[發明專利]基于深度神經網絡的汽車損傷檢測方法和系統

有效

• 申請號: 201810653240.X
• 申請日: 2018-06-22
• 公開（公告）號: CN108985343B
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 黃賢俊
• 申請（專利權）人: 深源恒際科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 北京匯信合知識產權代理有限公司 11335
• 代理人: 夏靜潔

本發明公開了一種基于深度神經網絡的汽車損傷檢測方法和系統，其中，汽車損傷檢測方法包括：獲取特定角度的汽車損傷檢測照片；對汽車損傷檢測照片進行外觀部件分割，并確定每一外觀部件的位置和類型；利用深度卷積神經網絡對每一外觀部件進行損傷檢測；對所有外觀部件的損傷檢測結果進行融合評估，并輸出汽車的損傷部件及置信度。通過本發明的技術方案，能獲取極高的準確率和召回率，使用便捷簡單，對前端設備無特殊要求，提高了推廣性和汽車損傷檢測的效率。

技術領域

本發明涉及車輛技術領域，尤其涉及一種基于深度神經網絡的汽車損傷檢測方法和一種基于深度神經網絡的汽車損傷檢測系統。

背景技術

汽車外觀損傷查勘，在汽車業務中比較常見，例如汽車保險承保，分時租賃以及汽車日租的取車還車環節，都需要確認汽車外觀是否有損傷。目前普遍采用的方法有兩種，一種是工作人員現場查勘并填寫報告，另一種是用戶拍攝照片(視頻)，提交到服務器上進行處理。

現有的系統存在以下問題：

1.用戶拍照提交服務器人工審核的方式存在延時大，成本高，用戶體驗差的問題，無法大規模擴展使用。

2.定損技術拍攝要求高，并且需要針對每個部位拍攝多組照片，主要應用于保險理賠的場景，無法應用到驗車、租賃業務。

2012年以來，深度學習在圖片識別領域取得非常大的進步。相比傳統的圖片識別方法使用的色彩、HOG等低級視覺特征；深度神經網絡能學得更多高級的、抽象的特征，這使得深度神經網絡的性能遠遠超越傳統方法。2014年以來，深度學習開始在物體檢測，物體分割等領域取得優秀成果，涌現出Deeplab，YOLO，Faster RCNN，等一序列方法，識別準確率在特定任務上已經超越了人類識別的水平，并在生成環境中得到大規模使用。深度學習在汽車外觀損傷檢測領域進行的工作比較少，2016年左右開始有人嘗試。但是受限于數據獲取的難度，這個領域一直進展比較慢，目前也還沒有一個可以落地使用的系統或方法。

現有技術中有一種基于圖像的車輛定損方法，該方法是使用保險理賠車輛圖片作為訓練識別數據，數據適應場景苛刻；只能用于為出險車輛進行外觀定損，確定損傷程度，無法推廣到以無損傷車輛為主的承保，租賃使用場景。還有一種汽車零部件分級定損方法，屬于汽車定損領域，用于解決現有技術中，提取特征信息不完善，造成的提取信息無法真實反映汽車損傷程度的問題，同樣只適用于確認損傷程度和采集信息，無法推廣到以無損傷車輛為主的承保，租賃使用場景。

發明內容

針對上述問題中的至少之一，本發明提供了一種基于深度神經網絡的汽車損傷檢測方法和一種基于深度神經網絡的汽車損傷檢測系統，基于深度神經網絡對汽車損傷檢測照片中的外觀部件進行損傷檢測，并將所有外觀部件的損傷檢測結構進行融合評估，確定汽車的損傷情況。這種基于深度神經網絡的方法，能獲取極高的準確率和召回率，且每輛車只需采集4或6張特定角度的照片，使用便捷簡單，對前端設備無特殊要求，可直接使用主流智能手機，方便C端推廣。

為實現上述目的，本發明提供了一種基于深度神經網絡的汽車損傷檢測方法，包括：獲取特定角度的汽車損傷檢測照片；對所述汽車損傷檢測照片進行外觀部件分割，并確定每一外觀部件的位置和類型；利用深度卷積神經網絡對每一所述外觀部件進行損傷檢測；對所有所述外觀部件的損傷檢測結果進行融合評估，并輸出所述汽車的損傷部件及置信度。

在上述技術方案中，優選地，所述汽車損傷檢測照片為四角照片或六角照片，所述四角照片為相對所述汽車的左前、左后、右前和右后四個角度的照片；所述六角照片為相對于所述汽車的左前、左后、右前和右后四個角度以及前、后、左、右四個角度中的任意兩個角度的照片。

在上述技術方案中，優選地，所述對所述汽車損傷檢測照片進行外觀部件分割，并確定每一外觀部件的位置和類型具體為：利用分割算法對所述汽車損傷檢測照片進行外觀部件分割，并確定分割后的所述外觀部件在所述汽車中的位置和所述外觀部件的類型。