【技术实现步骤摘要】
车损检测方法、装置、设备及存储介质
[0001]本专利技术涉及人工智能
，尤其涉及一种车损检测方法、装置、设备及存储介质。
技术介绍
[0002]在常规车险理赔作业中，除了检测车身主要外观件，还需要针对外观件上的附件以及汽车内部件等进行查勘定损，以实现准确的理赔目的。其中，外观件上的附件的种类繁多，可以大致分为四个大类：保险杠附件、叶子板附件、车门附件、机盖行李箱盖附件，每一大类又可分为多个小类，比如，保险杠附件包括徽标、保险杠亮条、保险杠饰条、电眼、拖车钩盖板等类别，各个小类还可能存在方位信息，比如，前保险杠徽标、前盖徽标、后保险杠饰条等。
[0003]在传统理赔流程中，查勘员需要去现场或修理厂等地进行实地查勘，同时结合个人理赔经验和公司理赔规则对车辆附件损伤部位进行人工识别，这一过程强烈依赖于主观意识，且由于每个用户对理赔规则理解不一致、观察经验不足等因素，极易导致人工识别出的结果与实际损伤部位不符的情况。此外，由于人工识别过程中工作量大，定损效率低，会耗费较多的人力资源和时间成本。
技术实现思路
[0004]鉴于以上内容，有必要提供一种车损检测方法、装置、设备及存储介质，能够解决如何提高车损检测准确性及检测效率的技术问题。
[0005]一方面，本专利技术提出一种车损检测方法，所述车损检测方法包括：
[0006]对获取到的样本图像进行扩增处理，得到训练图像；
[0007]获取预设车损检测网络，所述预设车损检测网络包括特征提取层、特征融合层及网络输出层；>[0008]基于所述特征提取层对所述训练图像进行特征提取，得到图像特征；
[0009]基于所述特征融合层对所述图像特征进行融合处理，得到融合特征；
[0010]将所述融合特征输入至所述网络输出层中，得到预测信息；
[0011]根据所述预测信息及所述训练图像的标注结果生成所述预设车损检测网络的网络损失值；
[0012]基于所述网络损失值对所述预设车损检测网络进行参数调整，得到车损检测模型；
[0013]根据所述车损检测模型及预先训练完成的语义分割模型对待识别图像进行检测，得到检测结果。
[0014]根据本专利技术优选实施例，所述对获取到的样本图像进行扩增处理，得到训练图像包括：
[0015]获取多个所述样本图像的图像类别；
[0016]统计所述多个样本图像在每个图像类别中的类别数量；
[0017]根据所述类别数量，从多个所述图像类别中识别出目标类别；
[0018]基于预设策略，对与所述目标类别所对应的样本图像进行扩增处理，得到所述训练图像。
[0019]根据本专利技术优选实施例，所述根据所述类别数量，从多个所述图像类别中识别出目标类别包括：
[0020]计算所述类别数量的数量标准差及数量均值；
[0021]根据所述数量标准差数量及所述数量均值生成目标数值；
[0022]将小于所述目标数值的类别数量所对应的图像类别确定为所述目标类别。
[0023]根据本专利技术优选实施例，所述特征提取层包括多个支路的卷积层，所述基于所述特征提取层对所述训练图像进行特征提取，得到图像特征包括：
[0024]基于每个支路的卷积层对所述训练图像进行卷积处理，得到每个支路的卷积特征；
[0025]对多个所述卷积特征进行加权和运算，得到所述图像特征。
[0026]根据本专利技术优选实施例，所述基于所述特征融合层对所述图像特征进行融合处理，得到融合特征包括：
[0027]对所述图像特征进行多层卷积处理，得到初始特征；
[0028]对每个初始特征进行池化处理，得到池化特征；
[0029]对所述池化特征中的高层特征进行最大池化处理，得到第一特征；
[0030]对所述池化特征中的低层特征进行上采样处理，得到第二特征；
[0031]对所述第一特征及所述第二特征进行特征加和运算，得到所述融合特征。
[0032]根据本专利技术优选实施例，所述预测信息包括预测框图、所述预测框图所对应的损伤附件及所述损伤附件的预测概率，所述标注结果包括标注框图及所述标注框图所对应的标注类型，所述网络损失值的计算公式为：
[0033]y＝a
×
FL(p
t
)+b
×
R；
[0034]FL(p
t
)＝
‑
(1
‑
p
t
)
γ
log(p
t
)；
[0035][0036]其中，y表示所述网络损失值，FL(p
t
)表示所述预设车损检测网络的第一损失值，R表示所述预设车损检测网络的第二损失值，a＞0，b＞0，γ＞0，p
t
表示所述损失附件与所述标注类型相同时，所述损失附件所对应的预测概率，k1表示所述预测框图的中心位置，k2表示所述标注框图的中心位置，d2(k1，k2)表示所述预测框图的中心位置与标注框图的中心位置的距离平方值，L表示所述预测框图与所述标注框图的最小外围矩形框的对角线长度。
[0037]根据本专利技术优选实施例，所述根据所述车损检测模型及预先训练完成的语义分割模型对待识别图像进行检测，得到检测结果包括：
[0038]基于所述车损检测模型对所述待识别图像进行检测，得到损伤框图、所述损伤框图所对应的检测类别及所述检测类别所对应的检测概率；
[0039]根据所述检测概率，从所述检测类别中筛选出目标类别；
[0040]将所述损伤框图输入至所述语义分割模型进行语义分割处理，得到语义类别；
[0041]根据所述目标类别及所述语义类别生成所述检测结果。
[0042]另一方面，本专利技术还提出一种车损检测装置，所述车损检测装置包括：
[0043]扩增单元，用于对获取到的样本图像进行扩增处理，得到训练图像；
[0044]获取单元，用于获取预设车损检测网络，所述预设车损检测网络包括特征提取层、特征融合层及网络输出层；
[0045]提取单元，用于基于所述特征提取层对所述训练图像进行特征提取，得到图像特征；
[0046]融合单元，用于基于所述特征融合层对所述图像特征进行融合处理，得到融合特征；
[0047]输入单元，用于将所述融合特征输入至所述网络输出层中，得到预测信息；
[0048]生成单元，用于根据所述预测信息及所述训练图像的标注结果生成所述预设车损检测网络的网络损失值；
[0049]调整单元，用于基于所述网络损失值对所述预设车损检测网络进行参数调整，得到车损检测模型；
[0050]检测单元，用于根据所述车损检测模型及预先训练完成的语义分割模型对待识别图像进行检测，得到检测结果。
[0051]另一方面，本专利技术还提出一种电子设备，所述电子设备包括：
[0052]存储器，存储计算机可读指令；及
[0053]处理器本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车损检测方法，其特征在于，所述车损检测方法包括：对获取到的样本图像进行扩增处理，得到训练图像；获取预设车损检测网络，所述预设车损检测网络包括特征提取层、特征融合层及网络输出层；基于所述特征提取层对所述训练图像进行特征提取，得到图像特征；基于所述特征融合层对所述图像特征进行融合处理，得到融合特征；将所述融合特征输入至所述网络输出层中，得到预测信息；根据所述预测信息及所述训练图像的标注结果生成所述预设车损检测网络的网络损失值；基于所述网络损失值对所述预设车损检测网络进行参数调整，得到车损检测模型；根据所述车损检测模型及预先训练完成的语义分割模型对待识别图像进行检测，得到检测结果。2.如权利要求1所述的车损检测方法，其特征在于，所述对获取到的样本图像进行扩增处理，得到训练图像包括：获取多个所述样本图像的图像类别；统计所述多个样本图像在每个图像类别中的类别数量；根据所述类别数量，从多个所述图像类别中识别出目标类别；基于预设策略，对与所述目标类别所对应的样本图像进行扩增处理，得到所述训练图像。3.如权利要求2所述的车损检测方法，其特征在于，所述根据所述类别数量，从多个所述图像类别中识别出目标类别包括：计算所述类别数量的数量标准差及数量均值；根据所述数量标准差数量及所述数量均值生成目标数值；将小于所述目标数值的类别数量所对应的图像类别确定为所述目标类别。4.如权利要求1所述的车损检测方法，其特征在于，所述特征提取层包括多个支路的卷积层，所述基于所述特征提取层对所述训练图像进行特征提取，得到图像特征包括：基于每个支路的卷积层对所述训练图像进行卷积处理，得到每个支路的卷积特征；对多个所述卷积特征进行加权和运算，得到所述图像特征。5.如权利要求1所述的车损检测方法，其特征在于，所述基于所述特征融合层对所述图像特征进行融合处理，得到融合特征包括：对所述图像特征进行多层卷积处理，得到初始特征；对每个初始特征进行池化处理，得到池化特征；对所述池化特征中的高层特征进行最大池化处理，得到第一特征；对所述池化特征中的低层特征进行上采样处理，得到第二特征；对所述第一特征及所述第二特征进行特征加和运算，得到所述融合特征。6.如权利要求1所述的车损检测方法，其特征在于，所述预测信息包括预测框图、所述预测框图所对应的损伤附件及所述损伤附件的预测概率，所述标注结果包括标注框图及所述标注框图所对应的标注类型，所述网络损失值的计算公式为：y＝a
×
FL(p
t
)+
×
R；
...
【专利技术属性】
技术研发人员：余宪，王晨羽，刘莉红，陈远旭，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：
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。