[發明專利]基于深度學習的識別車輛損傷的方法和相關裝置

在審

• 申請號: 201910015378.1
• 申請日: 2019-01-04
• 公開（公告）號: CN109815997A
• 公開（公告）日: 2019-05-28
• 發明（設計）人: 石磊;馬進;王健宗
• 申請（專利權）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: 廣州三環專利商標代理有限公司 44202
• 代理人: 郝傳鑫;熊永強

本發明提供基于深度學習的識別車輛損傷的方法和相關裝置，其中，所述方法包括：獲取目標車輛對應的第一圖片，所述目標車輛為待識別損傷的車輛，所述第一圖片為包含所述目標車輛的損傷部位的圖片；通過殘差密集網絡對所述第一圖片進行處理，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；通過基于單點多盒檢測器算法的損傷檢測模型對所述第二圖片進行檢測，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；根據所述位置坐標在所述第二圖片中標記出所述損傷部位所在的區域。該技術方案可以識別車輛的微小損傷，提高車輛損傷識別的精度。

技術領域

本發明涉及計算機技術領域，尤其涉及基于深度學習的識別車輛損傷的方法和相關裝置。

背景技術

機動車輛保險，是指對機動車輛由于自然災害或意外事故所造成的人身傷亡或財產損失負賠償責任的一種商業保險。在對機動車輛保險進行理賠的過程中，保險公司需要對機動車輛是否存在損傷和車輛損傷類型等進行判定和識別，以進行責任認定和理賠。

在車輛發生交通事故后，車輛的某些部位會留下破損、刮傷等損傷的痕跡。目前，保險公司一般是識別車主或業務人員拍攝的經過交通事故后的車輛的圖片，對圖片中車輛的損傷部位的損傷類型來對車輛存在的損傷和損傷類型進行識別判定。由于在不同的交通事故中，車輛所產生的損傷類型不同。對于損傷類型較輕的部位，其在圖片中不明顯，導致無法識別，這樣容易影響責任認定和后續的理賠。

發明內容

本發明實施例提供基于深度學習的識別車輛損傷的方法和相關裝置，解決無法識別車輛損失程度較輕的部位的問題。

第一方面，提供一種基于深度學習的識別車輛損傷的方法，包括：

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

通過殘差密集網絡(residual dense network，RDN)對所述第一圖片進行處理，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；

通過基于單點多盒檢測器(single shot multiboxdetector，SSD)算法的損傷檢測模型對所述第二圖片進行檢測，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；

根據所述位置坐標在所述第二圖片中標記出所述損傷部位所在的區域。

本發明實施例中，在獲取到包含車輛的損傷部位的圖片后，通過RDN對圖片進行識別，得到分辨率更高的圖片，再通過基于SSD的損傷檢測模型對該分辨率更高的圖片進行檢測，確定損傷部位在第二圖片中的位置坐標并在第一圖片中標記出損傷部位所在的區域。由于通過RDN對圖片進行處理，使得圖片的細節更清晰，在圖片的細節更清晰的基礎上，通過損傷檢測模型可以識別出損傷類型較輕的損傷部位，提高了車輛損傷識別和定位的精度。

結合第一方面，在一種可能的實現方式中，所述通過殘差密集網絡對所述第一圖片進行處理，得到第二圖片，包括：基于所述殘差密集網絡的淺層特征提取網絡對所述第一圖片進行卷積處理，得到所述第一圖片對應的淺層特征圖；基于所述殘差密集網絡的殘差密集網絡對所述淺層特征卷積圖進行卷積和線性修正處理，得到所述第一圖片對應的多個殘差密集特征圖，所述殘差密集網絡包括多個殘差密集塊，所述多個殘差密集特征圖分別為所述多個殘差密集塊中的各個殘差密集塊對應的殘差密集特征圖；基于所述殘差密集網絡的密集特征融合網絡對多個局部特征圖進行密集特征融合，得到所述第一圖片對應的全局特征圖，所述多個局部特征圖包括所述淺層特征圖和所述多個殘差密集特征圖；基于所述殘差密集網絡的上采樣網絡對所述全局特征圖進行上采樣和卷積處理，得到第二圖片。通過對圖片進行淺層特征提取、層級特征提取、全局特征融合和上采樣等過程，可以提高圖片的分辨率。