基于人工智能的倒车镜损伤检测方法及相关设备技术

本申请提出一种基于人工智能的倒车镜损伤检测方法、装置、电子设备及存储介质，基于人工智能的倒车镜损伤检测方法包括：对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像；依据所述车辆图像训练车辆部件分割模型；依据所述倒车镜图像训练倒车镜损伤检测模型；将待检测车辆图像输入所述车辆部件分割模型以获得待检测倒车镜图像；将所述待检测倒车镜图像输入所述倒车镜损伤检测模型以获得倒车镜损伤检测结果。该方法可以实现端到端的倒车镜损伤检测，从而能够提升倒车镜损伤检测的准确度。准确度。准确度。

【技术实现步骤摘要】
基于人工智能的倒车镜损伤检测方法及相关设备


[0001]本申请涉及人工智能
，尤其涉及一种基于人工智能的倒车镜损伤检测方法、装置、电子设备及存储介质。

技术介绍

[0002]随着数字科技的发展，越来越多的企业倾向于利用图像处理技术为用户提供便捷的服务，例如，越来越多的保险公司在处理车辆理赔业务时倾向于利用图像处理技术对车辆损伤进行鉴定进而提升理赔效率。
[0003]目前，通常利用诸如语义分割模型或目标检测模型等现有的图像处理技术对事故车辆进行智能定损，然而，不同的车辆部件之间的差异性通常较大，这种方式无法对车辆部件进行细粒度的划分，从而会导致对事故车辆倒车镜损伤检测的准确度较低。

技术实现思路

[0004]鉴于以上内容，有必要提供一种基于人工智能的倒车镜损伤检测方法及相关设备，以解决如何提高倒车镜损伤检测的准确度这一技术问题，其中，相关设备包括基于人工智能的倒车镜损伤检测装置、电子设备及存储介质。
[0005]本申请实施例提供一种基于人工智能的倒车镜损伤检测方法，所述方法包括：
[0006]对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像；
[0007]依据所述车辆图像训练车辆部件分割模型；
[0008]依据所述倒车镜图像训练倒车镜损伤检测模型；
[0009]将待检测车辆图像输入所述车辆部件分割模型以获得待检测倒车镜图像；
[0010]将所述待检测倒车镜图像输入所述倒车镜损伤检测模型以获得倒车镜损伤检测结果。
[0011]上述基于人工智能的倒车镜损伤检测方法通过对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像，并依据大量的车辆图像训练车辆部件分割模型，依据大量的倒车镜图像训练倒车镜损伤检测模型，进而利用车辆部件分割模型分割待检测车辆图像获得待检测倒车镜图像，最终利用倒车镜损伤检测模型对待检测倒车镜图像进行损伤检测获得倒车镜损伤检测结果，通过大量的历史车辆数据训练鲁棒性较强的车损识别模型，能够做到端到端的倒车镜损伤识别，从而能够提升倒车镜损伤识别的准确度。
[0012]在一些实施例中，所述对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像，包括：
[0013]对历史车损图像进行降噪处理获得多个降噪图像；
[0014]对所述降噪图像进行增强处理获得多个车辆图像；
[0015]分割所述车辆图像获得多个倒车镜图像。
[0016]在一些实施例中，所述依据所述车辆图像训练车辆部件分割模型包括：
[0017]对所述车辆图像进行标注获得第一标签图像，将所述第一标签图像与所述车辆图
像一一对应作为第一训练数据集；
[0018]构建初始分割模型，所述初始分割模型包括第一编码器和第一解码器；
[0019]依据所述第一训练数据集与预设的第一损失函数训练所述初始分割模型，直至所述预设的第一损失函数的数值不再变化，则停止训练并获得车辆部件分割模型。
[0020]在一些实施例中，所述依据所述倒车镜图像训练倒车镜损伤检测模型包括：
[0021]对所述倒车镜图像进行特征提取获得第二标签图像；
[0022]将所述第二标签图像与所述倒车镜图像一一对应作为第二训练数据集；
[0023]构建初始倒车镜损伤检测模型，所述初始倒车镜损伤检测模型包括第二编码器和第二解码器；
[0024]依据所述第二训练数据集与预设的第二损失函数训练所述初始倒车镜损伤检测模型，直至所述预设的第二损失函数的数值不再变化，则停止训练并获得倒车镜损伤检测模型。
[0025]在一些实施例中，所述对所述倒车镜图像进行特征提取获得第二标签图像，包括：
[0026]依据预设的标注工具对所述倒车镜图像中的车损部位进行标注获得初始标注图像，所述初始标注图像具备多个锚框，每个锚框具备一个损伤类别列表和一个初始损伤概率列表；
[0027]计算所述倒车镜图像中每个像素点的纹理特征值；
[0028]依据所述纹理特征值更新所述初始标注图像中的初始损伤概率列表获得第二标签图像。
[0029]在一些实施例中，所述将待检测车辆图像输入所述车辆部件分割模型获得待检测倒车镜图像，包括：
[0030]将待检测车辆图像输入所述部件分割模型获得所述待检测车辆图像中每个像素点的类别和每个类别对应的概率值；
[0031]分别将每个像素点的最大概率值对应的类别作为该像素点对应的类别，所述类别至少包括“左倒车镜”和“右倒车镜”；
[0032]将类别为“左倒车镜”和“右倒车镜”的像素点作为所述待检测图像对应的倒车镜图像。
[0033]在一些实施例中，所述将所述待检测倒车镜图像输入所述倒车镜损伤检测模型获得倒车镜损伤检测结果，包括：
[0034]将所述倒车镜图像输入所述倒车镜损伤检测模型获得多个预测锚框，每个预测锚框对应一个损伤类别列表和一个预测概率列表，所述预测概率列表中包含多个概率值；
[0035]将所述预测概率列表中最大概率值对应的类别作为所述预测锚框对应的损伤类别；
[0036]依据所述预测锚框的损伤类别和该损伤类别对应的概率值标记所述待检测车辆图像以获得倒车镜损伤检测结果。
[0037]本申请实施例还提供一种基于人工智能的倒车镜损伤检测装置，所述装置包括：
[0038]预处理单元，用于对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像；
[0039]第一训练单元，用于依据所述车辆图像训练车辆部件分割模型；
[0040]第二训练单元，用于依据所述倒车镜图像训练倒车镜损伤检测模型；
[0041]分割单元，用于将待检测车辆图像输入所述车辆部件分割模型以获得待检测倒车镜图像；
[0042]检测单元，用于将所述待检测倒车镜图像输入所述倒车镜损伤检测模型以获得倒车镜损伤检测结果。
[0043]本申请实施例还提供一种电子设备，所述电子设备包括：
[0044]存储器，存储计算机可读指令；及
[0045]处理器，执行所述存储器中存储的计算机可读指令以实现所述基于人工智能的倒车镜损伤检测方法。
[0046]本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述基于人工智能的倒车镜损伤检测方法。
[0047]上述基于人工智能的倒车镜损伤检测方法通过对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像，并依据大量的车辆图像训练车辆部件分割模型，依据大量的倒车镜图像训练倒车镜损伤检测模型，进而利用车辆部件分割模型分割待检测车辆图像获得待检测倒车镜图像，最终利用倒车镜损伤检测模型对待检测倒车镜图像进行损伤检测获得倒车镜损伤检测结果，通过大量的历史车辆数据训练鲁棒性较强的车损识别模型，能够做到端到端的倒车镜损伤识别，从而能够提升倒车镜损伤识别的准确度。
附图说明
[0048]图1是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的倒车镜损伤检测方法，其特征在于，所述方法包括：对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像；依据所述车辆图像训练车辆部件分割模型；依据所述倒车镜图像训练倒车镜损伤检测模型；将待检测车辆图像输入所述车辆部件分割模型以获得待检测倒车镜图像；将所述待检测倒车镜图像输入所述倒车镜损伤检测模型以获得倒车镜损伤检测结果。2.如权利要求1所述的基于人工智能的倒车镜损伤检测方法，其特征在于，所述对历史车损图像进行预处理获得多个车辆图像和多个倒车镜图像，包括：对历史车损图像进行降噪处理获得多个降噪图像；对所述降噪图像进行增强处理获得多个车辆图像；分割所述车辆图像获得多个倒车镜图像。3.如权利要求1所述的基于人工智能的倒车镜损伤检测方法，其特征在于，所述依据所述车辆图像训练车辆部件分割模型包括：对所述车辆图像进行标注获得第一标签图像，将所述第一标签图像与所述车辆图像一一对应作为第一训练数据集；构建初始分割模型，所述初始分割模型包括第一编码器和第一解码器；依据所述第一训练数据集与预设的第一损失函数训练所述初始分割模型，直至所述预设的第一损失函数的数值不再变化，则停止训练并获得车辆部件分割模型。4.如权利要求1所述的基于人工智能的倒车镜损伤检测方法，其特征在于，所述依据所述倒车镜图像训练倒车镜损伤检测模型包括：对所述倒车镜图像进行特征提取获得第二标签图像；将所述第二标签图像与所述倒车镜图像一一对应作为第二训练数据集；构建初始倒车镜损伤检测模型，所述初始倒车镜损伤检测模型包括第二编码器和第二解码器；依据所述第二训练数据集与预设的第二损失函数训练所述初始倒车镜损伤检测模型，直至所述预设的第二损失函数的数值不再变化，则停止训练并获得倒车镜损伤检测模型。5.如权利要求4所述的基于人工智能的倒车镜损伤检测方法，其特征在于，所述对所述倒车镜图像进行特征提取获得第二标签图像，包括：依据预设的标注工具对所述倒车镜图像中的车损部位进行标注获得初始标注图像，所述初始标注图像具备多个锚框，每个锚框具备一个损伤类别列表和一个初始损伤概率列表；计算所述倒车镜图像中每个像素点的纹理特征值；依据所...

【专利技术属性】
技术研发人员：方起明，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：