CN111695615A - 基于人工智能的车辆定损方法、装置、电子设备及介质 - Google Patents
基于人工智能的车辆定损方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN111695615A CN111695615A CN202010472780.5A CN202010472780A CN111695615A CN 111695615 A CN111695615 A CN 111695615A CN 202010472780 A CN202010472780 A CN 202010472780A CN 111695615 A CN111695615 A CN 111695615A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- picture
- pixel point
- damage assessment
- gradient
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 10
- 238000011176 pooling Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 238000007670 refining Methods 0.000 claims abstract description 12
- 231100000809 Damage Assessment Model Toxicity 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000006735 deficit Effects 0.000 claims 2
- 239000000126 substance Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 9
- 238000012549 training Methods 0.000 description 21
- 230000004927 fusion Effects 0.000 description 8
- 206010039203 Road traffic accident Diseases 0.000 description 7
- 238000009499 grossing Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明涉及人工智能领域,揭露了一种基于人工智能的车辆定损方法,包括:根据预设的像素阈值,将原始车辆图片进行像素点缩放得到缩放车辆图片,对所述缩放车辆图片进行平滑滤波得到平滑车辆图片,计算所述平滑车辆图片内每个像素点的梯度幅值及梯度方向,根据所述梯度幅值及梯度方向,细化所述平滑车辆图片内的像素点,得到车辆目标图像,将所述车辆目标图像输入至预训练完成的车辆定损模型,并进行卷积池化操作得到车辆定损特征,结合预设的分类函数对所述车辆定损特征执行计算,得到车辆定损结果。本发明还提出一种车辆定损装置、电子设备以及计算机可读存储介质。本发明可以解决在车辆定损过程中大量消耗计算资源及车辆定损精确度不高的问题。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于人工智能的车辆定损方法、装置、电子设备及计算机可读存储介质。
背景技术
近几年来随着汽车市场的快速发展,伴随着与汽车相关的技术手段层出不穷,比如汽车在出现交通事故时,如何对汽车进行损伤鉴定的车辆定损技术手段。
现有的车辆定损技术手段主要分两方面,一是基于数字图像处理进行简单定损,二是基于深度学习进行精确定损。两种方法都可达到定损的目的,但基于数字图像处理进行简单定损由于方法简单,定损精度不高,基于深度学习进行精确定损虽然可以提高精度,但由于深度学习都以神经网络为基础,在进行定损过程时,神经网络会进行大量的模型计算,导致出现过渡消耗计算资源的问题,因此缺乏一种定损精度高且不依赖计算资源的定损方法。
发明内容
本发明提供一种基于人工智能的车辆定损方法、装置、电子设备及计算机可读存储介质,其主要目的在于解决在车辆定损过程中大量消耗计算资源及车辆定损精确度不高的问题。
为实现上述目的,本发明提供的一种基于人工智能的车辆定损方法,包括:
根据预设的像素阈值,将原始车辆图片进行像素点缩放得到缩放车辆图片;
对所述缩放车辆图片进行平滑滤波得到平滑车辆图片;
计算所述平滑车辆图片内每个像素点的梯度幅值及梯度方向,根据所述梯度幅值及梯度方向,细化所述平滑车辆图片内的像素点,得到车辆目标图像;
将所述车辆目标图像输入至预训练完成的车辆定损模型,并进行卷积池化操作得到车辆定损特征,结合预设的分类函数对所述车辆定损特征执行计算,得到车辆定损结果。
另外,所述计算所述平滑车辆图片内每个像素点的梯度幅值及梯度方向,包括:
计算所述平滑车辆图片内每个像素点,在预构建的坐标轴上计算每个坐标方向的投射值;
根据所述每个坐标方向的投射值求解所述梯度幅值及所述梯度方向。
另外,所述根据所述每个坐标方向的投射值求解所述梯度幅值及所述梯度方向,包括:
利用下述公式计算所述梯度幅值及所述梯度方向
其中,GF为所述梯度幅值,θ为所述梯度方向,Gx为所述坐标轴上X轴方向的投射值,Gy为所述坐标轴上Y轴方向的投射值。
另外,所述根据所述梯度幅值及梯度方向,细化所述平滑车辆图片内的像素点,得到车辆目标图像,包括:
根据所述梯度幅值及所述梯度方向,利用预构建的非极大值抑制计算法计算得到所述平滑车辆图片内车辆边缘的原始像素点集;
根据预设的像素阈值,清洗所述原始像素点集,得到标准像素点集,汇总所述标准像素点集得到所述车辆目标图像。
另外,所述根据预设的像素阈值,将原始车辆图片进行像素点缩放得到缩放车辆图片,包括:
判断所述原始车辆图片是否为LAB图片模式,若所述原始车辆图片不是 LAB图片模式,将所述原始车辆图片转为LAB车辆图片;
计算所述LAB车辆图片的像素点与预设的所述像素阈值的差值,得到像素点差值集;
根据所述像素点差值集,利用预构建的多相位图像插值算法计算得到所述缩放车辆图片。
另外,所述将所述原始车辆图片转为LAB车辆图片,包括:
将所述原始车辆图片内的像素点集,转变为坐标像素点集;
使用预设的LAB转化公式,将所述坐标像素点集转变为LAB像素点集,根据所述LAB像素点集得到所述LAB车辆图片。
为了解决上述问题,本发明还提供一种装置,所述装置包括:
图片缩放模块,用于根据预设的像素阈值,将原始车辆图片进行像素点缩放得到缩放车辆图片;
平滑滤波模块,用于对所述缩放车辆图片进行平滑滤波得到平滑车辆图片;
车辆目标图像计算模块,用于计算所述平滑车辆图片内每个像素点的梯度幅值及梯度方向,根据所述梯度幅值及梯度方向,细化所述平滑车辆图片内的像素点,得到车辆目标图像;
车辆定损模块,用于将所述车辆目标图像输入至预训练完成的车辆定损模型,并进行卷积池化操作得到车辆定损特征,结合预设分类函数计算所述车辆定损特征得到车辆定损结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述中任意一项所述的基于文档修改的车辆定损方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述中任意一项所述的基于文档修改的车辆定损方法。
本发明实施例依次对原始车辆图片进行缩放及平滑滤波,因缩放是将原始车辆图片的分辨率降低,故可有效降低后续对车辆图片定损的计算量,平滑滤波是为了去除原始车辆图片所包括的噪点等,故可提高后续车辆图片定损精确度,另外,通过计算图片内每个像素点的梯度幅值及梯度方向,根据梯度幅值及梯度方向从原始车辆图片内获取得到车辆目标图像,因此从原始车辆图片变为了车辆目标图像,去除了车辆所在的背景,一方面进一步缩减图片规模,减轻计算量,另一方面减少非车辆图片对车辆定损的影响,提高定损精确度。因此本发明提出的车辆定损方法、装置及计算机可读存储介质,可以解决在车辆定损过程中大量消耗计算资源及提高车辆定损精确度的问题。
附图说明
图1为本发明一实施例提供的车辆定损方法的流程示意图;
图2为本发明一实施例提供的车辆定损方法中S1的详细流程图;
图3为本发明一实施例提供的车辆定损方法中车辆定损模型的详细训练流程图;
图4为本发明一实施例提供的车辆定损方法的模块示意图;
图5为本发明一实施例提供的车辆定损方法的电子设备的内部结构示意图;
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于人工智能的车辆定损方法。参照图1所示,为本发明一实施例提供的车辆定损方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,基于车辆定损方法包括:
S1、获取原始车辆图片,根据预设的像素阈值,将所述原始车辆图片进行像素点缩放得到缩放车辆图片。
本发明实施例中,所述原始车辆图片可通过手机APP获取,如用户小明自驾产生意外,在某道路发生一起交通事故,于是通过手机APP拍摄自驾的汽车事故照片,所拍摄的汽车事故照片即为原始车辆图片。
由于不同手机的相机分辨率、APP上传规格设定等不尽相同,因此需要根据预设的像素阈值,将原始车辆图片缩放到一个统一的像素标准,方便后续的实施步骤,因此,所述根据预设的像素阈值,将所述原始车辆图片进行像素点缩放得到缩放车辆图片,可参阅附图说明图2的详细流程,包括:
S11、判断所述原始车辆图片是否为LAB图片模式。
在本发明实施例中,为了提高车辆定损的精确度,先将原始车辆图片的图片模式转化为LAB图像模式,所述LAB图像模式中L表示亮度、A表示从洋红色至绿色的范围、B表示从黄色至蓝色的范围。
在所述原始车辆图片是LAB图片模式时,直接执行下述的S13;及在所述原始车辆图片不是LAB图片模式时,执行下述的S12。
S12、将所述原始车辆图片转为LAB车辆图片。
进一步地,所述将所述原始车辆图片转为LAB车辆图片,包括:将所述原始车辆图片内的像素点集,转变为坐标像素点集,使用预设的LAB转化公式,将所述坐标像素点集转变为LAB像素点集,从而得到所述LAB车辆图片。
如上述的汽车事故照片为RGB图像模式,需要转变为LAB图片模式,因此需要将RGB图像模式的汽车事故照片内的像素点集转为坐标像素点集,转化方法如下所示:
X=R*0.4124+G*0.3576+B*0.1805;
Y=R*0.2126+G*0.7152+B*0.0722;
Z=R*0.0193+G*0.1192+B*0.9505。
其中,R,G,B表示所述原始车辆图片的像素点信息。
所述预设的LAB转化公式如下所示:
L=116f(Y/Yn)-16;
A=500[f(X/Xn)-f(Y/Yn)];
B=200[f(Y/Yn)-f(Z/Zn)]
其中:
而Xn,Yn和Zn一般的默认值为95.047,100.0和108.883,上述L、A和B即为最终的LAB色彩空间三个通道的值。
S13、计算所述LAB车辆图片与所述像素阈值的像素点差值得到像素点差值集,将所述像素点差值集作为预构建的多相位图像插值算法的输入参数,计算得到所述缩放车辆图片。
进一步地,假设f(i,j)为所述LAB车辆图片的像素点,g(u,v)为缩放车辆图片的像素点,两图片的像素点差值为(x,y),则g(u,v)可采用如下计算公式得到:
其中,x=(u×Win)%Wout,y=(v×Hin)%Hout,所述Win和Wout分别为缩放前后的图像宽度,Hin和Hout分别为缩放前后的图像高度,k,l为像素偏置, PV(k+1)表示随机生成并满足正态分布的像素值,N表示像素编号,由此根据上述操作可得到缩放车辆图片。
S2、对所述缩放车辆图片进行平滑滤波得到平滑车辆图片。
由于所述缩放车辆图片存在大量的噪声点,为了去除所述缩放车辆图片内的噪声点对后续步骤的影响,本文选取s×s尺寸大小的滑动窗口对所述缩放车辆图片I进行平滑滤波,获得平滑车辆图片I0。
所述平滑滤波的方法可采用当前已公开的邻域平滑滤波法、中值滤波法等。
另外,本发明较佳实施例可采用如下平滑滤波的方法:
I0=I*G
其中,i=0,1,…,s-1,表示所述滑动窗口的尺寸编号,*表示卷积操作,α为标度因数,标准差σ=0.3×((s-1)×0.5-1)+0.8
S3、计算所述平滑车辆图片内每个像素点的梯度幅值及梯度方向,根据所述梯度幅值及梯度方向,细化所述平滑车辆图片内的像素点,得到车辆目标图像。
由于车辆图片中拥有外形、大小、颜色等属性特征,而这些属性特征都是在车辆定损过程中的重要依据,若直接对缩放车辆图片进行定损鉴定,效果很差且消耗计算资源,但因为车辆的外形和大小等重要信息都包含在车辆的边缘信息中,因此本发明提出提取定损车辆的边缘图像并联合原图像进行定损鉴定,以加快定损模型的定损结果,减少计算资源的损耗,并提高识别正确率。
详细地,所述计算所述平滑车辆图片内每个像素点的梯度幅值及梯度方向,包括:计算所述平滑车辆图片内每个像素点,在预构建的坐标轴上每个坐标方向的投射值,根据所述投射值求解梯度幅值及梯度方向。
进一步地,如预构建二维坐标系,则坐标方向包括X轴和Y轴,其对应的投射值为Gx和Gy:
其中,I0为所述平滑车辆图片,*表示卷积操作,当得到投射值为Gx和Gy后,求解梯度幅值及梯度方向分别为:
其中,GF为所述梯度幅值,θ为所述梯度方向。
当得到梯度幅值和梯度方向后,可根据梯度幅值和梯度方向得到所述车辆目标图像,详细地,所述根据所述梯度幅值及梯度方向,细化所述平滑车辆图片内的像素点,得到车辆目标图像,包括:
将所述梯度幅值及所述梯度方向,作为预构建的非极大值抑制计算法的输入参数进行计算,得到所述平滑车辆图片内车辆边缘的原始像素点集,根据预设的像素阈值清洗所述原始像素点集得到标准像素点集,汇总所述标准像素点集得到所述车辆目标图像。
进一步地,将所述梯度幅值及所述梯度方向作为预构建的非极大值抑制计算法是一种目标检测算法,可有效从平滑车辆图片内检测出车辆图片,且非极大值抑制计算法的内部矩形框的设定,取决于人为经验值。
如根据所述梯度幅值及所述梯度方向,在所述平滑车辆图片内假设出4个矩形框(矩形框的坐标位置由所述梯度幅值及所述梯度方向确定,矩形选分别为A、B、C、D),如从矩形框D开始,分别判断A~C与D的重叠度是否大于设定的第一重叠度阈值,假设C与D的重叠度超过第一重叠度阈值,那么就去除C,并标记第一个矩形框D是预留框,然后从剩下的矩形框A、B、C中选择 B,然后判断B与A、E的重叠度,若A的重叠度大于设定的第一重叠度阈值,也去除A,并标记B是保留下来的第二个预留框,依次类推最终得到最后一个预留框,而最后一个预留框所框中的范围,也初步认为是车辆目标所在的范围区间,即为所述原始像素点集。
进一步地,由于原始像素点集里可能还会含有部分像素值很低的像素点,如像素值为1、0等像素点,因此根据预设的像素阈值从所述原始像素点集中去除部分像素值很低的像素点,得到标准像素点集,汇总标准像素点集即得到所述车辆目标图像。
S4、将所述车辆目标图像输入至预训练完成的车辆定损模型,并进行卷积池化操作得到车辆定损特征,结合预设的分类函数对所述车辆定损特征执行计算,得到车辆定损结果。
由于使用车辆定损模型定损所述车辆目标图像之前,需要训练车辆定损模型,才能达到满足要求的车辆定损模型,因此所述预训练完成的车辆定损模型的训练过程,可参阅图3的详细训练流程,包括:
S41、获取训练图像集,其中训练图像包括原始图像和目标图像。
本发明实施例中,所述训练图像集来源于某保险公司历年来定损赔付的汽车图像集,所述原始图像与本发明所述原始车辆图片对应,所述目标图像与本发明所述车辆目标图像对应。
S42、搭建原始车辆定损模型。
本发明较佳实施例中,所述原始车辆定损模型总共由7部分构成,分别为输入层、卷积层、池化层、特征融合层、全连接层、分类层以及输出层。其中所述卷积层的计算公式如下:
al=f(wl*al-1+bl)
其中,al为所述卷积层的输出值,f(·)为所述卷积层的激活函数,wl为卷积核,*代表卷积操作,bl为偏置参数。通过卷积层后得到输出值al,此时将输出值al通过池化层来降低输出值al的数据维度,可有效避免过拟合,池化层可采用最大池化方法,即选择图像区域的最大值作为该区域的代表值。而所述特征融合层的特征融合方法如下:
其中,G(x)为所述特征融合层的输出值,为融合操作,表示将输入值按照预设方法进行连接的一种操作,F(oi)表示第i个原始图像经过池化层后的特征图,F(ej)表示第j个目标图像的经过池化层后的特征图,wi表示示第i个原始图像经过池化层后的特征图所占权重,wj表示第j个目标图像的经过池化层后的特征图。所述分类层使用Softmax分类器进行分类,Softmax分类器P(yi)及其对应的对数损失函数J(θ)如下所示:
其中,m表示所述训练图像集的数量,ω表示预设权重值,x表示特征向量, K表示预设的分类个数,I{·}为指示性函数,y(i)表示第i个分类值,θ为损失值。
S43、将所述训练图像集作为所述原始车辆定损模型的输入图像进行训练,并通过所述对数损失函数J(θ)评估训练结果,直至所述对数损失函数J(θ)的数值满足预设要求,退出训练得到预训练完成的车辆定损模型;
当得到预训练完成的车辆定损模型,可直接定损所述车辆目标图像得到定损结果,如上述拍摄的汽车事故照片输入至预训练完成的车辆定损模型,因此进行上述卷积池化操作,直至最后Softmax分类器进行分类,得到可识别出汽车事故照片可能存在损坏的部位,并对这些部位进行损坏级别鉴定的定损结果,进一步,可根据定损结果生成定损报价单,当保险公司在获取到定损报价单之后,按照确定的定损价格赔付。
本发明实施例依次对原始车辆图片进行缩放及平滑滤波,因缩放是将原始车辆图片的分辨率降低,故可有效降低后续对车辆图片定损的计算量,平滑滤波是为了去除原始车辆图片所包括的噪点等,故可提高后续车辆图片定损精确度,另外,通过计算图片内每个像素点的梯度幅值及梯度方向,根据梯度幅值及梯度方向从原始车辆图片内获取得到车辆目标图像,因此从原始车辆图片变为了车辆目标图像,去除了车辆所在的背景,一方面进一步缩减图片规模,减轻计算量,另一方面减少非车辆图片对车辆定损的影响,提高定损精确度。
如图4所示,是本发明车辆定损装置的功能模块图。
本发明的车辆定损装置100可以安装于电子设备中。根据实现的功能,所述装置可以包括图片缩放模块101、平滑滤波模块102、车辆目标图像计算模块 103以及车辆定损模块104。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述图片缩放模块101、用于根据预设的像素阈值,将原始车辆图片进行像素点缩放得到缩放车辆图片;
所述平滑滤波模块102、用于对所述缩放车辆图片进行平滑滤波得到平滑车辆图片;
所述车辆目标图像计算模块103、用用于计算所述平滑车辆图片内每个像素点的梯度幅值及梯度方向,根据所述梯度幅值及梯度方向,细化所述平滑车辆图片内的像素点,得到车辆目标图像;
所述车辆定损模块104、用于将所述车辆目标图像输入至预训练完成的车辆定损模型,并进行卷积池化操作得到车辆定损特征,结合预设分类函数计算所述车辆定损特征得到车辆定损结果。
具体地,所述车辆定损装置100对上述模块的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
如图5所示,是本发明实现车辆定损方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于文档修改的车辆定损程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1 的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD) 卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于文档修改的车辆定损程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于文档修改的车辆定损程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称 EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5 示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1 还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器 (Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于文档修改的车辆定损程序12 是多个指令的组合,在所述处理器10中运行时,可以实现:
根据预设的像素阈值,将原始车辆图片进行像素点缩放得到缩放车辆图片;
对所述缩放车辆图片进行平滑滤波得到平滑车辆图片;
计算所述平滑车辆图片内每个像素点的梯度幅值及梯度方向,根据所述梯度幅值及梯度方向,细化所述平滑车辆图片内的像素点,得到车辆目标图像;
将所述车辆目标图像输入至预训练完成的车辆定损模型,并进行卷积池化操作得到车辆定损特征,结合预设分类函数计算所述车辆定损特征得到车辆定损结果。
具体地,所述处理器10对上述指令的具体实现方法包括:
步骤一、获取原始车辆图片,根据预设的像素阈值,将所述原始车辆图片进行像素点缩放得到缩放车辆图片。
本发明实施例中,所述原始车辆图片可通过手机APP获取,如用户小明自驾产生意外,在某道路发生一起交通事故,于是通过手机APP拍摄自驾的汽车事故照片,所拍摄的汽车事故照片即为原始车辆图片。
由于不同手机的相机分辨率、APP上传规格设定等不尽相同,因此需要根据预设的像素阈值,将原始车辆图片缩放到一个统一的像素标准,方便后续的实施步骤,因此,所述根据预设的像素阈值,将所述原始车辆图片进行像素点缩放得到缩放车辆图片,包括:
步骤A、判断所述原始车辆图片是否为LAB图片模式,若所述原始车辆图片不是LAB图片模式,将所述原始车辆图片转为LAB车辆图片。
在本发明实施例中,为了提高车辆定损的精确度,先将原始车辆图片的图片模式转化为LAB图像模式,所述LAB图像模式中L表示亮度、A表示从洋红色至绿色的范围、B表示从黄色至蓝色的范围。
进一步地,所述将所述原始车辆图片转为LAB车辆图片,包括:将所述原始车辆图片内的像素点集,转变为坐标像素点集,使用预设的LAB转化公式,将所述坐标像素点集转变为LAB像素点集,从而得到所述LAB车辆图片。
如上述拍摄的汽车事故照片为RGB图像模式,需要转变为LAB图片模式,因此需要将RGB图像模式的汽车事故照片内的像素点集转为坐标像素点集,转化方法如下所示:
X=R*0.4124+G*0.3576+B*0.1805;
Y=R*0.2126+G*0.7152+B*0.0722;
Z=R*0.0193+G*0.1192+B*0.9505。
其中,R,G,B表示所述原始车辆图片的像素点信息。
所述预设的LAB转化公式如下所示:
L=116f(Y/Yn)-16;
A=500[f(X/Xn)-f(Y/Yn)];
B=200[f(Y/Yn)-f(Z/Zn)]
其中:
而Xn,Yn和Zn一般的默认值为95.047,100.0和108.883,上述L、A和B即为最终的LAB色彩空间三个通道的值。
步骤B、计算所述LAB车辆图片与所述像素阈值的像素点差值得到像素点差值集,将所述像素点差值集作为预构建的多相位图像插值算法的输入参数,计算得到所述缩放车辆图片。
进一步地,假设f(i,j)为所述LAB车辆图片的像素点,g(u,v)为缩放车辆图片的像素点,两图片的像素点差值为(x,y),则g(u,v)可采用如下计算公式得到:
其中,x=(u×Win)%Wout,y=(v×Hin)%Hout,所述Win和Wout分别为缩放前后的图像宽度,Hin和Hout分别为缩放前后的图像高度,k,l为像素偏置, PV(k+1)表示随机生成并满足正态分布的像素值,N表示像素编号,由此根据上述操作可得到缩放车辆图片。
步骤二、对所述缩放车辆图片进行平滑滤波得到平滑车辆图片。
由于所述缩放车辆图片存在大量的噪声点,为了去除所述缩放车辆图片内的噪声点对后续步骤的影响,本文选取s×s尺寸大小的滑动窗口对所述缩放车辆图片I进行平滑滤波,获得平滑车辆图片I0。
所述平滑滤波的方法可采用当前已公开的邻域平滑滤波法、中值滤波法等。
另外,本发明较佳实施例可采用如下平滑滤波的方法:
I0=I*G
其中,i=0,1,…,s-1,表示所述滑动窗口的尺寸编号,*表示卷积操作,α为标度因数,标准差σ=0.3×((s-1)×0.5-1)+0.8
步骤三、计算所述平滑车辆图片内每个像素点的梯度幅值及梯度方向,根据所述梯度幅值及梯度方向,细化所述平滑车辆图片内的像素点,得到车辆目标图像。
由于车辆图片中拥有外形、大小、颜色等属性特征,而这些属性特征都是在车辆定损过程中的重要依据,若直接对缩放车辆图片进行定损鉴定,效果很差且消耗计算资源,但因为车辆的外形和大小等重要信息都包含在车辆的边缘信息中,因此本发明提出提取定损车辆的边缘图像并联合原图像进行定损鉴定,以加快定损模型的定损结果,减少计算资源的损耗,并提高识别正确率。
详细地,所述计算所述平滑车辆图片内每个像素点的梯度幅值及梯度方向,包括:计算所述平滑车辆图片内每个像素点,在预构建的坐标轴上每个坐标方向的投射值,根据所述投射值求解梯度幅值及梯度方向。
进一步地,如预构建二维坐标系,则坐标方向包括X轴和Y轴,其对应的投射值为Gx和Gy:
其中,I0为所述平滑车辆图片,*表示卷积操作,当得到投射值为Gx和Gy后,求解梯度幅值及梯度方向分别为:
其中,GF为所述梯度幅值,θ为所述梯度方向。
当得到梯度幅值和梯度方向后,可根据梯度幅值和梯度方向得到所述车辆目标图像,详细地,所述根据所述梯度幅值及梯度方向,细化所述平滑车辆图片内的像素点,得到车辆目标图像,包括:
将所述梯度幅值及所述梯度方向,作为预构建的非极大值抑制计算法的输入参数进行计算,得到所述平滑车辆图片内车辆边缘的原始像素点集,根据预设的像素阈值清洗所述原始像素点集得到标准像素点集,汇总所述标准像素点集得到所述车辆目标图像。
进一步地,将所述梯度幅值及所述梯度方向作为预构建的非极大值抑制计算法是一种目标检测算法,可有效从平滑车辆图片内检测出车辆图片,且非极大值抑制计算法的内部矩形框的设定,取决于人为经验值。
如根据所述梯度幅值及所述梯度方向,在所述平滑车辆图片内假设出4个矩形框(矩形框的坐标位置由所述梯度幅值及所述梯度方向确定,矩形选分别为A、B、C、D),如从矩形框D开始,分别判断A~C与D的重叠度是否大于设定的第一重叠度阈值,假设C与D的重叠度超过第一重叠度阈值,那么就去除C,并标记第一个矩形框D是预留框,然后从剩下的矩形框A、B、C中选择 B,然后判断B与A、E的重叠度,若A的重叠度大于设定的第一重叠度阈值,也去除A,并标记B是保留下来的第二个预留框,依次类推最终得到最后一个预留框,而最后一个预留框所框中的范围,也初步认为是车辆目标所在的范围区间,即为所述原始像素点集。
进一步地,由于原始像素点集里可能还会含有部分像素值很低的像素点,如像素值为1、0等像素点,因此根据预设的像素阈值从所述原始像素点集中去除部分像素值很低的像素点,得到标准像素点集,汇总标准像素点集即得到所述车辆目标图像。
步骤四、将所述车辆目标图像输入至预训练完成的车辆定损模型,并进行卷积池化操作得到车辆定损特征,结合预设的分类函数对所述车辆定损特征执行计算,得到车辆定损结果。
由于使用车辆定损模型定损所述车辆目标图像之前,需要训练车辆定损模型,才能达到满足要求的车辆定损模型,因此所述预训练完成的车辆定损模型的训练过程包括:
步骤a、获取训练图像集,其中训练图像包括原始图像和目标图像。
本发明实施例中,所述训练图像集来源于某保险公司历年来定损赔付的汽车图像集,所述原始图像与本发明所述原始车辆图片对应,所述目标图像与本发明所述车辆目标图像对应。
步骤b、搭建原始车辆定损模型。
本发明较佳实施例中,所述原始车辆定损模型总共由7部分构成,分别为输入层、卷积层、池化层、特征融合层、全连接层、分类层以及输出层。其中所述卷积层的计算公式如下:
al=f(wl*al-1+bl)
其中,al为所述卷积层的输出值,f(·)为所述卷积层的激活函数,wl为卷积核,*代表卷积操作,bl为偏置参数。通过卷积层后得到输出值al,此时将输出值al通过池化层来降低输出值al的数据维度,可有效避免过拟合,池化层可采用最大池化方法,即选择图像区域的最大值作为该区域的代表值。而所述特征融合层的特征融合方法如下:
其中,G(x)为所述特征融合层的输出值,为融合操作,表示将输入值按照预设方法进行连接的一种操作,F(oi)表示第i个原始图像经过池化层后的特征图,F(ej)表示第j个目标图像的经过池化层后的特征图,wi表示示第i个原始图像经过池化层后的特征图所占权重,wj表示第j个目标图像的经过池化层后的特征图。所述分类层使用Softmax分类器进行分类,Softmax分类器P(yi)及其对应的对数损失函数J(θ)如下所示:
其中,m表示所述训练图像集的数量,ω表示预设权重值,x表示特征向量, K表示预设的分类个数,I{·}为指示性函数,y(i)表示第i个分类值,θ为损失值。
步骤c、将所述训练图像集作为所述原始车辆定损模型的输入图像进行训练,并通过所述对数损失函数J(θ)评估训练结果,直至所述对数损失函数J(θ)的数值满足预设要求,退出训练得到预训练完成的车辆定损模型;
当得到预训练完成的车辆定损模型,可直接定损所述车辆目标图像得到定损结果,如上述拍摄的汽车事故照片输入至预训练完成的车辆定损模型,因此进行上述卷积池化操作,直至最后Softmax分类器进行分类,得到可识别出汽车事故照片可能存在损坏的部位,并对这些部位进行损坏级别鉴定的定损结果,进一步,可根据定损结果生成定损报价单,当保险公司在获取到定损报价单之后,按照确定的定损价格给予赔付。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM, Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的车辆定损方法,其特征在于,所述方法包括:
根据预设的像素阈值,将原始车辆图片进行像素点缩放得到缩放车辆图片;
对所述缩放车辆图片进行平滑滤波得到平滑车辆图片;
计算所述平滑车辆图片内每个像素点的梯度幅值及梯度方向,根据所述梯度幅值及梯度方向,细化所述平滑车辆图片内的像素点,得到车辆目标图像;
将所述车辆目标图像输入至预训练完成的车辆定损模型,并进行卷积池化操作得到车辆定损特征,结合预设的分类函数对所述车辆定损特征执行计算,得到车辆定损结果。
2.如权利要求1所述的车辆定损方法,其特征在于,所述计算所述平滑车辆图片内每个像素点的梯度幅值及梯度方向,包括:
计算所述平滑车辆图片内每个像素点,在预构建的坐标轴上计算每个坐标方向的投射值;
根据所述每个坐标方向的投射值求解所述梯度幅值及所述梯度方向。
4.如权利要求1至3任意一项所述的车辆定损方法,其特征在于,所述根据所述梯度幅值及梯度方向,细化所述平滑车辆图片内的像素点,得到车辆目标图像,包括:
根据所述梯度幅值及所述梯度方向,利用预构建的非极大值抑制计算法计算得到所述平滑车辆图片内车辆边缘的原始像素点集;
根据预设的像素阈值,清洗所述原始像素点集,得到标准像素点集,汇总所述标准像素点集得到所述车辆目标图像。
5.如权利要求1所述的车辆定损方法,其特征在于,所述根据预设的像素阈值,将原始车辆图片进行像素点缩放得到缩放车辆图片,包括:
判断所述原始车辆图片是否为LAB图片模式,若所述原始车辆图片不是LAB图片模式,将所述原始车辆图片转为LAB车辆图片;
计算所述LAB车辆图片的像素点与预设的所述像素阈值的差值,得到像素点差值集;
根据所述像素点差值集,利用预构建的多相位图像插值算法计算得到所述缩放车辆图片。
6.如权利要求5所述的车辆定损方法,其特征在于,所述将所述原始车辆图片转为LAB车辆图片,包括:
将所述原始车辆图片内的像素点集,转变为坐标像素点集;
使用预设的LAB转化公式,将所述坐标像素点集转变为LAB像素点集,根据所述LAB像素点集得到所述LAB车辆图片。
7.一种车辆定损装置,其特征在于,所述装置包括:
图片缩放模块,用于根据预设的像素阈值,将原始车辆图片进行像素点缩放得到缩放车辆图片;
平滑滤波模块,用于对所述缩放车辆图片进行平滑滤波得到平滑车辆图片;
车辆目标图像计算模块,用于计算所述平滑车辆图片内每个像素点的梯度幅值及梯度方向,根据所述梯度幅值及梯度方向,细化所述平滑车辆图片内的像素点,得到车辆目标图像;
车辆定损模块,用于将所述车辆目标图像输入至预训练完成的车辆定损模型,并进行卷积池化操作得到车辆定损特征,结合预设的分类函数对所述车辆定损特征执行计算,得到车辆定损结果。
8.如权利要求7所述的车辆定损装置,其特征在于,所述计算所述平滑车辆图片内每个像素点的梯度幅值及梯度方向,包括:
计算所述平滑车辆图片内每个像素点,在预构建的坐标轴上每个坐标方向的投射值;
根据每个坐标方向的所述投射值求解所述梯度幅值及所述梯度方向。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的车辆定损方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的车辆定损方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010472780.5A CN111695615A (zh) | 2020-05-28 | 2020-05-28 | 基于人工智能的车辆定损方法、装置、电子设备及介质 |
PCT/CN2020/098988 WO2021151278A1 (zh) | 2020-05-28 | 2020-06-29 | 基于人工智能的车辆定损方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010472780.5A CN111695615A (zh) | 2020-05-28 | 2020-05-28 | 基于人工智能的车辆定损方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111695615A true CN111695615A (zh) | 2020-09-22 |
Family
ID=72478821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010472780.5A Pending CN111695615A (zh) | 2020-05-28 | 2020-05-28 | 基于人工智能的车辆定损方法、装置、电子设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111695615A (zh) |
WO (1) | WO2021151278A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128614A (zh) * | 2021-04-29 | 2021-07-16 | 西安微电子技术研究所 | 基于图像梯度的卷积方法、基于方向卷积的神经网络及分类方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565474B (zh) * | 2022-03-21 | 2022-10-14 | 邦邦汽车销售服务(北京)有限公司 | 一种汽车零件选取方法、终端设备和存储介质 |
CN117196418B (zh) * | 2023-11-08 | 2024-02-02 | 江西师范大学 | 一种基于人工智能的阅读教学质量评估方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043950A (zh) * | 2010-12-30 | 2011-05-04 | 南京信息工程大学 | 基于canny算子和边缘点统计的车辆轮廓识别方法 |
CN109359542A (zh) * | 2018-09-18 | 2019-02-19 | 平安科技(深圳)有限公司 | 基于神经网络的车辆损伤级别的确定方法及终端设备 |
CN110942000A (zh) * | 2019-11-13 | 2020-03-31 | 南京理工大学 | 一种基于深度学习的无人驾驶车辆目标检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013105271A1 (ja) * | 2012-01-13 | 2013-07-18 | パイオニア株式会社 | 画像処理装置、画像処理管理装置、端末および画像処理方法 |
CN107358596B (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、电子设备及*** |
CN110728236B (zh) * | 2019-10-12 | 2020-12-04 | 创新奇智(重庆)科技有限公司 | 车辆定损方法及其专用设备 |
-
2020
- 2020-05-28 CN CN202010472780.5A patent/CN111695615A/zh active Pending
- 2020-06-29 WO PCT/CN2020/098988 patent/WO2021151278A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043950A (zh) * | 2010-12-30 | 2011-05-04 | 南京信息工程大学 | 基于canny算子和边缘点统计的车辆轮廓识别方法 |
CN109359542A (zh) * | 2018-09-18 | 2019-02-19 | 平安科技(深圳)有限公司 | 基于神经网络的车辆损伤级别的确定方法及终端设备 |
CN110942000A (zh) * | 2019-11-13 | 2020-03-31 | 南京理工大学 | 一种基于深度学习的无人驾驶车辆目标检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128614A (zh) * | 2021-04-29 | 2021-07-16 | 西安微电子技术研究所 | 基于图像梯度的卷积方法、基于方向卷积的神经网络及分类方法 |
CN113128614B (zh) * | 2021-04-29 | 2023-06-16 | 西安微电子技术研究所 | 基于图像梯度的卷积方法、基于方向卷积的神经网络及分类方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021151278A1 (zh) | 2021-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695615A (zh) | 基于人工智能的车辆定损方法、装置、电子设备及介质 | |
CN104616021B (zh) | 交通标志图像处理方法及装置 | |
CN111652845A (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
CN112581522B (zh) | 图像中目标物位置检测方法、装置、电子设备及存储介质 | |
CN112200189B (zh) | 基于SPP-YOLOv3的车型识别方法、装置及计算机可读存储介质 | |
CN111639704A (zh) | 目标识别方法、装置及计算机可读存储介质 | |
CN113554008B (zh) | 静态物体区域内检测方法、装置、电子设备及存储介质 | |
CN111476760B (zh) | 医学图像的生成方法、装置、电子设备及介质 | |
CN112132216B (zh) | 车型识别方法、装置、电子设备及存储介质 | |
WO2021151277A1 (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN112507923A (zh) | 证件翻拍检测方法、装置、电子设备及介质 | |
CN112132812A (zh) | 证件校验方法、装置、电子设备及介质 | |
CN111985449A (zh) | 救援现场图像的识别方法、装置、设备及计算机介质 | |
CN115424111A (zh) | 一种抗原检测试剂盒智能识别方法、装置、设备及介质 | |
CN114820679A (zh) | 图像标注方法、装置、电子设备和存储介质 | |
CN117455762A (zh) | 基于全景行车记录仪的记录画面分辨率提升方法及*** | |
CN112862703B (zh) | 基于移动拍照的图像校正方法、装置、电子设备及介质 | |
CN112017065B (zh) | 车辆定损理赔方法、装置及计算机可读存储介质 | |
CN112507903B (zh) | 假脸检测方法、装置、电子设备及计算机可读存储介质 | |
CN114998282A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN112561889A (zh) | 目标物检测方法、装置、电子设备及存储介质 | |
CN113343882A (zh) | 人群计数方法、装置、电子设备及存储介质 | |
CN112561893A (zh) | 图片匹配方法、装置、电子设备及存储介质 | |
CN112541899A (zh) | 证件的残缺检测方法、装置、电子设备及计算机存储介质 | |
CN113190703A (zh) | 视频图像的智能检索方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40031371 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |