TW202013248A - 車輛損壞識別方法及裝置 - Google Patents

車輛損壞識別方法及裝置 Download PDF

Info

Publication number
TW202013248A
TW202013248A TW108122538A TW108122538A TW202013248A TW 202013248 A TW202013248 A TW 202013248A TW 108122538 A TW108122538 A TW 108122538A TW 108122538 A TW108122538 A TW 108122538A TW 202013248 A TW202013248 A TW 202013248A
Authority
TW
Taiwan
Prior art keywords
candidate frame
candidate
feature vector
frame
association relationship
Prior art date
Application number
TW108122538A
Other languages
English (en)
Other versions
TWI703510B (zh
Inventor
徐娟
Original Assignee
香港商阿里巴巴集團服務有限公司
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 香港商阿里巴巴集團服務有限公司 filed Critical 香港商阿里巴巴集團服務有限公司
Publication of TW202013248A publication Critical patent/TW202013248A/zh
Application granted granted Critical
Publication of TWI703510B publication Critical patent/TWI703510B/zh

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box

Abstract

本說明書實施例提供一種電腦執行的車輛損壞識別方法和裝置，方法包括，首先獲取待識別的車輛損壞影像，將該影像分別輸入預先訓練的多個目標檢測模型，從其中分別獲得對應的多組檢測結果。多組檢測結果構成檢測結果集合，其中包括N個備選邊框，以及各個備選邊框的類別預測結果。對於N個備選邊框中任意的第一備選邊框，至少根據該第一備選邊框與其他備選邊框的關聯關係，確定該第一備選邊框的綜合特徵向量。其中上述關聯關係至少包括邊框內容關聯關係，位置關聯關係和類別預測結果關聯關係中的一項或多項。然後，將各個備選邊框對應的綜合特徵向量分別輸入預先訓練的分類模型，根據分類模型的輸出結果，最佳化檢測結果集合。

Description

車輛損壞識別方法及裝置
本說明書一個或多個實施例涉及機器學習領域，尤其涉及利用機器學習進行車輛損壞識別的方法和裝置。
在傳統車險理賠場景中，保險公司需要派出專業的查勘定損人員到事故現場進行現場查勘定損，給出車輛的維修方案和賠償金額，並拍攝現場照片，定損照片留檔以供後台核查人員核損核價。由於需要人工查勘定損，保險公司需要投入大量的人力成本，和專業知識的培訓成本。從普通使用者的體驗來說，理賠流程由於等待人工查勘員現場拍照、定損員在維修地點定損、核損人員在後台核損，理賠週期長達1-3天，使用者的等待時間較長，體驗較差。 針對需求背景中提到的這一人工成本巨大的行業痛點，開始設想將人工智慧和機器學習應用到車輛定損的場景中，希望能夠利用人工智慧領域電腦視覺圖像識別技術，根據普通使用者拍攝的現場損失影像，自動識別影像中反映的車損狀況，並自動給出維修方案。如此，無需人工查勘定損核損，大大減少了保險公司的成本，提升了普通使用者的車險理賠體驗。 不過，目前的智慧型定損方案，損壞識別的準確度還有待進一步提高。因此，希望能有改進的方案，能夠對車輛的損壞檢測結果進行進一步最佳化，提高識別準確度。
本說明書一個或多個實施例描述了一種車輛損壞識別方法和裝置，其中利用多個目標檢測模型對待識別影像進行檢測，得到多個備選邊框，然後基於各個備選邊框之間的關聯關係，對檢測結果進行最佳化，提高損壞識別準確度。 根據第一態樣，提供了一種電腦執行的車輛損壞識別方法，包括： 獲取待識別的車輛損壞影像； 將所述車輛損壞影像分別輸入預先訓練的多個目標檢測模型，從該多個目標檢測模型分別獲得對應的多組檢測結果，該多組檢測結果構成檢測結果集合，所述檢測結果集合中包括，所述多個目標檢測模型檢測出的N個備選邊框，以及各個備選邊框的類別預測結果； 對於所述N個備選邊框中任意的第一備選邊框，至少根據該第一備選邊框與其他備選邊框的關聯關係，確定該第一備選邊框的綜合特徵向量，所述關聯關係至少包括邊框內容關聯關係，位置關聯關係和類別預測結果關聯關係中的一項或多項； 將各個備選邊框對應的綜合特徵向量分別輸入預先訓練的分類模型，根據分類模型的輸出結果，最佳化所述檢測結果集合。 根據一種可能的實施方式，上述其他備選邊框包括第二備選邊框，所述關聯關係包括邊框內容關聯關係；在這樣的情況下，如下確定該第一備選邊框的綜合特徵向量： 獲取各個備選邊框的卷積特徵向量，該卷積特徵向量用於特徵化對應邊框中的影像內容特徵； 基於所述第一備選邊框對應的第一卷積特徵向量，和所述第二備選邊框對應的第二卷積特徵向量，確定第一備選邊框與第二備選邊框的內容關聯特徵； 至少根據所述內容關聯特徵，確定該第一備選邊框的綜合特徵向量。 進一步地，在一個實施例中，透過以下方式確定第一備選邊框與第二備選邊框的內容關聯特徵： 計算所述第一卷積特徵向量和第二卷積特徵向量的內積，基於內積結果確定所述內容關聯特徵；和/或 計算所述第一卷積特徵向量和第二卷積特徵向量的距離，基於所述距離確定所述內容關聯特徵，其中所述距離包括餘弦距離或歐式距離。 根據一種可能的實施方式，上述其他備選邊框包括第二備選邊框，且所述關聯關係包括位置關聯關係；在這樣的情況下，如下確定該第一備選邊框的綜合特徵向量： 基於所述第一備選邊框的位置參數和第二備選邊框的位置參數，確定第一備選邊框與第二備選邊框之間的位置關聯特徵； 至少根據所述位置關聯特徵，確定該第一備選邊框的綜合特徵向量。 進一步地，在一個實施例中，所述位置關聯特徵包括以下中的一項或多項：中心距離，交集聯集比，面積比，包含關係。 根據另一種可能的實施方式，其他備選邊框包括第二備選邊框，且所述關聯關係包括類別預測結果關聯關係；在這樣的情況下，如下確定該第一備選邊框的綜合特徵向量： 基於所述第一備選邊框對應的第一預測結果和第二備選邊框對應的第二預測結果，確定第一備選邊框與第二備選邊框之間的預測結果關聯特徵； 至少根據所述預測結果關聯特徵，確定該第一備選邊框的綜合特徵向量。 進一步地，在一個實施例中，所述第一預測結果包括第一類別和第一信賴度，所述第二預測結果包括第二類別和第二信賴度，所述預測結果關聯特徵包括：第一類別和第二類別的異同，以及，第一信賴度和第二信賴度的差值。 根據一種可能的設計，上述其他備選邊框包括以下中的一項或多項：與所述第一備選邊框的中心距離在預定閾值之內的備選邊框，與所述第一備選邊框的中心距離排序在預定數目之內的備選邊框。 在一種實施方式中，上述分類模型包括以下之一：GBDT模型，SVM模型，基於深度神經網路DNN的分類模型。 根據一種可能的實施方式，透過以下方式最佳化所述檢測結果集合：在所述分類模型針對所述第一備選邊框的輸出結果為異常邊框的情況下，將所述第一備選邊框從所述檢測結果集合中排除。 根據第二態樣，提供一種車輛損壞識別裝置，包括： 獲取單元，配置為獲取待識別的車輛損壞影像； 檢測單元，配置為將所述車輛損壞影像分別輸入預先訓練的多個目標檢測模型，從該多個目標檢測模型分別獲得對應的多組檢測結果，該多組檢測結果構成檢測結果集合，所述檢測結果集合中包括，所述多個目標檢測模型檢測出的N個備選邊框，以及各個備選邊框的類別預測結果； 綜合單元，配置為對於所述N個備選邊框中任意的第一備選邊框，至少根據該第一備選邊框與其他備選邊框的關聯關係，確定該第一備選邊框的綜合特徵向量，所述關聯關係至少包括邊框內容關聯關係，位置關聯關係和類別預測結果關聯關係中的一項或多項； 最佳化單元，配置為將各個備選邊框對應的綜合特徵向量分別輸入預先訓練的分類模型，根據分類模型的輸出結果，最佳化所述檢測結果集合。 根據第三態樣，提供了一種電腦可讀儲存媒體，其上儲存有電腦程式，當所述電腦程式在電腦中執行時，令電腦執行第一態樣的方法。 根據第四態樣，提供了一種計算設備，包括記憶體和處理器，其特徵在於，所述記憶體中儲存有可執行碼，所述處理器執行所述可執行碼時，實現第一態樣的方法。 根據本說明書實施例提供的方法和裝置，一態樣，同時採用多個目標檢測模型對車輛損壞影像進行損壞識別和檢測，這使得生成的檢測結果互相補充，最大程度排除了漏檢測的可能。進一步地，對於多個目標檢測模型得到的N個備選邊框，基於各個備選邊框與其他備選邊框的關聯關係，在備選邊框之間建立聯結，基於這樣的聯結結果，用訓練的分類模型進一步判斷各個備選邊框的準確度，以此排除誤檢測的邊框，進一步最佳化損壞識別結果。如此，全面提升損壞識別的準確性。
下面結合所附圖式，對本說明書提供的方案進行描述。 為了對車輛定損影像中的損壞狀況進行識別，業界普遍採用的方法是，透過與巨量歷史資料庫進行比對得到相似的影像，來決定影像上的損壞部件及其程度。然而，這樣的方式損壞識別準確率不夠理想。 此外，還採用樣本標記的方式訓練一些目標檢測模型，這些目標檢測模型被訓練為以車輛損壞為檢測物件進行檢測，從而進行損壞識別。在進行損壞識別過程中，反光和污漬干擾是兩大難點。在識別的結果中往往會出現真正的損壞能夠正確檢測，而同時少量反光或污漬也會被檢測成損壞的情況，從而出現誤檢測。 為了提高損壞識別的準確度，在本說明書公開的實施例中，創造性提出了損壞檢測結果最佳化方案。圖1為本說明書揭露的一個實施例的實施場景示意圖。如圖1所示，在獲取到車輛損壞影像之後，將其輸入到多個目標檢測模型。上述多個目標檢測模型各自獨立地進行損壞識別，各自輸出其損壞檢測結果。一般地，損壞檢測結果包括識別出的一組損壞邊框，以及對應的類別預測結果。接著，將多個目標檢測模型輸出的多組損壞邊框作為備選邊框，確定各個備選邊框之間的關聯關係，從而建立各個備選邊框之間的聯結。根據具體實施例，上述關聯關係可以包括，邊框內容態樣的關聯關係，位置的關聯關係，類別預測結果的關聯關係中的一種或多種。基於這樣的關聯關係，利用訓練好的分類模型對損壞檢測結果進行最佳化，得到更為準確的損壞檢測結果。下面描述最佳化損壞檢測結果的具體實現過程。 圖2示出根據一個實施例的車輛損壞識別方法的流程圖。該方法可以透過任何具有計算、處理能力的裝置、設備、平台和設備集群來執行。如圖2所示，該方法包括，步驟21，獲取待識別的車輛損壞影像；步驟22，將車輛損壞影像分別輸入預先訓練的多個目標檢測模型，從該多個目標檢測模型分別獲得對應的多組檢測結果；該多組檢測結果構成檢測結果集合，其中包括，多個目標檢測模型檢測出的N個備選邊框，以及各個備選邊框的類別預測結果；步驟23，對於N個備選邊框中任意的第一備選邊框，至少根據該第一備選邊框與其他備選邊框的關聯關係，確定該第一備選邊框的綜合特徵向量，所述關聯關係至少包括邊框內容關聯關係，位置關聯關係和類別預測結果關聯關係中的一項或多項；以及步驟24，將各個備選邊框對應的綜合特徵向量分別輸入預先訓練的分類模型，根據分類模型的輸出結果，最佳化所述檢測結果集合。下面描述以上各個步驟的執行方式。 首先，在步驟21，獲取車輛損壞影像。可以理解，該影像可以是普通使用者拍攝的車損現場的影像，是有待進行損壞識別的影像。 圖3a示出車輛損壞影像的一個實例。該影像是普通使用者拍攝的未經處理的現場影像。 接著在步驟22，將車輛損壞影像分別輸入預先訓練的多個目標檢測模型，從該多個目標檢測模型分別獲得對應的多組檢測結果。 可以理解，目標檢測模型用於從影像中識別出特定的目標物件，並對目標物件進行分類。為了利用目標檢測模型進行車輛損壞的識別，可以利用大量已經標記出損壞物件的標記影像作為訓練樣本，訓練目標檢測模型，從而使得訓練好的目標檢測模型可以用於從影像中識別損壞物件。 已經基於各種網路結構和各種檢測演算法提出了各種各樣的目標檢測模型。例如，單階段(one stage)檢測模型可以從影像中直接確定出目標物件的類別機率和位置坐標，也就是直接識別出目標物件。單階段檢測模型的典型例子包括，SSD模型，Yolo模型等。兩階段(two stage)的檢測模型首先在影像中生成備選區域，或稱為興趣區域ROI，然後在備選區域中進行目標識別和邊框迴歸。兩階段的檢測模型的典型例子包括，R-CNN模型，Fast R-CNN模型，Faster R-CNN模型等。還提出有其他目標檢測模型。 可以從以上的各種目標檢測模型中進行選擇，選出多個目標檢測模型，在步驟22中對車輛損壞影像進行目標檢測。選擇出的多個目標檢測模型可以並行地、獨立地，各自對車輛損壞影像進行檢測。 可以理解，每個目標檢測模型會輸出一組檢測結果。一般地，目標檢測模型輸出的檢測結果包括，包含目標物件的邊框(bounding box)和該邊框中目標物件的類別。在將目標檢測演算法應用於損壞識別時，將會得到損壞物件的區域邊框和損壞物件的損壞類別。相應地，多個目標檢測模型會對應輸出多組檢測結果，該多組檢測結果構成檢測結果集。因此，該檢測結果集中包括，多個目標檢測模型檢測出的共計N個損壞邊框，以及對應的損壞類別預測。圖3b示意性示出，多個目標檢測模型輸出的檢測結果集中包括的多個損壞邊框，以及對應的損壞類別(每個邊框左上角的數字)。 接下來，將目標檢測模型檢測出的損壞邊框作為備選邊框，對這N個備選邊框進行進一步最佳化處理。 在步驟23，對於上述N個備選邊框，確定各個備選邊框與其他備選邊框的關聯關係，從而建立邊框之間的聯結，用以進行結果最佳化。下面以某個備選邊框，此處稱為第一備選邊框為例進行說明。需要理解，此處的第一備選邊框是N個備選邊框中任意的一個邊框，其中的“第一”僅僅表示區分，而不具有其他限定作用。 對於上述任意的第一備選邊框，在步驟23，至少根據該第一備選邊框與其他備選邊框的關聯關係，確定該第一備選邊框的綜合特徵向量。在一個實施例中，第一備選邊框的綜合特徵向量包括第一部分和第二部分，第一部分是僅與該備選邊框自身相關的特徵部分，第二部分是基於與其他備選邊框的關聯關係而得到的特徵部分。在另一實施例中，上述綜合特徵向量也可以僅包括第二部分。 根據本說明書的實施例，上述的關聯關係可以是，邊框內容態樣的關聯關係，邊框位置態樣的關聯關係和邊框類別預測結果態樣的關聯關係。 更具體地，在一個實施例中，上述關聯關係包括邊框內容關聯關係，也就是邊框內圖像特徵之間的關聯關係。在這樣的情況下，可以確定上述第一備選邊框與其他備選邊框在內容上的關聯關係，據此確定其綜合特徵向量。為了描述的清楚和簡單，假定上述其他備選邊框包括第二備選邊框，下面以第一備選邊框和第二備選邊框為例，描述步驟23的執行方式。 圖4示出在一個實施例中確定綜合特徵向量的步驟，即步驟23的子步驟。如圖4所示，首先在步驟231，獲取各個備選邊框的卷積特徵向量，該卷積特徵向量用於特徵化對應邊框中的影像內容特徵。 可以理解，當前的多數目標檢測模型都是基於卷積神經網路CNN的模型。在卷積神經網路CNN中，首先會對待識別影像進行卷積處理，得到卷積特徵圖(feature map)，該卷積特徵圖反映影像內容的抽象特徵。然後目標檢測模型基於卷積特徵圖進行目標分類和邊框迴歸。相應地，目標檢測模型輸出的各個備選邊框可以對應到卷積特徵圖中的子區域。透過對各個子區域進行特徵擷取，可以得到各個備選邊框對應的卷積特徵向量。假定第一備選邊框對應於第一卷積特徵向量F1 ，第二備選邊框對應於第二卷積特徵向量F2 。 接著，在步驟232，基於第一卷積特徵向量F1 和第二卷積特徵向量F2 ，確定第一備選邊框與第二備選邊框關於影像內容的關聯特徵A1-2 。 在一個實施例中，可以計算第一卷積特徵向量F1 和第二卷積特徵向量F2 之間的差值，基於該差值確定第一備選邊框與第二備選邊框關於影像內容的關聯特徵A1-2 。 在另一實施例中，可以計算第一卷積特徵向量F1 和第二卷積特徵向量F2 之間的內積，基於內積結果確定第一備選邊框與第二備選邊框關於影像內容的關聯特徵A1-2 。 具體地，假定F1 =(a1 ,a2 ,…,an );F2 =(b1 ,b2 ,…,bn ), 根據上述實例，可以將其內容關聯特徵A1-2 定義為： A1-2 =(a1 *b1 ,a2 *b2 ,…,an *bn )。 如此計算的內容關聯特徵A1-2 是一個向量。 在又一實施例中，可以計算F1 和F2 之間的內積，基於內積結果確定第一備選邊框與第二備選邊框關於影像內容的關聯特徵A1-2 ， 即A1-2 =a1 *b1 +a2 *b2 +…+an *bn ，如此計算的內容關聯特徵A1-2 是一個純量。 在另一實施例中，可以計算第一卷積特徵向量F1 和第二卷積特徵向量F2 的距離D，基於所述距離D確定內容關聯特徵。更具體地，可以計算F1 和F2 之間的餘弦距離或歐式距離作為上述距離D。 在其他實施例中，還可以基於這兩個卷積特徵向量進行其他數學運算，得出對應的第一備選邊框和第二備選邊框在影像內容上的關聯特徵。 於是，在步驟233，至少根據所述內容關聯特徵A1-2 ，確定該第一備選邊框的綜合特徵向量。可以理解，上述內容關聯特徵A1-2 特徵化第一備選邊框與不特定的某個其他備選邊框(第二備選邊框)之間在內容上的相似度。在該內容關聯特徵是向量的情況下，可以將其作為第一備選邊框的綜合特徵向量的一部分；在該內容關聯特徵是純量的情況下，可以將其作為第一備選邊框的綜合特徵向量的一個向量元素。 以上結合某個其他備選邊框(第二備選邊框)描述了計算內容關聯特徵的過程，可以理解，該過程可以適用於計算第一備選邊框和任意的其他備選邊框的內容關聯特徵。 如前所述，除了影像內容態樣的關聯，邊框之間的關聯關係還可以包括位置關聯關係。下面仍以第一備選邊框和第二備選邊框為例進行描述說明。 在一個實施例中，為了確定第一備選邊框的綜合特徵向量，首先獲取第一備選邊框的位置參數和第二備選邊框的位置參數。可以理解，目標檢測模型在輸出的檢測結果中會包含各個備選邊框的位置參數。一般地，備選邊框的位置參數常常採用(x,y,w,h)的形式，其中(x,y)表示備選邊框的中心坐標，w為邊框的寬，h為邊框的高。因此，可以很容易地從檢測結果集合中擷取出第一備選邊框的位置參數和第二備選邊框的位置參數。 接著，基於第一備選邊框的位置參數和第二備選邊框的位置參數，確定第一備選邊框與第二備選邊框之間的位置關聯特徵。 根據不同的實施例，位置關聯特徵可以包括以下中的一項或多項：中心距離，交集聯集比，面積比，包含關係，等等。其中，交集聯集比(IoU)表示兩個備選邊框交疊區域的面積與合併區域的面積的比值；包含關係可以是，第一備選邊框包含/不包含第二備選邊框，或者第二備選邊框包含/不包含第一備選邊框，等等。 然後，至少根據上述位置關聯特徵，確定該第一備選邊框的綜合特徵向量。類似的，可以將以上確定出的第一備選邊框和第二備選邊框之間的位置關聯特徵，作為第一備選邊框的綜合特徵向量的一部分向量元素。 可以理解，以上結合某個其他備選邊框(第二備選邊框)描述了計算位置關聯特徵的過程，可以理解，該過程可以適用於計算第一備選邊框和任意的其他備選邊框的位置關聯特徵。 此外，根據一種實施方式，邊框之間的關聯關係還可以包括類別預測結果的關聯關係。下面仍以第一備選邊框和第二備選邊框為例進行描述說明。 在一個實施例中，為了確定第一備選邊框的綜合特徵向量，首先獲取第一備選邊框和第二備選邊框各自的類別預測結果，分別記為第一預測結果和第二預測結果，然後基於該第一預測結果和第二預測結果，確定第一備選邊框與第二備選邊框之間的預測結果關聯特徵。 一般地，類別預測結果至少包括預測的目標類別。例如在圖3b中，每個備選邊框左上角都標有一個數字，表示預測的目標類別，例如12表示刮擦損壞，其他數字代表其他類型的損壞。相應地，第一預測結果中包含第一類別，第二預測結果中包含第二類別，基於此確定的預測結果關聯特徵可以包括，第一類別與第二類別的比較結果，即相同或不相同。 在一些情況下，預測的目標類別按照層級結構整理。例如，類別A為刮擦，其中A1，A2和A3分別表示輕度、重度和嚴重刮擦。在這樣的情況下，第一備選邊框與第二備選邊框之間的預測結果關聯特徵還可以包括，第一類別與第二類別所共同歸屬的上級類別。 在一個實施例中，目標檢測模型在輸出備選邊框的預測類別的同時，還輸出預測的信賴度。即，上述第一預測結果包括第一類別和第一信賴度，第二預測結果包括第二類別和第二信賴度。在這樣的情況下，第一備選邊框和第二備選邊框的預測結果關聯特徵可以包括，第一類別和第二類別的異同，以及第一信賴度和第二信賴度的差值。 以上結合第一備選邊框和一個特定的其他備選邊框(第二備選邊框)分別描述了計算關聯特徵的過程，所述關聯特徵可以包括內容關聯特徵，位置關聯特徵，以及預測結果關聯特徵中的一種或多種。這樣的關聯特徵可以作為確定第一備選邊框的綜合特徵向量的基礎。 關於上述的其他備選邊框，在不同實施例中也可以有不同的選擇。在一個實施例中，對於第一備選邊框，可以分別確定該第一備選邊框與N個備選邊框中每一個其他備選邊框的關聯關係，基於此確定其綜合特徵向量。例如，在一個具體例子中，採用4個目標檢測模型，共檢測出100個備選邊框(N=100)。那麼對於其中任意的第一備選邊框，比如第1個備選邊框，可以分別計算該備選邊框與其他99個備選邊框的99組關聯特徵，將這99組關聯特徵拼接或整合在一起，得到第一備選邊框的綜合特徵向量。 在一個實施例中，為了使得每次獲得的綜合特徵向量具有相同的長度，可以在分別計算與各個其他備選邊框的各組關聯特徵之後，對這些關聯特徵進行統計、合併。例如，計算各組關聯特徵的平均值，獲取其最大值，最小值，等等，將這些統計值作為綜合特徵向量的向量元素。 在另一實施例中，可以從所有的其他備選邊框中選出一部分，來計算關聯特徵。例如，在一個例子中，選擇與第一備選邊框的中心距離在預定閾值之內的備選邊框，計算這些備選邊框與第一備選邊框的關聯特徵。在另一例子中，選擇與第一備選邊框的中心距離排序在預定數目之內的備選邊框，換而言之，選擇與第一備選邊框的中心距離最近的預定數目個(例如10個)備選邊框，計算這些備選邊框與第一備選邊框的關聯特徵。如此，僅考慮第一備選邊框與其周圍的一些備選邊框的關聯關係，而忽略距離較遠的備選邊框，從而減少計算量，提高效率。 以上，根據第一備選邊框與其他備選邊框的關聯關係，確定出第一備選邊框的綜合特徵向量。可以理解，對於N個備選邊框中的各個備選邊框，都可以執行上述過程，如此得到各個備選邊框對應的綜合特徵向量。 接著，回到圖2，在步驟24，將各個備選邊框對應的綜合特徵向量分別輸入預先訓練的分類模型，根據分類模型的輸出結果，最佳化所述檢測結果集合。 上述分類模型可以採用多種模型結構和模型演算法實現分類預測。例如，上述分類模型可以是GBDT(梯度提升決策樹)模型，SVM(支援向量機)模型，還可以是基於深度神經網路DNN的模型，等等。 在一個實施例中，上述分類模型透過正樣本和負樣本進行預先訓練，正樣本例如包括，多個標記為真實損壞的損壞區域，所述負樣本包括，多個標記為真實損壞的損壞區域和至少一個標記為非損壞的區域，以便分類模型從正樣本中學習到，多個真實損壞區域之間的關聯特徵的特點，並從負樣本中學習，非損壞區域與真實損壞區域之間的關聯特徵的特點。 如前所述，在步驟22，採用多個目標檢測模型對車輛損壞影像進行識別，得出初步的檢測結果。這些目標檢測需要同樣需要利用大量標記影像作為訓練樣本集進行訓練，這些標記影像透過人工標記，標示出真實損壞物件。通常，訓練樣本集也會包含一些負樣本，也就是非損壞區域的影像。因此，分類模型可以複用上述訓練樣本集進行訓練，也就是從中獲取多個標記為真實損壞的損壞區域作為正樣本，獲取多個標記為真實損壞的損壞區域和至少一個標記為非損壞的區域作為負樣本，利用正樣本和負樣本訓練分類模型。這特別適合於二分類模型的訓練。 訓練好的分類模型基於輸入的綜合特徵向量對相應的備選邊框進行分類預測。典型的，分類結果可以是二分類，例如對應備選邊框是否為真實準確的損壞邊框。在一種實施例中，分類結果還可以是多分類，例如類別1對應於邊框位置和損壞類別預測均準確，類別2對應於邊框中包含損壞，但損壞類別預測不準確，類別3對應於非真實損壞的邊框，等等。 基於分類模型的輸出結果，可以對檢測結果進行最佳化。 在一個實施例中，在分類結果提示某個備選邊框的損壞類別預測不準確(例如對應於多分類中的類別2)的情況下，可以將該備選邊框標記為待定區域，發送給人工平台進行覆核。 在另一例子中，也可以採用進一步的模型演算法對該預測不準確的備選邊框進行修正。例如，參考距離該備選邊框最近，且分類結果提示預測準確的其他備選邊框的預測結果，修正該備選邊框的預測結果。比如，備選邊框1與備選邊框2,3,4的中心距離都在預設範圍之內，距離較近。而備選邊框2,3,4對損壞類別的預測結果都是類別12-刮擦損壞，且分類模型對其的分類結果提示預測結果準確。然而，備選邊框1的預測結果為類別11-變形，且分類模型對其的分類結果提示預測結果不準確。考慮到損壞物件的連續性，可以參考備選邊框2,3,4的預測結果來修正備選邊框1的預測結果，以此最佳化檢測結果集合。 在另一實施例中，分類模型基於第一備選邊框的綜合特徵向量，輸出的分類結果為，第一備選邊框為異常邊框，即，不是真實準確的損壞邊框。那麼，可以將該第一備選邊框從檢測結果集合中排除，以此最佳化損壞檢測結果。 在一個具體例子中，對於圖3b示出的多個備選邊框，根據步驟23到步驟24，計算各個備選邊框與其他備選邊框的關聯特徵，並輸入到分類模型，以確定各個備選邊框的檢測結果的準確性。假定分類模型輸出顯示，最右邊的備選邊框為異常邊框，那麼可以將最右邊的備選邊框從檢測結果中排除，得到圖3c示出的最佳化的損壞檢測結果。可以發現，最右邊的備選邊框實際上為地面反光，而其他備選邊框包含連續的刮擦，這使得針對最右邊的備選邊框計算的與其他備選邊框的關聯關係表現出異常的特徵，進而體現在綜合特徵向量中。於是，分類模型基於綜合特徵向量給出該備選邊框存在異常的分類結果。 回顧以上的損壞識別過程，一態樣，同時採用多個目標檢測模型對車輛損壞影像進行損壞識別和檢測，這使得生成的檢測結果互相補充，最大程度排除了漏檢測的可能。進一步地，對於多個目標檢測模型得到的N個備選邊框，基於各個備選邊框與其他備選邊框的關聯關係，在備選邊框之間建立聯結，基於這樣的聯結結果，用訓練的模型進一步判斷各個備選邊框的準確度，以此排除誤檢測的邊框，進一步最佳化損壞識別結果。如此，全面提升損壞識別的準確性。 根據另一態樣的實施例，還提供一種車輛損壞識別裝置。圖5示出根據一個實施例的識別裝置的示意性方塊圖。可以理解，該裝置可以透過任何具有計算、處理能力的裝置、設備、平台和設備集群來實現。如圖5所示，該裝置500包括：獲取單元51，配置為獲取待識別的車輛損壞影像；檢測單元52，配置為將所述車輛損壞影像分別輸入預先訓練的多個目標檢測模型，從該多個目標檢測模型分別獲得對應的多組檢測結果，該多組檢測結果構成檢測結果集合，所述檢測結果集合中包括，所述多個目標檢測模型檢測出的N個備選邊框，以及各個備選邊框的類別預測結果；綜合單元53，配置為對於所述N個備選邊框中任意的第一備選邊框，至少根據該第一備選邊框與其他備選邊框的關聯關係，確定該第一備選邊框的綜合特徵向量，所述關聯關係至少包括邊框內容關聯關係，位置關聯關係和類別預測結果關聯關係中的一項或多項；最佳化單元54，配置為將各個備選邊框對應的綜合特徵向量分別輸入預先訓練的分類模型，根據分類模型的輸出結果，最佳化所述檢測結果集合。 下面結合上述其他備選邊框包括第二備選邊框的實施方式進行描述。 根據一種可能的實施方式，上述關聯關係包括邊框內容關聯關係。在這樣的情況下，綜合單元54可以進一步包括(未示出)： 卷積特徵獲取模組，配置為獲取各個備選邊框的卷積特徵向量，該卷積特徵向量用於特徵化對應邊框中的影像內容特徵； 關聯特徵確定模組，配置為基於所述第一備選邊框對應的第一卷積特徵向量，和所述第二備選邊框對應的第二卷積特徵向量，確定第一備選邊框與第二備選邊框的內容關聯特徵； 綜合特徵確定模組，配置為至少根據所述內容關聯特徵，確定該第一備選邊框的綜合特徵向量。 進一步地，在一個實施例中，上述關聯特徵確定模組可以配置為執行以下中的至少一項： 計算所述第一卷積特徵向量和第二卷積特徵向量的內積，基於內積結果確定所述內容關聯特徵； 計算所述第一卷積特徵向量和第二卷積特徵向量的距離，基於所述距離確定所述內容關聯特徵，其中所述距離包括餘弦距離或歐式距離。 根據一種可能的實施方式，上述關聯關係包括位置關聯關係。在這樣的情況下，綜合單元53可以配置為： 基於所述第一備選邊框的位置參數和第二備選邊框的位置參數，確定第一備選邊框與第二備選邊框之間的位置關聯特徵； 至少根據所述位置關聯特徵，確定該第一備選邊框的綜合特徵向量。 進一步地，在一個實施例中，所述位置關聯特徵包括以下中的一項或多項：中心距離，交集聯集比，面積比，包含關係。 根據一種可能的實施方式，上述關聯關係包括類別預測結果關聯關係。在這樣的情況下，所述綜合單元53可以配置為： 基於所述第一備選邊框對應的第一預測結果和第二備選邊框對應的第二預測結果，確定第一備選邊框與第二備選邊框之間的預測結果關聯特徵； 至少根據所述預測結果關聯特徵，確定該第一備選邊框的綜合特徵向量。 進一步地，在一個實施例中，所述第一預測結果包括第一類別和第一信賴度，所述第二預測結果包括第二類別和第二信賴度，所述預測結果關聯特徵包括：第一類別和第二類別的異同，以及，第一信賴度和第二信賴度的差值。 在一種可能的設計中，上述其他備選邊框包括以下中的一項或多項：與所述第一備選邊框的中心距離在預定閾值之內的備選邊框，與所述第一備選邊框的中心距離排序在預定數目之內的備選邊框。 在一個實施例中，上述分類模型包括以下之一：GBDT模型，SVM模型，基於深度神經網路DNN的分類模型。 在一個具體實施例中，上述最佳化單元54配置為：在所述分類模型針對所述第一備選邊框的輸出結果為異常邊框的情況下，將所述第一備選邊框從所述檢測結果集合中排除。 如此，透過以上裝置500，實現車輛損壞的高效、準確識別。 根據另一態樣的實施例，還提供一種電腦可讀儲存媒體，其上儲存有電腦程式，當所述電腦程式在電腦中執行時，令電腦執行結合圖2所描述的方法。 根據再一態樣的實施例，還提供一種計算設備，包括記憶體和處理器，所述記憶體中儲存有可執行碼，所述處理器執行所述可執行碼時，實現結合圖2所述的方法。 本領域技術人員應該可以意識到，在上述一個或多個實例中，本發明所描述的功能可以用硬體、軟體、韌體或它們的任意組合來實現。當使用軟體實現時，可以將這些功能儲存在電腦可讀媒體中或者作為電腦可讀媒體上的一個或多個指令或碼進行傳輸。 以上所述的具體實施方式，對本發明的目的、技術方案和有益效果進行了進一步詳細說明，所應理解的是，以上所述僅為本發明的具體實施方式而已，並不用於限定本發明的保護範圍，凡在本發明的技術方案的基礎之上，所做的任何修改、等同替換、改進等，均應包括在本發明的保護範圍之內。
21:步驟 22:步驟 23:步驟 24:步驟
為了更清楚地說明本發明實施例的技術方案，下面將對實施例描述中所需要使用的所附圖式作簡單地介紹，顯而易見地，下面描述中的所附圖式僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些所附圖式獲得其它的所附圖式。 圖1示出本說明書揭露的一個實施例的實施場景示意圖； 圖2示出根據一個實施例的車輛損壞識別方法的流程圖； 圖3a示出車輛損壞影像的一個實例； 圖3b示出多個目標檢測模型檢測出的多個備選邊框的例子； 圖3c示出經過最佳化的檢測結果； 圖4示出在一個實施例中確定綜合特徵向量的步驟；以及 圖5示出根據一個實施例的識別裝置的示意性方塊圖。

Claims (21)

  1. 一種電腦執行的車輛損壞識別方法，包括： 獲取待識別的車輛損壞影像； 將所述車輛損壞影像分別輸入預先訓練的多個目標檢測模型，從該多個目標檢測模型分別獲得對應的多組檢測結果，該多組檢測結果構成檢測結果集合，所述檢測結果集合中包括，所述多個目標檢測模型檢測出的N個備選邊框，以及各個備選邊框的類別預測結果； 對於所述N個備選邊框中任意的第一備選邊框，至少根據該第一備選邊框與其他備選邊框的關聯關係，確定該第一備選邊框的綜合特徵向量，所述關聯關係至少包括邊框內容關聯關係，位置關聯關係和類別預測結果關聯關係中的一項或多項； 將各個備選邊框對應的綜合特徵向量分別輸入預先訓練的分類模型，根據分類模型的輸出結果，最佳化所述檢測結果集合。
  2. 根據請求項1所述的方法，其中所述其他備選邊框包括第二備選邊框，所述關聯關係包括邊框內容關聯關係； 所述確定該第一備選邊框的綜合特徵向量包括： 獲取各個備選邊框的卷積特徵向量，該卷積特徵向量用於特徵化對應邊框中的影像內容特徵； 基於所述第一備選邊框對應的第一卷積特徵向量，和所述第二備選邊框對應的第二卷積特徵向量，確定第一備選邊框與第二備選邊框的內容關聯特徵； 至少根據所述內容關聯特徵，確定該第一備選邊框的綜合特徵向量。
  3. 根據請求項2所述的方法，其中確定第一備選邊框與第二備選邊框的內容關聯特徵包括以下中的至少一項： 計算所述第一卷積特徵向量和第二卷積特徵向量的內積，基於內積結果確定所述內容關聯特徵； 計算所述第一卷積特徵向量和第二卷積特徵向量的距離，基於所述距離確定所述內容關聯特徵，其中所述距離包括餘弦距離或歐式距離。
  4. 根據請求項1所述的方法，其中所述其他備選邊框包括第二備選邊框，所述關聯關係包括位置關聯關係； 所述確定該第一備選邊框的綜合特徵向量包括： 基於所述第一備選邊框的位置參數和第二備選邊框的位置參數，確定第一備選邊框與第二備選邊框之間的位置關聯特徵； 至少根據所述位置關聯特徵，確定該第一備選邊框的綜合特徵向量。
  5. 根據請求項4所述的方法，其中所述位置關聯特徵包括以下中的一項或多項：中心距離，交集聯集比，面積比，包含關係。
  6. 根據請求項1所述的方法，其中所述其他備選邊框包括第二備選邊框，所述關聯關係包括類別預測結果關聯關係； 所述確定該第一備選邊框的綜合特徵向量包括： 基於所述第一備選邊框對應的第一預測結果和第二備選邊框對應的第二預測結果，確定第一備選邊框與第二備選邊框之間的預測結果關聯特徵； 至少根據所述預測結果關聯特徵，確定該第一備選邊框的綜合特徵向量。
  7. 根據請求項6所述的方法，其中所述第一預測結果包括第一類別和第一信賴度，所述第二預測結果包括第二類別和第二信賴度，所述預測結果關聯特徵包括：第一類別和第二類別的異同，以及，第一信賴度和第二信賴度的差值。
  8. 根據請求項1所述的方法，其中所述其他備選邊框包括以下中的一項或多項：與所述第一備選邊框的中心距離在預定閾值之內的備選邊框，與所述第一備選邊框的中心距離排序在預定數目之內的備選邊框。
  9. 根據請求項1所述的方法，其中所述分類模型包括以下之一：GBDT模型，SVM模型，基於深度神經網路DNN的分類模型。
  10. 根據請求項1所述的方法，所述根據分類模型的輸出結果，最佳化所述檢測結果集合包括： 在所述分類模型針對所述第一備選邊框的輸出結果為異常邊框的情況下，將所述第一備選邊框從所述檢測結果集合中排除。
  11. 一種車輛損壞識別裝置，包括： 獲取單元，配置為獲取待識別的車輛損壞影像； 檢測單元，配置為將所述車輛損壞影像分別輸入預先訓練的多個目標檢測模型，從該多個目標檢測模型分別獲得對應的多組檢測結果，該多組檢測結果構成檢測結果集合，所述檢測結果集合中包括，所述多個目標檢測模型檢測出的N個備選邊框，以及各個備選邊框的類別預測結果； 綜合單元，配置為對於所述N個備選邊框中任意的第一備選邊框，至少根據該第一備選邊框與其他備選邊框的關聯關係，確定該第一備選邊框的綜合特徵向量，所述關聯關係至少包括邊框內容關聯關係，位置關聯關係和類別預測結果關聯關係中的一項或多項； 最佳化單元，配置為將各個備選邊框對應的綜合特徵向量分別輸入預先訓練的分類模型，根據分類模型的輸出結果，最佳化所述檢測結果集合。
  12. 根據請求項11所述的裝置，其中所述其他備選邊框包括第二備選邊框，所述關聯關係包括邊框內容關聯關係； 所述綜合單元進一步包括： 卷積特徵獲取模組，配置為獲取各個備選邊框的卷積特徵向量，該卷積特徵向量用於特徵化對應邊框中的影像內容特徵； 關聯特徵確定模組，配置為基於所述第一備選邊框對應的第一卷積特徵向量，和所述第二備選邊框對應的第二卷積特徵向量，確定第一備選邊框與第二備選邊框的內容關聯特徵； 綜合特徵確定模組，配置為至少根據所述內容關聯特徵，確定該第一備選邊框的綜合特徵向量。
  13. 根據請求項12所述的方法，其中所述關聯特徵確定模組配置為執行以下中的至少一項： 計算所述第一卷積特徵向量和第二卷積特徵向量的內積，基於內積結果確定所述內容關聯特徵； 計算所述第一卷積特徵向量和第二卷積特徵向量的距離，基於所述距離確定所述內容關聯特徵，其中所述距離包括餘弦距離或歐式距離。
  14. 根據請求項11所述的裝置，其中所述其他備選邊框包括第二備選邊框，所述關聯關係包括位置關聯關係； 所述綜合單元配置為： 基於所述第一備選邊框的位置參數和第二備選邊框的位置參數，確定第一備選邊框與第二備選邊框之間的位置關聯特徵； 至少根據所述位置關聯特徵，確定該第一備選邊框的綜合特徵向量。
  15. 根據請求項14所述的裝置，其中所述位置關聯特徵包括以下中的一項或多項：中心距離，交集聯集比，面積比，包含關係。
  16. 根據請求項11所述的裝置，其中所述其他備選邊框包括第二備選邊框，所述關聯關係包括類別預測結果關聯關係； 所述綜合單元配置為： 基於所述第一備選邊框對應的第一預測結果和第二備選邊框對應的第二預測結果，確定第一備選邊框與第二備選邊框之間的預測結果關聯特徵； 至少根據所述預測結果關聯特徵，確定該第一備選邊框的綜合特徵向量。
  17. 根據請求項16所述的裝置，其中所述第一預測結果包括第一類別和第一信賴度，所述第二預測結果包括第二類別和第二信賴度，所述預測結果關聯特徵包括：第一類別和第二類別的異同，以及，第一信賴度和第二信賴度的差值。
  18. 根據請求項11所述的裝置，其中所述其他備選邊框包括以下中的一項或多項：與所述第一備選邊框的中心距離在預定閾值之內的備選邊框，與所述第一備選邊框的中心距離排序在預定數目之內的備選邊框。
  19. 根據請求項11所述的裝置，其中所述分類模型包括以下之一：GBDT模型，SVM模型，基於深度神經網路DNN的分類模型。
  20. 根據請求項11所述的裝置，所述最佳化單元配置為： 在所述分類模型針對所述第一備選邊框的輸出結果為異常邊框的情況下，將所述第一備選邊框從所述檢測結果集合中排除。
  21. 一種計算設備，包括記憶體和處理器，其特徵在於，所述記憶體中儲存有可執行碼，所述處理器執行所述可執行碼時，實現請求項1至10中任一項所述的方法。
TW108122538A 2018-09-18 2019-06-27 車輛損壞識別方法、裝置及計算設備 TWI703510B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811089438.6 2018-09-18
CN201811089438.6A CN110570389B (zh) 2018-09-18 2018-09-18 车辆损伤识别方法及装置

Publications (2)

Publication Number Publication Date
TW202013248A true TW202013248A (zh) 2020-04-01
TWI703510B TWI703510B (zh) 2020-09-01

Family

ID=68073219

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108122538A TWI703510B (zh) 2018-09-18 2019-06-27 車輛損壞識別方法、裝置及計算設備

Country Status (6)

Country Link
US (2) US10853699B2 (zh)
EP (1) EP3776408A1 (zh)
CN (1) CN110570389B (zh)
SG (1) SG11202011149SA (zh)
TW (1) TWI703510B (zh)
WO (1) WO2020060895A1 (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11164329B2 (en) * 2018-11-01 2021-11-02 Inpixon Multi-channel spatial positioning system
CN111666960B (zh) * 2019-03-06 2024-01-19 南京地平线机器人技术有限公司 图像识别方法、装置、电子设备及可读存储介质
US11574366B1 (en) * 2019-04-17 2023-02-07 State Farm Mutual Automobile Insurance Company Method and system for early identification and settlement of total loss claims
US11120308B2 (en) * 2019-12-24 2021-09-14 Ping An Technology (Shenzhen) Co., Ltd. Vehicle damage detection method based on image analysis, electronic device and storage medium
CN111444828B (zh) * 2020-03-25 2023-06-20 腾讯科技（深圳）有限公司 一种模型训练的方法、目标检测的方法、装置及存储介质
CN113569878B (zh) * 2020-04-28 2024-03-01 南京行者易智能交通科技有限公司 一种基于分数图的目标检测模型训练方法及目标检测方法
CN111652137A (zh) * 2020-06-03 2020-09-11 上海眼控科技股份有限公司 违法车辆检测方法、装置、计算机设备和存储介质
CN112001247A (zh) * 2020-07-17 2020-11-27 浙江大华技术股份有限公司 多目标检测方法、设备及存储装置
CN112329772B (zh) * 2020-11-06 2024-03-05 浙江大搜车软件技术有限公司 车辆部件识别方法、装置、电子装置和存储介质
CN113221754A (zh) * 2021-05-14 2021-08-06 深圳前海百递网络有限公司 快递单图像检测方法、装置、计算机设备和存储介质
CN113255826B (zh) * 2021-06-17 2021-09-24 广东电网有限责任公司中山供电局 一种基于改进yolov3的安全帽佩戴检测方法及系统
CN113313063A (zh) * 2021-06-21 2021-08-27 暨南大学 麦穗检测方法、电子装置和存储介质
GB2620378A (en) * 2022-06-30 2024-01-10 Continental Automotive Tech Gmbh Method and system of selecting one or more images for human labelling
CN116363056B (zh) * 2023-01-16 2023-09-05 北京医准智能科技有限公司 胸部ct骨折检测优化的方法、装置及设备

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013093932A2 (en) * 2011-09-29 2013-06-27 Tata Consultancy Services Limited Damage assessment of an object
US20150154463A1 (en) * 2013-12-04 2015-06-04 Irida Labs S.A. System and a method for the detection of multiple number-plates of moving cars in a series of 2-d images
CN103679214B (zh) * 2013-12-20 2017-10-20 华南理工大学 基于在线面积估计和多特征决策融合的车辆检测方法
US9633050B2 (en) * 2014-02-21 2017-04-25 Wipro Limited Methods for assessing image change and devices thereof
CN106688011B (zh) * 2014-09-10 2018-12-28 北京市商汤科技开发有限公司 用于多类别物体检测的方法和系统
WO2016172827A1 (zh) * 2015-04-27 2016-11-03 武汉武大卓越科技有限责任公司 一种逐步求精的路面裂缝检测方法
JP6132412B2 (ja) * 2015-09-24 2017-05-24 株式会社Ｓｕｂａｒｕ 車外環境認識装置
CN108475339B (zh) * 2015-11-13 2022-08-02 北京市商汤科技开发有限公司 用于对图像中的对象分类的方法和系统
US10102434B2 (en) * 2015-12-22 2018-10-16 Omnivision Technologies, Inc. Lane detection system and method
US11144889B2 (en) * 2016-04-06 2021-10-12 American International Group, Inc. Automatic assessment of damage and repair costs in vehicles
US10692050B2 (en) * 2016-04-06 2020-06-23 American International Group, Inc. Automatic assessment of damage and repair costs in vehicles
CN106127747B (zh) * 2016-06-17 2018-10-16 史方 基于深度学习的汽车表面损伤分类方法及装置
GB2554361B8 (en) * 2016-09-21 2022-07-06 Emergent Network Intelligence Ltd Automatic image based object damage assessment
US10346723B2 (en) * 2016-11-01 2019-07-09 Snap Inc. Neural network for object detection in images
CN106504248B (zh) * 2016-12-06 2021-02-26 成都通甲优博科技有限责任公司 基于计算机视觉的车辆损伤判别方法
CN106960214B (zh) * 2017-02-17 2020-11-20 北京一维弦科技有限责任公司 基于图像的物体识别方法
CN106886795B (zh) * 2017-02-17 2021-01-15 北京一维弦科技有限责任公司 基于图像中的显著物体的物体识别方法
CN107392218B (zh) * 2017-04-11 2020-08-04 创新先进技术有限公司 一种基于图像的车辆定损方法、装置及电子设备
CN107358596B (zh) * 2017-04-11 2020-09-18 阿里巴巴集团控股有限公司 一种基于图像的车辆定损方法、装置、电子设备及系统
US20190095877A1 (en) * 2017-09-26 2019-03-28 Panton, Inc. Image recognition system for rental vehicle damage detection and management
US20190130189A1 (en) * 2017-10-30 2019-05-02 Qualcomm Incorporated Suppressing duplicated bounding boxes from object detection in a video analytics system
US10540554B2 (en) * 2018-03-29 2020-01-21 Toyota Jidosha Kabushiki Kaisha Real-time detection of traffic situation
US10733480B2 (en) * 2018-07-18 2020-08-04 Adobe Inc. Custom Auto Tagging of Multiple Objects

Also Published As

Publication number Publication date
US10691982B2 (en) 2020-06-23
CN110570389A (zh) 2019-12-13
US10853699B2 (en) 2020-12-01
WO2020060895A1 (en) 2020-03-26
US20200167594A1 (en) 2020-05-28
SG11202011149SA (en) 2020-12-30
US20200089990A1 (en) 2020-03-19
TWI703510B (zh) 2020-09-01
EP3776408A1 (en) 2021-02-17
CN110570389B (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
TWI703510B (zh) 車輛損壞識別方法、裝置及計算設備
TWI726364B (zh) 電腦執行的車輛定損方法及裝置
TWI742382B (zh) 透過電腦執行的、用於車輛零件識別的神經網路系統、透過神經網路系統進行車輛零件識別的方法、進行車輛零件識別的裝置和計算設備
CN110569837B (zh) 优化损伤检测结果的方法及装置
US11080839B2 (en) System and method for training a damage identification model
CN110264444B (zh) 基于弱分割的损伤检测方法及装置
CN116188475B (zh) 一种外观缺陷自动光学检测的智慧控制方法、系统及介质
CN113111844B (zh) 一种作业姿态评估方法、装置、本地终端及可读存储介质
WO2021151277A1 (zh) 目标物损伤程度判定方法、装置、电子设备及存储介质
TWI701608B (zh) 用於圖片匹配定位的神經網路系統、方法及裝置
CN113657202B (zh) 构件识别方法、构建训练集方法、装置、设备及存储介质
KR20240001241A (ko) 객체의 머신 학습 분석에 기반한 이미지 기반 이상 검출
TW202127371A (zh) 基於圖像的瑕疵檢測方法及電腦可讀存儲介質
CN111310826A (zh) 样本集的标注异常检测方法、装置及电子设备
TW202201275A (zh) 手部作業動作評分裝置、方法及電腦可讀取存儲介質
JP2022139174A (ja) 欠陥分類装置、方法およびプログラム
CN112668365A (zh) 一种物料入库识别方法、装置、设备及存储介质
CN114332602A (zh) 一种智能货柜的商品识别方法
CN112529038B (zh) 一种主板物料的识别方法、装置及存储介质
US20230245433A1 (en) Systems and Methods for Implementing a Hybrid Machine Vision Model to Optimize Performance of a Machine Vision Job
KR102007791B1 (ko) 단계별 윤곽선 특성 분석을 이용한 숫자 인식 방법 및 장치
CN117011216A (zh) 一种缺陷检测方法、装置、电子设备及存储介质
CN115081500A (zh) 用于对象识别模型的训练方法、装置及计算机存储介质
CN117151138A (zh) 一种破损码的生成方法、装置及计算机设备
CN114782973A (zh) 文档分类方法、训练方法、设备和存储介质