CN108985343B - 基于深度神经网络的汽车损伤检测方法和*** - Google Patents
基于深度神经网络的汽车损伤检测方法和*** Download PDFInfo
- Publication number
- CN108985343B CN108985343B CN201810653240.XA CN201810653240A CN108985343B CN 108985343 B CN108985343 B CN 108985343B CN 201810653240 A CN201810653240 A CN 201810653240A CN 108985343 B CN108985343 B CN 108985343B
- Authority
- CN
- China
- Prior art keywords
- automobile
- damage detection
- neural network
- damage
- photo
- 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
Links
- 230000006378 damage Effects 0.000 title claims abstract description 147
- 238000001514 detection method Methods 0.000 title claims abstract description 111
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 10
- 240000004282 Grewia occidentalis Species 0.000 claims description 7
- 208000027418 Wounds and injury Diseases 0.000 claims description 6
- 208000014674 injury Diseases 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度神经网络的汽车损伤检测方法和***,其中,汽车损伤检测方法包括:获取特定角度的汽车损伤检测照片;对汽车损伤检测照片进行外观部件分割,并确定每一外观部件的位置和类型;利用深度卷积神经网络对每一外观部件进行损伤检测;对所有外观部件的损伤检测结果进行融合评估,并输出汽车的损伤部件及置信度。通过本发明的技术方案,能获取极高的准确率和召回率,使用便捷简单,对前端设备无特殊要求,提高了推广性和汽车损伤检测的效率。
Description
技术领域
本发明涉及车辆技术领域,尤其涉及一种基于深度神经网络的汽车损伤检测方法和一种基于深度神经网络的汽车损伤检测***。
背景技术
汽车外观损伤查勘,在汽车业务中比较常见,例如汽车保险承保,分时租赁以及汽车日租的取车还车环节,都需要确认汽车外观是否有损伤。目前普遍采用的方法有两种,一种是工作人员现场查勘并填写报告,另一种是用户拍摄照片(视频),提交到服务器上进行处理。
现有的***存在以下问题:
1.用户拍照提交服务器人工审核的方式存在延时大,成本高,用户体验差的问题,无法大规模扩展使用。
2.定损技术拍摄要求高,并且需要针对每个部位拍摄多组照片,主要应用于保险理赔的场景,无法应用到验车、租赁业务。
2012年以来,深度学***,并在生成环境中得到大规模使用。深度学习在汽车外观损伤检测领域进行的工作比较少,2016年左右开始有人尝试。但是受限于数据获取的难度,这个领域一直进展比较慢,目前也还没有一个可以落地使用的***或方法。
现有技术中有一种基于图像的车辆定损方法,该方法是使用保险理赔车辆图片作为训练识别数据,数据适应场景苛刻;只能用于为出险车辆进行外观定损,确定损伤程度,无法推广到以无损伤车辆为主的承保,租赁使用场景。还有一种汽车零部件分级定损方法,属于汽车定损领域,用于解决现有技术中,提取特征信息不完善,造成的提取信息无法真实反映汽车损伤程度的问题,同样只适用于确认损伤程度和采集信息,无法推广到以无损伤车辆为主的承保,租赁使用场景。
发明内容
针对上述问题中的至少之一,本发明提供了一种基于深度神经网络的汽车损伤检测方法和一种基于深度神经网络的汽车损伤检测***,基于深度神经网络对汽车损伤检测照片中的外观部件进行损伤检测,并将所有外观部件的损伤检测结构进行融合评估,确定汽车的损伤情况。这种基于深度神经网络的方法,能获取极高的准确率和召回率,且每辆车只需采集4或6张特定角度的照片,使用便捷简单,对前端设备无特殊要求,可直接使用主流智能手机,方便C端推广。
为实现上述目的,本发明提供了一种基于深度神经网络的汽车损伤检测方法,包括:获取特定角度的汽车损伤检测照片;对所述汽车损伤检测照片进行外观部件分割,并确定每一外观部件的位置和类型;利用深度卷积神经网络对每一所述外观部件进行损伤检测;对所有所述外观部件的损伤检测结果进行融合评估,并输出所述汽车的损伤部件及置信度。
在上述技术方案中,优选地,所述汽车损伤检测照片为四角照片或六角照片,所述四角照片为相对所述汽车的左前、左后、右前和右后四个角度的照片;所述六角照片为相对于所述汽车的左前、左后、右前和右后四个角度以及前、后、左、右四个角度中的任意两个角度的照片。
在上述技术方案中,优选地,所述对所述汽车损伤检测照片进行外观部件分割,并确定每一外观部件的位置和类型具体为:利用分割算法对所述汽车损伤检测照片进行外观部件分割,并确定分割后的所述外观部件在所述汽车中的位置和所述外观部件的类型。
在上述技术方案中,优选地,所述利用深度卷积神经网络对每一所述外观部件进行损伤检测具体包括:根据分割出的每一所述外观部件的位置和类型对所述外观部件进行切分;利用深度卷积神经网络对每一所述外观部件进行抽象特征提取;根据提取出的抽象特征,利用区域候选网络选取候选损伤区域;从所述候选损伤区域回归损伤的精准区域。
在上述技术方案中,优选地,基于深度神经网络的汽车损伤检测方法还包括:对所述汽车损伤检测照片进行特征提取,获取汽车的车辆姿态和车型信息;根据所述汽车的车辆姿态和车型信息确定对应的深度卷积神经网络,以利用所述深度卷积神经网络对所述损伤部件进行损伤检测。
在上述技术方案中,优选地,所述对所述汽车损伤检测照片进行特征提取并获取汽车的车辆姿态和车型信息具体包括:通过深度卷积神经网络提取所述汽车损伤检测照片的特征;连接全连接层网络对所述汽车损伤检测照片进行分类,确定所述汽车的车辆姿态;将所述汽车损伤检测照片的特征与预设车型库的车型特征进行匹配,确定所述汽车的车型信息,其中,所述汽车损伤检测照片为四角照片时,全连接层网络进行四分类,所述汽车损伤检测照片为六角照片时,全连接层网络进行六分类。
在上述技术方案中,优选地,对所有所述外观部件的损伤检测结果进行融合评估并输出所述汽车的损伤部件及置信度的过程具体包括:根据所述汽车的车型信息和车辆姿态,构建与所述损伤精准区域对应的空间关系;确定所述汽车的损伤部件,并根据置信度算法确定所述损伤部件的置信度。
本发明还提出一种基于深度神经网络的汽车损伤检测***,包括:照片采集模块,用于获取特定角度的汽车损伤检测照片;照片分割模块,用于对所述汽车损伤检测照片进行外观部件分割,并确定每一外观部件的位置和类型;损伤检测模块,用于利用深度卷积神经网络对每一所述外观部件进行损伤检测;损伤评估模块,用于对所有所述外观部件的损伤检测结果进行融合评估,并输出所述汽车的损伤部件及置信度。
在上述技术方案中,优选地,基于深度神经网络的汽车损伤检测***还包括:特征提取模块,用于对所述汽车损伤检测照片进行特征提取,获取汽车的车辆姿态和车型信息;损伤检测模块根据所述特征提取模块获取的所述汽车的车辆姿态和车型信息确定对应的深度卷积神经网络,以利用所述深度卷积神经网络对所述损伤部件进行损伤检测。
与现有技术相比,本发明的有益效果为:基于深度神经网络对汽车损伤检测照片中的外观部件进行损伤检测,并将所有外观部件的损伤检测结构进行融合评估,确定汽车的损伤情况。这种基于深度神经网络的方法,能获取极高的准确率和召回率,且每辆车只需采集4或6张特定角度的照片,使用便捷简单,对前端设备无特殊要求,可直接使用主流智能手机,方便C端推广。
附图说明
图1为本发明一种实施例公开的基于深度神经网络的汽车损伤检测方法的流程示意图;
图2为本发明又一种实施例公开的基于深度神经网络的汽车损伤检测方法的流程示意图;
图3为本发明一种实施例公开的分割算法的分割原理示意图;
图4为本发明又一种实施例公开的基于深度神经网络进行损伤检测的原理示意图;
图5为本发明一种实施例公开的基于深度神经网络的汽车损伤检测***的示意框图。
图中,各组件与附图标记之间的对应关系为:
30.基于深度神经网络的汽车损伤检测***,31.照片采集模块,32.照片分割模块,33.特征提取模块,34.损伤检测模块,35.损伤评估模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述:
如图1所示,根据本发明提供的一种基于深度神经网络的汽车损伤检测方法,包括:步骤S11,获取特定角度的汽车损伤检测照片;步骤S12,对汽车损伤检测照片进行外观部件分割,并确定每一外观部件的位置和类型;步骤S13,利用深度卷积神经网络对每一外观部件进行损伤检测;步骤S14,对所有外观部件的损伤检测结果进行融合评估,并输出汽车的损伤部件及置信度。
在上述实施例中,优选地,汽车损伤检测照片为四角照片或六角照片,四角照片为相对汽车的左前、左后、右前和右后四个角度的照片;六角照片为相对于汽车的左前、左后、右前和右后四个角度以及前、后、左、右四个角度中的任意两个角度的照片。
在上述实施例中,优选地,对汽车损伤检测照片进行外观部件分割,并确定每一外观部件的位置和类型具体为:利用分割算法对汽车损伤检测照片进行外观部件分割,并确定分割后的外观部件在汽车中的位置和外观部件的类型。
在上述实施例中,优选地,利用深度卷积神经网络对每一外观部件进行损伤检测具体包括:根据分割出的每一外观部件的位置和类型对外观部件进行切分;利用深度卷积神经网络对每一外观部件进行抽象特征提取;根据提取出的抽象特征,利用区域候选网络选取候选损伤区域;从候选损伤区域回归损伤的精准区域。
如图2所示,在上述实施例中,优选地,基于深度神经网络的汽车损伤检测方法还包括:对汽车损伤检测照片进行特征提取,获取汽车的车辆姿态和车型信息;根据汽车的车辆姿态和车型信息确定对应的深度卷积神经网络,以利用深度卷积神经网络对损伤部件进行损伤检测。
在上述实施例中,优选地,对汽车损伤检测照片进行特征提取并获取汽车的车辆姿态和车型信息具体包括:通过深度卷积神经网络提取汽车损伤检测照片的特征;连接全连接层网络对汽车损伤检测照片进行分类,确定汽车的车辆姿态;将汽车损伤检测照片的特征与预设车型库的车型特征进行匹配,确定汽车的车型信息,其中,汽车损伤检测照片为四角照片时,全连接层网络进行四分类,汽车损伤检测照片为六角照片时,全连接层网络进行六分类。
在上述实施例中,优选地,对所有外观部件的损伤检测结果进行融合评估并输出汽车的损伤部件及置信度的过程具体包括:根据汽车的车型信息和车辆姿态,构建与损伤精准区域对应的空间关系;确定汽车的损伤部件,并根据置信度算法确定损伤部件的置信度。
根据上述实施例记载的内容,以下列的具体实施方法为例,对本发明提出的汽车损伤检测方法进行进一步说明:
实现步骤:
1.从拍摄获得的汽车4角/6角照片中,获得车辆的姿态Vi以及车型信息Ti。具体地,车辆姿态可以使用任何通用的分割算法,如:VGG、ResNet、GoogleNet、Inception V3、NASNet等。车辆姿态可细分为4维度:左前,右前,左后,右后;6维度的话可选择增加前、后、左、右中的一对。通过深度卷积网络提取图片特征后,连接全连接(fully connectedlayers,FC)网络做4(6)分类,得到姿态Ti。
2.使用深度卷积网络对汽车照片做外观部件分割,并确定每一部件所属位置、类型,记为Pij[n,l](第i张图的第j个部件,部件名称n,位置l)。具体地,车辆部件分割可以使用任何通用分割算法,如:Deeplab、PSPNet、DIS、IDW-CNN等,训练后对车辆图片做外观部件分割,得到Pij。如图3所示,以Deeplab为例子阐述其原理:
1)一个深度卷积神经网络,比如VGG-16或ResNet-101,采用全卷积的方式,用多孔卷积减少信号降采样的程度(从32x降到8x);
2)在双线性内插值阶段,增大特征地图到原始图像分辨率;
3)用条件随机场优化分割结果,更好的抓取物体边缘,实现分割。
3.对每一个Pij,根据车辆姿态Vi以及车型信息Ti,使用统一的或对应的深度卷积网络进行损伤检测Dij。具体地,损伤检测使用任何通用的目标检测算法,如:Faster RCNN、SSD、YOLO等。如图4所示,下面以Faster RCNN为例子阐述其原理:
1)根据分割结果Pij,对车辆图片做切分,每一个Pij作为一个检测输入;
2)深度卷积网络(conv layers)对Pij提取部件图片抽象特征(feature maps);
3)使用区域候选网络推荐候选损伤区域;
4)从候选区域回归损伤的精准区域Dij。
4.根据车辆型号信息Ti以及车辆图片的姿态信息Vi,构建Dij对应的空间关系,对所有Dij做融合评估,并输出损伤出现的部件及置信度。
如图5所示,本发明还提出一种基于深度神经网络的汽车损伤检测***,包括:照片采集模块31,用于获取特定角度的汽车损伤检测照片;照片分割模块32,用于对汽车损伤检测照片进行外观部件分割,并确定每一外观部件的位置和类型;损伤检测模块34,用于利用深度卷积神经网络对每一外观部件进行损伤检测;损伤评估模块35,用于对所有外观部件的损伤检测结果进行融合评估,并输出汽车的损伤部件及置信度。
在上述实施例中,优选地,基于深度神经网络的汽车损伤检测***还包括:特征提取模块33,用于对汽车损伤检测照片进行特征提取,获取汽车的车辆姿态和车型信息;损伤检测模块34根据特征提取模块33获取的汽车的车辆姿态和车型信息确定对应的深度卷积神经网络,以利用深度卷积神经网络对损伤部件进行损伤检测。
以上所述为本发明的实施方式,根据本发明提出的基于深度神经网络的汽车损伤检测方法和汽车损伤检测***,基于深度神经网络对汽车损伤检测照片中的外观部件进行损伤检测,并将所有外观部件的损伤检测结构进行融合评估,确定汽车的损伤情况。这种基于深度神经网络的方法,能获取极高的准确率和召回率,且每辆车只需采集4或6张特定角度的照片,使用便捷简单,对前端设备无特殊要求,可直接使用主流智能手机,方便C端推广。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于深度神经网络的汽车损伤检测方法,其特征在于,包括:
获取特定角度的汽车损伤检测照片,其中,所述汽车损伤检测照片为四角照片或六角照片,所述四角照片为相对所述汽车的左前、左后、右前和右后四个角度的照片;所述六角照片为相对于所述汽车的左前、左后、右前和右后四个角度以及前、后、左、右四个角度中的任意两个角度的照片;
对所述汽车损伤检测照片进行外观部件分割,并确定每一外观部件的位置和类型;
对所述汽车损伤检测照片进行特征提取,获取汽车的车辆姿态和车型信息,具体包括:
通过深度卷积神经网络提取所述汽车损伤检测照片的特征;
连接全连接层网络对所述汽车损伤检测照片进行分类,确定所述汽车的车辆姿态;
将所述汽车损伤检测照片的特征与预设车型库的车型特征进行匹配,确定所述汽车的车型信息;
其中,所述汽车损伤检测照片为四角照片时,全连接层网络进行四分类,所述汽车损伤检测照片为六角照片时,全连接层网络进行六分类;
根据所述汽车的车辆姿态和车型信息确定对应的深度卷积神经网络;
利用所述深度卷积神经网络对每一所述外观部件进行损伤检测;
对所有所述外观部件的损伤检测结果进行融合评估,并输出所述汽车的损伤部件及置信度,具体包括:
根据所述汽车的车型信息和车辆姿态,构建与所述损伤精准区域对应的空间关系;
确定所述汽车的损伤部件,并根据置信度算法确定所述损伤部件的置信度。
2.根据权利要求1所述的基于深度神经网络的汽车损伤检测方法,其特征在于,所述对所述汽车损伤检测照片进行外观部件分割,并确定每一外观部件的位置和类型具体为:利用分割算法对所述汽车损伤检测照片进行外观部件分割,并确定分割后的所述外观部件在所述汽车中的位置和所述外观部件的类型。
3.根据权利要求1所述的基于深度神经网络的汽车损伤检测方法,其特征在于,所述利用深度卷积神经网络对每一所述外观部件进行损伤检测具体包括:
根据分割出的每一所述外观部件的位置和类型对所述外观部件进行切分;
利用深度卷积神经网络对每一所述外观部件进行抽象特征提取;
根据提取出的抽象特征,利用区域候选网络选取候选损伤区域;
从所述候选损伤区域回归损伤的精准区域。
4.一种基于深度神经网络的汽车损伤检测***,其特征在于,应用如权利要求1至3中任一项所述的基于深度神经网络的汽车损伤检测方法,包括:
照片采集模块,用于获取特定角度的汽车损伤检测照片;
照片分割模块,用于对所述汽车损伤检测照片进行外观部件分割,并确定每一外观部件的位置和类型;
损伤检测模块,用于利用深度卷积神经网络对每一所述外观部件进行损伤检测;
损伤评估模块,用于对所有所述外观部件的损伤检测结果进行融合评估,并输出所述汽车的损伤部件及置信度。
5.根据权利要求4所述的基于深度神经网络的汽车损伤检测***,其特征在于,还包括:
特征提取模块,用于对所述汽车损伤检测照片进行特征提取,获取汽车的车辆姿态和车型信息;
损伤检测模块根据所述特征提取模块获取的所述汽车的车辆姿态和车型信息确定对应的深度卷积神经网络,以利用所述深度卷积神经网络对所述损伤部件进行损伤检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810653240.XA CN108985343B (zh) | 2018-06-22 | 2018-06-22 | 基于深度神经网络的汽车损伤检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810653240.XA CN108985343B (zh) | 2018-06-22 | 2018-06-22 | 基于深度神经网络的汽车损伤检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985343A CN108985343A (zh) | 2018-12-11 |
CN108985343B true CN108985343B (zh) | 2020-12-25 |
Family
ID=64538340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810653240.XA Active CN108985343B (zh) | 2018-06-22 | 2018-06-22 | 基于深度神经网络的汽车损伤检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985343B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN109697429A (zh) * | 2018-12-27 | 2019-04-30 | 睿驰达新能源汽车科技(北京)有限公司 | 一种确定车损的方法及装置 |
CN110569865B (zh) * | 2019-02-01 | 2020-07-17 | 阿里巴巴集团控股有限公司 | 识别车体方向的方法和装置 |
DE102019204346A1 (de) * | 2019-03-28 | 2020-10-01 | Volkswagen Aktiengesellschaft | Verfahren und System zum Überprüfen einer optischen Beanstandung an einem Kraftfahrzeug |
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 |
CN110084806A (zh) * | 2019-05-06 | 2019-08-02 | 深源恒际科技有限公司 | 一种界面交互方法及装置 |
CN110781770B (zh) * | 2019-10-08 | 2022-05-06 | 高新兴科技集团股份有限公司 | 基于人脸识别的活体检测方法、装置及设备 |
CN110895814B (zh) * | 2019-11-30 | 2023-04-18 | 南京工业大学 | 基于上下文编码网络的航空发动机孔探图像损伤分割方法 |
CN111259969A (zh) * | 2020-01-19 | 2020-06-09 | 上海钧正网络科技有限公司 | 一种报障识别方法、装置、服务器及介质 |
CN111798452A (zh) * | 2020-07-06 | 2020-10-20 | 北京小白世纪网络科技有限公司 | 颈动脉手持超声图像分割方法、***及装置 |
CN112270370B (zh) * | 2020-11-06 | 2023-06-02 | 北京环境特性研究所 | 一种车辆表观毁伤评估方法 |
CN113538293B (zh) * | 2021-08-20 | 2022-09-13 | 爱保科技有限公司 | 一种车损伤图像的增强方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392218A (zh) * | 2017-04-11 | 2017-11-24 | 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 |
CN107403424A (zh) * | 2017-04-11 | 2017-11-28 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101735874B1 (ko) * | 2013-10-21 | 2017-05-15 | 한국전자통신연구원 | 차량 번호판 검출 장치 및 방법 |
-
2018
- 2018-06-22 CN CN201810653240.XA patent/CN108985343B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392218A (zh) * | 2017-04-11 | 2017-11-24 | 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 |
CN107403424A (zh) * | 2017-04-11 | 2017-11-28 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN108985343A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985343B (zh) | 基于深度神经网络的汽车损伤检测方法和*** | |
CN108921068B (zh) | 一种基于深度神经网络的汽车外观自动定损方法及*** | |
CN110988912B (zh) | 自动驾驶车辆的道路目标与距离检测方法、***、装置 | |
Uittenbogaard et al. | Privacy protection in street-view panoramas using depth and multi-view imagery | |
CN110245678B (zh) | 一种基于异构孪生区域选取网络的图像匹配方法 | |
CN111104867B (zh) | 基于部件分割的识别模型训练、车辆重识别方法及装置 | |
CN108846333B (zh) | 标志牌地标数据集生成及车辆定位方法 | |
CN111461170A (zh) | 车辆图像检测方法、装置、计算机设备及存储介质 | |
CN111837158A (zh) | 图像处理方法、装置、拍摄装置和可移动平台 | |
CN111928842B (zh) | 一种基于单目视觉实现slam定位的方法及相关装置 | |
CN111027481A (zh) | 基于人体关键点检测的行为分析方法及装置 | |
CN111143489B (zh) | 基于图像的定位方法及装置、计算机设备和可读存储介质 | |
CN110826415A (zh) | 一种场景图像中车辆的重识别方法及设备 | |
CN109784171A (zh) | 车辆定损图像筛选方法、装置、可读存储介质及服务器 | |
CN111928857B (zh) | 一种动态环境中实现slam定位的方法及相关装置 | |
CN114820679B (zh) | 图像标注方法、装置、电子设备和存储介质 | |
CN110120013A (zh) | 一种点云拼接方法及装置 | |
CN117274605B (zh) | 一种从无人机拍摄的照片中提取水域轮廓的方法及装置 | |
CN112598743B (zh) | 一种单目视觉图像的位姿估算方法及相关装置 | |
CN115049731B (zh) | 一种基于双目摄像头的视觉建图和定位方法 | |
CN112288817B (zh) | 基于图像的三维重建处理方法及装置 | |
CN113033517B (zh) | 车辆定损图像获取方法、装置和存储介质 | |
CN113421332A (zh) | 一种三维重建方法、装置、电子设备及存储介质 | |
CN113886625A (zh) | 基于点云与视图融合的对象检索方法和*** | |
Gong et al. | Joint view-identity manifold for target tracking and recognition |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Room 203, Floor 2, Building 6, Qinghe Xisanqi East Road, Haidian District, Beijing 100,089 Patentee after: Beijing Shenzhi Hengji Technology Co.,Ltd. Address before: 0706-003, 113 Zhichun Road, Haidian District, Beijing 100086 Patentee before: SHENYUAN HENGJI TECHNOLOGY CO.,LTD. |