CN109635742A - 一种车辆图像定损中的子部件损伤识别方法 - Google Patents

Abstract

本发明公开了一种车辆图像定损中的子部件损伤识别方法，用于识别车辆外观子部件损伤状态；其包括：针对车辆某些特定总成部件图，调用该总成部件的子部件分割模型，得到该总成部件像素级的子部件分割图；针对同一张车辆同一总成部件图，调用总成部件的损伤分割模型，得到该总成部件像素级的损伤分割图；分别提取该总成部件下的各子部件位置的像素级分割特征和损伤类型的像素级分割特征，输入到cnn分类模型，得到车辆总成部件下的各子部件损伤类型及损伤程度识别结果。本发明采用图像语义分割方法实现总成部件下的各子部件位置和损伤类型的像素级分割，两者结合实现各子部件损伤类型及损伤程度识别，实现了准确识别到最小外观子部件损伤状态。

Description

一种车辆图像定损中的子部件损伤识别方法

技术领域

本发明涉及车辆定损技术领域，尤其涉及一种车辆图像定损中的子部件 损伤识别方法。

背景技术

分割是一个十分活跃的研究课题，在深度学习到来之前，性能最好的方 法大部分依赖于手工设计的特征来独立地分类像素，如像素级的决策树分 类。

2014年，加州伯克利分校的Long等人提出的全卷积网络(Fully ConvolutionalNetwork)，其推广了原有的CNN结构，在不带有全连接层的 情况进行的密集预测。随后又出现了Segnet网络，RefineNet网络，PSPNet 网络，Deeplab v1&v2&v3等网络。

另一方面，在车辆外观图片损伤识别***中，需要精确识别到最小的外 观子部件配件的损伤状态，一般需要应用到分割技术；但在实际应用中，现 有的车辆外观图片损伤识别***存在以下缺点：

1、识别准确率度低，目前车辆子部件损伤类型识别率整体偏低，尤其 是某些外形复杂的子部件；

2、分割类别数过多，模型不易收敛；

3、数据标注复杂度高，若按子部件的损伤类型来标，需要具备很高的 专业素质，至少能够准确判别所有子部件的损伤类型。

发明内容

针对上述现有技术中存在的不足之处，本发明提供一种车辆图像定损中 的子部件损伤识别方法，对于单个车辆外观总成部件采用图像语义分割方法 实现该总成部件下的各子部件位置的像素级分割和损伤类型的像素级分割， 两者信息结合从而实现该总成部件下的各子部件损伤类型及损伤程度识别， 实现了准确识别到最小外观子部件损伤状态。具体地，本发明包括以下步 骤：

针对车辆特定总成部件图，调用车辆相应总成部件的子部件分割模型， 得到该车辆总成部件像素级的子部件分割图；

针对同一张车辆总成部件图，调用车辆相应总成部件的损伤分割模型， 得到该车辆总成部件像素级的损伤分割图；

根据所述子部件分割图和所述损伤分割图，分别提取所述车辆总成部件 下的各子部件位置的像素级分割特征和损伤类型的像素级分割特征，输入到 分类模型，得到车辆总成部件下的各子部件损伤类型及损伤程度识别结果。

可选地，所述子部件分割模型和所述损伤分割模型均使用deeplabv3算 法。

可选地，所述分类模型为cnn分类模型。

进一步地，所述得到车辆总成部件下的各子部件损伤类型及损伤程度识 别结果的步骤，具体为：

结合子部件位置的像素级分割特征和损伤类型的像素级分割特征，生成 与车辆总成部件图尺寸大小相同，且每个像素点包含子部件标签和损伤类型 标签的特征图作为输入，使用ResNetV1_50网络进行分类，最终得到车辆子 部件的损伤类型及损伤程度识别结果。

本发明结合车辆子部件分割结果和损伤类型分割结果，通过cnn分类网 络得到最终的子部件损伤状态结果，具有以下优点：

1、本发明基于总成部件的子部件分割图和损伤分割图来实现车辆子部 件的损伤类型识别，能获得较高的准确率，特别是对于避免出现子部件的误 识、漏识问题，能有更好的效果；

2、本发明将一个m*n类别的子部件损伤分割模型，拆分成m类子部件 分割模型和n类损伤类型分割模型，从而大大加快了模型的收敛速度；

3、本发明分别从子部件和损伤两个维度进行数据标注，从而大大降低 了数据标注难度。

附图说明

图1为本发明实施例提供的车辆图像定损中的子部件损伤识别方法的执 行流程示意图；

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。

请参阅图1，本实施例提供一种车辆图像定损中的子部件损伤识别方 法，用于识别车辆外观子部件损伤状态；通过对于单个车辆外观总成部件采 用图像语义分割方法实现该总成部件下的各子部件位置的像素级分割和损伤 类型的像素级分割，两者信息结合从而实现该总成部件下的各子部件损伤类 型及损伤程度识别，实现了准确识别到最小外观子部件损伤状态。具体地， 本实施例的方法包括以下步骤：

步骤一、针对车辆特定总成部件图，调用车辆相应总成部件的子部件分 割模型，得到该车辆总成部件像素级的子部件分割图；

步骤二、针对同一张车辆总成部件图，调用车辆相应总成部件的损伤分 割模型，得到该车辆总成部件像素级的损伤分割图；

步骤三、根据子部件分割图和损伤分割图，分别提取车辆总成部件下的 各子部件位置的像素级分割特征和损伤类型的像素级分割特征，输入到cnn 分类模型，得到车辆总成部件下的各子部件损伤类型及损伤程度识别结果。

可选地，上述子部件分割模型和损伤分割模型均使用deeplabv3算法；

1)引入语义分割常用的encoder-decoder。在encoder-decoder架构中，引 入可任意控制编码器提取特征的分辨率，通过空洞卷积平衡精度和耗时。

2)语义分割任务中采用Xception模型，在ASPP和解码模块使用 depthwiseseparable convolution。

进一步地，上述通过cnn分类模型得到车辆总成部件下的各子部件损伤 类型及损伤程度识别结果的过程，具体为：

结合子部件位置的像素级分割特征和损伤类型的像素级分割特征，生成 与车辆总成部件图尺寸大小相同，且每个像素点包含子部件标签和损伤类型 标签的特征图作为输入，使用ResNetV1_50网络进行分类，最终得到车辆子 部件的损伤类型及损伤程度识别结果。

本实施例的方法结合车辆子部件分割结果和损伤类型分割结果，通过逻 辑推理得到最终的子部件损伤状态结果，实现了车辆最小外观子部件损伤状 态的识别，具有如下优点：

1、基于总成部件的子部件分割图和损伤分割图来实现车辆子部件的损 伤类型识别，能获得较高的准确率，特别是对于避免出现子部件的误识、漏 识问题，能有更好的效果；

2、将一个m*n类别的子部件损伤分割模型，拆分成m类子部件分割模 型和n类损伤类型分割模型，从而大大加快了模型的收敛速度；

3、分别从子部件和损伤两个维度进行数据标注，降低了数据标注难 度。

需要说明的是，本发明实施例中，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、物品或者终端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、物品或者终端设备所固有的要素。 在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除 在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

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 技术人员来说，本发明可有各种更改和变化。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 (4)

1.一种车辆图像定损中的子部件损伤识别方法，其特征在于，所述子部件损伤识别方法包括以下步骤：

针对车辆特定总成部件图，调用车辆相应总成部件的子部件分割模型，得到该车辆总成部件像素级的子部件分割图；

针对同一张车辆总成部件图，调用车辆相应总成部件的损伤分割模型，得到该车辆总成部件像素级的损伤分割图；

根据所述子部件分割图和所述损伤分割图，分别提取所述车辆总成部件下的各子部件位置的像素级分割特征和损伤类型的像素级分割特征，输入到分类模型，得到车辆总成部件下的各子部件损伤类型及损伤程度识别结果。

2.如权利要求1所述的车辆图像定损中的子部件损伤识别方法，其特征在于，所述子部件分割模型和所述损伤分割模型均使用deeplabv3算法。

3.如权利要求1所述的车辆图像定损中的子部件损伤识别方法，其特征在于，所述分类模型为cnn分类模型。

4.如权利要求3所述的车辆图像定损中的子部件损伤识别方法，其特征在于，所述得到车辆总成部件下的各子部件损伤类型及损伤程度识别结果的步骤，具体为：

结合子部件位置的像素级分割特征和损伤类型的像素级分割特征，生成与车辆总成部件图尺寸大小相同，且每个像素点包含子部件标签和损伤类型标签的特征图作为输入，使用ResNetV1_50网络进行分类，最终得到车辆子部件的损伤类型及损伤程度识别结果。