CN107358596B - 一种基于图像的车辆定损方法、装置、电子设备及*** - Google Patents

一种基于图像的车辆定损方法、装置、电子设备及*** Download PDF

Info

Publication number
CN107358596B
CN107358596B CN201710232956.8A CN201710232956A CN107358596B CN 107358596 B CN107358596 B CN 107358596B CN 201710232956 A CN201710232956 A CN 201710232956A CN 107358596 B CN107358596 B CN 107358596B
Authority
CN
China
Prior art keywords
image
processed
damaged
vehicle
damage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710232956.8A
Other languages
English (en)
Other versions
CN107358596A (zh
Inventor
章海涛
徐娟
侯金龙
王剑
郭昕
程丹妮
胡越
吴博坤
陈燕青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201710232956.8A priority Critical patent/CN107358596B/zh
Publication of CN107358596A publication Critical patent/CN107358596A/zh
Priority to TW107107229A priority patent/TWI684922B/zh
Priority to SG11201903904VA priority patent/SG11201903904VA/en
Priority to JP2019555669A priority patent/JP6874150B2/ja
Priority to US15/950,786 priority patent/US20180293552A1/en
Priority to JP2019524075A priority patent/JP6873237B2/ja
Priority to KR1020197012676A priority patent/KR102151365B1/ko
Priority to EP18723105.5A priority patent/EP3520045B8/en
Priority to PCT/US2018/027192 priority patent/WO2018191435A1/en
Priority to MYPI2019005962A priority patent/MY193739A/en
Priority to PCT/US2018/027194 priority patent/WO2018191437A1/en
Priority to US16/358,581 priority patent/US20190213563A1/en
Priority to PH12019500971A priority patent/PH12019500971A1/en
Application granted granted Critical
Publication of CN107358596B publication Critical patent/CN107358596B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/17—Image acquisition using hand-held instruments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本申请实施例公开了一种基于图像的车辆定损方法、装置、电子设备及***。所述方法包括获取待处理图像；检测所述待处理图像，识别待处理图像中的第一车辆部件；对待处理图像中未识别出车辆部件的局部图像，采用和已识别出包含车辆部件的部件图像进行图像匹配，确定局部图像所属的第二车辆部件；检测所述待处理图像，识别其中的损伤部位和损伤类型；根据识别出的所述第一车辆部件、第二车辆部件以及损伤部位和损伤类型确定待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型。利用本申请各个实施例，可以快速、准确、可靠的检测出车辆部件的损伤部位和程度等的具体信息，使得定损结果更准确可靠，提高用户服务体验。

Description

一种基于图像的车辆定损方法、装置、电子设备及***
技术领域
本申请属于计算机图像数据处理技术领域，尤其涉及一种基于图像的车辆定损方法、装置及电子设备。
背景技术
在发生交通事故后，常常需要等待保险公司的理赔员到现场处理，通过拍照等获取理赔依据。随着近年来机动车保有量的增加，每年的交通事故数量一直处于高位状。而车辆理赔定损业务的处理常常需要依赖专业保险工作人员的人力现场处理，成本高、等待周期长，处理效率低。
目前业内有一些利用交通事故现场图像进行自动分析得到预设车损部位分类的处理方式。例如申请公布号为“CN105678622A”、发明名称为“车险理赔照片的分析方法及***”公开一种算法利用常规卷积神经网络(CNN)对移动终端上传的理赔照片进行分析，识别出损伤部位分类，并基于分析结果生成提醒信息。但上述方式仅仅是简单的确定出车损部位的分类，如车前方、车侧面、车尾等，没有识别出具体的损伤类型。识别出的损伤部位的提醒信息主要是用于保险公司的工作人员拿来和人工定损进行人工的对比，作为参考信息帮助保险公司的工作人员进行定损核算。另外其算法只使用CNN通用的物体识别算法，最终车辆定损的结果还是依靠人工核定，人力和时间成本较大，并且不同保险公司车损核定标准不统一，加上人的主观因素影响，车辆定损结果的差异较大，可靠性较低。
发明内容
本申请目的在于提供一种基于图像的车辆定损方法、装置及电子设备，可以快速、准确、可靠的检测出车辆部件的损伤部位和程度等的具体信息，使得定损结果更准确可靠，可以快速高效的进行车辆定损处理，大大提高用户服务体验。
本申请提供的一种基于图像的车辆定损方法、装置及电子设备是这样实现的：
一种基于图像的车辆定损方法，所述方法包括：
获取待处理图像；
检测所述待处理图像，识别所述待处理图像中的车辆部件；
对所述待处理图像中未识别出车辆部件的局部图像，采用和已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件；
检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据识别出的车辆部件、所述损伤部位和损伤类型确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型。
一种基于图像的车辆定损装置，所述装置包括：
图像获取模块，用于获取待处理图像；
部件第一识别模块，检测所述待处理图像，识别所述待处理图像中的车辆部件；
部件第二识别模块，对所述待处理图像中未识别出车辆部件的局部图像，采用和已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件；
损伤识别模块，用于检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
损伤计算模块，用于根据识别出的车辆部件、所述损伤部位和损伤类型确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型。
一种基于图像的车辆定损装置，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
获取待处理图像；
检测所述待处理图像，识别所述待处理图像中的车辆部件；
对所述待处理图像中未识别出车辆部件的局部图像，采用和已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件；
检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据识别出的车辆部件、所述损伤部位和损伤类型确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型。
一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现以下步骤：
获取待处理图像；
检测所述待处理图像，识别所述待处理图像中的车辆部件；
对所述待处理图像中未识别出车辆部件的局部图像，采用和已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件；
检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据识别出的车辆部件、所述损伤部位和损伤类型确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型。
一种电子设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
获取待处理图像；
检测所述待处理图像，识别所述待处理图像中的车辆部件；
对所述待处理图像中未识别出车辆部件的局部图像，采用和已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件；
检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据识别出的车辆部件、所述损伤部位和损伤类型确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型。
一种基于图像的车辆定损***，包括I/O接口、存储器、中央处理器、图像处理器，所述I/O接口，用于获取待处理图像和输出维修方案；
所述中央处理器耦合于图像处理器，用于检测所述待处理图像，识别所述待处理图像中的车辆部件；对所述待处理图像中未识别出车辆部件的局部图像，采用和已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件；检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；根据识别出的车辆部件、所述损伤部位和损伤类型确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型；
所述中央处理器还用于基于包括确定出所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型的信息生成维修方案。
本申请提供的一种基于图像的车辆定损方法、装置、电子设备及***，可以识别出待处理图像中所包含的损伤部件，然后基于构建的损伤识别模型检测出损伤部件的受损部位和每个损伤部位对应的损伤类型，从而得到车辆部件准确、全面、可靠的车辆定损信息。本申请实施方案可以识别出一张或多张图像中的一个或多个受损部件，和所述损伤部件中的一处或多处受损部位及受损程度等。并且对于类似车辆部件局部细节图像也能进行准确的部件类型确认，提高计算得到的车辆定损信息的可靠性，使得基于图像的车辆定损结果更加可靠，可以提高车辆定损处理结果的准确性和可靠性，提高用户服务体验。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请中记载的一些实施例，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是本申请所述一种基于图像的车辆定损方法一种实施例的方法流程示意图；
图2是本申请提供的识别局部图像所述车辆部件的一个实施过程示意图；
图3是本申请提供一个识别部件图像的一个处理过程示意图；
图4是本申请一个具体的利用部件图像进行匹配确定局部图像所属部件的场景示意图；
图5是本申请一种实施例中损伤识别模型的网络构架结构示意图；
图6是本申请一种实施例中部件识别模型的网络构架示意图；
图7是本申请所述一种基于图像的车辆定损方法另一种实施例的方法流程示意图；
图8是本申请一种确定损伤部件以及所述损伤部件的损伤部位和损伤类型的方法示意图；
图9是本申请提供的一种基于图像的车辆定损装置一种实施例的模块结构示意图；
图10是本申请提供的一种基于图像的车辆定损装置另一种实施例的模块结构示意图；
图11是本申请所述部件第二识别模块一种实施例的模块结构示意图；
图12是本申请提供的一种电子设备一种实施例的结构示意图；
图13是利用本申请实施方案进行车辆定损的一个处理场景示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1是本申请所述一种基于图像的车辆定损方法一种实施例的方法流程图。虽然本申请提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本申请实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
在现有的实际交通事故处理中，例如刮擦事故等，常常需要等待保险公司的理赔员到现场拍照后才能撤离现场，因此经常会导致交通堵塞，且浪费大量的时间，并定损结果的信息获取周期较长。而利用本申请实施方案在发生交通事故时，涉事车主往往想要知道自己或对方车辆的损失或理赔情况，此时可以自己拍下交通事故现场的图像，一方面可以作为现场证据，另一方面可以利用拍摄将图像通过终端APP进行自主的车损估算损失、理赔情况等。满足涉事车主用户快速、全面、准确可靠的得到车辆定损处理需求。
为了清楚起见，下述实施例以具体的一个车主用户利用移动终端APP(application，应用)请求车辆定损服务的应用场景进行说明。在本实施例应用场景中，车主用户在交通事故现场可以通过移动终端(如手机)对车辆受损位置以及车辆整体进行拍摄，一些情况下还可以对车辆证件、用户证件等进行拍照，然后通过终端应用上传拍摄获得的照片(图像)。云服务器获取车辆定损的待处理图像后，可以先识别出有哪些损伤的部件以及这些损伤的部件的一处或多处损伤部位和对应的损伤类型。然后可以基于本申请实施方案得到的更加准确、可靠、全面的车辆定损的信息，设计一个规则引擎，根据车型、所在地、修理厂等的维修策略信息，调用不同的价格库，生成至少一个维修方案。这个维修方案可以返回给车主用户，车主用户则可以快速获取车辆定损结果。当然，如果用户为保险公司作业人员，则可以返回给保险公司一侧或直接显示维修方案的结果。但是，本领域技术人员能够理解到，可以将本方案的实质精神应用到车辆定损的其他实施场景中，如保险公司或修理厂的自动车辆定损，或者4S门店、其他服务器提供的自助车辆定损服务等。
具体的一种实施例如图1所示，本申请提供的一种基于图像的车辆定损方法的一种实施例中，所述方法可以包括：
S1：获取待处理图像。
服务器可以从客户端或第三方服务器(如保险公司的服务器)获取车辆定损的待处理图像。所述的待处理图像通常包括了车主用户或保险公司作业人员现场拍摄的多张图片信息，可以包括车辆的图片、事故现场的图片等。当然也可以包括用户上传的车辆证件、用户身份证件、周边环境(信号灯或地标等)信息的图片。这些待处理图像往往不确定是不是单一部件的多张照片。本实施中所述的待处理图像可以包括各种图形和影像的总称，通常指具有视觉效果的画面，一般可以包括纸介质上的、底片或照片上的、电视、投影仪或计算机屏幕等上的画面。
若所述待处理图像包括多种类别的图像信息，则通过图像分类算法对所述待处理图像进行分类，筛选出符合车辆定损处理信息相关联的图像作为车辆定损处理的图像。例如，可以通过图像分类算法来进行分类，进而把对于识别受损部位、受损类型有用的车辆定损处理的图片找出来。待处理图像具体的分类可以根据场景处理需求进行划分设定，例如划分车辆定损处理中的图片需要包括汽车图像，因此可以划分为包括整车全景、多部件半景、汽车部件细节等。而与车辆定损处理中识别车辆部件、损伤部位不关联的其他图像则可以单独划分或者划分到相应的分类，如证件照、事故地点信号灯照片、驾驶员人像等。图像分类算法可以采用卷积数据网络(CNN)模型，如ResNet(Residual Network，残差网络)，通过使用已分类的图片训练得到。
可选的实施例中，还可以判断所述待处理图像的图像质量，删除图像质量不符合要求的待处理图像。具体的可以判断所述待处理图像的图像质量是否达到设定的处理要求，若图像质量较差，如照片模糊无法识别，则可以弃用该部件图像，并反馈到移动终端APP提示用户拍摄图像时注意对焦，光照等影响清晰度因素。图像质量的判定可以采用模糊度阈值、信息熵值等方式进行处理。
其他的实施例中，获取待处理图像后，或者经过上述图像质量判定、图像分类的至少一项处理后，还可以对相似度达到预定阈值的待处理图像进行去重处理。这样可以删除一些同一角度重复拍摄的多张相似度高的图像，选取图像质量高的待处理图像进行处理。
S2：检测所述待处理图像，识别所述待处理图像中的车辆部件。
本实施例场景中，云服务器获取待处理图像后，可以利用预先构建的部件识别模型检测所述待处理图像，找到所述待处理图像中包含的车辆部件。如果检测到一个待处理图像中包括一个或者多个车辆部件，则同时计算确认这些车辆部件在待处理图像中的位置区域(在此可以称为部件区域)的信息。本实施例中所述的车辆部件通常是指车辆上的部件，如前保险杠，左前门，后尾灯等。
在本实施例中，可以预先采用设计的机器学习算法构建用于识别图像中车辆部件的部件识别模型，所述的部件识别模型经过样本图像的训练后，可以识别出所述部件图像中包含哪些车辆部件。本实场景中，所述的部件识别模型可以采用深度神经网络的网络模型或者变种的网络模型，经过样本图像训练后构建生成。例如可以基于卷积神经网络(Convolutional Neural Network，CNN)和区域建议网络(Region Proposal Network，RPN)，结合输入模型训练的损伤样本图像、全连接层等构建生成所述的部件识别模型。因此，本申请所述方法的另一种实施例中，所述采用下述识别模型检测所述待处理图像，识别车辆部件：
S201：基于卷积层和区域建议层的网络模型，经过样本数据训练后构建生成的深度神经网络。
基于待处理图像中可识别出车辆部件的图像，利用深度神经网络识别得到的部件类型。卷积神经网络一般指以卷积层(CNN)为主要结构并结合其他如激活层等组成的神经网络，主要用于图像识别。本实施例中所述的深度神经网络可以包括卷积层和其他重要的层(如输入模型训练的损伤样本图像，数据归一化层，激活层等)，并结合区域建立网络共同组建生成。卷积神经网络通常是将图像处理中的二维离散卷积运算和人工神经网络相结合。这种卷积运算可以用于自动提取特征。区域建议网络(RPN)可以将一个图像(任意大小)提取的特征作为输入(可以使用卷积神经网络提取的二维特征)，输出矩形目标建议框的集合，每个框有一个对象的得分。为避免混淆，本实施例中可以把使用的卷积神经网络(CNN)称为卷积层(CNN)、区域建议网络(RPN)称为区域建议层(RPN)。本申请其他的实施例中，所述的部件识别模型还可以包括基于所述卷积神经网络改进后的或区域建议网络改进后的变种网络模型，经过样本数据训练后构建生成的深度卷积神经网络。
上述实施例中使用的模型和算法可以选择同类模型或者算法。具体的，例如部件识别模型中，可以使用基于卷积神经网络和区域建议网络的多种模型和变种，如Faster R-CNN、YOLO、Mask-FCN等。其中的卷积神经网络(CNN)可以用任意CNN模型，如ResNet、Inception,VGG等及其变种。通常神经网络中的卷积网络(CNN)部分可以使用在物体识别取得较好效果的成熟网络结构，如Inception、ResNet等网络，如ResNet网络，输入为一张图片，输出为多个部件区域，和对应的部件分类和置信度(这里的置信度为表示识别出来的车辆部件真实性程度的参量)。faster R-CNN、YOLO、Mask-FCN等都是属于本实施例可以使用的包含卷积层的深度神经网络。本实施例使用的深度神经网络结合区域建议层和CNN层能检测出所述待处理图像中的车辆部件，并确认所述车辆部件在待处理图像中的部件区域。
需要说明的是，本申请的一种实施方式中，可以采用单独的算法服务器实施部件识别模型来检测所述待处理图像，识别待处理图像中的车辆部件。如设置一个业务服务器，用于获取用户上传的待处理图像和输出维修方案，同时还可以设置一个算法服务器，存储有构建的部件识别模型，对业务服务器的待处理图像进行检测识别，确定待处理图像中的车辆部件。当然，上述所述的处理也可以由同一服务器执行完成。
S3：对所述待处理图像中未识别出车辆部件的局部图像，采用和已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件。
本实施例中获取的待处理图像往往包括多种类别的，对于某些图像Tu，比如部件的局部细节图，可能通过算法模型等没法直接检测出的部件类型和位置，这些图像在此可以称为局部图像。因此，本申请实施例可以利用算法模型等已经识别出的包含车辆部件的其他图像来识别出局部图像所属的车辆部件，例如根据上述深度神经网络识别出的包含第一车辆部件的部件做图像匹配，计算哪些部件图像中包含了该局部图像的信息，最终根据图像匹配的结果确定局部图像所归属的车辆部件(可以为所述已识别的车辆部件中的某个部件类型)。
具体的一个示例中，例如用户上传了10张图片中有6张图片是包含车辆本身的信息，其余为证件图片。这6张待处理图片中有一张图片P1为车辆某个部件的局部细节图片，构建的部件识别模型未能检测出图片P1的部件类型和位置，但其余5张待处理图片识别出了包含的车辆部件。此时，可以将图片P1的图片分别在其余5张图片P2、P3、P4、P5、P6中分别进行匹配，计算5张图片中是否存在某个位置区域与图片P1的图片信息匹配符合要求，如匹配度最高且达到最低匹配度。匹配采用的数据可以采用图片像素的视觉特征数据，如RGB、梯度、灰度等，当然也可以采用其他的图像数据信息。经过图像匹配，发现P2中包含的一个车辆部件的局部位置与图片P1相似度最高，且满足最低相似度要求，则可以将P2对应位置的车辆部件作为识别出的图片P1的车辆部件。
常规的图像变换在直接坐标系可以进行线性变换，如将图像转化为向量进行相乘等。但在车辆定损处理中，受损的部件相比正常状态下的图像信息可能发生变形，或相比于其他未受损部件发生位移。本申请提供的所述方法的另一个实施例中，可以针对该实施场景提供基于仿射变换的图像数据处理，更加准确的识别出部件图像，尤其是对于受损部件的部件图像。所述的仿射变换指的是满足仿射组合的变换，可以理解为是一个线性变换加上平移。因为线性变换不能表示平移，而仿射变换则可以。
所述局部图像Tu，在利用其他图片Tk,检测出所包含的部件类型和位置时，可以对Tu中每个图片u和Tk中的图片做匹配，找到Tk中包含了u所含部位的图片k，以及u和k之间的一个仿射变换，从而得到图片u中的部件类型和位置。图2是本申请提供的识别局部图像所述车辆部件的一个实施过程示意图，如图2所示，具体的可以包括：
S30：采用卷积神经网络提取所述局部图像的第一卷积特征数据，以及采用预定算法提取所述局部图像的第一局部特征点集。
本实施例中可以提取部件图像u的第一卷积特征数据x。例如构建一个卷积神经网络Np，使用该卷积神经网络Np中最后一个池化层的输出向量作为部件图像u的卷积网络特征。
所述的第一局部特征点集可以采用尺度不变特征变换(Scale-invariantfeature transform，SIFT)获取，提取图片u中的SIFT第一局部特征点集y。本申请的一个实施例使用了SIFT作为图像的局部特征数据，当然其他的实施例也可以使用其他的特征数据，例如FAST(Features fromaccelerated segment test，角点检测方法)等特征。
S31：将所述第一卷积特征数据匹配与所述部件图像中的采样区域的卷积特征数据进行比较，获取与所述第一卷积特征数据相似度最高的相似区域。
对于一个进行图像匹配的部件图像，可以选取部件图像中多个采样区域，例如每个采用区域设置与部件图像或裁剪后的部件图像大小相同，从部件图像左上角依次选取采样区域。获取所有部件图像的采用区域后可以形成采用区域的集合。然后计算每个采用区域的卷积特征数据，将所述第一卷积特征数据匹配与所述部件图像中的采样区域的卷积特征数据进行比较，获取得到相似度最高的采用区域作为相似区域。
其他的实施方式中，所述将所述第一卷积特征数据匹配与所述部件图像中的采样区域的卷积特征数据进行比较获取与所述第一卷积特征数据相似度最高的相似区域包括；
对于所述部件图像，利用滑动窗口提取所述部件图像中滑动窗口区域的第二卷积特征数据，获取第二卷积特征数据集合，所述第二卷积特征数据使用与提取卷积特征数据x相同的卷积神经网络获得；
从所述第二卷积特征数据集合中选取与所述第一卷积特征数据相似度最高的相似区域。
具体的示例中，如对Tk中每张图片t，可以使用不同大小的滑动窗口，对部件图像中不同区域使用与提取第一卷积特征数据x中相同的卷积神经网络来提取第二卷积特征数据。从所有区域中选出第二卷积特征数据和第一卷积特征数据x最相似的区域r。相似度计算可以使用余弦相似度。
S32：采样所述预定算法提取所述相似区域的第二局部特征点集，将所述第一局部特征点集与第二局部特征点集进行匹配，获取匹配点对，通过最小化匹配点对在仿射变换下的位置误差得到所述局部图像与部件图像之间的仿射变换。
将u的局部特征点集和r的局部特征点集做匹配，得到一组匹配点对，然后通过最小化匹配点对在仿射变换下的位置误差求得仿射变换。
其他的实施例中，还可以将所述相似区域按照预定方式扩大图像区域范围，以获取更大范围内更多的局部特征数据，提升匹配处理可靠性；相应的，所述第二局部特征点集包括提取的所述扩大图像区域范围后的相似区域的局部特征点集。
将所述相似区域按照预定方式扩大图像区域范围的方式可以根据处理需求自定义设置。本申请提的一个实施例中，所述将所述相似区域按照预定方式扩大图像区域范围可以包括：
所述相似区域的左、右、上、下的边向外扩展预定比例，一般的，或者在预定比例范围内扩大到包含足够的第二局部特征点个数，如达到对应的第一局部特征点个数的两倍。例如，可以选取向外扩张50％，将相似区域r的边长各向四周扩张(通常图像处理中预处理为正方形图片)50％，这样既能满足特征提取的数据需求，又能合理控制计算量。
S33：选取所述位置误差最小的图像区域对应在所述部件图像上的部件类型作为所述局部图像的车辆部件。
选取S32中匹配误差最小的图像区域作为和部件图像u的匹配图k，将部件图像u通过相应的仿射变换在k上的对应区域所对应的部件类型作为部件图像u中的部件类型。
利用上述实施例提供的处理方式，在某些待处理图像如部件局部细节图不能从单一图像中确定出具体的部件类型时，可以和其他已知所含部件类型和位置的待处理图像做匹配，从而确定类型这些部件局部细节所属的部件类型。具体的一个示例实现方式中，可以采用Siamese network(孪生网络)的网络结构，基于图像的SIFT以及CNN特征进行图像匹配，求出匹配图像之间的仿射变换，从而得当对应图像位置上的部件类型，确定局部图像所属的第二车辆部件。图3是本申请提供一个识别部件图像的一个处理过程示意图。图4是一个具体的利用部件图像进行匹配确定局部图像所属部件的场景示意图，图4中的上面局部图像仅看到有刮擦，但无法识别是什么部件的位置。经过和已经识别出车辆部件的部件图像进行匹配，得到而找到图4中上图损伤部位所在的部件为：前保险杠。
S4：所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型。
云服务器一侧获取待处理图像后，可以利用预先构建的损伤识别模型对所述部件图像进行检测，识别出待处理图像中的损伤部位和损伤类型。本实施例中所述的损伤部位通常是指车辆上有损伤的一个部位。一个受损的车辆部件可能包含多个受损部位，每个损伤部位对应有损伤类型(如重度刮擦、轻度变形等)。本实施例可以检测待处理图像中有损伤部位的位置区域(在此可以称为损伤区域，可以理解为一个损伤部位对应着一个具体的损伤区域的图片区域数据，或者损伤区域表达的即为损伤部位的实体数据信息)，可以对该损伤区域进行检测，识别出损伤类型。本实施例中所述的损伤类型可以包括轻度刮擦、重度刮擦、轻度变形、中度变形、重度变形、破损、需拆解检查等类型。
在本实施例中，可以预先采用设计的机器学习算法构建用于识别图像中包含的损伤部位和损伤类型的损伤识别模型。该损伤识别模型经过样本训练后，可以识别出所述待处理图像中的一处或多处损伤部位以及对应的损伤类型。本实施例中，所述的损伤识别模型可以采用深度神经网络的网络模型或者其变种后的网络模型经过样本训练后构建生成。本申请提供的所述方法的另一个实施例中，可以基于卷积神经网络(ConvolutionalNeural Network，CNN)和区域建议网络(Region Proposal Network，RPN)，结合输入模型训练的损伤样本图像、全连接层等构建所述的损伤识别模型。因此，本申请所述方法的另一种实施例中，所述采用下述识别模型检测所述待处理图像，识别损伤部位和损伤类型：
301：基于卷积层和区域建议层的网络模型，经过样本数据训练后构建生成的深度神经网络。
卷积神经网络一般指以卷积层(CNN)为主要结构并结合其他如激活层等组成的神经网络，主要用于图像识别。本实施例中所述的深度神经网络可以包括卷积层和其他重要的层(如输入模型训练的损伤样本图像，数据归一化层，激活层等)，并结合区域建议网络(RPN)共同组建生成。卷积神经网络通常是将图像处理中的二维离散卷积运算和人工神经网络相结合。这种卷积运算可以用于自动提取特征。区域建议网络(RPN)可以将一个图像(任意大小)提取的特征作为输入(可以使用卷积神经网络提取的二维特征)，输出矩形目标建议框的集合，每个框有一个对象的得分。同上述所述，为避免混淆，本实施例中可以把使用的卷积神经网络(CNN)称为卷积层(CNN)、区域建议网络(RPN)称为区域建议层(RPN)。本申请其他的实施例中，所述的损伤识别模型还可以包括基于所述卷积神经网络改进后的或区域建议网络改进后的变种网络模型，经过样本数据训练后构建生成的深度卷积神经网络。
上述的实施方式在模型训练时可以识别出单张损伤样本图像上多个损伤部位。具体的在样本训练时，输入为一张图片，输出为多个图片区域，和对应的损伤分类。选取的神经网络的参数通可以过使用打标数据进行小批量梯度下降(mini-batch gradientdescent)训练得到，比如mini-batch＝32时，同时32张训练图片作为输入来训练。打标数据标注了区域和对应类型的图片，可以通过对真实车损图片进行人工打标获得。这个神经网络的输入为一张图片，输出的区域和图片中包含损伤部位个数有关。具体的，例如如果有一个损伤部位，输出一个图片区域；如果有k个损伤部位，则可以输出k个图片区域；如果没有损伤部位，则输出0个图片区域。
上述实施例中使用的模型和算法可以选择同类模型或者算法。具体的，例如部件识别模型中，可以使用基于卷积神经网络和区域建议网络的多种模型和变种，如Faster R-CNN、YOLO、Mask-FCN等。其中的卷积神经网络(CNN)可以用任意CNN模型，如ResNet,、Inception、VGG等及其变种。通常神经网络中的卷积网络(CNN)部分可以使用在物体识别取得较好效果的成熟网络结构，如Inception、ResNet等网络，如ResNet网络，输入为一张图片，输出为多个含有损伤部位的图片区域，和对应的损伤分类(损伤分类用于确定损伤类型)和置信度(这里的置信度为表示损伤类型真实性程度的参量)。faster R-CNN、YOLO、Mask-FCN等都是属于本实施例可以使用的包含卷积层的深度神经网络。本实施例使用的深度神经网络结合区域建议层和CNN层能检测出损伤部位、损伤类型和损伤部位在所述部件图像中所处的位置区域。
需要说明的是，本申请的一种实施方式中，可以采用单独的算法服务器来检测所述待处理图像，识别待处理图像中的损伤部位和损伤类型，如设置一个业务服务器，用于获取用户上传的待处理图像和输出维修方案，同时还可以设置一个算法服务器，存储有构建的损伤识别模型，对业务服务器的待处理图像进行检测识别，确定待处理图像中所述包含的损伤部位和损伤类型以及损伤区域等信息。当然，上述所述的获取待处理图像和识别损伤部位、损伤类型、损伤区域处理也可以由同一服务器执行完成。
在上述所述的部件识别模型和损伤识别模型，可以采用多种的训练数据，如一种实施方式中，所述部件识别模型可以被设置成，采用标记为相同损伤样本部件的部件样本图像进行训练，所述部件样本图像包括至少一个损伤部件，所述损伤部件包括至少一处损伤部位；
所述损伤识别模型可以被设置成，输入模型训练的损伤样本图像，输出包含至少一个损伤部位和与所述损伤部位对应的损伤类型、表示所述损伤类型真实性程度的置信度的数据信息。
需要说明的是，上述S2中利用部件识别模型检测车辆部件的处理和S4中利用损伤识别模型检测损伤部位、损伤类型、损伤区域的处理可以并行进行，即可以使用同一个算法服务器或者分别使用相应的算法服务器对待处理图像进行处理，执行上述S2和S4的图像处理计算。当然，不申请不排除先进行S2识别车辆部件的处理或者先识别损伤部位的处理的实施方式。如图5和图6所示，图5是一种实施例中损伤识别模型的网络构架结构示意图，图6是本申请一种实施例中部件识别模型的网络构架示意图，在实际终端APP实施过程中，所述的部件识别模型和损伤识别模型的网络模型构架基本相同，在部件识别模中，损伤识别模型中的损伤区域变成了部件区域，损伤类型变成了部件类型。基于图5和图6所示的本申请的网络模型结构的基础上，还可以包括其他改进或变形、变换的网络模型，但本申请其他实施例中，所述部件识别模型、损伤识别模型中的至少一个为基于卷积层和区域建议层的网络模型，经过样本数据训练后构建生成的深度神经网络的实施方式均应属于本申请的实施范畴。
S5：根据所述损伤部位和部件区域确定所述待处理图像中的损伤部件，以及确定所述损伤部件的损伤部位和损伤类型。
在前述获取得到了待处理图像中包含的车辆部件信息，以及待处理图像中存在哪些损伤部位、损伤类型、损伤区域的信息后，可以进一步查找检测出车辆部件中的损伤部件有哪些。本实施例的一种实现方式可以通过上述识别处理的过程中计算得到的所述部件区域和损伤区域的分析处理来定位得到损伤部件。具体的，可以根据所述损伤区域和部件区域在待处理图像中的位置区域进行确认，例如在一种图片P1中，若P1中检测出来的损伤区域包含在P1中检测出来的部件区域中(通常识别出的部件区域的面积大于损伤区域的面积)，则可以认为P1中该部件区域对应的车辆部件为损伤部件。或者，图片P2中，若P2中检测出来的损伤区域与P2中检测出来的部件区域有面积重合区域，则也可以认为P2中部件区域对应的车辆部件也为损伤部件。
具体的一个示例中，如一张图片P，S2处理时检测到车辆部件为左前门和左前叶子板，这两个车辆部件分别在图片P中所在的部件区域为(r1，r2)，对应的为置信度(p1，p2)。S3中检测到图片P中存在一个轻度刮擦(损伤类型中的一种)，该轻度刮伤在图片P中所在的损伤区域r3，置信度p3。经过图片位置区域对应关系处理，发现这个轻度刮擦区域r3在左前门所在的部件区域r1中，从而得到损伤部件左前门，损伤部件的损伤部位为r3，在这个单张图片P中的损伤部件的损伤类型为轻度刮擦，置信度采用采用p1*p3。
当然，如果同时检测到左前叶子板处也有损伤，则可以按照上述示例确定出在图片P中损伤部件还有左前叶子板，其损伤部位和损伤类型也可以计算得出。
在定损处理中，待处理图像输入设置的卷积神经网络。如果存在多个损伤部位，则检测到多个包含损伤部位的图片区域，检测所述图片区域，确定所述图片区域的损伤类型，分别输出每个图片区域对应的损伤部位和损伤类型。进一步的，本实施例中可以选取所述损伤类型中表示损伤程度最高的损伤类型所对应的损伤部位作为所述损伤部件的损伤部位。相应的，所述损伤程度最高的损伤类型为确定出的所述损伤部件的损伤类型。
本申请提供的一种基于图像的车辆定损方法，可以识别出待处理图像中所包含的损伤部件，然后基于构建的损伤识别模型检测出损伤部件的受损部位和每个损伤部位对应的损伤类型，从而得到车辆部件准确、全面、可靠的车辆定损信息。本申请实施方案可以识别出一张或多张图像中的一个或多个受损部件，和所述损伤部件中的一处或多处受损部位及受损程度等。并且对于类似车辆部件局部细节图像也能进行准确的部件类型确认，提高计算得到的车辆定损信息的可靠性，使得基于图像的车辆定损结果更加可靠，可以提高车辆定损处理结果的准确性和可靠性，提高用户服务体验。
进一步的，获取了车辆定损的信息后，还可以生成反馈给用户的定损结果。因此，本申请所述方法还可以包括：
S6：基于包括所述损伤部件、损伤部位、损伤类型的信息生成维修方案。
图7是本申请所述一种基于图像的车辆定损方法另一种实施例的方法流程示意图。上述经过对待处理图像的车辆部件识别、受损部件的确认，以及损伤部位、受损类型的识别等处理，获取本实施例进行车辆定损的信息后，可以基于这些信息生成维修方案。所述的维修方案可以是针对一个受损部件对应一个维修方案的定损结果，也可以为整个车辆的多个损伤部件的一个定损结果。本申请实施方案基于这些损伤部件以及损伤部件中的损伤部位、损伤类型、维修策略的信息生成车辆的维修方案，为保险作业人员和车主用户提供更为准确、可靠、有实际参考价值的定损信息。本申请实施方案可以识别出一张或多张图像中的一个或多个受损部件，和所述损伤部件中的一处或多处受损部位及受损程度等，快速的得到更全面、准确的定损信息，然后自动生成维修方案，可以满足保险公司或车主用户快速、全面、准确可靠的车辆定损处理需求，提高车辆定损处理结果的准确性和可靠性，提高用户服务体验。
本实施例中，可以设置每个损伤类型对应一种维修方案，如严重变形对应于换件，轻度变形需要钣金，轻微擦伤需要喷漆。对于用户而言，一个损伤部件最终输出的可以为一个维修方案，当一个损伤部件存在多处损伤时，可以以损伤最严重的部位的维修方式作为整个部件最终的处理方式。通常车辆上的一个部件是一个整体，多处损伤的话，以最严重的损伤的处理较为合理。本实施例可以选取一种维修方案能解决损伤部件上的所有损伤，比如一个损伤部件中，一个损伤部位的损伤类型为严重损坏，需要换件，另一个损伤部位的损伤类型为中度变形，需要钣金，则此时可以选择换件而可以不需要在进行钣金处理。
需要理解的是，通常所述的定损可以包括核损和核价两个信息。在本申请的实施例中，输出的维修方案如果不包括维修费用的信息，则可以归属为核损部分，如果包括维修费用的信息，则可以认为核损和核价均做了计算处理。因此，本实施例所述的维修方案均属于车辆定损的维修方案处理结果中的一种。
具体的一个示例中，例如算法服务器在识别出待处理图像中的损伤部件以及损伤部件的损伤部位和损伤类型后，可以根据上述信息按照预设的处理规则生成所述车辆部件的维修方案。如A1厂商2016年B1型号车左前叶子板：轻度变形：需钣金处理；A2厂商2010年B2型号车左前车门：重度刮擦并且重度变形：需更换处理；A3厂商2013年B3型号车前保险杠：轻度刮擦：需喷漆处理；左前灯：需要拆解检查等。
本申请所述方法的另一种实施例中，为满足用户对车辆定损中费用价格的信息需求，所述的维修方案中还可以包括针对车辆部件维修的预估修改价格的信息，以使用户得知修改费用信息，选择更适合的维修处理方式，满足用户需要，提高用户体验。因此，本申请所述方法的另一种实施例中，所述方法还可以包括：
S601：获取所述车辆部件的维修策略的信息；
相应的，所述维修方案还可以包括对应于所述维修策略的预估维修价格；所述预估维修价格根据包括所述车辆部件的损伤部位、损伤类型、维修策略的信息，并查询对应于所述维修策略中车辆部件的产品和/或维修服务的价格数据后，计算得到的所述车辆部件的预估维修价格。
具体的实现方式上，可以设计一个计算规则，根据车辆部件所述归属的车型、选择的车辆部件的维修地、修理厂(4S点还是普通综合修理厂)等的维修策略的信息，调用不同的价格库，生成所述车辆部件的包括预维修处理方式和对应的预估维修价格的维修方案。所述的维修策略的信息可以通过用户选取确定，例如用户可以选择维修地点(如市级或区级划分)、在4S店还是综合修理厂，输入车品牌、型号，然后算法服务器可以根据该车辆部件的维修策略信息和识别出的损伤部位和损伤类型得到类似如下的维修方案：
A3厂商2013年B3型号车前保险杠，轻度刮擦，需喷漆处理；预估本地4S店维修费用为：600元。
当然，其他的实施方式中，也可以根据传统车险公司理赔经验整理出车辆事故现场受损部件、受损类型、受损程度等信息，结合4S店修复工时、费用等信息建立引擎模块。当实际处理应用识别出车辆部件的受损部位和受损类型时，可以调用引擎模块，输出车辆部件的定损结果。
上述中所述的维修策略的信息可以被修改更换。如用户可以选择在4S店维修，此时对应一个维修策略，相应的会对应一个维修方案。如果用户更换为在综合修理厂维修，则对应另一个维修策略，相应的也会生成另一个维修方案。
本申请还提供一个具体的损伤识别模型样本训练过程的实施方式。具体的所述方法的另一个实施例中如图8所示，所述可以采用下述方式确定损伤部件以及所述损伤部件的损伤部位和损伤类型：
S410：获取含有损伤部位的待处理图像的集合；
S420：利用卷积神经网络提取所述集合中待处理图像的特征向量，基于所述特征向量的进行相同车辆部件的图像聚类处理，确定损伤部件；
S430：将属于同一损伤部件的损伤部位进行合并，获取损伤部位的损伤聚类特征数据；
S440：根据所述损伤聚类特征数据确定所述损伤部件所包含损伤部位和所述损伤部位对应的损伤类型。
具体的一个示例中，对任何一个检测出来的损伤部件p，其对应了一到多张图片中检测到的一到多个损伤部位(包括损伤类型、位置和置信度)。将这些图片聚类，使用图片经过卷积网络提取的特征向量，如使用Ns中卷积网络最后一个输入模型训练的损伤样本图像的输出向量，来计算图片距离。将属于同一聚类t图片内的损伤部位合并(按置信度选top-K，k可以取15)作为特征Ft。选取top-C(C可以取5，按照聚类内的加权受损部位个数排序，权值为受损部位的置信度)的聚类的特征(Ft1,Ft2,…)作为多分类梯度提升决策树GBDT的特征输入，使用一个多分类梯度提升决策树(GBDT)模型最终给出受损类型和程度。此GBDT模型可以通过打标数据梯度下降训练得到。
可以理解的是，所述的损伤图像在模型训练时可以为采用的样本图像。在实际用户使用时，可以为所述待处理图像。上述所述的图像聚类主要是将含有相同部件的图像聚类。聚类的目的是能找到对损伤部件大致相同部位的拍摄图像。根据S2和S3得到的各损伤部件和损伤部位、损伤类型采用上述实施方式确认得到待处理图像的损伤部件和其对应的损伤部位、损伤类型。
进一步的，另一种实施例中，所述将属于同一损伤部件的损伤部位进行合并可以包括：
从图像聚类中属于同一损伤部件的待处理图像中，按照置信度降序选取K个待处理图像的损伤部位进行合并，K≥2。
合并后选择TOPK个置信度的进行处理，尤其是在大量样本图像训练时可提高识别处理速度。本实施例模型训练的实施场景中，K可以取值为10到15。
另一种实施例中，所述获取损伤部位的损伤聚类特征数据可以包括：
从所述合并后的图像聚类中，按照损伤部位的加权值降序选取C个待处理图像的损伤聚类特征数据，C≥2，所述加权值的权重因子为损伤部位的置信度。本实施例模型训练的实施场景中，C可以取值为3到5。
其他的一些实施例中，所述根据所述损伤聚类特征数据确定所述损伤部件所包含损伤部位和所述损伤部位对应的损伤类型包括：
将所述损伤聚类特征数据作为设置的多分类梯度提升决策树模型的输入数据，识别出损伤部位和损伤类型。
可以理解的是，上述所述的待处理图像的处理在模型训练时可以为采用的样本图像。例如上述S410中获取的含有损伤部位的训练样本图像的集合，或者，从图像聚类中属于同一损伤部件的训练样本图像中，按照置信度降序选取K个训练样本图像的损伤部位进行合并等。在模型训练的实施过程参照前述待处理图像的描述，在此不做重复赘述。
上述所述的实施方案，可以提高定损处理结果的可靠性和准确性的同时，进一步的加快处理速度。
使用车辆三维模型在多角度和光照模型下进行真实感绘制生成图片，同时得到各车辆部件在图片中的位置。绘制生成的图片加入到训练数据中和打标数据一起训练。一种实施例中，所述部件识别模型或损伤识别模型中的至少一项使用的训练样本图像可以包括：利用计算机模拟车辆部件受损绘制生成的图片信息。结合实际现场拍摄的图像一起打标训练，可以进一步提高模型训练效果，优化模型参数，提高识别精度。
本申请提供的一种基于图像的车辆定损方法，可以识别出待处理图像中所包含的损伤部件，然后基于构建的损伤识别模型检测出损伤部件的多处受损部位和每个损伤部位对应的损伤类型，从而得到车辆部件准确、全面、可靠的车辆定损信息。进一步的，本申请实施方案基于这些损伤部件以及损伤部件中的损伤部位、损伤类型、维修策略的信息生成车辆的维修方案，为保险作业人员和车主用户提供更为准确、可靠、有实际参考价值的定损信息。本申请实施方案可以识别出一张或多张图像中的一个或多个受损部件，和所述损伤部件中的一处或多处受损部位及受损程度等，快速的得到更全面、准确的定损信息，然后自动生成维修方案，可以满足保险公司或车主用户快速、全面、准确可靠的车辆定损处理需求，提高车辆定损处理结果的准确性和可靠性，提高用户服务体验。
基于上述所述的基于图像的车辆定损方法，本申请还提供一种基于图像的车辆定损装置。所述的装置可以包括使用了本申请所述方法的***(包括分布式***)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本申请提供的一种实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本申请具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。具体的，图9是本申请提供的一种基于图像的车辆定损装置一种实施例的模块结构示意图，如图9所示，所述装置可以包括：
图像获取模块101，可以用于获取待处理图像；
部件第一识别模块102，可以检测所述待处理图像，识别所述待处理图像中的车辆部件；
部件第二识别模块103，可以对所述待处理图像中未识别出车辆部件的局部图像，采用和已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件；
损伤识别模块104，可以用于检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
损伤计算模块105，可以用于根据识别出的车辆部件、所述损伤部位和损伤类型确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型。
本申请提供的一种基于图像的车辆定损方法，可以识别出待处理图像中所包含的损伤部件，然后基于构建的损伤识别模型检测出损伤部件的受损部位和每个损伤部位对应的损伤类型，从而得到车辆部件准确、全面、可靠的车辆定损信息。本申请实施方案可以识别出一张或多张图像中的一个或多个受损部件，和所述损伤部件中的一处或多处受损部位及受损程度等。并且对于类似车辆部件局部细节图像也能进行准确的部件类型确认，提高计算得到的车辆定损信息的可靠性，使得基于图像的车辆定损结果更加可靠，可以提高车辆定损处理结果的准确性和可靠性，提高用户服务体验。
图10是本申请提供的一种基于图像的车辆定损装置另一种实施例的模块结构示意图，如图10所示，另一种实施方式中，所述装置还可以包括：
定损处理模块105，可以用于基于包括确定出所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型的信息生成维修方案。
图11是本申请所述部件第二识别模块103一种实施例的模块结构示意图，如图11所示，所述部件第二识别模块可以包括：
特征提取模块1031，可以用于采用卷积神经网络提取所述局部图像的第一卷积特征数据，以及采用预定算法提取所述局部图像的第一局部特征点集；
区域匹配模块1032，可以用于将所述第一卷积特征数据匹配与所述部件图像中的采样区域的卷积特征数据进行比较，获取与所述第一卷积特征数据相似度最高的相似区域；
仿射变换处理模块1033，可以用于采样所述预定算法提取所述相似区域的第二局部特征点集，将所述第一局部特征点集与第二局部特征点集进行匹配，获取匹配点对，通过最小化匹配点对在仿射变换下的位置误差得到所述局部图像与部件图像之间的仿射变换；
部件确认模块1034，可以用于选取所述位置误差最小的图像区域对应在所述部件图像上的部件类型作为所述局部图像的车辆部件。
对于所述部件图像，可以利用滑动窗口提取所述部件图像中滑动窗口区域的第二卷积特征数据，获取第二卷积特征数据集合，所述第二卷积特征数据使用与提取第一卷积特征数据相同的卷积神经网络获得；从所述第二卷积特征数据集合中选取与所述第一卷积特征数据相似度最高的相似区域，相似度计算使用余弦相似度。
参照前述方法所述，所述装置还可以包括其他的实施方式。例如基于卷积层和区域建议层的网络模型，经过样本数据训练后构建生成的深度神经网络检测所述待处理图像、从图像聚类中属于同一损伤样本部件的待处理图像中，按照置信度降序选取K个待处理图像的损伤部位进行合并、将所述相似区域按照预定方式扩大图像区域范围等。或者，还可以包括获取所述车辆部件的维修策略信息，并生成包括预估维修价格的维修方案等。具体的可以参照前述方法实施例的相关描述，在此不做一一列举描述。
本申请上述所述的方法或装置可以通过计算机程序结合必要的硬件实施，可以设置在中的设备的应用中，基于图像的车辆定损结果快速、可靠输出。因此，本申请还提供一种基于图像的车辆定损装置，可以用于服务器一侧，可以包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
获取待处理图像；
检测所述待处理图像，识别所述待处理图像中的车辆部件；
对所述待处理图像中未识别出车辆部件的局部图像，采用和已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件；
检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据识别出的车辆部件、所述损伤部位和损伤类型确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型。
上述所述装置具体的实际处理中，还可以包括其他的处理硬件，例如GPU(Graphics Processing Uni，图形处理单元)。如前述方法所述，所述装置的另一种实施例中，所述处理器执行所述指令时还实现：
基于包括确定出所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型的信息生成维修方案。
所述的一种基于图像的车辆定损装置的另一种实施例中，所述处理器执行采用和已识别出包含车辆部件的部件图像进行图像匹配确定所述局部图像所属的车辆部件的指令时实现包括：
采用卷积神经网络提取所述局部图像的第一卷积特征数据，以及采用预定算法提取所述局部图像的第一局部特征点集；
将所述第一卷积特征数据匹配与所述部件图像中的采样区域的卷积特征数据进行比较，获取与所述第一卷积特征数据相似度最高的相似区域；
采样所述预定算法提取所述相似区域的第二局部特征点集，将所述第一局部特征点集与第二局部特征点集进行匹配，获取匹配点对，通过最小化匹配点对在仿射变换下的位置误差得到所述局部图像与部件图像之间的仿射变换；
选取所述位置误差最小的图像区域对应在所述部件图像上的部件类型作为所述局部图像的车辆部件。
所述装置的另一种实施例中，还可以进一步优化方案，提高处理精度。具体的，所述处理器执行采用和已识别出包含车辆部件的部件图像进行图像匹配确定所述局部图像所属的车辆部件的指令时实现包括下述中的至少一个步骤；
对于所述部件图像，利用滑动窗口提取所述部件图像中滑动窗口区域的第二卷积特征数据，获取第二卷积特征数据集合，所述第二卷积特征数据使用与提取第一卷积特征数据相同的卷积神经网络获得，从所述第二卷积特征数据集合中选取与所述第一卷积特征数据相似度最高的相似区域，相似度计算使用余弦相似度；
将所述相似区域按照预定比例扩大图像区域范围，所述预定比例的取值范围包括50％，相应的，所述第二局部特征点集包括提取的所述扩大图像区域范围后的相似区域的局部特征点集；
采用尺度不变特征变换提取第一局部特征数据和第二局部特征数据。
一种基于图像的车辆定损装置的另一种实施中，可以采用下述识别模型检测所述待处理图像：
基于卷积层和区域建议层的网络模型，经过样本数据训练后构建生成的深度神经网络。
如前方式所述，可以采用下述方式确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型：
获取含有损伤部位的待处理图像的集合；
利用卷积神经网络提取所述集合中待处理图像的特征向量，基于所述特征向量的进行相同车辆部件的图像聚类处理，确定损伤部件；
将属于同一损伤部件的损伤部位进行合并，获取损伤部位的损伤聚类特征数据；
根据所述损伤聚类特征数据确定所述损伤部件所包含损伤部位和所述损伤部位对应的损伤类型。
参照前述方法所述，所述装置还可以包括其他的实施方式。所述方法具体的实现和实施过程可以参照前述方法相关实施例的描述，在此不做一一赘述。
利用本申请实施例提供的一种基于图像的车辆定损装置，可以识别出待处理图像中所包含的损伤部件，然后基于构建的损伤识别模型检测出损伤部件的多处受损部位和每个损伤部位对应的损伤类型，从而得到车辆部件准确、全面、可靠的车辆定损信息。进一步的，本申请实施方案基于这些损伤部件以及损伤部件中的损伤部位、损伤类型、维修策略的信息生成车辆的维修方案，为保险作业人员和车主用户提供更为准确、可靠、有实际参考价值的定损信息。本申请实施方案可以识别出一张或多张图像中的一个或多个受损部件，和所述损伤部件中的一处或多处受损部位及受损程度等，快速的得到更全面、准确的定损信息，然后自动生成维修方案，可以满足保险公司或车主用户快速、全面、准确可靠的车辆定损处理需求，提高车辆定损处理结果的准确性和可靠性，提高用户服务体验。
本申请上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本申请实施例所描述方案的效果。因此，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时可以实现以下步骤：
获取待处理图像；
检测所述待处理图像，识别所述待处理图像中的车辆部件；
对所述待处理图像中未识别出车辆部件的局部图像，采用和已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件；
检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据识别出的车辆部件、所述损伤部位和损伤类型确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型。
所述计算机可读存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。本实施例所述的计算机可读存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
上述所述的装置或方法可以用于图像处理的电子设备中，实现基于图像的车辆定损快速处理。所述的电子设备器可以是单独的服务器，也可以是多台应用服务器组成的***集群，也可以是分布式***中的服务器。图12是本申请提供的一种电子设备一种实施例的结构示意图。一种实施例中，所述电子设备可以包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
获取待处理图像；
检测所述待处理图像，识别所述待处理图像中的车辆部件；
对所述待处理图像中未识别出车辆部件的局部图像，采用和已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件；
检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据识别出的车辆部件、所述损伤部位和损伤类型确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型。
图13是利用本申请实施方案进行车辆定损的一个处理场景示意图。图13中的客户端为用户的移动终端，其他的实施场景中也可以为PC或其他终端设备。本申请提供的一种基于图像的车辆定损方法、装置及电子设备，使用深度学习技术检测受损部位和损伤类型，利用图像匹配方法精确定位损伤部位，可以使用多图像检测结果提高定损的准确性。图像检测技术和车辆部件价格库以及维修规则相结合自动生成维修方案和估价。本申请的一些实施方案可以基于更为具体的车损信息、车辆部件价格库以及维修处理方式等自动生成维修方案和预估的维修费用，可以满足保险公司或车主用户快速、全面、准确可靠的车辆定损处理需求，提高车辆定损处理结果的准确性和可靠性，提高用户服务体验。
上述所述的方法、装置等可以用于多种基于图像的车辆自动定损业务***中，实现用户上传拍摄的定损图像即可快速获取准确、可靠的车辆定损信息，满足用户需求，提高用户业务使用体验。因此，本申请还提供一种基于图像的车辆定损***，具体的可以包括I/O接口、存储器、中央处理器、图像处理器，其中，
所述I/O接口，用于获取待处理图像和输出维修方案；
所述中央处理器耦合于图像处理器，用于检测所述待处理图像，识别所述待处理图像中的车辆部件；对所述待处理图像中未识别出车辆部件的局部图像，采用和已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件；检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；根据识别出的车辆部件、所述损伤部位和损伤类型确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型；
所述中央处理器还用于基于包括确定出所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型的信息生成维修方案。
需要说明的是，虽然上述实施例提供的一些装置、电子设备、计算机可读存储介质、***的实施例的描述，但基于前述相关方法或装置实施例的描述，所述的装置、电子设备、计算机可读存储介质、***还可以包括其他的实施方式，具体的可以参照相关方法或装置实施例的描述，在此不再一一举例赘述。
尽管本申请内容中提到图像质量处理、卷积神经网络和区域建议网络以及其组合生成的深度神经网络、预估维修价格的计算方式、利用GBDT模型得到损伤部位和类型处理方式等等之类的数据模型构建、SIFT提取局部特征数据、仿射变换处理过程等的数据获取、交互、计算、判断等描述，但是，本申请并不局限于必须是符合行业通信标准、标准数据模型/算法、计算机处理和存储规则或本申请实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本申请的可选实施方案范围之内。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (25)

1.一种基于图像的车辆定损方法，其特征在于，所述方法包括：
获取车辆的待处理图像；
检测所述待处理图像，识别所述待处理图像中的车辆部件；
对所述待处理图像中未识别出车辆部件的局部图像，采用和所述车辆的待处理图像中已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件；
检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据识别出的车辆部件、所述损伤部位和损伤类型确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型。
2.如权利要求1所述的一种基于图像的车辆定损方法，其特征在于，所述方法还包括：
基于包括确定出所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型的信息生成维修方案。
3.如权利要求1所述的一种基于图像的车辆定损方法，其特征在于，所述采用和已识别出包含车辆部件的部件图像进行图像匹配确定所述局部图像所属的车辆部件包括：
采用卷积神经网络提取所述局部图像的第一卷积特征数据，以及采用预定算法提取所述局部图像的第一局部特征点集；
将所述第一卷积特征数据与所述部件图像中的采样区域的卷积特征数据进行比较，获取与所述第一卷积特征数据相似度最高的相似区域；
采用所述预定算法提取所述相似区域的第二局部特征点集，将所述第一局部特征点集与第二局部特征点集进行匹配，获取匹配点对，通过最小化匹配点对在仿射变换下的位置误差得到所述局部图像与部件图像之间的仿射变换；
选取所述位置误差最小的图像区域对应在所述部件图像上的部件类型作为所述局部图像的车辆部件。
4.如权利要求3所述的一种基于图像的车辆定损方法，其特征在于，所述将所述第一卷积特征数据与所述部件图像中的采样区域的卷积特征数据进行比较获取与所述第一卷积特征数据相似度最高的相似区域包括；
对于所述部件图像，利用滑动窗口提取所述部件图像中滑动窗口区域的第二卷积特征数据，获取第二卷积特征数据集合，所述第二卷积特征数据使用与提取第一卷积特征数据相同的卷积神经网络获得；
从所述第二卷积特征数据集合中选取与所述第一卷积特征数据相似度最高的相似区域，相似度计算使用余弦相似度。
5.如权利要求3所述的一种基于图像的车辆定损方法，其特征在于，所述方法还包括：
将所述相似区域按照预定方式扩大图像区域范围；
相应的，所述第二局部特征点集包括提取的所述扩大图像区域范围后的相似区域的局部特征点集。
6.如权利要求5所述的一种基于图像的车辆定损方法，其特征在于，所述将所述相似区域按照预定方式扩大图像区域范围包括：
所述相似区域的左、右、上、下的边向外扩展预定比例，所述预定比例的取值范围包括为50％。
7.如权利要求3所述的一种基于图像的车辆定损方法，其特征在于，所述预定算法包括：
尺度不变特征变换。
8.如权利要求1所述的一种基于图像的车辆定损方法，其特征在于，获取待处理图像之后，还进行下述中的至少一项图像处理：
若所述待处理图像包括多种类别的图像信息，则通过图像分类算法对所述待处理图像进行分类，筛选出符合车辆定损处理信息相关联的图像作为车辆定损处理的图像；
判断所述待处理图像的图像质量，删除图像质量不符合要求的待处理图像；
对相似度达到预定阈值的待处理图像进行去重处理。
9.如权利要求2所述的一种基于图像的车辆定损方法，其特征在于，所述方法还包括：
获取所述损伤部件的维修策略的信息；
相应的，所述维修方案还包括对应于所述维修策略的预估维修价格；所述预估维修价格根据包括所述损伤部件、损伤部位、损伤类型、维修策略的信息，并查询对应于所述维修策略中损伤部件的产品和/或维修服务的价格数据后，计算得到的所述损伤部件的预估维修价格。
10.如权利要求1所述的一种基于图像的车辆定损方法，其特征在于，采用下述识别模型检测所述待处理图像：
基于卷积层和区域建议层的网络模型，经过样本数据训练后构建生成的深度神经网络。
11.如权利要求10所述的一种基于图像的车辆定损方法，其特征在于，采用下述方式确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型：
获取含有损伤部位的待处理图像的集合；
利用卷积神经网络提取所述集合中待处理图像的特征向量，基于所述特征向量进行相同车辆部件的图像聚类处理，确定损伤部件；
将属于同一损伤部件的损伤部位进行合并，获取损伤部位的损伤聚类特征数据；
根据所述损伤聚类特征数据确定所述损伤部件所包含损伤部位和所述损伤部位对应的损伤类型。
12.如权利要求11所述的一种基于图像的车辆定损方法，其特征在于，所述将属于同一损伤部件的损伤部位进行合并获取损伤部位的损伤聚类特征数据包括：
从图像聚类中属于同一损伤样本部件的待处理图像中，按照置信度降序选取K个待处理图像的损伤部位进行合并，K≥2；
从所述合并后的图像聚类中，按照损伤部位的加权值降序选取C个待处理图像的损伤聚类特征数据，C≥2，所述加权值的权重因子为损伤部位的置信度。
13.如权利要求12所述的一种基于图像的车辆定损方法，其特征在于，所述根据所述损伤聚类特征数据识别出损伤样本图像中的损伤部位和损伤类型，包括：
将所述损伤聚类特征数据作为设置的多分类梯度提升决策树模型的输入数据，识别出损伤部位和损伤类型。
14.一种基于图像的车辆定损装置，其特征在于，所述装置包括：
图像获取模块，用于车辆的获取待处理图像；
部件第一识别模块，检测所述待处理图像，识别所述待处理图像中的车辆部件；
部件第二识别模块，对所述待处理图像中未识别出车辆部件的局部图像，采用和所述车辆的待处理图像中已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件；
损伤识别模块，用于检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
损伤计算模块，用于根据识别出的车辆部件、所述损伤部位和损伤类型确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型。
15.如权利要求14所述的一种基于图像的车辆定损装置，其特征在于，所述装置还包括：
定损处理模块，用于基于包括确定出所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型的信息生成维修方案。
16.如权利要求14或15所述的一种基于图像的车辆定损装置，其特征在于，所述部件第二识别模块包括：
特征提取模块，用于采用卷积神经网络提取所述局部图像的第一卷积特征数据，以及采用预定算法提取所述局部图像的第一局部特征点集；
区域匹配模块，用于将所述第一卷积特征数据与所述部件图像中的采样区域的卷积特征数据进行比较，获取与所述第一卷积特征数据相似度最高的相似区域；
仿射变换处理模块，用于采用所述预定算法提取所述相似区域的第二局部特征点集，将所述第一局部特征点集与第二局部特征点集进行匹配，获取匹配点对，通过最小化匹配点对在仿射变换下的位置误差得到所述局部图像与部件图像之间的仿射变换；
部件确认模块，用于选取所述位置误差最小的图像区域对应在所述部件图像上的部件类型作为所述局部图像的车辆部件。
17.一种基于图像的车辆定损装置，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
获取车辆的待处理图像；
检测所述待处理图像，识别所述待处理图像中的车辆部件；
对所述待处理图像中未识别出车辆部件的局部图像，采用和所述车辆的待处理图像中已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件；
检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据识别出的车辆部件、所述损伤部位和损伤类型确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型。
18.如权利要求17所述的一种基于图像的车辆定损装置，其特征在于，所述处理器执行所述指令时还实现：
基于包括确定出所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型的信息生成维修方案。
19.如权利要求17所述的一种基于图像的车辆定损装置，其特征在于，所述处理器执行采用和已识别出包含车辆部件的部件图像进行图像匹配确定所述局部图像所属的车辆部件的指令时实现包括：
采用卷积神经网络提取所述局部图像的第一卷积特征数据，以及采用预定算法提取所述局部图像的第一局部特征点集；
将所述第一卷积特征数据与所述部件图像中的采样区域的卷积特征数据进行比较，获取与所述第一卷积特征数据相似度最高的相似区域；
采用所述预定算法提取所述相似区域的第二局部特征点集，将所述第一局部特征点集与第二局部特征点集进行匹配，获取匹配点对，通过最小化匹配点对在仿射变换下的位置误差得到所述局部图像与部件图像之间的仿射变换；
选取所述位置误差最小的图像区域对应在所述部件图像上的部件类型作为所述局部图像的车辆部件。
20.如权利要求19所述的一种基于图像的车辆定损装置，其特征在于，所述处理器执行采用和已识别出包含车辆部件的部件图像进行图像匹配确定所述局部图像所属的车辆部件的指令时实现包括下述中的至少一个步骤；
对于所述部件图像，利用滑动窗口提取所述部件图像中滑动窗口区域的第二卷积特征数据，获取第二卷积特征数据集合，所述第二卷积特征数据使用与提取第一卷积特征数据相同的卷积神经网络获得，从所述第二卷积特征数据集合中选取与所述第一卷积特征数据相似度最高的相似区域，相似度计算使用余弦相似度；
将所述相似区域按照预定比例扩大图像区域范围，所述预定比例的取值范围包括：50％，相应的，所述第二局部特征点集包括提取的所述扩大图像区域范围后的相似区域的局部特征点集；
采用尺度不变特征变换提取第一局部特征数据和第二局部特征数据。
21.如权利要求17所述的一种基于图像的车辆定损装置，其特征在于，采用下述识别模型检测所述待处理图像：
基于卷积层和区域建议层的网络模型，经过样本数据训练后构建生成的深度神经网络。
22.如权利要求21所述的一种基于图像的车辆定损装置，其特征在于，采用下述方式确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型：
获取含有损伤部位的待处理图像的集合；
利用卷积神经网络提取所述集合中待处理图像的特征向量，基于所述特征向量进行相同车辆部件的图像聚类处理，确定损伤部件；
将属于同一损伤部件的损伤部位进行合并，获取损伤部位的损伤聚类特征数据；
根据所述损伤聚类特征数据确定所述损伤部件所包含损伤部位和所述损伤部位对应的损伤类型。
23.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被执行时实现以下步骤：
获取车辆的待处理图像；
检测所述待处理图像，识别所述待处理图像中的车辆部件；
对所述待处理图像中未识别出车辆部件的局部图像，采用和所述车辆的待处理图像中已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件；
检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据识别出的车辆部件、所述损伤部位和损伤类型确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型。
24.一种电子设备，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
获取车辆的待处理图像；
检测所述待处理图像，识别所述待处理图像中的车辆部件；
对所述待处理图像中未识别出车辆部件的局部图像，采用和所述车辆的待处理图像中已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件；
检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据识别出的车辆部件、所述损伤部位和损伤类型确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型。
25.一种基于图像的车辆定损***，其特征在于，包括I/O接口、存储器、中央处理器、图像处理器，
所述I/O接口，用于获取车辆的待处理图像和输出维修方案；
所述中央处理器耦合于图像处理器，用于检测所述待处理图像，识别所述待处理图像中的车辆部件；对所述待处理图像中未识别出车辆部件的局部图像，采用和所述车辆的待处理图像中已识别出包含车辆部件的部件图像进行图像匹配，确定所述局部图像所属的车辆部件；检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；根据识别出的车辆部件、所述损伤部位和损伤类型确定所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型；
所述中央处理器还用于基于包括确定出所述待处理图像中的损伤部件和与所述损伤部件对应的损伤部位、损伤类型的信息生成维修方案。
CN201710232956.8A 2017-04-11 2017-04-11 一种基于图像的车辆定损方法、装置、电子设备及*** Active CN107358596B (zh)

Priority Applications (13)

Application Number Priority Date Filing Date Title
CN201710232956.8A CN107358596B (zh) 2017-04-11 2017-04-11 一种基于图像的车辆定损方法、装置、电子设备及***
TW107107229A TWI684922B (zh) 2017-04-11 2018-03-05 基於圖像的車輛定損方法、裝置、電子設備及系統
KR1020197012676A KR102151365B1 (ko) 2017-04-11 2018-04-11 이미지 기반 차량 손실 평가 방법, 장치 및 시스템, 및 전자 디바이스
MYPI2019005962A MY193739A (en) 2017-04-11 2018-04-11 Picture-based vehicle loss assessment method and apparatus, and electronic device
US15/950,786 US20180293552A1 (en) 2017-04-11 2018-04-11 Image-based vehicle maintenance plan
JP2019524075A JP6873237B2 (ja) 2017-04-11 2018-04-11 画像ベースの車両損害評価方法、装置、およびシステム、ならびに電子デバイス
SG11201903904VA SG11201903904VA (en) 2017-04-11 2018-04-11 Image-based vehicle loss assessment method, apparatus, and system, and electronic device
EP18723105.5A EP3520045B8 (en) 2017-04-11 2018-04-11 Image-based vehicle loss assessment method, apparatus, and system, and electronic device
PCT/US2018/027192 WO2018191435A1 (en) 2017-04-11 2018-04-11 Picture-based vehicle loss assessment method and apparatus, and electronic device
JP2019555669A JP6874150B2 (ja) 2017-04-11 2018-04-11 ピクチャベースの車両損害査定の方法および装置、ならびに電子デバイス
PCT/US2018/027194 WO2018191437A1 (en) 2017-04-11 2018-04-11 Image-based vehicle loss assessment method, apparatus, and system, and electronic device
US16/358,581 US20190213563A1 (en) 2017-04-11 2019-03-19 Image-based vehicle maintenance plan
PH12019500971A PH12019500971A1 (en) 2017-04-11 2019-04-30 Image-based vehicle loss assessment method, apparatus, and electronic device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710232956.8A CN107358596B (zh) 2017-04-11 2017-04-11 一种基于图像的车辆定损方法、装置、电子设备及***

Publications (2)

Publication Number Publication Date
CN107358596A CN107358596A (zh) 2017-11-17
CN107358596B true CN107358596B (zh) 2020-09-18

Family

ID=60271548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710232956.8A Active CN107358596B (zh) 2017-04-11 2017-04-11 一种基于图像的车辆定损方法、装置、电子设备及***

Country Status (10)

Country Link
US (2) US20180293552A1 (zh)
EP (1) EP3520045B8 (zh)
JP (2) JP6874150B2 (zh)
KR (1) KR102151365B1 (zh)
CN (1) CN107358596B (zh)
MY (1) MY193739A (zh)
PH (1) PH12019500971A1 (zh)
SG (1) SG11201903904VA (zh)
TW (1) TWI684922B (zh)
WO (2) WO2018191437A1 (zh)

Families Citing this family (159)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10740891B1 (en) 2016-05-20 2020-08-11 Ccc Information Services Inc. Technology for analyzing images depicting vehicles according to base image models
CN106651881B (zh) * 2016-12-28 2023-04-28 同方威视技术股份有限公司 车辆检查***、车辆部位识别方法及***
US10399106B2 (en) * 2017-01-19 2019-09-03 Ford Global Technologies, Llc Camera and washer spray diagnostic
CN107392218B (zh) 2017-04-11 2020-08-04 创新先进技术有限公司 一种基于图像的车辆定损方法、装置及电子设备
CN107403424B (zh) 2017-04-11 2020-09-18 阿里巴巴集团控股有限公司 一种基于图像的车辆定损方法、装置及电子设备
CN111914692B (zh) 2017-04-28 2023-07-14 创新先进技术有限公司 车辆定损图像获取方法及装置
CN108090838B (zh) * 2017-11-21 2020-09-29 阿里巴巴集团控股有限公司 识别车辆受损部件的方法、装置、服务器、客户端及***
CN108171255A (zh) * 2017-11-22 2018-06-15 广东数相智能科技有限公司 基于图像识别的图片联想强度评分方法及装置
US10460431B2 (en) * 2018-01-15 2019-10-29 Otis Elevator Company Part recognition and damage characterization using deep learning
CN108334906B (zh) * 2018-02-08 2021-02-23 北京鑫车科技有限公司 一种金融典当服务的抵押物自动识别评估方法和装置
CN108399382A (zh) * 2018-02-13 2018-08-14 阿里巴巴集团控股有限公司 车险图像处理方法和装置
CN108446618A (zh) * 2018-03-09 2018-08-24 平安科技（深圳）有限公司 车辆定损方法、装置、电子设备及存储介质
CN108550080A (zh) * 2018-03-16 2018-09-18 阿里巴巴集团控股有限公司 物品定损方法及装置
CN108921811B (zh) * 2018-04-03 2020-06-30 阿里巴巴集团控股有限公司 检测物品损伤的方法和装置、物品损伤检测器
CN108764046A (zh) * 2018-04-26 2018-11-06 平安科技（深圳）有限公司 车辆损伤分类模型的生成装置、方法及计算机可读存储介质
CN108628287A (zh) * 2018-04-27 2018-10-09 重庆车云金服科技股份有限公司 汽车维修方案智能评估方法及***
CN108632530B (zh) * 2018-05-08 2021-02-23 创新先进技术有限公司 一种车辆定损的数据处理方法、装置、设备及客户端、电子设备
CN108921068B (zh) * 2018-06-22 2020-10-20 深源恒际科技有限公司 一种基于深度神经网络的汽车外观自动定损方法及***
EP3588451A1 (en) * 2018-06-26 2020-01-01 Ningbo Geely Automobile Research & Development Co. Ltd. Repair instruction device and method
US20200034934A1 (en) * 2018-07-24 2020-01-30 Mitchell International, Inc. Methods for assessing conditioning of a total loss vehicle and devices thereof
CN110569693B (zh) * 2018-08-16 2023-05-12 创新先进技术有限公司 车体颜色识别方法及装置
CN109242006A (zh) * 2018-08-23 2019-01-18 阿里巴巴集团控股有限公司 基于车型分类的识别车辆损伤的方法及装置
CN110569856B (zh) 2018-08-24 2020-07-21 阿里巴巴集团控股有限公司 样本标注方法及装置、损伤类别的识别方法及装置
CN109242762A (zh) * 2018-08-27 2019-01-18 北京铂石空间科技有限公司 图像识别方法、装置、存储介质及电子设备
CN110569695B (zh) * 2018-08-31 2021-07-09 创新先进技术有限公司 基于定损图像判定模型的图像处理方法和装置
CN110569696A (zh) * 2018-08-31 2019-12-13 阿里巴巴集团控股有限公司 用于车辆部件识别的神经网络***、方法和装置
CN110569697A (zh) * 2018-08-31 2019-12-13 阿里巴巴集团控股有限公司 车辆的部件检测方法、装置及设备
CN110570388A (zh) * 2018-08-31 2019-12-13 阿里巴巴集团控股有限公司 车辆的部件检测方法、装置及设备
CN110569694A (zh) * 2018-08-31 2019-12-13 阿里巴巴集团控股有限公司 车辆的部件检测方法、装置及设备
CN110567728B (zh) * 2018-09-03 2021-08-20 创新先进技术有限公司 用户拍摄意图的识别方法、装置及设备
CN110569864A (zh) * 2018-09-04 2019-12-13 阿里巴巴集团控股有限公司 基于gan网络的车损图像生成方法和装置
EP3620984B1 (en) 2018-09-06 2024-04-10 Accenture Global Solutions Limited Digital quality control using computer visioning with deep learning
US11928581B2 (en) * 2018-09-14 2024-03-12 Arm Limited System and method for compressing kernels
CN110570389B (zh) * 2018-09-18 2020-07-17 阿里巴巴集团控股有限公司 车辆损伤识别方法及装置
CN109443301B (zh) * 2018-09-25 2021-09-10 平安科技（深圳）有限公司 一种车辆定损方法、计算机可读存储介质及服务器
CN110569700B (zh) * 2018-09-26 2020-11-03 创新先进技术有限公司 优化损伤识别结果的方法及装置
CN109410218B (zh) * 2018-10-08 2020-08-11 百度在线网络技术（北京）有限公司 用于生成车辆损伤信息的方法和装置
CN109359676A (zh) * 2018-10-08 2019-02-19 百度在线网络技术（北京）有限公司 用于生成车辆损伤信息的方法和装置
CN113409382B (zh) * 2018-10-11 2023-06-20 百度在线网络技术（北京）有限公司 车辆损伤区域的测量方法和装置
CN109215027B (zh) * 2018-10-11 2024-05-24 平安科技（深圳）有限公司 一种基于神经网络的车辆定损方法、服务器及介质
CN109214399B (zh) * 2018-10-12 2021-01-01 清华大学深圳研究生院 一种嵌入SENet结构的改进YOLOV3目标识别方法
CN113228055B (zh) 2018-10-19 2024-04-12 克莱米特有限责任公司 配置和利用卷积神经网络以识别植物病害的方法和介质
CN109508715B (zh) * 2018-10-30 2022-11-08 南昌大学 一种基于深度学习的车牌定位和识别方法
CN109635651B (zh) * 2018-11-07 2024-05-24 中国平安财产保险股份有限公司 一种基于图像识别的车辆定损方法、存储介质及服务器
US20210406596A1 (en) * 2018-11-14 2021-12-30 Intuitive Surgical Operations, Inc. Convolutional neural networks for efficient tissue segmentation
CN109635142B (zh) * 2018-11-15 2022-05-03 北京市商汤科技开发有限公司 图像选择方法及装置、电子设备和存储介质
CN109584230A (zh) * 2018-11-26 2019-04-05 深圳龙图腾创新设计有限公司 辅助质检方法、装置、计算机设备及可读存储介质
TWI700646B (zh) * 2018-11-27 2020-08-01 中華電信股份有限公司 一種資訊整合之干擾查測系統與方法
CN109900702A (zh) * 2018-12-03 2019-06-18 阿里巴巴集团控股有限公司 车辆损伤检测的处理方法、装置、设备、服务器和***
CN109657716B (zh) * 2018-12-12 2020-12-29 中汽数据(天津)有限公司 一种基于深度学习的车辆外观损伤识别方法
CN109635742A (zh) * 2018-12-13 2019-04-16 深源恒际科技有限公司 一种车辆图像定损中的子部件损伤识别方法
CN109684956A (zh) * 2018-12-14 2019-04-26 深源恒际科技有限公司 一种基于深度神经网络的车辆损伤检测方法及***
CN109635824A (zh) * 2018-12-14 2019-04-16 深源恒际科技有限公司 一种图像匹配深度学习方法及***
CN110033011A (zh) * 2018-12-14 2019-07-19 阿里巴巴集团控股有限公司 车祸事故处理方法和装置、电子设备
CN109784171A (zh) * 2018-12-14 2019-05-21 平安科技（深圳）有限公司 车辆定损图像筛选方法、装置、可读存储介质及服务器
US11037440B2 (en) * 2018-12-19 2021-06-15 Sony Group Corporation Vehicle identification for smart patrolling
CN110569701B (zh) * 2018-12-29 2020-08-07 阿里巴巴集团控股有限公司 计算机执行的车辆定损方法及装置
KR102096386B1 (ko) * 2018-12-31 2020-04-03 주식회사 애자일소다 딥러닝 기반의 자동차 부위별 파손정도 자동 판정을 위한 모델 학습 방법 및 시스템
KR102097120B1 (ko) * 2018-12-31 2020-04-09 주식회사 애자일소다 딥러닝 기반의 자동차 부위별 파손정도 자동 판정 시스템 및 방법
CN110009509B (zh) * 2019-01-02 2021-02-19 创新先进技术有限公司 评估车损识别模型的方法及装置
CN109815997A (zh) * 2019-01-04 2019-05-28 平安科技（深圳）有限公司 基于深度学习的识别车辆损伤的方法和相关装置
US11176704B2 (en) 2019-01-22 2021-11-16 Fyusion, Inc. Object pose estimation in visual data
US10887582B2 (en) 2019-01-22 2021-01-05 Fyusion, Inc. Object damage aggregation
US11783443B2 (en) 2019-01-22 2023-10-10 Fyusion, Inc. Extraction of standardized images from a single view or multi-view capture
CN113518996A (zh) * 2019-01-22 2021-10-19 扉时公司 从多视图视觉数据进行损坏检测
CN109948811A (zh) * 2019-01-31 2019-06-28 德联易控科技(北京)有限公司 车辆定损的处理方法、装置及电子设备
CN109886344A (zh) * 2019-02-26 2019-06-14 广东工业大学 基于深度学习的皮革破损识别方法、***及设备和介质
CN109885718B (zh) * 2019-02-28 2021-05-28 江南大学 一种基于深度车贴检测的嫌疑车辆检索方法
CN109902629A (zh) * 2019-03-01 2019-06-18 成都康乔电子有限责任公司 一种复杂交通场景下的实时车辆目标检测模型
EP3709219B1 (en) * 2019-03-13 2022-06-08 Ravin AI Limited System and method for automatically detecting damages in vehicles
CN110163761B (zh) * 2019-03-27 2023-05-12 蚂蚁金服（杭州）网络技术有限公司 基于图像处理的可疑项目成员识别方法及装置
CN110287768A (zh) * 2019-05-06 2019-09-27 浙江君嘉智享网络科技有限公司 图像智能识别车辆定损方法
CN110135437B (zh) * 2019-05-06 2022-04-05 北京百度网讯科技有限公司 用于车辆的定损方法、装置、电子设备和计算机存储介质
US20220398827A1 (en) * 2019-05-09 2022-12-15 Automobilia Ii, Llc Methods, systems and computer program products for media processing and display
DE102019112289B3 (de) 2019-05-10 2020-06-18 Controlexpert Gmbh Verfahren zur Schadenserfassung bei einem Kraftfahrzeug
EP3739507A1 (en) * 2019-05-14 2020-11-18 Banco Bilbao Vizcaya Argentaria, S.A. Method and system for obtaining information about an object based on a photograph thereof
CN110276258A (zh) * 2019-05-21 2019-09-24 智慧互通科技有限公司 一种识别车辆外观的方法及***
CN110210536A (zh) * 2019-05-22 2019-09-06 北京邮电大学 一种光互连***的物理损伤诊断方法及装置
JP7117272B2 (ja) * 2019-06-06 2022-08-12 株式会社日立ビルシステム 保守支援システムおよび方法
JP7462386B2 (ja) 2019-06-14 2024-04-05 株式会社シマノ 検出装置、検出方法、生成方法、コンピュータプログラムおよび記憶媒体
CN110458186B (zh) * 2019-06-26 2021-08-31 山东大学 基于局部参考相似性编码的乳腺超声图像分类方法及***
CN110472656B (zh) * 2019-07-03 2023-09-05 平安科技（深圳）有限公司 车辆图像分类方法、装置、计算机设备及存储介质
TWI703511B (zh) * 2019-07-09 2020-09-01 洽吧智能股份有限公司 螢幕裂損檢測系統
US11429575B2 (en) 2019-07-12 2022-08-30 The Nielsen Company (Us), Llc Deduplication across multiple different data sources to identify common devices
CN110399816B (zh) * 2019-07-15 2023-04-07 广西大学 一种基于Faster R-CNN的高速列车车底异物检测方法
CN110334693A (zh) * 2019-07-17 2019-10-15 中国电子科技集团公司第五十四研究所 一种面向深度学习的遥感图像目标样本生成方法
CN110569383A (zh) * 2019-07-26 2019-12-13 平安科技（深圳）有限公司 店铺信息处理方法、装置、存储介质及计算机设备
CN110516746A (zh) * 2019-08-29 2019-11-29 吉林大学 一种基于无标签数据的驾驶员跟车行为风格分类方法
CN110598621A (zh) * 2019-09-06 2019-12-20 高新兴科技集团股份有限公司 车辆品牌识别方法、装置、设备及计算机可读存储介质
US11410287B2 (en) * 2019-09-09 2022-08-09 Genpact Luxembourg S.à r.l. II System and method for artificial intelligence based determination of damage to physical structures
CN110660000A (zh) * 2019-09-09 2020-01-07 平安科技（深圳）有限公司 数据预测方法、装置、设备及计算机可读存储介质
DE102019125320A1 (de) * 2019-09-20 2021-03-25 Audi Ag Automatisches Behandeln eines Kollisionsschadens eines Fahrzeugs
US11721010B2 (en) * 2019-09-22 2023-08-08 Openlane, Inc. Vehicle self-inspection apparatus and method
JP7138252B2 (ja) * 2019-09-30 2022-09-15 日立建機株式会社 疲労管理システム
CN110738576B (zh) * 2019-10-14 2021-08-06 支付宝(杭州)信息技术有限公司 为受损车辆生成定损文件的方法及装置
US11829128B2 (en) 2019-10-23 2023-11-28 GM Global Technology Operations LLC Perception system diagnosis using predicted sensor data and perception results
CN110796105A (zh) * 2019-11-04 2020-02-14 中国矿业大学 一种基于多模态数据融合的遥感图像语义分割方法
WO2021125294A1 (ja) * 2019-12-18 2021-06-24 Ａｒｉｔｈｍｅｒ株式会社 貸与対象物管理システム、貸与対象物管理プログラム及び貸与対象物管理方法。
CN111209957B (zh) * 2020-01-03 2023-07-18 平安科技（深圳）有限公司 车辆部件识别方法、装置、计算机设备及存储介质
WO2021136938A1 (en) * 2020-01-03 2021-07-08 Tractable Ltd Method of determining repair operations for a damaged vehicle including using domain confusion loss techniques
US11687778B2 (en) 2020-01-06 2023-06-27 The Research Foundation For The State University Of New York Fakecatcher: detection of synthetic portrait videos using biological signals
US11776142B2 (en) 2020-01-16 2023-10-03 Fyusion, Inc. Structuring visual data
US11562474B2 (en) 2020-01-16 2023-01-24 Fyusion, Inc. Mobile multi-camera multi-view capture
CN111310631B (zh) * 2020-02-10 2021-05-07 湖南大学 一种旋翼作业飞行机器人目标跟踪方法及***
CN113505624A (zh) * 2020-03-23 2021-10-15 虹软科技股份有限公司 车辆定损方法、车辆定损装置及应用其的电子设备
US20210304153A1 (en) * 2020-03-30 2021-09-30 Lyft, Inc. Utilizing a transportation matching system in conjunction with a multi-track vehicle service center to service transportation vehicles
TWI723823B (zh) * 2020-03-30 2021-04-01 聚晶半導體股份有限公司 基於神經網路的物件偵測裝置和物件偵測方法
US11210869B2 (en) * 2020-03-31 2021-12-28 Calpro Adas Solutions, Llc Vehicle safety feature identification and calibration
KR102148884B1 (ko) * 2020-04-02 2020-08-27 주식회사 애자일소다 차량의 손상 분석 시스템 및 방법
US11935219B1 (en) 2020-04-10 2024-03-19 Allstate Insurance Company Systems and methods for automated property damage estimations and detection based on image analysis and neural network training
CN111783517B (zh) * 2020-05-13 2024-05-07 北京达佳互联信息技术有限公司 图像识别方法、装置、电子设备及存储介质
JP7031935B2 (ja) * 2020-05-19 2022-03-08 Ｎｅｃプラットフォームズ株式会社 寿命通知装置、寿命通知システム、寿命通知方法及び寿命通知プログラム
CN111666434B (zh) * 2020-05-26 2021-11-02 武汉大学 基于深度全局特征的街景图片检索方法
CN111695615A (zh) * 2020-05-28 2020-09-22 平安科技（深圳）有限公司 基于人工智能的车辆定损方法、装置、电子设备及介质
CN111666995B (zh) * 2020-05-29 2024-04-09 平安科技（深圳）有限公司 基于深度学习模型的车辆定损方法、装置、设备及介质
CN111667392B (zh) * 2020-06-12 2023-06-16 成都国铁电气设备有限公司 一种基于时空聚类的铁路接触网缺陷热点区域预警方法
CN111709352B (zh) * 2020-06-12 2022-10-04 浪潮集团有限公司 一种基于神经网络的车辆划痕检测方法
CN111488875B (zh) * 2020-06-24 2021-04-13 爱保科技有限公司 基于图像识别的车险理赔核损方法、装置和电子设备
CN111612104B (zh) * 2020-06-30 2021-04-13 爱保科技有限公司 车辆定损图像获取方法、装置、介质和电子设备
WO2022015236A1 (en) * 2020-07-17 2022-01-20 Hitachi, Ltd. Method of image processing for object identification and system thereof
US11488117B2 (en) * 2020-08-27 2022-11-01 Mitchell International, Inc. Systems and methods for managing associations between damaged parts and non-reusable parts in a collision repair estimate
US11328402B2 (en) 2020-09-29 2022-05-10 Hong Kong Applied Science and Technology Research Institute Company Limited Method and system of image based anomaly localization for vehicles through generative contextualized adversarial network
CN112329772B (zh) * 2020-11-06 2024-03-05 浙江大搜车软件技术有限公司 车辆部件识别方法、装置、电子装置和存储介质
WO2022099180A1 (en) * 2020-11-09 2022-05-12 Automobilia Ii, Llc Methods, systems and computer program products for media processing and display
CN112232351B (zh) * 2020-11-09 2023-10-10 浙江工业职业技术学院 一种基于深度神经网络的车牌识别***
CN112785547A (zh) * 2020-11-11 2021-05-11 平高集团有限公司 一种电极触头表面损伤识别方法和***
CN112070250B (zh) * 2020-11-13 2021-05-04 深圳壹账通智能科技有限公司 车辆定损方法、装置、终端设备及存储介质
CN112330666B (zh) * 2020-11-26 2022-04-29 成都数之联科技股份有限公司 基于改进孪生网络的图像处理方法及***及装置及介质
CN112270313A (zh) * 2020-12-21 2021-01-26 德联易控科技(北京)有限公司 线上理赔方法、装置、设备及存储介质
CN112686308A (zh) * 2020-12-28 2021-04-20 青岛鼎信通讯股份有限公司 一种基于kh与fcm的低压台区归属识别方法及***
CN112785561A (zh) * 2021-01-07 2021-05-11 天津狮拓信息技术有限公司 一种基于改进Faster RCNN预测模型的二手商用车车况检测方法
CN112801951A (zh) * 2021-01-15 2021-05-14 深圳市商汤科技有限公司 目标部件的损伤检测方法、装置、设备及存储介质
KR102263067B1 (ko) * 2021-01-26 2021-06-09 박형근 제품의 부품 교체 필요성을 판단하는 서버 및 그 동작 방법
US11971953B2 (en) 2021-02-02 2024-04-30 Inait Sa Machine annotation of photographic images
CN112818884B (zh) * 2021-02-07 2021-11-30 中国科学院大学 一种人群计数方法
US11544914B2 (en) 2021-02-18 2023-01-03 Inait Sa Annotation of 3D models with signs of use visible in 2D images
JP2024506691A (ja) * 2021-02-18 2024-02-14 アイエヌエイアイティ エスエイ ２ｄ画像において視認可能な使用形跡を使用した３ｄモデルの注釈付け
US11605151B2 (en) 2021-03-02 2023-03-14 Fyusion, Inc. Vehicle undercarriage imaging
CN113139572B (zh) * 2021-03-09 2022-08-02 西南交通大学 一种基于图像的列车空气弹簧的故障检测方法
CN112689114B (zh) * 2021-03-11 2021-06-22 太平金融科技服务（上海）有限公司 对车辆的目标位置进行确定的方法、装置、设备和介质
CN113034114A (zh) * 2021-04-01 2021-06-25 苏州惟信易量智能科技有限公司 一种基于可穿戴设备的流程控制***及方法
AU2022262359A1 (en) * 2021-04-21 2023-08-24 Siemens Mobility GmbH Automated selection and semantic connection of images
CN112990158A (zh) * 2021-05-14 2021-06-18 太平金融科技服务(上海)有限公司深圳分公司 车险数据处理方法、装置、计算机设备和存储介质
CN113486725A (zh) * 2021-06-11 2021-10-08 爱保科技有限公司 智能车辆定损方法及装置、存储介质及电子设备
JPWO2023017617A1 (zh) * 2021-08-13 2023-02-16
CN113640308B (zh) * 2021-08-31 2024-03-29 夏冰心 一种基于机器视觉的轨道异常监测***
CN113781454B (zh) * 2021-09-15 2023-09-08 平安科技（深圳）有限公司 一种车辆损伤检测方法、装置、设备及存储介质
CN113822447A (zh) * 2021-09-23 2021-12-21 深圳市星卡科技有限公司 一种用于汽车保养的智能检测方法、装置及车载设备
WO2023058068A1 (en) * 2021-10-08 2023-04-13 Ola Electric Mobility Private Limited Damage assessment for vehicles
US20230131632A1 (en) * 2021-10-25 2023-04-27 Argo AI, LLC Systems, Methods, and Computer Program Products for Severity Classifications of Simulated Collisions
WO2023083182A1 (en) * 2021-11-09 2023-05-19 Alpha Ai Technology Limited A system for assessing a damage condition of a vehicle and a platform for facilitating repairing or maintenance services of a vehicle
CN114530043A (zh) * 2022-03-03 2022-05-24 上海闪马智能科技有限公司 一种事件检测方法、装置、存储介质及电子装置
CN114739293A (zh) * 2022-03-25 2022-07-12 北京博联众睿机器人科技有限公司 车身测量方法、***、装置以及电子设备
CN114842198A (zh) * 2022-05-31 2022-08-02 平安科技（深圳）有限公司 车辆智能定损方法、装置、设备及存储介质
CN115115611B (zh) * 2022-07-21 2023-04-07 明觉科技（北京）有限公司 车辆损伤识别方法、装置、电子设备和存储介质
KR102476815B1 (ko) * 2022-09-21 2022-12-12 (주)슬레이트미디어 인공지능 기반 스톡 이미지 자동 추출 방법, 장치 및 시스템
CN115994910B (zh) * 2023-03-24 2023-06-06 邦邦汽车销售服务(北京)有限公司 基于数据处理的汽车损伤程度确定方法及***
CN116703622B (zh) * 2023-08-02 2023-10-03 凯泰铭科技（北京）有限公司 一种车辆损伤鉴定方法及***
CN117851940B (zh) * 2024-03-08 2024-06-18 北京建筑大学 一种超声导波损伤检测方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9262789B1 (en) * 2012-10-08 2016-02-16 State Farm Mutual Automobile Insurance Company System and method for assessing a claim using an inspection vehicle
CN105956667A (zh) * 2016-04-14 2016-09-21 平安科技（深圳）有限公司 车险定损理赔审核方法及***
CN106203644A (zh) * 2016-08-09 2016-12-07 深圳市永兴元科技有限公司 车辆定损方法和装置
CN106296118A (zh) * 2016-08-03 2017-01-04 深圳市永兴元科技有限公司 基于图像识别的车辆定损方法及装置

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3243065B2 (ja) * 1993-06-30 2002-01-07 株式会社東芝 構造部品の劣化・損傷予測装置
JP2001344463A (ja) * 2000-05-30 2001-12-14 System Location Co Ltd 車両再販価格分析システム
JP2002183338A (ja) * 2000-12-14 2002-06-28 Hitachi Ltd 損害評価方法および情報処理装置ならびに記憶媒体
JP2003196511A (ja) * 2001-12-25 2003-07-11 System Kobo M:Kk 車両修理簡易見積りシステム、車両修理簡易見積りサーバおよびプログラム
JP2003226230A (ja) * 2002-02-05 2003-08-12 Mazda Motor Corp 製品の修理支援装置、その方法、及び製品の修理支援用プログラムを記録した記録媒体
US6826301B2 (en) * 2002-10-07 2004-11-30 Infocus Corporation Data transmission system and method
IT1337796B1 (it) * 2004-05-11 2007-02-20 Fausto Siri Procedimento per il riconoscimento, l'analisi e la valutazione delle deformazioni in particolare in automezzi
JP3839822B2 (ja) * 2004-08-11 2006-11-01 株式会社損害保険ジャパン 物流工程における物品の損傷状況分析方法、損傷状況分析システム及び記録媒体
JP2006164022A (ja) * 2004-12-09 2006-06-22 Mitsubishi Electric Corp 維持管理計画システム
CN1658559A (zh) * 2005-02-22 2005-08-24 刘波 基于因特网的远程实时监控车辆定损***及其监控方法
JP5057183B2 (ja) * 2010-03-31 2012-10-24 アイシン・エィ・ダブリュ株式会社 風景マッチング用参照データ生成システム及び位置測位システム
CN102376071B (zh) * 2010-08-20 2015-03-25 深圳市安致兰德科技有限公司 保险定损移动查勘***
EP2761595A2 (en) * 2011-09-29 2014-08-06 Tata Consultancy Services Limited Damage assessment of an object
CN103310223A (zh) * 2013-03-13 2013-09-18 四川天翼网络服务有限公司 一种基于图像识别的车辆定损***及方法
FR3007172B1 (fr) * 2013-06-12 2020-12-18 Renault Sas Procede et systeme d'identification d'un degat cause a un vehicule
US20150287130A1 (en) * 2014-04-04 2015-10-08 Verc, Inc. Systems and methods for assessing damage of rental vehicle
US20160239922A1 (en) * 2015-02-17 2016-08-18 Raymond Jimenez System and method of real-time imaging and analysis of real-world objects
GB2542118B (en) * 2015-09-04 2021-05-19 Toshiba Europe Ltd A method, apparatus, system, and computer readable medium for detecting change to a structure
GB201517462D0 (en) * 2015-10-02 2015-11-18 Tractable Ltd Semi-automatic labelling of datasets
CN105678622A (zh) 2016-01-07 2016-06-15 平安科技（深圳）有限公司 车险理赔照片的分析方法及***
CN105719188B (zh) * 2016-01-22 2017-12-26 平安科技（深圳）有限公司 基于多张图片一致性实现保险理赔反欺诈的方法及服务器
US11144889B2 (en) * 2016-04-06 2021-10-12 American International Group, Inc. Automatic assessment of damage and repair costs in vehicles
CN106021548A (zh) * 2016-05-27 2016-10-12 大连楼兰科技股份有限公司 基于分布式人工智能图像识别的远程定损方法及***
CN106372651B (zh) * 2016-08-22 2018-03-06 平安科技（深圳）有限公司 图片品质的检测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9262789B1 (en) * 2012-10-08 2016-02-16 State Farm Mutual Automobile Insurance Company System and method for assessing a claim using an inspection vehicle
CN105956667A (zh) * 2016-04-14 2016-09-21 平安科技（深圳）有限公司 车险定损理赔审核方法及***
CN106296118A (zh) * 2016-08-03 2017-01-04 深圳市永兴元科技有限公司 基于图像识别的车辆定损方法及装置
CN106203644A (zh) * 2016-08-09 2016-12-07 深圳市永兴元科技有限公司 车辆定损方法和装置

Also Published As

Publication number Publication date
MY193739A (en) 2022-10-27
JP6874150B2 (ja) 2021-05-19
US20190213563A1 (en) 2019-07-11
JP2020517015A (ja) 2020-06-11
TWI684922B (zh) 2020-02-11
TW201837786A (zh) 2018-10-16
US20180293552A1 (en) 2018-10-11
EP3520045B1 (en) 2021-11-24
WO2018191437A1 (en) 2018-10-18
EP3520045A1 (en) 2019-08-07
WO2018191437A8 (en) 2022-02-17
CN107358596A (zh) 2017-11-17
EP3520045B8 (en) 2022-02-23
JP2020504358A (ja) 2020-02-06
KR102151365B1 (ko) 2020-09-04
KR20190069457A (ko) 2019-06-19
WO2018191435A1 (en) 2018-10-18
SG11201903904VA (en) 2019-05-30
JP6873237B2 (ja) 2021-05-19
PH12019500971A1 (en) 2019-11-11

Similar Documents

Publication Publication Date Title
CN107358596B (zh) 一种基于图像的车辆定损方法、装置、电子设备及***
CN107403424B (zh) 一种基于图像的车辆定损方法、装置及电子设备
CN107392218B (zh) 一种基于图像的车辆定损方法、装置及电子设备
US20240087102A1 (en) Automatic Image Based Object Damage Assessment
CN110569701B (zh) 计算机执行的车辆定损方法及装置
US11080839B2 (en) System and method for training a damage identification model
CN110570389B (zh) 车辆损伤识别方法及装置
CN109815843B (zh) 图像处理方法及相关产品
JP2020520512A (ja) 車両外観特徴識別及び車両検索方法、装置、記憶媒体、電子デバイス
CN108875731B (zh) 目标识别方法、装置、***及存储介质
US20130034305A1 (en) Image-based crack quantification
US20200104940A1 (en) Artificial intelligence enabled assessment of damage to automobiles
WO2020047316A1 (en) System and method for training a damage identification model
CN106778777B (zh) 一种车辆匹配方法及***
CN114155363A (zh) 换流站车辆识别方法、装置、计算机设备和存储介质
CN112287905A (zh) 车辆损伤识别方法、装置、设备及存储介质
CN113657378B (zh) 车辆跟踪方法、车辆跟踪***和计算设备
Chalup et al. A computational approach to fractal analysis of a cityscape's skyline
CN114783042A (zh) 基于多移动目标的人脸识别方法、装置、设备及存储介质
JP6175904B2 (ja) 照合対象抽出システム、照合対象抽出方法、照合対象抽出プログラム
Kaimkhani et al. UAV with Vision to Recognise Vehicle Number Plates
CN113298087B (zh) 图片分类模型冷启动的方法、***、装置及介质
CN115375634A (zh) 螺钉数量检测方法、装置、设备和存储介质
CN118314357A (zh) 图像检测方法及装置
CN115131544A (zh) 图像识别的方法和***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1246477

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20201016

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20201016

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee after: Advanced innovation technology Co.,Ltd.

Address before: Greater Cayman, British Cayman Islands

Patentee before: Alibaba Group Holding Ltd.

TR01 Transfer of patent right