CN110570388A - 车辆的部件检测方法、装置及设备 - Google Patents

Abstract

本说明书实施例提供一种车辆的部件检测方法、装置及设备，在车辆的部件检测方法中，获取车辆的拍摄图片。根据目标检测算法，在拍摄图片中检测各个部件所在的区域以及对应的类别。对每个部件所在的区域，获取与该部件相关的位置关系规则。根据位置关系规则，确定与该部件具有相对位置关系的相关部件。获取该部件与相关部件的实际位置关系。根据实际位置关系以及位置关系规则，确定该部件的方位。根据该部件的方位，对该部件所在区域的类别进行修正。

Description

车辆的部件检测方法、装置及设备

技术领域

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种车辆的部件检测方法、装置及设备。

背景技术

传统技术中，在对车辆进行定损时，先获取车辆的损伤图片。之后，从图像库中查找与该损伤图片相匹配的目标图片。最后根据目标图片中车辆的损伤结果确定上述车辆的损伤结果。

发明内容

本说明书一个或多个实施例描述了一种车辆的部件检测方法及装置，可以提高部件检测的精准性。

第一方面，提供了一种车辆的部件检测方法，包括：

获取车辆的拍摄图片；所述拍摄图片覆盖所述车辆的多个部件；

根据目标检测算法，在所述拍摄图片中检测各个部件所在的区域以及对应的类别；

对每个部件所在的区域，获取与所述部件相关的位置关系规则；

根据所述位置关系规则，确定与所述部件具有相对位置关系的相关部件；

获取所述部件与所述相关部件的实际位置关系；

根据所述实际位置关系以及所述位置关系规则，确定所述部件的方位；

根据所述部件的方位，对所述部件所在区域的类别进行修正。

第二方面，提供了一种车辆的部件检测装置，包括：

获取单元，用于获取车辆的拍摄图片；所述拍摄图片覆盖所述车辆的多个部件；

检测单元，用于根据目标检测算法，在所述获取单元获取的所述拍摄图片中检测各个部件所在的区域以及对应的类别；

所述获取单元，还用于对每个部件所在的区域，获取与所述部件相关的位置关系规则；

确定单元，用于根据所述获取单元获取的所述位置关系规则，确定与所述部件具有相对位置关系的相关部件；

所述获取单元，还用于获取所述部件与所述确定单元确定的所述相关部件的实际位置关系；

所述确定单元，还用于根据所述获取单元获取的所述实际位置关系以及所述位置关系规则，确定所述部件的方位；

修正单元，用于根据所述确定单元确定的所述部件的方位，对所述部件所在区域的类别进行修正。

第三方面，提供了一种车辆的部件检测设备，包括：

接收器，用于获取车辆的拍摄图片；所述拍摄图片覆盖所述车辆的多个部件；

至少一个处理器，用于根据目标检测算法，在所述拍摄图片中检测各个部件所在的区域以及对应的类别；对每个部件所在的区域，获取与所述部件相关的位置关系规则；根据所述位置关系规则，确定与所述部件具有相对位置关系的相关部件；获取所述部件与所述相关部件的实际位置关系；根据所述实际位置关系以及所述位置关系规则，确定所述部件的方位；根据所述部件的方位，对所述部件所在区域的类别进行修正。

本说明书一个或多个实施例提供的车辆的部件检测方法、装置及设备，获取车辆的拍摄图片。根据目标检测算法，在拍摄图片中检测各个部件所在的区域以及对应的类别。对每个部件所在的区域，获取与该部件相关的位置关系规则。根据位置关系规则，确定与该部件具有相对位置关系的相关部件。获取该部件与相关部件的实际位置关系。根据实际位置关系以及位置关系规则，确定该部件的方位。根据该部件的方位，对部件所在区域的类别进行修正。由此可以看出，本说明书提供的方案中，在根据目标检测算法，检测到各个部件所在的区域以及对应的类别之后，还可以根据部件之间的相对位置关系，确定各部件的方位，并可以根据各部件的方位，对对应的区域的类别进行修正。由此，可以提高车辆的部件检测的精准性。

附图说明

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例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说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本说明书提供的车辆的部件检测方法的应用场景示意图；

图2为本说明书一个实施例提供的车辆的部件检测方法流程图；

图3a为本说明书提供的部件所在区域以及对应的类别的示意图之一；

图3b为本说明书提供的部件所在区域以及对应的类别的示意图之二；

图4为本说明书一个实施例提供的车辆的部件检测装置示意图；

图5为本说明书提供的车辆的部件检测设备示意图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

本说明书一个或多个实施例提供的车辆的部件检测方法可以应用于如图1所示的场景中。图1中，图片分流模块20可以用于对数据采集者(包括C端用户以及保险公司的定损人员等)采集的拍摄图片进行分流处理。如，可以分流掉与车辆无关的拍摄图片(如，背景图片等)以及非正常图片(如，同时覆盖多辆车的拍摄图片等)，从而得到分流处理后的拍摄图片。

部件检测模块40用于在分流处理后的拍摄图片中检测各个部件所在的区域以及对应的类别。此处的区域也可以理解为是部件在拍摄图片中的位置。如，可以通过目标检测算法，来检测各个部件所在的区域以及对应的类别。之后，可以根据部件之间的相对位置关系，确定各部件的方位，并可以根据各部件的方位，对对应的区域的类别进行修正。

车辆定损模块60用于根据上述区域以及修正后的类别，对车辆的损伤部件以及损伤程度进行定位，并自动给出维修方案。由于同一部件在不同方位维修价格通常是不一样的。例如，前门和后门都是门，但可能前门的维修价格与后门就不同。前保险杠和后保险杠的维修价格也不同。因此，本说明书中，车辆定损模块60基于修正后的类别，对损伤部位进行识别时，可以提高损伤部位定位的精准性，进而可以提高定损结果的准确性。

图2为本说明书一个实施例提供的车辆的部件检测方法流程图。所述方法的执行主体可以为具有处理能力的设备：服务器或者***或者模块，如，可以为图1中部件检测模块40等。如图2所示，所述方法具体可以包括：

步骤202，获取车辆的拍摄图片。

此处的拍摄图片可以是由图片分流模块20对数据采集者(包括C端用户以及保险公司的定损人员等)采集的拍摄图片进行分流处理后所获得的。该拍摄图片可以是针对某一辆车的拍摄图片，该拍摄图片可以覆盖该辆车的多个部件。此处的部件可以包括但不限于车门、保险杠、车牌、翼子板、大灯以及轮胎等。

步骤204，根据目标检测算法，在拍摄图片中检测各个部件所在的区域以及对应的类别。

此处的目标检测算法可以包括但不限于快速的(Faster)-基于区域的卷积神经网络(Region-based Convolut ional Neural Network，RCNN),基于区域的全卷积网络(Region-based Ful ly Convolut ional Network，RFCN),单次多边界框检测器(SingleShot Mult iBox Detector，SSD)以及YOLO等。此处，通过目标检测算法检测车辆的部件所在的区域，可以提高区域检测的准确性。

可选地，可以先根据多张样本图片对上述目标检测算法进行训练，之后可以根据训练好的目标检测算法，在拍摄图片中检测各个部件所在的区域以及对应的类别，从而可以提高区域检测的准确性。需要说明的是，上述一张样本图片可以覆盖一辆车的一个或多个部件。对于该样本图片，可以人工预先标定各个部件所在的区域以及该区域的类别(如，部件名称)。

在一个例子中，根据目标检测算法，在拍摄图片中检测到的各个部件所在的区域以及对应的类别可以如图3a所示。图3a中，矩形框用于表示车辆的部件所在的区域，也即部件的位置。该区域可以通过四维坐标来表示，如，可以表示为(x，y，w，h)，其中，x为区域的左上顶点的横坐标，y为区域的左上顶点的纵坐标，w为区域的宽度，h为区域的高度。从图3a中可以看出，各个部件所在区域对应的类别可以为：翼子板、轮胎、保险杠、大灯、中网、车牌、车标、雾灯以及机盖等。

应理解，图3a仅示出了区域的部分类别。在实际应用中，区域的类别还可以为车门、格栅等，本说明书在此不再一一列举。此外，图中的矩形框只是区域的一种表现形式。在实际应用中，该区域也可以表示为其它形状，如，平行四边形等，本说明书对此不作限定。

步骤206，对每个部件所在的区域，获取与该部件相关的位置关系规则。

可选地，当区域的个数为多个时，在获取上述位置关系规则之前，可以先按照预定义的排序规则，对各个区域进行排序。由此，可以提高区域的方位确定的效率。

在一个例子中，上述预定义的排序规则可以为：先确定大灯的方位，之后再依次确定保险杠、轮胎或者翼子板等的方位。举例来说，假设通过步骤204检测到如下三个区域：区域A、区域B以及区域C，且该三个区域分别与轮胎、保险杠以及大灯相对应。那么根据上述预定义的排序规则，对该三个区域进行排序后，可以为：区域C、区域B以及区域A。之后再依次确定区域C、区域B以及区域A多对应部件的方位。

应理解，上述预定义的排序规则仅为了示例性目的，并且本说明书决不被限制于这里描述的特殊示例性实施例。

在步骤206中，可以从预定义的相对位置关系规则库中读取与部件相关的位置关系规则。其中，预定义的相对位置关系规则库用于记录与车辆的各个部件相关的位置关系规则。

在一个例子中，该预定义的相对位置关系规则库可以如表1所示。

表1

表1中，规则1是与部件：大灯相关的位置关系规则。规则2是与部件：保险杠相关的位置关系规则。规则3和规则4是与部件：轮胎相关的位置关系规则。规则5和规则6是与部件：翼子板相关的位置关系规则。

以前述例子中的区域A为例来说，获取到的位置关系规则为：规则3和规则4。

步骤208，根据位置关系规则，确定与该部件具有相对位置关系的相关部件。

以获取到的位置关系规则为：规则3和规则4为例来说，确定的与当前部件具有相对位置关系的相关部件可以为：保险杠。需要说明的是，此处的相关部件还可以包括车体本身。如，在当前部件为：大灯,获取到的位置关系规则为：规则1时，确定的与该部件具有相对位置关系的相关部件可以为：车体本身。

当然，在实际应用中，如果上述相关部件的方位已确定，则还可以获取该相关部件的方位。还以前述例子为例来说，在确定区域A所对应部件的方位时，由于区域B所对应部件的方位已经确定，从而还可以获取对应部件(即保险杠)的方位，如，前边。

步骤210，获取该部件与相关部件的实际位置关系。

在一种实现方式中，上述部件与相关部件的实际位置关系可以根据该两部件在拍摄图片中所在的区域的位置关系确定。如，可以为：两部件所在的区域相交、某一部件在另一部件的左边或者某一部件在另一部件的右边等等。

以前述例子为例来说，获取到的实际位置关系可以为：轮胎所在的区域与前边的保险杠所在的区域相交，且轮胎在前边的保险杠的右边。

步骤212，根据实际位置关系以及位置关系规则，确定该部件的方位。

以前述例子中的实际位置关系为例来说，结合前述获取的规则3和规则4的内容，可以确定该轮胎的方位为：右前。

可以理解的是，当区域的个数为多个时，上述步骤206、步骤208、步骤210以及步骤212是重复执行的。

步骤214，根据部件的方位，对部件所在区域的类别进行修正。

在本说明书中，修正后的类别可以包括但不限于：左前门、右前门、左后门、右后门、前保险杠、后保险杠、左前翼子板、右前翼子板、左后翼子板、右后翼子板、左前轮胎，右前轮胎，左后轮胎，右后轮胎、格栅、左大灯、右大灯、中网、车牌、车标以及前机盖等。

以图3a为例来说，可以对区域的类别作出如下修正：保险杠->前保险杠，轮胎->右前轮胎，翼子板->右前翼子板，机盖->前机盖，雾灯->右雾灯，大灯->右大灯。在对图3a中各个部件所在区域的类别进行修正之后可以如图3b所示。

需要说明是，在拍摄图片中检测到车辆的各个部件所在的区域以及对应的类别之后，可以对车辆的损伤部件以及损伤程度进行定位，并自动给出维修方案，至此就实现了车辆的自动定损。

本说明书一个实施例提供的车辆的部件检测方法，在根据目标检测算法，检测到各个部件所在的区域以及对应的类别之后，还可以根据部件之间的相对位置关系，确定各部件的方位，并可以根据各部件的方位，对对应的区域的类别进行修正。由此，可以提高车辆的部件检测的精准性。此外，在车辆定损场景下，由于同一部件在不同方位维修价格通常是不一样的。例如，前门和后门都是门，但可能前门的维修价格与后门就不同。前保险杠和后保险杠的维修价格也不同。因此，本说明书实施例基于修正后的类别，对损伤部位进行识别时，可以提高损伤部位定位的精准性，进而可以提高定损结果的准确性

与上述车辆的部件检测方法对应地，本说明书一个实施例还提供的一种车辆的部件检测装置，如图4所示，该装置包括：

获取单元402，用于获取车辆的拍摄图片。该拍摄图片覆盖车辆的多个部件。

检测单元404，用于根据目标检测算法，在获取单元402获取的拍摄图片中检测各个部件所在的区域以及对应的类别。

此处的目标检测算法可以包括以下任一种：快速的基于区域的卷积神经网络Faster-RCNN,基于区域的全卷积网络RFCN,单次多边界框检测器SSD以及YOLO。此外，上述类别可以包括但不限于：车门、保险杠、翼子板、轮胎、格栅、大灯、中网、车牌、车标以及机盖等。

获取单元402，还用于对每个部件所在的区域，获取与该部件相关的位置关系规则。

获取单元402具体可以用于：

从预定义的相对位置关系规则库中读取与该部件相关的位置关系规则。预定义的相对位置关系规则库用于记录与车辆的各个部件相关的位置关系规则。

确定单元406，用于根据获取单元402获取的位置关系规则，确定与该部件具有相对位置关系的相关部件。

获取单元402，还用于获取该部件与确定单元406确定的相关部件的实际位置关系。

确定单元406，还用于根据获取单元402获取的实际位置关系以及位置关系规则，确定该部件的方位。

修正单元408，用于根据确定单元406确定的部件的方位，对部件所在区域的类别进行修正。

修正后的类别可以包括以下一种或多种：左前门、右前门、左后门、右后门、前保险杠、后保险杠、左前翼子板、右前翼子板、左后翼子板、右后翼子板、左前轮胎，右前轮胎，左后轮胎，右后轮胎、格栅、左大灯、右大灯、中网、车牌、车标以及前机盖等。

可选地，该装置还可以包括：

排序单元410，用于按照预定义的排序规则，对多个区域进行排序。

确定单元406具体用于：

从排序后的多个区域中依次选取每个部件所在的区域，获取与该部件相关的位置关系规则。

本说明书上述实施例装置的各功能模块的功能，可以通过上述方法实施例的各步骤来实现，因此，本说明书一个实施例提供的装置的具体工作过程，在此不复赘述。

本说明书一个实施例提供的车辆的部件检测装置，获取单元402获取车辆的拍摄图片。检测单元404根据目标检测算法，在拍摄图片中检测各个部件所在的区域以及对应的类别。获取单元402对每个部件所在的区域，获取与该部件相关的位置关系规则。确定单元406根据位置关系规则，确定与该部件具有相对位置关系的相关部件。获取单元402获取该部件与相关部件的实际位置关系。确定单元406根据实际位置关系以及位置关系规则，确定该部件的方位。修正单元408根据部件的方位，对该部件所在区域的类别进行修正。由此，可以提高车辆的部件检测的精准性。

本说明书实施例提供的车辆的检测装置可以为图1中部件检测模块40的一个子模块或者子单元。

与上述车辆的部件检测方法对应地，本说明书一个实施例还提供的一种车辆的部件检测设备，如图5所示，该设备可以包括：

接收器502，用于获取车辆的拍摄图片。该拍摄图片覆盖车辆的多个部件。

至少一个处理器504，用于根据目标检测算法，在拍摄图片中检测各个部件所在的区域以及对应的类别。对每个部件所在的区域，获取与该部件相关的位置关系规则。根据位置关系规则，确定与该部件具有相对位置关系的相关部件。获取该部件与相关部件的实际位置关系。根据实际位置关系以及位置关系规则，确定该部件的方位。根据该部件的方位，对该部件所在区域的类别进行修正。

本说明书一个实施例提供的车辆的部件检测设备，可以提高车辆的部件检测的精准性。

需要说明的是，图5示出的是本说明书实施例提供的车辆的部件检测设备为服务器的例子。在实际应用中，该设备也可以为终端，本说明书对此不作限定。

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，对于设备实施例而言，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。

结合本说明书公开内容所描述的方法或者算法的步骤可以硬件的方式来实现，也可以是由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于服务器中。当然，处理器和存储介质也可以作为分立组件存在于服务器中。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述的具体实施方式，对本说明书的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本说明书的具体实施方式而已，并不用于限定本说明书的保护范围，凡在本说明书的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本说明书的保护范围之内。

Claims (13)

1.一种车辆的部件检测方法，包括：

获取车辆的拍摄图片；所述拍摄图片覆盖所述车辆的多个部件；

根据目标检测算法，在所述拍摄图片中检测各个部件所在的区域以及对应的类别；

对每个部件所在的区域,获取与所述部件相关的位置关系规则；

根据所述位置关系规则，确定与所述部件具有相对位置关系的相关部件；

获取所述部件与所述相关部件的实际位置关系；

根据所述实际位置关系以及所述位置关系规则，确定所述部件的方位；

根据所述部件的方位，对所述部件所在区域的类别进行修正。

2.根据权利要求1所述的方法，所述目标检测算法包括以下任一种：快速的基于区域的卷积神经网络Faster-RCNN,基于区域的全卷积网络RFCN,单次多边界框检测器SSD以及YOLO。

3.根据权利要求1所述的方法，当所述区域的个数为多个时，还包括：

按照预定义的排序规则，对多个区域进行排序；

所述对每个部件所在的区域，获取与所述部件相关的位置关系规则，包括：

从排序后的多个区域中依次选取每个部件所在的区域，获取与所述部件相关的位置关系规则。

4.根据权利要求1所述的方法，所述获取与所述部件相关的位置关系规则，包括：

从预定义的相对位置关系规则库中读取与所述部件相关的位置关系规则；所述预定义的相对位置关系规则库用于记录与车辆的各个部件相关的位置关系规则。

5.根据权利要求1-4任一项所述的方法，所述类别包括以下一种或多种：车门、保险杠、翼子板、轮胎、格栅、大灯、中网、车牌、车标以及机盖。

6.根据权利要求1-4任一项所述的方法，修正后的类别包括以下一种或多种：左前门、右前门、左后门、右后门、前保险杠、后保险杠、左前翼子板、右前翼子板、左后翼子板、右后翼子板、左前轮胎，右前轮胎，左后轮胎，右后轮胎、格栅、左大灯、右大灯、中网、车牌、车标以及前机盖。

7.一种车辆的部件检测装置，包括：

获取单元，用于获取车辆的拍摄图片；所述拍摄图片覆盖所述车辆的多个部件；

检测单元，用于根据目标检测算法，在所述获取单元获取的所述拍摄图片中检测各个部件所在的区域以及对应的类别；

所述获取单元，还用于对每个部件所在的区域，获取与所述部件相关的位置关系规则；

确定单元，用于根据所述获取单元获取的所述位置关系规则，确定与所述部件具有相对位置关系的相关部件；

所述获取单元，还用于获取所述部件与所述确定单元确定的所述相关部件的实际位置关系；

所述确定单元，还用于根据所述获取单元获取的所述实际位置关系以及所述位置关系规则，确定所述部件的方位；

修正单元，用于根据所述确定单元确定的所述部件的方位，对所述部件所在区域的类别进行修正。

8.根据权利要求7所述的装置，所述目标检测算法包括以下任一种：快速的基于区域的卷积神经网络Faster-RCNN,基于区域的全卷积网络RFCN,单次多边界框检测器SSD以及YOLO。

9.根据权利要求7所述的装置，还包括：

排序单元，用于按照预定义的排序规则，对多个区域进行排序；

所述确定单元具体用于：

从排序后的多个区域中依次选取每个部件所在的区域，获取与所述部件相关的位置关系规则。

10.根据权利要求7所述的装置，所述获取单元具体用于：

从预定义的相对位置关系规则库中读取与所述部件相关的位置关系规则；所述预定义的相对位置关系规则库用于记录与车辆的各个部件相关的位置关系规则。

11.根据权利要求7-10任一项所述的装置，所述类别包括以下一种或多种：车门、保险杠、翼子板、轮胎、格栅、大灯、中网、车牌、车标以及机盖。

12.根据权利要求7-10任一项所述的装置，修正后的类别包括以下一种或多种：左前门、右前门、左后门、右后门、前保险杠、后保险杠、左前翼子板、右前翼子板、左后翼子板、右后翼子板、左前轮胎，右前轮胎，左后轮胎，右后轮胎、格栅、左大灯、右大灯、中网、车牌、车标以及前机盖。

13.一种车辆的部件检测设备，包括：

接收器，用于获取车辆的拍摄图片；所述拍摄图片覆盖所述车辆的多个部件；

至少一个处理器，用于根据目标检测算法，在所述拍摄图片中检测各个部件所在的区域以及对应的类别；对每个部件所在的区域，获取与所述部件相关的位置关系规则；根据所述位置关系规则，确定与所述部件具有相对位置关系的相关部件；获取所述部件与所述相关部件的实际位置关系；根据所述实际位置关系以及所述位置关系规则，确定所述部件的方位；根据所述部件的方位，对所述部件所在区域的类别进行修正。