基于人工智能的轮胎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轮胎损伤检测方法、装置、电子设备及存储介质，基于人工智能的轮胎损伤检测方法包括：采集带部件标签的车辆图像作为部件训练集，基于部件训练集训练语义分割网络得到车辆部件分割网络；采集目标车辆的实时车辆图像，将实时车辆图像输入车辆部件分割网络得到目标车辆的实时轮胎区域图像；搭建损伤检测第一网络；采集带损伤标签的轮胎区域图像作为损伤训练集，基于损伤训练集和预设损失函数训练损伤检测第一网络得到损伤检测第二网络；将实时轮胎区域图像输入损伤检测第二网络得到轮胎损伤检测结果，轮胎损伤检测结果包括实时轮胎区域图像中所有损伤区域的区域信息和损伤种类。本申请能提高轮胎损伤检测的准确度。损伤检测的准确度。损伤检测的准确度。

【技术实现步骤摘要】
基于人工智能的轮胎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轮胎损伤检测方法、装置、电子设备及存储介质。

技术介绍

[0002]在车辆行驶过程中，受天气、道路情况或驾驶人员技能等因素的影响，车辆受损是不可避免的。对受损车辆进行受损部位和受损程度的检测直接影响到后续车辆维修方案的确定，以及后续事故相关方的经济赔偿额度确认。
[0003]目前，通常直接使用现有的语义分割网络或目标分割网络对受损车辆的图像进行处理以实现智能定损，然而，不同车辆部件在图像中的特征差异较大，这种方法不能细化到具体的车辆部件，同时车辆轮胎的结构和表面特征较为复杂，导致车辆轮胎损伤检测的准确度较低。

技术实现思路

[0004]鉴于以上内容，有必要提出一种基于人工智能的轮胎损伤检测方法及相关设备，以解决如何提高车辆轮胎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轮胎损伤检测装置、电子设备及存储介质。
[0005]本申请提供基于人工智能的轮胎损伤检测方法，所述方法包括：
[0006]采集带部件标签的车辆图像作为部件训练集，并基于所述部件训练集训练语义分割网络得到车辆部件分割网络，所述部件标签包括车辆图像中每一个像素点的车辆部件种类；
[0007]采集目标车辆的实时车辆图像，将所述实时车辆图像输入所述车辆部件分割网络得到所述目标车辆的实时轮胎区域图像；
[0008]搭建损伤检测第一网络；
[0009]采集带损伤标签的轮胎区域图像作为损伤训练集，并基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络，所述损伤标签包括轮胎区域图像中所有损伤区域的区域信息和损伤种类；
[0010]将所述实时轮胎区域图像输入所述损伤检测第二网络得到所述目标车辆的轮胎损伤检测结果。
[0011]在一些实施例中，所述采集目标车辆的实时车辆图像，将所述实时车辆图像输入所述车辆部件分割网络得到所述目标车辆的实时轮胎区域图像，包括：
[0012]采集目标车辆的实时车辆图像，将所述实时车辆图像输入所述车辆部件分割网络得到实时车辆图像的部件分割图，所述实时车辆图像的部件分割图包括所述实时车辆图像中每一个像素点所属的车辆部件种类；
[0013]将所述实时车辆图像的部件分割图中车辆部件种类为轮胎部件的像素点的像素值置为1，其他区域的像素值置为0，得到所述轮胎部件的掩码图，所述轮胎部件包括左前轮
胎、左后轮胎、右前轮胎与右后轮胎；
[0014]将所述轮胎部件的掩码图与所述实时车辆图像相乘，得到所述目标车辆的实时轮胎区域图像。
[0015]在一些实施例中，所述损伤检测第一网络为目标检测网络，所述搭建损伤检测第一网络包括：
[0016]所述损伤检测第一网络的输入为轮胎区域图像，输出为所述轮胎区域图像的损伤检测结果，所述损伤检测结果包括所述轮胎区域图像中所有损伤区域的区域信息和损伤种类，所述区域信息为包含损伤区域的矩形框的宽高尺寸和中心点坐标，所述损伤种类包括缺失、穿孔缺失、开裂、严重损伤、鼓包；
[0017]所述损伤检测第一网络包括一个编码器和多个参数共享的预测器；
[0018]所述编码器对输入的轮胎区域图像不断进行特征提取得到下采样特征图，所述下采样特征图的数量为一个或多个；
[0019]将所有下采样特征图输入多个参数共享的预测器中以获取每一张下采样特征图的子结果，其中所述预测器与所述下采样特征图一一对应，所述下采样特征图的子结果包括所述下采样特征图中所有损伤区域的区域信息和损伤种类；
[0020]将所有下采样特征图的子结果作为所述轮胎区域图像的损伤检测结果。
[0021]在一些实施例中，所述基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络包括：
[0022]基于所述损伤训练集和所述损伤检测第一网络构建第一预设损失函数；
[0023]基于所述第一预设损失函数和目标检测损失函数构建预设损失函数，所述目标检测损失函数与所述损伤检测第一网络的网络结构有关，所述预设损失函数满足关系式：
[0024]Loss＝Loss1+Loss2[0025]其中，Loss1为所述第一预设损失函数，Loss2为所述目标检测损失函数，Loss为预设损失函数；
[0026]基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络。
[0027]在一些实施例中，所述基于所述损伤训练集和所述损伤检测第一网络构建第一预设损失函数包括：
[0028]从所述损伤训练集中随机选取一张轮胎区域图像作为目标图像，将所述目标图像的损伤标签作为目标损伤标签，所述目标损伤标签包括所述目标图像中所有损伤区域的区域信息和损伤种类；
[0029]将所述目标图像输入所述损伤检测第一网络得到所述目标图像的下采样特征图，所述下采样特征图为一个或多个；
[0030]依据下采样特征图的尺寸将所述目标损伤标签映射到所有下采样特征图上，得到每一个下采样特征图的损伤标签，所述下采样特征图的损伤标签包括所述目标图像中所有损伤区域在该下采样特征图中的区域信息和损伤种类；
[0031]基于所述下采样特征图的损伤标签构建每一个下采样特征图的特征差异矩阵，所有特征差异矩阵均为M行M列的方阵，其中M为所述目标图像中不同损伤种类的数量，所述下采样特征图的特征差异矩阵中第i行第j列的数值表示该下采样特征图中损伤种类i和损伤
种类j的特征差异度，所述特征差异度满足关系式：
[0032][0033]其中，表示第u个下采样特征图中损伤种类i的区域信息中所有像素点的数量，表示第u个下采样特征图中损伤种类i的区域信息中第k
i
个像素点的像素值，表示第u个下采样特征图中损伤种类j的区域信息中所有像素点的数量，表示第u个下采样特征图中损伤种类j的区域信息中第k
j
个像素点的像素值，表示第u个下采样特征图中损伤种类i和损伤种类j的特征差异度；
[0034]基于所有下采样特征图的特征差异矩阵和所述目标图像的标准差异矩阵构建第一预设损失函数，在所述标准差异矩阵中，对角线的数值为0，其他位置的数值为所述目标图像中不同损伤种类之间特征差异度的预设阈值。
[0035]在一些实施例中，所述依据下采样特征图的尺寸将所述目标损伤标签映射到所有下采样特征图上，得到每一个下采样特征图的损伤标签，所述下采样特征图的损伤标签包括所述目标图像中所有损伤区域在该下采样特征图中的区域信息和损伤种类，包括：
[0036]从所述目标损伤标签中随机选取一个损伤区域的区域信息和损伤种类作为目标损伤信息；
[0037]依据映射模型和下采样特征图的尺寸将所述目标损伤信息映射至所有下采样特征图上以获取所述目标损伤信息的映射结果，所述映射模型满足关系式：
[0038][0039]其中，x
*
...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的轮胎损伤检测方法，其特征在于，所述方法包括：采集带部件标签的车辆图像作为部件训练集，并基于所述部件训练集训练语义分割网络得到车辆部件分割网络，所述部件标签包括车辆图像中每一个像素点的车辆部件种类；采集目标车辆的实时车辆图像，将所述实时车辆图像输入所述车辆部件分割网络得到所述目标车辆的实时轮胎区域图像；搭建损伤检测第一网络；采集带损伤标签的轮胎区域图像作为损伤训练集，并基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络，所述损伤标签包括轮胎区域图像中所有损伤区域的区域信息和损伤种类；将所述实时轮胎区域图像输入所述损伤检测第二网络得到所述目标车辆的轮胎损伤检测结果。2.如权利要求1所述的基于人工智能的轮胎损伤检测方法，其特征在于，所述采集目标车辆的实时车辆图像，将所述实时车辆图像输入所述车辆部件分割网络得到所述目标车辆的实时轮胎区域图像，包括：采集目标车辆的实时车辆图像，将所述实时车辆图像输入所述车辆部件分割网络得到实时车辆图像的部件分割图，所述实时车辆图像的部件分割图包括所述实时车辆图像中每一个像素点所属的车辆部件种类；将所述实时车辆图像的部件分割图中车辆部件种类为轮胎部件的像素点的像素值置为1，其他区域的像素值置为0，得到所述轮胎部件的掩码图，所述轮胎部件包括左前轮胎、左后轮胎、右前轮胎与右后轮胎；将所述轮胎部件的掩码图与所述实时车辆图像相乘，得到所述目标车辆的实时轮胎区域图像。3.如权利要求1所述的基于人工智能的轮胎损伤检测方法，其特征在于，所述损伤检测第一网络为目标检测网络，所述搭建损伤检测第一网络包括：所述损伤检测第一网络的输入为轮胎区域图像，输出为所述轮胎区域图像的损伤检测结果，所述损伤检测结果包括所述轮胎区域图像中所有损伤区域的区域信息和损伤种类，所述区域信息为包含损伤区域的矩形框的宽高尺寸和中心点坐标，所述损伤种类包括缺失、穿孔缺失、开裂、严重损伤、鼓包；所述损伤检测第一网络包括一个编码器和多个参数共享的预测器；所述编码器对输入的轮胎区域图像不断进行特征提取得到下采样特征图，所述下采样特征图的数量为一个或多个；将所有下采样特征图输入多个参数共享的预测器中以获取每一张下采样特征图的子结果，其中所述预测器与所述下采样特征图一一对应，所述下采样特征图的子结果包括所述下采样特征图中所有损伤区域的区域信息和损伤种类；将所有下采样特征图的子结果作为所述轮胎区域图像的损伤检测结果。4.如权利要求1所述的基于人工智能的轮胎损伤检测方法，其特征在于，所述基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络包括：基于所述损伤训练集和所述损伤检测第一网络构建第一预设损失函数；基于所述第一预设损失函数和目标检测损失函数构建预设损失函数，所述目标检测损
失函数与所述损伤检测第一网络的网络结构有关，所述预设损失函数满足关系式：Loss＝Loss1+Loss2其中，Loss1为所述第一预设损失函数，Loss2为所述目标检测损失函数，Loss为预设损失函数；基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络。5.如权利要求4所述的基于人工智能的轮胎损伤检测方法，其特征在于，所述基于所述损伤训练集和所述损伤检测第一网络构建第一预设损失函数包括：从所述损伤训练集中随机选取一张轮胎区域图像作为目标图像，将所述目标图像的损伤标签作为目标损伤标签，所述目标损伤标签包括所述目标图像中所有损伤区域的区域信息和损伤种类；将所述目标图像输入所述损伤检测第一网络得到所述目标图像的下采样特征图，所述下采样特征图为一个或多个；依据下采样特征图的尺寸将所述目标损伤标签映射到所有下采样特征图上，得到每一个下采样特征图的损伤标签，所述下采样特征图的损伤标签包括所述目标图像中所有损伤区域在该下采样特征图中的区域信息和损伤种类；基于所述下采样特征图的损伤标签构建每一个下采样特征图的特征差异矩阵，所有特征差异矩阵均为M行M列的方阵，其中M为所述目标图像中不同损伤种类的数量，所述下采样特征图的特征差异矩阵中第i行第j列的数值表示该下采样特征图中损伤种类i和损伤种类j的特征差异度，所述特征差异度满足关系式：其中，表示第u个下采样特征图中损伤种类i的区域信息中所有像素点的数量，表示第u个下采样特征图中损伤种类i的区域信息中第k
i
个像素点的像素值，表...

【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：