[發(fā)明專利]基于神經(jīng)網(wǎng)絡(luò)的車輛損傷級別的確定方法及終端設(shè)備

在審

• 申請?zhí)枺?/td>: 201811086124.0
• 申請日: 2018-09-18
• 公開（公告）號: CN109359542A
• 公開（公告）日: 2019-02-19
• 發(fā)明（設(shè)計(jì)）人: 馬進(jìn);王健宗;肖京
• 申請（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 深圳中一專利商標(biāo)事務(wù)所 44237
• 代理人: 官建紅

1.一種基于神經(jīng)網(wǎng)絡(luò)的車輛損傷級別的確定方法，其特征在于，包括：

獲取車輛損傷圖像，并根據(jù)所述車輛損傷圖像中各個像素點(diǎn)的位置坐標(biāo)與RGB值的對應(yīng)關(guān)系，生成所述車輛損傷圖像對應(yīng)的損傷數(shù)據(jù)矩陣；

將所述損傷數(shù)據(jù)矩陣導(dǎo)入預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)，得到所述車輛損傷圖像的特征矩陣；

將所述特征矩陣導(dǎo)入預(yù)設(shè)的softmax分類器中，計(jì)算所述特征矩陣對應(yīng)的概率矩陣，所述概率矩陣中的每個元素的值代表所述車輛損傷圖像屬于該元素對應(yīng)的損傷級別的概率；

將所述概率矩陣中值最大的元素對應(yīng)的損失級別，輸出為所述車輛損傷圖像對應(yīng)的損傷級別。

2.如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的車輛損傷級別的確定方法，其特征在于，所述預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)包括第一預(yù)設(shè)數(shù)量個3×3的卷積層，每個卷積層根據(jù)其在所述卷積神經(jīng)網(wǎng)絡(luò)由前至后的順序?qū)?yīng)一個卷積層編號；

所述將所述損傷數(shù)據(jù)矩陣導(dǎo)入預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)，得到所述車輛損傷圖像的特征矩陣，包括：

將所述損傷數(shù)據(jù)矩陣導(dǎo)入預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)，并從所述卷積層編號最大的卷積層開始，每間隔第二預(yù)設(shè)數(shù)量的卷積層編號，提取一個卷積層輸出的數(shù)據(jù)，作為被選數(shù)據(jù)；

將第三預(yù)設(shè)數(shù)量的被選數(shù)據(jù)進(jìn)行全局平均池化，生成所述第三預(yù)設(shè)數(shù)量的池化向量；

對所述第三預(yù)設(shè)數(shù)量的池化向量進(jìn)行拼接，生成總池化向量；

將所述總池化向量輸入所述卷積神經(jīng)網(wǎng)絡(luò)的全連接層，輸出所述車輛損傷圖像的特征矩陣。

3.如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的車輛損傷級別的確定方法，其特征在于，所述計(jì)算所述特征矩陣對應(yīng)的概率矩陣，包括：

通過公式：計(jì)算所述特征矩陣對應(yīng)的概率矩陣；所述σ(j)為所述概率矩陣中第j個元素對應(yīng)的概率值；z_j為預(yù)設(shè)的參數(shù)矩陣中第j個元素對應(yīng)的參數(shù)；所述M為所述參數(shù)矩陣中元素的個數(shù)，所述xⁱ為所述特征矩陣中第i個元素，所述e為自然常數(shù)。

4.如權(quán)利要求3所述的基于神經(jīng)網(wǎng)絡(luò)的車輛損傷級別的確定方法，其特征在于，在所述獲取原始圖像之前，還包括：

調(diào)取預(yù)設(shè)數(shù)量的訓(xùn)練矩陣，以及各個訓(xùn)練矩陣對應(yīng)的損傷級別；

通過預(yù)設(shè)規(guī)則：確定訓(xùn)練矩陣t對應(yīng)的基準(zhǔn)系數(shù)，所述r_t表示訓(xùn)練矩陣t對應(yīng)的基準(zhǔn)系數(shù)，所述x(t)表示所述訓(xùn)練矩陣t對應(yīng)的損傷級別；

獲取預(yù)設(shè)的代價函數(shù)：所述T(z)為所述參數(shù)矩陣對應(yīng)的代價參數(shù)，所述M為所述參數(shù)矩陣中元素的個數(shù)，所述P為所述訓(xùn)練矩陣的數(shù)量，所述x^ti為所述特征矩陣t中第i個元素，所述z_j為預(yù)設(shè)的參數(shù)矩陣中第j個元素對應(yīng)的參數(shù)，所述s為預(yù)設(shè)的正則化系數(shù)，所述N為所述概率矩陣的元素的個數(shù)；

通過梯度下降法求解所述代價參數(shù)的最小值，輸出代價參數(shù)取最小值時對應(yīng)的所述參數(shù)矩陣中的各個元素，以生成所述參數(shù)矩陣。

5.如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的車輛損傷級別的確定方法，其特征在于，還包括：

獲取多個預(yù)設(shè)的訓(xùn)練損傷數(shù)據(jù)矩陣，以及訓(xùn)練損傷數(shù)據(jù)矩陣對應(yīng)的特征矩陣；

反復(fù)執(zhí)行以下步驟直至更新后的卷積神經(jīng)網(wǎng)絡(luò)的交叉熵?fù)p失函數(shù)值小于預(yù)設(shè)的損失閾值：

將所述訓(xùn)練損傷數(shù)據(jù)矩陣作為所述卷積神經(jīng)網(wǎng)絡(luò)的輸出，通過隨機(jī)梯度下降法對所述卷積神經(jīng)網(wǎng)絡(luò)的全連接層中的各層參數(shù)進(jìn)行更新，計(jì)算更新后的卷積神經(jīng)網(wǎng)絡(luò)的交叉熵?fù)p失函數(shù)值。

6.一種終端設(shè)備，包括存儲器以及處理器，所述存儲器中存儲有可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時，實(shí)現(xiàn)如下步驟：

獲取車輛損傷圖像，并根據(jù)所述車輛損傷圖像中各個像素點(diǎn)的位置坐標(biāo)與RGB值的對應(yīng)關(guān)系，生成所述車輛損傷圖像對應(yīng)的損傷數(shù)據(jù)矩陣；

將所述損傷數(shù)據(jù)矩陣導(dǎo)入預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)，得到所述車輛損傷圖像的特征矩陣；

將所述特征矩陣導(dǎo)入預(yù)設(shè)的softmax分類器中，計(jì)算所述特征矩陣對應(yīng)的概率矩陣，所述概率矩陣中的每個元素的值代表所述車輛損傷圖像屬于該元素對應(yīng)的損傷級別的概率；

將所述概率矩陣中值最大的元素對應(yīng)的損失級別，輸出為所述車輛損傷圖像對應(yīng)的損傷級別。