[發(fā)明專利]基于深度學(xué)習(xí)的識別車輛損傷的方法和相關(guān)裝置

在審

• 申請?zhí)枺?/td>: 201910015378.1
• 申請日: 2019-01-04
• 公開（公告）號: CN109815997A
• 公開（公告）日: 2019-05-28
• 發(fā)明（設(shè)計(jì)）人: 石磊;馬進(jìn);王健宗
• 申請（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06N3/04;G06N3/08;G06Q40/08
• 代理公司: 廣州三環(huán)專利商標(biāo)代理有限公司 44202
• 代理人: 郝傳鑫;熊永強(qiáng)

1.一種基于深度學(xué)習(xí)的識別車輛損傷的方法，其特征在于，包括：

獲取目標(biāo)車輛對應(yīng)的第一圖片，所述目標(biāo)車輛為待識別損傷的車輛，所述第一圖片為包含所述目標(biāo)車輛的損傷部位的圖片；

通過殘差密集網(wǎng)絡(luò)對所述第一圖片進(jìn)行處理，得到第二圖片，所述第二圖片的分辨率高于所述第一圖片的分辨率；

通過基于單點(diǎn)多盒檢測器算法的損傷檢測模型對所述第二圖片進(jìn)行檢測，得到第一信息，所述第一信息包括所述損傷部位在所述第二圖片中的位置坐標(biāo)；

根據(jù)所述位置坐標(biāo)在所述第二圖片中標(biāo)記出所述損傷部位所在的區(qū)域。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過殘差密集網(wǎng)絡(luò)對所述第一圖片進(jìn)行處理，得到第二圖片，包括：

基于所述殘差密集網(wǎng)絡(luò)的淺層特征提取網(wǎng)絡(luò)對所述第一圖片進(jìn)行卷積處理，得到所述第一圖片對應(yīng)的淺層特征圖；

基于所述殘差密集網(wǎng)絡(luò)的殘差密集網(wǎng)絡(luò)對所述淺層特征卷積圖進(jìn)行卷積和線性修正處理，得到所述第一圖片對應(yīng)的多個(gè)殘差密集特征圖，所述殘差密集網(wǎng)絡(luò)包括多個(gè)殘差密集塊，所述多個(gè)殘差密集特征圖分別為所述多個(gè)殘差密集塊中的各個(gè)殘差密集塊對應(yīng)的殘差密集特征圖；

基于所述殘差密集網(wǎng)絡(luò)的密集特征融合網(wǎng)絡(luò)對多個(gè)局部特征圖進(jìn)行密集特征融合，得到所述第一圖片對應(yīng)的全局特征圖，所述多個(gè)局部特征圖包括所述淺層特征圖和所述多個(gè)殘差密集特征圖；

基于所述殘差密集網(wǎng)絡(luò)的上采樣網(wǎng)絡(luò)對所述全局特征圖進(jìn)行上采樣和卷積處理，得到第二圖片。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于所述殘差密集網(wǎng)絡(luò)的殘差密集網(wǎng)絡(luò)對所述淺層特征卷積圖進(jìn)行卷積和線性修正處理，得到所述第一圖片對應(yīng)的多個(gè)殘差密集特征圖，包括：

通過第d殘差密集塊內(nèi)的卷積層對第(d-1)殘差密集特征圖進(jìn)行卷積和線性修正處理，得到所述第d殘差密集塊對應(yīng)的第d殘差密集特征圖，d為1至D中的每一個(gè)正整數(shù)，D為所述多個(gè)殘差密集塊的個(gè)數(shù)，所述第(d-1)殘差密集特征圖中的第0殘差密集特征圖為所述淺層特征卷積圖；

將所述第d殘差密集特征圖確定為所述第一圖片對應(yīng)的多個(gè)殘差密集特征圖。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過基于單點(diǎn)多盒檢測器算法的損傷檢測模型對所述第二圖片進(jìn)行檢測，得到第一信息，包括：

基于所述損傷檢測模型中的卷積層對所述第二圖片進(jìn)行卷積處理，得到多個(gè)尺寸不同的卷積特征圖，每個(gè)卷積特征圖包括多個(gè)卷積特征子圖；

分別確定所述每個(gè)卷積特征圖對應(yīng)的目標(biāo)卷積特征信息，所述目標(biāo)卷積特征信息包括所述多個(gè)卷積特征子圖中各個(gè)卷積特征子圖對應(yīng)的卷積特征信息；

分別確定所述目標(biāo)卷積特征信息中的各個(gè)卷積特征信息對應(yīng)的位置坐標(biāo)，將在所述第二圖片中與所述位置坐標(biāo)對應(yīng)的區(qū)域確定為所述各個(gè)卷積特征信息對應(yīng)的第一區(qū)域；

確定各個(gè)卷積特征信息對應(yīng)的第一區(qū)域的置信度和所述第一區(qū)域?qū)?yīng)的屬性類別，并將置信度大于置信度閾值并且屬性類別為損傷的第一區(qū)域確定為第二區(qū)域；

根據(jù)所述第二區(qū)域?qū)?yīng)的位置坐標(biāo)確定所述損傷部位在所述第二圖片中的位置坐標(biāo)。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述確定各個(gè)卷積特征信息對應(yīng)的第一區(qū)域的置信度和所述第一區(qū)域?qū)?yīng)的屬性類別，包括：

分別確定所述各個(gè)卷積特征信息與所述損傷檢測模型中的兩種屬性類別之間的匹配概率，所述兩種屬性類別分別為背景和損傷；

在所述各個(gè)卷積特征信息與所述損傷檢測模型中的兩種屬性類別之間的匹配概率中確定最大匹配概率，并將所述最大匹配概率確定為所述各個(gè)卷積特征信息對應(yīng)的第一區(qū)域的置信度，以及，將所述最大匹配概率對應(yīng)的屬性類別確定為所述第一區(qū)域?qū)?yīng)的屬性類別。