CN114842205B - 车损检测方法、装置、设备及存储介质 - Google Patents

车损检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114842205B
CN114842205B CN202210602497.9A CN202210602497A CN114842205B CN 114842205 B CN114842205 B CN 114842205B CN 202210602497 A CN202210602497 A CN 202210602497A CN 114842205 B CN114842205 B CN 114842205B
Authority
CN
China
Prior art keywords
damage
image
information
processed
images
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.)
Active
Application number
CN202210602497.9A
Other languages
English (en)
Other versions
CN114842205A (zh
Inventor
康甲
刘莉红
刘玉宇
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210602497.9A priority Critical patent/CN114842205B/zh
Publication of CN114842205A publication Critical patent/CN114842205A/zh
Application granted granted Critical
Publication of CN114842205B publication Critical patent/CN114842205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能，提供一种车损检测方法、装置、设备及存储介质。该方法基于基础损伤检测模型对待处理图像进行检测，得到第一损伤信息，基于部件分割模型对待处理图像进行分割处理，得到初始部件图像及部件位置信息，根据初始部件图像、部件位置信息及第一损伤信息识别待处理图像中是否存在跨部件损伤，若存在，基于第一损伤信息从初始部件图像中筛选出目标部件图像，将目标部件图像输入至跨部件损伤检测模型中，得到第二损伤信息，根据第二损伤信息及第一损伤信息能够准确的生成车损检测结果。此外，本发明还涉及区块链技术，所述车损检测结果可存储于区块链中。

Description

车损检测方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种车损检测方法、装置、设备及存储介质。
背景技术
随着互联网的发展，基于深度学习方法实现车辆损伤检测开始逐渐代替人工操作。然而，在目前的车辆损伤检测方案中，仍然无法准确的检测出跨部件损伤类型的损伤情况，导致车损检测精度低下。
发明内容
鉴于以上内容，有必要提供一种车损检测方法、装置、设备及存储介质，能够准确的检测出跨部件损伤类型的损伤情况，提高了车损检测精度。
一方面，本发明提出一种车损检测方法，所述车损检测方法包括：
当接收到车损检测请求时，根据所述车损检测请求获取待处理图像；
基于预先训练好的基础损伤检测模型对所述待处理图像进行检测，得到第一损伤信息；
基于预先训练好的部件分割模型对所述待处理图像进行分割处理，得到多个初始部件图像及每个初始部件图像中待检测部件在所述待处理图像上的部件位置信息；
根据所述多个初始部件图像、所述部件位置信息及所述第一损伤信息识别所述待处理图像中是否存在跨部件损伤；
若所述待处理图像中存在跨部件损伤，则基于所述第一损伤信息从所述多个初始部件图像中筛选出目标部件图像；
将所述目标部件图像输入至预先训练好的跨部件损伤检测模型中，得到所述目标部件图像的第二损伤信息；
根据所述第二损伤信息及所述第一损伤信息生成所述待处理图像的车损检测结果。
根据本发明优选实施例，所述第一损伤信息包括损伤部件检测框、损伤位置信息及损伤类型，所述基础损伤检测模型包括特征提取网络层、候选框检测网络层及输出网络层，所述基于预先训练好的基础损伤检测模型对所述待处理图像进行检测，得到第一损伤信息包括：
基于所述特征提取网络层中的卷积层提取所述待处理图像的图像特征；
基于所述候选框检测网络层对所述图像特征进行检测，得到所述损伤部件检测框；
获取所述输出网络层的位置识别层及逻辑回归层；
基于所述位置识别层对所述图像候选框进行位置识别，得到所述损伤位置信息；
基于所述逻辑回归层对所述图像特征进行回归处理，得到所述损伤类型。
根据本发明优选实施例，所述根据所述多个初始部件图像、所述部件位置信息及所述第一损伤信息识别所述待处理图像中是否存在跨部件损伤包括：
基于所述损伤位置信息及所述部件位置信息筛选出与所述损伤部件检测框存在重叠的初始部件图像作为待检测部件图像；
统计所述待检测部件图像的图像数量；
若所述图像数量大于或者等于预设数量，则基于所述部件位置信息检测多个所述待检测部件图像在所述待处理图像中是否连接；
若所述多个待检测部件图像在所述待处理图像中连接，则确定所述待处理图像中存在跨部件损伤。
根据本发明优选实施例，所述多个初始部件图像中包括所述多个待检测部件图像，所述基于所述第一损伤信息从所述多个初始部件图像中筛选出目标部件图像包括：
基于所述损伤位置信息及所述部件位置信息识别出每个待检测部件图像与所述损伤部件检测框的重叠区域；
从所述第一损伤信息中提取每个待检测部件图像的损伤类型，并识别每个待检测部件图像的损伤类型所对应的损伤等级；
计算所述重叠区域在该损伤部件检测框上的面积占比；
若所述损伤部件检测框中多个所述损伤等级相同，则将每个损伤部件检测框中所述面积占比最小的重叠区域所对应的待检测部件图像确定为所述目标部件图像。
根据本发明优选实施例，所述方法还包括：
若所述损伤部件检测框中存在所述多个损伤等级不同，则获取每个损伤等级的等级分值；
基于所述等级分值及所述面积占比计算所述重叠区域在该损伤部件检测框上的损伤分值；
将每个损伤部件检测框中所述损伤分值最小的重叠区域所对应的待检测部件图像确定为所述目标部件图像。
根据本发明优选实施例，在基于预先训练好的部件分割模型对所述待处理图像进行分割处理之前，所述方法还包括：
获取多张车辆训练图像，每张车辆训练图像包括多个车辆部件；
基于任一车辆部件对每张车辆训练图像进行掩码处理，得到每张车辆训练图像的多张掩码图像；
基于预设网络对每张车辆训练图像进行语义分割处理，得到每张车辆训练图像的多张预测分割图像；
统计每张预测分割图像中第一像素点的数量作为第一数量，并统计每张掩码图像中第二像素点的数量作为第二数量；
计算每个第一数量与每个第二数量的差值绝对值作为预测差值；
计算所述预测差值的平均值，得到所述预设网络的分割损伤值；
基于所述分割损伤值调整所述预设网络中的网络参数，得到所述部件分割模型。
根据本发明优选实施例，所述根据所述第二损伤信息及所述第一损伤信息生成所述待处理图像的车损检测结果包括：
将除所述目标部件图像外的其余待检测部件图像确定为已处理部件图像；
从所述第一损伤信息中提取所述已处理部件图像的第一损伤位置信息及第一损伤类型，并从所述第一损伤信息中提取所述目标部件图像的第二损伤位置信息及第二损伤类型；
根据所述第二损伤位置信息及所述第二损伤类型识别所述基础损伤检测模型对所述目标部件图像的第一预测损伤程度，并根据所述第二损伤信息识别所述跨部件损伤检测模型对所述目标部件图像的第二预测损伤程度；
根据所述第一预测损伤程度及所述第二预测损伤程度从所述第二损伤位置信息、所述第二损伤类型及所述第二损伤信息中筛选出所述目标部件图像的目标损伤位置信息及目标损伤类型；
根据所述已处理部件图像所对应的待检测部件的部件名称、所述第一损伤位置信息与所述第一损伤类型的映射关系，以及所述目标部件图像所对应的待检测部件的部件名称、所述目标损伤位置信息与所述目标损伤类型的映射关系生成所述车损检测结果。
另一方面，本发明还提出一种车损检测装置，所述车损检测装置包括：
获取单元，用于当接收到车损检测请求时，根据所述车损检测请求获取待处理图像；
检测单元，用于基于预先训练好的基础损伤检测模型对所述待处理图像进行检测，得到第一损伤信息；
分割单元，用于基于预先训练好的部件分割模型对所述待处理图像进行分割处理，得到多个初始部件图像及每个初始部件图像中待检测部件在所述待处理图像上的部件位置信息；
识别单元，用于根据所述多个初始部件图像、所述部件位置信息及所述第一损伤信息识别所述待处理图像中是否存在跨部件损伤；
筛选单元，用于若所述待处理图像中存在跨部件损伤，则基于所述第一损伤信息从所述多个初始部件图像中筛选出目标部件图像；
输入单元，用于将所述目标部件图像输入至预先训练好的跨部件损伤检测模型中，得到所述目标部件图像的第二损伤信息；
生成单元，用于根据所述第二损伤信息及所述第一损伤信息生成所述待处理图像的车损检测结果。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述车损检测方法。
另一方面，本发明还提出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计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述车损检测方法。
由以上技术方案可以看出，本申请结合所述多个初始部件图像、所述部件位置信息及所述第一损伤信息，能够准确的识别出所述待处理图像中是否存在跨部件损伤，进而在所述待处理图像中存在跨部件损伤时，通过从所述多个初始部件图像中筛选出目标部件图像，避免因拍摄角度等原因的干扰而造成所述目标部件图像的损伤面积占比或者损伤分值过小，从而造成所述基础损伤检测模型无法对所述目标部件图像进行准确的检测，因此，利用所述跨部件损伤检测模型对所述目标部件图像进行进一步地检测，能够结合所述基础损伤检测模型及所述跨部件损伤检测模型准确的生成所述目标部件图像的目标损伤位置信息及目标损伤类型，提高了所述车损检测结果的准确性。
附图说明
图1是本发明车损检测方法的较佳实施例的流程图。
图2是本发明车损检测装置的较佳实施例的功能模块图。
图3是本发明实现车损检测方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明车损检测方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述车损检测方法可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述车损检测方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所在的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，当接收到车损检测请求时，根据所述车损检测请求获取待处理图像。
在本发明的至少一个实施例中，所述车损检测请求可以是车险代理人触发生成的请求，所述车损检测请求也可以是报销用户在车险报销***中上传所述待处理图像时触发生成的请求。
所述待处理图像是指需要进行车损检测的图像。
在本发明的至少一个实施例中，所述电子设备根据所述车损检测请求获取待处理图像包括：
解析所述车损检测请求的请求报文，得到所述请求报文携带的数据信息；
从所述数据信息中提取所述车损检测请求的生成地址及图像标识；
从所述生成地址的配置库中获取与所述图像标识对应的图像作为所述待处理图像。
其中，所述生成地址是指触发所述车损检测请求生成的***所对应的地址信息。
通过结合所述生成地址及所述图像标识，能够准确的获取到所述待处理图像。
S11，基于预先训练好的基础损伤检测模型对所述待处理图像进行检测，得到第一损伤信息。
在本发明的至少一个实施例中，所述基础损伤检测模型包括特征提取网络层、候选框检测网络层及输出网络层。
所述第一损伤信息包括损伤部件检测框、损伤位置信息及损伤类型。其中，所述损伤部件检测框是指所述待处理图像中具有损伤信息的候选框。所述损伤位置信息包括所述损伤部件检测框中左上角的坐标值、所述损伤部件检测框的长度及宽度。所述损伤类型包括，但不限于：划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失等。
在本发明的至少一个实施例中，所述电子设备基于预先训练好的基础损伤检测模型对所述待处理图像进行检测，得到第一损伤信息包括：
基于所述特征提取网络层中的卷积层提取所述待处理图像的图像特征；
基于所述候选框检测网络层对所述图像特征进行检测，得到所述损伤部件检测框；
获取所述输出网络层的位置识别层及逻辑回归层；
基于所述位置识别层对所述图像候选框进行位置识别，得到所述损伤位置信息；
基于所述逻辑回归层对所述图像特征进行回归处理，得到所述损伤类型。
其中，所述图像特征是指所述待处理图像中的特征信息。
通过上述实施方式，能够快速从所述待处理图像中提取到所述第一损伤信息。
具体地，所述电子设备基于所述候选框检测网络层对所述图像特征进行检测，得到所述损伤部件检测框包括：
所述电子设备识别出所述图像特征在所述待处理图像中的边界框，并对所述边界框进行变换处理，直至变换处理后的边界框中包含有所述待处理图像中的全部损伤特征，并将所述变换处理后的边界框确定为所述损伤部件检测框。
通过上述实施方式，能够确保所述损伤部件检测框中包含有所述待处理图像中的全部损伤特征，从而能够避免无法准确的确定出车损检测结果。
具体地，所述电子设备基于所述逻辑回归层对所述图像特征进行回归处理，得到所述损伤类型包括：
获取所述图像特征的像素信息；
从所述逻辑回归层中获取多个预设类别的类别像素值；
将所述像素信息与多个所述类别像素值进行匹配处理，并将与所述像素信息匹配成功的类别像素值所对应的预设类别确定为所述损伤类型。
其中，所述多个预设类别包括，但不限于：划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失等。
通过所述像素信息与多个所述类别像素值进行匹配，能够从基础信息上进行匹配，避免出现干扰信息，从而提高了所述损伤类型的确定准确性。
S12，基于预先训练好的部件分割模型对所述待处理图像进行分割处理，得到多个初始部件图像及每个初始部件图像中待检测部件在所述待处理图像上的部件位置信息。
在本发明的至少一个实施例中，所述部件分割模型是基于预设网络训练得到的。其中，所述预设网络通常是指DeepLab系列的分割网络。
每个初始部件图像中携带着对应的待检测部件。所述部件位置信息包括所述待检测部件在所述待处理图像上的坐标信息。
在本发明的至少一个实施例中，在基于预先训练好的部件分割模型对所述待处理图像进行分割处理之前，所述方法还包括：
获取多张车辆训练图像，每张车辆训练图像包括多个车辆部件；
基于任一车辆部件对每张车辆训练图像进行掩码处理，得到每张车辆训练图像的多张掩码图像；
基于预设网络对每张车辆训练图像进行语义分割处理，得到每张车辆训练图像的多张预测分割图像；
统计每张预测分割图像中第一像素点的数量作为第一数量，并统计每张掩码图像中第二像素点的数量作为第二数量；
计算每个第一数量与每个第二数量的差值绝对值作为预测差值；
计算所述预测差值的平均值，得到所述预设网络的分割损伤值；
基于所述分割损伤值调整所述预设网络中的网络参数，得到所述部件分割模型。
其中，所述第一像素点是指所述预测分割图像中的所有像素点。
所述第二像素点是指所述掩码图像中像素值不为预设值的像素点。所述预设值可以是0，所述预设值也可以是1。
通过每张预测分割图像中第一像素点的数量及每张掩码图像中第二像素点的数量，能够准确的确定出所述分割损伤值，进而通过分割损伤值能够准确的调整出所述部件分割模型。
S13，根据所述多个初始部件图像、所述部件位置信息及所述第一损伤信息识别所述待处理图像中是否存在跨部件损伤。
在本发明的至少一个实施例中，所述待处理图像中存在跨部件损伤是指在同一个损伤部件检测框中存在多个不同部件的损伤，并且，所述多个不同部件是相互连接的。
在本发明的至少一个实施例中，所述电子设备根据所述多个初始部件图像、所述部件位置信息及所述第一损伤信息识别所述待处理图像中是否存在跨部件损伤包括：
基于所述损伤位置信息及所述部件位置信息筛选出与所述损伤部件检测框存在重叠的初始部件图像作为待检测部件图像；
统计所述待检测部件图像的图像数量；
若所述图像数量大于或者等于预设数量，则基于所述部件位置信息检测多个所述待检测部件图像在所述待处理图像中是否连接；
若所述多个待检测部件图像在所述待处理图像中连接，则确定所述待处理图像中存在跨部件损伤。
其中，所述预设数量通常设定为2。
通过结合所述损伤位置信息及所述部件位置信息，能够准确的筛选出所述待检测部件图像，进而在所述待检测部件图像的图像数量有多个时，通过检测所述多个待检测部件图像在所述待处理图像中连接，能够准确的确定出所述待处理图像中是否存在跨部件损伤。
在其他实施例中，若所述图像数量小于所述预设数量，或者所述多个待检测部件图像在所述待处理图像中不连接，则确定所述待处理图像中不存在跨部件损伤。
在其他实施例中，若所述待处理图像中不存在跨部件损伤，则将所述第一损伤信息确定为所述待处理图像的车损检测结果。
由于所述基础损伤检测模型能够准确的确定出非跨部件损伤类型的损伤情况，因此，通过上述实施方式，能够提高所述车损检测结果的确定效率。
S14，若所述待处理图像中存在跨部件损伤，则基于所述第一损伤信息从所述多个初始部件图像中筛选出目标部件图像。
在本发明的至少一个实施例中，所述目标部件图像是指损伤面积占比或者损伤分值过小的初始部件图像。
在本发明的至少一个实施例中，所述多个初始部件图像中包括所述多个待检测部件图像，所述电子设备基于所述第一损伤信息从所述多个初始部件图像中筛选出目标部件图像包括：
基于所述损伤位置信息及所述部件位置信息识别出每个待检测部件图像与所述损伤部件检测框的重叠区域；
从所述第一损伤信息中提取每个待检测部件图像的损伤类型，并识别每个待检测部件图像的损伤类型所对应的损伤等级；
计算所述重叠区域在该损伤部件检测框上的面积占比；
若所述损伤部件检测框中多个所述损伤等级相同，则将每个损伤部件检测框中所述面积占比最小的重叠区域所对应的待检测部件图像确定为所述目标部件图像。
其中，所述损伤等级与每个待检测部件图像的损伤类型相对应，例如，若每个待检测部件图像的损伤类型为划痕、刮擦，则对应的损伤等级为低；若每个待检测部件图像的损伤类型为凹陷，则对应的损伤等级为中；若每个待检测部件图像的损伤类型为褶皱、死折、撕裂、缺失，则对应的损伤等级为高。
通过上述实施方式，能够在所述损伤部件检测框中的所述多个损伤等级相同时，由于面积占比小的损伤容易被误检，因此选取出面积占比最小的重叠区域所对应的待检测部件图像作为所述目标部件图像，能够在后续对所述目标部件图像进一步进行车损检测，以提高所述目标部件图像的检测准确性。
在其他实施例中，若所述损伤部件检测框中存在所述多个损伤等级不同，则获取每个损伤等级的等级分值；
基于所述等级分值及所述面积占比计算所述重叠区域在该损伤部件检测框上的损伤分值；
将每个损伤部件检测框中所述损伤分值最小的重叠区域所对应的待检测部件图像确定为所述目标部件图像。
通过上述实施方式，能够在所述损伤部件检测框中存在所述多个损伤等级不同，通过结合损伤等级及面积占比选取所述目标部件图像，提高所述目标部件图像的选取合理性。
S15，将所述目标部件图像输入至预先训练好的跨部件损伤检测模型中，得到所述目标部件图像的第二损伤信息。
在本发明的至少一个实施例中，所述跨部件损伤检测模型的模型结构与所述基础损伤检测模型的模型结构相同，本申请对此不再赘述。
在本发明的至少一个实施例中，所述第二损伤信息包括所述跨部件损伤检测模型对所述目标部件图像的预测损伤位置信息及预测损伤类型。
S16，根据所述第二损伤信息及所述第一损伤信息生成所述待处理图像的车损检测结果。
需要强调的是，为进一步保证上述车损检测结果的私密和安全性，上述车损检测结果还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述电子设备根据所述第二损伤信息及所述第一损伤信息生成所述待处理图像的车损检测结果包括：
将除所述目标部件图像外的其余待检测部件图像确定为已处理部件图像；
从所述第一损伤信息中提取所述已处理部件图像的第一损伤位置信息及第一损伤类型，并从所述第一损伤信息中提取所述目标部件图像的第二损伤位置信息及第二损伤类型；
根据所述第二损伤位置信息及所述第二损伤类型识别所述基础损伤检测模型对所述目标部件图像的第一预测损伤程度，并根据所述第二损伤信息识别所述跨部件损伤检测模型对所述目标部件图像的第二预测损伤程度；
根据所述第一预测损伤程度及所述第二预测损伤程度从所述第二损伤位置信息、所述第二损伤类型及所述第二损伤信息中筛选出所述目标部件图像的目标损伤位置信息及目标损伤类型；
根据所述已处理部件图像所对应的待检测部件的部件名称、所述第一损伤位置信息与所述第一损伤类型的映射关系，以及所述目标部件图像所对应的待检测部件的部件名称、所述目标损伤位置信息与所述目标损伤类型的映射关系生成所述车损检测结果。
其中，所述第一预测损伤程度是根据所述目标部件图像的损伤面积及所述第二损伤类型所对应的损伤等级确定的，所述目标部件图像的损伤面积越大，所述第一预测损伤程度越大，所述第二损伤类型所对应的损伤等级越高，所述第一预测损伤程度越大，反之亦然。
所述第二预测损伤程度的确定方式与所述第一预测损伤程度的确定方式相似，本申请对此不再赘述。
通过结合所述基础损伤检测模型及所述跨部件损伤检测模型准确的生成所述目标部件图像的目标损伤位置信息及目标损伤类型，提高了所述车损检测结果的准确性。
具体地，所述电子设备根据所述第一预测损伤程度及所述第二预测损伤程度从所述第二损伤位置信息、所述第二损伤类型及所述第二损伤信息中筛选出所述目标部件图像的目标损伤位置信息及目标损伤类型包括：
比较所述第一预测损伤程度与所述第二预测损伤程度；
若所述第一预测损伤程度小于所述第二预测损伤程度，则将所述第二损伤位置信息确定为所述目标损伤位置信息，并将所述第二损伤类型确定为所述目标损伤类型；或者
若所述第一预测损伤程度大于或者等于所述第二预测损伤程度，则将所述第二损伤信息中的预测损伤位置信息为所述目标损伤位置信息，并将所述第二损伤信息中的预测损伤类型确定为所述目标损伤类型。
通过将损伤程度较低所对应的信息确定为目标损伤位置信息及目标损伤类型，能够降低误检率。
由以上技术方案可以看出，本申请结合所述多个初始部件图像、所述部件位置信息及所述第一损伤信息，能够准确的识别出所述待处理图像中是否存在跨部件损伤，进而在所述待处理图像中存在跨部件损伤时，通过从所述多个初始部件图像中筛选出目标部件图像，避免因拍摄角度等原因的干扰而造成所述目标部件图像的损伤面积占比或者损伤分值过小，从而造成所述基础损伤检测模型无法对所述目标部件图像进行准确的检测，因此，利用所述跨部件损伤检测模型对所述目标部件图像进行进一步地检测，能够结合所述基础损伤检测模型及所述跨部件损伤检测模型准确的生成所述目标部件图像的目标损伤位置信息及目标损伤类型，提高了所述车损检测结果的准确性。
如图2所示，是本发明车损检测装置的较佳实施例的功能模块图。所述车损检测装置11包括获取单元110、检测单元111、分割单元112、识别单元113、筛选单元114、输入单元115、生成单元116、掩码单元117、计算单元118、调整单元119及确定单元120。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到车损检测请求时，获取单元110根据所述车损检测请求获取待处理图像。
在本发明的至少一个实施例中，所述车损检测请求可以是车险代理人触发生成的请求，所述车损检测请求也可以是报销用户在车险报销***中上传所述待处理图像时触发生成的请求。
所述待处理图像是指需要进行车损检测的图像。
在本发明的至少一个实施例中，所述获取单元110根据所述车损检测请求获取待处理图像包括：
解析所述车损检测请求的请求报文，得到所述请求报文携带的数据信息；
从所述数据信息中提取所述车损检测请求的生成地址及图像标识；
从所述生成地址的配置库中获取与所述图像标识对应的图像作为所述待处理图像。
其中，所述生成地址是指触发所述车损检测请求生成的***所对应的地址信息。
通过结合所述生成地址及所述图像标识，能够准确的获取到所述待处理图像。
检测单元111基于预先训练好的基础损伤检测模型对所述待处理图像进行检测，得到第一损伤信息。
在本发明的至少一个实施例中，所述基础损伤检测模型包括特征提取网络层、候选框检测网络层及输出网络层。
所述第一损伤信息包括损伤部件检测框、损伤位置信息及损伤类型。其中，所述损伤部件检测框是指所述待处理图像中具有损伤信息的候选框。所述损伤位置信息包括所述损伤部件检测框中左上角的坐标值、所述损伤部件检测框的长度及宽度。所述损伤类型包括，但不限于：划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失等。
在本发明的至少一个实施例中，所述检测单元111基于预先训练好的基础损伤检测模型对所述待处理图像进行检测，得到第一损伤信息包括：
基于所述特征提取网络层中的卷积层提取所述待处理图像的图像特征；
基于所述候选框检测网络层对所述图像特征进行检测，得到所述损伤部件检测框；
获取所述输出网络层的位置识别层及逻辑回归层；
基于所述位置识别层对所述图像候选框进行位置识别，得到所述损伤位置信息；
基于所述逻辑回归层对所述图像特征进行回归处理，得到所述损伤类型。
其中，所述图像特征是指所述待处理图像中的特征信息。
通过上述实施方式，能够快速从所述待处理图像中提取到所述第一损伤信息。
具体地，所述检测单元111基于所述候选框检测网络层对所述图像特征进行检测，得到所述损伤部件检测框包括：
所述电子设备识别出所述图像特征在所述待处理图像中的边界框，并对所述边界框进行变换处理，直至变换处理后的边界框中包含有所述待处理图像中的全部损伤特征，并将所述变换处理后的边界框确定为所述损伤部件检测框。
通过上述实施方式，能够确保所述损伤部件检测框中包含有所述待处理图像中的全部损伤特征，从而能够避免无法准确的确定出车损检测结果。
具体地，所述检测单元111基于所述逻辑回归层对所述图像特征进行回归处理，得到所述损伤类型包括：
获取所述图像特征的像素信息；
从所述逻辑回归层中获取多个预设类别的类别像素值；
将所述像素信息与多个所述类别像素值进行匹配处理，并将与所述像素信息匹配成功的类别像素值所对应的预设类别确定为所述损伤类型。
其中，所述多个预设类别包括，但不限于：划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失等。
通过所述像素信息与多个所述类别像素值进行匹配，能够从基础信息上进行匹配，避免出现干扰信息，从而提高了所述损伤类型的确定准确性。
分割单元112基于预先训练好的部件分割模型对所述待处理图像进行分割处理，得到多个初始部件图像及每个初始部件图像中待检测部件在所述待处理图像上的部件位置信息。
在本发明的至少一个实施例中，所述部件分割模型是基于预设网络训练得到的。其中，所述预设网络通常是指DeepLab系列的分割网络。
每个初始部件图像中携带着对应的待检测部件。所述部件位置信息包括所述待检测部件在所述待处理图像上的坐标信息。
在本发明的至少一个实施例中，在基于预先训练好的部件分割模型对所述待处理图像进行分割处理之前，所述获取单元110获取多张车辆训练图像，每张车辆训练图像包括多个车辆部件；
掩码单元117基于任一车辆部件对每张车辆训练图像进行掩码处理，得到每张车辆训练图像的多张掩码图像；
所述分割单元112基于预设网络对每张车辆训练图像进行语义分割处理，得到每张车辆训练图像的多张预测分割图像；
计算单元118统计每张预测分割图像中第一像素点的数量作为第一数量，并统计每张掩码图像中第二像素点的数量作为第二数量；
所述计算单元118计算每个第一数量与每个第二数量的差值绝对值作为预测差值；
所述计算单元118计算所述预测差值的平均值，得到所述预设网络的分割损伤值；
调整单元119基于所述分割损伤值调整所述预设网络中的网络参数，得到所述部件分割模型。
其中，所述第一像素点是指所述预测分割图像中的所有像素点。
所述第二像素点是指所述掩码图像中像素值不为预设值的像素点。所述预设值可以是0，所述预设值也可以是1。
通过每张预测分割图像中第一像素点的数量及每张掩码图像中第二像素点的数量，能够准确的确定出所述分割损伤值，进而通过分割损伤值能够准确的调整出所述部件分割模型。
识别单元113根据所述多个初始部件图像、所述部件位置信息及所述第一损伤信息识别所述待处理图像中是否存在跨部件损伤。
在本发明的至少一个实施例中，所述待处理图像中存在跨部件损伤是指在同一个损伤部件检测框中存在多个不同部件的损伤，并且，所述多个不同部件是相互连接的。
在本发明的至少一个实施例中，所述识别单元113根据所述多个初始部件图像、所述部件位置信息及所述第一损伤信息识别所述待处理图像中是否存在跨部件损伤包括：
基于所述损伤位置信息及所述部件位置信息筛选出与所述损伤部件检测框存在重叠的初始部件图像作为待检测部件图像；
统计所述待检测部件图像的图像数量；
若所述图像数量大于或者等于预设数量，则基于所述部件位置信息检测多个所述待检测部件图像在所述待处理图像中是否连接；
若所述多个待检测部件图像在所述待处理图像中连接，则确定所述待处理图像中存在跨部件损伤。
其中，所述预设数量通常设定为2。
通过结合所述损伤位置信息及所述部件位置信息，能够准确的筛选出所述待检测部件图像，进而在所述待检测部件图像的图像数量有多个时，通过检测所述多个待检测部件图像在所述待处理图像中连接，能够准确的确定出所述待处理图像中是否存在跨部件损伤。
在其他实施例中，若所述图像数量小于所述预设数量，或者所述多个待检测部件图像在所述待处理图像中不连接，则确定所述待处理图像中不存在跨部件损伤。
在其他实施例中，若所述待处理图像中不存在跨部件损伤，则将所述第一损伤信息确定为所述待处理图像的车损检测结果。
由于所述基础损伤检测模型能够准确的确定出非跨部件损伤类型的损伤情况，因此，通过上述实施方式，能够提高所述车损检测结果的确定效率。
若所述待处理图像中存在跨部件损伤，则筛选单元114基于所述第一损伤信息从所述多个初始部件图像中筛选出目标部件图像。
在本发明的至少一个实施例中，所述目标部件图像是指损伤面积占比或者损伤分值过小的初始部件图像。
在本发明的至少一个实施例中，所述多个初始部件图像中包括所述多个待检测部件图像，所述筛选单元114基于所述第一损伤信息从所述多个初始部件图像中筛选出目标部件图像包括：
基于所述损伤位置信息及所述部件位置信息识别出每个待检测部件图像与所述损伤部件检测框的重叠区域；
从所述第一损伤信息中提取每个待检测部件图像的损伤类型，并识别每个待检测部件图像的损伤类型所对应的损伤等级；
计算所述重叠区域在该损伤部件检测框上的面积占比；
若所述损伤部件检测框中多个所述损伤等级相同，则将每个损伤部件检测框中所述面积占比最小的重叠区域所对应的待检测部件图像确定为所述目标部件图像。
其中，所述损伤等级与每个待检测部件图像的损伤类型相对应，例如，若每个待检测部件图像的损伤类型为划痕、刮擦，则对应的损伤等级为低；若每个待检测部件图像的损伤类型为凹陷，则对应的损伤等级为中；若每个待检测部件图像的损伤类型为褶皱、死折、撕裂、缺失，则对应的损伤等级为高。
通过上述实施方式，能够在所述损伤部件检测框中的所述多个损伤等级相同时，由于面积占比小的损伤容易被误检，因此选取出面积占比最小的重叠区域所对应的待检测部件图像作为所述目标部件图像，能够在后续对所述目标部件图像进一步进行车损检测，以提高所述目标部件图像的检测准确性。
在其他实施例中，若所述损伤部件检测框中存在所述多个损伤等级不同，则所述获取单元110获取每个损伤等级的等级分值；
所述计算单元118基于所述等级分值及所述面积占比计算所述重叠区域在该损伤部件检测框上的损伤分值；
确定单元120将每个损伤部件检测框中所述损伤分值最小的重叠区域所对应的待检测部件图像确定为所述目标部件图像。
通过上述实施方式，能够在所述损伤部件检测框中存在所述多个损伤等级不同，通过结合损伤等级及面积占比选取所述目标部件图像，提高所述目标部件图像的选取合理性。
输入单元115将所述目标部件图像输入至预先训练好的跨部件损伤检测模型中，得到所述目标部件图像的第二损伤信息。
在本发明的至少一个实施例中，所述跨部件损伤检测模型的模型结构与所述基础损伤检测模型的模型结构相同，本申请对此不再赘述。
在本发明的至少一个实施例中，所述第二损伤信息包括所述跨部件损伤检测模型对所述目标部件图像的预测损伤位置信息及预测损伤类型。
生成单元116根据所述第二损伤信息及所述第一损伤信息生成所述待处理图像的车损检测结果。
需要强调的是，为进一步保证上述车损检测结果的私密和安全性，上述车损检测结果还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述生成单元116根据所述第二损伤信息及所述第一损伤信息生成所述待处理图像的车损检测结果包括：
将除所述目标部件图像外的其余待检测部件图像确定为已处理部件图像；
从所述第一损伤信息中提取所述已处理部件图像的第一损伤位置信息及第一损伤类型，并从所述第一损伤信息中提取所述目标部件图像的第二损伤位置信息及第二损伤类型；
根据所述第二损伤位置信息及所述第二损伤类型识别所述基础损伤检测模型对所述目标部件图像的第一预测损伤程度，并根据所述第二损伤信息识别所述跨部件损伤检测模型对所述目标部件图像的第二预测损伤程度；
根据所述第一预测损伤程度及所述第二预测损伤程度从所述第二损伤位置信息、所述第二损伤类型及所述第二损伤信息中筛选出所述目标部件图像的目标损伤位置信息及目标损伤类型；
根据所述已处理部件图像所对应的待检测部件的部件名称、所述第一损伤位置信息与所述第一损伤类型的映射关系，以及所述目标部件图像所对应的待检测部件的部件名称、所述目标损伤位置信息与所述目标损伤类型的映射关系生成所述车损检测结果。
其中，所述第一预测损伤程度是根据所述目标部件图像的损伤面积及所述第二损伤类型所对应的损伤等级确定的，所述目标部件图像的损伤面积越大，所述第一预测损伤程度越大，所述第二损伤类型所对应的损伤等级越高，所述第一预测损伤程度越大，反之亦然。
所述第二预测损伤程度的确定方式与所述第一预测损伤程度的确定方式相似，本申请对此不再赘述。
通过结合所述基础损伤检测模型及所述跨部件损伤检测模型准确的生成所述目标部件图像的目标损伤位置信息及目标损伤类型，提高了所述车损检测结果的准确性。
具体地，所述生成单元116根据所述第一预测损伤程度及所述第二预测损伤程度从所述第二损伤位置信息、所述第二损伤类型及所述第二损伤信息中筛选出所述目标部件图像的目标损伤位置信息及目标损伤类型包括：
比较所述第一预测损伤程度与所述第二预测损伤程度；
若所述第一预测损伤程度小于所述第二预测损伤程度，则将所述第二损伤位置信息确定为所述目标损伤位置信息，并将所述第二损伤类型确定为所述目标损伤类型；或者
若所述第一预测损伤程度大于或者等于所述第二预测损伤程度，则将所述第二损伤信息中的预测损伤位置信息为所述目标损伤位置信息，并将所述第二损伤信息中的预测损伤类型确定为所述目标损伤类型。
通过将损伤程度较低所对应的信息确定为目标损伤位置信息及目标损伤类型，能够降低误检率。
由以上技术方案可以看出，本申请结合所述多个初始部件图像、所述部件位置信息及所述第一损伤信息，能够准确的识别出所述待处理图像中是否存在跨部件损伤，进而在所述待处理图像中存在跨部件损伤时，通过从所述多个初始部件图像中筛选出目标部件图像，避免因拍摄角度等原因的干扰而造成所述目标部件图像的损伤面积占比或者损伤分值过小，从而造成所述基础损伤检测模型无法对所述目标部件图像进行准确的检测，因此，利用所述跨部件损伤检测模型对所述目标部件图像进行进一步地检测，能够结合所述基础损伤检测模型及所述跨部件损伤检测模型准确的生成所述目标部件图像的目标损伤位置信息及目标损伤类型，提高了所述车损检测结果的准确性。
如图3所示，是本发明实现车损检测方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如车损检测程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作***以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、检测单元111、分割单元112、识别单元113、筛选单元114、输入单元115、生成单元116、掩码单元117、计算单元118、调整单元119及确定单元120。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
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。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令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)、随机存取存储器(RAM，Random Access Memory)。
本发明所指区块链是分布式车损检测、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种车损检测方法，所述处理器13可执行所述计算机可读指令从而实现：
当接收到车损检测请求时，根据所述车损检测请求获取待处理图像；
基于预先训练好的基础损伤检测模型对所述待处理图像进行检测，得到第一损伤信息；
基于预先训练好的部件分割模型对所述待处理图像进行分割处理，得到多个初始部件图像及每个初始部件图像中待检测部件在所述待处理图像上的部件位置信息；
根据所述多个初始部件图像、所述部件位置信息及所述第一损伤信息识别所述待处理图像中是否存在跨部件损伤；
若所述待处理图像中存在跨部件损伤，则基于所述第一损伤信息从所述多个初始部件图像中筛选出目标部件图像；
将所述目标部件图像输入至预先训练好的跨部件损伤检测模型中，得到所述目标部件图像的第二损伤信息；
根据所述第二损伤信息及所述第一损伤信息生成所述待处理图像的车损检测结果。
具体地，所述处理器13对上述计算机可读指令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。
在本发明所提供的几个实施例中，应该理解到，所揭露的***，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。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
当接收到车损检测请求时，根据所述车损检测请求获取待处理图像；
基于预先训练好的基础损伤检测模型对所述待处理图像进行检测，得到第一损伤信息；
基于预先训练好的部件分割模型对所述待处理图像进行分割处理，得到多个初始部件图像及每个初始部件图像中待检测部件在所述待处理图像上的部件位置信息；
根据所述多个初始部件图像、所述部件位置信息及所述第一损伤信息识别所述待处理图像中是否存在跨部件损伤；
若所述待处理图像中存在跨部件损伤，则基于所述第一损伤信息从所述多个初始部件图像中筛选出目标部件图像；
将所述目标部件图像输入至预先训练好的跨部件损伤检测模型中，得到所述目标部件图像的第二损伤信息；
根据所述第二损伤信息及所述第一损伤信息生成所述待处理图像的车损检测结果。
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。
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。所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。第一、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 (7)

1.一种车损检测方法，其特征在于，所述车损检测方法包括：
当接收到车损检测请求时，根据所述车损检测请求获取待处理图像；
基于预先训练好的基础损伤检测模型对所述待处理图像进行检测，得到第一损伤信息；
基于预先训练好的部件分割模型对所述待处理图像进行分割处理，得到多个初始部件图像及每个初始部件图像中待检测部件在所述待处理图像上的部件位置信息，所述多个初始部件图像中包括多个待检测部件图像；
根据所述多个初始部件图像、所述部件位置信息及所述第一损伤信息识别所述待处理图像中是否存在跨部件损伤，包括：基于所述第一损伤信息中的损伤位置信息及所述部件位置信息筛选出与所述第一损伤信息中的损伤部件检测框存在重叠的初始部件图像作为待检测部件图像；统计所述待检测部件图像的图像数量；若所述图像数量大于或者等于预设数量，则基于所述部件位置信息检测多个所述待检测部件图像在所述待处理图像中是否连接；若所述多个待检测部件图像在所述待处理图像中连接，则确定所述待处理图像中存在跨部件损伤，其中，所述图像数量大于或者等于所述预设数量表示所述待检测部件图像的图像数量有多个，所述待处理图像中存在跨部件损伤是指在同一个损伤部件检测框中存在多个不同部件的损伤，并且，所述多个不同部件是相互连接的；
若所述待处理图像中存在跨部件损伤，则基于所述第一损伤信息从所述多个初始部件图像中筛选出目标部件图像，包括：基于所述损伤位置信息及所述部件位置信息识别出每个待检测部件图像与所述损伤部件检测框的重叠区域；从所述第一损伤信息中提取每个待检测部件图像的损伤类型，并识别每个待检测部件图像的损伤类型所对应的损伤等级；计算所述重叠区域在该损伤部件检测框上的面积占比；若所述损伤部件检测框中多个所述损伤等级相同，则将每个损伤部件检测框中所述面积占比最小的重叠区域所对应的待检测部件图像确定为所述目标部件图像；若所述损伤部件检测框中存在所述多个损伤等级不同，则获取每个损伤等级的等级分值；基于所述等级分值及所述面积占比计算所述重叠区域在该损伤部件检测框上的损伤分值；将每个损伤部件检测框中所述损伤分值最小的重叠区域所对应的待检测部件图像确定为所述目标部件图像；
将所述目标部件图像输入至预先训练好的跨部件损伤检测模型中，得到所述目标部件图像的第二损伤信息；
根据所述第二损伤信息及所述第一损伤信息生成所述待处理图像的车损检测结果。
2.如权利要求1所述的车损检测方法，其特征在于，所述第一损伤信息包括损伤类型，所述基础损伤检测模型包括特征提取网络层、候选框检测网络层及输出网络层，所述基于预先训练好的基础损伤检测模型对所述待处理图像进行检测，得到第一损伤信息包括：
基于所述特征提取网络层中的卷积层提取所述待处理图像的图像特征；
基于所述候选框检测网络层对所述图像特征进行检测，得到所述损伤部件检测框；
获取所述输出网络层的位置识别层及逻辑回归层；
基于所述位置识别层对所述图像候选框进行位置识别，得到所述损伤位置信息；
基于所述逻辑回归层对所述图像特征进行回归处理，得到所述损伤类型。
3.如权利要求1所述的车损检测方法，其特征在于，在基于预先训练好的部件分割模型对所述待处理图像进行分割处理之前，所述方法还包括：
获取多张车辆训练图像，每张车辆训练图像包括多个车辆部件；
基于任一车辆部件对每张车辆训练图像进行掩码处理，得到每张车辆训练图像的多张掩码图像；
基于预设网络对每张车辆训练图像进行语义分割处理，得到每张车辆训练图像的多张预测分割图像；
统计每张预测分割图像中第一像素点的数量作为第一数量，并统计每张掩码图像中第二像素点的数量作为第二数量；
计算每个第一数量与每个第二数量的差值绝对值作为预测差值；
计算所述预测差值的平均值，得到所述预设网络的分割损伤值；
基于所述分割损伤值调整所述预设网络中的网络参数，得到所述部件分割模型。
4.如权利要求1所述的车损检测方法，其特征在于，所述根据所述第二损伤信息及所述第一损伤信息生成所述待处理图像的车损检测结果包括：
将除所述目标部件图像外的其余待检测部件图像确定为已处理部件图像；
从所述第一损伤信息中提取所述已处理部件图像的第一损伤位置信息及第一损伤类型，并从所述第一损伤信息中提取所述目标部件图像的第二损伤位置信息及第二损伤类型；
根据所述第二损伤位置信息及所述第二损伤类型识别所述基础损伤检测模型对所述目标部件图像的第一预测损伤程度，并根据所述第二损伤信息识别所述跨部件损伤检测模型对所述目标部件图像的第二预测损伤程度；
根据所述第一预测损伤程度及所述第二预测损伤程度从所述第二损伤位置信息、所述第二损伤类型及所述第二损伤信息中筛选出所述目标部件图像的目标损伤位置信息及目标损伤类型；
根据所述已处理部件图像所对应的待检测部件的部件名称、所述第一损伤位置信息与所述第一损伤类型的映射关系，以及所述目标部件图像所对应的待检测部件的部件名称、所述目标损伤位置信息与所述目标损伤类型的映射关系生成所述车损检测结果。
5.一种车损检测装置，其特征在于，所述车损检测装置包括：
获取单元，用于当接收到车损检测请求时，根据所述车损检测请求获取待处理图像；
检测单元，用于基于预先训练好的基础损伤检测模型对所述待处理图像进行检测，得到第一损伤信息；
分割单元，用于基于预先训练好的部件分割模型对所述待处理图像进行分割处理，得到多个初始部件图像及每个初始部件图像中待检测部件在所述待处理图像上的部件位置信息，所述多个初始部件图像中包括多个待检测部件图像；
识别单元，用于根据所述多个初始部件图像、所述部件位置信息及所述第一损伤信息识别所述待处理图像中是否存在跨部件损伤，包括：基于所述第一损伤信息中的损伤位置信息及所述部件位置信息筛选出与所述第一损伤信息中的损伤部件检测框存在重叠的初始部件图像作为待检测部件图像；统计所述待检测部件图像的图像数量；若所述图像数量大于或者等于预设数量，则基于所述部件位置信息检测多个所述待检测部件图像在所述待处理图像中是否连接；若所述多个待检测部件图像在所述待处理图像中连接，则确定所述待处理图像中存在跨部件损伤，其中，所述图像数量大于或者等于所述预设数量表示所述待检测部件图像的图像数量有多个，所述待处理图像中存在跨部件损伤是指在同一个损伤部件检测框中存在多个不同部件的损伤，并且，所述多个不同部件是相互连接的；
筛选单元，用于若所述待处理图像中存在跨部件损伤，则基于所述第一损伤信息从所述多个初始部件图像中筛选出目标部件图像，包括：基于所述损伤位置信息及所述部件位置信息识别出每个待检测部件图像与所述损伤部件检测框的重叠区域；从所述第一损伤信息中提取每个待检测部件图像的损伤类型，并识别每个待检测部件图像的损伤类型所对应的损伤等级；计算所述重叠区域在该损伤部件检测框上的面积占比；若所述损伤部件检测框中多个所述损伤等级相同，则将每个损伤部件检测框中所述面积占比最小的重叠区域所对应的待检测部件图像确定为所述目标部件图像；若所述损伤部件检测框中存在所述多个损伤等级不同，则获取每个损伤等级的等级分值；基于所述等级分值及所述面积占比计算所述重叠区域在该损伤部件检测框上的损伤分值；将每个损伤部件检测框中所述损伤分值最小的重叠区域所对应的待检测部件图像确定为所述目标部件图像；
输入单元，用于将所述目标部件图像输入至预先训练好的跨部件损伤检测模型中，得到所述目标部件图像的第二损伤信息；
生成单元，用于根据所述第二损伤信息及所述第一损伤信息生成所述待处理图像的车损检测结果。
6. 一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至4中任意一项所述的车损检测方法。
7.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至4中任意一项所述的车损检测方法。
CN202210602497.9A 2022-05-30 2022-05-30 车损检测方法、装置、设备及存储介质 Active CN114842205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210602497.9A CN114842205B (zh) 2022-05-30 2022-05-30 车损检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210602497.9A CN114842205B (zh) 2022-05-30 2022-05-30 车损检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114842205A CN114842205A (zh) 2022-08-02
CN114842205B true CN114842205B (zh) 2024-05-07

Family

ID=82571448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210602497.9A Active CN114842205B (zh) 2022-05-30 2022-05-30 车损检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114842205B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018205467A1 (zh) * 2017-05-10 2018-11-15 平安科技（深圳）有限公司 车损部位的识别方法、***、电子装置及存储介质
CN112907576A (zh) * 2021-03-25 2021-06-04 平安科技（深圳）有限公司 车辆损伤等级检测方法、装置、计算机设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9152744B2 (en) * 2012-03-29 2015-10-06 Airbus Operations (S.A.S.) Methods, systems, and computer readable media for generating a non-destructive inspection model for a composite part from a design model of the composite part
US20210103817A1 (en) * 2016-02-01 2021-04-08 Mitchell International, Inc. Systems and methods for automatically determining adjacent panel dependencies during damage appraisal
CN108062712B (zh) * 2017-11-21 2020-11-06 创新先进技术有限公司 一种车险定损数据的处理方法、装置和处理设备
US11454595B2 (en) * 2019-12-06 2022-09-27 Saudi Arabian Oil Company Systems and methods for evaluating a structural health of composite components by correlating positions of displaced nanoparticles

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018205467A1 (zh) * 2017-05-10 2018-11-15 平安科技（深圳）有限公司 车损部位的识别方法、***、电子装置及存储介质
CN112907576A (zh) * 2021-03-25 2021-06-04 平安科技（深圳）有限公司 车辆损伤等级检测方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN114842205A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
US11348249B2 (en) Training method for image semantic segmentation model and server
CN112052787B (zh) 基于人工智能的目标检测方法、装置及电子设备
CN110705583B (zh) 细胞检测模型训练方法、装置、计算机设备及存储介质
CN113689436B (zh) 图像语义分割方法、装置、设备及存储介质
CN110582783B (zh) 训练装置、图像识别装置、训练方法和计算机可读信息存储介质
CN113449725B (zh) 对象分类方法、装置、设备及存储介质
CN114972771B (zh) 车辆定损理赔方法、装置、电子设备及存储介质
CN112232203B (zh) 行人识别方法、装置、电子设备及存储介质
TWI803243B (zh) 圖像擴增方法、電腦設備及儲存介質
CN111783812B (zh) 违禁图像识别方法、装置和计算机可读存储介质
JP2019220014A (ja) 画像解析装置、画像解析方法及びプログラム
CN114418398A (zh) 场景任务开发方法、装置、设备及存储介质
CN113705468A (zh) 基于人工智能的数字图像识别方法及相关设备
CN113627576A (zh) 扫码信息检测方法、装置、设备及存储介质
CN114898155B (zh) 车辆定损方法、装置、设备及存储介质
CN115037790B (zh) 异常注册识别方法、装置、设备及存储介质
CN114996109B (zh) 用户行为识别方法、装置、设备及存储介质
CN114842205B (zh) 车损检测方法、装置、设备及存储介质
CN116452802A (zh) 车损检测方法、装置、设备及存储介质
CN113420545B (zh) 摘要生成方法、装置、设备及存储介质
CN113486848B (zh) 文档表格识别方法、装置、设备及存储介质
CN114003784A (zh) 请求录制方法、装置、设备及存储介质
CN113221836B (zh) 眼底彩照分类方法、装置、设备及存储介质
CN113283421B (zh) 信息识别方法、装置、设备及存储介质
CN113421575B (zh) 声纹识别方法、装置、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