KR102170930B1 - 자동차 파손 그림 각도 보정 방법, 전자장치 및 판독 가능한 저장매체 - Google Patents

자동차 파손 그림 각도 보정 방법, 전자장치 및 판독 가능한 저장매체 Download PDF

Info

Publication number
KR102170930B1
KR102170930B1 KR1020187024868A KR20187024868A KR102170930B1 KR 102170930 B1 KR102170930 B1 KR 102170930B1 KR 1020187024868 A KR1020187024868 A KR 1020187024868A KR 20187024868 A KR20187024868 A KR 20187024868A KR 102170930 B1 KR102170930 B1 KR 102170930B1
Authority
KR
South Korea
Prior art keywords
rotation
picture
classification
preset
rotation classification
Prior art date
Application number
KR1020187024868A
Other languages
English (en)
Other versions
KR20190021190A (ko
Inventor
잰쭝 왕
천위 왕
진 마
징 시야오
Original Assignee
핑안 테크놀로지 (션젼) 컴퍼니 리미티드
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 핑안 테크놀로지 (션젼) 컴퍼니 리미티드 filed Critical 핑안 테크놀로지 (션젼) 컴퍼니 리미티드
Publication of KR20190021190A publication Critical patent/KR20190021190A/ko
Application granted granted Critical
Publication of KR102170930B1 publication Critical patent/KR102170930B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G06T3/608—Rotation of whole images or parts thereof by skew deformation, e.g. two-pass or three-pass rotation
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06K9/6256—
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V20/00—Scenes; Scene-specific elements

Landscapes

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

Abstract

본 발명은 자동차 파손 그림 각도 보정 방법, 전자장치 및 판독 가능한 저장매체를 개시하고 이 방법은 분류 및 인식을 할 자동차 파손 그림이 수신된 후, 미리 훈련된 그림 회전 분류 인식 모델을 이용하여 수신된 자동차 파손 그림과 대응되는 회전 분류를 인식하며, 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하고 상기 회전 제어 파라미터는 회전각도와 회전방향을 포함하며, 결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 정상적인 각도의 자동차 파손 그림을 생성하도록 한다. 본발명은 더 전면적이고 효율적으로 자동차 파손 그림 각도 보정을 수행할 수 있으며 자동차 파손 그림 각도 인식과 그림 회전을 수동으로 할 필요없이 효율 및 정확도가 더 높아진다.

Description

자동차 파손 그림 각도 보정 방법, 전자장치 및 판독 가능한 저장매체
본 발명은 컴퓨터 기술 분야에 관한 것으로, 특히 자동차 파손 그림 각도 보정 방법, 전자장치 및 판독 가능한 저장매체에 관한 것이다.
현재, 자동차 보험 배상 분야에서, 보험 배상 효율을 향상시키기 위해 많은 자동차 보험 회사가 자동차 보험 배상 시스템에서 이미지 분류 및 인식 기술을 이용하여 업로드된 보험 배상 그림에서의 차량과 파손 부위에 대해 자동인식을 수행하나 자동차 보험 배상 시스템에 수신된 이미지 분류 및 인식을 할 그림은 일부 그림이 회전되거나 수직 뒤집힌 경우가 많다. 정상적인 상황에서 그림에 교환 이미지 파일 형식(Exchangeable image file format，즉EXIF)의 정보가 포함되고, 이 정보에는 그림 방향의 정보가 포함되고, 그림 뷰어는 이 정보에 따라 그림을 디스플레이할 때 이미지에 대해 상응한 회전을 하나 일부 상황에서 이 정보가 소실하기 때문에 보험 배상 시스템에서의 일부 그림의 방향은 잘못 디스플레이된다. 다라서, 업계의 해결방안은 다음과 같다. 보험 정산인은 방향이 잘못 디스플레이된 그림을 수동으로 검사하며 그림 뷰어를 통해 수동으로 방향이 잘못 디스플레이된 그림을 회전하여 그림에 대해 원활히 분류 및 인식을 수행하도록 하고, 이 기존의 해결 방안은 효율이 낮고 오류가 나기 쉽다.
본 발명의 목적은 자동차 파손 그림 각도 보정을 효율적이고 정확하게 수행하기 위해 자동차 파손 그림 각도 보정 방법, 전자장치 및 판독 가능한 저장매체를 제공하고자 한다.
상기 목적을 달성하기 위해, 본 발명은 자동차 파손 그림 각도 보정 방법을 개시하고 상기 방법은 다음과 같은 단계를 포함한다.
A. 자동차 파손 그림 각도 보정 시스템이 분류 및 인식을 할 자동차 파손 그림이 수신된 후, 미리 훈련된 그림 회전 분류 인식 모델을 이용하여 수신된 자동차 파손 그림과 대응되는 회전 분류를 인식한다.
B. 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하고 상기 회전 제어 파라미터는 회전각도와 회전방향을 포함한다.
C. 결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 정상적인 각도의 자동차 파손 그림을 생성하도록 한다.
또한, 상기 목적을 달성하기 위해, 본 발명은 전자장치를 개시하고, 상기 전자장치는 저장장치, 프로세서, 상기 저장 장치에 저장되어 상기 프러세서 상에서 실행될 수 있는 자동차 파손 그림 각도 보정 시스템을 포함하고, 상기 자동차 파손 그림 각도 보정 시스템은 프로세서에 의해 실행되어, 다음과 같은 단계를 수행한다.
분류 및 인식을 할 자동차 파손 그림이 수신된 후, 미리 훈련된 그림 회전 분류 인식 모델을 이용하여 수신된 자동차 파손 그림과 대응되는 회전 분류를 인식한다.
미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하고 상기 회전 제어 파라미터는 회전각도와 회전방향을 포함한다.
결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 정상적인 각도의 자동차 파손 그림을 생성하도록 한다.
또한, 상기 목적을 달성하기 위해, 본 발명은 컴퓨터 판독 가능한 저장매체를 개시하고, 상기 컴퓨터 판독 가능한 저장매체는 자동차 파손 그림 각도 보정 시스템이 저장되고 상기 자동차 파손 그림 각도 보정 시스템은 적어도 하나의 프로세서에 의해 실행되어 상기 적어도 하나의 프로세서가 상기 자동차 파손 그림 각도 보정 방법의 단계를 수행하도록 한다.
본 발명에 따른 자동차 파손 그림 각도 보정 방법, 전자장치 및 판독 가능한 저장매체는 미리 훈련된 그림 회전 분류 인식 모델에 의해 그림을 인식할 자동차 파손 그림과 대응되는 회전 분류가 인식되고 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하며, 결정된 회전 제어 파라미터를 이용하여 수신된 자동차 파손 그림을 회전한다. 미리 훈련된 그림 회전 분류 인식 모델에 의해 각 종류의 자동차 파손 그림의 회전 분류가 인식될 수 있어 그의 회전 분류와 대응되는 회전 제어 파라미터를 찾아 자동차 파손 그림이 정상적인 각도의 자동차 파손 그림으로 되도록 회전하며, 그림에서의 교환 이미지 파일 형식의 정보에 의해 회전할 필요없이 더 전면적이고 효율적으로 자동차 파손 그림 각도 보정을 수행할 수 있으며 자동차 파손 그림 각도 인식과 그림 회전을 수동으로 할 필요없이 효율 및 정확도가 더 높아진다.
도1은 본 발명에 따른 자동차 파손 그림 각도 보정 시스템(10)의 바람직한 실시예의 애플리케이션 환경의 도면이다.
도2는 본 발명에 따른 자동차 파손 그림 각도 보정 시스템의 일 실시예의 기능 모듈의 도면이다.
도3은 본 발명에 따른 자동차 파손 그림 각도 보정 시스템의 다른 실시예의 기능 모듈의 도면이다.
도4는 본 발명에 따른 자동차 파손 그림 각도 보정 방법의 일 실시예의 흐름도이다.
본 발명의 목적 실현, 기능 특징 및 장점에 대해 실시예를 통해 도면을 참조하여 설명하기로 한다.
본 발명이 해결하고자 하는 기술문제, 기술방안, 유익 효과를 더 명확하고 뚜렷하게 되기 위해, 하기와 같은 도면과 실시예를 통해 본 발명에 대해 진일보 상세하게 설명하기로 한다. 여기서에서 설명하는 구체적인 실시예는 본 발명을 예시적으로 설명하기 위한 것일 뿐 본 발명을 한정하기 위한 것이 아니다.
본 발명은 자동차 파손 그림 각도 보정 시스템을 개시한다. 도1을 참조하면, 도1은 본 발명에 따른 자동차 파손 그림 각도 보정 시스템(10)의 바람직한 실시예의 애플리케이션 환경의 도면이다.
본 실시예 있어서, 상기 동차 파손 그림 각도 보정 시스템(10)은 전자장치(1)에 설치되어 실행된다. 이 전자장치(1)는 저장장치(11), 프로세서(12), 디스플레이 장치(13)를 포함할 수 있으나 이들에 한정하지 않다. 도1에는 모듈(11-13)을 가지는 전자장치(1)만 도시하나 모든 도시된 모듈을 실시하는 것을 요구하지 않고 더 많거나 적은 모듈으로 대체하여 실시할 수 있다는 것을 이해하여야 한다.
일부 실시예에 있어서, 상기 저장장치(11)는 상기 전자장치(1)의 내부　저장　유닛일 수 있고, 예를 들어, 전자장치(1)의 하드 디스크 또는 내부메모리일 수 있다. 다른 실시예에 있어서, 상기 저장장치(11)는 상기 전자장치(1)의 외부　저장　장치일 수도 있고, 예를 들어, 상기 전자장치(1)에 설치된 플러그인형 하드디스크, 스마트 미디어 카드(Smart Media Card, SMC), 시큐어 디지털(Secure Digital, SD) 카드, 플래시 카드(Flash Card)등과 같다. 또한, 상기 저장장치(11)는 상기 전자장치(1)의 내부 저장 유닛을 포함할 뿐만 아니라 외부 저장장치도 포함할 수 있다. 상기 저장장치(11)는 상기 전자장치(1)에 설치된 응용 소프트웨어 및 다양한 유형의 데이터, 예를 들어 상기 자동차 파손 그림 각도 보정 시스템(10)의 프로그램의 코드를 저장한다. 상기 저장장치(11)는 출력되거나 출력될 데이터를 잠시 저장할 수도 있다.
일부 실시예에 있어서, 상기 프로세서(12)는 중앙 처리 장치(Central Processing Unit，CPU), 마이크로프로세서, 또는 기타 데이터 처리 칩일 수 있어 상기 저장장치(11)에 저장되는 프로그램 코드 또는 처리 데이터를 실행하고, 예를 들어, 상기 자동차 파손 그림 각도 보정 시스템(10)등을 실행한다.
일부 실시예에 있어서, 상기 디스플레이 장치(13)는 LED 모니터, 액정 모니터, 터치 액정 모니터 및 OLED（Organic Light-Emitting Diode，유기 발광 다이오드）터치장치 등일 수 있다. 상기 디스플레이 장치(13)는 상기 전자장치(1)에서 처리된 정보를 디스플레이하고 가시화의 유저 인터페이스를 디스플레이하며, 예를 들어, 응용 메뉴 인터페이스, 앱 아이콘 인터페이스 등과 같다. 상기 전자장치(1)의 부재(11-13) 시스템 버스를 통해 서로 통신한다.
도2를 참조하면, 도2는 본 발명에 따른 자동차 파손 그림 각도 보정 시스템(10)의 바람직한 실시예의 기능 모듈의 도면이다. 본 실시예에 있어서, 상기 자동차 파손 그림 각도 보정 시스템(10)은 하나 또는 다수의 모듈로 분할될 수 있는데, 하나 또는 다수의 모듈은 저장장치(11)에 저장되고 하나 또는 다수의 프로세서(본 실시예는 프로세서(12)이다)에 의해 실행되어 본 발명을 구현하도록 한다. 예를 들어, 도2에서 상기 자동차 파손 그림 각도 보정 시스템(10)은 인식모듈(01), 결정모듈(02), 회전모듈(03), 식별모듈(104)로 분할될 수 있다. 상기 각 모듈은 일련의 컴퓨터 프로그램 명령 세그먼트를 포함하고, 이들 컴퓨터 프로그램 명령 세그먼트는 프로세서(12)에 의해 실행되어 본 발명의 각 실시예에 따른 대응 기능을 구현하도록 한다. 이하, 상기 모듈(01-03)을 구체적으로 설명하기로 한다.
도2를 참조하면, 도2는 본 발명에 따른 자동차 파손 그림 각도 보정 시스템의 일 실시예의 기능 모듈의 도면이다.
일 실시예에 있어서, 이 자동차 파손 그림 각도 보정 시스템은 다음과 같은 모듈을 포함한다.
인식모듈(01), 분류 및 인식을 할 자동차 파손 그림이 수신된 후, 미리 훈련된 그림 회전 분류 인식 모델을 이용하여 수신된 자동차 파손 그림과 대응되는 회전 분류를 인식한다.
본 실시예이 있어서, 자동차 파손 그림 각도 보정 시스템은 사용자가 보내는 분류 및 인식을 할 자동차 파손 그림 각도 자동 보정 요청을 수신하고, 예를 들어, 사용자가 핸드폰, 태블릿 PC, 셀프 서비스 단말장치 등 단말기로 보내는 그림 각도 자동 보정 요청을 수신하고, 사용자가 핸드폰, 태블릿 PC, 셀프 서비스 단말장치 등 단말기에 미리 설치된 클라이언트에서 보내는 그림 각도 자동 보정 요청을 수신하거나 사용자가 핸드폰, 태블릿 PC, 셀프 서비스 단말장치 등 단말기에서의 브라우저 시스템에서 보내는 그림 각도 자동 보정 요청을 수신한다.
자동차 파손 그림 각도 보정 시스템은 사용자가 보내는 그림 각도 자동 보정 요청을 수신한 후, 미리 훈련된 그림 회전 분류 인식 모델을 이용하여 수신된 자동차 파손 그림을 인식하며, 수신된 자동차 파손 그림과 대응되는 회전 분류를 인식하고 이 회전 분류는 정상적인 각도의 이 자동차 파손 그림에 대한 수신된 자동차 파손 그림의 편향 방향, 각도 등의 파라미터를 포함할 수 있고, 예를 들어, 시계 방향으로 90도 편향되거나 역 시계 방향으로 90도 편향되는 것 등과 같다. 이 그림 회전 분류 인식 모델은 대량의 상이한 회전 각도의 자동차 파손 그림 샘플을 미리 인식함으로써 지속적으로 훈련, 합습 최적화할 수 있어 이는 상이한 자동차 파손 그림과 대응되는 회전 분류를 정확하게 인식할 수 있는 모델로 훈련되도록 한다. 예를 들어, 이 그림 회전 분류 인식 모델은 신경 네트워크(Neural Networks, NN)모델 등을 이용할 수 있다.
결정모듈(02), 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하고 상기 회전 제어 파라미터는 회전각도와 회전방향을 포함한다.
인식된 자동차 파손 그림과 대응되는 회전 분류가 정상적인 각도의 이 자동차 파손 그림에 대한 현재 자동차 파손 그림의 편향 방향, 각도 등의 파라미터를 포함하기 때문에 상이한 회전 분류중 편향 방향, 각도에 따라 상응된 회전 제어 파라미터를 미리 설치할 수 있고, 예를 들어, 보정 방향, 각도 등 파라미터와 같다. 예를 들어, 자동차 파손 그림과 대응되는 회전 분류 중의 편향 방향이 시계방향이고 편향 각도가 90도인 것으로 인식되면 상응되는 회전 제어　파라미터는 회전 방향이 역 시계방향, 회전각도가 90도로 설치될 수 있거나 상응되는 회전 제어　파라미터는 회전 방향이 시계방향, 회전각도가 270도로 설치될 수 있어 동일한 회전 제어 목적을 모두 달성할 수 있고, 즉, 회전 보정을 통해 편향된 자동차 파손 그림이 정상적인 각도의 자동차 파손 그림으로 되도록 모두 보정할 수 있고, 회전 제어 파라미터의 설치방식에 대해 한정하지 않다.
그림 회전 분류 인식 모델을 이용하여 수신된 자동차 파손 그림과 대응되는 회전분류를 인식한 후, 즉, 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하고 상기 회전 제어 파라미터는 회전각도와 회전방향을 포함하나 이에 한정하지 않다.
회전모듈(03), 결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 정상적인 각도의 자동차 파손 그림을 생성하도록 한다.
수신된 자동차 파손 그림의 회전 분류와 대응되는 회전 제어　파라미터를 결정한 후, 결정된 회전 제어　파라미터를 이용하여 수신된 자동차 파손 그림을 회전하여 수신된 편향된 자동차 파손 그림을 상응되는 회전 방향으로 일정한 각도로 회전하도록 하며, 이를 정상적인 각도의 자동차 파손 그림으로 되도록 자동적으로 보정한다. 예를 들어, 인식된 자동차 파손 그림과 대응되는 회전 분류중 편향 방향은 시계방향, 편향 각도는 90도이고, 그의 회전 분류와 대응되는 회전 제어　파라미터는 회전 방향이 역 시계방향이고, 편향 각도가 90도인 것으로 결정되면 이 수신된 자동차 파손 그림에 대하여 역 시계방향으로 90도를 회전할 수 있어 이 편향된 자동차 파손 그림이 정상적인 각도의 자동차 파손 그림으로 되도록 보정한다.
본 실시예는 미리 훈련된 그림 회전 분류 인식 모델에 의해 그림을 인식할 자동차 파손 그림과 대응되는 회전 분류가 인식되고 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하며, 결정된 회전 제어 파라미터를 이용하여 수신된 자동차 파손 그림을 회전한다. 미리 훈련된 그림 회전 분류 인식 모델에 의해 각 종류의 자동차 파손 그림의 회전 분류가 인식될 수 있어 그의 회전 분류와 대응되는 회전 제어 파라미터를 찾아 자동차 파손 그림이 정상적인 각도의 자동차 파손 그림으로 되도록 회전하며, 그림에서의 교환 이미지 파일 형식의 정보에 의해 회전할 필요없이 더 전면적이고 효율적으로 자동차 파손 그림 각도 보정을 수행할 수 있으며 자동차 파손 그림 각도 인식과 그림 회전을 수동으로 할 필요없이 효율 및 정확도가 더 높아진다.
또한, 다른 실시예에 있어서, 상기 그림 회전 분류 인식 모델은 심층 콘볼루션 신경망(CNN)모델이고, 상기 그림 회전 분류 인식 모델의 훈련 과정은 다음과 같다.
S1. 미리 설정된 개수(예를 들어, 10000)의 정상적인 각도의 자동차 파손 그림 샘플을 획득하며, 예를 들어, 미리 설정된 자동차 파손 그림 데이터베이스에서 미리 설정된 개수의 정상적인 각도의 자동차 파손 그림 샘플을 추출할 수 있다.
S2. 미리 설정된 회전 방향(예를 들어, 시계방향 또는 역 시계방향)에 따라 각 자동차 파손 그림 샘플에 대해 각각 미리 설정된 횟수의 각도 회전을 수행하여 각 자동차 파손 그림 샘플과 대응되는 회전 그림을 생성하도록 한다. 그 중, 상기 각 자동차 파손 그림 샘플에 대해 각각 미리 설정된 횟수의 각도 회전을 수행하는 회전 각도는 n*a이고, 그 중, a는 미리 설정된 인접한 각도 회전의 간격 각도이고, n은 각도 회전의 차례이고, n은 양의 정수이며, 360/a는 양의 정수이면 상기 미리 설정된 횟수는 （360/a）이고, 또는, 360/a는 소수이면 상기 미리 설정된 횟수는 （360/a）의 정수부분이고. 예를 들어, 인접한 각도 회전의 간격 각도a는 30도이면 자동차 파손 그림 샘플에 대해 제1차 각도 회전을 수행한 후의 회전 각도는 (1*30), 즉, 30도이고, 제2차 각도 회전을 수행한 후의 회전 각도는 (2*30), 즉, 60도이고, ... , (360/30)는 양의 정수인 12이면, 각도 회전을 수행하는 미리 설정된 횟수는 (360/30), 즉, 12차이다. 인접한 각도 회전의 간격 각도a는 35도이면 자동차 파손 그림 샘플에 대해 제1차 각도 회전을 수행한 후의 회전 각도는 (1*35), 즉, 35도이고, 제2차 각도 회전을 수행한 후의 회전 각도는 (2*35), 즉, 70도이고, ... , (360/35)는 소수인 10.29이면, 각도 회전을 수행하는 미리 설정된 횟수는 (360/35)의 정수 부분, 즉, 10차이다.
각 자동차 파손 그림 샘플에 대해 각각 미리 설정된 횟수의 각도 회전을 수행하여 각 자동차 파손 그림 샘플과 대응되는 회전 그림을 생성한 후, 각 자동차 파손 그림 샘플과 그와 대응되는 회전 그림에 대해 대응된 회전 분류를 표시할 수 있고, 이 회전 분류는 미리 설정된 회전 방향(예를 들어, 시계방향 또는 역 시계방향), 회전 각도 등을 포함할 수 있다. 그 중, 미리 설정된 회전 방향에 따라 미리 설정된 횟수의 각도 회전을 수행한 후, 상이한 회전 각도의 그림에 대해 상이한 회전 분류를 대응하게 표시하고 각 자동차 파손 그림 샘플에 대해 제1 미리 설정된 회전 분류를 대응하게 표시한다. 각 자동차 파손 그림 샘플 자신과 대응되는 제1 미리 설정된 회전 분류는 그림을 회전하지 않은 분류로 보고, 예를 들어, 제1 미리 설정된 회전 분류는 '시계방향으로 0도를 회전' 또는 '시계방향으로 360도를 회전' 등일 수 있다.
S3. 회전 분류가 표시된 각 자동차 파손 그림 샘플 및 그와 대응되는 회전 그림을 하나의 그림 훈련 부분 집합으로 하며 모든 그림 훈련 부분 집합을 제1비례(예를 들어, 70%)의 훈련집합과 제2비례(예를 들어, 30%)의 검증집합으로 나눈다.
S4. 상기 훈련집합을 이용하여 상기 그림 회전 분류 인식 모델을 훈련한다.
S5. 상기 검증집합을 이용하여 훈련된 그림 회전 분류 인식 모델의 정확도를 검증하고, 정확도가 미리 설정된 정확도보다 크거나 같으면, 훈련을 종료한다. 정확도가 미리 설정된 정확도보다 작으면, 자동차 파손 그림 샘플의 개수를 추가하여 훈련된 그림 회전 분류 인식 모델의 정확도가 미리 설정된 정확도보다 크거나 같을 때까지 단계S2, S3, S4, S5를 다시 수행한다.
도3에 도시된 바와 같이, 본 발명의 다른 실시예는 자동차 파손 그림 각도 보정 시스템을 개시하고 상기 실시예의기초 위에 다음과 같은 모듈을 더 포함한다.
분석모듈(04), 인식된 자동차 파손 그림과 대응되는 회전 분류가 제2 미리 설정된 회전 분류 또는 제3 미리 설정된 회전 분류인지 분석한다. 예를 들어, 상기 제2 미리 설정된 회전 분류는 '시계방향으로 90도를 회전'이고 상기 제3 미리 설정된 회전 분류는'시계방향으로 270도를 회전'일 수 있으며, 상기 제2 미리 설정된 회전 분류는'시계방향으로 270도를 회전'이고 상기 제3 미리 설정된 회전 분류는'시계방향으로 90도를 회전'일 수 있다.
상기 결정모듈(02)의 용도는 다음과 같다.
인식된 회전분류가 제2 미리 설정된 회전 분류이면, 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정한다.
상기 회전모듈(03)의 용도는 다음과 같다.
결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 2차 인식을 할 회전 그림을 생성한다.
상기 인식모듈(01)은 다음과 같은 용도가 더 구비된다. 미리 훈련된 그림 회전 분류 인식 모델에 의해 2차 인식을 할 회전 그림과 대응되는 2차 인식 회전 분류를 인식한다.
상기 결정모듈(02)은 다음과 같은 용도가 더 구비된다. 상기 2차 인식 회전 분류가 제1 미리 설정된 회전 분류이면 2차 인식을 할 회전 그림은 정상적인 각도의 자동차 파손 그림인 것으로 결정되며, 상기 2차 인식 회전 분류가 제4 미리 설정된 회전 분류(예를 들어, 상기 제4 미리 설정된 회전 분류는 '시계방향으로 180도를 회전'또는 '역 계방향으로 180도를 회전'일 수 있다)이면 인식된 회전 분류는 제3 미리 설정된 회전 분류이며, 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 제3 미리 설정된 회전 분류와 대응되는 회전 제어 파라미터를 결정하고 회전모듈(03)을 호출하여 결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 정상적인 각도의 자동차 파손 그림을 생성하도록 한다.
대량의 자동차 파손 그림 각도 보정의 실제응용사례를 통계하여 다음과 같은 같이 발견된다. 수신된 자동차 파손 그림과 대응되는 회전 분류가 어느 특정한 회전 분류인 경우, 인식 오류와 헛갈린 현상이 많이 발생하여 각도 보정 시 오류가 난다. 예를 들어, 자동차 파손 그림과 대응되는 회전 분류 '시계방향으로 90도를 회전'과 회전 분류 '시계방향으로 270도를 회전'은 그림 회전 분류 인식 모델에 의해 인식할 때 인식 오류와 헛갈린 현상이 발생하기 쉬워 자동차 파손 그림 각도 보정 시 오류가 난다. 따라서, 본 실시예에서, 인식된 자동차 파손 그림과 대응되는 회전 분류가 오류와 헛갈린 현상이 많이 발생하는 제2 미리 설정된 회전 분류 또는 제3 미리 설정된 회전 분류(예를 들어,'시계방향으로 90도를 회전'또는 '시계방향으로 270도를 회전')인 경우, 인식된 회전 분류와 대응되는 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전한다. 또한, 회전된 그림을 2차 인식을 할 회전 그림으로 하고 이 2차 인식을 할 회전 그림에 대해 2차 인식을 수행한다. 2차 인식된 회전 분류가 제1 미리 설정된 회전 분류(예를 들어, 시계방향으로 0도를 회전'또는 '시계방향으로 360도를 회전')이면, 2차 인식을 할 회전 그림은 정상적인 각도의 자동차 파손 그림이고, 즉 오류와 헛갈린 현상이 발생하지 않다. 상기 2차 인식 회전 분류가 제4 미리 설정된 회전 분류이면, 수신된 자동차 파손 그림의 회전 분류를 최초 인식할 때 오류와 헛갈린 현상이 발생하는 것으로 결정되면 이 자동차 파손 그림의 정확한 회전 분류와 그의 최초 인식된 회전 분류가 다르고 그의 최초 인식된 회전 분류와 용이하게 헛갈리는 회전 분류인 것으로 결정된다.
본 실시예는 오류와 헛갈린 현상이 많이 발생하는 자동차 파손 그림과 대응되는 회전 분류에 대해 2치 인식의 방식에 의해 인식, 검증하여 자동차 파손 그림 각도 보정의 정확도를 더 향상시킨다.
또한, 다른 실시예에 있어서, 상기 결정모듈(02)은 다음과 같은 용도가 더 구비된다.
인식된 자동차 파손 그림과 대응되는 회전 분류가 제2 미리 설정된 회전 분류가 아니고 제3 미리 설정된 회전 분류가 아니면 수신된 자동차 파손 그림과 대응되는 회전 분류는 오류와 헛갈린 현상이 많이 발생하는 회전 분류가 아니면 직접적으로 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하며, 회전모듈(03)을 호출하여 결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 정상적인 각도의 자동차 파손 그림을 생성하도록 한다.
또한, 다른 실시예에 있어서, 상기 분석모듈(04)은 다음과 같은 용도가 더 구비된다.
분석된 수신된 자동차 파손 그림과 대응되는 회전 분류가 제1 미리 설정된 회전 분류(예를 들어, 상기 제1 미리 설정된 회전 분류는 '시계방향으로 0도를 회전'또는 '시계방향으로 360도를 회전'일 수 있다)인지 분석한다.
인식된 회전 분류가 제1 미리 설정된 회전 분류이면, 수신된 자동차 파손 그림은 정상적인 각도의 자동차 파손 그림이고 회전을 수행할 필요없는 것으로 결정된다.
인식된 회전 분류가 제1 미리 설정된 회전 분류가 아니면, 수신된 자동차 파손 그림은 정상적인 각도의 자동차 파손 그림이 아니고, 즉 각도 회전 보정을 수행할 필요가 있는 것으로 결정되면 결정모듈(02)과 회전모듈(03)을 호출한다.
본 발명은 자동차 파손 그림 각도 보정 방법을 더 개시한다.
도4를 참조하면, 도4는 본 발명에 따른 자동차 파손 그림 각도 보정 방법의 일 실시예의 흐름도이다.
일 실시예에 있어서, 이 자동차 파손 그림 각도 보정 방법은 다음과 같은 단계를 포함한다.
단계(S10), 자동차 파손 그림 각도 보정 시스템은 분류 및 인식을 할 자동차 파손 그림이 수신된 후, 미리 훈련된 그림 회전 분류 인식 모델을 이용하여 수신된 자동차 파손 그림과 대응되는 회전 분류를 인식한다.
본 실시예이 있어서, 자동차 파손 그림 각도 보정 시스템은 사용자가 보내는 분류 및 인식을 할 자동차 파손 그림 각도 자동 보정 요청을 수신하고, 예를 들어, 사용자가 핸드폰, 태블릿 PC, 셀프 서비스 단말장치 등 단말기로 보내는 그림 각도 자동 보정 요청을 수신하고, 사용자가 핸드폰, 태블릿 PC, 셀프 서비스 단말장치 등 단말기에 미리 설치된 클라이언트에서 보내는 그림 각도 자동 보정 요청을 수신하거나 사용자가 핸드폰, 태블릿 PC, 셀프 서비스 단말장치 등 단말기에서의 브라우저 시스템에서 보내는 그림 각도 자동 보정 요청을 수신한다.
자동차 파손 그림 각도 보정 시스템은 사용자가 보내는 그림 각도 자동 보정 요청을 수신한 후, 미리 훈련된 그림 회전 분류 인식 모델을 이용하여 수신된 자동차 파손 그림을 인식하며, 수신된 자동차 파손 그림과 대응되는 회전 분류를 인식하고 이 회전 분류는 정상적인 각도의 이 자동차 파손 그림에 대한 수신된 자동차 파손 그림의 편향 방향, 각도 등의 파라미터를 포함할 수 있고, 예를 들어, 시계 방향으로 90도 편향되거나 역 시계 방향으로 90도 편향되는 것 등과 같다. 이 그림 회전 분류 인식 모델은 대량의 상이한 회전 각도의 자동차 파손 그림 샘플을 미리 인식함으로써 지속적으로 훈련, 합습 최적화할 수 있어 이는 상이한 자동차 파손 그림과 대응되는 회전 분류를 정확하게 인식할 수 있는 모델로 훈련되도록 한다. 예를 들어, 이 그림 회전 분류 인식 모델은 신경 네트워크(Neural Networks, NN)모델 등을 이용할 수 있다.
단계(S20), 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하고 상기 회전 제어 파라미터는 회전각도와 회전방향을 포함한다.
인식된 자동차 파손 그림과 대응되는 회전 분류가 정상적인 각도의 이 자동차 파손 그림에 대한 현재 자동차 파손 그림의 편향 방향, 각도 등의 파라미터를 포함하기 때문에 상이한 회전 분류중 편향 방향, 각도에 따라 상응된 회전 제어 파라미터를 미리 설치할 수 있고, 예를 들어, 보정 방향, 각도 등 파라미터와 같다. 예를 들어, 자동차 파손 그림과 대응되는 회전 분류 중의 편향 방향이 시계방향이고 편향 각도가 90도인 것으로 인식되면 상응되는 회전 제어　파라미터는 회전 방향이 역 시계방향, 회전각도가 90도로 설치될 수 있거나 상응되는 회전 제어　파라미터는 회전 방향이 시계방향, 회전각도가 270도로 설치될 수 있어 동일한 회전 제어 목적을 모두 달성할 수 있고, 즉, 회전 보정을 통해 편향된 자동차 파손 그림이 정상적인 각도의 자동차 파손 그림으로 되도록 모두 보정할 수 있고, 회전 제어 파라미터의 설치방식에 대해 한정하지 않다.
인식된 자동차 파손 그림과 대응되는 회전 분류가 정상적인 각도의 이 자동차 파손 그림에 대한 현재 자동차 파손 그림의 편향 방향, 각도 등의 파라미터를 포함하기 때문에 상이한 회전 분류중 편향 방향, 각도에 따라 상응된 회전 제어 파라미터를 미리 설치할 수 있고, 예를 들어, 보정 방향, 각도 등 파라미터와 같다. 예를 들어, 자동차 파손 그림과 대응되는 회전 분류 중의 편향 방향이 시계방향이고 편향 각도가 90도인 것으로 인식되면 상응되는 회전 제어　파라미터는 회전 방향이 역 시계방향, 회전각도가 90도로 설치될 수 있거나 상응되는 회전 제어　파라미터는 회전 방향이 시계방향, 회전각도가 270도로 설치될 수 있어 동일한 회전 제어 목적을 모두 달성할 수 있고, 즉, 회전 보정을 통해 편향된 자동차 파손 그림이 정상적인 각도의 자동차 파손 그림으로 되도록 모두 보정할 수 있고, 회전 제어 파라미터의 설치방식에 대해 한정하지 않다.
그림 회전 분류 인식 모델을 이용하여 수신된 자동차 파손 그림과 대응되는 회전분류를 인식한 후, 즉, 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하고 상기 회전 제어 파라미터는 회전각도와 회전방향을 포함하나 이에 한정하지 않다.
단계(S30), 결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 정상적인 각도의 자동차 파손 그림을 생성하도록 한다.
수신된 자동차 파손 그림의 회전 분류와 대응되는 회전 제어　파라미터를 결정한 후, 결정된 회전 제어　파라미터를 이용하여 수신된 자동차 파손 그림을 회전하여 수신된 편향된 자동차 파손 그림을 상응되는 회전 방향으로 일정한 각도로 회전하도록 하며, 이를 정상적인 각도의 자동차 파손 그림으로 되도록 자동적으로 보정한다. 예를 들어, 인식된 자동차 파손 그림과 대응되는 회전 분류중 편향 방향은 시계방향, 편향 각도는 90도이고, 그의 회전 분류와 대응되는 회전 제어　파라미터는 회전 방향이 역 시계방향이고, 편향 각도가 90도인 것으로 결정되면 이 수신된 자동차 파손 그림에 대하여 역 시계방향으로 90도를 회전할 수 있어 이 편향된 자동차 파손 그림이 정상적인 각도의 자동차 파손 그림으로 되도록 보정한다.
본 실시예는 미리 훈련된 그림 회전 분류 인식 모델에 의해 그림을 인식할 자동차 파손 그림과 대응되는 회전 분류가 인식되고 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하며, 결정된 회전 제어 파라미터를 이용하여 수신된 자동차 파손 그림을 회전한다. 미리 훈련된 그림 회전 분류 인식 모델에 의해 각 종류의 자동차 파손 그림의 회전 분류가 인식될 수 있어 그의 회전 분류와 대응되는 회전 제어 파라미터를 찾아 자동차 파손 그림이 정상적인 각도의 자동차 파손 그림으로 되도록 회전하며, 그림에서의 교환 이미지 파일 형식의 정보에 의해 회전할 필요없이 더 전면적이고 효율적으로 자동차 파손 그림 각도 보정을 수행할 수 있으며 자동차 파손 그림 각도 인식과 그림 회전을 수동으로 할 필요없이 효율 및 정확도가 더 높아진다.
또한, 다른 실시예에 있어서, 상기 그림 회전 분류 인식 모델은 심층 콘볼루션 신경망(CNN)모델이고, 상기 그림 회전 분류 인식 모델의 훈련 과정은 다음과 같다.
S1. 미리 설정된 개수(예를 들어, 10000)의 정상적인 각도의 자동차 파손 그림 샘플을 획득하며, 예를 들어, 미리 설정된 자동차 파손 그림 데이터베이스에서 미리 설정된 개수의 정상적인 각도의 자동차 파손 그림 샘플을 추출할 수 있다.
S2. 미리 설정된 회전 방향(예를 들어, 시계방향 또는 역 시계방향)에 따라 각 자동차 파손 그림 샘플에 대해 각각 미리 설정된 횟수의 각도 회전을 수행하여 각 자동차 파손 그림 샘플과 대응되는 회전 그림을 생성하도록 한다. 그 중, 상기 각 자동차 파손 그림 샘플에 대해 각각 미리 설정된 횟수의 각도 회전을 수행하는 회전 각도는 n*a이고, 그 중, a는 미리 설정된 인접한 각도 회전의 간격 각도이고, n은 각도 회전의 차례이고, n은 양의 정수이며, 360/a는 양의 정수이면 상기 미리 설정된 횟수는 （360/a）이고, 또는, 360/a는 소수이면 상기 미리 설정된 횟수는 （360/a）의 정수부분이고. 예를 들어, 인접한 각도 회전의 간격 각도a는 30도이면 자동차 파손 그림 샘플에 대해 제1차 각도 회전을 수행한 후의 회전 각도는 (1*30), 즉, 30도이고, 제2차 각도 회전을 수행한 후의 회전 각도는 (2*30), 즉, 60도이고, ... , (360/30)는 양의 정수인 12이면, 각도 회전을 수행하는 미리 설정된 횟수는 (360/30), 즉, 12차이다. 인접한 각도 회전의 간격 각도a는 35도이면 자동차 파손 그림 샘플에 대해 제1차 각도 회전을 수행한 후의 회전 각도는 (1*35), 즉, 35도이고, 제2차 각도 회전을 수행한 후의 회전 각도는 (2*35), 즉, 70도이고, ... , (360/35)는 소수인 10.29이면, 각도 회전을 수행하는 미리 설정된 횟수는 (360/35)의 정수 부분, 즉, 10차이다.
각 자동차 파손 그림 샘플에 대해 각각 미리 설정된 횟수의 각도 회전을 수행하여 각 자동차 파손 그림 샘플과 대응되는 회전 그림을 생성한 후, 각 자동차 파손 그림 샘플과 그와 대응되는 회전 그림에 대해 대응된 회전 분류를 표시할 수 있고, 이 회전 분류는 미리 설정된 회전 방향(예를 들어, 시계방향 또는 역 시계방향), 회전 각도 등을 포함할 수 있다. 그 중, 미리 설정된 회전 방향에 따라 미리 설정된 횟수의 각도 회전을 수행한 후, 상이한 회전 각도의 그림에 대해 상이한 회전 분류를 대응하게 표시하고 각 자동차 파손 그림 샘플에 대해 제1 미리 설정된 회전 분류를 대응하게 표시한다. 각 자동차 파손 그림 샘플 자신과 대응되는 제1 미리 설정된 회전 분류는 그림을 회전하지 않은 분류로 보고, 예를 들어, 지1 미리 설정된 회전 분류는 '시계방향으로 0도를 회전' 또는 '시계방향으로 360도를 회전' 등일 수 있다.
S3. 회전 분류가 표시된 각 자동차 파손 그림 샘플 및 그와 대응되는 회전 그림을 하나의 그림 훈련 부분 집합으로 하며 모든 그림 훈련 부분 집합을 제1비례(예를 들어, 70%)의 훈련집합과 제2비례(예를 들어, 30%)의 검증집합으로 나눈다.
S4. 상기 훈련집합을 이용하여 상기 그림 회전 분류 인식 모델을 훈련한다.
S5. 상기 검증집합을 이용하여 훈련된 그림 회전 분류 인식 모델의 정확도를 검증하고, 정확도가 미리 설정된 정확도보다 크거나 같으면, 훈련을 종료한다. 정확도가 미리 설정된 정확도보다 작으면, 자동차 파손 그림 샘플의 개수를 추가하여 훈련된 그림 회전 분류 인식 모델의 정확도가 미리 설정된 정확도보다 크거나 같을 때까지 단계S2, S3, S4, S5를 다시 수행한다.
또한, 다른 실시예에 있어서, 상기 단계S10과 S20사이에서 이 방법은 다음과 같은 단계를 더 포함한다.
인식된 자동차 파손 그림과 대응되는 회전 분류가 제1 미리 설정된 회전 분류（예를 들어, 상기 제1 미리 설정된 회전 분류는 '시계방향으로 0도를 회전'또는'시계방향으로 360도를 회전'일 수 있다）인지 분석한다.
인식된 회전 분류가 제1 미리 설정된 회전 분류이면, 수신된 자동차 파손 그림은 정상적인 각도의 자동차 파손 그림이고 회전을 수행할 필요없는 것으로 결정된다.
인식된 회전 분류가 제1 미리 설정된 회전 분류가 아니면, 수신된 자동차 파손 그림은 정상적인 각도의 자동차 파손 그림이 아니고, 즉 각도 회전 보정을 수행할 필요가 있는 것으로 결정되면 상기 잔계(S20)와 단계(S30)를 수행한다.
또한, 다른 실시예에 있어서, 상기 단계(S10) 이후 다음과 ?은 단계를 더 포함한다.
인식된 자동차 파손 그림과 대응되는 회전 분류가 제2 미리 설정된 회전 분류 또는 제3 미리 설정된 회전 분류인지 분석한다. 예를 들어, 상기 제2 미리 설정된 회전 분류는 '시계방향으로 90도를 회전'이고 상기 제3 미리 설정된 회전 분류는'시계방향으로 270도를 회전'일 수 있으며, 상기 제2 미리 설정된 회전 분류는'시계방향으로 270도를 회전'이고 상기 제3 미리 설정된 회전 분류는'시계방향으로 90도를 회전'일 수 있다.
상기 단계(S20)는 다음과 같은 단계를 포함할 수 있다.
인식된 회전분류가 제2 미리 설정된 회전 분류이면, 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정한다.
상기 단계(S30)는 다음과 같은 단계를 포함할 수 있다.
결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 2차 인식을 할 회전 그림을 생성한다.
상기 단계(S30) 이후 이 방법은 다음과 같은 단계를 더 포함한다.
미리 훈련된 그림 회전 분류 인식 모델에 의해 2차 인식을 할 회전 그림과 대응되는 2차 인식 회전 분류를 인식한다.
상기 2차 인식 회전 분류가 제1 미리 설정된 회전 분류이면 2차 인식을 할 회전 그림은 정상적인 각도의 자동차 파손 그림인 것으로 결정된다.
상기 2차 인식 회전 분류가 제4 미리 설정된 회전 분류(예를 들어, 상기 제4 미리 설정된 회전 분류는 '시계방향으로 180도를 회전'또는 '역 계방향으로 180도를 회전'일 수 있다)이면 인식된 회전 분류는 제3 미리 설정된 회전 분류이며, 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 제3 미리 설정된 회전 분류와 대응되는 회전 제어 파라미터를 결정하고 결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 정상적인 각도의 자동차 파손 그림을 생성하도록 한다.
대량의 자동차 파손 그림 각도 보정의 실제응용사례를 통계하여 다음과 같은 같이 발견된다. 수신된 자동차 파손 그림과 대응되는 회전 분류가 어느 특정한 회전 분류인 경우, 인식 오류와 헛갈린 현상이 많이 발생하여 각도 보정 시 오류가 난다. 예를 들어, 자동차 파손 그림과 대응되는 회전 분류 '시계방향으로 90도를 회전'과 회전 분류 '시계방향으로 270도를 회전'은 그림 회전 분류 인식 모델에 의해 인식할 때 인식 오류와 헛갈린 현상이 발생하기 쉬워 자동차 파손 그림 각도 보정 시 오류가 난다. 따라서, 본 실시예에서, 인식된 자동차 파손 그림과 대응되는 회전 분류가 오류와 헛갈린 현상이 많이 발생하는 제2 미리 설정된 회전 분류 또는 제3 미리 설정된 회전 분류(예를 들어, '시계방향으로 90도를 회전'또는 '시계방향으로 270도를 회전')인 경우, 인식된 회전 분류와 대응되는 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전한다. 또한, 회전된 그림을 2차 인식을 할 회전 그림으로 하고 이 2차 인식을 할 회전 그림에 대해 2차 인식을 수행한다. 2차 인식된 회전 분류가 제1 미리 설정된 회전 분류(예를 들어, 시계방향으로 0도를 회전'또는 '시계방향으로 360도를 회전')이면, 2차 인식을 할 회전 그림은 정상적인 각도의 자동차 파손 그림이고, 즉 오류와 헛갈린 현상이 발생하지 않다. 상기 2차 인식 회전 분류가 제4 미리 설정된 회전 분류이면, 수신된 자동차 파손 그림의 회전 분류를 최초 인식할 때 오류와 헛갈린 현상이 발생하는 것으로 결정되면 이 자동차 파손 그림의 정확한 회전 분류와 그의 최초 인식된 회전 분류가 다르고 그의 최초 인식된 회전 분류와 용이하게 헛갈리는 회전 분류인 것으로 결정된다.
본 실시예는 오류와 헛갈린 현상이 많이 발생하는 자동차 파손 그림과 대응되는 회전 분류에 대해 2치 인식의 방식에 의해 인식, 검증하여 자동차 파손 그림 각도 보정의 정확도를 더 향상시킨다.
또한, 다른 실시예에 있어서, 상기 단계(S20)는 다음과 같은 용도가 더 구비된다.
인식된 자동차 파손 그림과 대응되는 회전 분류가 제2 미리 설정된 회전 분류가 아니고 제3 미리 설정된 회전 분류가 아니면 수신된 자동차 파손 그림과 대응되는 회전 분류는 오류와 헛갈린 현상이 많이 발생하는 회전 분류가 아니면 직접적으로 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하며, 결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 정상적인 각도의 자동차 파손 그림을 생성하도록 한다.
또한, 본 발명은 컴퓨터 판독 가능한 저장매체를 더 개시하고, 상기 컴퓨터 판독 가능한 저장매체는 자동차 파손 그림 각도 보정 시스템이 저장되고, 상기 자동차 파손 그림 각도 보정 시스템은 적어도 하나의 프로세서에 의해 실행되어 적어도 하나의 프로세서가 상기 실시예에서의 자동차 파손 그림 각도 보정 방법의 단계를 수행하도록 하며, 이 자동차 파손 그림 각도 보정 방법의 단계 S10, S20, S30 등의 구체적인 실시 과정은 상기와 같아 여기서 이에 대한 설명을 생략하기로 한다.
본 명세서에 있어서, 용어 "포함하다", "구성하다" 또는 이의 임의 기타 변형은 비 배타성의 포함을 뜻하여 일련의 요소를 포함하는 과정, 방법, 물품 또는 장치는 그런 요소를 포함할 뿐만 아니라 명확하게 열거하지 않은 기타 요소도 포함하거나 이런 과정, 방법, 물품 또는 장치가 고유한 요소를 포함한다. 더 많은 한정이 없는 한 문구 "하나의 ...... 포함한다"에 의해 한정된 요소는 이 요소의 과정, 방법, 물품 또는 장치에는 다른 동일한 요소가 존재한다는 것을 배제하지 않다.
본 기술분야의 당업자에게 있어서 상기와 같은 실시방식에 대한 설명을 통해 상기 실시예 방법이 소프트웨어와 필요하고 통용한 하드웨어 플랫폼으로 구현될 수 있으며 몰론 하드웨어를 통해 구현될 수 있지만 대부분의 경우에서 전자가 바람직한 실시방식임은 자명한 것이다. 이런 이해에 기초하여 본 발명의 기술방안 본질적으로 또는 종래 기술에 공헌할 부분은 소프트웨어 상품으로 구현될 수 있고 이 컴퓨터 소프트웨어 상품은 하나의 저장매체(예를 들어, ROM/RAM, 자기 디스크, 광 디스크)에 저장되고 여러 명령을 포함하여 하나의 단말기장치(휴대폰, 컴퓨터, 서버, 에어컨, 네트워크 장비 등)를 통해 본 발명에 따른 각각의 실시예의 방법을 수행한다.
본 발명의 바람직한 실시예는 도면을 참조하여 설명되고 본 발명의 권리 범위는 이에 한정하지 않다. 상기와 같은 본 발명에 따른 실시예의 순번은 설명하기 위한 것일 뿐 실시예의 우열을 가리기 위한 것이 아니다. 또한, 흐름도에서 논리 순서를 나타내지만 어떤 경우에서 여기의 순서와 다르게 상기 도시되거나 설명된 단계를 수행한다.
본 영역의 기술자들은 본 발명의 범위와 실질을 벗지 않고 여러 가지의 변형방안으로 본 발명을 구현할 수 있으며, 예를 들어, 한 실시예의 특징으로서 다른 실시예에 적용되어 또 다른 실시예를 얻을 수 있다. 본 발명의 기술사상에서 임의 수정, 등가치환, 개진은 모두 본 발명의 특허보호범위내에 포함된다.

Claims (20)

  1. A. 자동차 파손 그림 각도 보정 시스템이 분류 및 인식을 할 자동차 파손 그림이 수신된 후, 미리 훈련된 그림 회전 분류 인식 모델을 이용하여 수신된 자동차 파손 그림과 대응되는 회전 분류를 인식하는 단계와,
    B. 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하고 상기 회전 제어 파라미터는 회전각도와 회전방향을 포함하는 단계와,
    C. 결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 정상적인 각도의 자동차 파손 그림을 생성하도록 하는 단계를 포함하고,
    상기 단계A 이후, 상기 방법은,
    인식된 자동차 파손 그림과 대응되는 회전 분류가 제2 미리 설정된 회전 분류 또는 제3 미리 설정된 회전 분류인지 분석하며, 그 중, 상기 제2 미리 설정된 회전 분류는 '시계방향으로 90도를 회전'이고 상기 제3 미리 설정된 회전 분류는'시계방향으로 270도를 회전'이고, 또는 상기 제2 미리 설정된 회전 분류는'시계방향으로 270도를 회전'이고 상기 제3 미리 설정된 회전 분류는'시계방향으로 90도를 회전'인 단계를 더 포함하고,
    상기 단계B는, 인식된 회전분류가 제2 미리 설정된 회전 분류이면, 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하는 단계를 포함하고,
    상기 단계C는, 결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 2차 인식을 할 회전 그림을 생성하는 단계를 포함하고,
    상기 단계C 이후, 상기 방법은,
    미리 훈련된 그림 회전 분류 인식 모델에 의해 2차 인식을 할 회전 그림과 대응되는 2차 인식 회전 분류를 인식하는 단계와,
    상기 2차 인식 회전 분류가 제1 미리 설정된 회전 분류이면 2차 인식을 할 회전 그림은 정상적인 각도의 자동차 파손 그림인 것으로 결정되고, 상기 제1 미리 설정된 회전 분류는 '시계방향으로 0도를 회전' 또는 '시계방향으로 360도를 회전' 인 단계와,
    상기 2차 인식 회전 분류가 제4 미리 설정된 회전 분류이면 인식된 자동차 파손 그림과 대응되는 회전 분류는 제3 미리 설정된 회전 분류인 것으로 결정되고, 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 제3 미리 설정된 회전 분류와 대응되는 회전 제어 파라미터를 결정하고 결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 정상적인 각도의 자동차 파손 그림을 생성하도록 하며, 상기 제4 미리 설정된 회전 분류는 '시계방향으로 180도를 회전' 또는 '역 시계방향으로 180도를 회전' 인 단계를 포함하는 것을 특징으로 하는 자동차 파손 그림 각도 보정 방법.
  2. 제1항에 있어서,
    상기 그림 회전 분류 인식 모델은 심층 콘볼루션 신경망 모델이고, 상기 그림 회전 분류 인식 모델의 훈련 과정은,
    A1. 미리 설정된 개수의 정상적인 각도의 자동차 파손 그림 샘플을 획득하는 단계와,
    A2. 미리 설정된 회전 방향에 따라 각 자동차 파손 그림 샘플에 대해 각각 미리 설정된 횟수의 각도 회전을 수행하여 각 자동차 파손 그림 샘플과 대응되는 회전 그림을 생성하도록 하며, 각 자동차 파손 그림 샘플과 그와 대응되는 회전 그림에 대해 대응된 회전 분류를 표시하고 각 자동차 파손 그림 샘플에 대해 제1 미리 설정된 회전 분류를 대응하게 표시하는 단계와,
    A3. 회전 분류가 표시된 각 자동차 파손 그림 샘플 및 그와 대응되는 회전 그림을 하나의 그림 훈련 부분 집합으로 하며 모든 그림 훈련 부분 집합을 제1비례의 훈련집합과 제2비례의 검증집합으로 나누는 단계와,
    A4. 상기 훈련집합을 이용하여 상기 그림 회전 분류 인식 모델을 훈련하는 단계와,
    A5. 상기 검증집합을 이용하여 훈련된 그림 회전 분류 인식 모델의 정확도를 검증하고, 정확도가 미리 설정된 정확도보다 크거나 같으면, 훈련을 종료하고, 정확도가 미리 설정된 정확도보다 작으면, 자동차 파손 그림 샘플의 개수를 추가하여 단계A2, A3, A4, A5를 다시 수행하는 단계를 포함하는 것을 특징으로 하는 자동차 파손 그림 각도 보정 방법.
  3. 제2항에 있어서,
    자동차 파손 그림 샘플에 대한 매번 각도 회전을 수행하는 회전 각도는 a이고, 360/a는 양의 정수이면 상기 각 자동차 파손 그림 샘플에 대해 각각 미리 설정된 횟수의 각도 회전의 미리 설정된 횟수는（360/a）이고, 360/a는 소수이면 상기 미리 설정된 횟수는 （360/a）의 정수부분인 것을 특징으로 하는 자동차 파손 그림 각도 보정 방법.
  4. 제1 항에 있어서,
    상기 2차 인식 회전 분류가 제4 미리 설정된 회전 분류이면, 상기 수신된 자동차 파손 그림의 회전 분류를 최초 인식할 때 오류와 헛갈린 현상이 발생하는 것으로 결정되면 상기 자동차 파손 그림의 회전 분류와 상기 최초 인식된 회전 분류가 다르고 상기 최초 인식된 회전 분류와 용이하게 헛갈리는 회전 분류인 것으로 결정되는 것을 특징으로 하는 자동차 파손 그림 각도 보정 방법.
  5. 삭제
  6. 삭제
  7. 제1항에 있어서,
    상기 단계B는,
    인식된 자동차 파손 그림과 대응되는 회전 분류가 제2 미리 설정된 회전 분류가 아니고 제3 미리 설정된 회전 분류가 아니면 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하며, 단계C를 수행하는 단계를 더 포함하는 것을 특징으로 하는 자동차 파손 그림 각도 보정 방법.
  8. 전자장치에 있어서, 상기 전자장치는 저장장치, 프로세서, 상기 저장 장치에 저장되어 상기 프로세서 상에서 실행될 수 있는 자동차 파손 그림 각도 보정 시스템을 포함하고, 상기 자동차 파손 그림 각도 보정 시스템은 상기 프로세서에 의해 실행되어,
    분류 및 인식을 할 자동차 파손 그림이 수신된 후, 미리 훈련된 그림 회전 분류 인식 모델을 이용하여 수신된 자동차 파손 그림과 대응되는 회전 분류를 인식하는 단계와,
    미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하고 상기 회전 제어 파라미터는 회전각도와 회전방향을 포함하는 단계와,
    결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 정상적인 각도의 자동차 파손 그림을 생성하도록 하는 단계를 포함하고,
    상기 프로세서는 상기 자동차 파손 그림 각도 보정 시스템을 실행하여,
    인식된 자동차 파손 그림과 대응되는 회전 분류가 제2 미리 설정된 회전 분류 또는 제3 미리 설정된 회전 분류인지 분석하며, 그 중, 상기 제2 미리 설정된 회전 분류는 '시계방향으로 90도를 회전'이고 상기 제3 미리 설정된 회전 분류는'시계방향으로 270도를 회전'이고, 또는 상기 제2 미리 설정된 회전 분류는'시계방향으로 270도를 회전'이고 상기 제3 미리 설정된 회전 분류는'시계방향으로 90도를 회전'인 단계와,
    인식된 회전분류가 제2 미리 설정된 회전 분류이면, 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하며, 2차 인식 회전 분류가 제1 미리 설정된 회전 분류이면 2차 인식을 할 회전 그림은 정상적인 각도의 자동차 파손 그림인 것으로 결정되며, 상기 제1 미리 설정된 회전 분류는 '시계방향으로 0도를 회전' 또는 '시계방향으로 360도를 회전'이고, 상기 2차 인식 회전 분류가 제4 미리 설정된 회전 분류이면 인식된 자동차 파손 그림과 대응되는 회전 분류는 제3 미리 설정된 회전 분류인 것으로 결정되며, 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 제3 미리 설정된 회전 분류와 대응되는 회전 제어 파라미터를 결정하며, 상기 제4 미리 설정된 회전 분류는 '시계방향으로 180도를 회전' 또는 '역 시계방향으로 180도를 회전' 인 단계와,
    결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 2차 인식을 할 회전 그림을 생성하는 단계와,
    미리 훈련된 그림 회전 분류 인식 모델에 의해 2차 인식을 할 회전 그림과 대응되는 상기 2차 인식 회전 분류를 인식하는 단계를 구현하는 것을 특징으로 하는 전자장치.
  9. 제8항에 있어서,
    상기 그림 회전 분류 인식 모델은 심층 콘볼루션 신경망 모델이고, 상기 그림 회전 분류 인식 모델의 훈련 과정은,
    A1. 미리 설정된 개수의 정상적인 각도의 자동차 파손 그림 샘플을 획득하는 단계와,
    A2. 미리 설정된 회전 방향에 따라 각 자동차 파손 그림 샘플에 대해 각각 미리 설정된 횟수의 각도 회전을 수행하여 각 자동차 파손 그림 샘플과 대응되는 회전 그림을 생성하도록 하며, 각 자동차 파손 그림 샘플과 그와 대응되는 회전 그림에 대해 대응된 회전 분류를 표시하고 각 자동차 파손 그림 샘플에 대해 제1 미리 설정된 회전 분류를 대응하게 표시하는 단계와,
    A3. 회전 분류가 표시된 각 자동차 파손 그림 샘플 및 그와 대응되는 회전 그림을 하나의 그림 훈련 부분 집합으로 하며 모든 그림 훈련 부분 집합을 제1비례의 훈련집합과 제2비례의 검증집합으로 나누는 단계와,
    A4. 상기 훈련집합을 이용하여 상기 그림 회전 분류 인식 모델을 훈련하는 단계와,
    A5. 상기 검증집합을 이용하여 훈련된 그림 회전 분류 인식 모델의 정확도를 검증하고, 정확도가 미리 설정된 정확도보다 크거나 같으면, 훈련을 종료하고, 정확도가 미리 설정된 정확도보다 작으면, 자동차 파손 그림 샘플의 개수를 추가하여 단계A2, A3, A4, A5를 다시 수행하는 단계를 포함하는 것을 특징으로 하는 전자장치.
  10. 제8항에 있어서,
    자동차 파손 그림 샘플에 대한 매번 각도 회전을 수행하는 회전 각도는 a이고, 360/a는 양의 정수이면 상기 각 자동차 파손 그림 샘플에 대해 각각 미리 설정된 횟수의 각도 회전의 미리 설정된 횟수는（360/a）이고, 360/a는 소수이면 상기 미리 설정된 횟수는 （360/a）의 정수부분인 것을 특징으로 하는 전자장치.
  11. 삭제
  12. 삭제
  13. 삭제
  14. 컴퓨터 판독 가능한 저장매체에 있어서, 상기 컴퓨터 판독 가능한 저장매체는 자동차 파손 그림 각도 보정 시스템이 저장되고, 상기 자동차 파손 그림 각도 보정 시스템은 적어도 하나의 프로세서에 의해 실행될 수 있어 적어도 하나의 프로세서는
    A. 자동차 파손 그림 각도 보정 시스템이 분류 및 인식을 할 자동차 파손 그림이 수신된 후, 미리 훈련된 그림 회전 분류 인식 모델을 이용하여 수신된 자동차 파손 그림과 대응되는 회전 분류를 인식하는 단계와,
    B. 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하고 상기 회전 제어 파라미터는 회전각도와 회전방향을 포함하는 단계와,
    C. 결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 정상적인 각도의 자동차 파손 그림을 생성하도록 하는 단계를 수행하고,
    상기 단계A 이후, 상기 방법은,
    인식된 자동차 파손 그림과 대응되는 회전 분류가 제2 미리 설정된 회전 분류 또는 제3 미리 설정된 회전 분류인지 분석하며, 그 중, 상기 제2 미리 설정된 회전 분류는 '시계방향으로 90도를 회전'이고 상기 제3 미리 설정된 회전 분류는'시계방향으로 270도를 회전'이고, 또는 상기 제2 미리 설정된 회전 분류는'시계방향으로 270도를 회전'이고 상기 제3 미리 설정된 회전 분류는'시계방향으로 90도를 회전'인 단계를 더 포함하고,
    상기 단계B는, 인식된 회전분류가 제2 미리 설정된 회전 분류이면, 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 인식된 회전 분류와 대응되는 회전 제어 파라미터를 결정하는 단계를 포함하고,
    상기 단계C는, 결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 2차 인식을 할 회전 그림을 생성하는 단계를 포함하고,
    상기 단계C 이후, 상기 방법은,
    미리 훈련된 그림 회전 분류 인식 모델에 의해 2차 인식을 할 회전 그림과 대응되는 2차 인식 회전 분류를 인식하는 단계와,
    상기 2차 인식 회전 분류가 제1 미리 설정된 회전 분류이면 2차 인식을 할 회전 그림은 정상적인 각도의 자동차 파손 그림인 것으로 결정되고, 상기 제1 미리 설정된 회전 분류는 '시계방향으로 0도를 회전' 또는 '시계방향으로 360도를 회전' 인 단계와,
    상기 2차 인식 회전 분류가 제4 미리 설정된 회전 분류이면 인식된 자동차 파손 그림과 대응되는 회전 분류는 제3 미리 설정된 회전 분류인 것으로 결정되고, 미리 결정된 회전 분류와 회전 제어 파라미터의 맵핑관계에 따라 제3 미리 설정된 회전 분류와 대응되는 회전 제어 파라미터를 결정하고 결정된 회전 제어 파라미터에 따라 수신된 자동차 파손 그림을 회전하여 정상적인 각도의 자동차 파손 그림을 생성하도록 하며, 상기 제4 미리 설정된 회전 분류는 '시계방향으로 180도를 회전' 또는 '역 시계방향으로 180도를 회전' 인 단계를 포함하는 것을 특징으로 하는 컴퓨터 판독 가능한 저장매체.
  15. 삭제
  16. 삭제
  17. 삭제
  18. 삭제
  19. 삭제
  20. 삭제
KR1020187024868A 2017-05-05 2017-09-30 자동차 파손 그림 각도 보정 방법, 전자장치 및 판독 가능한 저장매체 KR102170930B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201710313201.0 2017-05-05
CN201710313201.0A CN107180413B (zh) 2017-05-05 2017-05-05 车损图片角度纠正方法、电子装置及可读存储介质
PCT/CN2017/105002 WO2018201665A1 (zh) 2017-05-05 2017-09-30 车损图片角度纠正方法、电子装置及可读存储介质

Publications (2)

Publication Number Publication Date
KR20190021190A KR20190021190A (ko) 2019-03-05
KR102170930B1 true KR102170930B1 (ko) 2020-10-29

Family

ID=59831051

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020187024868A KR102170930B1 (ko) 2017-05-05 2017-09-30 자동차 파손 그림 각도 보정 방법, 전자장치 및 판독 가능한 저장매체

Country Status (8)

Country Link
US (1) US11386499B2 (ko)
EP (1) EP3428848A4 (ko)
JP (1) JP6660475B2 (ko)
KR (1) KR102170930B1 (ko)
CN (1) CN107180413B (ko)
AU (1) AU2017408804B2 (ko)
SG (1) SG11201900259QA (ko)
WO (1) WO2018201665A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107180413B (zh) * 2017-05-05 2019-03-15 平安科技（深圳）有限公司 车损图片角度纠正方法、电子装置及可读存储介质
CN108255995A (zh) * 2017-12-29 2018-07-06 北京奇虎科技有限公司 一种输出图像的方法及装置
CN109583445A (zh) * 2018-11-26 2019-04-05 平安科技（深圳）有限公司 文字图像校正处理方法、装置、设备及存储介质
CN110991388B (zh) * 2019-12-16 2023-07-14 小哆智能科技(北京)有限公司 一种人物照视图方位校正角度计算的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150063685A1 (en) * 2013-08-30 2015-03-05 National Central University Image distortion correction method and image distortion correction device using the same
CN104732225A (zh) * 2013-12-24 2015-06-24 中国科学院深圳先进技术研究院 图像旋转处理方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6959109B2 (en) * 2002-06-20 2005-10-25 Identix Incorporated System and method for pose-angle estimation
WO2010052830A1 (ja) * 2008-11-06 2010-05-14 日本電気株式会社 画像向き判定装置、画像向き判定方法及び画像向き判定プログラム
US8903167B2 (en) * 2011-05-12 2014-12-02 Microsoft Corporation Synthesizing training samples for object recognition
CN103488965B (zh) * 2013-08-20 2016-06-15 成都我来啦网格信息科技有限公司 运单信息录入和彩色色块编码解码系统
CN103729649B (zh) * 2014-01-14 2017-03-01 三星电子（中国）研发中心 一种图像旋转角度检测方法和装置
EP3007099B1 (en) * 2014-10-10 2022-12-07 Continental Autonomous Mobility Germany GmbH Image recognition system for a vehicle and corresponding method
CN105825243A (zh) * 2015-01-07 2016-08-03 阿里巴巴集团控股有限公司 证件图像检测方法及设备
CN104778448B (zh) * 2015-03-24 2017-12-15 孙建德 一种基于结构自适应卷积神经网络的人脸识别方法
GB201517462D0 (en) * 2015-10-02 2015-11-18 Tractable Ltd Semi-automatic labelling of datasets
CN105607835A (zh) * 2015-12-21 2016-05-25 惠州Tcl移动通信有限公司 图片方向自动调整的移动终端及其显示方法
CN107180413B (zh) * 2017-05-05 2019-03-15 平安科技（深圳）有限公司 车损图片角度纠正方法、电子装置及可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150063685A1 (en) * 2013-08-30 2015-03-05 National Central University Image distortion correction method and image distortion correction device using the same
US9165219B2 (en) 2013-08-30 2015-10-20 National Central University Image distortion correction method and image distortion correction device using the same
CN104732225A (zh) * 2013-12-24 2015-06-24 中国科学院深圳先进技术研究院 图像旋转处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Jayawardena. Image based automatic vehicle damage detection. 박사학위논문, 2013년 11월, pp. 1-173. 1부.*

Also Published As

Publication number Publication date
CN107180413B (zh) 2019-03-15
AU2017408804A1 (en) 2018-11-22
AU2017408804B2 (en) 2020-01-16
EP3428848A4 (en) 2019-12-11
SG11201900259QA (en) 2019-02-27
KR20190021190A (ko) 2019-03-05
JP6660475B2 (ja) 2020-03-11
US20210090176A1 (en) 2021-03-25
WO2018201665A1 (zh) 2018-11-08
EP3428848A1 (en) 2019-01-16
CN107180413A (zh) 2017-09-19
JP2019516147A (ja) 2019-06-13
US11386499B2 (en) 2022-07-12

Similar Documents

Publication Publication Date Title
CN107798299B (zh) 票据信息识别方法、电子装置及可读存储介质
CN107766809B (zh) 电子装置、票据信息识别方法和计算机可读存储介质
KR102170930B1 (ko) 자동차 파손 그림 각도 보정 방법, 전자장치 및 판독 가능한 저장매체
US10846556B2 (en) Vehicle insurance image processing method, apparatus, server, and system
CN108494771B (zh) 电子装置、防火墙开通验证方法及存储介质
CN108345882B (zh) 用于图像识别的方法、装置、设备和计算机可读存储介质
CN111325104A (zh) 文本识别方法、装置及存储介质
CN110288755B (zh) 基于文本识别的发票检验方法、服务器及存储介质
CN111291753B (zh) 基于图像的文本识别方法、装置及存储介质
CN111242126A (zh) 不规则文本校正方法、装置、计算机设备和存储介质
CN111595850A (zh) 切片缺陷检测方法、电子装置及可读存储介质
CN108021863B (zh) 电子装置、基于图像的年龄分类方法及存储介质
CN112101317A (zh) 页面方向识别方法、装置、设备及计算机可读存储介质
CN113128536A (zh) 无监督学习方法、系统、计算机设备及可读存储介质
CN111914775A (zh) 活体检测方法、装置、电子设备及存储介质
CN113239910B (zh) 证件识别方法、装置、设备及存储介质
WO2019000746A1 (zh) 控件的文字颜色变换方法、系统、电子装置及存储介质
CN112989768B (zh) 连线题批改方法、装置、电子设备及存储介质
CN114386013A (zh) 学籍自动认证方法、装置、计算机设备及存储介质
US20230123879A1 (en) Method and apparatus for positioning express parcel
CN112418206A (zh) 基于位置检测模型的图片分类方法及其相关设备
CN111860641A (zh) 电网图像识别方法、电子装置及存储介质
CN112396057A (zh) 一种字符识别方法、装置及电子设备
CN111695441B (zh) 图像文档处理方法、装置及计算机可读存储介质
CN115937875A (zh) 文本识别方法及装置、存储介质、终端

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant