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

有效

• 申請(qǐng)?zhí)枺?/td>: 202010513050.5
• 申請(qǐng)日: 2020-06-08
• 公開（公告）號(hào): 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(qǐng)（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號(hào): G06V10/764
• 分類號(hào): 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

本發(fā)明涉及人工智能的分類模型領(lǐng)域，提供一種車損檢測(cè)模型訓(xùn)練、車損檢測(cè)方法、裝置、設(shè)備及介質(zhì)，方法包括：通過(guò)包含車損樣本圖像的車損樣本集輸入車損檢測(cè)模型進(jìn)行訓(xùn)練，通過(guò)基于InceptionV4模型架構(gòu)的車損檢測(cè)模型提取損紋理特征，獲取至少一個(gè)的預(yù)測(cè)結(jié)果；通過(guò)GIOU方法和soft?NMS算法，獲取識(shí)別結(jié)果；通過(guò)GIOU損失算法，確定出第一損失值，同時(shí)通過(guò)多分類交叉熵方法，確定出第二損失值；根據(jù)第一損失值和第二損失值，確定總損失值；在總損失值未達(dá)到預(yù)設(shè)的收斂條件時(shí)，迭代更新車損檢測(cè)模型的初始參數(shù)，直至總損失值達(dá)到預(yù)設(shè)的收斂條件時(shí)，將收斂之后的車損檢測(cè)模型記錄為訓(xùn)練完成的車損檢測(cè)模型。本發(fā)明實(shí)現(xiàn)快速識(shí)別車損類型和車損區(qū)域。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能的分類模型領(lǐng)域，尤其涉及一種車損檢測(cè)模型訓(xùn)練、車損檢測(cè)方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

在車輛發(fā)生交通事故后，車輛的某些部位會(huì)留下破損、刮傷等損傷的痕跡，目前，保險(xiǎn)公司一般是人工識(shí)別由車主或業(yè)務(wù)人員拍攝的交通事故之后的車輛損傷的圖像，即對(duì)圖像中車輛的損傷部位的損傷類型及損傷區(qū)域進(jìn)行人工識(shí)別并判定，如此，可能由于存在標(biāo)準(zhǔn)理解不一、觀察經(jīng)驗(yàn)不足等影響，導(dǎo)致人工識(shí)別的損傷類型及損傷區(qū)域不符；例如：由于凹陷和刮擦難以通過(guò)目測(cè)圖像加以分辨，定損人員很容易就將凹陷的損傷類型確定為刮擦的損傷類型，上述情況下導(dǎo)致的定損失誤，會(huì)大大降低了定損的準(zhǔn)確性；在可能會(huì)導(dǎo)致保險(xiǎn)公司的成本損失的同時(shí)，也會(huì)降低車主或客戶的滿意度；此外，人工定損的工作量巨大，定損效率低下，在需要滿足一定的定損準(zhǔn)確度的情況下，會(huì)進(jìn)一步提升工作量，降低工作效率。

發(fā)明內(nèi)容

本發(fā)明提供一種車損檢測(cè)模型訓(xùn)練、車損檢測(cè)方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)，實(shí)現(xiàn)了通過(guò)引入車損轉(zhuǎn)換圖像和基于InceptionV4模型進(jìn)行架構(gòu)，并且通過(guò)GIOU方法、soft-NMS算法和GIOU損失算法進(jìn)行訓(xùn)練能夠減少樣本收集數(shù)量及提升了識(shí)別準(zhǔn)確性和可靠性，減少了成本，提高了訓(xùn)練效率。

一種車損檢測(cè)模型訓(xùn)練方法，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(gè)所述車損樣本圖像與一個(gè)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(guò)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(cè)模型，通過(guò)所述車損檢測(cè)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(cè)模型根據(jù)提取的所述車損紋理特征輸出的至少一個(gè)的預(yù)測(cè)結(jié)果；所述車損檢測(cè)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(guò)GIOU方法和soft-NMS算法，獲取所述車損檢測(cè)模型對(duì)所有所述預(yù)測(cè)結(jié)果進(jìn)行篩選獲得的識(shí)別結(jié)果；所述識(shí)別結(jié)果包括樣本車損類型和樣本識(shí)別區(qū)域；

通過(guò)GIOU損失算法，根據(jù)所述矩形區(qū)域和所述樣本識(shí)別區(qū)域確定出第一損失值，同時(shí)通過(guò)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(shí)，迭代更新所述車損檢測(cè)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(shí)，將收斂之后的所述車損檢測(cè)模型記錄為訓(xùn)練完成的車損檢測(cè)模型。

一種車損檢測(cè)方法，包括：

接收到車損檢測(cè)指令，獲取車損圖像；

將所述車損圖像輸入如上述車損檢測(cè)模型訓(xùn)練方法訓(xùn)練完成的車損檢測(cè)模型，通過(guò)所述車損檢測(cè)模型提取車損紋理特征，獲取所述車損檢測(cè)模型根據(jù)所述車損紋理特征輸出的最終結(jié)果；所述最終結(jié)果包括車損類型和車損區(qū)域，所述最終結(jié)果表征了所述車損圖像中的所有損傷位置的車損類型和車損區(qū)域。

一種車損檢測(cè)模型訓(xùn)練裝置，包括：