一种基于深度学习的车辆外观损伤识别方法技术

本发明专利技术提供了一种基于深度学习的车辆外观损伤识别方法，包括获取实际车辆外观损伤图像并进行损伤类型和位置标注；搭建深度卷积神经网络；开展模型训练，得到训练后的模型；利用训练得到的模型进行车辆外观损伤识别和模型评估。本发明专利技术所述的一种基于深度学习的车辆外观损伤识别方法，基于深度卷积神经网络模型在复杂环境下对车辆外观件损伤类型及程度进行识别，在保证算法精度的同时，提升算法运算速度。

A Vehicle Appearance Damage Recognition Method Based on Deep Learning

The invention provides a vehicle appearance damage identification method based on depth learning, which includes acquiring the actual vehicle appearance damage image and labeling the damage type and location; building a depth convolution neural network; carrying out model training to obtain the trained model; and using the trained model to identify and evaluate the vehicle appearance damage. The invention provides a vehicle appearance damage identification method based on depth learning, which identifies the type and degree of vehicle appearance damage in complex environment based on depth convolution neural network model, ensures the accuracy of the algorithm, and improves the calculation speed of the algorithm.

【技术实现步骤摘要】
一种基于深度学习的车辆外观损伤识别方法
本专利技术属于人工智能领域，尤其是涉及一种基于深度学习的车辆外观损伤识别方法。
技术介绍
近年来，随着中国经济社会的持续快速发展，全国机动车保有量持续快速增长，车辆交通事故问题也一直频繁发生。通常，车辆发生交通事故后需要保险公司专业理赔人员采用人工判定方法进行车辆损伤的识别，导致保险公司案件处理效率低，车主等待时间长等诸多问题。经过对现有技术的检索发现，中国专利文献号CN105678622A，公开/公告日2016年06月15日，专利技术名称为“车险理赔照片的分析方法及系统”中公开了一种利用常规卷积神经网络对移动端上传的事故照片进行分析、识别出损伤部位并基于分析结果生成提醒信息的方法。此方法只是确定车辆的损伤部位，不能识别出具体的损伤类型。此外，该方法中车辆的定损结果还是需要依靠人工核定，人力成本依然较大。此外，中国专利文献号CN107358596A，公开/公告日2017年11月17日，公开了一种基于图像的车辆定损方法、装置、电子设备及系统。该专利中通过卷积层CNN和区域建议层RPN的网络模型构建经过样本训练实现了车辆外观部件损伤的识别。该方法采用了多尺度和多比例基准框，能够有效提升非常规尺度和比例的损伤检测。该模型算法整体分为两个阶段，首先应用RPN对特征图进行粗选区域筛选，再应用卷积神经网络对得到的粗选区域进行分类、回归。但方法过程复杂、计算量较大，导致算法检测速度较慢，难以达到实时的效果。
技术实现思路
有鉴于此，本专利技术旨在提出一种基于深度学习的车辆外观损伤识别方法，基于深度卷积神经网络模型在复杂环境下对车辆外观件损伤类型及程度进行识别，在保证算法精度的同时，提升算法运算速度。为达到上述目的，本专利技术的技术方案是这样实现的：一种基于深度学习的车辆外观损伤识别方法，包括：步骤一：获取实际车辆外观损伤图像并进行损伤类型和位置标注；步骤二：搭建深度卷积神经网络；步骤三：开展模型训练，得到训练后的模型；步骤四：利用训练得到的模型进行车辆外观损伤识别和模型评估。进一步的，步骤一中，自建数据集，将获取的多种拍摄角度、多个车型和多种环境下的车辆外观损伤图像存入数据集中。获取的图像覆盖白天和夜晚下的车前、车后、侧前等多个方位的轿车、SUV、MPV、交叉型乘用车等车辆外观损伤的远景和近景图像。采用图像标注工具，对车辆外观件损伤，如剐蹭、划伤、凹陷等情况进行标注。进一步的，步骤一中，将标注完成的数据集分成训练集、验证集和测试集。进一步的，步骤二中，首先搭建主干网络，实现基于卷积神经网络模型CNN的特征提取，设置网络阈值、最大迭代次数等参数；搭建候选框生成网络，将提取的特征图作为输入，实现基于卷积神经网络模型CNN的候选框生成；候选框中既有前景候选框也有背景候选框，该网络直接将生成的候选框输入下一部分网络，未做初筛，极大地缩短模型运行的速度；搭建目标图片分类网络和边界框回归网络，输入候选框实现对候选框中目标的分类和目标的位置回归。进一步的，步骤二中，使用残差网络ResNet作为主干网络，并且使用金字塔网络FPN对主干网络进行扩展。进一步的，步骤二中，搭建的深度神经网络是前馈神经网络，通过构建损失函数不断反馈调整网络参数从而完成模型训练，传统的一阶段网络损失函数为交叉熵CE损失函数，公式如下：其中y＝1表示正样本，y＝-1表示负样本，p∈[0,1]为置信分数；若使用此函数，当有大量简单的样本存在时，即使各自产生的误差很小，它们误差的总和都可能会对检测器产生巨大影响；通过在交叉熵损失函数前面增加权重函数，可以解决类别失衡的问题，令则CE(p,y)＝CE(pt)＝-log(pt)，增加权重函数-(1-pt)γ，从而推导出新的损失函数公式是：NCE(pt)＝-(1-pt)γlog(pt)，其中，γ是一个调节因子且γ＞0；新的损失函数解决了传统一阶段网络的类别失衡问题，即解决训练时前景-背景类别失衡导致大量的简单负样本在训练过程中压倒检测器的情况。进一步的，步骤三中，首先初始化网络中待训练的参数，向初始化后的网络中输入训练集进行前向传播；使用步骤二中的损失函数，利用卷积神经网络作为前馈神经网络的特点实现对网络中参数的调整，直到损失值小于设定的阈值或达到最大迭代次数时训练结束，最终训练得到用于车辆外观损伤识别的网络模型。进一步的，步骤三中，训练集中的训练样本数据包括原始图像、损伤位置以及损伤类型信息。进一步的，步骤三中，模型输出的是车辆照片中外观损伤级别，包括损伤类型和损伤位置。相对于现有技术，本专利技术所述的一种基于深度学习的车辆外观损伤识别方法具有以下优势：本专利技术所述的一种基于深度学习的车辆外观损伤识别方法，通过搭建的深度卷积神经网络模型实现了车辆外观损伤的识别，包括损伤类型和损伤位置，定位准确；模型算法通过改进算法的损失函数解决了实际中出现的类别不平衡导致检测精度低的问题，实现了快速准确地识别车辆外观损伤的功能；本专利技术的实现有助于提升保险公司识别车辆部件损伤的效率及准确率，真正意义上地解决实际理赔中人力调用费用高、车主等待时间长等问题。附图说明构成本专利技术的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术实施例所述的一种基于深度学习的车辆外观损伤识别方法流程图；图2为本专利技术实施例所述的一种基于深度学习的车辆外观损伤识别方法网络模型结构图。具体实施方式需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本专利技术中的具体含义。下面将参考附图并结合实施例来详细说明本专利技术。如图1-2所示，一种基于深度学习的车辆外观损伤识别方法，包括：步骤一：获取实际车辆外观损伤图像并进行损伤类型和位置标注；步骤二：搭建深度卷积神经网络；步骤三：开展模型训练，得到训练后的模型；步骤四：利用训练得到的模型进行车辆外观损伤识别和模型评估。如图1-2所示，步骤一中，自建数据集，将获取的多种拍摄角度、多个车型和多种环境下的车辆外观损伤图像存入数据集中。获取的图像覆盖白天和夜晚下的车前、车后、侧本文档来自技高网...

【技术保护点】
1.一种基于深度学习的车辆外观损伤识别方法，其特征在于：包括：步骤一：获取实际车辆外观损伤图像并进行损伤类型和位置标注；步骤二：搭建深度卷积神经网络；步骤三：开展模型训练，得到训练后的模型；步骤四：利用训练得到的模型进行车辆外观损伤识别和模型评估。

【技术特征摘要】
1.一种基于深度学习的车辆外观损伤识别方法，其特征在于：包括：步骤一：获取实际车辆外观损伤图像并进行损伤类型和位置标注；步骤二：搭建深度卷积神经网络；步骤三：开展模型训练，得到训练后的模型；步骤四：利用训练得到的模型进行车辆外观损伤识别和模型评估。2.根据权利要求1所述的一种基于深度学习的车辆外观损伤识别方法，其特征在于：步骤一中，自建数据集，将获取的多种拍摄角度、多个车型和多种环境下的车辆外观损伤图像存入数据集中。3.根据权利要求2所述的一种基于深度学习的车辆外观损伤识别方法，其特征在于：步骤一中，将标注完成的数据集分成训练集、验证集和测试集。4.根据权利要求3所述的一种基于深度学习的车辆外观损伤识别方法，其特征在于：步骤二中，首先搭建主干网络，实现基于卷积神经网络模型CNN的特征提取；搭建候选框生成网络，将提取的特征图作为输入，实现基于卷积神经网络模型CNN的候选框生成；搭建目标图片分类网络和边界框回归网络，输入候选框实现对候选框中目标的分类和目标的位置回归。5.根据权利要求4所述的一种基于深度学习的车辆外观损伤识别方法，其特征在于：步骤二中，使用残差网络ResNet作为主干网络，并且使用...

【专利技术属性】
技术研发人员：朱向雷，郭维明，刘森，朱倩倩，赵子豪，
申请(专利权)人：天津卡达克数据有限公司，
类型：发明
国别省市：天津,12