[發明專利]一種車輛圖像定損中的子部件損傷識別方法

在審

• 申請號: 201811528123.7
• 申請日: 2018-12-13
• 公開（公告）號: CN109635742A
• 公開（公告）日: 2019-04-16
• 發明（設計）人: 尤晶晶;黃賢俊
• 申請（專利權）人: 深源恒際科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06T7/11
• 代理公司: 北京匯信合知識產權代理有限公司 11335
• 代理人: 孫民興

本發明公開了一種車輛圖像定損中的子部件損傷識別方法，用于識別車輛外觀子部件損傷狀態；其包括：針對車輛某些特定總成部件圖，調用該總成部件的子部件分割模型，得到該總成部件像素級的子部件分割圖；針對同一張車輛同一總成部件圖，調用總成部件的損傷分割模型，得到該總成部件像素級的損傷分割圖；分別提取該總成部件下的各子部件位置的像素級分割特征和損傷類型的像素級分割特征，輸入到cnn分類模型，得到車輛總成部件下的各子部件損傷類型及損傷程度識別結果。本發明采用圖像語義分割方法實現總成部件下的各子部件位置和損傷類型的像素級分割，兩者結合實現各子部件損傷類型及損傷程度識別，實現了準確識別到最小外觀子部件損傷狀態。

技術領域

本發明涉及車輛定損技術領域，尤其涉及一種車輛圖像定損中的子部件 損傷識別方法。

背景技術

分割是一個十分活躍的研究課題，在深度學習到來之前，性能最好的方 法大部分依賴于手工設計的特征來獨立地分類像素，如像素級的決策樹分 類。

2014年，加州伯克利分校的Long等人提出的全卷積網絡(Fully ConvolutionalNetwork)，其推廣了原有的CNN結構，在不帶有全連接層的 情況進行的密集預測。隨后又出現了Segnet網絡，RefineNet網絡，PSPNet 網絡，Deeplab v1&v2&v3等網絡。

另一方面，在車輛外觀圖片損傷識別系統中，需要精確識別到最小的外 觀子部件配件的損傷狀態，一般需要應用到分割技術；但在實際應用中，現 有的車輛外觀圖片損傷識別系統存在以下缺點：

1、識別準確率度低，目前車輛子部件損傷類型識別率整體偏低，尤其 是某些外形復雜的子部件；

2、分割類別數過多，模型不易收斂；

3、數據標注復雜度高，若按子部件的損傷類型來標，需要具備很高的 專業素質，至少能夠準確判別所有子部件的損傷類型。

發明內容

針對上述現有技術中存在的不足之處，本發明提供一種車輛圖像定損中 的子部件損傷識別方法，對于單個車輛外觀總成部件采用圖像語義分割方法 實現該總成部件下的各子部件位置的像素級分割和損傷類型的像素級分割， 兩者信息結合從而實現該總成部件下的各子部件損傷類型及損傷程度識別， 實現了準確識別到最小外觀子部件損傷狀態。具體地，本發明包括以下步 驟：

針對車輛特定總成部件圖，調用車輛相應總成部件的子部件分割模型， 得到該車輛總成部件像素級的子部件分割圖；

針對同一張車輛總成部件圖，調用車輛相應總成部件的損傷分割模型， 得到該車輛總成部件像素級的損傷分割圖；

根據所述子部件分割圖和所述損傷分割圖，分別提取所述車輛總成部件 下的各子部件位置的像素級分割特征和損傷類型的像素級分割特征，輸入到 分類模型，得到車輛總成部件下的各子部件損傷類型及損傷程度識別結果。

可選地，所述子部件分割模型和所述損傷分割模型均使用deeplabv3算 法。

可選地，所述分類模型為cnn分類模型。

進一步地，所述得到車輛總成部件下的各子部件損傷類型及損傷程度識 別結果的步驟，具體為：

結合子部件位置的像素級分割特征和損傷類型的像素級分割特征，生成 與車輛總成部件圖尺寸大小相同，且每個像素點包含子部件標簽和損傷類型 標簽的特征圖作為輸入，使用ResNetV1_50網絡進行分類，最終得到車輛子 部件的損傷類型及損傷程度識別結果。

本發明結合車輛子部件分割結果和損傷類型分割結果，通過cnn分類網 絡得到最終的子部件損傷狀態結果，具有以下優點：