[發明專利]一種基于深度學習的車輛外觀損傷識別方法

有效

• 申請號: 201811521006.8
• 申請日: 2018-12-12
• 公開（公告）號: CN109657716B
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 朱向雷;郭維明;劉森;朱倩倩;趙子豪
• 申請（專利權）人: 中汽數據（天津）有限公司;中國汽車技術研究中心有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q40/08
• 代理公司: 天津企興智財知識產權代理有限公司 12226
• 代理人: 陳雅潔

1.一種基于深度學習的車輛外觀損傷識別方法，其特征在于：包括：

步驟一：獲取實際車輛外觀損傷圖像并進行損傷類型和位置標注；

步驟二：搭建深度卷積神經網絡；

步驟三：開展模型訓練，得到訓練后的模型；

步驟四：利用訓練得到的模型進行車輛外觀損傷識別和模型評估；

步驟二中，使用殘差網絡ResNet作為主干網絡，并且使用金字塔網絡FPN對主干網絡進行擴展；

步驟二中，搭建的深度神經網絡是前饋神經網絡，通過構建新的損失函數不斷反饋調整網絡參數從而完成模型訓練，損失函數公式是：

NCE(p_t)＝-(1-p_t)^γlog(p_t)

其中，γ是一個調節因子且γ＞0，y＝1表示正樣本，y＝-1表示負樣本，p∈[0,1]為置信分數。

2.根據權利要求1所述的一種基于深度學習的車輛外觀損傷識別方法，其特征在于：步驟一中，自建數據集，將獲取的多種拍攝角度、多個車型和多種環境下的車輛外觀損傷圖像存入數據集中。

3.根據權利要求2所述的一種基于深度學習的車輛外觀損傷識別方法，其特征在于：步驟一中，將標注完成的數據集分成訓練集、驗證集和測試集。

4.根據權利要求3所述的一種基于深度學習的車輛外觀損傷識別方法，其特征在于：步驟二中，首先搭建主干網絡，實現基于卷積神經網絡模型CNN的特征提?。?/p>

搭建候選框生成網絡，將提取的特征圖作為輸入，實現基于卷積神經網絡模型CNN的候選框生成；

搭建目標圖片分類網絡和邊界框回歸網絡，輸入候選框實現對候選框中目標的分類和目標的位置回歸。

5.根據權利要求4所述的一種基于深度學習的車輛外觀損傷識別方法，其特征在于：步驟三中，首先初始化網絡中待訓練的參數，向初始化后的網絡中輸入訓練集進行前向傳播；使用步驟二中的損失函數，利用卷積神經網絡作為前饋神經網絡的特點實現對網絡中參數的調整，直到損失值小于設定的閾值或達到最大迭代次數時訓練結束，最終訓練得到用于車輛外觀損傷識別的網絡模型。

6.根據權利要求1所述的一種基于深度學習的車輛外觀損傷識別方法，其特征在于：步驟三中，訓練集中的訓練樣本數據包括原始圖像、損傷位置以及損傷類型信息。

7.根據權利要求1所述的一種基于深度學習的車輛外觀損傷識別方法，其特征在于：步驟三中，模型輸出的是車輛照片中外觀損傷級別，包括損傷類型和損傷位置。