CN113496242A - 对车辆的损伤部位进行分类的方法和设备 - Google Patents
对车辆的损伤部位进行分类的方法和设备 Download PDFInfo
- Publication number
- CN113496242A CN113496242A CN202010263137.1A CN202010263137A CN113496242A CN 113496242 A CN113496242 A CN 113496242A CN 202010263137 A CN202010263137 A CN 202010263137A CN 113496242 A CN113496242 A CN 113496242A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- damaged portion
- deep learning
- learning model
- trained deep
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种用于对车辆的损伤部位进行分类的方法和设备。具体而言,该方法包括:接收包括车辆的损伤部位的图片;将包括车辆的损伤部位的图片输入到经训练的深度学习模型中;以及将所述经训练的深度学习模型的输出确定为所述车辆的损伤部位的分类。利用本公开的方法和设备,能够利用深度学习模型来准确地对车辆的损伤部位进行分类,从而方便后续对车辆进行维修。
Description
技术领域
本公开总体上涉及车辆技术领域,更特别地,涉及一种用于对车辆的损伤部位进行分类的方法和设备。
背景技术
随着汽车保有量的增长,城市道路上的车辆密度越来越大,由此引发的交通事故也越来越多。当发生交通事故时,为了对车辆进行维修,首先需要确定车辆的损伤状况,然后生成车辆维修工单。
在确定车辆的损伤状况时,通常需要先确定车辆的损伤部位(具体而言,车辆的损伤部位的分类),然后依据该分类生成车辆维修工单。然而,经常发生的情况是,由于用户并非专业维修人员,用户上传的关于车辆损伤的图片没有正确的分类,使得需要人工介入来进行正确的分类。由于人工进行分类工作量大且效率低下,因此需要改进的用于确定车辆的损伤部位的分类的技术。
发明内容
本公开的一个目的在于,利用深度学习模型来对车辆的损伤部位进行分类,从而方便后续对车辆进行维修。
为此,本公开提出了一种用于对车辆的损伤部位进行分类的方法和设备。
在本公开的一个方面,提供了一种用于对车辆的损伤部位进行分类的方法,包括:接收包括车辆的损伤部位的图片;将包括车辆的损伤部位的图片输入到经训练的深度学习模型中;以及将所述经训练的深度学习模型的输出确定为所述车辆的损伤部位的分类。
在一个示例中,所述经训练的深度学习模型是利用包括车辆的损伤部位的图片以及该损伤部位的分类预先训练的。
在一个示例中,将包括车辆的损伤部位的图片输入到经训练的深度学习模型中包括:对接收的包括车辆的损伤部位的图片进行特征提取;利用提取的特征形成特征矩阵;以及将所形成的特征矩阵输入到所述经训练的深度学习模型中。
在一个示例中,所述方法还包括:与包括车辆的损伤部位的图片相关联地存储确定的分类,以供对所述车辆进行维修时使用。
在一个示例中,所述方法还包括:在将包括车辆的损伤部位的图片输入到经训练的深度学习模型中之前,对接收的包括车辆的损伤部位的图片进行图像增强。
在一个示例中,所述方法还包括:接收指示所述车辆的损伤部位的信息;比较接收的指示所述车辆的损伤部位的信息与确定的所述车辆的损伤部位的分类;以及在接收的指示所述车辆的损伤部位的信息与确定的所述车辆的损伤部位的分类不同时,发出警报。
在一个示例中,所述包括车辆的损伤部位的图片和指示所述车辆的损伤部位的信息是从所述车辆的用户接收的。
在一个示例中,所述方法还包括:根据所述车辆的标识信息,从一组经训练的深度学习模型中选择所述经训练的深度学习模型。
根据本公开的另一方面,提供了一种用于对车辆的损伤部位进行分类的设备,包括:接收器,被配置为接收包括车辆的损伤部位的图片;以及处理器,被配置为:将包括车辆的损伤部位的图片输入到经训练的深度学习模型中;以及将所述经训练的深度学习模型的输出确定为所述车辆的损伤部位的分类。
在一个示例中,所述经训练的深度学习模型是利用包括车辆的损伤部位的图片以及该损伤部位的分类预先训练的。
在一个示例中,将包括车辆的损伤部位的图片输入到经训练的深度学习模型中包括:对接收的包括车辆的损伤部位的图片进行特征提取;利用提取的特征形成特征矩阵;以及将所形成的特征矩阵输入到所述经训练的深度学习模型中。
在一个示例中,所述设备还包括存储器,所述存储器被配置为:与包括车辆的损伤部位的图片相关联地存储确定的分类,以供对所述车辆进行维修时使用。
在一个示例中,所述处理器还被配置为:在将包括车辆的损伤部位的图片输入到经训练的深度学习模型中之前,对接收的包括车辆的损伤部位的图片进行图像增强。
在一个示例中,所述接收器还被配置为接收指示所述车辆的损伤部位的信息;以及所述处理器还被配置为:比较接收的指示所述车辆的损伤部位的信息与确定的所述车辆的损伤部位的分类;以及在接收的指示所述车辆的损伤部位的信息与确定的所述车辆的损伤部位的分类不同时,发出警报。
在一个示例中,所述包括车辆的损伤部位的图片和指示所述车辆的损伤部位的信息是从所述车辆的用户接收的。
在一个示例中,处理器还被配置为根据所述车辆的标识信息,从一组经训练的深度学习模型中选择所述经训练的深度学习模型。
利用本公开的方法和设备,能够利用深度学习模型来准确地对车辆的损伤部位进行分类,从而方便后续对车辆进行维修。
根据本公开的又一方面,提供了一种非暂时性计算机可读存储介质,其包括一个或多个指令序列,所述一个或多个指令序列在由一个或多个处理器执行时使得以上所述的方法被执行。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了根据本公开至少一个实施方式的用于对车辆的损伤部位进行分类的方法的流程图。
图2示出了根据本公开至少一个实施方式的包括车辆的损伤部位的图片的示例。
图3示出了根据本公开至少一个实施方式的用于对车辆的损伤部位进行分类的设备的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
所属技术领域的技术人员知道,本发明可以实现为***、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“***”。此外,在一些实施方式中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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。
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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
下面将参照本发明实施方式的方法、装置(***)和计算机程序产品的流程图和/或框图描述本发明。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,这些计算机程序指令通过计算机或其它可编程数据处理装置执行,产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。
也可以把这些计算机程序指令存储在能使得计算机或其它可编程数据处理装置以特定方式工作的计算机可读介质中,这样,存储在计算机可读介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置(instructionmeans)的制造品(manufacture)。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其它可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。
图1是示出了根据至少一个实施方式的对车辆的损伤部位进行分类的方法100的流程图。以下将结合图1对根据本公开至少一个实施方式进行描述。
在步骤S101,接收包括车辆的损伤部位的图片。在一个示例中,包括车辆的损伤部位的图片是从车辆的用户(例如车辆的驾驶员或者车主)接收的。例如,该图片是由车辆的用户拍摄并且上载的。
图2示出了根据本公开至少一个实施方式的包括车辆的损伤部位的图片的示例。如图2所示,车辆的损伤部位在引擎盖内。车辆的用户可以拍摄并且上传包括车辆的损伤部位(在该示例中损伤部位在引擎盖内)的图片。本领域技术人员可以理解,车辆的伤损部位可以包括车辆的车身以及车身内部的任何部位,本公开对此不做限制。
在步骤S103,将在步骤S101中接收的包括车辆的损伤部位的图片输入到经训练的深度学习模型中。
在一个示例中,该经训练的深度学习模型是利用包括车辆的损伤部位的图片以及该损伤部位的分类预先训练的。
在一个示例中,将包括车辆的损伤部位的图片输入到经训练的深度学习模型中包括:对接收的包括车辆的损伤部位的图片进行特征提取;利用提取的特征形成特征矩阵;以及将所形成的特征矩阵输入到所述经训练的深度学习模型中。
在步骤S105,将所述经训练的深度学习模型的输出确定为所述车辆的损伤部位的分类。例如,所述经训练的深度学习模型的输出指示该车辆的部位为车辆的引擎盖内的部件(例如,其对应的分类编码)。
利用本公开至少一个实施方式的方法,通过利用深度学习算法对车辆的损伤部位进行准确分类,方便后续对车辆进行维修。
在一个示例中,所述方法100还包括:在将包括车辆的损伤部位的图片输入到经训练的深度学习模型中之前,对接收的包括车辆的损伤部位的图片进行图像增强。
由于用户不是维修专业人员并且车辆所处的环境不同,在对车辆的损伤部位进行拍摄时,可能并未获得足够清晰的图像。至少由于这一点,可能需要对接收的包括车辆的损伤部位的图片(例如,上载的图片)进行图像增强,以便于后续进行分类。
在一个示例中,所述方法100还包括:接收指示所述车辆的损伤部位的信息。例如,指示所述车辆的损伤部位的信息可以是从用户接收的,并且可以是与接收的包括车辆的损伤部位的图片一起从用户接收的。
在一个示例中,方法100还包括:比较接收的指示所述车辆的损伤部位的信息与在步骤S103中确定的所述车辆的损伤部位的分类;以及在接收的指示所述车辆的损伤部位的信息与确定的所述车辆的损伤部位的分类不同时,发出警报。该警报例如可以是可听形式的、可视形式的,或者其他形式的。所生成的警报还可以与该图片和该图片的分类相关联地存储,以在该图片及其分类后续被使用时提醒使用者。
在一个示例中,方法100还包括:与包括车辆的损伤部位的图片相关联地存储确定的分类,以供对所述车辆进行维修时使用。例如,在用于对车辆进行维修时(例如维修派单时),可以使用该分类进行相应的处理(例如,派单)。
在一个示例中,方法100还包括:根据所述车辆的标识信息,从一组经训练的深度学习模型中选择所述经训练的深度学习模型。车辆的标识信息例如可以包括车辆的车型、车牌号、发动机编码等等。
在一个示例中,车辆的标识信息可以从车辆的用户接收。例如,用户在上传包含车辆的损失部位的图片时,可以附加地上传车辆的标识信息。车辆的标识信息也可以从车辆的特征(例如特有设计的部位)确定。此外,标识信息也可以基于与用户关联的车辆信息确定。
通过利用该标识信息来选择深度学习模型,对车辆的损伤进行分类处理的效率以及准确度得以提高。
图3示出了根据本公开至少一个实施方式的用于对车辆的损伤部位进行分类的设备300。将理解,以上关于方法100描述的操作同样适用于对车辆的损伤部位进行分类的设备300。
如图3所示,设备300包括接收器301。接收器301被配置为接收包括车辆的损伤部位的图片。在一个示例中,包括车辆的损伤部位的图片是从车辆的用户(例如车辆的驾驶员或者车主)接收的。
如前所述,图2示出了包括车辆的损伤部位的图片的示例。如图2所示,车辆的损伤部位在引擎盖内。车辆的用户可以拍摄并且上传包括车辆的损伤部位(在该示例中损伤部位在引擎盖内)的图片。本领域技术人员可以理解,车辆的伤损部位可以包括车辆的车身以及车身内部的任何部位,本公开对此不做限制。
设备300还包括处理器303。处理器303被配置为:将包括车辆的损伤部位的图片输入到经训练的深度学习模型中;以及将所述经训练的深度学习模型的输出确定为所述车辆的损伤部位的分类。例如,所述经训练的深度学习模型的输出指示该车辆的部位为车辆的引擎盖内的部件(例如,其对应的分类编码)。
在一个示例中,该经训练的深度学习模型是利用包括车辆的损伤部位的图片以及该损伤部位的分类预先训练的。
在一个示例中,将包括车辆的损伤部位的图片输入到经训练的深度学习模型中包括:对接收的包括车辆的损伤部位的图片进行特征提取;利用提取的特征形成特征矩阵;以及将所形成的特征矩阵输入到所述经训练的深度学习模型中。
在一个示例中,设备300还包括存储器。该存储器被配置为与包括车辆的损伤部位的图片相关联地存储确定的分类,以供对所述车辆进行维修时使用。
利用本公开至少一个实施方式的方法,通过利用深度学习算法对车辆的损伤部位进行准确分类,方便后续对车辆进行维修。
在一个示例中,所述处理器303还被配置为:在将包括车辆的损伤部位的图片输入到经训练的深度学习模型中之前,对接收的包括车辆的损伤部位的图片进行图像增强。
由于用户不是维修专业人员并且车辆所处的环境不同,在对车辆的损伤部位进行拍摄时,可能并未获得足够清晰的图像。至少由于这一点,可能需要对接收的包括车辆的损伤部位的图片(例如,上载的图片)进行图像增强,以便于后续进行分类。
在一个示例中,接收器301还被配置为:接收指示所述车辆的损伤部位的信息。例如,指示所述车辆的损伤部位的信息可以是从用户接收的,并且可以是与接收的包括车辆的损伤部位的图片一起从用户接收的。
在一个示例中,处理器303还被配置为:比较接收的指示所述车辆的损伤部位的信息以及确定的所述车辆的损伤部位的分类;以及在接收的指示所述车辆的损伤部位的信息与确定的所述车辆的损伤部位的分类不同时,发出警报。该警报例如可以是可听形式的、可视形式的,或者其他形式的。所生成的警报还可以与该图片和该图片的分类相关联地存储,以在该图片及其分类后续被使用时提醒使用者。
在一个示例中,设备300还包括存储器303。该存储器303被配置为与包括车辆的损伤部位的图片相关联地存储确定的分类,以供对所述车辆进行维修时使用。例如,在用于对车辆进行维修时(例如维修派单时),可以使用该分类进行相应的处理(例如,派单)。
在一个示例中,处理器303还被配置为根据所述车辆的标识信息,从一组经训练的深度学习模型中选择所述经训练的深度学习模型。车辆的标识信息例如可以包括车辆的车型、车牌号、发动机编码等等。
在一个示例中,所述车辆的标识信息可以从车辆的用户接收。例如,用户在上传包含车辆的损失部位的图片时,可以附加地上传车辆的标识信息。车辆的标识信息也可以从车辆的特征(例如特有设计的部位)确定。此外,标识信息也可以基于与用户关联的车辆信息确定。
通过利用该标识信息来选择深度学习模型,对车辆的损伤进行分类处理的效率以及准确度得以提高。
虽然结合具体的设备描述了各个操作,但是本领域技术人员可以理解,以上描述的操作可以由以上描述的设备不同的设备执行,本公开对此不做限制。此外,虽然被描述为不同的设备,但是本领域技术人员可以理解,上述设备可以被组合在一起,或者被进一步拆分为若干设备,本公开对此不做限制。
本公开还提供了一种非暂时性计算机可读存储介质,包括一个或多个指令序列,所述一个或多个指令序列在由一个或多个处理器执行时使得以上所述的方法被执行。
附图中的流程图和框图显示了根据本发明的多个实施方式的***、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,所述模块、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,两个连续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。
以上已经描述了本发明的各实施方式,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施方式。在不偏离所说明的各实施方式的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施方式的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施方式。
Claims (17)
1.一种用于对车辆的损伤部位进行分类的方法,包括:
接收包括车辆的损伤部位的图片;以及
将包括车辆的损伤部位的图片输入到经训练的深度学习模型中;以及
将所述经训练的深度学习模型的输出确定为所述车辆的损伤部位的分类。
2.根据权利要求1所述的方法,其中所述经训练的深度学习模型是利用包括车辆的损伤部位的图片以及该损伤部位的分类预先训练的。
3.根据权利要求1所述的方法,其中将包括车辆的损伤部位的图片输入到经训练的深度学习模型中包括:
对接收的包括车辆的损伤部位的图片进行特征提取;
利用提取的特征形成特征矩阵;以及
将所形成的特征矩阵输入到所述经训练的深度学习模型中。
4.根据权利要求1所述的方法,还包括:
与包括车辆的损伤部位的图片相关联地存储确定的分类,以供对所述车辆进行维修时使用。
5.根据权利要求1所述的方法,还包括:
在将包括车辆的损伤部位的图片输入到经训练的深度学习模型中之前,对接收的包括车辆的损伤部位的图片进行图像增强。
6.根据权利要求1所述的方法,还包括:
接收指示所述车辆的损伤部位的信息;
比较接收的指示所述车辆的损伤部位的信息与确定的所述车辆的损伤部位的分类;以及
在接收的指示所述车辆的损伤部位的信息与确定的所述车辆的损伤部位的分类不同时,发出警报。
7.根据权利要求6所述的方法,其中所述包括车辆的损伤部位的图片和指示所述车辆的损伤部位的信息是从所述车辆的用户接收的。
8.根据权利要求1所述的方法,还包括:
根据所述车辆的标识信息,从一组经训练的深度学习模型中选择所述经训练的深度学习模型。
9.一种用于对车辆的损伤部位进行分类的设备,包括:
接收器,被配置为接收包括车辆的损伤部位的图片;以及
处理器,被配置为:
将包括车辆的损伤部位的图片输入到经训练的深度学习模型中;以及
将所述经训练的深度学习模型的输出确定为所述车辆的损伤部位的分类。
10.根据权利要求9所述的设备,其中所述经训练的深度学习模型是利用包括车辆的损伤部位的图片以及该损伤部位的分类预先训练的。
11.根据权利要求9所述的设备,其中将包括车辆的损伤部位的图片输入到经训练的深度学习模型中包括:
对接收的包括车辆的损伤部位的图片进行特征提取;
利用提取的特征形成特征矩阵;以及
将所形成的特征矩阵输入到所述经训练的深度学习模型中。
12.根据权利要求9所述的设备,所述设备还包括存储器,所述存储器被配置为:
与包括车辆的损伤部位的图片相关联地存储确定的分类,以供对所述车辆进行维修时使用。
13.根据权利要求9所述的设备,所述处理器还被配置为:
在将包括车辆的损伤部位的图片输入到经训练的深度学习模型中之前,对接收的包括车辆的损伤部位的图片进行图像增强。
14.根据权利要求9所述的设备,其中:
所述接收器还被配置为接收指示所述车辆的损伤部位的信息;以及
所述处理器还被配置为:
比较接收的指示所述车辆的损伤部位的信息以及确定的所述车辆的损伤部位的分类;并且
在接收的指示所述车辆的损伤部位的信息与确定的所述车辆的损伤部位的分类不同时,发出警报。
15.根据权利要求14所述的设备,其中包括车辆的损伤部位的图片和指示所述车辆的损伤部位的信息是从所述车辆的用户接收的。
16.根据权利要求9所述的设备,还包括:
根据所述车辆的标识信息,从一组经训练的深度学习模型中选择所述经训练的深度学习模型。
17.一种非暂时性计算机可读存储介质,包括一个或多个指令序列,所述一个或多个指令序列在由一个或多个处理器执行时使得权利要求1-8中任一项所述的方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010263137.1A CN113496242A (zh) | 2020-04-07 | 2020-04-07 | 对车辆的损伤部位进行分类的方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010263137.1A CN113496242A (zh) | 2020-04-07 | 2020-04-07 | 对车辆的损伤部位进行分类的方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113496242A true CN113496242A (zh) | 2021-10-12 |
Family
ID=77995193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010263137.1A Pending CN113496242A (zh) | 2020-04-07 | 2020-04-07 | 对车辆的损伤部位进行分类的方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113496242A (zh) |
Citations (5)
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 |
CN108446618A (zh) * | 2018-03-09 | 2018-08-24 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、电子设备及存储介质 |
CN109242006A (zh) * | 2018-08-23 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 基于车型分类的识别车辆损伤的方法及装置 |
CN110135437A (zh) * | 2019-05-06 | 2019-08-16 | 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 |
CN110728236A (zh) * | 2019-10-12 | 2020-01-24 | 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
- 2020-04-07 CN CN202010263137.1A patent/CN113496242A/zh active Pending
Patent Citations (5)
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 |
CN108446618A (zh) * | 2018-03-09 | 2018-08-24 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、电子设备及存储介质 |
CN109242006A (zh) * | 2018-08-23 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 基于车型分类的识别车辆损伤的方法及装置 |
CN110135437A (zh) * | 2019-05-06 | 2019-08-16 | 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 |
CN110728236A (zh) * | 2019-10-12 | 2020-01-24 | 创新奇智(重庆)科技有限公司 | 车辆定损方法及其专用设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109753928B (zh) | 违章建筑物识别方法和装置 | |
CN108062712B (zh) | 一种车险定损数据的处理方法、装置和处理设备 | |
US9129159B2 (en) | Vehicle headlight state monitoring methods, systems and processor-readable media | |
US20180053053A1 (en) | Determining images having unidentifiable license plates | |
US20220114627A1 (en) | Methods and systems for automatic processing of images of a damaged vehicle and estimating a repair cost | |
CN112307978B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
CN112465049A (zh) | 异常检测模型生成方法和装置、异常事件检测方法和装置 | |
CN111415336B (zh) | 一种图像篡改识别方法、装置、服务器及存储介质 | |
CN110119725B (zh) | 用于检测信号灯的方法及装置 | |
US20210303885A1 (en) | Generative adversarial network models for small roadway object detection | |
CN111199087A (zh) | 场景识别方法和装置 | |
US11120308B2 (en) | Vehicle damage detection method based on image analysis, electronic device and storage medium | |
US20210350470A1 (en) | Methods and systems for automatic processing of vehicle image data to identify one or more damaged parts | |
CN113496213A (zh) | 一种目标感知数据的确定方法、装置、***及存储介质 | |
CN113762406A (zh) | 数据的挖掘方法、装置和电子设备 | |
CN115830399A (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
CN114005105B (zh) | 驾驶行为检测方法、装置以及电子设备 | |
JP2019192201A (ja) | 自律走行のための学習対象イメージ抽出装置及び方法 | |
CN110853364B (zh) | 数据监控方法和装置 | |
CN113496242A (zh) | 对车辆的损伤部位进行分类的方法和设备 | |
CN112733864A (zh) | 模型训练方法、目标检测方法、装置、设备及存储介质 | |
CN112837326B (zh) | 遗留物检测方法、装置及设备 | |
CN111368651B (zh) | 一种车辆识别方法、装置及电子设备 | |
CN114627436A (zh) | 一种智能交通巡检方法、装置、设备及介质 | |
CN115019511A (zh) | 基于自动驾驶车辆的识别机动车违规变道的方法和装置 |
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 |