【技术实现步骤摘要】
目标物损伤程度判定方法、装置、电子设备及存储介质
本专利技术涉及人工智能
，尤其涉及一种目标物损伤程度判定的方法、装置及计算机可读存储介质。
技术介绍
车辆等物体的损伤程度的判断通常有两种方式：一是由人工判断，但每个人的判断标准以及经验丰富程度存在差异，导致损伤程度的判断结果的主观性较大且准确性不足；二是运用计算机视觉技术进行损伤程度的判定。所述计算机视觉技术一般为二阶段检测算法。所述二阶段检测算法是利用RoIPooling(RegionofInterestpooling，感兴趣区域池)等网络层提取物体的特征图，并将所述特征图送入不同分支完成分类和位置回归，输出一组真实框。所述二阶段检测算法需要定义一系列稠密均匀分布的锚框，这些锚框会根据其尺寸大小和不同的特征图联系起来，锚框与真实框匹配的过程隐式地决定了真实框由哪层特征图负责预测，匹配完成得到损伤程度的判定结果。基于以上的物体损伤程度的两种判断方式存在下述缺陷：1、依靠人工进行定损需要耗费大量人力成本、耗时较长且准确率较低；2、二阶段检测算法虽然可以提高准确率...
【技术保护点】
1.一种目标物损伤程度鉴定方法，其特征在于，所述方法包括：/n获取原始图片训练集及所述原始图片训练集对应的标签集，将所述原始图片训练集中的图片按照对应标签进行分类，得到标准图片训练集；/n构建目标物损伤程度分类模型，其中，所述目标物损伤程度分类模型包括全卷积神经网络，所述全卷积神经网络包括分类子网络和边框回归子网络；/n将所述标准图片训练集输入至所述全卷积神经网络，并利用所述分类子网络生成所述标准图片训练集内每个图片的锚框及真实框，通过所述边框回归子网络对所述锚框与真实框进行边框回归，得到预测损失值集，根据所述预测损失值集得到标准目标物损伤程度分类模型；/n利用所述标准目标...
【技术特征摘要】
1.一种目标物损伤程度鉴定方法，其特征在于，所述方法包括：
获取原始图片训练集及所述原始图片训练集对应的标签集，将所述原始图片训练集中的图片按照对应标签进行分类，得到标准图片训练集；
构建目标物损伤程度分类模型，其中，所述目标物损伤程度分类模型包括全卷积神经网络，所述全卷积神经网络包括分类子网络和边框回归子网络；
将所述标准图片训练集输入至所述全卷积神经网络，并利用所述分类子网络生成所述标准图片训练集内每个图片的锚框及真实框，通过所述边框回归子网络对所述锚框与真实框进行边框回归，得到预测损失值集，根据所述预测损失值集得到标准目标物损伤程度分类模型；
利用所述标准目标物损伤程度分类模型对目标物的受损图像集进行分析，得到目标物损伤程度鉴定结果。
2.如权利要求1所述的目标物损伤程度判定方法，其特征在于，所述根据所述预测损失值集得到标准目标物损伤程度分类模型，包括：
在所述预测损失值集不满足预设损失要求时，调整边框回归子网络中预设的损失函数的系数后重新通过所述边框回归子网络对所述锚框与真实框进行边框回归，直到所述预测损失值集满足所述预设损失要求，根据边框回归子网络中当前的损失函数的系数，得到所述标准目标物损伤程度分类模型。
3.如权利要求2所述的目标物损伤程度判定方法，其特征在于，所述在所述预测损失值集不满足预设损失要求时，该方法还包括：
将所述预测损失值集中内每个损失值与预设的损失值阈值进行比较；
计算大于所述预设的损失值阈值的损失值的数量与小于或者等于所述预设的损失值阈值的损失值的数量之间的比例值；
在所述比例值大于预设的比例阈值时，执行所述调整边框回归子网络中预设的损失函数的系数；
在所述比例值小于或者等于所述预设的比例阈值时，直接根据边框回归子网络中当前的损失函数的系数，得到所述标准目标物损伤程度分类模型。
4.如权利要求1所述的目标物损伤程度判定方法，其特征在于，所述利用所述分类子网络生成所述标准图片训练集内每个图片的锚框，包括：
在所述分类子网络中获取所述标准图片训练集内的图片，检测所述图片中的目标物得到真实框，并对所述图片中的所有像素点进行随机采样，得到一系列以像素点为中心的锚框。
5.如权利要求3所述的目标物损伤程度判定方法，其特征在于，所述通过所述边框回归子网络对所述锚框与真实框进行边框回归，得到预测损失值集，包括：
利用所述边框回归子网络中预设...
【专利技术属性】
技术研发人员：林春伟，刘伟锋，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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。