子设备根据每个车辆部件的部件轮廓及每个车辆筋线的筋线轮廓定位出所述多个车辆筋线中目标筋线的目标轮廓包括：

根据所述部件轮廓定位出每个车辆部件在所述车辆图像中的部件位置；

根据所述筋线轮廓定位出每个车辆筋线在所述车辆图像中的筋线位置；

根据所述筋线位置及所述部件位置识别出处于所述部件轮廓中的车辆筋线作为所述目标筋线；

将与所述目标筋线所对应的筋线轮廓确定为所述目标轮廓。

通过结合所述筋线位置及所述部件位置，能够准确的识别出处于所述部件轮廓中的车辆筋线，从而提高所述目标筋线的筛选准确性，从而提高所述目标轮廓的准确性。

S14，基于预先训练完成的钣金件损伤检测模型对所述车辆图像进行损伤检测，得到所述车辆图像的钣金件损伤框。

在本发明的至少一个实施例中，所述损伤检测模型包括多个检测卷积层。

所述钣金件损伤框是指所述受损车辆中钣金部件所对应的损伤检测框。所述钣金件损伤框中包含有受损的钣金部件。

在本发明的至少一个实施例中，所述电子设备基于预先训练完成的钣金件损伤检测模型对所述车辆图像进行损伤检测，得到所述车辆图像的钣金件损伤框包括：

基于所述多个检测卷积层对所述车辆图像进行特征提取，得到每个检测卷积层的损伤检测特征；

基于所述多个检测卷积层的网络层权值对所述损伤检测特征进行加权和运算，得到所述车辆图像的损伤特征信息；

从所述车辆图像中识别出与所述损伤特征信息对应的检测框作为损伤检测框；

定位所述损伤检测框在所述车辆图像中的检测框位置；

获取预设钣金部件，并从所述部件位置中获取与所述预设钣金部件对应的钣金件位置；

根据所述钣金件位置及所述检测框位置，将与所述预设钣金部件存在交集的损伤检测框确定为所述钣金件损伤框。

其中，所述网络层权值是指所述钣金件损伤检测模型中每个检测卷积层所对应的权值，所述网络层权值可以根据所述钣金件损伤检测模型中每个检测卷积层的检测能力或者检测损失值确定。

所述预设钣金部件通常包括叶子板、行李箱盖等车辆部件。

通过结合所述多个检测卷积层及所述网络层权值能够准确的提取到所述车辆图像的损伤特征信息，从而提高所述损伤检测框的识别准确性，进一步地，通过所述钣金件位置及所述检测框位置能够直接的确定出与所述预设钣金部件存在交集的损伤检测框，提高所述钣金件损伤框的确定效率。

S15，检测所述钣金件损伤框与所述目标轮廓是否存在交集。

在本发明的至少一个实施例中，所述电子设备检测所述钣金件损伤框与所述目标轮廓是否存在交集包括：

从所述车辆图像中获取所述钣金件损伤框中的第一像素点；

从所述车辆图像中获取所述目标轮廓中的第二像素点；

检测所述第一像素点中是否存在与所述第二像素点处于同一像素位置上的像素点；

若所述第一像素点中存在与所述第二像素点处于同一像素位置上的像素点，则确定所述钣金件损伤框与所述目标轮廓存在交集；或者

若所述第一像素点中不存在与所述第二像素点处于同一像素位置上的像素点，则确定所述钣金件损伤框与所述目标轮廓不存在交集。

其中，所述第一像素点是指所述车辆图像中构成所述钣金件损伤框的像素点，所述第二像素点是指所述车辆图像中构成所述目标轮廓的像素点。

通过上述实施方式，由于筋线相较于车辆来说特征较小，因此通过基于像素点检测所述钣金件损伤框与所述目标轮廓是否存在交集，能够提高检测准确性。

S16，若所述钣金件损伤框与所述目标轮廓不存在交集，则根据所述钣金件损伤框及每个车辆部件的部件轮廓生成所述受损车辆的喷漆结果。

需要强调的是，为进一步保证上述喷漆结果的私密和安全性，上述喷漆结果还可以存储于一区块链的节点中。

在本发明的至少一个实施例中，所述喷漆结果包括半喷方式及全喷方式。其中，所述半喷方式是指对所述受损车辆进行局部喷漆，所述全喷方式是指对所述受损车辆进行整体喷漆。

在本发明的至少一个实施例中，所述部件轮廓与所述部件位置对应，所述电子设备根据所述钣金件损伤框及每个车辆部件的部件轮廓生成所述受损车辆的喷漆结果包括：

从所述检测框位置中获取所述钣金件损伤框的钣金件损伤位置；

根据所述钣金件损伤位置及所述部件位置，统计所述钣金件损伤框中所包含的车辆部件的部件数量；

若所述部件数量小于或者等于预设数量，则确定所述喷漆结果为半喷方式。

其中，所述预设数量通常设定为1。

通过在所述钣金件损伤框与所述目标轮廓不存在交集时，说明所述受损车辆不存在跨部件损伤，进一步通过比较所述部件数量与所述预设数量的关系，能够避免因所述受损车辆中存在多个不相邻的部件损伤，而造成所述喷漆结果不准确。

在本发明的至少一个实施例中，所述车辆喷漆方式识别方法还包括：

若所述部件数量大于所述预设数量，或者，所述钣金件损伤框与所述目标轮廓存在交集，则确定所述喷漆结果为全喷方式。

通过上述实施方式，将所述喷漆结果直接确定为全喷方式，不仅能够避免因受损面积过大、或者跨越了车辆部件上的筋线而造成受损部件在维修后存在色差，还能够避免车险理赔结果不准确。

由以上技术方案可以看出，本申请通过结合每个车辆部件的部件轮廓及每个车辆筋线的筋线轮廓能够准确的定位出目标筋线的目标轮廓，由于所述目标筋线相较于所述多个车辆筋线减少了一定数量的筋线，因此，无需对所有车辆筋线进行检测，能够提高所述钣金件损伤框与所述目标轮廓的交集检测效率，从而提高所述喷漆结果的生成效率，通过在所述钣金件损伤框与所述目标轮廓不存在交集时，进一步结合每个车辆部件的部件轮廓对所述钣金件损伤框进行检测，能够提高所述喷漆结果的生成准确性，从而能够提高车险理赔的准确性。

如图2所示，是本发明车辆喷漆方式识别装置的较佳实施例的功能模块图。所述车辆喷漆方式识别装置11包括获取单元110、分割单元111、定位单元112、检测单元113及生成单元114。本发明所称的模块/单元是指一种能够被处理器13所获取，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。

当接收到车辆喷漆方式识别请求时，获取单元110根据所述车辆喷漆方式识别请求获取受损车辆的车辆图像。

在本发明的至少一个实施例中，所述车辆喷漆方式识别请求可以由负责保险理赔的工作人员触发生成，也可以由维修所述受损车辆的工作人员触发生成，也可以由所述受损车辆的持有用户触发生成。所述车辆喷漆方式识别请求还可以在所述持有用户上传完所述车辆图像后触发生成。

所述受损车辆是指需要进行维修或者理赔的车辆，所述车辆图像是指在受损状态时，对所述受损车辆所拍摄得到的图像。

在本发明的至少一个实施例中，所述获取单元110根据所述车辆喷漆方式识别请求获取受损车辆的车辆图像包括：

从所述车辆喷漆方式识别请求中提取请求时刻、车辆识别码及图像存储路径；

从所述图像存储路径中获取同时与所述请求时刻及所述车辆识别码对应的图像作为所述车辆图像。

其中，所述请求时刻是指触发所述车辆喷漆方式识别请求生成的时刻点。所述请求时刻与所述车辆图像上传至图像库的时刻点相同。

通过结合所述请求时刻及所述车辆识别码，能够准确的获取到所述车辆图像，同时，由于所述车辆图像能够直接从所述图像存储路径中获取，因此，能够提高所述车辆图像的获取效率。

分割单元111基于预先训练完成的部件分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆部件及每个车辆部件的部件轮廓。

在本发明的至少一个实施例中，所述部件分割模型包括编码层、特征提取层、标准卷积层及预测轮廓输出层。所述部件分割模型用于分割出所述车辆图像中的车辆部件所对应的部件轮廓。

所述多个车辆部件包括叶子板、行李箱盖、车灯等，所述部件轮廓是指构成对应车辆部件的外缘的线条。

在本发明的至少一个实施例中，所述分割单元111基于预先训练完成的部件分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆部件及每个车辆部件的部件轮廓包括：

基于所述编码层中的像素向量映射表对所述车辆图像进行编码处理，得到图像编码向量；

基于所述特征提取层提取所述图像编码向量的第一特征信息；

基于所述标准卷积层对所述第一特征信息进行卷积处理，得到第二特征信息；

融合所述第一特征信息及所述第二特征信息，得到融合特征信息；

基于所述预测轮廓输出层对所述融合特征信息进行映射处理，得到所述部件轮廓。

其中，所述像素向量映射表中存储有像素值与向量的映射关系。

通过所述像素向量映射表能够准确的对所述车辆图像进行编码，提高所述图像编码向量对所述车辆图像的表征能力，基于所述特征提取层及所述标准卷积层能够分别提取到所述车辆图像的特征信息，进一步地，通过结合所述第一特征信息及所述第二特征信息能够准确的生成所述车辆图像的融合特征信息，从而提高所述部件轮廓的分割准确性。

具体地，所述分割单元111融合所述第一特征信息及所述第二特征信息，得到融合特征信息包括：

对所述第一特征信息进行降维处理，得到低维特征；

对所述第二特征信息进行上采样处理，得到采样特征，所述采样特征的维度等于所述低维特征的维度；

计算所述低维特征与所述采样特征在每个向量维度上的平均值，得到所述融合特征信息。

通过对所述第一特征信息进行降维处理，以及对所述第二特征信息进行上采样处理，能够确保所述采样特征的维度等于所述低维特征的维度，从而有利于所述融合特征信息的生成。

所述分割单元111基于预先训练完成的筋线分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆筋线及每个车辆筋线的筋线轮廓。

在本发明的至少一个实施例中，所述筋线分割模型用于分割出所述车辆图像中的车辆筋线所对应的筋线轮廓。

本实施例中，由于所述筋线分割模型的网络结构与所述部件分割模型的网络结构相似，因此，所述分割单元111基于所述筋线分割模型对所述车辆图像进行部件分割处理的具体方式本申请对此不再赘述。

定位单元112根据每个车辆部件的部件轮廓及每个车辆筋线的筋线轮廓定位出所述多个车辆筋线中目标筋线的目标轮廓。

在本发明的至少一个实施例中，所述目标筋线是指处于所述部件轮廓中的车辆筋线。

在本发明的至少一个实施例中，所述定位单元112根据每个车辆部件的部件轮廓及每个车辆筋线的筋线轮廓定位出所述多个车辆筋线中目标筋线的目标轮廓包括：

根据所述部件轮廓定位出每个车辆部件在所述车辆图像中的部件位置；

根据所述筋线轮廓定位出每个车辆筋线在所述车辆图像中的筋线位置；

根据所述筋线位置及所述部件位置识别出处于所述部件轮廓中的车辆筋线作为所述目标筋线；

将与所述目标筋线所对应的筋线轮廓确定为所述目标轮廓。

通过结合所述筋线位置及所述部件位置，能够准确的识别出处于所述部件轮廓中的车辆筋线，从而提高所述目标筋线的筛选准确性，从而提高所述目标轮廓的准确性。

检测单元113基于预先训练完成的钣金件损伤检测模型对所述车辆图像进行损伤检测，得到所述车辆图像的钣金件损伤框。

在本发明的至少一个实施例中，所述损伤检测模型包括多个检测卷积层。

所述钣金件损伤框是指所述受损车辆中钣金部件所对应的损伤检测框。所述钣金件损伤框中包含有受损的钣金部件。

在本发明的至少一个实施例中，所述检测单元113基于预先训练完成的钣金件损伤检测模型对所述车辆图像进行损伤检测，得到所述车辆图像的钣金件损伤框包括：

基于所述多个检测卷积层对所述车辆图像进行特征提取，得到每个检测卷积层的损伤检测特征；

基于所述多个检测卷积层的网络层权值对所述损伤检测特征进行加权和运算，得到所述车辆图像的损伤特征信息；

从所述车辆图像中识别出与所述损伤特征信息对应的检测框作为损伤检测框；

定位所述损伤检测框在所述车辆图像中的检测框位置；

获取预设钣金部件，并从所述部件位置中获取与所述预设钣金部件对应的钣金件位置；

根据所述钣金件位置及所述检测框位置，将与所述预设钣金部件存在交集的损伤检测框确定为所述钣金件损伤框。

其中，所述网络层权值是指所述钣金件损伤检测模型中每个检测卷积层所对应的权值，所述网络层权值可以根据所述钣金件损伤检测模型中每个检测卷积层的检测能力或者检测损失值确定。

所述预设钣金部件通常包括叶子板、行李箱盖等车辆部件。

通过结合所述多个检测卷积层及所述网络层权值能够准确的提取到所述车辆图像的损伤特征信息，从而提高所述损伤检测框的识别准确性，进一步地，通过所述钣金件位置及所述检测框位置能够直接的确定出与所述预设钣金部件存在交集的损伤检测框，提高所述钣金件损伤框的确定效率。

所述检测单元113检测所述钣金件损伤框与所述目标轮廓是否存在交集。

在本发明的至少一个实施例中，所述电子设备检测所述钣金件损伤框与所述目标轮廓是否存在交集包括：

从所述车辆图像中获取所述钣金件损伤框中的第一像素点；

从所述车辆图像中获取所述目标轮廓中的第二像素点；

检测所述第一像素点中是否存在与所述第二像素点处于同一像素位置上的像素点；

若所述第一像素点中存在与所述第二像素点处于同一像素位置上的像素点，则确定所述钣金件损伤框与所述目标轮廓存在交集；或者

若所述第一像素点中不存在与所述第二像素点处于同一像素位置上的像素点，则确定所述钣金件损伤框与所述目标轮廓不存在交集。

其中，所述第一像素点是指所述车辆图像中构成所述钣金件损伤框的像素点，所述第二像素点是指所述车辆图像中构成所述目标轮廓的像素点。

通过上述实施方式，由于筋线相较于车辆来说特征较小，因此通过基于像素点检测所述钣金件损伤框与所述目标轮廓是否存在交集，能够提高检测准确性。

若所述钣金件损伤框与所述目标轮廓不存在交集，则生成单元114根据所述钣金件损伤框及每个车辆部件的部件轮廓生成所述受损车辆的喷漆结果。

需要强调的是，为进一步保证上述喷漆结果的私密和安全性，上述喷漆结果还可以存储于一区块链的节点中。

在本发明的至少一个实施例中，所述喷漆结果包括半喷方式及全喷方式。其中，所述半喷方式是指对所述受损车辆进行局部喷漆，所述全喷方式是指对所述受损车辆进行整体喷漆。

在本发明的至少一个实施例中，所述部件轮廓与所述部件位置对应，所述生成单元114根据所述钣金件损伤框及每个车辆部件的部件轮廓生成所述受损车辆的喷漆结果包括：

从所述检测框位置中获取所述钣金件损伤框的钣金件损伤位置；

根据所述钣金件损伤位置及所述部件位置，统计所述钣金件损伤框中所包含的车辆部件的部件数量；

若所述部件数量小于或者等于预设数量，则确定所述喷漆结果为半喷方式。

其中，所述预设数量通常设定为1。

通过在所述钣金件损伤框与所述目标轮廓不存在交集时，说明所述受损车辆不存在跨部件损伤，进一步通过比较所述部件数量与所述预设数量的关系，能够避免因所述受损车辆中存在多个不相邻的部件损伤，而造成所述喷漆结果不准确。

在本发明的至少一个实施例中，若所述部件数量大于所述预设数量，或者，所述钣金件损伤框与所述目标轮廓存在交集，则所述生成单元114确定所述喷漆结果为全喷方式。

通过上述实施方式，将所述喷漆结果直接确定为全喷方式，不仅能够避免因受损面积过大、或者跨越了车辆部件上的筋线而造成受损部件在维修后存在色差，还能够避免车险理赔结果不准确。

由以上技术方案可以看出，本申请通过结合每个车辆部件的部件轮廓及每个车辆筋线的筋线轮廓能够准确的定位出目标筋线的目标轮廓，由于所述目标筋线相较于所述多个车辆筋线减少了一定数量的筋线，因此，无需对所有车辆筋线进行检测，能够提高所述钣金件损伤框与所述目标轮廓的交集检测效率，从而提高所述喷漆结果的生成效率，通过在所述钣金件损伤框与所述目标轮廓不存在交集时，进一步结合每个车辆部件的部件轮廓对所述钣金件损伤框进行检测，能够提高所述喷漆结果的生成准确性，从而能够提高车险理赔的准确性。

如图3所示，是本发明实现车辆喷漆方式识别方法的较佳实施例的电子设备的结构示意图。

在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如车辆喷漆方式识别程序。

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，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。

所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。

示例性的，所述计算机可读指令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，以完成本发明。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，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、分割单元111、定位单元112、检测单元113及生成单元114。

所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。

所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。

所述电子设备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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。

其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令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可读指令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)、随机存取存储器(RAM，Random Access Memory)。

本发明所指区块链是分布式车辆喷漆方式识别、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。

结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种车辆喷漆方式识别方法，所述处理器13可执行所述计算机可读指令从而实现：

当接收到车辆喷漆方式识别请求时，根据所述车辆喷漆方式识别请求获取受损车辆的车辆图像；

基于预先训练完成的部件分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆部件及每个车辆部件的部件轮廓；

基于预先训练完成的筋线分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆筋线及每个车辆筋线的筋线轮廓；

根据每个车辆部件的部件轮廓及每个车辆筋线的筋线轮廓定位出所述多个车辆筋线中目标筋线的目标轮廓；

基于预先训练完成的钣金件损伤检测模型对所述车辆图像进行损伤检测，得到所述车辆图像的钣金件损伤框；

检测所述钣金件损伤框与所述目标轮廓是否存在交集；

若所述钣金件损伤框与所述目标轮廓不存在交集，则根据所述钣金件损伤框及每个车辆部件的部件轮廓生成所述受损车辆的喷漆结果。

具体地，所述处理器13对上述计算机可读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。

在本发明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。

所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：

当接收到车辆喷漆方式识别请求时，根据所述车辆喷漆方式识别请求获取受损车辆的车辆图像；

基于预先训练完成的部件分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆部件及每个车辆部件的部件轮廓；

基于预先训练完成的筋线分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆筋线及每个车辆筋线的筋线轮廓；

根据每个车辆部件的部件轮廓及每个车辆筋线的筋线轮廓定位出所述多个车辆筋线中目标筋线的目标轮廓；

基于预先训练完成的钣金件损伤检测模型对所述车辆图像进行损伤检测，得到所述车辆图像的钣金件损伤框；

检测所述钣金件损伤框与所述目标轮廓是否存在交集；

若所述钣金件损伤框与所述目标轮廓不存在交集，则根据所述钣金件损伤框及每个车辆部件的部件轮廓生成所述受损车辆的喷漆结果。

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，在本发明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。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

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。所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发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种车辆喷漆方式识别方法，其特征在于，所述车辆喷漆方式识别方法包括：

当接收到车辆喷漆方式识别请求时，根据所述车辆喷漆方式识别请求获取受损车辆的车辆图像；

基于预先训练完成的部件分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆部件及每个车辆部件的部件轮廓；

基于预先训练完成的筋线分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆筋线及每个车辆筋线的筋线轮廓；

根据每个车辆部件的部件轮廓及每个车辆筋线的筋线轮廓定位出所述多个车辆筋线中目标筋线的目标轮廓；

基于预先训练完成的钣金件损伤检测模型对所述车辆图像进行损伤检测，得到所述车辆图像的钣金件损伤框；

检测所述钣金件损伤框与所述目标轮廓是否存在交集；

若所述钣金件损伤框与所述目标轮廓不存在交集，则根据所述钣金件损伤框及每个车辆部件的部件轮廓生成所述受损车辆的喷漆结果。

2.如权利要求1所述的车辆喷漆方式识别方法，其特征在于，所述部件分割模型包括编码层、特征提取层、标准卷积层及预测轮廓输出层，所述基于预先训练完成的部件分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆部件及每个车辆部件的部件轮廓包括：

基于所述编码层中的像素向量映射表对所述车辆图像进行编码处理，得到图像编码向量；

基于所述特征提取层提取所述图像编码向量的第一特征信息；

基于所述标准卷积层对所述第一特征信息进行卷积处理，得到第二特征信息；

融合所述第一特征信息及所述第二特征信息，得到融合特征信息；

基于所述预测轮廓输出层对所述融合特征信息进行映射处理，得到所述部件轮廓。

3.如权利要求1所述的车辆喷漆方式识别方法，其特征在于，所述根据每个车辆部件的部件轮廓及每个车辆筋线的筋线轮廓定位出所述多个车辆筋线中目标筋线的目标轮廓包括：

根据所述部件轮廓定位出每个车辆部件在所述车辆图像中的部件位置；

根据所述筋线轮廓定位出每个车辆筋线在所述车辆图像中的筋线位置；

根据所述筋线位置及所述部件位置识别出处于所述部件轮廓中的车辆筋线作为所述目标筋线；

将与所述目标筋线所对应的筋线轮廓确定为所述目标轮廓。

4.如权利要求3所述的车辆喷漆方式识别方法，其特征在于，所述损伤检测模型包括多个检测卷积层，所述基于预先训练完成的钣金件损伤检测模型对所述车辆图像进行损伤检测，得到所述车辆图像的钣金件损伤框包括：

基于所述多个检测卷积层对所述车辆图像进行特征提取，得到每个检测卷积层的损伤检测特征；

基于所述多个检测卷积层的网络层权值对所述损伤检测特征进行加权和运算，得到所述车辆图像的损伤特征信息；

从所述车辆图像中识别出与所述损伤特征信息对应的检测框作为损伤检测框；

定位所述损伤检测框在所述车辆图像中的检测框位置；

获取预设钣金部件，并从所述部件位置中获取与所述预设钣金部件对应的钣金件位置；

根据所述钣金件位置及所述检测框位置，将与所述预设钣金部件存在交集的损伤检测框确定为所述钣金件损伤框。

5.如权利要求4所述的车辆喷漆方式识别方法，其特征在于，所述部件轮廓与所述部件位置对应，所述根据所述钣金件损伤框及每个车辆部件的部件轮廓生成所述受损车辆的喷漆结果包括：

从所述检测框位置中获取所述钣金件损伤框的钣金件损伤位置；

根据所述钣金件损伤位置及所述部件位置，统计所述钣金件损伤框中所包含的车辆部件的部件数量；

若所述部件数量小于或者等于预设数量，则确定所述喷漆结果为半喷方式。

6.如权利要求5所述的车辆喷漆方式识别方法，其特征在于，所述车辆喷漆方式识别方法还包括：

若所述部件数量大于所述预设数量，或者，所述钣金件损伤框与所述目标轮廓存在交集，则确定所述喷漆结果为全喷方式。

7.如权利要求1所述的车辆喷漆方式识别方法，其特征在于，所述检测所述钣金件损伤框与所述目标轮廓是否存在交集包括：

从所述车辆图像中获取所述钣金件损伤框中的第一像素点；

从所述车辆图像中获取所述目标轮廓中的第二像素点；

检测所述第一像素点中是否存在与所述第二像素点处于同一像素位置上的像素点；

若所述第一像素点中存在与所述第二像素点处于同一像素位置上的像素点，则确定所述钣金件损伤框与所述目标轮廓存在交集；或者

若所述第一像素点中不存在与所述第二像素点处于同一像素位置上的像素点，则确定所述钣金件损伤框与所述目标轮廓不存在交集。

8.一种车辆喷漆方式识别装置，其特征在于，所述车辆喷漆方式识别装置包括：

获取单元，用于当接收到车辆喷漆方式识别请求时，根据所述车辆喷漆方式识别请求获取受损车辆的车辆图像；

分割单元，用于基于预先训练完成的部件分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆部件及每个车辆部件的部件轮廓；

所述分割单元，还用于基于预先训练完成的筋线分割模型对所述车辆图像进行部件分割处理，得到所述受损车辆的多个车辆筋线及每个车辆筋线的筋线轮廓；

定位单元，用于根据每个车辆部件的部件轮廓及每个车辆筋线的筋线轮廓定位出所述多个车辆筋线中目标筋线的目标轮廓；

检测单元，用于基于预先训练完成的钣金件损伤检测模型对所述车辆图像进行损伤检测，得到所述车辆图像的钣金件损伤框；

所述检测单元，还用于检测所述钣金件损伤框与所述目标轮廓是否存在交集；

生成单元，用于若所述钣金件损伤框与所述目标轮廓不存在交集，则根据所述钣金件损伤框及每个车辆部件的部件轮廓生成所述受损车辆的喷漆结果。

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7中任意一项所述的车辆喷漆方式识别方法。

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中任意一项所述的车辆喷漆方式识别方法。

Images