[發(fā)明專利]車損檢測模型訓(xùn)練、車損檢測方法、裝置、設(shè)備及介質(zhì)

有效

• 申請?zhí)枺?/td>: 202010513050.5
• 申請日: 2020-06-08
• 公開（公告）號: CN111680746B
• 公開（公告）日: 2023-08-04
• 發(fā)明（設(shè)計(jì)）人: 康甲;劉莉紅;劉玉宇
• 申請（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/54;G06V10/56;G06V10/82;G06N3/0464;G06N3/096;G06Q40/08
• 代理公司: 深圳眾鼎專利商標(biāo)代理事務(wù)所(普通合伙) 44325
• 代理人: 周燕君

1.一種車損檢測模型訓(xùn)練方法，其特征在于，包括：

獲取車損樣本集；所述車損樣本集包括車損樣本圖像，所述車損樣本圖像包括車損原始圖像和車損轉(zhuǎn)換圖像，一個所述車損樣本圖像與一個車損標(biāo)簽組關(guān)聯(lián)；所述車損標(biāo)簽組包括車損標(biāo)簽類型和矩形區(qū)域；所述車損轉(zhuǎn)換圖像為所述車損原始圖像通過圖像預(yù)處理模型進(jìn)行隨機(jī)數(shù)值累加后并轉(zhuǎn)換獲得；

將所述車損樣本圖像輸入含有初始參數(shù)的車損檢測模型，通過所述車損檢測模型提取所述車損樣本圖像中的車損紋理特征，獲取所述車損檢測模型根據(jù)提取的所述車損紋理特征輸出的至少一個的預(yù)測結(jié)果；所述車損檢測模型為基于InceptionV4模型架構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)模型；

通過GIOU方法和soft-NMS算法，獲取所述車損檢測模型對所有所述預(yù)測結(jié)果進(jìn)行篩選獲得的識別結(jié)果；所述識別結(jié)果包括樣本車損類型和樣本識別區(qū)域；

通過GIOU損失算法，根據(jù)所述矩形區(qū)域和所述樣本識別區(qū)域確定出第一損失值，同時通過多分類交叉熵方法，根據(jù)所述車損標(biāo)簽類型和所述樣本車損類型確定出第二損失值；

根據(jù)所述第一損失值和所述第二損失值，確定總損失值；

在所述總損失值未達(dá)到預(yù)設(shè)的收斂條件時，迭代更新所述車損檢測模型的初始參數(shù)，直至所述總損失值達(dá)到所述預(yù)設(shè)的收斂條件時，將收斂之后的所述車損檢測模型記錄為訓(xùn)練完成的車損檢測模型。

2.如權(quán)利要求1所述的車損檢測模型訓(xùn)練方法，其特征在于，所述將所述車損樣本圖像輸入含有初始參數(shù)的車損檢測模型之前，包括：

通過遷移學(xué)習(xí)，獲取訓(xùn)練完成的InceptionV4模型的所有參數(shù)，將所有所述參數(shù)確定為所述車損檢測模型中的所述初始參數(shù)。

3.如權(quán)利要求1所述的車損檢測模型訓(xùn)練方法，其特征在于，所述車損轉(zhuǎn)換圖像為所述車損原始圖像通過圖像預(yù)處理模型進(jìn)行隨機(jī)數(shù)值累加后并轉(zhuǎn)換獲得，包括：

獲取所述車損原始圖像和與所述車損原始圖像關(guān)聯(lián)的所述車損標(biāo)簽組；

通過圖像預(yù)處理模型將所述車損原始圖像分離，分離出紅色通道的紅色通道圖像、綠色通道的綠色通道圖像和藍(lán)色通道的藍(lán)色通道圖像；

通過圖像預(yù)處理模型，對所述紅色通道圖像進(jìn)行隨機(jī)數(shù)值累加處理，得到紅色加工通道圖像，同時對所述綠色通道圖像進(jìn)行隨機(jī)數(shù)值累加處理，得到綠色加工通道圖像，以及對所述藍(lán)色通道圖像進(jìn)行隨機(jī)數(shù)值累加處理，得到藍(lán)色加工通道圖像；

將所述紅色加工通道圖像、所述綠色加工通道圖像和所述藍(lán)色加工通道圖像輸入所述圖像預(yù)處理模型中的六角錐體顏色空間模型；

通過所述六角錐體顏色空間模型對所述紅色加工通道圖像、所述綠色加工通道圖像和所述藍(lán)色加工通道圖像進(jìn)行轉(zhuǎn)換，得到所述車損轉(zhuǎn)換圖像；其中，所述車損轉(zhuǎn)換圖像包括色調(diào)通道的色調(diào)通道圖像、飽和度通道的飽和度通道圖像和明度通道的明度通道圖像；

將所述車損原始圖像關(guān)聯(lián)的車損標(biāo)簽組確定為所述車損轉(zhuǎn)換圖像關(guān)聯(lián)的車損標(biāo)簽組。

4.如權(quán)利要求1所述的車損檢測模型訓(xùn)練方法，其特征在于，所述通過GIOU方法和soft-NMS算法，獲取所述車損檢測模型對所述預(yù)測結(jié)果進(jìn)行篩選獲得的識別結(jié)果，包括：

獲取每個所述預(yù)測結(jié)果中的預(yù)測區(qū)域、與所述預(yù)測區(qū)域?qū)?yīng)的所述預(yù)測類型和與所述預(yù)測區(qū)域?qū)?yīng)的置信度；

通過GIOU方法，根據(jù)所有所述預(yù)測區(qū)域、所有所述預(yù)測類型和所有所述置信度，確定每個所述預(yù)測區(qū)域?qū)?yīng)的GIOU預(yù)測值；

通過soft-NMS算法，根據(jù)所有所述GIOU預(yù)測值確定置信閾值;

獲取所有所述置信度大于所述置信閾值對應(yīng)的所述預(yù)測結(jié)果，并將所有所述置信度大于所述置信閾值對應(yīng)的所述預(yù)測結(jié)果確定為所述識別結(jié)果。