WO2021217852A1 - 损伤检测方法、装置、电子设备及介质 - Google Patents

损伤检测方法、装置、电子设备及介质 Download PDF

Info

Publication number
WO2021217852A1
WO2021217852A1 PCT/CN2020/098971 CN2020098971W WO2021217852A1 WO 2021217852 A1 WO2021217852 A1 WO 2021217852A1 CN 2020098971 W CN2020098971 W CN 2020098971W WO 2021217852 A1 WO2021217852 A1 WO 2021217852A1
Authority
WO
WIPO (PCT)
Prior art keywords
damage
image
feature
image set
target part
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.)
Ceased
Application number
PCT/CN2020/098971
Other languages
English (en)
French (fr)
Inventor
赵霄鸿
刘莉红
刘玉宇
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
Publication of WO2021217852A1 publication Critical patent/WO2021217852A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • This application relates to the field of artificial intelligence, and in particular to a damage detection method, device, electronic equipment, and computer-readable storage medium.
  • the possibility of damage to the roof of a vehicle is far less than the possibility of damage to the front and rear bumpers and doors, which will result in image data of roof damage. Less, which in turn leads to insufficient training data for the roof damage detection model, which affects the accuracy of the model.
  • the present application provides a damage detection method, device, electronic equipment, and computer-readable storage medium, the main purpose of which is to solve the problem of inaccurate model training caused by too little damage data of the target part.
  • a damage detection method provided by this application includes:
  • the original damage image set includes a target part damage image set and a non-target part damage image set
  • the target part damage detection model is used to detect the damage image to be detected, and the damage type of the damage image to be detected is obtained.
  • an electronic device which includes:
  • At least one processor and,
  • a memory communicatively connected with the at least one processor; wherein,
  • the memory stores instructions executable by the at least one processor, and the instructions are executed by the at least one processor, so that the at least one processor can execute the damage detection method described below:
  • the original damage image set includes a target part damage image set and a non-target part damage image set
  • the target part damage detection model is used to detect the damage image to be detected, and the damage type of the damage image to be detected is obtained.
  • this application also provides a computer-readable storage medium, including a storage data area and a storage program area.
  • the storage data area stores data created according to the use of blockchain nodes
  • the storage program area stores computer programs.
  • the original damage image set includes a target part damage image set and a non-target part damage image set
  • the target part damage detection model is used to detect the damage image to be detected, and the damage type of the damage image to be detected is obtained.
  • a damage detection device which includes:
  • the image denoising module is used to obtain an original damage image set, and perform denoising processing on the original damage image set to obtain a standard image set;
  • a feature atlas generating module configured to perform grid division processing on the images in the standard image set to obtain a divided combined image set, and perform feature extraction on the divided combined image set to obtain a feature atlas;
  • the generative model training module is used to train a pre-built first generative confrontation network model using the feature atlas, mark the feature atlas with damage feature types to obtain a set of damaged feature type labeled images, and use the damage features Type-labeled image set training pre-built second generative confrontation network model;
  • a training image generation module for inputting the target part damage image set to the first generative confrontation network model to obtain a target part damage image training set, and inputting the target part damage image set to the second Generative confrontation network model to obtain the training set of mark image of damage feature of the target part;
  • a damage detection model training module configured to train a pre-built damage detection model for the target part by using the target part damage image training set and the target part damage feature mark image training set;
  • the damage type detection module is used to detect the damage image to be detected by using the damage detection model of the target part to obtain the damage type of the damage image to be detected.
  • the embodiment of the application performs denoising processing on the original damage image set to obtain a standard image set, removes images with poor image quality, and reduces the accuracy of calculation pressure and model training; meshes are performed on the images in the standard image set Process to obtain a divided and combined image set, and perform feature extraction on the divided and combined image set to obtain a feature atlas, removing the influence of non-feature parts on model training; use the feature atlas to train the pre-built first generative formula against the network model, expand the target part damage image set to generate a target part damage image training set; perform damage feature type labeling on the feature atlas to obtain a damage feature type labeled image, and use the damage feature type to mark the image set Train the pre-built second generative confrontation network model to generate the target part damage feature mark image training set; and use the target part damage image training set and target part damage feature mark image training set obtained by the above expansion operation to train the pre-built target part
  • the damage detection model is used to detect the damage image to be identified to obtain the damage type of
  • FIG. 1 is a schematic flowchart of a damage detection method provided by an embodiment of the application
  • FIG. 2 is a schematic diagram of modules of a damage detection method provided by an embodiment of the application.
  • FIG. 3 is a schematic diagram of the internal structure of an electronic device of a damage detection method provided by an embodiment of the application;
  • FIG. 1 it is a schematic flowchart of a damage detection method provided by an embodiment of this application.
  • the method can be executed by a device, and the device can be implemented by software and/or hardware.
  • the damage detection method includes:
  • the original damage image set in the embodiment of the present application includes a preset object, such as a collection of damage images of various parts of a vehicle.
  • the original damage image set can be obtained manually or downloaded from a damage image set database.
  • the damage image collection database may be, for example, a claims database of an insurance company.
  • the original damage image set includes a target part damage image set and a non-target part damage image set.
  • the target part damage image set is a damage image set of a part with less sample data.
  • the original damage image set is a collection of damage images of different parts of the vehicle. Since the possibility of damage to the roof of the vehicle is far less than the possibility of damage to other parts of the vehicle, the image data of the damage to the roof is less, so it can Taking the image collection of car roof damage as the target part damage image collection, and the damage image collection of other parts of the vehicle except the car roof as the non-target part damage image collection.
  • the embodiment of the present application may use the non-target part damage image set to generate multiple target part damage images, thereby expanding the target part damage image set.
  • the images in the original damage image set may be affected by the level of the photographer and the on-site environment, which may cause the quality of the captured images to be affected to a certain extent, such as dark images, blurred images, etc. Therefore, the embodiment of the present application needs to perform denoising processing on the original damaged image set to filter out poor quality images.
  • the embodiment of the present application uses an image noise estimation algorithm to perform denoising processing on the original damaged image set to obtain a standard image set.
  • the image noise estimation algorithm performs a convolution operation on the original damage image set through a convolution kernel composed of two noise statistic devices, and filters out poor quality images in the original damage image set.
  • the noise statistic is a preset initial convolution kernel.
  • the image noise estimation algorithm includes:
  • the images in the original damaged image set whose image noise value is greater than the preset threshold are deleted to obtain the standard image set.
  • the embodiment of the present application uses the convolution kernel to perform the following convolution operation on the images in the original damage image set to obtain the image noise value ⁇ n :
  • imageI is the I image in the original damage image set
  • I(x,y) is the pixel coordinates of the I image
  • N represents the Convolution kernel
  • the calculated image noise value ⁇ n is compared with a preset threshold to determine whether to retain the image or delete the image.
  • the embodiment of the present application can filter out clear images in the original damage image set to obtain a standard image set.
  • the grid division processing in the embodiment of the present application refers to dividing an image into multiple grids.
  • the division in the embodiment of the present application may adopt a scale dimension M i and an aspect ratio dimension M j to mesh the images in the quasi-image set.
  • the embodiment of the present application may use a known regional candidate network technology (RPN, Region Proposal Networks) to perform feature extraction on the combined image to obtain a feature atlas.
  • RPN regional candidate network technology
  • the generative confrontation network model is divided into two parts: a discriminant network and a generative network.
  • the generating network is used to generate images
  • the discriminating network is used to determine the true probability of the images generated by the generating network.
  • the true probability of the generating network reaches a preset threshold, according to the current generating network Get a generative model to generate images.
  • the first generative countermeasure network model described in the embodiment of the present application is a generative countermeasure network model of a damaged image of a target part.
  • the training of the pre-built first generative confrontation network model includes:
  • the non-target part feature maps are combined into a non-target part feature map expansion combination, and any target part feature map and any non-target part feature map are combined into a target part feature map expansion combination .
  • Gs 1 ⁇ (g s ,g s ) ⁇
  • Gs 2 ⁇ (g s ,g t ) ⁇
  • g s is the feature map of the non-target part
  • g t is the feature map of the target part
  • Gs 1 is the non-target feature map.
  • Gs 2 represents the target part feature map expansion combination.
  • the feature scale portfolio are classified according to the dimension M i, to obtain different characteristics in FIG divided scales F (M i).
  • the feature map damage function is:
  • FIG damage scale value characteristic dimension M i, i is the scale type.
  • the first generative confrontation network model completes training.
  • the first preset threshold may be set to different values according to the accuracy requirements of the first generative confrontation network model.
  • the embodiment of the present application may use the known RoI Pooling (Region of Interest Pooling) technology to mark the feature atlas with damage feature types to obtain a damage feature type labeled image set.
  • the damage feature type mark image set includes: damage feature type mark images of non-target parts and damage feature type mark images of target parts.
  • the first generative countermeasure network model described above can generate a target part damage image, but the target part damage image does not know the damage type therein.
  • the second generative countermeasure network model in this embodiment of the application can generate a damage feature type Marked damage image.
  • the damage feature types may include: scratches, scratches, dents, missing, cracks, wrinkles, dead wrinkles, and the like.
  • the second generative countermeasure network model in the embodiment of the present application is a generative countermeasure network model of the damaged feature type labeled image of the target part.
  • the training of the pre-built second generative confrontation network model using the damage feature type labeled image set includes:
  • the damage feature type mark image of any non-target part and the damage feature type mark image of any target part are combined to obtain the target part feature type mark expansion combination, and the damage feature type mark image of the non-target part is combined.
  • Pairwise combination obtains the non-target part feature type label expansion combination.
  • Ni 1 ⁇ (n is ,n is ) ⁇
  • Ni 2 ⁇ (n is ,n it ) ⁇
  • n is the mark image of the damage feature type of the non-target part
  • Ni 1 represents the non-target part feature type mark expansion combination
  • Ni 2 represents the target part feature type mark expansion combination.
  • the example loss function is:
  • Z y represents the feature image generated by the generating network in the second generative confrontation network model
  • D ins represents the function of the true probability of the discriminant network judging the image in the second generative confrontation network model
  • Z x Mark the image indicating the type of damage feature
  • the second generative confrontation network model completes training.
  • the second preset threshold may be set to a different value according to the accuracy requirement of the second generative confrontation network model.
  • the target part damage detection model can be constructed through a convolutional neural network.
  • the target part damage image training set is used as a training set
  • the target part damage feature mark image training set is used as a label set
  • a canonical loss function is constructed to train the target part damage detection model.
  • L reg represents the normalized loss value
  • f s and f t represent feature extraction functions, respectively
  • w and h are the width and height of the input image respectively
  • x s and x t represent the image and target part in the training set of the target part damage image respectively
  • the images in the training set of damage feature marker images Indicates the expectation of the target injury image training set.
  • the third preset threshold value may be set to a different value according to the accuracy requirement of the target part damage detection model.
  • the training data and detection data used for the target part damage detection model can be stored in the blockchain.
  • the embodiment of the application performs denoising processing on the original damage image set to obtain a standard image set, removes images with poor image quality, and reduces the accuracy of calculation pressure and model training; meshes are performed on the images in the standard image set Process to obtain a divided and combined image set, and perform feature extraction on the divided and combined image set to obtain a feature atlas, removing the influence of non-feature parts on model training; use the feature atlas to train the pre-built first generative formula against the network model, expand the target part damage image set to generate a target part damage image training set; perform damage feature type labeling on the feature atlas to obtain a damage feature type labeled image set, and use the damage feature type to label the image Set training the pre-built second generative confrontation network model to generate the target part damage feature mark image training set; and use the target part damage image training set and target part damage feature mark image training set obtained by the above expansion operation to train the pre-built target
  • the part damage detection model is used to detect the damage image to be identified to obtain the target part
  • FIG. 2 it is a functional block diagram of the damage detection device of the present application.
  • the damage detection device 100 of the present application can be installed in an electronic device.
  • the device may include an image denoising module 101, a feature atlas generation module 102, a generation model training module 103, a training image generation module 104, a damage detection model training module 105, and a damage type detection module 106.
  • the module described in the present invention can also be called a unit, which refers to a series of computer program segments that can be executed by the processor of an electronic device and can complete fixed functions, and are stored in the memory of the electronic device.
  • each module/unit is as follows:
  • the image denoising module 101 is used to obtain an original damage image set, and perform denoising processing on the original damage image set to obtain a standard image set.
  • the original damage image set includes a target part damage image set and a non-target part damage image set.
  • the original damage image set in the embodiment of the present application includes a preset object, such as a collection of damage images of various parts of a vehicle.
  • the original damage image set can be obtained manually or downloaded from a damage image set database.
  • the damage image collection database may be, for example, a claims database of an insurance company.
  • the original damage image set includes a target part damage image set and a non-target part damage image set.
  • the target part damage image set is a damage image set of a part with less sample data.
  • the original damage image set is a collection of damage images of different parts of the vehicle. Since the possibility of damage to the roof of the vehicle is far less than the possibility of damage to other parts of the vehicle, the image data of the damage to the roof is less, so it can Taking the image collection of car roof damage as the target part damage image collection, and the damage image collection of other parts of the vehicle except the car roof as the non-target part damage image collection.
  • the embodiment of the present application may use the non-target part damage image set to generate multiple target part damage images, thereby expanding the target part damage image set.
  • the images in the original damage image set may be affected by the level of the photographer and the on-site environment, which may cause the quality of the captured images to be affected to a certain extent, such as dark images, blurred images, etc. Therefore, the embodiment of the present application needs to perform denoising processing on the original damaged image set to filter out poor quality images.
  • the embodiment of the present application uses an image noise estimation algorithm to perform denoising processing on the original damaged image set to obtain a standard image set.
  • the image noise estimation algorithm performs a convolution operation on the original damage image set through a convolution kernel composed of two noise statistic devices, and filters out poor quality images in the original damage image set.
  • the noise statistic is a preset initial convolution kernel.
  • the image noise estimation algorithm includes:
  • the images in the original damaged image set whose image noise value is greater than the preset threshold are deleted to obtain the standard image set.
  • the embodiment of the present application uses the convolution kernel to perform the following convolution operation on the images in the original damage image set to obtain the image noise value ⁇ n :
  • imageI is the I image in the original damage image set
  • I(x,y) is the pixel coordinates of the I image
  • N represents the Convolution kernel
  • the calculated image noise value ⁇ n is compared with a preset threshold to determine whether to retain the image or delete the image.
  • the embodiment of the present application can filter out clear images in the original damage image set to obtain a standard image set.
  • the feature atlas generating module 102 is configured to perform grid division on the images in the standard image set to obtain a divided combined image set, and perform feature extraction on the divided combined image set to obtain a feature atlas.
  • the grid division processing in the embodiment of the present application refers to dividing an image into multiple grids.
  • the division in the embodiment of the present application may adopt a scale dimension M i and an aspect ratio dimension M j to mesh the images in the quasi-image set.
  • the embodiment of the present application may use a known regional candidate network technology (RPN, Region Proposal Networks) to perform feature extraction on the combined image to obtain a feature atlas.
  • RPN regional candidate network technology
  • the generative model training module 103 is used to train a pre-built first generative confrontation network model using the feature atlas, mark the feature atlas with damage feature types, to obtain a set of damaged feature type labeled images, and use all
  • the second generative adversarial network model pre-built is trained on the damage feature type labeled image set.
  • the generative confrontation network model is divided into two parts: a discriminant network and a generative network.
  • the generating network is used to generate images
  • the discriminating network is used to determine the true probability of the images generated by the generating network.
  • the true probability of the generating network reaches a preset threshold, according to the current generating network Get a generative model to generate images.
  • the first generative countermeasure network model described in the embodiment of the present application is a generative countermeasure network model of a damaged image of a target part.
  • the training of the pre-built first generative confrontation network model includes:
  • Step A Classify and combine the feature atlas to obtain an expanded combination of feature maps of a target part and an expanded combination of feature maps of a non-target part.
  • the non-target part feature maps are combined into a non-target part feature map expansion combination, and any target part feature map and any non-target part feature map are combined into a target part feature map expansion combination .
  • Gs 1 ⁇ (g s ,g s ) ⁇
  • Gs 2 ⁇ (g s ,g t ) ⁇
  • g s is the feature map of the non-target part
  • g t is the feature map of the target part
  • Gs 1 is the non-target feature map.
  • Gs 2 represents the target part feature map expansion combination.
  • FIG characterized in Procedure B wherein said portfolio are classified according to the scale dimension M i, divided in different scales to give F (M i).
  • Step C Construct a feature map damage function according to the feature map set F(M i ), the target location feature map expansion combination, and the non-target location feature map expansion combination, and use the feature map damage function to compare the first
  • a generative countermeasure network model is trained to obtain the image damage value of the first generative countermeasure network model.
  • the feature map damage function is:
  • FIG damage scale value characteristic dimension M i, i is the scale type.
  • Step D When the calculated damage value is less than a first preset threshold, the first generative confrontation network model completes training.
  • the first preset threshold may be set to different values according to the accuracy requirements of the first generative confrontation network model.
  • the embodiment of the present application may use the known RoI Pooling (Region of Interest Pooling) technology to perform damage feature type marking on the feature atlas to obtain a damage feature type marked image set.
  • the damage feature type mark image set includes: damage feature type mark images of non-target parts and damage feature type mark images of target parts.
  • the first generative countermeasure network model described above can generate a target part damage image, but the target part damage image does not know the damage type therein.
  • the second generative countermeasure network model in this embodiment of the application can generate a damage feature type Marked damage image.
  • the damage feature types may include: scratches, scratches, dents, missing, cracks, wrinkles, dead wrinkles, and the like.
  • the second generative countermeasure network model in the embodiment of the present application is a generative countermeasure network model of the damaged feature type labeled image of the target part.
  • the training of the pre-built second generative confrontation network model using the damage feature type labeled image set includes:
  • Step a Classify and combine the damaged feature type mark image set to obtain the target part feature type mark expansion combination and the non-target part feature type mark expansion combination.
  • the damage feature type mark image of any non-target part and the damage feature type mark image of any target part are combined to obtain the target part feature type mark expansion combination, and the damage feature type mark image of the non-target part is combined.
  • Pairwise combination obtains the non-target part feature type label expansion combination.
  • Ni 1 ⁇ (n is ,n is ) ⁇
  • Ni 2 ⁇ (n is ,n it ) ⁇
  • n is the mark image of the damage feature type of the non-target part
  • Ni 1 represents the non-target part feature type label extension combination
  • Ni 2 represents the target part feature type label extension combination.
  • Step b Construct an example damage function to train a second generative confrontation network model according to the damage feature type labeled image set, the target location feature type labeled extension combination and the non-target location feature type labeled extension combination, to obtain the The second generative countermeasures against the instance loss value of the network model.
  • the example loss function is:
  • Z y represents the feature image generated by the generating network in the second generative confrontation network model
  • D ins represents the function of the true probability of the discriminant network judging the image in the second generative confrontation network model
  • Z x Mark the image indicating the type of damage feature
  • Step c When the calculated instance loss value is less than a second preset threshold, the second generative confrontation network model completes training.
  • the second preset threshold may be set to a different value according to the accuracy requirement of the second generative confrontation network model.
  • the training image generation module 104 is configured to input the target part damage image set to the first generative confrontation network model to obtain a target part damage image training set, and input the target part damage image set to the
  • the second generative adversarial network model is used to obtain a training set of damaged feature mark images of the target part.
  • the damage detection model training module 105 is used to train a pre-built damage detection model of the target part by using the training set of damage images of the target part and the training set of damage feature mark images of the target part.
  • the target part damage detection model can be constructed through a convolutional neural network.
  • the target part damage image training set is used as a training set
  • the target part damage feature mark image training set is used as a label set
  • a canonical loss function is constructed to train the target part damage detection model.
  • L reg represents the normalized loss value
  • f s and f t represent feature extraction functions, respectively
  • w and h are the width and height of the input image respectively
  • x s and x t represent the image and target part in the training set of the target part damage image respectively
  • the images in the training set of damage feature marker images Indicates the expectation of the target injury image training set.
  • the third preset threshold value may be set to a different value according to the accuracy requirement of the target part damage detection model.
  • the damage type detection module 106 is configured to use the target part damage detection model to detect the damage image to be detected to obtain the damage type of the damage image to be detected.
  • the training data and detection data used for the target part damage detection model can be stored in the blockchain.
  • FIG. 3 it is a schematic diagram of the structure of an electronic device implementing the damage detection method of the present application.
  • the electronic device 1 may include a processor 10, a memory 11, and a bus, and may also include a computer program stored in the memory 11 and running on the processor 10, such as a damage detection program 12.
  • the memory 11 includes at least one type of readable storage medium, and the readable storage medium includes flash memory, mobile hard disk, multimedia card, card-type memory (such as SD or DX memory, etc.), magnetic memory, magnetic disk, CD etc.
  • the memory 11 may be an internal storage unit of the electronic device 1 in some embodiments, for example, a mobile hard disk of the electronic device 1.
  • the memory 11 may also be an external storage device of the electronic device 1, such as a plug-in mobile hard disk, a smart media card (SMC), and a secure digital (Secure Digital) equipped on the electronic device 1. , SD) card, flash card (Flash Card), etc.
  • the memory 11 may also include both an internal storage unit of the electronic device 1 and an external storage device.
  • the memory 11 can be used not only to store application software and various data installed in the electronic device 1, such as the code of a damage detection program, etc., but also to temporarily store data that has been output or will be output.
  • the processor 10 may be composed of integrated circuits in some embodiments, for example, may be composed of a single packaged integrated circuit, or may be composed of multiple integrated circuits with the same function or different functions, including one or more Combinations of central processing unit (CPU), microprocessor, digital processing chip, graphics processor, and various control chips, etc.
  • the processor 10 is the control unit of the electronic device, which uses various interfaces and lines to connect the various components of the entire electronic device, and runs or executes programs or modules (such as damage Detection programs, etc.), and call data stored in the memory 11 to execute various functions of the electronic device 1 and process data.
  • programs or modules such as damage Detection programs, etc.
  • the bus may be a peripheral component interconnect standard (PCI) bus or an extended industry standard architecture (EISA) bus, etc.
  • PCI peripheral component interconnect standard
  • EISA extended industry standard architecture
  • the bus can be divided into address bus, data bus, control bus and so on.
  • the bus is configured to implement connection and communication between the memory 11 and at least one processor 10 and the like.
  • FIG. 3 only shows an electronic device with components.
  • FIG. 5 does not constitute a limitation on the electronic device 1, and may include less or more Components, or a combination of certain components, or different component arrangements.
  • the electronic device 1 may also include a power source (such as a battery) for supplying power to various components.
  • the power source may be logically connected to the at least one processor 10 through a power management device, thereby controlling power
  • the device implements functions such as charge management, discharge management, and power consumption management.
  • the power supply may also include any components such as one or more DC or AC power supplies, recharging devices, power failure detection circuits, power converters or inverters, and power status indicators.
  • the electronic device 1 may also include various sensors, Bluetooth modules, Wi-Fi modules, etc., which will not be repeated here.
  • the electronic device 1 may also include a network interface.
  • the network interface may include a wired interface and/or a wireless interface (such as a WI-FI interface, a Bluetooth interface, etc.), which is usually used in the electronic device 1 Establish a communication connection with other electronic devices.
  • the electronic device 1 may also include a user interface.
  • the user interface may be a display (Display) and an input unit (such as a keyboard (Keyboard)).
  • the user interface may also be a standard wired interface or a wireless interface.
  • the display may be an LED display, a liquid crystal display, a touch-sensitive liquid crystal display, an OLED (Organic Light-Emitting Diode, organic light-emitting diode) touch device, etc.
  • the display can also be appropriately called a display screen or a display unit, which is used to display the information processed in the electronic device 1 and to display a visualized user interface.
  • the damage detection program 12 stored in the memory 11 in the electronic device 1 is a combination of multiple instructions. When running in the processor 10, it can realize:
  • the original damage image set includes a target part damage image set and a non-target part damage image set
  • the target part damage detection model is used to detect the damage image to be detected, and the damage type of the damage image to be detected is obtained.
  • the integrated module/unit of the electronic device 1 is implemented in the form of a software functional unit and sold or used as an independent product, it can be stored in a computer-readable storage medium.
  • the computer-readable storage medium may include: any entity or device capable of carrying the computer program code, recording medium, U disk, mobile hard disk, magnetic disk, optical disk, computer memory, read-only memory (ROM, Read-Only Memory) ).
  • the computer-readable storage medium may be non-volatile or volatile.
  • the computer-readable storage medium may mainly include a storage program area and a storage data area, where the storage program area may store an operating system, an application program required by at least one function, etc.; the storage data area may store Data created by the use of nodes, etc.
  • modules described as separate components may or may not be physically separated, and the components displayed as modules may or may not be physical units, that is, they may be located in one place, or they may be distributed on multiple network units. Some or all of the modules can be selected according to actual needs to achieve the objectives of the solutions of the embodiments.
  • the functional modules in the various embodiments of the present application may be integrated into one processing unit, or each unit may exist alone physically, or two or more units may be integrated into one unit.
  • the above-mentioned integrated unit may be implemented in the form of hardware, or may be implemented in the form of hardware plus software functional modules.
  • the blockchain referred to in this application is a new application mode of computer technology such as distributed data storage, point-to-point transmission, consensus mechanism, and encryption algorithm.
  • Blockchain essentially a decentralized database, is a series of data blocks associated with cryptographic methods. Each data block contains a batch of network transaction information for verification. The validity of the information (anti-counterfeiting) and the generation of the next block.
  • the blockchain can include the underlying platform of the blockchain, the platform product service layer, and the application service layer.

Landscapes

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

Abstract

一种损伤检测方法，包括：获取原始损伤图像集并对原始损伤图像集去噪得到标准图像集（S1-S2）；对标准图像集进行特征处理得到特征图集（S3）；利用特征图集训练多个图像生成模型，将原始损伤图像集输入图像生成模型，得到损伤图像训练集及损伤特征标记图像训练集（S4-S6）；利用损伤图像训练集和损伤特征标记图像训练集训练目标部位损伤检测模型（S7），并利用目标部位损伤检测模型对待检测损伤图像检测，得到损伤类型（S8），用于模型训练以及检测的数据可存储于区块链中，一种损伤检测装置、电子设备以及计算机可读存储介质，解决目标部位损伤数据过少导致的模型训练不准确的问题。

Description

损伤检测方法、装置、电子设备及介质
本申请要求于2020年04月30日提交中国专利局、申请号为202010361297.X、发明名称为“损伤检测方法、装置、电子设备及介质”的中国专利申请的优先权，其全部内容通过引用结合在申请中。
技术领域
本申请涉及人工智能领域，尤其涉及一种损伤检测方法、装置、电子设备及计算机可读存储介质。
背景技术
近几年，随着计算机视觉技术和深度学习技术的发展和突破，逐渐出现了一些代替了人工作业的物体智能检测模型。然而，发明人意识到，车辆等物体损伤的检测会存在错综复杂、形态各异等特点，而且不同物体的部件类型、材质以及形状的不同，使得损伤检测也会产生各种变化，使用单一模型，很难应对各种情况的损伤。为了解决该问题，目前业内经常按物体部位进行分类，构建不同部位的检测模型。每一个部位的检测模型都需要该部位的足量的损伤数据进行模型训练。但是，现实生活中，不同部位发生损伤的可能性存在严重不平衡，例如，车辆的车顶损伤的可能性远远小于前后保险杠和车门损伤的可能性，这将导致车顶损伤的图像数据较少，进而导致车顶损伤检测模型的训练数据不足从而影响模型准确率。
发明内容
本申请提供一种损伤检测方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决了目标部位损伤数据过少导致的模型训练不准确的问题。
为实现上述目的，本申请提供的一种损伤检测方法，包括：
获取原始损伤图像集，其中，所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集；
对所述原始损伤图像集进行去噪处理，得到标准图像集；
对所述标准图像集中的图像进行网格划分，得到划分组合图像集，并对所述划分组合图像集进行特征提取，得到特征图集；
利用所述特征图集训练预构建的第一生成式对抗网络模型；
对所述特征图集进行损伤特征类型标记，得到损伤特征类型标记图像集，利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型；
将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型，得到目标部位损伤图像训练集，及将所述目标部位损伤图像集输入至所述第二生成式对抗网络模型，得到目标部位损伤特征标记图像训练集；
利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型；
利用所述目标部位损伤检测模型对待检测损伤图像进行检测，得到待检测损伤图像的损伤类型。
为了解决上述问题，本申请还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如下所述的损伤检测方法：
获取原始损伤图像集，其中，所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集；
对所述原始损伤图像集进行去噪处理，得到标准图像集；
对所述标准图像集中的图像进行网格划分，得到划分组合图像集，并对所述划分组合图像集进行特征提取，得到特征图集；
利用所述特征图集训练预构建的第一生成式对抗网络模型；
对所述特征图集进行损伤特征类型标记，得到损伤特征类型标记图像集，利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型；
将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型，得到目标部位损伤图像训练集，及将所述目标部位损伤图像集输入至所述第二生成式对抗网络模型，得到目标部位损伤特征标记图像训练集；
利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型；
利用所述目标部位损伤检测模型对待检测损伤图像进行检测，得到待检测损伤图像的损伤类型。
为了解决上述问题，本申请还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计算机程序，其中，所述计算机程序被处理器执行时实现如下所述的损伤检测方法：
获取原始损伤图像集，其中，所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集；
对所述原始损伤图像集进行去噪处理，得到标准图像集；
对所述标准图像集中的图像进行网格划分，得到划分组合图像集，并对所述划分组合图像集进行特征提取，得到特征图集；
利用所述特征图集训练预构建的第一生成式对抗网络模型；
对所述特征图集进行损伤特征类型标记，得到损伤特征类型标记图像集，利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型；
将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型，得到目标部位损伤图像训练集，及将所述目标部位损伤图像集输入至所述第二生成式对抗网络模型，得到目标部位损伤特征标记图像训练集；
利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型；
利用所述目标部位损伤检测模型对待检测损伤图像进行检测，得到待检测损伤图像的损伤类型。
为了解决上述问题，本申请还提供一种损伤检测装置，所述装置包括：
图像去噪模块，用于获取原始损伤图像集，对所述原始损伤图像集进行去噪处理，得到标准图像集；
特征图集生成模块，用于对所述标准图像集中的图像进行网格划分处理，得到划分组合图像集，并对所述划分组合图像集进行特征提取，得到特征图集；
生成模型训练模块，用于利用所述特征图集训练预构建的第一生成式对抗网络模型，对所述特征图集进行损伤特征类型标记，得到损伤特征类型标记图像集，利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型；
训练图像生成模块，用于将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型，得到目标部位损伤图像训练集，及将所述目标部位损伤图像集输入至所述第二生成 式对抗网络模型，得到目标部位损伤特征标记图像训练集；
损伤检测模型训练模块，用于利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型；
损伤类型检测模块，用于利用所述目标部位损伤检测模型对待检测损伤图像进行检测，得到待检测损伤图像的损伤类型。
本申请实施例对原始损伤图像集进行去噪处理，得到标准图像集，去除了图像质量差的图像，降低了计算压力和模型训练的准确度；对所述标准图像集中的图像进行网格划分处理，得到划分组合图像集，并对所述划分组合图像集进行特征提取，得到特征图集，去除了非特征部位对模型训练的影响；利用所述特征图集训练预构建的第一生成式对抗网络模型，对所述目标部位损伤图像集进行扩充，生成目标部位损伤图像训练集；对所述特征图集进行损伤特征类型标记得到损伤特征类型标记图像，利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型，生成目标部位损伤特征标记图像训练集；并利用上述扩充操作得到的目标部位损伤图像训练集和目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型，以对待识别损伤图像进行检测，得到目标部位损伤类型。因此，本申请实施例所述的损伤检测方法、装置、电子设备以及计算机可读存储介质解决了目标部位损伤数据过少导致的模型训练不准确的问题。
附图说明
图1为本申请一实施例提供的损伤检测方法的流程示意图；
图2为本申请一实施例提供的损伤检测方法的模块示意图；
图3为本申请一实施例提供的损伤检测方法的电子设备的内部结构示意图；
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供一种损伤检测方法。参照图1所示，为本申请一实施例提供的损伤检测方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，损伤检测方法包括：
S1、获取原始损伤图像集，其中，所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集。
本申请实施例中所述原始损伤图像集包括预设物体，如车辆的各个部位的损伤图像的集合。所述原始损伤图像集可以通过人工拍摄或者从一个损伤图像集数据库中下载得到。所述损伤图像集数据库可以是，例如保险公司的理赔数据库。
进一步地，所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集。其中，所述目标部位损伤图像集为样本数据较少的部位的损伤图像集合。例如，所述原始损伤图像集为车辆不同部位的损伤图像的集合，由于车辆的车顶损伤的可能性远远小于车辆其他部位损伤的可能性，导致车顶损伤的图像数据较少，所以可以以车顶损伤的图像集合为目标部位损伤图像集，车辆除车顶外其他部位的损伤图像集合为非目标部位损伤图像集。本申请实施例可以利用所述非目标部位损伤图像集生成多个目标部位损伤图像，从而扩充所述目标部位损伤图像集。
S2、对所述原始损伤图像集进行去噪处理，得到标准图像集。
本申请其中一个实施例中，所述原始损伤图像集中的图像可能会由于拍摄人员的水平以及现场环境等的影响，导致拍摄出来的图像质量受到一定的影响，如图像较暗，图像模糊等，因此，本申请实施例需要对所原始损伤图像集进行去噪处理，过滤掉质量差的图像。
较佳地，本申请实施例利用图像噪声估计算法对所述原始损伤图像集进行去噪处理，得到标准图像集。其中，所述图像噪声估计算法通过两个噪声统计器组成的卷积核对所述 原始损伤图像集进行卷积操作，过滤掉所述原始损伤图像集中质量差的图像。其中，所述噪声统计器是预设的初始卷积核。
详细地，所述图像噪声估计算法包括：
将预构建的两个噪声统计器的差值乘以预设的倍数组成卷积核；
利用所述卷积核对所述原始损伤图像集中的每个图像进行卷积操作，得到图像噪声值；
将所述原始损伤图像集中图像噪声值大于预设门限值的图像删除，得到所述标准图像集。
例如：两个噪声统计器分别为L 1和L 2，预设的倍数为2，则所述卷积核为N＝2(L 2-L 1)。
进一步地，本申请实施例利用所述卷积核对所述原始损伤图像集中的图像执行如下卷积操作得到图像噪声值σ n：
Figure PCTCN2020098971-appb-000001
其中W，H分别为所述原始损伤图像集中图像的宽和高，imageI为所述原始损伤图像集中第I个图像，I(x,y)为第I个图像的像素坐标，N表示所述卷积核。
本申请实施例将计算得到的所述图像噪声值σ n与一个预设门限值进行比较，以确定保留该图像或者删除该图像。
例如，设门限值为C，则：
Figure PCTCN2020098971-appb-000002
通过上述去噪处理，本申请实施例可以筛选出所述原始损伤图像集中的清晰图像，得到标准图像集。
S3、对所述标准图像集中的图像进行网格划分，得到划分组合图像集，并对所述划分组合图像集进行特征提取，得到特征图集。
本申请实施例中所述网格划分处理是指把一张图像分成多个网格。
详细地，本申请实施例中所述划分可以采用尺度维度M i和横宽比维度M j对所述准图像集中的图像进行网格划分。所述尺度维度M i为按照网格的个数M i对所述标准图像集中的图像进行网格划分，其中，M i＝r*l,i为尺度类型，r为网格的列数,l为网格的行数。所述横宽比维度M j为按照网格的宽度与高度的比值M j对所述标准图像集中的图像进行网格划分，其中，M j＝k/g,j为横宽比的类型,k为网格的宽,g为网格的高。本申请实施例选择一种尺度类型和一种横宽比类型的组合S(S＝{M i，M j})对所述标准图像集中的图像进行网格划分处理，得到一组划分组合图像集。例如：选择M i＝256，M j＝1的划分组合，将所述标准图像集中的图像划分为256个网格，网格横宽比为1。因此，根据M i，M j的不同类型的组合方式，本申请实施例可以得到i*j组不同的划分组合图像集。
本申请其中一个优选实施例可以选用i＝3，j＝3，即三种尺度类型以及3种横宽比类型对所述标准图像集中的图像进行网格划分处理。其中，所述三种尺度类型分别是：M i＝256，代表将图像划分为256个网格；M i＝160，代表将图像划分为160个网格；M i＝96，代表将图像划分为96个网格。同时，所述三种横宽比类型分别是：M j＝0.5、M j＝1、M j＝2。在i＝3，j＝3，的情况下，共得到9组不同的划分组合的图像。
进一步地，本申请实施例可以利用已知的区域候选网络技术(RPN，Region Proposal Networks)对所述组合图像进行特征提取，得到特征图集。
S4、利用所述特征图集训练预构建的第一生成式对抗网络模型。
本领域技术人员应该了解，所述生成式对抗网络模型分为判别网络和生成网络两个部分。在训练过程中，所述生成网络用来生成图像，所述判别网络用来判断生成网络生成的图像的真实概率，当所述生成网络的真实概率达到预设阈值时，根据此时的生成网络得到一个生成模型，用来生成图像。
较佳地，本申请实施例所述第一生成式对抗网络模型为目标部位损伤图像的生成式对抗网络模型。
详细地，所述训练预构建的第一生成式对抗网络模型，包括：
S40、对所述特征图集进行分类组合，得到目标部位特征图扩展组合和非目标部位特征图扩展组合。
详细地，本申请实施例将所述非目标部位特征图两两组合为非目标部位特征图扩展组合，将任一目标部位特征图与任一非目标部位特征图组合为目标部位特征图扩展组合。例如：Gs 1＝{(g s,g s)}，Gs 2＝{(g s,g t)}，其中g s为非目标部位特征图，g t为目标部位特征图，Gs 1表示非目标部位特征图扩展组合，Gs 2表示目标部位特征图扩展组合。
S41、将所述特征图集按照尺度维度M i进行分类，得到不同划分尺度的特征图F(M i)。
S42、根据所述特征图集F(M i)、所述目标部位特征图扩展组合及所述非目标部位特征图扩展组合构建特征图损伤函数，利用所述特征图损伤函数对所述第一生成式对抗网络模型进行训练，得到所述第一生成式对抗网络模型的图像损伤值。
其中，所述特征图损伤函数为：
Figure PCTCN2020098971-appb-000003
其中，
Figure PCTCN2020098971-appb-000004
代表不同尺度维度的特征图损失值，f(M i)为尺度为M i的特征图集F(M i)中的图像，Z S为所述第一生成式对抗网络模型中生成网络生成的特征图像，D X表示第一生成式对抗网络模型中的判别网络判断图像真实概率的函数，
Figure PCTCN2020098971-appb-000005
表示非目标部位特征图扩展组合的期望，
Figure PCTCN2020098971-appb-000006
表示目标部位特征图扩展组合的期望。
本申请实施例根据计算得到的不同尺度维度的特征图损伤值，得到所述第一生成式对抗网络模型的图像损伤值：
Figure PCTCN2020098971-appb-000007
其中，L表示所述图像损伤值，
Figure PCTCN2020098971-appb-000008
为尺度维度为M i的特征图损伤值，i为尺度类型。
S43、当所述计算出来的损伤值小于第一预设阈值时，所述第一生成式对抗网络模型完成训练。其中，所述第一预设阈值可以根据对所述第一生成式对抗网络模型的精度要求设定不同的值。
S5、对所述特征图集进行损伤特征类型标记，得到损伤特征类型标记图像集，利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型。
详细地，本申请实施例可以利用已知的感兴趣的区域池化(RoI Pooling，Region of InterestPooling)技术对所述特征图集进行损伤特征类型标记得到损伤特征类型标记图像集。其中，所述损伤特征类型标记图像集中包括：非目标部位的损伤特征类型标记图像和目标部位的损伤特征类型标记图像。
上述第一生成式对抗网络模型可以生成目标部位损伤图像，但是所述目标部位损伤图像并不知道其中的损伤类型，本申请实施例中所述第二生成式对抗网络模型可以生成具有损伤特征类型标记的损伤图像。其中，所述损伤特征类型可以包括：刮擦、划痕、凹陷、缺失、破裂、褶皱和死褶等。
较佳地，本申请实施例所述第二生成式对抗网络模型为目标部位的损伤特征类型标记图像的生成式对抗网络模型。
详细地，所述利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型，包括：
S50、对损伤特征类型标记图像集进行分类组合，得到目标部位特征类型标记扩展组 合和非目标部位特征类型标记扩展组合。
详细地，本申请实施例将任一非目标部位的损伤特征类型标记图像和任一目标部位的损伤特征类型标记图像组合得到目标部位特征类型标记扩展组合，将非目标部位的损伤特征类型标记图像两两组合得到非目标部位特征类型标记扩展组合。例如：Ni 1＝{(n is,n is)},Ni 2＝{(n is,n it)},其中n is为非目标部位的损伤特征类型标记图像,n it为目标部位的损伤特征类型标记图像，Ni 1表示非目标部位特征类型标记扩展组合，Ni 2表示目标部位特征类型标记扩展组合。
S51、根据所述损伤特征类型标记图像集、所述目标部位特征类型标记扩展组合和非目标部位特征类型标记扩展组合，构建实例损伤函数对第二生成式对抗网络模型进行训练，得到所述第二生成式对抗网络模型的实例损失值。
其中，所述实例损失函数为：
Figure PCTCN2020098971-appb-000009
其中，
Figure PCTCN2020098971-appb-000010
表示所述实例损失值，Z y表示所述第二生成式对抗网络模型中生成网络生成的特征图像，D ins表示第二生成式对抗网络模型中的判别网络判断图像真实概率的函数，Z x表示损伤特征类型标记图像，；
Figure PCTCN2020098971-appb-000011
表示非目标部位特征扩展组合期望，
Figure PCTCN2020098971-appb-000012
表示目标部位特征扩展组合期望。
S53，当所述计算出来的实例损失值小于第二预设阈值时，所述第二生成式对抗网络模型完成训练。其中，所述第二预设阈值可以根据对所述第二生成式对抗网络模型的精度要求设定不同的值。
S6、将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型得到目标部位损伤图像训练集，及将所述目标部位损伤图像集输入至所述第二生成式对抗网络模型得到目标部位损伤特征标记图像训练集。
S7、利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型。
较佳地，所述目标部位损伤检测模型可以通过卷积神经网络进行构建。本申请实施例将所述目标部位损伤图像训练集作为训练集，将目标部位损伤特征标记图像训练集作为标签集，构建规范损失函数对所述目标部位损伤检测模型进行训练。
其中，所述规范损失函数公式如下：
Figure PCTCN2020098971-appb-000013
其中，L reg表示规范损失值，f s，f t分别代表特征提取函数，w和h分别为输入图像的宽和高，x s、x t分别表示目标部位损伤图像训练集中的图像和目标部位损伤特征标记图像训练集中的图像，
Figure PCTCN2020098971-appb-000014
表示目标部位损伤图像训练集的期望。
本申请实施例中，当所述规范损失值小于第三预设阈值时，完成所述目标部位损伤检测模型的训练。其中，所述第三预设阈值可以根据对所述目标部位损伤检测模型的精度要求设定不同的值。
S8、利用所述目标部位损伤检测模型对待检测损伤图像进行检测，得到待检测损伤图像的损伤类型。
本申请其中一个实施例中，用于所述目标部位损伤检测模型的训练数据以及检测数据可以存储于区块链中。
本申请实施例对原始损伤图像集进行去噪处理，得到标准图像集，去除了图像质量差的图像，降低了计算压力和模型训练的准确度；对所述标准图像集中的图像进行网格划分处理，得到划分组合图像集，并对所述划分组合图像集进行特征提取，得到特征图集，去除了非特征部位对模型训练的影响；利用所述特征图集训练预构建的第一生成式对抗网络模型，对所述目标部位损伤图像集进行扩充，生成目标部位损伤图像训练集；对所述特征 图集进行损伤特征类型标记得到损伤特征类型标记图像集，利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型，生成目标部位损伤特征标记图像训练集；并利用上述扩充操作得到的目标部位损伤图像训练集和目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型，以对待识别损伤图像进行检测，得到目标部位损伤类型。经过上述步骤得到的模型训练算法，解决了目标部位损伤数据过少导致的模型训练不准确的问题。
如图2所示，是本申请损伤检测装置的功能模块图。
本申请的损伤检测装置100可以安装于电子设备中。根据实现的功能，所述装置可以包括图像去噪模块101、特征图集生成模块102、生成模型训练模块103、训练图像生成模块104、损伤检测模型训练模块105及损伤类型检测模块106。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像去噪模块101，用于获取原始损伤图像集，对所述原始损伤图像集进行去噪处理，得到标准图像集。
本申请实施例中，所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集。
本申请实施例中所述原始损伤图像集包括预设物体，如车辆的各个部位的损伤图像的集合。所述原始损伤图像集可以通过人工拍摄或者从一个损伤图像集数据库中下载得到。所述损伤图像集数据库可以是，例如保险公司的理赔数据库。
进一步地，所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集。其中，所述目标部位损伤图像集为样本数据较少的部位的损伤图像集合。例如，所述原始损伤图像集为车辆不同部位的损伤图像的集合，由于车辆的车顶损伤的可能性远远小于车辆其他部位损伤的可能性，导致车顶损伤的图像数据较少，所以可以以车顶损伤的图像集合为目标部位损伤图像集，车辆除车顶外其他部位的损伤图像集合为非目标部位损伤图像集。本申请实施例可以利用所述非目标部位损伤图像集生成多个目标部位损伤图像，从而扩充所述目标部位损伤图像集。
本申请其中一个实施例中，所述原始损伤图像集中的图像可能会由于拍摄人员的水平以及现场环境等的影响，导致拍摄出来的图像质量受到一定的影响，如图像较暗，图像模糊等，因此，本申请实施例需要对所原始损伤图像集进行去噪处理，过滤掉质量差的图像。
较佳地，本申请实施例利用图像噪声估计算法对所述原始损伤图像集进行去噪处理，得到标准图像集。其中，所述图像噪声估计算法通过两个噪声统计器组成的卷积核对所述原始损伤图像集进行卷积操作，过滤掉所述原始损伤图像集中质量差的图像。其中，所述噪声统计器是预设的初始卷积核。
详细地，所述图像噪声估计算法包括：
将预构建的两个噪声统计器的差值乘以预设的倍数组成卷积核；
利用所述卷积核对所述原始损伤图像集中的每个图像进行卷积操作，得到图像噪声值；
将所述原始损伤图像集中图像噪声值大于预设门限值的图像删除，得到所述标准图像集。
例如：两个噪声统计器分别为L 1和L 2，预设的倍数为2，则所述卷积核为N＝2(L 2-L 1)。
进一步地，本申请实施例利用所述卷积核对所述原始损伤图像集中的图像执行如下卷积操作得到图像噪声值σ n：
Figure PCTCN2020098971-appb-000015
其中W，H分别为所述原始损伤图像集中图像的宽和高，imageI为所述原始损伤图像集中第I个图像，I(x,y)为第I个图像的像素坐标，N表示所述卷积核。
本申请实施例将计算得到的所述图像噪声值σ n与一个预设门限值进行比较，以确定保留该图像或者删除该图像。
例如，设门限值为C，则：
Figure PCTCN2020098971-appb-000016
通过上述去噪处理，本申请实施例可以筛选出所述原始损伤图像集中的清晰图像，得到标准图像集。
所述特征图集生成模块102，用于对所述标准图像集中的图像进行网格划分，得到划分组合图像集，并对所述划分组合图像集进行特征提取，得到特征图集。
本申请实施例中所述网格划分处理是指把一张图像分成多个网格。
详细地，本申请实施例中所述划分可以采用尺度维度M i和横宽比维度M j对所述准图像集中的图像进行网格划分。所述尺度维度M i为按照网格的个数M i对所述标准图像集中的图像进行网格划分，其中，M i＝r*l,i为尺度类型，r为网格的列数,l为网格的行数。所述横宽比维度M j为按照网格的宽度与高度的比值M j对所述标准图像集中的图像进行网格划分，其中，M j＝k/g,j为横宽比的类型,k为网格的宽,g为网格的高。本申请实施例选择一种尺度类型和一种横宽比类型的组合S(S＝{M i，M j})对所述标准图像集中的图像进行网格划分处理，得到一组划分组合图像集。例如：选择M i＝256，M j＝1的划分组合，将所述标准图像集中的图像划分为256个网格，网格横宽比为1。因此，根据M i，M j的不同类型的组合方式，本申请实施例可以得到i*j组不同的划分组合图像集。
本申请其中一个优选实施例可以选用i＝3，j＝3，即三种尺度类型以及3种横宽比类型对所述标准图像集中的图像进行网格划分处理。其中，所述三种尺度类型分别是：M i＝256，代表将图像划分为256个网格；M i＝160，代表将图像划分为160个网格；M i＝96，代表将图像划分为96个网格。同时，所述三种横宽比类型分别是：M j＝0.5、M j＝1、M j＝2。在i＝3，j＝3，的情况下，共得到9组不同的划分组合的图像。
进一步地，本申请实施例可以利用已知的区域候选网络技术(RPN，Region Proposal Networks)对所述组合图像进行特征提取，得到特征图集。
所述生成模型训练模块103，用于利用所述特征图集训练预构建的第一生成式对抗网络模型，对所述特征图集进行损伤特征类型标记，得到损伤特征类型标记图像集，利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型。
本领域技术人员应该了解，所述生成式对抗网络模型分为判别网络和生成网络两个部分。在训练过程中，所述生成网络用来生成图像，所述判别网络用来判断生成网络生成的图像的真实概率，当所述生成网络的真实概率达到预设阈值时，根据此时的生成网络得到一个生成模型，用来生成图像。
较佳地，本申请实施例所述第一生成式对抗网络模型为目标部位损伤图像的生成式对抗网络模型。
详细地，所述训练预构建的第一生成式对抗网络模型，包括：
步骤A、对所述特征图集进行分类组合，得到目标部位特征图扩展组合和非目标部位特征图扩展组合。
详细地，本申请实施例将所述非目标部位特征图两两组合为非目标部位特征图扩展组 合，将任一目标部位特征图与任一非目标部位特征图组合为目标部位特征图扩展组合。例如：Gs 1＝{(g s,g s)}，Gs 2＝{(g s,g t)}，其中g s为非目标部位特征图，g t为目标部位特征图，Gs 1表示非目标部位特征图扩展组合，Gs 2表示目标部位特征图扩展组合。
步骤B、将所述特征图集按照尺度维度M i进行分类，得到不同划分尺度的特征图F(M i)。
步骤C、根据所述特征图集F(M i)、所述目标部位特征图扩展组合及所述非目标部位特征图扩展组合构建特征图损伤函数，利用所述特征图损伤函数对所述第一生成式对抗网络模型进行训练，得到所述第一生成式对抗网络模型的图像损伤值。
其中，所述特征图损伤函数为：
Figure PCTCN2020098971-appb-000017
其中，
Figure PCTCN2020098971-appb-000018
代表不同尺度维度的特征图损失值，f(M i)为尺度为M i的特征图集F(M i)中的图像，Z S为所述第一生成式对抗网络模型中生成网络生成的特征图像，D X表示第一生成式对抗网络模型中的判别网络判断图像真实概率的函数，
Figure PCTCN2020098971-appb-000019
表示非目标部位特征图扩展组合的期望，
Figure PCTCN2020098971-appb-000020
表示目标部位特征图扩展组合的期望。
本申请实施例根据计算得到的不同尺度维度的特征图损伤值，得到所述第一生成式对抗网络模型的图像损伤值：
Figure PCTCN2020098971-appb-000021
其中，L表示所述图像损伤值，
Figure PCTCN2020098971-appb-000022
为尺度维度为M i的特征图损伤值，i为尺度类型。
步骤D、当所述计算出来的损伤值小于第一预设阈值时，所述第一生成式对抗网络模型完成训练。其中，所述第一预设阈值可以根据对所述第一生成式对抗网络模型的精度要求设定不同的值。
进一步地，本申请实施例可以利用已知的感兴趣的区域池化(RoI Pooling，Region of InterestPooling)技术对所述特征图集进行损伤特征类型标记得到损伤特征类型标记图像集。其中，所述损伤特征类型标记图像集中包括：非目标部位的损伤特征类型标记图像和目标部位的损伤特征类型标记图像。
上述第一生成式对抗网络模型可以生成目标部位损伤图像，但是所述目标部位损伤图像并不知道其中的损伤类型，本申请实施例中所述第二生成式对抗网络模型可以生成具有损伤特征类型标记的损伤图像。其中，所述损伤特征类型可以包括：刮擦、划痕、凹陷、缺失、破裂、褶皱和死褶等。
较佳地，本申请实施例所述第二生成式对抗网络模型为目标部位的损伤特征类型标记图像的生成式对抗网络模型。
详细地，所述利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型，包括：
步骤a、对损伤特征类型标记图像集进行分类组合，得到目标部位特征类型标记扩展组合和非目标部位特征类型标记扩展组合。
详细地，本申请实施例将任一非目标部位的损伤特征类型标记图像和任一目标部位的损伤特征类型标记图像组合得到目标部位特征类型标记扩展组合，将非目标部位的损伤特征类型标记图像两两组合得到非目标部位特征类型标记扩展组合。例如：Ni 1＝{(n is,n is)},Ni 2＝{(n is,n it)},其中n is为非目标部位的损伤特征类型标记图像,n it为目标部位的损伤特征类型标记图像，Ni 1表示非目标部位特征类型标记扩展组合，Ni 2表示目标部位特征类型标记扩展组合。
步骤b、根据所述损伤特征类型标记图像集、所述目标部位特征类型标记扩展组合和非目标部位特征类型标记扩展组合，构建实例损伤函数对第二生成式对抗网络模型进行训练，得到所述第二生成式对抗网络模型的实例损失值。
其中，所述实例损失函数为：
Figure PCTCN2020098971-appb-000023
其中，
Figure PCTCN2020098971-appb-000024
表示所述实例损失值，Z y表示所述第二生成式对抗网络模型中生成网络生成的特征图像，D ins表示第二生成式对抗网络模型中的判别网络判断图像真实概率的函数，Z x表示损伤特征类型标记图像，；
Figure PCTCN2020098971-appb-000025
表示非目标部位特征扩展组合期望，
Figure PCTCN2020098971-appb-000026
表示目标部位特征扩展组合期望。
步骤c，当所述计算出来的实例损失值小于第二预设阈值时，所述第二生成式对抗网络模型完成训练。其中，所述第二预设阈值可以根据对所述第二生成式对抗网络模型的精度要求设定不同的值。
所述训练图像生成模块104，用于将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型，得到目标部位损伤图像训练集，及将所述目标部位损伤图像集输入至所述第二生成式对抗网络模型，得到目标部位损伤特征标记图像训练集。
所述损伤检测模型训练模块105，用于利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型。
较佳地，所述目标部位损伤检测模型可以通过卷积神经网络进行构建。本申请实施例将所述目标部位损伤图像训练集作为训练集，将目标部位损伤特征标记图像训练集作为标签集，构建规范损失函数对所述目标部位损伤检测模型进行训练。
其中，所述规范损失函数公式如下：
Figure PCTCN2020098971-appb-000027
其中，L reg表示规范损失值，f s，f t分别代表特征提取函数，w和h分别为输入图像的宽和高，x s、x t分别表示目标部位损伤图像训练集中的图像和目标部位损伤特征标记图像训练集中的图像，
Figure PCTCN2020098971-appb-000028
表示目标部位损伤图像训练集的期望。
本申请实施例中，当所述规范损失值小于第三预设值时，完成所述目标部位损伤检测模型的训练。其中，所述第三预设阈值可以根据对所述目标部位损伤检测模型的精度要求设定不同的值。
所述损伤类型检测模块106，用于利用所述目标部位损伤检测模型对待检测损伤图像进行检测，得到待检测损伤图像的损伤类型。
本申请其中一个实施例中，用于所述目标部位损伤检测模型的训练数据以及检测数据可以存储于区块链中。
如图3所示，是本申请实现损伤检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如损伤检测程序12。
其中，所述存储器11至少包括一类型型的可读存储介质，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。所述存储器11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。所述存储器11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，所述存储器11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。所述存储器11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。
所述处理器10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。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的 程序或者模块(例如损伤检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述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。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备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。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的损伤检测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取原始损伤图像集，其中，所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集；
对所述原始损伤图像集进行去噪处理，得到标准图像集；
对所述标准图像集中的图像进行网格划分处理，得到划分组合图像集，并对所述划分组合图像集进行特征提取，得到特征图集；
利用所述特征图集训练预构建的第一生成式对抗网络模型；
对所述特征图集进行损伤特征类型标记，得到损伤特征类型标记图像集，利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型；
将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型，得到目标部位损伤图像训练集，及将所述目标部位损伤图像集输入至所述第二生成式对抗网络模型，得到目标部位损伤特征标记图像训练集；
利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型；
利用所述目标部位损伤检测模型对待检测损伤图像进行检测，得到待检测损伤图像的损伤类型。
具体地，所述处理器10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。
进一步地，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存储介质中。所述计算机可读存储介质可以包括：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)。所述计算机可读存储介质可以是非易失性，也可以是易失性。
进一步地，所述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。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备，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。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。
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，本申请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申请内。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。
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。
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。系统权利要求中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 (20)

  1. 一种损伤检测方法，其中，所述方法包括：
    获取原始损伤图像集，其中，所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集；
    对所述原始损伤图像集进行去噪处理，得到标准图像集；
    对所述标准图像集中的图像进行网格划分，得到划分组合图像集，并对所述划分组合图像集进行特征提取，得到特征图集；
    利用所述特征图集训练预构建的第一生成式对抗网络模型；
    对所述特征图集进行损伤特征类型标记，得到损伤特征类型标记图像集，利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型；
    将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型，得到目标部位损伤图像训练集，及将所述目标部位损伤图像集输入至所述第二生成式对抗网络模型，得到目标部位损伤特征标记图像训练集；
    利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型；
    利用所述目标部位损伤检测模型对待检测损伤图像进行检测，得到待检测损伤图像的损伤类型。
  2. 如权利要求1所述的损伤检测方法，其中，所述对所述原始损伤图像集进行去噪处理，得到标准图像集，包括：
    将预构建的两个噪声统计器的差值乘以预设的倍数组成卷积核，利用所述卷积核对所述原始损伤图像集中的每个图像进行卷积操作，得到图像噪声值；
    将所述原始损伤图像集中图像噪声值大于预设门限值的图像删除，得到所述标准图像集。
  3. 如权利要求2所述的损伤检测方法，其中，所述图像噪声值的计算公式如下：
    Figure PCTCN2020098971-appb-100001
    其中W，H分别为所述原始损伤图像集中图像的宽和高，imageI为所述原始损伤图像集中第I个图像，I(x,y)为第I个图像的像素坐标，N表示所述卷积核。
  4. 如权利要求1所述的损伤检测方法，其中，所述对所述标准图像集中的图像进行网格划分，包括：
    采用尺度维度M i和横宽比维度M j对所述标准图像集中的图像进行网格划分。
  5. 如权利要求4所述的损伤检测方法，其中，所述利用所述特征图集训练预构建的第一生成式对抗网络模型，包括：
    对所述特征图集进行分类组合，得到目标部位特征图扩展组合和非目标部位特征图扩展组合；
    将所述特征图集根据尺度维度M i进行分类，得到不同尺度维度的特征图集F(M i)；
    根据所述特征图集F(M i)、所述目标部位特征图扩展组合及所述非目标部位特征图扩展组合构建特征图损伤函数，利用所述特征图损伤函数对所述第一生成式对抗网络模型进行训练，得到所述第一生成式对抗网络模型的图像损伤值；
    当所述计算出来的损伤值小于第一预设阈值时，所述第一生成式对抗网络模型完成训练。
  6. 如权利要求5的损伤检测方法，其中，所述特征图损伤函数为：
    Figure PCTCN2020098971-appb-100002
    其中，
    Figure PCTCN2020098971-appb-100003
    代表不同尺度维度的特征图损失值，f(M i)为尺度为M i的特征图集F(M i)中的图像，Z S为所述第一生成式对抗网络模型中生成网络生成的特征图像，D X表示第一生成式对抗网络模型中的判别网络判断图像真实概率的函数，
    Figure PCTCN2020098971-appb-100004
    表示非目标部位特征图扩展组合的期望，
    Figure PCTCN2020098971-appb-100005
    表示目标部位特征图扩展组合的期望。
  7. 如权利要求1至6中任意一项所述的损伤检测方法，其中，所述利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型，包括：
    对所述损伤特征类型标记图像集进行分类组合，得到目标部位特征类型标记扩展组合和非目标部位特征类型标记扩展组合；
    根据所述损伤特征类型标记图像集、所述目标部位特征类型标记扩展组合和非目标部位特征类型标记扩展组合，构建实例损伤函数对第二生成式对抗网络模型进行训练，得到所述第二生成式对抗网络模型的实例损失值；
    当所述计算出来的实例损失值小于第二预设阈值时，所述第二生成式对抗网络模型完成训练。
  8. 一种电子设备，其中，所述电子设备包括：
    至少一个处理器；以及，
    与所述至少一个处理器通信连接的存储器；其中，
    所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如下所述的损伤检测方法：
    获取原始损伤图像集，其中，所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集；
    对所述原始损伤图像集进行去噪处理，得到标准图像集；
    对所述标准图像集中的图像进行网格划分，得到划分组合图像集，并对所述划分组合图像集进行特征提取，得到特征图集；
    利用所述特征图集训练预构建的第一生成式对抗网络模型；
    对所述特征图集进行损伤特征类型标记，得到损伤特征类型标记图像集，利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型；
    将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型，得到目标部位损伤图像训练集，及将所述目标部位损伤图像集输入至所述第二生成式对抗网络模型，得到目标部位损伤特征标记图像训练集；
    利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型；
    利用所述目标部位损伤检测模型对待检测损伤图像进行检测，得到待检测损伤图像的损伤类型。
  9. 如权利要求8所述的电子设备，其中，所述对所述原始损伤图像集进行去噪处理，得到标准图像集，包括：
    将预构建的两个噪声统计器的差值乘以预设的倍数组成卷积核，利用所述卷积核对所述原始损伤图像集中的每个图像进行卷积操作，得到图像噪声值；
    将所述原始损伤图像集中图像噪声值大于预设门限值的图像删除，得到所述标准图像集。
  10. 如权利要求9所述的电子设备，其中，所述图像噪声值的计算公式如下：
    Figure PCTCN2020098971-appb-100006
    其中W，H分别为所述原始损伤图像集中图像的宽和高，imageI为所述原始损伤图像集中第I个图像，I(x,y)为第I个图像的像素坐标，N表示所述卷积核。
  11. 如权利要求8所述的电子设备，其中，所述对所述标准图像集中的图像进行网格划分，包括：
    采用尺度维度M i和横宽比维度M j对所述标准图像集中的图像进行网格划分。
  12. 如权利要求11所述的电子设备，其中，所述利用所述特征图集训练预构建的第一生成式对抗网络模型，包括：
    对所述特征图集进行分类组合，得到目标部位特征图扩展组合和非目标部位特征图扩展组合；
    将所述特征图集根据尺度维度M i进行分类，得到不同尺度维度的特征图集F(M i)；
    根据所述特征图集F(M i)、所述目标部位特征图扩展组合及所述非目标部位特征图扩展组合构建特征图损伤函数，利用所述特征图损伤函数对所述第一生成式对抗网络模型进行训练，得到所述第一生成式对抗网络模型的图像损伤值；
    当所述计算出来的损伤值小于第一预设阈值时，所述第一生成式对抗网络模型完成训练。
  13. 如权利要求12的电子设备，其中，所述特征图损伤函数为：
    Figure PCTCN2020098971-appb-100007
    其中，
    Figure PCTCN2020098971-appb-100008
    代表不同尺度维度的特征图损失值，f(M i)为尺度为M i的特征图集F(M i)中的图像，Z S为所述第一生成式对抗网络模型中生成网络生成的特征图像，D X表示第一生成式对抗网络模型中的判别网络判断图像真实概率的函数，
    Figure PCTCN2020098971-appb-100009
    表示非目标部位特征图扩展组合的期望，
    Figure PCTCN2020098971-appb-100010
    表示目标部位特征图扩展组合的期望。
  14. 一种计算机可读存储介质，其中，包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计算机程序，其中，所述计算机程序被处理器执行时实现如下所述的损伤检测方法：
    获取原始损伤图像集，其中，所述原始损伤图像集包括目标部位损伤图像集和非目标部位损伤图像集；
    对所述原始损伤图像集进行去噪处理，得到标准图像集；
    对所述标准图像集中的图像进行网格划分，得到划分组合图像集，并对所述划分组合图像集进行特征提取，得到特征图集；
    利用所述特征图集训练预构建的第一生成式对抗网络模型；
    对所述特征图集进行损伤特征类型标记，得到损伤特征类型标记图像集，利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型；
    将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型，得到目标部位损伤图像训练集，及将所述目标部位损伤图像集输入至所述第二生成式对抗网络模型，得到目标部位损伤特征标记图像训练集；
    利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型；
    利用所述目标部位损伤检测模型对待检测损伤图像进行检测，得到待检测损伤图像的损伤类型。
  15. 如权利要求14所述的计算机可读存储介质，其中，所述对所述原始损伤图像集进行去噪处理，得到标准图像集，包括：
    将预构建的两个噪声统计器的差值乘以预设的倍数组成卷积核，利用所述卷积核对所述原始损伤图像集中的每个图像进行卷积操作，得到图像噪声值；
    将所述原始损伤图像集中图像噪声值大于预设门限值的图像删除，得到所述标准图像集。
  16. 如权利要求15所述的计算机可读存储介质，其中，所述图像噪声值的计算公式如下：
    Figure PCTCN2020098971-appb-100011
    其中W，H分别为所述原始损伤图像集中图像的宽和高，imageI为所述原始损伤图像集中第I个图像，I(x,y)为第I个图像的像素坐标，N表示所述卷积核。
  17. 如权利要求14所述的计算机可读存储介质，其中，所述对所述标准图像集中的图像进行网格划分，包括：
    采用尺度维度M i和横宽比维度M j对所述标准图像集中的图像进行网格划分。
  18. 如权利要求17所述的计算机可读存储介质，其中，所述利用所述特征图集训练预构建的第一生成式对抗网络模型，包括：
    对所述特征图集进行分类组合，得到目标部位特征图扩展组合和非目标部位特征图扩展组合；
    将所述特征图集根据尺度维度M i进行分类，得到不同尺度维度的特征图集F(M i)；
    根据所述特征图集F(M i)、所述目标部位特征图扩展组合及所述非目标部位特征图扩展组合构建特征图损伤函数，利用所述特征图损伤函数对所述第一生成式对抗网络模型进行训练，得到所述第一生成式对抗网络模型的图像损伤值；
    当所述计算出来的损伤值小于第一预设阈值时，所述第一生成式对抗网络模型完成训练。
  19. 如权利要求18的计算机可读存储介质，其中，所述特征图损伤函数为：
    Figure PCTCN2020098971-appb-100012
    其中，
    Figure PCTCN2020098971-appb-100013
    代表不同尺度维度的特征图损失值，f(M i)为尺度为M i的特征图集F(M i)中的图像，Z S为所述第一生成式对抗网络模型中生成网络生成的特征图像，D X表示第一生成式对抗网络模型中的判别网络判断图像真实概率的函数，
    Figure PCTCN2020098971-appb-100014
    表示非目标部位特征图扩展组合的期望，
    Figure PCTCN2020098971-appb-100015
    表示目标部位特征图扩展组合的期望。
  20. 一种损伤检测装置，其中，所述装置包括：
    图像去噪模块，用于获取原始损伤图像集，对所述原始损伤图像集进行去噪处理，得到标准图像集；
    特征图集生成模块，用于对所述标准图像集中的图像进行网格划分处理，得到划分组合图像集，并对所述划分组合图像集进行特征提取，得到特征图集；
    生成模型训练模块，用于利用所述特征图集训练预构建的第一生成式对抗网络模型，对所述特征图集进行损伤特征类型标记，得到损伤特征类型标记图像集，利用所述损伤特征类型标记图像集训练预构建的第二生成式对抗网络模型；
    训练图像生成模块，用于将所述目标部位损伤图像集输入至所述第一生成式对抗网络模型，得到目标部位损伤图像训练集，及将所述目标部位损伤图像集输入至所述第二生成式对抗网络模型，得到目标部位损伤特征标记图像训练集；
    损伤检测模型训练模块，用于利用所述目标部位损伤图像训练集和所述目标部位损伤特征标记图像训练集训练预构建的目标部位损伤检测模型；
    损伤类型检测模块，用于利用所述目标部位损伤检测模型对待检测损伤图像进行检测，得到待检测损伤图像的损伤类型。
PCT/CN2020/098971 2020-04-30 2020-06-29 损伤检测方法、装置、电子设备及介质 Ceased WO2021217852A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010361297.X 2020-04-30
CN202010361297.XA CN111652209B (zh) 2020-04-30 2020-04-30 损伤检测方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
WO2021217852A1 true WO2021217852A1 (zh) 2021-11-04

Family

ID=72346067

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/098971 Ceased WO2021217852A1 (zh) 2020-04-30 2020-06-29 损伤检测方法、装置、电子设备及介质

Country Status (2)

Country Link
CN (1) CN111652209B (zh)
WO (1) WO2021217852A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202530A (zh) * 2021-12-14 2022-03-18 深圳壹账通智能科技有限公司 分析损伤程度的方法、装置、设备及存储介质
CN114894807A (zh) * 2022-05-16 2022-08-12 福耀玻璃工业集团股份有限公司 一种工件表面橘皮的检测设备、方法及装置
CN116128869A (zh) * 2023-03-13 2023-05-16 国网四川省电力公司眉山供电公司 一种基于生成式对抗网络的电力图像数据增广办法
CN117237420A (zh) * 2023-09-19 2023-12-15 北京理工大学 图像配准方法、图像配准装置、电子设备及存储介质
CN119313677A (zh) * 2024-12-17 2025-01-14 徐州医科大学附属医院 一种医学损伤ct图像处理方法和系统
US12223549B2 (en) 2022-05-18 2025-02-11 The Toronto-Dominion Bank Systems and methods for automated data processing using machine learning for vehicle loss detection
CN119478477A (zh) * 2024-06-27 2025-02-18 徐州嘉友电子科技有限公司 基于无损探伤设备的智能检测方法
CN119884848A (zh) * 2025-03-31 2025-04-25 深圳市中航世星科技有限公司 目标毁伤评估方法和系统、电子设备及存储介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112233125B (zh) * 2020-10-15 2023-06-02 平安科技（深圳）有限公司 图像分割方法、装置、电子设备及计算机可读存储介质
CN112801951A (zh) * 2021-01-15 2021-05-14 深圳市商汤科技有限公司 目标部件的损伤检测方法、装置、设备及存储介质
CN115115611B (zh) * 2022-07-21 2023-04-07 明觉科技（北京）有限公司 车辆损伤识别方法、装置、电子设备和存储介质
CN116912594A (zh) * 2023-07-31 2023-10-20 中国人民解放军空军军医大学 膝关节检测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108802041A (zh) * 2018-03-16 2018-11-13 浙江大学 一种屏幕检测的小样本集快速换型的方法
CN109741328A (zh) * 2019-02-02 2019-05-10 东北大学 一种基于生成式对抗网络的汽车表观质量检测方法
CN110032931A (zh) * 2019-03-01 2019-07-19 阿里巴巴集团控股有限公司 生成对抗网络训练、网纹去除方法、装置及电子设备
CN110097543A (zh) * 2019-04-25 2019-08-06 东北大学 基于生成式对抗网络的热轧带钢表面缺陷检测方法
KR102034248B1 (ko) * 2019-04-19 2019-10-18 주식회사 루닛 GAN(Generative Adversarial Networks)을 이용하는 이상 검출 방법, 장치 및 그 시스템
CN110880176A (zh) * 2019-11-19 2020-03-13 浙江大学 一种基于对抗生成网络的半监督工业图像缺陷分割方法
CN110992315A (zh) * 2019-11-18 2020-04-10 上海集成电路研发中心有限公司 一种基于生成式对抗网络的芯片表面缺陷分类装置和方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190021677A1 (en) * 2017-07-18 2019-01-24 Siemens Healthcare Gmbh Methods and systems for classification and assessment using machine learning
WO2019028725A1 (en) * 2017-08-10 2019-02-14 Intel Corporation CONVOLUTIVE NEURAL NETWORK STRUCTURE USING INVERTED CONNECTIONS AND OBJECTIVITY ANTERIORITIES TO DETECT AN OBJECT
CN108764046A (zh) * 2018-04-26 2018-11-06 平安科技（深圳）有限公司 车辆损伤分类模型的生成装置、方法及计算机可读存储介质
CN110569864A (zh) * 2018-09-04 2019-12-13 阿里巴巴集团控股有限公司 基于gan网络的车损图像生成方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108802041A (zh) * 2018-03-16 2018-11-13 浙江大学 一种屏幕检测的小样本集快速换型的方法
CN109741328A (zh) * 2019-02-02 2019-05-10 东北大学 一种基于生成式对抗网络的汽车表观质量检测方法
CN110032931A (zh) * 2019-03-01 2019-07-19 阿里巴巴集团控股有限公司 生成对抗网络训练、网纹去除方法、装置及电子设备
KR102034248B1 (ko) * 2019-04-19 2019-10-18 주식회사 루닛 GAN(Generative Adversarial Networks)을 이용하는 이상 검출 방법, 장치 및 그 시스템
CN110097543A (zh) * 2019-04-25 2019-08-06 东北大学 基于生成式对抗网络的热轧带钢表面缺陷检测方法
CN110992315A (zh) * 2019-11-18 2020-04-10 上海集成电路研发中心有限公司 一种基于生成式对抗网络的芯片表面缺陷分类装置和方法
CN110880176A (zh) * 2019-11-19 2020-03-13 浙江大学 一种基于对抗生成网络的半监督工业图像缺陷分割方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202530A (zh) * 2021-12-14 2022-03-18 深圳壹账通智能科技有限公司 分析损伤程度的方法、装置、设备及存储介质
CN114894807A (zh) * 2022-05-16 2022-08-12 福耀玻璃工业集团股份有限公司 一种工件表面橘皮的检测设备、方法及装置
US12223549B2 (en) 2022-05-18 2025-02-11 The Toronto-Dominion Bank Systems and methods for automated data processing using machine learning for vehicle loss detection
CN116128869A (zh) * 2023-03-13 2023-05-16 国网四川省电力公司眉山供电公司 一种基于生成式对抗网络的电力图像数据增广办法
CN117237420A (zh) * 2023-09-19 2023-12-15 北京理工大学 图像配准方法、图像配准装置、电子设备及存储介质
CN119478477A (zh) * 2024-06-27 2025-02-18 徐州嘉友电子科技有限公司 基于无损探伤设备的智能检测方法
CN119313677A (zh) * 2024-12-17 2025-01-14 徐州医科大学附属医院 一种医学损伤ct图像处理方法和系统
CN119313677B (zh) * 2024-12-17 2025-06-27 徐州医科大学附属医院 一种医学损伤ct图像处理方法和系统
CN119884848A (zh) * 2025-03-31 2025-04-25 深圳市中航世星科技有限公司 目标毁伤评估方法和系统、电子设备及存储介质

Also Published As

Publication number Publication date
CN111652209A (zh) 2020-09-11
CN111652209B (zh) 2024-05-10

Similar Documents

Publication Publication Date Title
WO2021217852A1 (zh) 损伤检测方法、装置、电子设备及介质
CN113487621B (zh) 医学图像分级方法、装置、电子设备及可读存储介质
CN112699775B (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
CN111652845B (zh) 异常细胞自动标注方法、装置、电子设备及存储介质
CN112016605B (zh) 一种基于边界框角点对齐和边界匹配的目标检测方法
CN112507934B (zh) 活体检测方法、装置、电子设备及存储介质
WO2021189827A1 (zh) 识别模糊图像的方法、装置、设备及计算机可读存储介质
WO2019051941A1 (zh) 车型识别方法、装置、设备及计算机可读存储介质
WO2021151277A1 (zh) 目标物损伤程度判定方法、装置、电子设备及存储介质
CN109858327B (zh) 一种基于深度学习的字符分割方法
CN113065609B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN112749653A (zh) 行人检测方法、装置、电子设备及存储介质
CN113887439B (zh) 基于图像识别的自动预警方法、装置、设备及存储介质
CN111639704A (zh) 目标识别方法、装置及计算机可读存储介质
CN114758249A (zh) 基于野外夜间环境的目标物监测方法、装置、设备及介质
CN113065607A (zh) 图像检测方法、装置、电子设备及介质
CN105354533A (zh) 一种基于词袋模型的卡口无牌车辆车型识别方法
CN110188828A (zh) 一种基于虚拟样本集成学习的图像来源鉴别方法
CN116433704A (zh) 一种基于中心点的细胞核分割方法及相关设备
CN112561893B (zh) 图片匹配方法、装置、电子设备及存储介质
CN112528903B (zh) 人脸图像获取方法、装置、电子设备及介质
CN113420684A (zh) 基于特征提取的报表识别方法、装置、电子设备及介质
CN112541436A (zh) 专注度分析方法、装置、电子设备及计算机存储介质
CN112633183B (zh) 影像遮挡区域自动检测方法、装置及存储介质
CN115471775A (zh) 基于录屏视频的信息验证方法、装置、设备及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20933405

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20933405

Country of ref document: EP

Kind code of ref document: A1