车辆损伤特征检测方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术涉及人工智能领域，本发明专利技术公开了一种车辆损伤特征检测方法、装置、计算机设备及存储介质，所述方法包括：获取待检测车辆损伤图像并输入无监督领域自适应网络模型；通过基于pytorch的迁移学习模型提取车辆特征并生成局部特征图和全局特征图；根据车辆特征输出迁移特征向量组，同时通过强局部特征自适应模型获取第一自适应特征向量组，以及通过弱全局特征自适应模型获取第二自适应特征向量组；对迁移特征向量组、第一自适应特征向量组和第二自适应特征向量组进行正则化处理得到识别结果。本发明专利技术实现了自动识别待检测车辆损伤图像中的损伤类型及损伤区域。本发明专利技术还涉及区块链技术，本发明专利技术中的无监督领域自适应网络模型可存储于区块链中。

【技术实现步骤摘要】
车辆损伤特征检测方法、装置、计算机设备及存储介质
本专利技术涉及人工智能的图像分类领域，尤其涉及一种车辆损伤特征检测方法、装置、计算机设备及存储介质。
技术介绍
在车辆发生交通事故后，车辆的某些部位会留下破损、刮伤等损伤的痕迹，目前，保险公司一般是人工识别由车主或业务人员拍摄的交通事故之后的车辆损伤的图像，即对图像中车辆的损伤部位的损伤类型及损伤区域进行人工识别并判定，如此，可能由于存在标准理解不一、观察经验不足等影响，导致人工识别的损伤类型及损伤区域不符；例如：由于凹陷和刮擦难以通过目测图像加以分辨，定损人员很容易就将凹陷的损伤类型确定为刮擦的损伤类型，上述情况下导致的定损失误，会大大降低了定损的准确性；在可能会导致保险公司的成本损失的同时，也会降低车主或客户的满意度；此外，人工定损的工作量巨大，定损效率低下，在需要满足一定的定损准确度的情况下，会进一步提升工作量，降低工作效率。
技术实现思路
本专利技术提供一种车辆损伤特征检测方法、装置、计算机设备及存储介质，实现了快速地、准确地自动识别出待检测车辆损伤图像中车辆损伤的部位对应的损伤类型及损伤区域，大大缩减了模型构架的过程及模型训练的过程，提升了对定损类型和定损区域进行确定的准确率及可靠性，提高了定损效率。一种车辆损伤特征检测方法，包括：接收车辆损伤检测指令之后，获取待检测车辆损伤图像；所述待检测车辆损伤图像包含至少一处车辆被损伤位置的图像；将所述待检测车辆损伤图像输入无监督领域自适应网络模型；所述无监督领域自适应网络模型包括基于pytorch的迁移学习模型、强局部特征自适应模型、弱全局特征自适应模型和正则化模型；通过所述基于pytorch的迁移学习模型提取所述待检测车辆损伤图像的车辆特征并生成局部特征图和全局特征图；所述车辆特征为通过迁移学习后与车辆相关的特征；通过所述基于pytorch的迁移学习模型根据所述车辆特征输出迁移特征向量组，同时通过所述强局部特征自适应模型获取第一自适应特征向量组，以及通过所述弱全局特征自适应模型获取第二自适应特征向量组；所述第一自适应特征向量组为所述强局部特征自适应模型根据自所述局部特征图中提取的第一车辆损伤特征获取并输出；所述第二自适应特征向量组为所述弱全局特征自适应模型根据自所述全局特征图中提取的第二车辆损伤特征获取并输出；将所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组输入所述正则化模型，通过所述正则化模型对所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组进行正则化处理，得到包含损伤类型和损伤区域的识别结果；所述识别结果表征了所述待检测车辆损伤图像中包含所有被损伤的类型及对应的损伤区域的结果。一种车辆损伤特征检测装置，包括：接收模块，用于接收车辆损伤检测指令之后，获取待检测车辆损伤图像；所述待检测车辆损伤图像包含至少一处车辆被损伤位置的图像；输入模块，用于将所述待检测车辆损伤图像输入无监督领域自适应网络模型；所述无监督领域自适应网络模型包括基于pytorch的迁移学习模型、强局部特征自适应模型、弱全局特征自适应模型和正则化模型；提取模块，用于通过所述基于pytorch的迁移学习模型提取所述待检测车辆损伤图像的车辆特征并生成局部特征图和全局特征图；所述车辆特征为通过迁移学习后与车辆相关的特征；输出模块，用于通过所述基于pytorch的迁移学习模型根据所述车辆特征输出迁移特征向量组，同时通过所述强局部特征自适应模型获取第一自适应特征向量组，以及通过所述弱全局特征自适应模型获取第二自适应特征向量组；所述第一自适应特征向量组为所述强局部特征自适应模型根据自所述局部特征图中提取的第一车辆损伤特征获取并输出；所述第二自适应特征向量组为所述弱全局特征自适应模型根据自所述全局特征图中提取的第二车辆损伤特征获取并输出；识别模块，用于将所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组输入所述正则化模型，通过所述正则化模型对所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组进行正则化处理，得到包含损伤类型和损伤区域的识别结果；所述识别结果表征了所述待检测车辆损伤图像中包含所有被损伤的类型及对应的损伤区域的结果。一种计算机设备，包括存储器、处理器以及存储在所述存储器中并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上述车辆损伤特征检测方法的步骤。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上述车辆损伤特征检测方法的步骤。本专利技术提供的车辆损伤特征检测方法、装置、计算机设备及存储介质，通过获取待检测车辆损伤图像；将所述待检测车辆损伤图像输入无监督领域自适应网络模型；所述无监督领域自适应网络模型包括基于pytorch的迁移学习模型、强局部特征自适应模型、弱全局特征自适应模型和正则化模型；所述基于pytorch的迁移学习模型提取所述待检测车辆损伤图像的车辆特征，同时所述基于pytorch的迁移学习模型在提取所述车辆特征过程中，生成了局部特征图和全局特征图；所述车辆特征为通过迁移学习后与车辆相关的特征；通过所述基于pytorch的迁移学习模型根据所述车辆特征输出迁移特征向量组，同时通过所述强局部特征自适应模型获取第一自适应特征向量组，以及通过所述弱全局特征自适应模型获取第二自适应特征向量组；将所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组输入所述正则化模型，通过所述正则化模型对所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组进行正则化处理，得到包含损伤类型和损伤区域的识别结果，如此，实现了通过迁移学习pytorch模型、强局部特征自适应模型强化第一车辆损伤特征及弱全局特征自适应模型提取第二车辆损伤特征构架的适用于车辆损伤检测的无监督领域自适应网络模型，能够快速地、准确地自动识别出待检测车辆损伤图像中车辆损伤的部位对应的损伤类型及损伤区域，大大缩减了模型构架的过程及模型训练的过程，提升了对定损类型和定损区域进行确定的准确率及可靠性，提高了定损效率。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的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是本专利技术一实施例中车辆损伤特征检测方法的应用环境示意图；图2是本专利技术一实施例中车辆损伤特征检测方法的流程图；图3是本专利技术一实施例中车辆损伤特征检测方法的步骤S20的流程图；图4是本专利技术另一实施例中车辆损伤特征检测方法的步骤S20的流程图；图5是本专利技术一实施例中车辆损伤特征检测方法的步骤S40的流程图；图6是本专利技术另一实施例中车辆损伤特征检测方法的步骤S40的流程图；图7是本专利技术一实施例中本文档来自技高网...

【技术保护点】
1.一种车辆损伤特征检测方法，其特征在于，包括：/n接收车辆损伤检测指令之后，获取待检测车辆损伤图像；所述待检测车辆损伤图像包含至少一处车辆被损伤位置的图像；/n将所述待检测车辆损伤图像输入无监督领域自适应网络模型；所述无监督领域自适应网络模型包括基于pytorch的迁移学习模型、强局部特征自适应模型、弱全局特征自适应模型和正则化模型；/n通过所述基于pytorch的迁移学习模型提取所述待检测车辆损伤图像的车辆特征并生成局部特征图和全局特征图；所述车辆特征为通过迁移学习后与车辆相关的特征；/n通过所述基于pytorch的迁移学习模型根据所述车辆特征输出迁移特征向量组，同时通过所述强局部特征自适应模型获取第一自适应特征向量组，以及通过所述弱全局特征自适应模型获取第二自适应特征向量组；所述第一自适应特征向量组为所述强局部特征自适应模型根据自所述局部特征图中提取的第一车辆损伤特征获取并输出；所述第二自适应特征向量组为所述弱全局特征自适应模型根据自所述全局特征图中提取的第二车辆损伤特征获取并输出；/n将所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组输入所述正则化模型，通过所述正则化模型对所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组进行正则化处理，得到包含损伤类型和损伤区域的识别结果；所述识别结果表征了所述待检测车辆损伤图像中包含所有被损伤的类型及对应的损伤区域的结果。/n...

【技术特征摘要】
1.一种车辆损伤特征检测方法，其特征在于，包括：
接收车辆损伤检测指令之后，获取待检测车辆损伤图像；所述待检测车辆损伤图像包含至少一处车辆被损伤位置的图像；
将所述待检测车辆损伤图像输入无监督领域自适应网络模型；所述无监督领域自适应网络模型包括基于pytorch的迁移学习模型、强局部特征自适应模型、弱全局特征自适应模型和正则化模型；
通过所述基于pytorch的迁移学习模型提取所述待检测车辆损伤图像的车辆特征并生成局部特征图和全局特征图；所述车辆特征为通过迁移学习后与车辆相关的特征；
通过所述基于pytorch的迁移学习模型根据所述车辆特征输出迁移特征向量组，同时通过所述强局部特征自适应模型获取第一自适应特征向量组，以及通过所述弱全局特征自适应模型获取第二自适应特征向量组；所述第一自适应特征向量组为所述强局部特征自适应模型根据自所述局部特征图中提取的第一车辆损伤特征获取并输出；所述第二自适应特征向量组为所述弱全局特征自适应模型根据自所述全局特征图中提取的第二车辆损伤特征获取并输出；
将所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组输入所述正则化模型，通过所述正则化模型对所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组进行正则化处理，得到包含损伤类型和损伤区域的识别结果；所述识别结果表征了所述待检测车辆损伤图像中包含所有被损伤的类型及对应的损伤区域的结果。


2.如权利要求1所述的车辆损伤特征检测方法，其特征在于，所述将所述待检测车辆损伤图像输入无监督领域自适应网络模型之前，包括：
获取车损样本集；所述车损样本集包括车损样本图像，一个所述车损样本图像与一个损伤标签组关联；所述损伤标签组包括至少一个损伤标签类型和至少一个损伤标签区域；
将所述车损样本图像输入含有初始参数的自适应网络模型；
通过所述自适应网络模型对所述车损样本图像进行训练特征提取，获取所述自适应网络模型根据所述训练特征输出的所述车损样本图像对应的训练结果；所述训练特征包括所述车辆特征、所述第一车辆损伤特征和所述第二车辆损伤特征；所述训练结果包括至少一个样本损伤类型和至少一个样本损伤区域；
将所述车损样本图像对应的所有所述损伤标签类型、所有所述损伤标签区域、所有所述样本损伤类型、所有所述样本损伤区域输入所述自适应网络模型中的损失模型，及通过所述损失模型的损失函数计算出损失值；
在所述损失值达到预设的收敛条件时，将收敛之后的所述自适应网络模型记录为无监督领域自适应网络模型，并将所述无监督领域自适应网络模型存储在区块链中。


3.如权利要求2所述的车辆损伤特征检测方法，其特征在于，所述通过所述损失模型的损失函数计算出损失值，还包括：
在所述损失值未达到预设的收敛条件时，迭代更新所述自适应网络模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述自适应网络模型记录为无监督领域自适应网络模型，并将所述无监督领域自适应网络模型存储在区块链中。


4.如权利要求2所述的车辆损伤特征检测方法，其特征在于，所述将所述车损样本图像输入含有初始参数的自适应网络模型之前，包括：
通过迁移学习，获取训练完成的pytorch模型的所有迁移参数，将所有所述迁移参数确定为所述自适应网络模型中的所述初始参数。


5.如权利要求1所述的车辆损伤特征检测方法，其特征在于，所述强局部特征自适应模型对所述局部特征图进行第一车辆损伤特征的提取，所述强局部特征自适应模型根据所述第一车辆损伤特征输出第一自适应特征向量组，包括：
将所述局部特征图输入所述强局部特征自适应模型中的局部卷积层，通过所述局部卷积层提取所述局部特征图中的所述第一车辆损伤特征，得到局部特征向量图；
将所述局部特征向量图输入所述强局部特征自适应模型中的池化层，通过所述池化层对所述局部特征向量图进行池化处理，得到局部...

【专利技术属性】
技术研发人员：康甲，刘莉红，刘玉宇，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