基于神经网络的车辆损伤级别的确定方法及终端设备技术

本发明专利技术适用于人工智能技术领域，提供了一种基于神经网络的车辆损伤级别的确定方法及终端设备，通过获取车辆损伤图像，并根据所述车辆损伤图像中各个像素点的位置坐标与RGB值的对应关系，生成所述车辆损伤图像对应的损伤数据矩阵；将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵；将所述特征矩阵导入预设的softmax分类器中，计算所述特征矩阵对应的概率矩阵，所述概率矩阵中的每个元素的值代表所述车辆损伤图像属于该元素对应的损伤级别的概率；将所述概率矩阵中值最大的元素对应的损失级别，输出为所述车辆损伤图像对应的损伤级别，以提高定损的准确度和自动化程度，节省时间和人力成本。

【技术实现步骤摘要】
基于神经网络的车辆损伤级别的确定方法及终端设备
本专利技术属于人工智能
，尤其涉及一种基于神经网络的车辆损伤级别的确定方法及终端设备。
技术介绍
当前，在车险理赔的过程中，需要业务员根据车辆的受损程度对车辆进行定损，但每个业务员的判断标准不一，经验丰富程度不一，很容易影响车辆定损的准确性，尤其困难的是车辆钣金受损程度的分类，钣金受损程度的分类往往容易混淆。同时，随着汽车保有量的增加，车险理赔的业务也大大增加，传统的人工定损步骤存在定损时间慢，人力成本高的问题。
技术实现思路
有鉴于此，本专利技术实施例提供了一种基于神经网络的车辆损伤级别的确定方法及终端设备，以解决现有技术存在的定损不准确以及定损智能化程度低的问题。本专利技术实施例的第一方面提供了一种基于神经网络的车辆损伤级别的确定方法，包括：获取车辆损伤图像，并根据所述车辆损伤图像中各个像素点的位置坐标与RGB值的对应关系，生成所述车辆损伤图像对应的损伤数据矩阵；将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵；将所述特征矩阵导入预设的softmax分类器中，计算所述特征矩阵对应的概率矩阵，所述概率矩阵中的每个元素的值代表所述车辆损伤图像属于该元素对应的损伤级别的概率；将所述概率矩阵中值最大的元素对应的损失级别，输出为所述车辆损伤图像对应的损伤级别。本专利技术实施例的第二方面提供了一种终端设备，包括存储器以及处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如下步骤：获取车辆损伤图像，并根据所述车辆损伤图像中各个像素点的位置坐标与RGB值的对应关系，生成所述车辆损伤图像对应的损伤数据矩阵；将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵；将所述特征矩阵导入预设的softmax分类器中，计算所述特征矩阵对应的概率矩阵，所述概率矩阵中的每个元素的值代表所述车辆损伤图像属于该元素对应的损伤级别的概率；将所述概率矩阵中值最大的元素对应的损失级别，输出为所述车辆损伤图像对应的损伤级别。本专利技术实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：获取车辆损伤图像，并根据所述车辆损伤图像中各个像素点的位置坐标与RGB值的对应关系，生成所述车辆损伤图像对应的损伤数据矩阵；将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵；将所述特征矩阵导入预设的softmax分类器中，计算所述特征矩阵对应的概率矩阵，所述概率矩阵中的每个元素的值代表所述车辆损伤图像属于该元素对应的损伤级别的概率；将所述概率矩阵中值最大的元素对应的损失级别，输出为所述车辆损伤图像对应的损伤级别。可选地，所述预设的卷积神经网络包括第一预设数量个3×3的卷积层，每个卷积层根据其在所述卷积神经网络由前至后的顺序对应一个卷积层编号；所述将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵，包括：将所述损伤数据矩阵导入预设的卷积神经网络，并从所述卷积层编号最大的卷积层开始，每间隔第二预设数量的卷积层编号，提取一个卷积层输出的数据，作为被选数据；将第三预设数量的被选数据进行全局平均池化，生成所述第三预设数量的池化向量；对所述第三预设数量的池化向量进行拼接，生成总池化向量；将所述总池化向量输入所述卷积神经网络的全连接层，输出所述车辆损伤图像的特征矩阵。可选地，所述计算所述特征矩阵对应的概率矩阵，包括：通过公式：计算所述特征矩阵对应的概率矩阵；所述σ(j)为所述概率矩阵中第j个元素对应的概率值；zj为预设的参数矩阵中第j个元素对应的参数；所述M为所述参数矩阵中元素的个数，所述xi为所述特征矩阵中第i个元素，所述e为自然常数。可选地，在所述获取原始图像之前，还包括：调取预设数量的训练矩阵，以及各个训练矩阵对应的损伤级别；通过预设规则：确定训练矩阵t对应的基准系数，所述rt表示训练矩阵t对应的基准系数，所述x(t)表示所述训练矩阵t对应的损伤级别；获取预设的代价函数：所述T(z)为所述参数矩阵对应的代价参数，所述M为所述参数矩阵中元素的个数，所述P为所述训练矩阵的数量，所述xti为所述特征矩阵t中第i个元素，所述zj为预设的参数矩阵中第j个元素对应的参数，所述s为预设的正则化系数，所述N为所述概率矩阵的元素的个数；通过梯度下降法求解所述代价参数的最小值，输出代价参数取最小值时对应的所述参数矩阵中的各个元素，以生成所述参数矩阵。可选地，还包括：获取多个预设的训练损伤数据矩阵，以及训练损伤数据矩阵对应的特征矩阵；反复执行以下步骤直至更新后的卷积神经网络的交叉熵损失函数值小于预设的损失阈值：将所述训练损伤数据矩阵作为所述卷积神经网络的输出，通过随机梯度下降法对所述卷积神经网络的全连接层中的各层参数进行更新，计算更新后的卷积神经网络的交叉熵损失函数值。在本专利技术实施例中，通过根据车辆损伤图像中各个像素点的位置坐标与RGB值的对应关系，生成车辆损伤图像对应的损伤数据矩阵，将损伤数据矩阵导入预设的卷积神经网络，得到车辆损伤图像的特征矩阵，之后将特征矩阵导入预设的softmax分类器中，计算特征矩阵对应的概率矩阵，并将概率矩阵中值最大的元素对应的损失级别作为乘凉损伤图像对应的损伤级别，以提高定损的准确度和自动化程度，节省时间和人力成本。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的基于神经网络的车辆损伤级别的确定方法的实现流程图；图2是本专利技术实施例提供的基于神经网络的车辆损伤级别的确定方法S102的具体实现流程图；图3是本专利技术实施例提供的参数矩阵的生成流程图；图4是本专利技术实施例提供的基于神经网络的车辆损伤级别的确定装置的结构框图；图5是本专利技术实施例提供的终端设备的示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。图1示出了本专利技术实施例提供的基于神经网络的车辆损伤级别的确定方法的实现流程，该方法流程包括步骤S101至S104。各步骤的具体实现原理如下。S101：获取车辆损伤图像，并根据所述车辆损伤图像中各个像素点的位置坐标与RGB值的对应关系，生成所述车辆损伤图像对应的损伤数据矩阵。在本专利技术实施例中，当用户需要对车辆进行定损理赔时，会通过照相设备将车辆损伤处的图片拍摄下来。本专利技术实施例所涉及的方法在获取用户输入的车辆损伤照片后，会将其转换为可供后续自动化计算的损伤数据矩阵。具体地，一个车辆损伤图像的各个像素点对应一组RGB值，本专利技术实施例通过各个像素点的位置坐标与RGB值的对应关系，将像素点本文档来自技高网...

【技术保护点】
1.一种基于神经网络的车辆损伤级别的确定方法，其特征在于，包括：获取车辆损伤图像，并根据所述车辆损伤图像中各个像素点的位置坐标与RGB值的对应关系，生成所述车辆损伤图像对应的损伤数据矩阵；将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵；将所述特征矩阵导入预设的softmax分类器中，计算所述特征矩阵对应的概率矩阵，所述概率矩阵中的每个元素的值代表所述车辆损伤图像属于该元素对应的损伤级别的概率；将所述概率矩阵中值最大的元素对应的损失级别，输出为所述车辆损伤图像对应的损伤级别。

【技术特征摘要】
1.一种基于神经网络的车辆损伤级别的确定方法，其特征在于，包括：获取车辆损伤图像，并根据所述车辆损伤图像中各个像素点的位置坐标与RGB值的对应关系，生成所述车辆损伤图像对应的损伤数据矩阵；将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵；将所述特征矩阵导入预设的softmax分类器中，计算所述特征矩阵对应的概率矩阵，所述概率矩阵中的每个元素的值代表所述车辆损伤图像属于该元素对应的损伤级别的概率；将所述概率矩阵中值最大的元素对应的损失级别，输出为所述车辆损伤图像对应的损伤级别。2.如权利要求1所述的基于神经网络的车辆损伤级别的确定方法，其特征在于，所述预设的卷积神经网络包括第一预设数量个3×3的卷积层，每个卷积层根据其在所述卷积神经网络由前至后的顺序对应一个卷积层编号；所述将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵，包括：将所述损伤数据矩阵导入预设的卷积神经网络，并从所述卷积层编号最大的卷积层开始，每间隔第二预设数量的卷积层编号，提取一个卷积层输出的数据，作为被选数据；将第三预设数量的被选数据进行全局平均池化，生成所述第三预设数量的池化向量；对所述第三预设数量的池化向量进行拼接，生成总池化向量；将所述总池化向量输入所述卷积神经网络的全连接层，输出所述车辆损伤图像的特征矩阵。3.如权利要求1所述的基于神经网络的车辆损伤级别的确定方法，其特征在于，所述计算所述特征矩阵对应的概率矩阵，包括：通过公式：计算所述特征矩阵对应的概率矩阵；所述σ(j)为所述概率矩阵中第j个元素对应的概率值；zj为预设的参数矩阵中第j个元素对应的参数；所述M为所述参数矩阵中元素的个数，所述xi为所述特征矩阵中第i个元素，所述e为自然常数。4.如权利要求3所述的基于神经网络的车辆损伤级别的确定方法，其特征在于，在所述获取原始图像之前，还包括：调取预设数量的训练矩阵，以及各个训练矩阵对应的损伤级别；通过预设规则：确定训练矩阵t对应的基准系数，所述rt表示训练矩阵t对应的基准系数，所述x(t)表示所述训练矩阵t对应的损伤级别；获取预设的代价函数：所述T(z)为所述参数矩阵对应的代价参数，所述M为所述参数矩阵中元素的个数，所述P为所述训练矩阵的数量，所述xti为所述特征矩阵t中第i个元素，所述zj为预设的参数矩阵中第j个元素对应的参数，所述s为预设的正则化系数，所述N为所述概率矩阵的元素的个数；通过梯度下降法求解所述代价参数的最小值，输出代价参数取最小值时对应的所述参数矩阵中的各个元素，以生成所述参数矩阵。5.如权利要求1所述的基于神经网络的车辆损伤级别的确定方法，其特征在于，还包括：获取多个预设的训练损伤数据矩阵，以及训练损伤数据矩阵对应的特征矩阵；反复执行以下步骤直至更新后的卷积神经网络的交叉熵损失函数值小于预设的损失阈值：将所述训练损伤数据矩阵作为所述卷积神经网络的...

【专利技术属性】
技术研发人员：马进，王健宗，肖京，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44