CN113627252A - 一种车辆定损方法、装置、存储介质及电子设备 - Google Patents
一种车辆定损方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113627252A CN113627252A CN202110765308.5A CN202110765308A CN113627252A CN 113627252 A CN113627252 A CN 113627252A CN 202110765308 A CN202110765308 A CN 202110765308A CN 113627252 A CN113627252 A CN 113627252A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- images
- identified
- relative position
- 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 56
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000007635 classification algorithm Methods 0.000 claims abstract description 20
- 238000002372 labelling Methods 0.000 claims description 3
- 230000006735 deficit Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001550 time effect Effects 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
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车辆定损方法、装置、存储介质及电子设备,包括:接收包含目标车辆的多张待识别图像;将全部待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张待识别图像中车辆的边界参数;基于边界参数分别截取每张待识别图像中的车辆图像;将截取的全部车辆图像输入至图像分类算法模型组件中,得到每张待识别图像的拍摄位置与车辆相对位置参数;基于相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置;将零部件类别和零部件位置输入至预先建立的损坏类型识别模型组件中确定出多张待识别图像对应车辆的损伤部位和损伤面积。本申请无需人工制作定损信息,进而提高了车辆定损效率。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种车辆定损方法、装置、存储介质及电子设备。
背景技术
网约车形式已成为出行重要方式之一。长期运营网约车车辆容易出现破损、不干净等情况,导致乘客体验差,降低出行公司品牌度。因此定期审核车辆情况起到非常重要的作用。
基于人工的车辆审核方式,效率低,时效差。现有技术中使用预先获取车辆参数信息,进行比对定位车辆损坏情况;或者直接使用图像识别技术识别车辆损坏情况,但需要针对特定损坏的零部件进行拍摄,无法对全车查找可能损坏的零部件。另外,司机拍照上传过程中,拍摄的车辆图像存在拍摄不全、方向不对、故意隐藏破损部位等问题,从而干扰车辆损坏情况的排查。
因此,亟需提供一种能够识别出拍摄的图像的角度,并且能够识别出全车损坏零部件的技术方案,提高车辆定损效率。
发明内容
为了解决上述技术问题,本发明提供一种车辆定损方法,包括:
接收包含目标车辆的多张待识别图像;
将全部所述待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张所述待识别图像中车辆的边界参数;
基于所述边界参数分别截取每张所述待识别图像中的车辆图像;
将截取的全部所述车辆图像输入至图像分类算法模型组件中,得到每张所述待识别图像的拍摄位置与车辆相对位置参数;
基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置;
将所述零部件类别和零部件位置输入至预先建立的损坏类型识别模型组件中确定出所述多张待识别图像对应车辆的损伤部位和损伤面积。
进一步地、所述将全部所述待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张所述待识别图像中车辆的边界参数;,之前还包括:
判断全部所述待识别图像中是否均包含车辆图像;
当全部所述待识别图像中均包含车辆图像时,将全部所述待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张所述待识别图像中车辆的边界参数;
当至少一张所述待识别图像中不包含车辆图像时,向所述多张待识别图像的发送端发送第一重新拍摄指令,以使得所述发送端重新拍摄包含车辆图像的待识别图像。
进一步地、所述将截取的全部所述车辆图像输入至图像分类算法模型组件中,得到每张所述待识别图像的拍摄位置与车辆相对位置参数,之后还包括:
判断全部所述待识别图像的拍摄位置与车辆相对位置参数是否满足预设相对位置要求;
当全部所述待识别图像的拍摄位置与车辆相对位置参数满足预设相对位置要求时,基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置;
当至少一张所述待识别图像的拍摄位置与车辆相对位置参数不满足预设相对位置要求时,向所述发送端发送能够满足预设相对位置要求的第二重新拍摄指令,以使得所述发送端重新拍摄能够满足预设相对位置要求的待识别图像。
进一步地、所述基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置,包括:
将不同所述相对位置参数对应的车辆图像输入至预先建立的零部件识别模型中,得到每张所述车辆图像中包含的零部件类别和所述零部件类别对应的零部件位置;
根据所述零部件类别和所述零部件位置对每张所述车辆图像进行标注,得到标注图像。
另一方面,本发明提供一种车辆定损装置,包括:
图像接收模块,被配置为执行接收包含目标车辆的多张待识别图像;
边界确定模块,被配置为执行将全部所述待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张所述待识别图像中车辆的边界参数;
车辆图像截取模块,被配置为执行基于所述边界参数分别截取每张所述待识别图像中的车辆图像;
相对位置参数确定模块,被配置为执行将截取的全部所述车辆图像输入至图像分类算法模型组件中,得到每张所述待识别图像的拍摄位置与车辆相对位置参数;
零部件确定模块,被配置为执行基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置;
定损模块,被配置为执行将所述零部件类别和零部件位置输入至预先建立的损坏类型识别模型组件中确定出所述多张待识别图像对应车辆的损伤部位和损伤面积。
进一步地、还包括:
图像判断模块,被配置为执行判断全部所述待识别图像中是否均包含车辆图像;
边界确定模块,还被配置为执行当全部所述待识别图像中均包含车辆图像时,将全部所述待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张所述待识别图像中车辆的边界参数;
第一指令发送模块,被配置为执行当至少一张所述待识别图像中不包含车辆图像时,向所述多张待识别图像的发送端发送第一重新拍摄指令,以使得所述发送端重新拍摄包含车辆图像的待识别图像。
进一步地、还包括:
位置判断模块,被配置为执行判断全部所述待识别图像的拍摄位置与车辆相对位置参数是否满足预设相对位置要求;
零部件确定模块,还被配置为执行当全部所述待识别图像的拍摄位置与车辆相对位置参数满足预设相对位置要求时,基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置;
第二指令发送模块,被配置为执行当至少一张所述待识别图像的拍摄位置与车辆相对位置参数不满足预设相对位置要求时,向所述发送端发送能够满足预设相对位置要求的第二重新拍摄指令,以使得所述发送端重新拍摄能够满足预设相对位置要求的待识别图像。
进一步地、所述零部件确定模块,包括:
类别和位置确定单元,被配置为执行将不同所述相对位置参数对应的车辆图像输入至预先建立的零部件识别模型中,得到每张所述车辆图像中包含的零部件类别和所述零部件类别对应的零部件位置;
标注图像确定单元,被配置为执行根据所述零部件类别和所述零部件位置对每张所述车辆图像进行标注,得到标注图像。
另一方面,本发明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条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如上述所述的车辆定损方法。
再一方面,本发明提供一种电子设备,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,所述至少一个处理器通过执行所述存储器存储的指令实现如上述所述的车辆定损方法。
本发明提供的一种车辆定损方法、装置、存储介质及电子设备,具有如下有益效果:
通过接收包含目标车辆的多张待识别图像;将全部所述待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张所述待识别图像中车辆的边界参数;提高图像识别的精度,避免车辆以为的图像对计算结果干扰。并且基于所述边界参数分别截取每张所述待识别图像中的车辆图像;将截取的全部所述车辆图像输入至图像分类算法模型组件中,得到每张所述待识别图像的拍摄位置与车辆相对位置参数;有效提高图片上传的准确性,保证司机上传完整车辆图像。基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置;将所述零部件类别和零部件位置输入至预先建立的损坏类型识别模型组件中确定出所述多张待识别图像对应车辆的损伤部位和损伤面积。能在损坏类型识别模型中直观的显示需要维修的损坏位置和损坏面积,进一步方便了用户或定损人员对损坏类型识别模型中损坏部位的查看,无需定损人员基于车辆三视图进行画圈标注,也即无需人工制作定损信息,进而提高了车辆定损效率。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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附图。
图1是本申请实施例提供的一种车辆定损方法的流程示意图;
图2是本申请实施例提供的另一种车辆定损方法的流程示意图图;
图3是本发明实施例提供的一种车辆定损装置的结构示意图;
图4是本发明实施例提供的一种电子设备的结构示意图。
其中,510-图像接收模块,520-边界确定模块,530-车辆图像截取模块,540-相对位置参数确定模块,550-零部件确定模块,560-定损模块。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,图1是本申请实施例提供的一种车辆定损方法的流程示意图,本说明书实施例提供车辆定损方法,本方法的执行主体可以是上传多张待识别图像的客户端(发送端)或管理车辆的服务器,所述方法包括:
S102、接收包含目标车辆的多张待识别图像。
在具体的实施过程中,车辆标签可以是用户在租车时基于用于操作生成的,如,用户在租车前会提交期望租的车辆标签对应的车辆,其中,车辆标签可以是预先安装车辆型号设置的,不同的车辆型号对应不同的车辆标签。即车辆标签可以确定出车辆的类型。
待识别图像可以用户使用客户端进行拍摄的图像,在用户使用车辆后,在还车过程中拍摄的图像,待识别图像可以用于识别车辆的零部件是否损坏。待识别图像中可以包含有对应的车辆图像。整车的轮廓应在待识别图像中。
在一些可能的实施例中,图2是本申请实施例提供的另一种车辆定损方法的流程示意图图,如图2所示,所述方法还包括:
S202、判断全部所述待识别图像中是否均包含车辆图像;
S204、当全部所述待识别图像中均包含车辆图像时,将全部所述待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张所述待识别图像中车辆的边界参数;
S206、当至少一张所述待识别图像中不包含车辆图像时,向所述多张待识别图像的发送端发送第一重新拍摄指令,以使得所述发送端重新拍摄包含车辆图像的待识别图像。
在具体的实施过程中,当执行主体为客户端时,当至少一张所述待识别图像中不包含车辆图像时,客户端会生成对应的第一重新拍摄指令,以提示用户重新拍摄包含车辆图像的待识别图像。只有在全部所述待识别图像中均包含车辆图像时,才将全部所述待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张所述待识别图像中车辆的边界参数;。当执行主体为服务器时,当至少一张所述待识别图像中不包含车辆图像时,向所述多张待识别图像的发送端发送第一重新拍摄指令,以使得所述发送端重新拍摄包含车辆图像的待识别图像。
可以理解的是,边界参数可以是车辆的外部轮廓在待识别图像中位置参数。
具体的,车辆检测模型组件可以根据如下方式建立:
获取多组第一图像和与所述第一图像对应的车辆检测框线;
建立所述车辆检测模型组件,其中,所述车辆检测模型组件中包括多个模型参数;
将所述第一图像作为所述车辆检测模型组件的输入数据,将所述第一图像对应的车辆检测框线作为所述车辆检测模型组件的输出数据,调整所述车辆检测模型组件的所述模型参数,直至所述车辆检测模型组件达到预设要求。
可以理解的是,车辆检测模型组件采用的算法在本说明书实施例中不做具体限定,可根据实际需要进行设置,如采用YOLOV5算法。
S104、将全部所述待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张所述待识别图像中车辆的边界参数;。
S106、基于所述边界参数分别截取每张所述待识别图像中的车辆图像。
在具体的实施过程中,车辆图像可以在车辆外部轮轮廓在待识别图像中,根据边界参数对待识别图像进行截取可以得到车辆图像,降低待识别图像中除车辆外的图像对车辆定损的干扰。
S108、将截取的全部所述车辆图像输入至图像分类算法模型组件中,得到每张所述待识别图像的拍摄位置与车辆相对位置参数。
在具体的实施过程中,待识别图像的拍摄位置与车辆相对位置参数可以是拍摄待识别图像时,摄像设备相对车辆的角度。如正前方、正后方、左前45度、右后45度等。
在具体的实施过程中,图像分类算法模型组件可以根据如下方式建立:
获取多组第一截取图像集,每组第一截取图像集中包括至少4种不同方向的第一截取图像,每个第一截取图像均标注有对应的拍摄位置与车辆相对位置参数;
建立所述图像分类算法模型组件,其中,所述图像分类算法模型组件中包括多个模型参数;
将所述第一截取图像集作为所述图像分类算法模型组件的输入数据,将所述对应的拍摄位置与车辆相对位置参数作为所述图像分类算法模型组件的输出数据,调整所述图像分类算法模型组件的所述模型参数,直至所述图像分类算法模型组件达到预设要求。
可以理解的是,图像分类算法模型组件采用的算法在本说明书实施例中不做具体限定,可根据实际需要进行设置,如采用MobileNetV3算法。
在一些可能的实施例中,所述将截取的全部所述车辆图像输入至图像分类算法模型组件中,得到每张所述待识别图像的拍摄位置与车辆相对位置参数,之后还包括:
判断全部所述待识别图像的拍摄位置与车辆相对位置参数是否满足预设相对位置要求;
当全部所述待识别图像的拍摄位置与车辆相对位置参数满足预设相对位置要求时,基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置;
当至少一张所述待识别图像的拍摄位置与车辆相对位置参数不满足预设相对位置要求时,向所述发送端发送能够满足预设相对位置要求的第二重新拍摄指令,以使得所述发送端重新拍摄能够满足预设相对位置要求的待识别图像。
在具体的实施过程中,当执行主体为客户端时,当至少一张所述待识别图像的拍摄位置与车辆相对位置参数不满足预设相对位置要求时,客户端会生成对应的第二重新拍摄指令,以提示用户重新拍摄能够满足预设相对位置要求的待识别图像。只有在全部所述待识别图像中均包含车辆图像时,才基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置。
S110、基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置。
在具体的实施过程中,所述基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置,包括:
将不同所述相对位置参数对应的车辆图像输入至预先建立的零部件识别模型中,得到每张所述车辆图像中包含的零部件类别和所述零部件类别对应的零部件位置;
根据所述零部件类别和所述零部件位置对每张所述车辆图像进行标注,得到标注图像。
在具体的实施过程中,零部件识别模型可以根据如下方式建立:
获取多组标注有位置参数的第一截取图像集,每组第一截取图像集中包括至少4种不同方向的第一截取图像,每个第一截取图像均标注有根据位置参数标注的零部件类别和零部件位置;
建立所述零部件识别模型,其中,所述零部件识别模型中包括多个模型参数;
将所述标注有位置参数的第一截取图像集作为所述零部件识别模型的输入数据,将所述对应的零部件类别和零部件位置作为所述零部件识别模型的输出数据,调整所述零部件识别模型的所述模型参数,直至所述零部件识别模型达到预设要求。
可以理解的是,零部件识别模型采用的算法在本说明书实施例中不做具体限定,可根据实际需要进行设置,如采用YOLOV5算法。
其中,零部件类别可以包括:保险扛、中网、大灯、车盖等数十种部。
S112、将所述零部件类别和零部件位置输入至预先建立的损坏类型识别模型组件中确定出所述多张待识别图像对应车辆的损伤部位和损伤面积。
在具体的实施过程中,可以通截取零部件对应的图像,而后通过损坏类型识别算法识别损坏类型,常见的类型包含刮擦、凹陷、开裂三类损伤。其中,损坏类型识别算法可以有如下两个阶段:第一阶段为训练阶段,收集车辆图像,标注车辆发生损伤位置和类型,使用标注数据,训练损坏类型识别模型,模型可以采用实例分割Mask Rcnn方法,可同时输出多个损伤位置和损伤部位的面积。第二阶段为应用阶段,使用第一阶段训练得到的模型,识别损伤部位和面积。
通过接收包含目标车辆的多张待识别图像;将全部所述待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张所述待识别图像中车辆的边界参数;提高图像识别的精度,避免车辆以为的图像对计算结果干扰。并且基于所述边界参数分别截取每张所述待识别图像中的车辆图像;将截取的全部所述车辆图像输入至图像分类算法模型组件中,得到每张所述待识别图像的拍摄位置与车辆相对位置参数;有效提高图片上传的准确性,保证司机上传完整车辆图像。基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置;将所述零部件类别和零部件位置输入至预先建立的损坏类型识别模型组件中确定出所述多张待识别图像对应车辆的损伤部位和损伤面积。能在损坏类型识别模型中直观的显示需要维修的损坏位置和损坏面积,进一步方便了用户或定损人员对损坏类型识别模型中损坏部位的查看,无需定损人员基于车辆三视图进行画圈标注,也即无需人工制作定损信息,进而提高了车辆定损效率。
另一方面,图3是本发明实施例提供的一种车辆定损装置的结构示意图,如图3所示,本发明提供一种车辆定损装置,包括:
图像接收模块510,被配置为执行接收包含目标车辆的多张待识别图像;
边界确定模块520,被配置为执行将全部所述待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张所述待识别图像中车辆的边界参数;
车辆图像截取模块530,被配置为执行基于所述边界参数分别截取每张所述待识别图像中的车辆图像;
相对位置参数确定模块540,被配置为执行将截取的全部所述车辆图像输入至图像分类算法模型组件中,得到每张所述待识别图像的拍摄位置与车辆相对位置参数;
零部件确定模块550,被配置为执行基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置;
定损模块560,被配置为执行将所述零部件类别和零部件位置输入至预先建立的损坏类型识别模型组件中确定出所述多张待识别图像对应车辆的损伤部位和损伤面积。
在上述实施例基础上,本说明书一个实施例中,还包括:
图像判断模块610,被配置为执行判断全部所述待识别图像中是否均包含车辆图像;
边界确定模块520,还被配置为执行当全部所述待识别图像中均包含车辆图像时,将全部所述待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张所述待识别图像中车辆的边界参数;
第一指令发送模块620,被配置为执行当至少一张所述待识别图像中不包含车辆图像时,向所述多张待识别图像的发送端发送第一重新拍摄指令,以使得所述发送端重新拍摄包含车辆图像的待识别图像。
在上述实施例基础上,本说明书一个实施例中,还包括:
位置判断模块710,被配置为执行判断全部所述待识别图像的拍摄位置与车辆相对位置参数是否满足预设相对位置要求;
零部件确定模块550,还被配置为执行当全部所述待识别图像的拍摄位置与车辆相对位置参数满足预设相对位置要求时,基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置;
第二指令发送模块720,被配置为执行当至少一张所述待识别图像的拍摄位置与车辆相对位置参数不满足预设相对位置要求时,向所述发送端发送能够满足预设相对位置要求的第二重新拍摄指令,以使得所述发送端重新拍摄能够满足预设相对位置要求的待识别图像。
在上述实施例基础上,本说明书一个实施例中,所述零部件确定模块550,包括:
类别和位置确定单元,被配置为执行将不同所述相对位置参数对应的车辆图像输入至预先建立的零部件识别模型中,得到每张所述车辆图像中包含的零部件类别和所述零部件类别对应的零部件位置;
标注图像确定单元,被配置为执行根据所述零部件类别和所述零部件位置对每张所述车辆图像进行标注,得到标注图像。需要说明的是,上述实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
另一方面,图4是本发明实施例提供的一种电子设备的结构示意图,如图4所示,本发明提供一种车辆定损的设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或者至少一段程序,所述至少一条指令或者至少一段程序由所述处理器加载并执行以实现如上述所述的车辆定损方法。
上述功能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。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
本发明实施例还提供了一种存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、该至少一段程序、该代码集或指令集可由电子设备的处理器执行以完成上述所述的车辆定损方法。
可选地,在本发明实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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,对于装置、电子设备和存储介质实施例而言,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。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
需要说明的是,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。本发明实施例所提供测试方法,其实现原理及产生的技术效果和前述***实施例相同,为简要描述,方法实施例部分未提及之处,可参考前述***实施例中相应内容。
在本申请所提供的几个实施例中,应该理解到,所揭露的***和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、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,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方式中,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,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动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。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以上述权利要求的保护范围为准。
Claims (10)
1.一种车辆定损方法,其特征在于,包括:
接收包含目标车辆的多张待识别图像;
将全部所述待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张所述待识别图像中车辆的边界参数;
基于所述边界参数分别截取每张所述待识别图像中的车辆图像;
将截取的全部所述车辆图像输入至图像分类算法模型组件中,得到每张所述待识别图像的拍摄位置与车辆相对位置参数;
基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置;
将所述零部件类别和零部件位置输入至预先建立的损坏类型识别模型组件中确定出所述多张待识别图像对应车辆的损伤部位和损伤面积。
2.根据权利要求1所述的车辆定损方法,其特征在于,所述将全部所述待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张所述待识别图像中车辆的边界参数,之前还包括:
判断全部所述待识别图像中是否均包含车辆图像;
当全部所述待识别图像中均包含车辆图像时,将全部所述待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张所述待识别图像中车辆的边界参数;
当至少一张所述待识别图像中不包含车辆图像时,向所述多张待识别图像的发送端发送第一重新拍摄指令,以使得所述发送端重新拍摄包含车辆图像的待识别图像。
3.根据权利要求1所述的车辆定损方法,其特征在于,所述将截取的全部所述车辆图像输入至图像分类算法模型组件中,得到每张所述待识别图像的拍摄位置与车辆相对位置参数,之后还包括:
判断全部所述待识别图像的拍摄位置与车辆相对位置参数是否满足预设相对位置要求;
当全部所述待识别图像的拍摄位置与车辆相对位置参数满足预设相对位置要求时,基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置;
当至少一张所述待识别图像的拍摄位置与车辆相对位置参数不满足预设相对位置要求时,向所述发送端发送能够满足预设相对位置要求的第二重新拍摄指令,以使得所述发送端重新拍摄能够满足预设相对位置要求的待识别图像。
4.根据权利要求3所述的车辆定损方法,其特征在于,所述基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置,包括:
将不同所述相对位置参数对应的车辆图像输入至预先建立的零部件识别模型中,得到每张所述车辆图像中包含的零部件类别和所述零部件类别对应的零部件位置;
根据所述零部件类别和所述零部件位置对每张所述车辆图像进行标注,得到标注图像。
5.一种车辆定损装置,其特征在于,包括:
图像接收模块,被配置为执行接收包含目标车辆的多张待识别图像;
边界确定模块,被配置为执行将全部所述待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张所述待识别图像中车辆的边界参数;
车辆图像截取模块,被配置为执行基于所述边界参数分别截取每张所述待识别图像中的车辆图像;
相对位置参数确定模块,被配置为执行将截取的全部所述车辆图像输入至图像分类算法模型组件中,得到每张所述待识别图像的拍摄位置与车辆相对位置参数;
零部件确定模块,被配置为执行基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置;
定损模块,被配置为执行将所述零部件类别和零部件位置输入至预先建立的损坏类型识别模型组件中确定出所述多张待识别图像对应车辆的损伤部位和损伤面积。
6.根据权利要求5所述的车辆定损装置,其特征在于,还包括:
图像判断模块,被配置为执行判断全部所述待识别图像中是否均包含车辆图像;
边界确定模块,还被配置为执行当全部所述待识别图像中均包含车辆图像时,将全部所述待识别图像输入至预先建立的车辆检测模型组件中,以识别出每张所述待识别图像中车辆的边界参数;
第一指令发送模块,被配置为执行当至少一张所述待识别图像中不包含车辆图像时,向所述多张待识别图像的发送端发送第一重新拍摄指令,以使得所述发送端重新拍摄包含车辆图像的待识别图像。
7.根据权利要求5所述的车辆定损装置,其特征在于,还包括:
位置判断模块,被配置为执行判断全部所述待识别图像的拍摄位置与车辆相对位置参数是否满足预设相对位置要求;
零部件确定模块,还被配置为执行当全部所述待识别图像的拍摄位置与车辆相对位置参数满足预设相对位置要求时,基于所述相对位置参数通过训练好的零部件网络识别出每张待识别图像的零部件类别和零部件位置;
第二指令发送模块,被配置为执行当至少一张所述待识别图像的拍摄位置与车辆相对位置参数不满足预设相对位置要求时,向所述发送端发送能够满足预设相对位置要求的第二重新拍摄指令,以使得所述发送端重新拍摄能够满足预设相对位置要求的待识别图像。
8.根据权利要求7所述的车辆定损装置,其特征在于,所述零部件确定模块,包括:
类别和位置确定单元,被配置为执行将不同所述相对位置参数对应的车辆图像输入至预先建立的零部件识别模型中,得到每张所述车辆图像中包含的零部件类别和所述零部件类别对应的零部件位置;
标注图像确定单元,被配置为执行根据所述零部件类别和所述零部件位置对每张所述车辆图像进行标注,得到标注图像。
9.一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条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-4中任一项所述的车辆定损方法。
10.一种电子设备,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,所述至少一个处理器通过执行所述存储器存储的指令实现如权利要求1-4中任一项所述的车辆定损方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110765308.5A CN113627252A (zh) | 2021-07-07 | 2021-07-07 | 一种车辆定损方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110765308.5A CN113627252A (zh) | 2021-07-07 | 2021-07-07 | 一种车辆定损方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113627252A true CN113627252A (zh) | 2021-11-09 |
Family
ID=78379171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110765308.5A Pending CN113627252A (zh) | 2021-07-07 | 2021-07-07 | 一种车辆定损方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627252A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719188A (zh) * | 2016-01-22 | 2016-06-29 | 平安科技(深圳)有限公司 | 基于多张图片一致性实现保险理赔反欺诈的方法及服务器 |
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 |
CN108734702A (zh) * | 2018-04-26 | 2018-11-02 | 平安科技(深圳)有限公司 | 车损判定方法、服务器及存储介质 |
CN109325488A (zh) * | 2018-08-31 | 2019-02-12 | 阿里巴巴集团控股有限公司 | 用于辅助车辆定损图像拍摄的方法、装置及设备 |
CN110674788A (zh) * | 2019-10-09 | 2020-01-10 | 北京百度网讯科技有限公司 | 车辆定损方法和装置 |
-
2021
- 2021-07-07 CN CN202110765308.5A patent/CN113627252A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719188A (zh) * | 2016-01-22 | 2016-06-29 | 平安科技(深圳)有限公司 | 基于多张图片一致性实现保险理赔反欺诈的方法及服务器 |
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 |
WO2019169688A1 (zh) * | 2018-03-09 | 2019-09-12 | 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 |
CN108734702A (zh) * | 2018-04-26 | 2018-11-02 | 平安科技(深圳)有限公司 | 车损判定方法、服务器及存储介质 |
CN109325488A (zh) * | 2018-08-31 | 2019-02-12 | 阿里巴巴集团控股有限公司 | 用于辅助车辆定损图像拍摄的方法、装置及设备 |
CN110674788A (zh) * | 2019-10-09 | 2020-01-10 | 北京百度网讯科技有限公司 | 车辆定损方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111667011B (zh) | 损伤检测模型训练、车损检测方法、装置、设备及介质 | |
CN107392218B (zh) | 一种基于图像的车辆定损方法、装置及电子设备 | |
WO2021047232A1 (zh) | 交互行为识别方法、装置、计算机设备和存储介质 | |
CN109002820B (zh) | 一种车牌识别方法、装置及相关设备 | |
CN111160302A (zh) | 基于自动驾驶环境的障碍物信息识别方法和装置 | |
CN111626123A (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
CN108921026A (zh) | 动物身份的识别方法、装置、计算机设备和存储介质 | |
CN110532883B (zh) | 应用离线跟踪算法对在线跟踪算法进行改进 | |
CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
CN109271908B (zh) | 车损检测方法、装置及设备 | |
CN109215119B (zh) | 受损车辆的三维模型建立方法及装置 | |
CN111160275B (zh) | 行人重识别模型训练方法、装置、计算机设备和存储介质 | |
DE112019000093T5 (de) | Diskriminierungsvorrichtung und Maschinenlernverfahren | |
CN110543823B (zh) | 基于残差网络的行人再识别方法、装置和计算机设备 | |
CN113516661A (zh) | 基于特征融合的缺陷检测方法及装置 | |
CN110728215A (zh) | 基于红外图像的人脸活体检测方法、装置 | |
US11120308B2 (en) | Vehicle damage detection method based on image analysis, electronic device and storage medium | |
CN108399609B (zh) | 一种三维点云数据的修补方法、装置和机器人 | |
CN113706513A (zh) | 基于图像检测的车损图像的分析方法、装置、设备及介质 | |
CN113505781A (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
CN115830399A (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
CN113570003A (zh) | 基于注意力机制的特征融合缺陷检测方法及装置 | |
CN111401438B (zh) | 图像分拣方法、装置及*** | |
CN113627252A (zh) | 一种车辆定损方法、装置、存储介质及电子设备 | |
CN109978986B (zh) | 一种三维模型的重建方法、装置、存储介质及终端设备 |
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 |