WO2023273296A1 - 车图像分割质量的评估方法、装置、设备及存储介质 - Google Patents

车图像分割质量的评估方法、装置、设备及存储介质 Download PDF

Info

Publication number
WO2023273296A1
WO2023273296A1 PCT/CN2022/071256 CN2022071256W WO2023273296A1 WO 2023273296 A1 WO2023273296 A1 WO 2023273296A1 CN 2022071256 W CN2022071256 W CN 2022071256W WO 2023273296 A1 WO2023273296 A1 WO 2023273296A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
preset value
area
ratio
preset
Prior art date
Application number
PCT/CN2022/071256
Other languages
English (en)
French (fr)
Inventor
陈攀
刘莉红
刘玉宇
肖京
Original Assignee
平安科技（深圳）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 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2023273296A1 publication Critical patent/WO2023273296A1/zh

Links

Classifications

    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Definitions

  • the present application relates to the technical field of artificial intelligence, and in particular to a method, device, equipment and storage medium for evaluating the quality of car image segmentation.
  • Image segmentation is an important step in image analysis and machine vision.
  • the quality of vehicle image segmentation affects subsequent damage detection.
  • Car image segmentation quality assessment undertakes the main task of segmentation result quality, which is of positive significance for obtaining high-quality segmentation results in line with the human perception system and optimizing the performance of segmentation algorithms.
  • the traditional image segmentation quality assessment is mainly to evaluate and measure the quality of the segmentation results.
  • the assessment is realized through the network model of deep learning.
  • the assessment process needs to train the image quality assessment model first, and then treat it through the trained image quality assessment model.
  • Evaluation of the segmented car image the inventors realized that in the automatic claims process for vehicle damage, the image quality assessment only needs to make a qualitative evaluation of the segmentation results, that is, whether the segmentation quality is good or bad, the existing segmentation quality assessment algorithm is
  • the evaluation of car image quality in the scene of car damage assessment takes too long, and the evaluation process consumes a lot of memory, which makes the evaluation efficiency of car image segmentation quality low and lengthens the cycle of car damage assessment.
  • the embodiment of the present application provides a car image segmentation quality evaluation method, device, computer equipment and storage medium to solve the problem of low evaluation efficiency and memory usage when evaluating the car image segmentation quality through the current segmentation image quality evaluation method. Big technical problem.
  • a method for evaluating the quality of car image segmentation comprising:
  • a device for evaluating the quality of car image segmentation comprising:
  • the car image acquisition module is used to acquire images containing vehicles
  • the segmentation module is used to segment the image to obtain the vehicle image of the segmented vehicle and the images of each part of the vehicle;
  • the main component image acquisition module is used to acquire the component image with the largest area from each component image as the main component image;
  • the first judging module is used to judge whether the first ratio of the area of the main component image to the area of the image containing the vehicle is less than a first preset value
  • the second judging module is used to judge that the segmentation quality is poor when the first ratio is smaller than the first preset value
  • a third judging module configured to judge whether a second ratio of the area of the main component image to the area of the vehicle image is smaller than a second preset value when the first ratio is not less than the first preset value
  • a fourth judging module configured to judge that the segmentation quality is poor when the second ratio is smaller than the second preset value.
  • a computer device comprising a memory, a processor, and computer-readable instructions stored in the memory and operable on the processor, when the processor executes the computer-readable instructions, the above-mentioned car image segmentation quality steps in the evaluation method.
  • a computer-readable storage medium where computer-readable instructions are stored in the computer-readable storage medium, and when the computer-readable instructions are executed by a processor, the steps of the above method for evaluating the quality of car image segmentation are realized.
  • the evaluation method, device, computer equipment and storage medium of the car image segmentation quality proposed in this application have an accuracy rate of more than 90% for the evaluation of the car image segmentation quality, and can more accurately judge the segmentation of the car segmentation map in the vehicle damage assessment process quality.
  • Fig. 1 is a schematic diagram of an application environment of a method for evaluating the quality of car image segmentation in an embodiment of the present application
  • Fig. 2 is a flow chart of the evaluation method of car image segmentation quality in an embodiment of the present application
  • FIG. 3 is a flow chart of a method for evaluating the quality of car image segmentation in another embodiment of the present application
  • FIG. 4 is a schematic structural diagram of an evaluation device for car image segmentation quality in an embodiment of the present application.
  • FIG. 5 is a schematic diagram of computer equipment in an embodiment of the present application.
  • the method for evaluating the quality of car image segmentation provided in this application can be applied in the application environment shown in FIG. 1 , where the computer device can communicate with the server through the network.
  • the computer equipment can be but not limited to various personal computers, notebook computers, smart phones, tablet computers and portable wearable devices.
  • the server can be implemented by an independent server or a server cluster composed of multiple servers.
  • a method for evaluating the segmentation quality of a car image is provided.
  • the method is described by taking the server in FIG. 1 as an example, including the following steps S101 to S107 .
  • the image contains the vehicle, and may or may not contain the image background.
  • An image containing a vehicle represents an image that needs to be segmented and the quality of the segmentation needs to be evaluated.
  • the vehicle included in the image is a vehicle that needs to be assessed for damage.
  • an image containing a vehicle can be segmented by using an existing segmentation model, such as the deeplabv3 model, to obtain a whole vehicle image of the segmented vehicle and images of each component of the vehicle.
  • an existing segmentation model such as the deeplabv3 model
  • the first preset value is, for example, 2.5%.
  • the number of pixels included in the main part image can be used as the area of the main part image, and the total number of pixels included in the image of the vehicle can be used as the area of the image of the vehicle, which can simplify the area of the main part image and the area of the image containing the
  • the calculation process of the area of the image of the vehicle further improves the efficiency of evaluating the segmentation quality of the image of the vehicle.
  • the area of the main component image can also be obtained by calculating the actual area of the main component image, and similarly, the actual area of the vehicle image can also be used as the area of the vehicle image.
  • the first preset value is 2.5%, it means that the first ratio of the area of the main component image to the area of the image containing the vehicle is less than 2.5%, and it is judged that the segmentation quality is poor.
  • the second preset value is, for example, 10%.
  • the second preset value is, for example, 10%
  • the ratio of the area of the non-background area to the area of the vehicle is less than 0.3, directly determine the segmentation of the image containing the vehicle low quality.
  • the method for evaluating the quality of vehicle image segmentation proposed in this embodiment firstly segments the image containing the vehicle to obtain the segmented vehicle image and each component image of the vehicle, and then obtains the largest area from each component image
  • the component image determines whether the first ratio of the area of the main component image to the area of the image containing the vehicle is smaller than a first preset value, and when the first ratio is smaller than the first preset value, Judging that the segmentation quality is poor, if the first ratio is not less than the first preset value, then judging whether the second ratio of the area of the main component image to the area of the vehicle image is smaller than the second preset value, if the second ratio If it is less than the second preset value, the segmentation quality is judged to be poor.
  • the entire judgment process only involves the calculation and logical judgment of the part area of the segmentation map, and the evaluation speed is relatively fast.
  • the vehicle In the segmentation quality evaluation data set collected by us, the vehicle can be judged more accurately.
  • the segmentation quality of the car segmentation map in the damage assessment process is relatively fast.
  • Fig. 3 is a flow chart of the evaluation method of car image segmentation quality in another embodiment of the present application. That is, step S301 in FIG. 3 is further as follows:
  • step S301 Determine whether the first ratio of the area of the main component image to the area of the image containing the vehicle is smaller than the first preset value, if yes, jump to step S317, otherwise, execute step S302, that is, step S106 in FIG. 2 ;
  • step S302. Determine whether the second ratio of the area of the main component image to the area of the vehicle image is smaller than a second preset value, if yes, go to step S317.
  • the method when the second ratio is not less than the second preset value, the method further includes:
  • the third preset value is, for example, 50dm2, which means that the area is greater than 50 dm2's part image as a large outline part image.
  • step S303 is executed
  • step S304 Determine whether the number of the large-profile component images exceeds the fourth preset value, and if so, jump to step S317.
  • the fourth preset value is, for example, 4, indicating that when the number of the large-profile component images exceeds 4, it is judged that the segmentation quality is poor.
  • the method for evaluating the quality of the vehicle image segmentation further includes:
  • the number of outer contours of the main part image reflects the continuity of the segmentation mask.
  • the number of outer contours of the main part image is too large, it can be judged as segmentation low quality. Further, when the number of outer contours of the main part image is greater than 11, it can be judged that the segmentation quality is poor.
  • the method for evaluating the car image segmentation quality also includes:
  • step S305 is executed;
  • step S306. Determine whether the total number of contours exceeds the preset fifth preset value, and if so, jump to step S317.
  • the fifth preset value is, for example, 8, indicating that when the total number of contours exceeds 8, it is judged that the segmentation quality is poor.
  • the method for evaluating the quality of the car image segmentation further includes:
  • the method for evaluating the car image segmentation quality also includes:
  • step S307 is executed;
  • step S308 judging whether the points of the outer contour of the main part image are within the preset threshold range, if not, go to step S317 .
  • 650 can be selected as the cut-off point, that is, the preset threshold range is less than 650, which means that the segmentation mask whose maximum outer contour points of the main part image exceeds 650 is directly judged as poor segmentation quality.
  • the method for evaluating the segmentation quality of the car image further includes:
  • the vehicle Evaluation methods for image segmentation quality also include:
  • step S309 is executed;
  • step S311 judging whether the third ratio is smaller than a preset sixth preset value, if yes, jump to step S317 .
  • the sixth preset value is, for example, 20%, indicating that when the third ratio of the area of the circumscribed rectangle to the area of the image containing the vehicle is less than 20%, it is judged that the segmentation quality is poor.
  • the method for evaluating the quality of the car image segmentation further includes:
  • the evaluation method of the car image segmentation quality also includes:
  • step S312 when it is judged in step S311 that the third ratio is not less than the preset sixth preset value, step S312 is executed;
  • step S312 Identify the number of internal contours of the main part image as the number of holes in the main part image, and then perform step S313;
  • step S313. Determine whether the number of holes is greater than the preset seventh preset value, and if so, jump to step S317.
  • the seventh preset value is, for example, 8, which means that when the number of holes inside the main component image is greater than 8, it is judged that the segmentation quality is poor.
  • the method for evaluating the image segmentation quality of the car further includes:
  • the method for evaluating the quality of the car image segmentation also includes:
  • step S314 when it is determined in step S313 that the number of holes is not greater than the preset seventh preset value, step S314 is executed;
  • step S314. Calculate the total area of each hole, and then perform step S315;
  • step S315. Determine whether the ratio of the total area of the hole to the area of the main component image is greater than a preset fourth ratio, and if so, go to step S317.
  • the fourth ratio is, for example, 3%, which means that when the ratio of the total area of the holes to the area of the main part image is greater than 3%, it is judged that the segmentation quality is poor.
  • the method for evaluating the quality of the car image segmentation further includes:
  • the evaluation method of car image segmentation quality proposed in this embodiment is based on the logical judgment of the component area calculation and line outline of the segmentation map, and considers various special situations that appear in the real car image scene.
  • the accuracy rate of the algorithm has reached more than 90%, which can accurately judge the segmentation quality of the segmentation map in the process of vehicle damage assessment.
  • the evaluation method for car image segmentation quality proposed in this embodiment only involves image analysis and logical judgment, so the test speed is relatively fast. Compared with the excessive memory usage and time consumption of the deep learning method, this solution takes less time. It basically does not affect the time loss of the overall vehicle damage assessment.
  • a device for evaluating the quality of car image segmentation is provided, and the device for evaluating the quality of car image segmentation corresponds to the method for evaluating the quality of car image segmentation in the above embodiments.
  • the evaluation device 100 of this car image segmentation quality also comprises car image acquisition module 11, segmentation module 12, main part image acquisition module 13, first judging module 14, second judging module 15, the 3rd judging module 16 and the fourth judging module 17.
  • the detailed description of each functional module is as follows:
  • the vehicle image acquisition module 11 is used to acquire images containing vehicles.
  • the segmentation module 12 is configured to segment the image to obtain the segmented vehicle image and the images of the components of the vehicle.
  • an image containing a vehicle can be segmented by using an existing segmentation model, such as the deeplabv3 model, to obtain a whole vehicle image of the segmented vehicle and images of each component of the vehicle.
  • an existing segmentation model such as the deeplabv3 model
  • the main component image acquiring module 13 is configured to acquire the component image with the largest area from the component images as the main component image.
  • the first judging module 14 is used for judging whether the first ratio of the area of the main component image to the area of the image containing the vehicle is smaller than a first preset value.
  • the first preset value is, for example, 2.5%.
  • the number of pixels included in the main part image can be used as the area of the main part image, and the total number of pixels included in the image of the vehicle can be used as the area of the image of the vehicle, which can simplify the area of the main part image and the area of the image containing the
  • the calculation process of the area of the image of the vehicle further improves the efficiency of evaluating the segmentation quality of the image of the vehicle.
  • the area of the main component image can also be obtained by calculating the actual area of the main component image, and similarly, the actual area of the vehicle image can also be used as the area of the vehicle image.
  • the second judging module 15 is configured to judge that the segmentation quality is poor when the first ratio is smaller than the first preset value.
  • the first preset value is 2.5%, it means that the first ratio of the area of the main component image to the area of the image containing the vehicle is less than 2.5%, and it is judged that the segmentation quality is poor.
  • the third judging module 16 is used for judging whether the second ratio of the area of the main component image to the area of the vehicle image is smaller than a second preset value when the first ratio is not smaller than the first preset value.
  • the second preset value is, for example, 10%.
  • the fourth judging module 17 is configured to judge that the segmentation quality is poor when the second ratio is smaller than the second preset value.
  • the second preset value is, for example, 10%
  • the ratio of the area of the non-background area to the area of the vehicle is less than 0.3, directly determine the segmentation of the image containing the vehicle low quality.
  • the vehicle image segmentation quality evaluation device 100 when the second ratio is not less than the second preset value, the vehicle image segmentation quality evaluation device 100 further includes:
  • a large outline component image acquisition module configured to acquire a component image with an area larger than a third preset value from each of the component images as a large outline component image
  • the fifth judging module is used for judging whether the number of the large-profile component images exceeds the fourth preset value, and if so, judging that the segmentation quality is poor.
  • a module for judging the number of outer contours of the main part image can also be added.
  • the number of outer contours of the main part image reflects the continuity of the segmentation mask. When the number of outer contours of the main part image is too large, It can be judged that the segmentation quality is poor. Further, when the number of outer contours of the main part image is greater than 11, it can be judged that the segmentation quality is poor.
  • the fourth preset value is, for example, 4, indicating that when the number of the large-profile component images exceeds 4, it is judged that the segmentation quality is poor.
  • the evaluation device 100 of the car image segmentation quality also includes:
  • the total number of outline acquisition module is used to acquire the total number of outlines of each part image when the number of the large outline part images does not exceed the fourth preset value;
  • the sixth judging module is used to judge whether the total number of contours exceeds the preset fifth preset value
  • a seventh judging module configured to judge that the segmentation quality is poor when the total number of contours exceeds the preset fifth preset value.
  • the fifth preset value is, for example, 8, indicating that when the total number of contours exceeds 8, it is judged that the segmentation quality is poor.
  • the evaluation device 100 for the image segmentation quality of the car is Also includes:
  • Outer contour points recognition module used to identify the outer contour points of the main part image when the total number of the contours does not exceed the preset fifth preset value
  • the eighth judging module is used to judge whether the points of the outer contour of the main part image are within a preset threshold range
  • the ninth judging module is used for judging that the segmentation quality is poor when the points of the outer contour of the main part image are not within the preset threshold range.
  • 650 can be selected as the cut-off point, that is, the preset threshold range is less than 650, which means that the segmentation mask whose maximum outer contour points of the main part image exceeds 650 is directly judged as poor segmentation quality.
  • the evaluation device 100 of the car image segmentation quality when the ratio of the area of the circumscribed rectangle of the main part image to the area of the image containing the vehicle is too small, it means that the main part of the vehicle is not well segmented, in order to evaluate Out of this situation, the evaluation device 100 of the car image segmentation quality also includes:
  • a circumscribing rectangle acquisition module configured to obtain the circumscribing rectangle of the main component image when the points of the outer contour of the main component image are within the preset threshold range;
  • the circumscribed rectangle area calculation module is used to calculate the area of the circumscribed rectangle
  • a third ratio calculation module configured to calculate a third ratio between the area of the circumscribed rectangle and the area of the image containing the vehicle
  • a tenth judging module configured to judge that the segmentation quality is poor when the third ratio is smaller than a preset sixth preset value.
  • the sixth preset value is, for example, 20%, indicating that when the third ratio of the area of the circumscribed rectangle to the area of the image containing the vehicle is less than 20%, it is judged that the segmentation quality is poor.
  • the evaluation device 100 of the car image segmentation quality also includes:
  • a hole number identification module configured to identify the number of internal contours of the main part image as the number of holes in the main part image when the third ratio is not less than the sixth preset value
  • the eleventh judging module is used to judge whether the number of holes is greater than the preset seventh preset value
  • a twelfth judging module configured to judge that the segmentation quality is poor when the number of holes is greater than a preset seventh preset value.
  • the seventh preset value is, for example, 8, which means that when the number of holes inside the main component image is greater than 8, it is judged that the segmentation quality is poor.
  • the evaluation device 100 of the car image segmentation quality also includes:
  • a calculation module for the total area of the holes used to calculate the total area of each hole when the number of the holes is not greater than the preset seventh preset value
  • the thirteenth judging module is used for judging that the segmentation quality is poor when the ratio of the total area of the holes to the area of the main part image is greater than a preset fourth ratio, otherwise, judging that the segmentation quality is good.
  • the fourth ratio is, for example, 3%, which means that when the ratio of the total area of the holes to the area of the main part image is greater than 3%, it is judged that the segmentation quality is poor.
  • some segmentation masks have front and rear or left and right parts at the same time, such as the right front leaf.
  • the board and the right rear fender appear in the same picture at the same time.
  • Such a split picture is obviously unreasonable, so we check whether this happens around the main part. If there are up and down or left and right parts around the main part at the same time. , we judge the image containing the vehicle as poor segmentation quality, otherwise the sample is good segmentation quality.
  • the car image segmentation quality evaluation device proposed in this embodiment is based on the logical judgment of the component area calculation and line outline of the segmentation map, and considers various special situations that appear in the real car image scene.
  • the accuracy rate of the algorithm has reached more than 90%, which can accurately judge the segmentation quality of the segmentation map in the process of vehicle damage assessment.
  • the evaluation method for car image segmentation quality proposed in this embodiment only involves image analysis and logical judgment, so the test speed is relatively fast. Compared with the excessive memory usage and time consumption of the deep learning method, this solution takes less time. Basically does not affect the time loss of the overall vehicle damage assessment.
  • Each module in the above-mentioned evaluation device for car image segmentation quality can be fully or partially realized by software, hardware and combinations thereof.
  • the above-mentioned modules can be embedded in or independent of the processor in the computer device in the form of hardware, and can also be stored in the memory of the computer device in the form of software, so that the processor can call and execute the corresponding operations of the above modules.
  • a computer device is provided.
  • the computer device may be a terminal, and its internal structure may be as shown in FIG. 5 .
  • the computer device includes a processor, a memory, a network interface, a display screen and an input device connected through a system bus.
  • the processor of the computer device is used to provide calculation and control capabilities.
  • the memory of the computer device includes a storage medium and an internal memory.
  • the storage medium includes a non-volatile storage medium and/or a volatile storage medium storing an operating system and computer readable instructions.
  • the internal memory provides an environment for the execution of the operating system and computer readable instructions in the storage medium.
  • the network interface of the computer device is used to communicate with the external server through the network connection.
  • a computer device including a memory, a processor, and computer-readable instructions stored in the memory and operable on the processor.
  • the steps of the image segmentation quality assessment method such as steps 101 to 107 shown in FIG. 2 and other extensions of the method and extensions of related steps.
  • the processor executes the computer-readable instructions, the functions of each module/unit of the vehicle image segmentation quality assessment device in the above embodiment are implemented, such as the functions of modules 11 to 17 shown in FIG. 4 .
  • the processor performs the following steps when executing the computer-readable instructions:
  • Segmenting the image to obtain a vehicle image of the segmented vehicle and images of each part of the vehicle;
  • the processor when the second ratio is not less than the second preset value, the processor further executes the following steps when executing the computer-readable instructions:
  • Described processor can be central processing unit (Central Processing Unit, CPU), can also be other general-purpose processors, digital signal processors (Digital Signal Processor, DSP), application specific integrated circuit (Application Specific Integrated Circuit, ASIC), off-the-shelf programmable gate array (Field-Programmable Gate Array, FPGA) or other programmable logic devices, discrete gate or transistor logic devices, discrete hardware components, etc.
  • the general-purpose processor can be a microprocessor or the processor can also be any conventional processor, etc., and the processor is the control center of the computer device, using various interfaces and lines to connect various parts of the entire computer device.
  • the memory can be used to store the computer-readable instructions and/or modules, and the processor runs or executes the computer-readable instructions and/or modules stored in the memory, and calls the data stored in the memory, Various functions of the computer device are realized.
  • the memory may mainly include a program storage area and a data storage area, wherein the program storage area may store an operating system, an application program required by at least one function (such as a sound playback function, an image playback function, etc.) and the like; the storage data area may store Data (such as audio data, video data, etc.) created according to the use of the mobile phone, etc.
  • the memory can be integrated in the processor, or can be set separately from the processor.
  • one or more readable storage media storing computer-readable instructions are provided, the computer-readable storage media may be non-volatile or volatile, and the computer-readable instructions When executed by one or more processors, the one or more processors are made to implement the steps of the method for evaluating the quality of car image segmentation in the above-mentioned embodiments, such as steps 101 to 107 shown in FIG. 2 and other aspects of the method. Extensions and extensions of related steps.
  • the computer-readable instructions are executed by the processor, the functions of each module/unit of the vehicle image segmentation quality assessment device in the above-mentioned embodiments are implemented, such as the functions of modules 11 to 17 shown in FIG. 4 .
  • the one or more processors are executed to perform the following steps:
  • Segmenting the image to obtain a vehicle image of the segmented vehicle and images of each part of the vehicle;
  • the one or more processors when executed by one or more processors, and when the second ratio is not less than the second preset value, the one or more processors further perform the following steps :
  • the one or more processors also perform the following steps:
  • the one or more processors also perform the following steps:
  • the one or more processors also perform the following steps:
  • the one or more processors also perform the following steps:
  • Nonvolatile memory can include read only memory (ROM), programmable ROM (PROM), electrically programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM), or flash memory.
  • Volatile memory can include random access memory (RAM) or external cache memory.
  • RAM random access memory
  • RAM is available in many forms such as Static RAM (SRAM), Dynamic RAM (DRAM), Synchronous DRAM (SDRAM), Double Data Rate SDRAM (DDRSDRAM), Enhanced SDRAM (ESDRAM), Synchronous Chain Synchlink DRAM (SLDRAM), memory bus (Rambus) direct RAM (RDRAM), direct memory bus dynamic RAM (DRDRAM), and memory bus dynamic RAM (RDRAM), etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种车图像分割质量的评估方法，应用于图像质量评估技术领域，用于解决通过目前的分割图像质量评估方法对车图像分割质量进行评估时，评估效率低、内存占用量大的技术问题。本申请提供的方法包括：获取包含有车辆的图像(S101)；对图像进行分割，得到分割好的车辆的整车图像和车辆的各部件图像(S102)；从各部件图像中获取面积最大的部件图像，作为主部件图像(S103)；判断主部件图像的面积与包含有车辆的图像的面积的第一比值是否小于第一预设值(S104)；若是，则判断分割质量差(S105)；当第一比值不小于第一预设值时，判断主部件图像的面积与整车图像的面积的第二比值是否小于第二预设值(S106)；当第二比值小于第二预设值时，判断分割质量差(S107)。

Description

车图像分割质量的评估方法、装置、设备及存储介质
本申请要求于2021年06月30日提交中国专利局、申请号为202110742565.7，发明名称为“车图像分割质量的评估方法、装置、设备及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及人工智能技术领域，尤其涉及一种车图像分割质量的评估方法、装置、设备及存储介质。
 背景技术
图像分割是图像分析和机器视觉中重要的一步，在车辆损伤自动理赔过程中，车图像分割质量的好坏影响着后续损伤的检测。车图像分割质量评估承担着分割结果质量的主要任务，对于获取符合人眼感知系统的优质分割结果以及优化分割算法性能具有积极的意义。
传统的图像分割质量评估主要是对分割结果质量的评估与度量，通过深度学习的网络模型来实现评估，评估的过程需要先对图像质量评估模型进行训练，再通过训练好的图像质量评估模型对待评估的分割的车图像进行评估，发明人意识到在车辆损伤自动理赔流程中，图像质量评估只需要对分割结果做出定性评价，即分割质量是好还是坏，现有的分割质量评估算法对在车定损场景中的车图像质量的评估耗时过长，且评估过程中对内存的占用量较大，使得车图像分割质量的评估效率低，拉长了车定损周期。
 技术问题
本申请实施例提供了一种车图像分割质量的评估方法、装置、计算机设备及存储介质，以解决通过目前的分割图像质量评估方法对车图像分割质量进行评估时，评估效率低、内存占用量大的技术问题。
 技术解决方案
一种车图像分割质量的评估方法，该方法包括：
获取包含有车辆的图像；
对该图像进行分割，得到分割好的车辆的整车图像和该车辆的各部件图像；
从各该部件图像中获取面积最大的部件图像，作为主部件图像；
判断该主部件图像的面积与包含有该车辆的图像的面积的第一比值是否小于第一预设值；
当该第一比值小于该第一预设值时，判断分割质量差；
当该第一比值不小于该第一预设值时，判断该主部件图像的面积与该整车图像的面积的第二比值是否小于第二预设值；
当该第二比值小于该第二预设值时，判断分割质量差。
一种车图像分割质量的评估装置，该装置包括：
车图像获取模块，用于获取包含有车辆的图像；
分割模块，用于对该图像进行分割，得到分割好的车辆的整车图像和该车辆的各部件图像；
主部件图像获取模块，用于从各该部件图像中获取面积最大的部件图像，作为主部件图像；
第一判断模块，用于判断该主部件图像的面积与包含有该车辆的图像的面积的第一比值是否小于第一预设值；
第二判断模块，用于当该第一比值小于该第一预设值时，判断分割质量差；
第三判断模块，用于当该第一比值不小于该第一预设值时，判断该主部件图像的面积与该整车图像的面积的第二比值是否小于第二预设值；
第四判断模块，用于当该第二比值小于该第二预设值时，判断分割质量差。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述车图像分割质量的评估方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述车图像分割质量的评估方法的步骤。
 有益效果
本申请提出的车图像分割质量的评估方法、装置、计算机设备及存储介质，对车图像分割质量的评估准确率达到了90%以上，可以较为准确地判断车辆定损流程中车分割图的分割质量。
 附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例中车图像分割质量的评估方法的一应用环境示意图；
图2是本申请一实施例中车图像分割质量的评估方法的一流程图；
图3是本申请另一实施例中车图像分割质量的评估方法的一流程图；
图4是本申请一实施例中车图像分割质量的评估装置的结构示意图；
图5是本申请一实施例中计算机设备的一示意图。
 本发明的实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请提供的车图像分割质量的评估方法，可应用在如图1所示的应用环境中，其中，该计算机设备可以通过网络与服务器进行通信。其中，该计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。该服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种车图像分割质量的评估方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤S101至S107。
S101、获取包含有车辆的图像。
可以理解的是，该图像包含有车辆，可以包含图像背景，也可以不包含图像背景。包含有车辆的图像表示需要进行车图像分割，且需要对分割质量进行评估的图像。
在其中一个实施例中，该图像中包含的车辆为需要进行定损的车辆。
S102、对该图像进行分割，得到分割好的车辆的整车图像和该车辆的各部件图像。
在其中一个实施例中，可以通过现有的分割模型，例如deeplabv3模型，将包含有车辆的图像进行分割，得到该分割好的车辆的整车图像和该车辆的各部件图像。
S103、从各该部件图像中获取面积最大的部件图像，作为主部件图像。
在其中一个实施例中，可以通过比较各部件图像中哪部分包含的像素点最多来判断哪个部件图像的面积最大，进而得到该主部件图像。
S104、判断该主部件图像的面积与包含有该车辆的图像的面积的第一比值是否小于第一预设值。
在其中一个实施例中，该第一预设值例如为2.5%。可以将该主部件图像所包含的像素点数作为该主部件图像的面积，将该车辆的图像包含的像素点数的总点数作为该车辆的图像的面积，可以简化主部件图像的面积和包含有该车辆的图像的面积的计算过程，进一步提高该车图像分割质量的评估效率。
在其他实施例中，也可以通过计算该主部件图像的实际面积得到该主部件图像的面积，同样地，也可以通过计算该车辆的图像的实际面积作为该车辆的图像的面积。
S105、当该第一比值小于该第一预设值时，判断分割质量差。
当该第一预设值为2.5%时，表示该主部件图像的面积与包含有该车辆的图像的面积的第一比值小于2.5%时，判断分割质量差。
S106、当该第一比值不小于该第一预设值时，判断该主部件图像的面积与该整车图像的面积的第二比值是否小于第二预设值。
在其中一个实施例中，该第二预设值例如10%。
S107、当该第二比值小于该第二预设值时，判断分割质量差。
当该第二预设值例如10%时，表示当该主部件图像的面积与该整车图像的面积的第二比值小于10%时，判断分割质量差。
在其他实施例中，还可以增加判断非背景面积与车的面积比值，根据车辆分割mask计算整车的面积，当非背景面积与车的面积比值小于0.3，直接判断包含有车辆的图像的分割质量差。
本实施例提出的车图像分割质量的评估方法首先对包含有车辆的图像进行分割，得到分割好的车辆的整车图像和该车辆的各部件图像，然后从各该部件图像中获取面积最大的部件图像，作为主部件图像，判断该主部件图像的面积与包含有该车辆的图像的面积的第一比值是否小于第一预设值，当该第一比值小于该第一预设值时，判断分割质量差，如果该第一比值不小于该第一预设值则判断该主部件图像的面积与该整车图像的面积的第二比值是否小于第二预设值，若该第二比值小于该第二预设值则判断分割质量差，整个判断过程仅涉及对分割图的部件面积计算和逻辑判断，评估速度较快，在我们收集的分割质量评估数据集中，可以较为准确地判断车辆定损流程中车分割图的分割质量。
图3是本申请另一实施例中车图像分割质量的评估方法的一流程图，如图3所示，该车图像分割质量的评估方法在包括上述步骤S101至S103的基础上，上述步骤S104即图3中的步骤S301进一步为：
S301、判断该主部件图像的面积与包含有该车辆的图像的面积的第一比值是否小于第一预设值，若是，则跳转至步骤S317，否则，执行步骤S302即图2中步骤S106；
S302、判断该主部件图像的面积与该整车图像的面积的第二比值是否小于第二预设值，若是，则跳转至步骤S317。
S317、判断分割质量差。
在其中一个实施例中，当该第二比值不小于该第二预设值时，该方法还包括：
从各该部件图像中获取面积大于第三预设值的部件图像，作为大轮廓部件图像；
判断该大轮廓部件图像的数量是否超过第四预设值，若是，则判断分割质量差。
在其中一个实施例中，该第三预设值例如为50dm2，表示将面积大于50 dm2的部件图像作为大轮廓部件图像。
结合图3，当该第二比值不小于该第二预设值时否则，执行步骤S303；
S303、从各该部件图像中获取面积大于第三预设值的部件图像，作为大轮廓部件图像，然后执行步骤S304；
S304、判断该大轮廓部件图像的数量是否超过第四预设值，若是，则跳转至步骤S317。
在其中一个实施例中，该第四预设值例如为4，表示当该大轮廓部件图像的数量超过4个时，则判断分割质量差。
在其中一个实施例中，当该大轮廓部件图像的数量不超过第四预设值时，该车图像分割质量的评估方法还包括：
判断分割质量好。
在其中一个实施例中，还可以增加判断主部件图像的外轮廓数量，主部件图像的外轮廓的数量反映了分割mask的连贯性，当主部件图像的外轮廓的数量过多时，可以判定为分割质量差。进一步地，当主部件图像的外轮廓的数量大于11个时，可以判断分割质量差。
在其中一个实施例中，该车图像分割质量的评估方法还包括：
当该大轮廓部件图像的数量不超过该第四预设值时，获取该各部件图像的轮廓总数量；
判断该轮廓总数量是否超过预设的第五预设值；
当该轮廓总数量超过预设的该第五预设值时，判断分割质量差。
结合图3可以看出，当步骤S304中判断出该大轮廓部件图像的数量不超过该第四预设值时执行步骤S305；
S305、获取该各部件图像的轮廓总数量，执行步骤S306；
S306、判断该轮廓总数量是否超过预设的第五预设值，若是，则跳转至步骤S317。
在其中一个实施例中，该第五预设值例如为8，表示该轮廓总数量超过8个时，判断分割质量差。
在其中一个实施例中，当该轮廓总数量不超过预设的第五预设值时，该车图像分割质量的评估方法还包括：
判断分割质量好。
进一步地，一般好的分割质量图的边缘光滑，勾勒轮廓所需的点数较少，为了针对这一情况完善该车图像分割质量的评估方法。在其中一个实施例中，该车图像分割质量的评估方法还包括：
当该轮廓总数量不超过预设的该第五预设值时，识别该主部件图像的外轮廓点数；
判断该主部件图像的外轮廓点数是否在预设的阈值范围之内；
当该主部件图像的外轮廓点数不在预设的该阈值范围之内时，判断分割质量差。
结合图3可以看出，当步骤S306中判断出该轮廓总数量不超过预设的该第五预设值时，执行步骤S307；
S307、识别该主部件图像的外轮廓点数，然后执行步骤S308；
S308、判断该主部件图像的外轮廓点数是否在预设的阈值范围之内，若否，则跳转至步骤S317。
为了找到区分分割质量好坏的最佳阈值，我们共收集了4698张样本，其中包括2868张分割质量好的样本和1830张分割质量差的样本，接着分别统计主部件图像的最大外轮廓的点数，计算得到分割质量好坏样本的主部件图像的最大外轮廓的点数的平均值分别为549和927，在其中一个实施例中，可以选用650作为分界点，即该预设的阈值范围为小于650，表示将主部件图像的最大外轮廓的点数超过650的分割mask直接判为分割质量差。
在其中一个实施例中，当该主部件图像的外轮廓点数在预设的阈值范围时，该车图像分割质量的评估方法还包括：
判断分割质量好。
在其中一个实施例中，当主部件图像的外接矩形的面积与包含有车辆的该图像的面积的比值过小时，表示车辆主体部件没有很好地被分割出来，为了评估出这一情况，该车图像分割质量的评估方法还包括：
当该主部件图像的外轮廓点数在预设的该阈值范围之内时，获取该主部件图像的外接矩形；
计算该外接矩形的面积；
计算该外接矩形的面积与包含有车辆的该图像的面积的第三比值；
当该第三比值小于预设的第六预设值时，判断分割质量差。
结合图3可以看出，当步骤S308中判断出该主部件图像的外轮廓点数在预设的阈值范围之内时，执行步骤S309；
S309、获取该主部件图像的外接矩形，然后执行步骤S310；
S310、计算该外接矩形的面积，然后计算该外接矩形的面积与包含有车辆的该图像的面积的第三比值，然后执行步骤S311；
S311、判断该第三比值是否小于预设的第六预设值，若是，则跳转至步骤S317。
在其中一个实施例中，该第六预设值例如20%，表示当该外接矩形的面积与包含有车辆的该图像的面积的第三比值小于20%时，判断分割质量差。
在其中一个实施例中，当该第三比值不小于预设的第六预设值时，该车图像分割质量的评估方法还包括：
判断分割质量好。
在其中与一个实施例中，该车图像分割质量的评估方法还包括：
当该第三比值不小于该第六预设值时，识别该主部件图像的内部轮廓的数量，作为该主部件图像中孔洞的数量；
判断该孔洞的数量是否大于预设的第七预设值；
当该孔洞的数量大于预设的第七预设值时，判断分割质量差。
结合图3可以看出，当步骤S311中判断出该第三比值不小于预设的第六预设值时，执行步骤S312；
S312、识别该主部件图像的内部轮廓的数量，作为该主部件图像中孔洞的数量，然后执行步骤S313；
S313、判断该孔洞的数量是否大于预设的第七预设值，若是，则跳转至步骤S317。
在其中一个实施例中，该第七预设值例如为8，表示该主部件图像的内部的孔洞的数量大于8个时，判断分割质量差。
在其中一个实施例中，当该孔洞的数量不大于预设的第七预设值时，该车图像分割质量的评估方法还包括：
判断分割质量好。
在其中一个实施例中，该车图像分割质量的评估方法还包括：
当该孔洞的数量不大于预设的第七预设值时，计算各该孔洞的总面积；
当该孔洞的总面积与该主部件图像的面积的比值大于预设的第四比值时，判断分割质量差，否则，判断分割质量好。
结合图3可以看出，当步骤S313中判断出该孔洞的数量不大于预设的第七预设值时，执行步骤S314；
S314、计算各该孔洞的总面积，然后执行步骤S315；
S315、判断该孔洞的总面积与该主部件图像的面积的比值是否大于预设的第四比值，若是，则跳转至步骤S317。
在其中一个实施例中，该第四比值例如为3%，表示当该孔洞的总面积与该主部件图像的面积的比值大于3%时，判断分割质量差。
在其中一个实施例中，当该孔洞的总面积与该主部件图像的面积的比值不大于预设的第四比值时，该车图像分割质量的评估方法还包括：
判断分割质量好。
作为可选地，还可以增加判断是否有上下或者左右部件同时出现的情况，在可视化车图像分割mask时，我们发现有部分分割mask中出现了前后或者左右部件同时出现时，例如右前叶子板和右后叶子板同时出现在一张图，这样的分割图明显是不合理，于是我们在主部件周围检查是否有这种情况发生，在判断这种情况时，我们可以忽略一些小部件，例如面积小于主部件面积的5%的部件，如果主部件周围有上下或者左右部件同时出现的情况出现，我们将该包含有车辆的图像判为分割质量差，否则该样本为分割质量好。
本实施例提出的车图像分割质量的评估方法基于对分割图的部件面积计算和线条轮廓的逻辑判断，并且考虑了现实车图像场景中出现的各种特殊情况，在我们收集的分割质量数据集中，该算法的准确率达到了90%以上，可以较为准确地判断车辆定损流程中分割图的分割质量。且本实施例提出的车图像分割质量的评估方法仅涉及图像分析和逻辑判断，因此测试速度较快，相比于深度学习方法的过大的内存占用和时间损耗，该方案耗时较少，基本不影响整体车辆定损的时间损耗。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在一实施例中，提供一种车图像分割质量的评估装置，该车图像分割质量的评估装置与上述实施例中车图像分割质量的评估方法一一对应。如图4所示，该车图像分割质量的评估装置100还包括车图像获取模块11、分割模块12、主部件图像获取模块13、第一判断模块14、第二判断模块15、第三判断模块16和第四判断模块17。各功能模块详细说明如下：
车图像获取模块11，用于获取包含有车辆的图像。
分割模块12，用于对该图像进行分割，得到分割好的车辆的整车图像和该车辆的各部件图像。
在其中一个实施例中，可以通过现有的分割模型，例如deeplabv3模型，将包含有车辆的图像进行分割，得到该分割好的车辆的整车图像和该车辆的各部件图像。
主部件图像获取模块13，用于从各该部件图像中获取面积最大的部件图像，作为主部件图像。
在其中一个实施例中，可以通过比较各部件图像中哪部分包含的像素点最多来判断哪个部件图像的面积最大，进而得到该主部件图像。
第一判断模块14，用于判断该主部件图像的面积与包含有该车辆的图像的面积的第一比值是否小于第一预设值。
在其中一个实施例中，该第一预设值例如为2.5%。可以将该主部件图像所包含的像素点数作为该主部件图像的面积，将该车辆的图像包含的像素点数的总点数作为该车辆的图像的面积，可以简化主部件图像的面积和包含有该车辆的图像的面积的计算过程，进一步提高该车图像分割质量的评估效率。
在其他实施例中，也可以通过计算该主部件图像的实际面积得到该主部件图像的面积，同样地，也可以通过计算该车辆的图像的实际面积作为该车辆的图像的面积。
第二判断模块15，用于当该第一比值小于该第一预设值时，判断分割质量差。
当该第一预设值为2.5%时，表示该主部件图像的面积与包含有该车辆的图像的面积的第一比值小于2.5%时，判断分割质量差。
第三判断模块16，用于当该第一比值不小于该第一预设值时，判断该主部件图像的面积与该整车图像的面积的第二比值是否小于第二预设值。在其中一个实施例中，该第二预设值例如10%。
第四判断模块17，用于当该第二比值小于该第二预设值时，判断分割质量差。
当该第二预设值例如10%时，表示当该主部件图像的面积与该整车图像的面积的第二比值小于10%时，判断分割质量差。
在其他实施例中，还可以增加判断非背景面积与车的面积比值，根据车辆分割mask计算整车的面积，当非背景面积与车的面积比值小于0.3，直接判断包含有车辆的图像的分割质量差。
在其中一个实施例中，当该第二比值不小于该第二预设值时，该车图像分割质量的评估装置100还包括：
大轮廓部件图像获取模块，用于从各该部件图像中获取面积大于第三预设值的部件图像，作为大轮廓部件图像；
第五判断模块，用于判断该大轮廓部件图像的数量是否超过第四预设值，若是，则判断分割质量差。
在其中一个实施例中，还可以增加用于判断主部件图像的外轮廓数量的模块，主部件图像的外轮廓的数量反映了分割mask的连贯性，当主部件图像的外轮廓的数量过多时，可以判定为分割质量差。进一步地，当主部件图像的外轮廓的数量大于11个时，可以判断分割质量差。
在其中一个实施例中，该第四预设值例如为4，表示当该大轮廓部件图像的数量超过4个时，则判断分割质量差。
在其中一个实施例中，该车图像分割质量的评估装置100还包括：
轮廓总数量获取模块，用于当该大轮廓部件图像的数量不超过该第四预设值时，获取该各部件图像的轮廓总数量；
第六判断模块，用于判断该轮廓总数量是否超过预设的第五预设值；
第七判断模块，用于当该轮廓总数量超过预设的该第五预设值时，判断分割质量差。
在其中一个实施例中，该第五预设值例如为8，表示该轮廓总数量超过8个时，判断分割质量差。
一般好的分割质量图的边缘光滑，勾勒轮廓所需的点数较少，为了针对这一情况完善该车图像分割质量的评估装置，在其中一个实施例中，该车图像分割质量的评估装置100还包括：
外轮廓点数识别模块，用于当该轮廓总数量不超过预设的该第五预设值时，识别该主部件图像的外轮廓点数；
第八判断模块，用于判断该主部件图像的外轮廓点数是否在预设的阈值范围之内；
第九判断模块，用于当该主部件图像的外轮廓点数不在预设的该阈值范围之内时，判断分割质量差。
为了找到区分分割质量好坏的最佳阈值，我们共收集了4698张样本，其中包括2868张分割质量好的样本和1830张分割质量差的样本，接着分别统计主部件图像的最大外轮廓的点数，计算得到分割质量好坏样本的主部件图像的最大外轮廓的点数的平均值分别为549和927，在其中一个实施例中，可以选用650作为分界点，即该预设的阈值范围为小于650，表示将主部件图像的最大外轮廓的点数超过650的分割mask直接判为分割质量差。
在其中一个实施例中，在其中一个实施例中，当主部件图像的外接矩形的面积与包含有车辆的该图像的面积的比值过小时，表示车辆主体部件没有很好地被分割出来，为了评估出这一情况，该车图像分割质量的评估装置100还包括：
外接矩形获取模块，用于当该主部件图像的外轮廓点数在预设的该阈值范围之内时，获取该主部件图像的外接矩形；
外接矩形面积计算模块，用于计算该外接矩形的面积；
第三比值计算模块，用于计算该外接矩形的面积与包含有车辆的该图像的面积的第三比值；
第十判断模块，用于当该第三比值小于预设的第六预设值时，判断分割质量差。
在其中一个实施例中，该第六预设值例如20%，表示当该外接矩形的面积与包含有车辆的该图像的面积的第三比值小于20%时，判断分割质量差。
在其中一个实施例中，该车图像分割质量的评估装置100还包括：
孔洞数量识别模块，用于当该第三比值不小于该第六预设值时，识别该主部件图像的内部轮廓的数量，作为该主部件图像中孔洞的数量；
第十一判断模块，用于判断该孔洞的数量是否大于预设的第七预设值；
第十二判断模块，用于当该孔洞的数量大于预设的第七预设值时，判断分割质量差。
在其中一个实施例中，该第七预设值例如为8，表示该主部件图像的内部的孔洞的数量大于8个时，判断分割质量差。
在其中一个实施例中，该车图像分割质量的评估装置100还包括：
孔洞总面积计算模块，用于当该孔洞的数量不大于预设的第七预设值时，计算各该孔洞的总面积；
第十三判断模块，用于当该孔洞的总面积与该主部件图像的面积的比值大于预设的第四比值时，判断分割质量差，否则，判断分割质量好。
在其中一个实施例中，该第四比值例如为3%，表示当该孔洞的总面积与该主部件图像的面积的比值大于3%时，判断分割质量差。
作为可选地，还可以增加用于判断是否有上下或者左右部件同时出现的模块，在可视化车图像分割mask时，我们发现有部分分割mask中出现了前后或者左右部件同时出现时，例如右前叶子板和右后叶子板同时出现在一张图，这样的分割图明显是不合理，于是我们在主部件周围检查是否有这种情况发生，如果主部件周围有上下或者左右部件同时出现的情况出现，我们将该包含有车辆的图像判为分割质量差，否则该样本为分割质量好。
本实施例提出的车图像分割质量的评估装置基于对分割图的部件面积计算和线条轮廓的逻辑判断，并且考虑了现实车图像场景中出现的各种特殊情况，在我们收集的分割质量数据集中，该算法的准确率达到了90%以上，可以较为准确地判断车辆定损流程中分割图的分割质量。且本实施例提出的车图像分割质量的评估方法仅涉及图像分析和逻辑判断，因此测试速度较快，相比于深度学习方法的过大的内存占用和时间损耗，该方案耗时较少，基本不影响整体车辆定损的时间损耗。
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。
关于车图像分割质量的评估装置的具体限定可以参见上文中对于车图像分割质量的评估方法的限定，在此不再赘述。上述车图像分割质量的评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括存储介质、内存储器。该存储介质包括非易失性存储介质和/或易失性的存储介质，该存储介质存储有操作系统和计算机可读指令。该内存储器为存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机可读指令被处理器执行时以实现一种车图像分割质量的评估方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，处理器执行计算机可读指令时实现上述实施例中车图像分割质量的评估方法的步骤，例如图2所示的步骤101至步骤107及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机可读指令时实现上述实施例中车图像分割质量的评估装置的各模块/单元的功能，例如图4所示模块11至模块17的功能。具体地，该处理器执行所述计算机可读指令时执行以下步骤：
获取包含有车辆的图像；
对所述图像进行分割，得到分割好的车辆的整车图像和所述车辆的各部件图像；
从各所述部件图像中获取面积最大的部件图像，作为主部件图像；
判断所述主部件图像的面积与包含有所述车辆的图像的面积的第一比值是否小于第一预设值；
当所述第一比值小于所述第一预设值时，判断分割质量差；
当所述第一比值不小于所述第一预设值时，判断所述主部件图像的面积与所述整车图像的面积的第二比值是否小于第二预设值；
当所述第二比值小于所述第二预设值时，判断分割质量差。
在其中一个实施例中，当所述第二比值不小于所述第二预设值时，所述处理器执行所述计算机可读指令时还执行以下步骤：
从各所述部件图像中获取面积大于第三预设值的部件图像，作为大轮廓部件图像；
判断所述大轮廓部件图像的数量是否超过第四预设值，若是，则判断分割质量差。
在其中一个实施例中，所述处理器执行所述计算机可读指令时还执行以下步骤：
当所述大轮廓部件图像的数量不超过所述第四预设值时，获取所述各部件图像的轮廓总数量；
判断所述轮廓总数量是否超过预设的第五预设值；
当所述轮廓总数量超过预设的所述第五预设值时，判断分割质量差。
在其中一个实施例中，所述处理器执行所述计算机可读指令时还执行以下步骤：
当所述轮廓总数量不超过预设的所述第五预设值时，识别所述主部件图像的外轮廓点数；
判断所述主部件图像的外轮廓点数是否在预设的阈值范围之内；
当所述主部件图像的外轮廓点数不在预设的所述阈值范围之内时，判断分割质量差。
在其中一个实施例中，所述处理器执行所述计算机可读指令时还执行以下步骤：
当所述主部件图像的外轮廓点数在预设的所述阈值范围之内时，获取所述主部件图像的外接矩形；
计算所述外接矩形的面积；
计算所述外接矩形的面积与包含有车辆的所述图像的面积的第三比值；
当所述第三比值小于预设的第六预设值时，判断分割质量差。
在其中一个实施例中，所述处理器执行所述计算机可读指令时还执行以下步骤：
当所述第三比值不小于所述第六预设值时，识别所述主部件图像的内部轮廓的数量，作为所述主部件图像中孔洞的数量；
判断所述孔洞的数量是否大于预设的第七预设值；
当所述孔洞的数量大于预设的第七预设值时，判断分割质量差。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机可读指令和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机可读指令和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、视频数据等）等。
所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
在一个实施例中，提供了一个或多个存储有计算机可读指令的可读存储介质，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，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器实现上述实施例中车图像分割质量的评估方法的步骤，例如图2所示的步骤101至步骤107及该方法的其它扩展和相关步骤的延伸。或者，计算机可读指令被处理器执行时实现上述实施例中车图像分割质量的评估装置的各模块/单元的功能，例如图4所示模块11至模块17的功能。具体地，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如下步骤：
获取包含有车辆的图像；
对所述图像进行分割，得到分割好的车辆的整车图像和所述车辆的各部件图像；
从各所述部件图像中获取面积最大的部件图像，作为主部件图像；
判断所述主部件图像的面积与包含有所述车辆的图像的面积的第一比值是否小于第一预设值；
当所述第一比值小于所述第一预设值时，判断分割质量差；
当所述第一比值不小于所述第一预设值时，判断所述主部件图像的面积与所述整车图像的面积的第二比值是否小于第二预设值；
当所述第二比值小于所述第二预设值时，判断分割质量差。
进一步地，所述计算机可读指令被一个或多个处理器执行时，且当所述第二比值不小于所述第二预设值时，使得所述一个或多个处理器还执行如下步骤：
从各所述部件图像中获取面积大于第三预设值的部件图像，作为大轮廓部件图像；
判断所述大轮廓部件图像的数量是否超过第四预设值，若是，则判断分割质量差。
进一步地，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器还执行如下步骤：
当所述大轮廓部件图像的数量不超过所述第四预设值时，获取所述各部件图像的轮廓总数量；
判断所述轮廓总数量是否超过预设的第五预设值；
当所述轮廓总数量超过预设的所述第五预设值时，判断分割质量差。
进一步地，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器还执行如下步骤：
当所述轮廓总数量不超过预设的所述第五预设值时，识别所述主部件图像的外轮廓点数；
判断所述主部件图像的外轮廓点数是否在预设的阈值范围之内；
当所述主部件图像的外轮廓点数不在预设的所述阈值范围之内时，判断分割质量差。
进一步地，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器还执行如下步骤：
当所述主部件图像的外轮廓点数在预设的所述阈值范围之内时，获取所述主部件图像的外接矩形；
计算所述外接矩形的面积；
计算所述外接矩形的面积与包含有车辆的所述图像的面积的第三比值；
当所述第三比值小于预设的第六预设值时，判断分割质量差。
进一步地，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器还执行如下步骤：
当所述第三比值不小于所述第六预设值时，识别所述主部件图像的内部轮廓的数量，作为所述主部件图像中孔洞的数量；
判断所述孔洞的数量是否大于预设的第七预设值；
当所述孔洞的数量大于预设的第七预设值时，判断分割质量差。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性和/或易失性的计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (20)

1. 一种车图像分割质量的评估方法，其中，所述方法包括：
获取包含有车辆的图像；
对所述图像进行分割，得到分割好的车辆的整车图像和所述车辆的各部件图像；
从各所述部件图像中获取面积最大的部件图像，作为主部件图像；
判断所述主部件图像的面积与包含有所述车辆的图像的面积的第一比值是否小于第一预设值；
当所述第一比值小于所述第一预设值时，判断分割质量差；
当所述第一比值不小于所述第一预设值时，判断所述主部件图像的面积与所述整车图像的面积的第二比值是否小于第二预设值；
当所述第二比值小于所述第二预设值时，判断分割质量差。
2. 根据权利要求1所述的车图像分割质量的评估方法，其中，当所述第二比值不小于所述第二预设值时，所述方法还包括：
从各所述部件图像中获取面积大于第三预设值的部件图像，作为大轮廓部件图像；
判断所述大轮廓部件图像的数量是否超过第四预设值，若是，则判断分割质量差。
3. 根据权利要求2所述的车图像分割质量的评估方法，其中，所述方法还包括：
当所述大轮廓部件图像的数量不超过所述第四预设值时，获取所述各部件图像的轮廓总数量；
判断所述轮廓总数量是否超过预设的第五预设值；
当所述轮廓总数量超过预设的所述第五预设值时，判断分割质量差。
4. 根据权利要求3所述的车图像分割质量的评估方法，其中，所述方法还包括：
当所述轮廓总数量不超过预设的所述第五预设值时，识别所述主部件图像的外轮廓点数；
判断所述主部件图像的外轮廓点数是否在预设的阈值范围之内；
当所述主部件图像的外轮廓点数不在预设的所述阈值范围之内时，判断分割质量差。
5. 根据权利要求4所述的车图像分割质量的评估方法，其中，所述方法还包括：
当所述主部件图像的外轮廓点数在预设的所述阈值范围之内时，获取所述主部件图像的外接矩形；
计算所述外接矩形的面积；
计算所述外接矩形的面积与包含有车辆的所述图像的面积的第三比值；
当所述第三比值小于预设的第六预设值时，判断分割质量差。
6. 根据权利要求5所述的车图像分割质量的评估方法，其中，所述方法还包括：
当所述第三比值不小于所述第六预设值时，识别所述主部件图像的内部轮廓的数量，作为所述主部件图像中孔洞的数量；
判断所述孔洞的数量是否大于预设的第七预设值；
当所述孔洞的数量大于预设的第七预设值时，判断分割质量差。
7. 根据权利要求6所述的车图像分割质量的评估方法，其中，所述方法还包括：
当所述孔洞的数量不大于预设的第七预设值时，计算各所述孔洞的总面积；
当所述孔洞的总面积与所述主部件图像的面积的比值大于预设的第四比值时，判断分割质量差，否则，判断分割质量好。
8. 一种车图像分割质量的评估装置，其中，所述装置包括：
车图像获取模块，用于获取包含有车辆的图像；
分割模块，用于对所述图像进行分割，得到分割好的车辆的整车图像和所述车辆的各部件图像；
主部件图像获取模块，用于从各所述部件图像中获取面积最大的部件图像，作为主部件图像；
第一判断模块，用于判断所述主部件图像的面积与包含有所述车辆的图像的面积的第一比值是否小于第一预设值；
第二判断模块，用于当所述第一比值小于所述第一预设值时，判断分割质量差；
第三判断模块，用于当所述第一比值不小于所述第一预设值时，判断所述主部件图像的面积与所述整车图像的面积的第二比值是否小于第二预设值；
第四判断模块，用于当所述第二比值小于所述第二预设值时，判断分割质量差。
9. 一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其中，所述处理器执行所述计算机可读指令时执行以下步骤：
获取包含有车辆的图像；
对所述图像进行分割，得到分割好的车辆的整车图像和所述车辆的各部件图像；
从各所述部件图像中获取面积最大的部件图像，作为主部件图像；
判断所述主部件图像的面积与包含有所述车辆的图像的面积的第一比值是否小于第一预设值；
当所述第一比值小于所述第一预设值时，判断分割质量差；
当所述第一比值不小于所述第一预设值时，判断所述主部件图像的面积与所述整车图像的面积的第二比值是否小于第二预设值；
当所述第二比值小于所述第二预设值时，判断分割质量差。
10. 根据权利要求9所述的计算机设备，其中，当所述第二比值不小于所述第二预设值时，所述处理器执行所述计算机可读指令时还执行以下步骤：
从各所述部件图像中获取面积大于第三预设值的部件图像，作为大轮廓部件图像；
判断所述大轮廓部件图像的数量是否超过第四预设值，若是，则判断分割质量差。
11. 根据权利要求10所述的计算机设备，其中，所述处理器执行所述计算机可读指令时还执行以下步骤：
当所述大轮廓部件图像的数量不超过所述第四预设值时，获取所述各部件图像的轮廓总数量；
判断所述轮廓总数量是否超过预设的第五预设值；
当所述轮廓总数量超过预设的所述第五预设值时，判断分割质量差。
12. 根据权利要求11所述的计算机设备，其中，所述处理器执行所述计算机可读指令时还执行以下步骤：
当所述轮廓总数量不超过预设的所述第五预设值时，识别所述主部件图像的外轮廓点数；
判断所述主部件图像的外轮廓点数是否在预设的阈值范围之内；
当所述主部件图像的外轮廓点数不在预设的所述阈值范围之内时，判断分割质量差。
13. 根据权利要求12所述的计算机设备，其中，所述处理器执行所述计算机可读指令时还执行以下步骤：
当所述主部件图像的外轮廓点数在预设的所述阈值范围之内时，获取所述主部件图像的外接矩形；
计算所述外接矩形的面积；
计算所述外接矩形的面积与包含有车辆的所述图像的面积的第三比值；
当所述第三比值小于预设的第六预设值时，判断分割质量差。
14. 根据权利要求13所述的计算机设备，其中，所述处理器执行所述计算机可读指令时还执行以下步骤：
当所述第三比值不小于所述第六预设值时，识别所述主部件图像的内部轮廓的数量，作为所述主部件图像中孔洞的数量；
判断所述孔洞的数量是否大于预设的第七预设值；
当所述孔洞的数量大于预设的第七预设值时，判断分割质量差。
15. 一个或多个存储有计算机可读指令的可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如下步骤：
获取包含有车辆的图像；
对所述图像进行分割，得到分割好的车辆的整车图像和所述车辆的各部件图像；
从各所述部件图像中获取面积最大的部件图像，作为主部件图像；
判断所述主部件图像的面积与包含有所述车辆的图像的面积的第一比值是否小于第一预设值；
当所述第一比值小于所述第一预设值时，判断分割质量差；
当所述第一比值不小于所述第一预设值时，判断所述主部件图像的面积与所述整车图像的面积的第二比值是否小于第二预设值；
当所述第二比值小于所述第二预设值时，判断分割质量差。
16. 根据权利要求15所述的可读存储介质，其中，所述计算机可读指令被一个或多个处理器执行时，且当所述第二比值不小于所述第二预设值时，使得所述一个或多个处理器还执行如下步骤：
从各所述部件图像中获取面积大于第三预设值的部件图像，作为大轮廓部件图像；
判断所述大轮廓部件图像的数量是否超过第四预设值，若是，则判断分割质量差。
17. 根据权利要求16所述的可读存储介质，其中，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器还执行如下步骤：
当所述大轮廓部件图像的数量不超过所述第四预设值时，获取所述各部件图像的轮廓总数量；
判断所述轮廓总数量是否超过预设的第五预设值；
当所述轮廓总数量超过预设的所述第五预设值时，判断分割质量差。
18. 根据权利要求17所述的可读存储介质，其中，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器还执行如下步骤：
当所述轮廓总数量不超过预设的所述第五预设值时，识别所述主部件图像的外轮廓点数；
判断所述主部件图像的外轮廓点数是否在预设的阈值范围之内；
当所述主部件图像的外轮廓点数不在预设的所述阈值范围之内时，判断分割质量差。
19. 根据权利要求18所述的可读存储介质，其中，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器还执行如下步骤：
当所述主部件图像的外轮廓点数在预设的所述阈值范围之内时，获取所述主部件图像的外接矩形；
计算所述外接矩形的面积；
计算所述外接矩形的面积与包含有车辆的所述图像的面积的第三比值；
当所述第三比值小于预设的第六预设值时，判断分割质量差。
20. 根据权利要求19所述的可读存储介质，其中，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器还执行如下步骤：
当所述第三比值不小于所述第六预设值时，识别所述主部件图像的内部轮廓的数量，作为所述主部件图像中孔洞的数量；
判断所述孔洞的数量是否大于预设的第七预设值；
当所述孔洞的数量大于预设的第七预设值时，判断分割质量差。
PCT/CN2022/071256 2021-06-30 2022-01-11 车图像分割质量的评估方法、装置、设备及存储介质 WO2023273296A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110742565.7 2021-06-30
CN202110742565.7A CN113436175B (zh) 2021-06-30 2021-06-30 车图像分割质量的评估方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
WO2023273296A1 true WO2023273296A1 (zh) 2023-01-05

Family

ID=77758388

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/071256 WO2023273296A1 (zh) 2021-06-30 2022-01-11 车图像分割质量的评估方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN113436175B (zh)
WO (1) WO2023273296A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436175B (zh) * 2021-06-30 2023-08-18 平安科技（深圳）有限公司 车图像分割质量的评估方法、装置、设备及存储介质
CN114358144B (zh) * 2021-12-16 2023-09-26 西南交通大学 一种图像分割质量评估方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446618A (zh) * 2018-03-09 2018-08-24 平安科技（深圳）有限公司 车辆定损方法、装置、电子设备及存储介质
CN109784171A (zh) * 2018-12-14 2019-05-21 平安科技（深圳）有限公司 车辆定损图像筛选方法、装置、可读存储介质及服务器
US20200058075A1 (en) * 2017-04-28 2020-02-20 Alibaba Group Holding Limited Method and apparatus for obtaining vehicle loss assessment image, server and terminal device
CN111666995A (zh) * 2020-05-29 2020-09-15 平安科技（深圳）有限公司 基于深度学习模型的车辆定损方法、装置、设备及介质
CN111753843A (zh) * 2020-06-28 2020-10-09 平安科技（深圳）有限公司 基于深度学习的分割效果评估方法、装置、设备及介质
CN112381840A (zh) * 2020-11-27 2021-02-19 深源恒际科技有限公司 一种用于定损视频中车辆外观部件标注的方法及系统
CN112418789A (zh) * 2020-11-18 2021-02-26 德联易控科技(北京)有限公司 理赔评估处理方法及装置、非易失性存储介质、电子设备
CN113436175A (zh) * 2021-06-30 2021-09-24 平安科技（深圳）有限公司 车图像分割质量的评估方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015008652A1 (ja) * 2013-07-17 2015-01-22 ソニー株式会社 画像処理装置および方法
CN107958458B (zh) * 2016-10-17 2021-01-22 京东方科技集团股份有限公司 图像分割方法、图像分割系统及包括其的设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200058075A1 (en) * 2017-04-28 2020-02-20 Alibaba Group Holding Limited Method and apparatus for obtaining vehicle loss assessment image, server and terminal device
CN108446618A (zh) * 2018-03-09 2018-08-24 平安科技（深圳）有限公司 车辆定损方法、装置、电子设备及存储介质
CN109784171A (zh) * 2018-12-14 2019-05-21 平安科技（深圳）有限公司 车辆定损图像筛选方法、装置、可读存储介质及服务器
CN111666995A (zh) * 2020-05-29 2020-09-15 平安科技（深圳）有限公司 基于深度学习模型的车辆定损方法、装置、设备及介质
CN111753843A (zh) * 2020-06-28 2020-10-09 平安科技（深圳）有限公司 基于深度学习的分割效果评估方法、装置、设备及介质
CN112418789A (zh) * 2020-11-18 2021-02-26 德联易控科技(北京)有限公司 理赔评估处理方法及装置、非易失性存储介质、电子设备
CN112381840A (zh) * 2020-11-27 2021-02-19 深源恒际科技有限公司 一种用于定损视频中车辆外观部件标注的方法及系统
CN113436175A (zh) * 2021-06-30 2021-09-24 平安科技（深圳）有限公司 车图像分割质量的评估方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113436175A (zh) 2021-09-24
CN113436175B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
WO2021057848A1 (zh) 网络的训练方法、图像处理方法、网络、终端设备及介质
CN110705583B (zh) 细胞检测模型训练方法、装置、计算机设备及存储介质
WO2023273296A1 (zh) 车图像分割质量的评估方法、装置、设备及存储介质
CN111612763A (zh) 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质
JP2022537781A (ja) 画像認識方法、認識モデルの訓練方法及び関連装置、機器
US11354797B2 (en) Method, device, and system for testing an image
CN111461170A (zh) 车辆图像检测方法、装置、计算机设备及存储介质
CN107633237B (zh) 图像背景分割方法、装置、设备及介质
CN109840883B (zh) 一种训练物体识别神经网络的方法、装置及计算设备
CN114764768A (zh) 缺陷检测分类方法、装置、电子设备及存储介质
CN110599453A (zh) 一种基于图像融合的面板缺陷检测方法、装置及设备终端
CN111127358B (zh) 图像处理方法、装置及存储介质
CN110889437A (zh) 一种图像处理方法、装置、电子设备及存储介质
CN114298985B (zh) 缺陷检测方法、装置、设备及存储介质
CN111860253A (zh) 一种驾驶场景的多任务属性识别方法、装置、介质及设备
CN111915541A (zh) 基于人工智能的图像增强处理方法、装置、设备及介质
CN111325728A (zh) 产品缺陷检测方法、装置、设备及存储介质
CN113450329B (zh) 一种微循环图像血管分支红细胞流速计算方法及系统
CN110969640A (zh) 视频图像的分割方法、终端设备以及计算机可读存储介质
CN112784494A (zh) 假阳性识别模型的训练方法、目标识别方法及装置
WO2023169318A1 (zh) 图像质量确定方法、装置、设备和存储介质
CN111163332A (zh) 视频色情度检测方法、终端及介质
CN111950469A (zh) 一种道路标识检测方法、系统、设备和介质
CN115546105A (zh) 一种轮胎花纹检测方法、装置、可读存储介质及终端设备
CN113573137B (zh) 视频画布边界检测方法、系统、终端设备及存储介质

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: 22831132

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE