CN113177926A - 一种图像检测方法和装置 - Google Patents
一种图像检测方法和装置 Download PDFInfo
- Publication number
- CN113177926A CN113177926A CN202110512207.7A CN202110512207A CN113177926A CN 113177926 A CN113177926 A CN 113177926A CN 202110512207 A CN202110512207 A CN 202110512207A CN 113177926 A CN113177926 A CN 113177926A
- Authority
- CN
- China
- Prior art keywords
- component
- segmentation
- fractal dimension
- dimension
- screening
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 190
- 238000012216 screening Methods 0.000 claims abstract description 43
- 238000007689 inspection Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000010586 diagram Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001788 irregular Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种图像检测方法和装置,其中,所述方法包括:获取待检测的多个部件分割图;预估所述部件分割图中各部件的轮廓的分形维数,所述分形维数表示所述部件的轮廓的粗糙程度;根据所述分形维数对所述部件分割图进行筛选;将筛选后的所述部件分割图进行常识检查;根据常识检查后的所述部件分割图进行图像检测。本申请实施例可以对用户拍摄的图像进行筛选和常识检查,排除掉容易造成AI定损结果不准确的图像,从而提高车险AI定损的准确率。而且,降低了对用户拍摄车损图像的专业性要求,简化了AI定损的流程。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种图像检测方法和装置。
背景技术
在车险定损环节,传统的业务解决方案依赖定损员现场查勘定损。人工智能(Artificial Intelligence,简称AI)定损则通过计算机视觉算法对用户上传的车损图像进行分析,给出对车辆损伤情况的分析及对应的维修方案与赔付金额,可代替人工现场查勘定损的过程。
现存的车险AI定损技术,在用户上传车损影像时,分为引导拍照和引导拍摄视频两种模式。其中,引导拍照模式的AI定损技术要求用户对每处损伤位置拍摄一定数量的特定角度和距离的图像,然后通过AI算法分别对每处损伤位置的图像进行处理,最终输出定损结果。此模式的AI定损技术对图像拍摄的角度、距离等要求严格,缺乏专业知识的用户拍摄的图像很可能无法满足AI算法的输入要求,从而得不到准确的定损结果。
发明内容
鉴于上述问题,提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种图像检测方法和装置。
为了解决上述问题,根据本申请实施例的第一方面,公开了一种图像检测方法,包括:获取待检测的多个部件分割图;预估所述部件分割图中各部件的轮廓的分形维数,所述分形维数表示所述部件的轮廓的粗糙程度;根据所述分形维数对所述部件分割图进行筛选;将筛选后的所述部件分割图进行常识检查;根据常识检查后的所述部件分割图进行图像检测。
可选地,所述预估所述部件分割图中各部件的轮廓的分形维数,包括:根据计盒维数算法预估所述部件分割图中各部件的轮廓的分形维数。
可选地,所述根据所述分形维数对所述部件分割图进行筛选,包括:根据所述分形维数和预设的第一维数阈值对所述部件分割图中的各部件的轮廓进行部件筛选;根据所述分形维数和预设的第二维数阈值对部件筛选后的所述部件分割图进行图形筛选。
可选地,所述根据所述分形维数和预设的第一维数阈值对所述部件分割图中的各部件的轮廓进行部件筛选,包括:将所述分形维数与所述第一维数阈值进行比较;保留所述分形维数小于所述第一维数阈值的部件的轮廓,并删除所述分形维数大于或等于所述第一维数阈值的部件的轮廓。
可选地,所述根据所述分形维数和预设的第二维数阈值对部件筛选后的所述部件分割图进行图形筛选,包括:对部件筛选后的所述部件分割图中的各部件的轮廓的所述分形维数进行加权平均计算得到加权平均结果;将所述加权平均结果与所述第二维数阈值进行比较;保留所述加权平均结果小于所述第二维数阈值的所述部件分割图,并删除所述加权平均结果大于或等于所述第二维数阈值的所述部件分割图;其中,所述加权平均计算过程中所述分形维数的权重为对应的部件的面积。
可选地,所述将筛选后的所述部件分割图进行常识检查,包括:从筛选后的所述部件分割图中统计出各部件的部件类别;根据所述部件类别判断所述部件分割图中的各部件是否相连;保留部件相连的所述部件分割图,并删除部件不相连的所述部件分割图。
可选地,所述根据所述部件类别判断所述部件分割图中的各部件是否相连,包括:若R’和A的交集为空集,则在所述R’为空集时,确定所述部件分割图中的各部件相连,在所述R’不为空集时,确定所述部件分割图中的各部件不相连;其中,所述R’=R-S,所述R为所述部件类别构成的集合,所述S为所述R中的任一所述部件类别相连的部件类别的集合,所述A为与所述S中的部件类别存在相邻关系的部件类别的集合。
根据本申请实施例的第二方面,还公开了一种图像检测装置,包括:获取模块,被配置成获取待检测的多个部件分割图;预估模块,被配置成预估所述部件分割图中各部件的轮廓的分形维数,所述分形维数表示所述部件的轮廓的粗糙程度;筛选模块,被配置成根据所述分形维数对所述部件分割图进行筛选;检查模块,被配置成将筛选后的所述部件分割图进行常识检查;检测模块,被配置成根据常识检查后的所述部件分割图进行图像检测。
可选地,所述预估模块,被配置成根据计盒维数算法预估所述部件分割图中各部件的轮廓的分形维数。
可选地,所述筛选模块,包括:部件筛选模块,被配置成根据所述分形维数和预设的第一维数阈值对所述部件分割图中的各部件的轮廓进行部件筛选;图形筛选模块,被配置成根据所述分形维数和预设的第二维数阈值对部件筛选后的所述部件分割图进行图形筛选。
可选地,所述部件筛选模块,被配置成将所述分形维数与所述第一维数阈值进行比较;保留所述分形维数小于所述第一维数阈值的部件的轮廓,并删除所述分形维数大于或等于所述第一维数阈值的部件的轮廓。
可选地,所述图形筛选模块,被配置成对部件筛选后的所述部件分割图中的各部件的轮廓的所述分形维数进行加权平均计算得到加权平均结果;将所述加权平均结果与所述第二维数阈值进行比较;保留所述加权平均结果小于所述第二维数阈值的所述部件分割图,并删除所述加权平均结果大于或等于所述第二维数阈值的所述部件分割图;其中,所述加权平均计算过程中所述分形维数的权重为对应的部件的面积。
可选地,所述检查模块,包括:类别统计模块,被配置成从筛选后的所述部件分割图中统计出各部件的部件类别;相连判断模块,被配置成根据所述部件类别判断所述部件分割图中的各部件是否相连;图像去留模块,被配置成保留部件相连的所述部件分割图,并删除部件不相连的所述部件分割图。
可选地,所述相连判断模块,被配置成若R’和A的交集为空集,则在所述R’为空集时,确定所述部件分割图中的各部件相连,在所述R’不为空集时,确定所述部件分割图中的各部件不相连;其中,所述R’=R-S,所述R为所述部件类别构成的集合,所述S为所述R中的任一所述部件类别相连的部件类别的集合,所述A为与所述S中的部件类别存在相邻关系的部件类别的集合。
本申请实施例包括以下优点:
本申请实施例提供了一种图像检测方案,获取待检测的部件分割图,再预估部件分割图中各部件的轮廓的分形维数,根据分形维数对部件分割图进行筛选,将筛选后的部件分割图进行常识检查,最终根据常识检查后的部件分割图进行图像检测。
本申请实施例在预估得到部件分割图中各部件的轮廓的分形维数之后,根据分形维数对部件分割图进行筛选,以筛选掉一部分部件分割结果不准确的部件分割图,然后判断筛选后的部件分割图是否符合常识,以过滤掉一部分部件分割结果不符合常识的部件分割图,最终,将经过筛选和常识检查的部件分割图进行图像检测。当本申请实施例应用于车险定损时,本申请实施例可以对用户拍摄的图像进行筛选和常识检查,排除掉容易造成AI定损结果不准确的图像,从而提高车险AI定损的准确率。而且,降低了对用户拍摄车损图像的专业性要求,简化了AI定损的流程。
附图说明
图1是本申请的一种图像检测方法实施例的步骤流程图;
图2是本申请的一种AI定损方案的步骤流程图;
图3是本申请的轮廓分形算法的步骤流程图;
图4是本申请的常识判断检查算法的步骤流程图;
图5至图7是本申请的三张原始图像;
图8至图10是本申请的图5至图7的三张原始图像对应的部件分割图;
图11是本申请的一种图像检测装置实施例的结构框图;
图12是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1,示出了本申请的一种图像检测方法实施例的步骤流程图。该图像检测方法具体可以包括如下步骤:
步骤101,获取待检测的多个部件分割图。
在本申请的实施例中,待检测的部件分割图可以为原始图像经过部件识别分割后得到的图像。在实际应用中,可以利用语义分割算法对原始图像进行部件分割操作得到部件分割图,本申请的实施例对语义分割算法的内容等不做具体限制。
步骤102,预估部件分割图中各部件轮廓的分形维数。
在本申请的实施例中,部件分割图中可以包含多个部件的轮廓。从部件分割图中提取出各个部件的轮廓,然后预估各部件的轮廓的分形维数。分形维数反映了复杂形体占有空间的有效性,它是复杂形体不规则性的量度。各部件的轮廓的分形维数可以表示部件的轮廓的粗糙程度。通常,形状越规则越平滑的部件的轮廓,其分形维数越小,越有可能是准确的部件分割结果;形状越不规则越粗糙的部件的轮廓,其分形维数越大,越不可能是准确的部件分割结果。
步骤103,根据分形维数对部件分割图进行筛选。
在本申请的实施例中,根据各部件的轮廓的分形维数对部件分割图进行筛选,以筛选掉包含形状不规则、粗糙的部件的轮廓的部件分割图,保留包含形状规则、平滑的部件的轮廓的部件分割图。
步骤104,将筛选后的部件分割图进行常识检查。
在本申请的实施例中,对筛选后的部件分割图进行常识检查,以判断筛选后的部件分割图是否为符合现实情况的各部件连通图,过滤掉不符合现实情况的各部件连通图,保留符合现实情况的各部件连通图。
步骤105,根据常识检查后的部件分割图进行图像检测。
在本申请的实施例中,最后可以将常识检查后的部件分割图与损伤识别等其他AI定损操作融合,检测部件分割图中是否存在车损区域图像。若存在车损区域图像,则可以进一步对车损区域进行定损操作得到定损结果。
本申请实施例提供了一种图像检测方案,获取待检测的部件分割图,再预估部件分割图中各部件的轮廓的分形维数,根据分形维数对部件分割图进行筛选,将筛选后的部件分割图进行常识检查,最终根据常识检查后的部件分割图进行图像检测。
本申请实施例在预估得到部件分割图中各部件的轮廓的分形维数之后,根据分形维数对部件分割图进行筛选,以筛选掉一部分部件分割结果不准确的部件分割图,然后判断筛选后的部件分割图是否符合常识,以过滤掉一部分部件分割结果不符合常识的部件分割图,最终,将经过筛选和常识检查的部件分割图进行图像检测。当本申请实施例应用于车险定损时,本申请实施例可以对用户拍摄的图像进行筛选和常识检查,排除掉容易造成AI定损结果不准确的图像,从而提高车险AI定损的准确率。而且,降低了对用户拍摄车损图像的专业性要求,简化了AI定损的流程。
在本申请的一种示例性实施例中,参照图2,图2示出了一种AI定损方案的步骤流程图。全量车损图像经过部件识别分割算法后得到部件分割图。首先通过轮廓分形算法对部件分割图进行筛选,以筛选掉一部分部件识别分割不准确的部件分割图。然后通过常识判断检查算法对筛选后的部件分割图进行常识检查,以过滤掉不符合常识的部件分割图。最后将符合常识的部件分割图,与通过损伤识别算法对全量车损图像进行车损识别的车损图像进行定损结果融合处理得到定损结果。
上述一种AI定损方案中的轮廓分形算法通过计算部件轮廓的分形维数表征部件的轮廓的粗糙程度,粗糙程度越高,表明部件分割图的可信度越低。可以通过设置阈值将可信度较低的部件分割图过滤掉。常识判断检查算法检测部件分割图是否符合车辆部件相邻关系的常识,车辆各个部件存在固定的相邻关系,常识判断检查算法对部件分割图中出现的部件进行相邻关系检查,判断是否是符合常识,过滤掉违背常识的部件分割图。
在本申请的一种示例性实施例中,上述一种AI定损方案可以包含如下步骤:
步骤(1)获取部件分割图。该部件分割图由前置的语义分割算法对原始图像进行语义分割得到。
步骤(2)提取部件分割图中各个部件的轮廓,预估部件分割图中各部件的轮廓的分形维数。
在实际应用中,可以计盒维数算法预估部件分割图中各部件的轮廓的分形维数,分形维数用以表征部件的轮廓的粗糙程度。
步骤(3)设置第一维数阈值,保留分形维数小于第一维数阈值的部件的轮廓,删除分形维数大于或等于第一维数阈值的部件的轮廓。
在实际应用中,形状越规则越平滑的部件的轮廓,其分形维数越小,越有可能是正确的分割结果;反之,形状越不规则越粗糙的部件的轮廓,其分形维数越大,越不可能是正确的分割结果。
步骤(4)对各个部件的轮廓的分形维数取加权平均,权重等于部件的面积。设置第二维数阈值,保留分形维数的加权平均结果小于第二维数阈值的部件分割图,删除分形维数的加权平均结果大于或等于第二维数阈值的部件分割图。
步骤(5)统计部件分割图中的部件类别。
在实际应用中,可以以部件为顶点作图,对常识中相邻的部件相连。相连得到的图像即可反应部件分割图中出现的部件类别以及部件类别之间可能存在的相邻关系。
步骤(6)根据部件类别判断各部件是否相连。保留部件相连的部件分割图,并删除部件不相连的部件分割图。
判断上述相连得到的图像是否是一个连通图,如果是连通图则保留对应的部件分割图,如果不是连通图则删除对应的部件分割图。因为连通图意味着图中出现的部件在现实中能构成一块连通的整体,而非连通图意味着图中出现的部件不能构成一个连通的整体,即在一张图片中出现这些部件不符合常识。
在本申请的一种示例性实施例中,参照图3,图3示出了轮廓分形算法的步骤流程图。
步骤31,输入部件分割图,提取各个部件的轮廓。
步骤32,选择一个未处理的部件的轮廓,将其表示为二维矩阵F0,其中背景像素点的值为0,轮廓像素点的值为1。初始化下采样次数i=0。
步骤33,计算分形维数k。具体可以包括步骤331至步骤335。
步骤331,计数部件的轮廓占用的像素点个数关于2的对数xi,计算公式如下:
xi=log2ΣFi
步骤332,将xi与阈值Tx进行比较,其中Tx为人工设置的参数,用以限制下采样的次数。
步骤333,若xi大于阈值Tx,将二维矩阵Fi进行核为(2,2),步长为(2,2)的最大池化操作,下采样次数i变为i+1,并返回步骤(3.3)。计算公式如下:
Fi+1=maxpool2d(Fi)
i=i+1
步骤334,若xi小于阈值Tx,则进行下一步。
步骤335,设一共得到(0,x0),(1,x1),...,(r,xr)共r个取样点,取l=max(1,r-N),其中N为自定义参数,决定了取样点的最大数量。取(l,xl),(l+1,xl+1),...,(r,xr)进行直线拟合,拟合的斜率记为-k,则k为分形维数的近似值。计算公式如下,其中k为线性拟合斜率,b为线性拟合截距,j表示从1到r:
步骤34,若k大于阈值Tk,则将该部件的轮廓从部件分割图中删除。其中Tk为人工凭经验设置的分形维数阈值。
步骤35,重复步骤32至步骤34,直到所有部件的轮廓都被处理完成。
在本申请的一种示例性实施例中,参照图4,图4示出了常识判断检查算法的步骤流程图。
步骤41,统计部件分割图中的部件类别,构成集合R。
步骤42,从集合R中随机选出一个部件类别p0,作为相邻部件类别的搜索起始,将搜索得到的集合{p0}记为集合S。
步骤43,从集合R中减去集合S,即:
R=R-S
步骤44,根据常识,查询所有S中的部件存在相邻关系的部件,构成集合A。计算R’和A的交集,记为S’。即:
S′=R′∩A
步骤45,若S’不为空集,则重复步骤43到步骤44。若S’为空集,判断R’是否为空集。若R’为空集,则保留部件分割图;否则,说明该部件分割图不符合常识逻辑,删除该部件分割图。
在实际应用中,若用户拍摄了三张原始图像,分别为图5、图6和图7。三张原始图像经过语义分割算法得到的部件分割图对应为图8、图9和图10。对于每一张部件分割图都先后经过轮廓分形算法处理和常识判断检查算法处理。图8中的后保险杠的分形维数为1.070,右后叶子板的分形维数为1.122,右后车门的分形维数为1.126。图8的部件分割结果较为混乱,各部件的轮廓的分形维数的加权平均结果大于设定的第二维数阈值,则删除图8。图10中的后保险杠的分形维数为1.006,右前叶子板的分形维数为0.996。图10中同时存在右前叶子板和后保险杠,且缺少能将二者串联到一起的部件,不符合常识,则删除图10。图9中的后保险杠的分形维数为0.974,右后叶子板的分形维数为0.986,右前车门的分形维数为0.981,右后车门的分形维数为0.999。图9中各部件的轮廓的分形维数均小于第一维数阈值,各部件的轮廓的分形维数的加权平均结果小于第二维数阈值,且图9中各部件符合常识,则保留图9用于后续的AI定损。
在AI定损技术中,对车辆部件进行语义分割是关键步骤之一,其结果直接影响最终的定损准确率。本申请的实施例通过对分割结果进行后处理,将不合理的部件分割图删除,降低因部件分割结果不准确造成的定损结果偏差的可能,提高车辆AI定损的准确率。
基于计盒维数算法计算分形维数,可以有效判断部件的轮廓的粗糙程度,从而将一部分置信度低的部件分割图删除。不仅能适用于车辆部件分割图的后处理,也能应用到其他形状较为规则的语义分割后处理任务中。
部件分割常识判断检查可以用于存在相邻关系常识的语义分割任务中,筛除所有不符合常识的分类结果,减少误识别的发生。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请实施例并不受所描述的动作顺序的限制,因为依据本申请实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本申请实施例所必须的。
参照图11,示出了本申请的一种图像检测装置实施例的结构框图,该图像检测装置具体可以包括如下模块:
获取模块111,被配置成获取待检测的多个部件分割图;
预估模块112,被配置成预估所述部件分割图中各部件的轮廓的分形维数,所述分形维数表示所述部件的轮廓的粗糙程度;
筛选模块113,被配置成根据所述分形维数对所述部件分割图进行筛选;
检查模块114,被配置成将筛选后的所述部件分割图进行常识检查;
检测模块115,被配置成根据常识检查后的所述部件分割图进行图像检测。
在本申请的一种示例性实施例中,所述预估模块112,被配置成根据计盒维数算法预估所述部件分割图中各部件的轮廓的分形维数。
在本申请的一种示例性实施例中,所述筛选模块113,包括:
部件筛选模块,被配置成根据所述分形维数和预设的第一维数阈值对所述部件分割图中的各部件的轮廓进行部件筛选;
图形筛选模块,被配置成根据所述分形维数和预设的第二维数阈值对部件筛选后的所述部件分割图进行图形筛选。
在本申请的一种示例性实施例中,所述部件筛选模块,被配置成将所述分形维数与所述第一维数阈值进行比较;保留所述分形维数小于所述第一维数阈值的部件的轮廓,并删除所述分形维数大于或等于所述第一维数阈值的部件的轮廓。
在本申请的一种示例性实施例中,所述图形筛选模块,被配置成对部件筛选后的所述部件分割图中的各部件的轮廓的所述分形维数进行加权平均计算得到加权平均结果;将所述加权平均结果与所述第二维数阈值进行比较;保留所述加权平均结果小于所述第二维数阈值的所述部件分割图,并删除所述加权平均结果大于或等于所述第二维数阈值的所述部件分割图;其中,所述加权平均计算过程中所述分形维数的权重为对应的部件的面积。
在本申请的一种示例性实施例中,所述检查模块114,包括:
类别统计模块,被配置成从筛选后的所述部件分割图中统计出各部件的部件类别;
相连判断模块,被配置成根据所述部件类别判断所述部件分割图中的各部件是否相连;
图像去留模块,被配置成保留部件相连的所述部件分割图,并删除部件不相连的所述部件分割图。
在本申请的一种示例性实施例中,所述相连判断模块,被配置成若R’和A的交集为空集,则在所述R’为空集时,确定所述部件分割图中的各部件相连,在所述R’不为空集时,确定所述部件分割图中的各部件不相连;
其中,所述R’=R-S,所述R为所述部件类别构成的集合,所述S为所述R中的任一所述部件类别相连的部件类别的集合,所述A为与所述S中的部件类别存在相邻关系的部件类别的集合。
对于装置实施例而言,由于其与方法实施例基本相似,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。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
下面参考图12,其示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意图。图12示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图12所示,计算机***包括中央处理单元(CPU)1201,其可以根据存储在只读存储器(ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。在RAM1203中,还存储有***操作所需的各种程序和数据。CPU1201、ROM 1202以及RAM1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
以下部件连接至I/O接口1205:包括键盘、鼠标等的输入部分1206;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分1207;包括硬盘等的存储部分1208;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1210上,以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1209从网络上被下载和安装,和/或从可拆卸介质1211被安装。在该计算机程序被中央处理单元(CPU)1201执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取待检测的多个部件分割图;预估所述部件分割图中各部件轮廓的分形维数,所述分形维数表示所述部件轮廓的粗糙程度;根据所述分形维数对所述部件分割图进行筛选;将筛选后的所述部件分割图进行常识检查;根据常识检查后的所述部件分割图进行图像检测。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种图像检测方法,其特征在于,包括:
获取待检测的多个部件分割图;
预估所述部件分割图中各部件的轮廓的分形维数,所述分形维数表示所述部件的轮廓的粗糙程度;
根据所述分形维数对所述部件分割图进行筛选;
将筛选后的所述部件分割图进行常识检查;
根据常识检查后的所述部件分割图进行图像检测。
2.根据权利要求1所述的方法,其特征在于,所述预估所述部件分割图中各部件的轮廓的分形维数,包括:
根据计盒维数算法预估所述部件分割图中各部件的轮廓的分形维数。
3.根据权利要求1所述的方法,其特征在于,所述根据所述分形维数对所述部件分割图进行筛选,包括:
根据所述分形维数和预设的第一维数阈值对所述部件分割图中的各部件的轮廓进行部件筛选;
根据所述分形维数和预设的第二维数阈值对部件筛选后的所述部件分割图进行图形筛选。
4.根据权利要求3所述的方法,其特征在于,所述根据所述分形维数和预设的第一维数阈值对所述部件分割图中的各部件的轮廓进行部件筛选,包括:
将所述分形维数与所述第一维数阈值进行比较;
保留所述分形维数小于所述第一维数阈值的部件的轮廓,并删除所述分形维数大于或等于所述第一维数阈值的部件的轮廓。
5.根据权利要求3所述的方法,其特征在于,所述根据所述分形维数和预设的第二维数阈值对部件筛选后的所述部件分割图进行图形筛选,包括:
对部件筛选后的所述部件分割图中的各部件的轮廓的所述分形维数进行加权平均计算得到加权平均结果;
将所述加权平均结果与所述第二维数阈值进行比较;
保留所述加权平均结果小于所述第二维数阈值的所述部件分割图,并删除所述加权平均结果大于或等于所述第二维数阈值的所述部件分割图;
其中,所述加权平均计算过程中所述分形维数的权重为对应的部件的面积。
6.根据权利要求1所述的方法,其特征在于,所述将筛选后的所述部件分割图进行常识检查,包括:
从筛选后的所述部件分割图中统计出各部件的部件类别;
根据所述部件类别判断所述部件分割图中的各部件是否相连;
保留部件相连的所述部件分割图,并删除部件不相连的所述部件分割图。
7.根据权利要求6所述的方法,其特征在于,所述根据所述部件类别判断所述部件分割图中的各部件是否相连,包括:
若R’和A的交集为空集,则在所述R’为空集时,确定所述部件分割图中的各部件相连,在所述R’不为空集时,确定所述部件分割图中的各部件不相连;
其中,所述R’=R-S,所述R为所述部件类别构成的集合,所述S为所述R中的任一所述部件类别相连的部件类别的集合,所述A为与所述S中的部件类别存在相邻关系的部件类别的集合。
8.一种图像检测装置,其特征在于,包括:
获取模块,被配置成获取待检测的多个部件分割图;
预估模块,被配置成预估所述部件分割图中各部件的轮廓的分形维数,所述分形维数表示所述部件的轮廓的粗糙程度;
筛选模块,被配置成根据所述分形维数对所述部件分割图进行筛选;
检查模块,被配置成将筛选后的所述部件分割图进行常识检查;
检测模块,被配置成根据常识检查后的所述部件分割图进行图像检测。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110512207.7A CN113177926B (zh) | 2021-05-11 | 2021-05-11 | 一种图像检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110512207.7A CN113177926B (zh) | 2021-05-11 | 2021-05-11 | 一种图像检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177926A true CN113177926A (zh) | 2021-07-27 |
CN113177926B CN113177926B (zh) | 2023-11-14 |
Family
ID=76929213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110512207.7A Active CN113177926B (zh) | 2021-05-11 | 2021-05-11 | 一种图像检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177926B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723945A (zh) * | 2022-04-07 | 2022-07-08 | 平安科技(深圳)有限公司 | 车损检测方法和装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101196980A (zh) * | 2006-12-25 | 2008-06-11 | 四川川大智胜软件股份有限公司 | 基于视频的高速移动车辆标志精确识别方法 |
CN103759676A (zh) * | 2014-01-06 | 2014-04-30 | 南京信息工程大学 | 一种工件表面粗糙度非接触式的检测方法 |
CN109271908A (zh) * | 2018-09-03 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 车损检测方法、装置及设备 |
US20200134375A1 (en) * | 2017-08-01 | 2020-04-30 | Beijing Sensetime Technology Development Co., Ltd. | Semantic segmentation model training methods and apparatuses, electronic devices, and storage media |
CN111294516A (zh) * | 2020-02-27 | 2020-06-16 | 中冶赛迪重庆信息技术有限公司 | 一种矾花图像处理方法、***、电子设备及介质 |
CN111666995A (zh) * | 2020-05-29 | 2020-09-15 | 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 |
-
2021
- 2021-05-11 CN CN202110512207.7A patent/CN113177926B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101196980A (zh) * | 2006-12-25 | 2008-06-11 | 四川川大智胜软件股份有限公司 | 基于视频的高速移动车辆标志精确识别方法 |
CN103759676A (zh) * | 2014-01-06 | 2014-04-30 | 南京信息工程大学 | 一种工件表面粗糙度非接触式的检测方法 |
US20200134375A1 (en) * | 2017-08-01 | 2020-04-30 | Beijing Sensetime Technology Development Co., Ltd. | Semantic segmentation model training methods and apparatuses, electronic devices, and storage media |
CN109271908A (zh) * | 2018-09-03 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 车损检测方法、装置及设备 |
CN111294516A (zh) * | 2020-02-27 | 2020-06-16 | 中冶赛迪重庆信息技术有限公司 | 一种矾花图像处理方法、***、电子设备及介质 |
CN111666995A (zh) * | 2020-05-29 | 2020-09-15 | 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 |
Non-Patent Citations (3)
Title |
---|
YONG HUANG ET AL: "Fractal dimension based damage identification incorporating multi-task sparse Bayesian learning", 《SMART MATERIALS AND STRUCTURES》 * |
石林立;徐锋;王攀;: "基于分形维数的风机表面损伤图像分割", 电脑知识与技术 * |
谭小刚;张洪伟;: "基于小尺度分形维数的裂缝图像分割方法", 公路交通科技 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723945A (zh) * | 2022-04-07 | 2022-07-08 | 平安科技(深圳)有限公司 | 车损检测方法和装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113177926B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240087102A1 (en) | Automatic Image Based Object Damage Assessment | |
KR20190069457A (ko) | 이미지 기반 차량 손실 평가 방법, 장치 및 시스템, 및 전자 디바이스 | |
CN115496918B (zh) | 基于计算机视觉的高速公路路况异常检测方法及*** | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
US20140169639A1 (en) | Image Detection Method and Device | |
US8019143B2 (en) | Image processing apparatus and computer program product | |
CN110378254B (zh) | 车损图像修改痕迹的识别方法、***、电子设备及存储介质 | |
CN116824516B (zh) | 一种涉路施工安全监测及管理*** | |
CN114332026A (zh) | 一种铭牌表面划痕缺陷的视觉检测方法及装置 | |
CN110706224A (zh) | 基于暗场图像的光学元件弱划痕检测方法、***和装置 | |
CN111753642B (zh) | 一种确定关键帧的方法及装置 | |
CN112101195A (zh) | 人群密度预估方法、装置、计算机设备和存储介质 | |
CN109712134B (zh) | 虹膜图像质量评价方法、装置及电子设备 | |
CN113177926A (zh) | 一种图像检测方法和装置 | |
CN111784658A (zh) | 一种用于人脸图像的质量分析方法和*** | |
CN116129195A (zh) | 图像质量评价装置、方法、电子设备和存储介质 | |
CN116630329A (zh) | 用于多轴多通道数控***的在线视觉检测方法 | |
US10621430B2 (en) | Determining image forensics using an estimated camera response function | |
CN114004858A (zh) | 基于机器视觉识别航空线缆表面编码的方法及装置 | |
CN112967226A (zh) | 一种基于人工智能的高反光制品检测***、方法及介质 | |
CN115731179A (zh) | 轨道部件检测方法、终端及存储介质 | |
CN112329572B (zh) | 一种基于边框和闪光点的快速静态活体检测方法及装置 | |
CN111765892B (zh) | 一种定位方法、装置、电子设备及计算机可读存储介质 | |
CN113793250A (zh) | 位姿评价方法、位姿确定方法、对应装置和电子设备 | |
CN108960254B (zh) | 一种基于mscn信息识别模糊图像的方法和装置、计算设备及存储介质 |
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 |