CN117671329B - 基于人工智能的车辆损伤分析方法、装置、设备及介质 - Google Patents
基于人工智能的车辆损伤分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117671329B CN117671329B CN202311516538.3A CN202311516538A CN117671329B CN 117671329 B CN117671329 B CN 117671329B CN 202311516538 A CN202311516538 A CN 202311516538A CN 117671329 B CN117671329 B CN 117671329B
- Authority
- CN
- China
- Prior art keywords
- damage
- data
- vehicle
- target
- model
- 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
Links
- 230000006378 damage Effects 0.000 title claims abstract description 323
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims description 75
- 230000011218 segmentation Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 17
- 208000027418 Wounds and injury Diseases 0.000 claims description 15
- 208000014674 injury Diseases 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 12
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 238000011835 investigation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V10/70—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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及金融科技技术领域，揭示了一种基于人工智能的车辆损伤分析方法、装置、设备及介质，其中方法包括：根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号；根据所述损伤细节图，确定损伤部件信息和损伤位置数据；根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据，并根据所述损伤部件信息，从所述目标型号对应的部件数据库中，确定部件标准数据；根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比。从而实现了基于深度和位姿计算部件损伤物理面积占比，提高了计算得到的部件损伤物理面积占比的准确性。
Description
技术领域
本发明涉及人工智能、图像处理、智能语音、金融科技技术领域，尤其涉及一种基于人工智能的车辆损伤分析方法、装置、设备及介质。
背景技术
当被保险的车辆发生交通事故时，保险公司会对现场进行查勘定损。车辆定损涉及到维修、制造和车主多方面的技术和利益，它是金融科技的整个车险服务中矛盾突出的部分。而如何有效地估算出损伤区域如擦伤、凹陷、深度凹陷、褶皱及保险杠缺失等的实际损伤在部件上的面积占比，对准确的进行车辆定损至关重要。目前通过基于车辆现场图像和车辆三维模型进行对比，以计算损伤面积，未考虑损伤所在的景深，导致计算的损伤面积的准确性不高，进而导致无法准确的计算出损伤面积占比。
发明内容
基于此，有必要针对现有技术的通过基于车辆现场图像和车辆三维模型进行对比，以计算损伤面积，未考虑损伤所在的景深，导致计算的损伤面积的准确性不高，进而导致无法准确的计算出损伤面积占比的技术问题，提出了一种基于人工智能的车辆损伤分析方法、装置、设备及介质。
第一方面，提供了一种基于人工智能的车辆损伤分析方法，所述方法包括：
获取目标车辆的目标车架号、车辆轮廓图及损伤细节图；
根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号；
根据所述损伤细节图，确定损伤部件信息和损伤位置数据；
根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据，并根据所述损伤部件信息，从所述目标型号对应的部件数据库中，确定部件标准数据；
根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比。
第二方面，提供了一种基于人工智能的车辆损伤分析装置，所述装置包括：
数据获取模块，用于获取目标车辆的目标车架号、车辆轮廓图及损伤细节图；
目标型号确定模块，用于根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号；
损伤分析模块，用于根据所述损伤细节图，确定损伤部件信息和损伤位置数据；
损失数据提取模块，用于根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据，并根据所述损伤部件信息，从所述目标型号对应的部件数据库中，确定部件标准数据；
部件损伤物理面积占比确定模块，用于根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比。
第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于人工智能的车辆损伤分析方法的步骤。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于人工智能的车辆损伤分析方法的步骤。
本发明的基于人工智能的车辆损伤分析方法、装置、设备及介质，其中方法根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号，根据所述损伤细节图，确定损伤部件信息和损伤位置数据，根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据，并根据所述损伤部件信息，从所述目标型号对应的部件数据库中，确定部件标准数据，根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比，从而实现了基于深度和位姿计算部件损伤物理面积占比，提高了计算得到的部件损伤物理面积占比的准确性；而且，只需要目标车辆的目标车架号、车辆轮廓图及损伤细节图，即可自动计算出部件损伤物理面积占比，不需要定损员去车损现场或修理厂进行实地查勘，提高了确定部件损伤物理面积占比的效率，减少了人工成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，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他的附图。
其中：
图1为一个实施例中基于人工智能的车辆损伤分析方法的应用环境图；
图2为一个实施例中基于人工智能的车辆损伤分析方法的流程图；
图3为一个实施例中基于人工智能的车辆损伤分析装置的结构框图；
图4为一个实施例中计算机设备的结构框图；
图5为一个实施例中计算机设备的另一种结构框图。
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作出创造性劳动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。
本发明实施例提供的基于人工智能的车辆损伤分析方法，可应用在如图1的应用环境中，其中，客户端110通过网络与服务端120进行通信。
可选的，服务端120可以通过客户端110获取目标车辆的目标车架号、车辆轮廓图及损伤细节图。服务端120，根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号，根据所述损伤细节图，确定损伤部件信息和损伤位置数据，根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据，并根据所述损伤部件信息，从所述目标型号对应的部件数据库中，确定部件标准数据，根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比。在本申请中，实现了基于深度和位姿计算部件损伤物理面积占比，提高了计算得到的部件损伤物理面积占比的准确性；而且，只需要目标车辆的目标车架号、车辆轮廓图及损伤细节图，即可自动计算出部件损伤物理面积占比，不需要定损员去车损现场或修理厂进行实地查勘，提高了确定部件损伤物理面积占比的效率，减少了人工成本。
可选的，客户端110可以获取目标车辆的目标车架号、车辆轮廓图及损伤细节图。客户端110，根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号，根据所述损伤细节图，确定损伤部件信息和损伤位置数据，根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据，并根据所述损伤部件信息，从所述目标型号对应的部件数据库中，确定部件标准数据，根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比。
在本申请应用于金融科技技术领域时，通过计算的部件损伤物理面积占比即可实现准确的进行车辆定损，提高了车险服务的客户满意度。
其中，客户端110可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。下面通过具体的实施例对本发明进行详细的描述。
请参阅图2所示，图2为本发明实施例提供的基于人工智能的车辆损伤分析方法的一个流程示意图，包括如下步骤：
S1：获取目标车辆的目标车架号、车辆轮廓图及损伤细节图；
具体而言，可以获取用户输入的目标车辆的目标车架号、车辆轮廓图及损伤细节图，也可以从预设存储空间获取目标车辆的目标车架号、车辆轮廓图及损伤细节图，还可以获取第三方应用发送的目标车辆的目标车架号、车辆轮廓图及损伤细节图。
目标车架号，是目标车辆的车架号。目标车架号可以是用户在客户端手动输入的，也可以是通过用户提供的用户标识从数据库中查询到的，还可以是基于用户上传的图像提取得到的。用户可以通过输入文本输入目标车架号，也可以通过输入语音输入目标车架号，其中，通过对用户输入的语音进行语音转换文本，即可得到目标车架号。车架号一般指车辆识别代号。
车辆轮廓图，是带有车辆完整轮廓的图像。可以理解的是，在本申请中，车辆轮廓图的数量为至少一张。
损伤细节图，是带有损伤所在部件的完整图像。也就是说，损伤细节图的拍摄对象是一个完整的部件，该部件是损伤所在的部件。损伤细节图带有损伤对应的图像区域。
车辆采用多个部件组成，比如，车辆的车身的部件包括:车身壳体、车门、车窗、车前钣金和车身附件、座椅等。
S2：根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号；
具体而言，通过所述目标车架号查表确定车辆型号，通过所述车辆轮廓图辅助确定该车辆型号是否正确，避免了在所述目标车架号对应的车辆型号与所述车辆轮廓图对应的车辆型号不匹配的情况下，将所述目标车架号对应的车辆型号作为目标型号，进而提高了确定的目标型号的准确性。
S3：根据所述损伤细节图，确定损伤部件信息和损伤位置数据；
具体而言，基于人工智能得到的模型，根据所述损伤细节图确定损伤所在部件的部件信息，并基于人工智能得到的模型，根据所述损伤细节图确定损伤在部件中的位置数据。
部件信息可以是部件名称、部件ID等唯一标识一个部件的数据。
S4：根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据，并根据所述损伤部件信息，从所述目标型号对应的部件数据库中，确定部件标准数据；
具体而言，基于与所述损伤部件信息对应的模型，从所述损伤细节图中提取出损伤所在部件的深度数据作为实际深度数据，并从所述损伤细节图中提取出损伤所在部件的位姿数据作为实际位姿数据；从所述目标型号对应的部件数据库中，提取出所述损伤部件信息对应的标准数据，作为部件标准数据。
部件标准数据包括但不限于：标准部件图像、部件尺寸、标准深度数据、标准位姿数据、标准部件总像素面积。标准部件图像，包含一个完整的部件的图像。标准深度数据，是拍摄标准部件图像时，拍摄设备与部件的距离。标准位姿数据，是拍摄标准部件图像时，部件的位姿。标准部件总像素面积，是标准部件图像中部件的总像素面积。
S5：根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比。
具体而言，根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算损伤总像素面积，将计算的损伤总像素面积除以所述部件标准数据中的部件标准像素面积，得到所述部件损伤物理面积占比。
可以理解的是，通过针对车辆的部件计算部件损伤物理面积占比，为针对部件的损伤进行定损提供了基础。
本实施例根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号，根据所述损伤细节图，确定损伤部件信息和损伤位置数据，根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据，并根据所述损伤部件信息，从所述目标型号对应的部件数据库中，确定部件标准数据，根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比，从而实现了基于深度和位姿计算部件损伤物理面积占比，提高了计算得到的部件损伤物理面积占比的准确性；而且，只需要目标车辆的目标车架号、车辆轮廓图及损伤细节图，即可自动计算出部件损伤物理面积占比，不需要定损员去车损现场或修理厂进行实地查勘，提高了确定部件损伤物理面积占比的效率，减少了人工成本。
在一个实施例中，所述根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比的步骤之后，包括：
S61：将各个所述损伤部件信息中的任一个所述损伤部件信息作为目标部件信息；
S62：根据所述目标型号、所述目标部件信息对应的所述损伤位置数据，从车辆理赔定损数据库中查找定损方案；
具体而言，将所述目标型号、所述目标部件信息对应的所述损伤位置数据输入预设的第一分类模型进行分类预测，得到第一预测向量，从第一预测向量中筛选出值为最大的向量元素，将筛选出的向量元素对应的方案作为目标部件信息对应的定损方案。
定损方案包括：方案标识、部件信息、维修方案等。维修方案包括：配件信息、维修费用映射数据。方案标识是方案名称、方案ID等唯一标识一个方案的数据。维修费用映射数据，用于描述物理面积占比与维修费用的对应关系。
第一分类模型，是基于神经网络训练得到的多分类的模型。
S63：根据各个所述损伤部件信息分别对应的所述定损方案及所述部件损伤物理面积占比，确定所述目标车辆的定损金额。
具体而言，根据所述损伤部件信息的所述部件损伤物理面积占比，从该所述损伤部件信息对应的维修费用映射数据中确定维修费用，作为单部件费用；将各个所述损伤部件信息分别对应的单部件费用进行相加，得到所述目标车辆的定损金额。
本实施例首先通过根据所述目标型号、所述目标部件信息对应的所述损伤位置数据，从车辆理赔定损数据库中查找定损方案，然后根据各个所述损伤部件信息分别对应的所述定损方案及所述部件损伤物理面积占比，确定所述目标车辆的定损金额，从而实现了准确的进行车辆定损；通过针对单个部件进行定损，有利于提高定损的精度，进而提高了定损金额的准确性。
在一个实施例中，所述根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号的步骤，包括：
S21：基于预训练的车辆分割模型，对所述车辆轮廓图进行车辆检测，得到车辆检测框，并根据所述车辆检测框，从所述车辆轮廓图提取车辆图像区域，得到目标车辆图像；
基于预训练的车辆分割模型，是基于yoloV7模型(目标检测模型)训练得到的模型。
具体而言，将所述车辆轮廓图输入预训练的车辆分割模型进行目标分割，从而得到车辆检测框。车辆检测框是车辆的最小外接矩形框。
从所述车辆轮廓图中提取车辆检测框内的所有像素点，从而提取出了车辆图像区域，将提取出的车辆图像区域作为目标车辆图像。
S22：根据所述目标车架号，从预设的映射表中查找车辆型号，得到待处理型号；
预设的映射表，是描述车架号和车辆型号的对应关系的表格。
具体而言，根据所述目标车架号，从预设的映射表的各个车架号中查找，将查找到的文本相同的车架号在映射表中对应的车辆型号，作为待处理型号。
S23：根据所述待处理型号，从车辆数据库中查找车辆三维模型，作为目标模型；
车辆数据库包括：车辆三维模型，其中，每个车辆三维模型携带有车辆型号。车辆三维模型，是车辆的三维模型。
S24：对所述目标模型和所述目标车辆图像进行是否属于同一车辆型号的判断，得到判断结果；
具体而言，将所述目标模型和所述目标车辆图像输入预设的第二分类模型进行是否属于同一车辆型号的预测，得到预测概率；若预测概率大于预设概率阈值，则确定所述判断结果为是；若预测概率小于或等于预设概率阈值，则确定所述判断结果为否。
第二分类模型，是基于神经网络训练得到的二分类的模型。
S25：若所述判断结果为是，则将所述待处理型号作为所述目标型号。
具体而言，若所述判断结果为是，也就是说，所述目标车辆图像对应的轮廓与所述目标模型在某个角度的轮廓相同，因此，将所述待处理型号作为所述目标型号。
可以理解的是，若所述判断结果为否，也就是说，所述目标车辆图像对应的轮廓与所述目标模型在某个角度的轮廓不相同，此时意味着目标车架号与车辆轮廓图不匹配，可能存在目标车架号输入错误，也可能是目标车辆存在改装，不能将所述待处理型号作为所述目标型号，生成报错信号，通过报错信号提醒用户目标车架号与所述车辆轮廓图不匹配。
可以理解的是，若所述车辆轮廓图为多张时，则在每张所述车辆轮廓图对应的所述判断结果均为是时，将所述待处理型号作为所述目标型号，在任一张所述车辆轮廓图对应的所述判断结果为否时，则生成报错信号。
本实施例在所述目标模型和所述目标车辆图像属于同一车辆型号时，才将所述待处理型号作为所述目标型号，提高了确定的目标型号的准确性，进一步提高了计算得到的部件损伤物理面积占比的准确性。
在一个实施例中，所述根据所述损伤细节图，确定损伤部件信息和损伤位置数据的步骤，包括：
S31：基于预训练的部件分割模型，对所述损伤细节图进行部件分割，得到部件检测框，并根据所述部件检测框，从所述损伤细节图中提取部件图像区域，得到目标部件图像；
预训练的部件分割模型，是预先基于yolo模型(目标检测模型)训练得到的模型。
具体而言，将所述损伤细节图输入预训练的部件分割模型进行部件分割(也就是目标检测)，得到部件检测框，其中，部件检测框是部件的最小外接矩形框。从所述损伤细节图中提取出部件检测框内的所有像素点，从而提取出了部件图像区域，将提取出的部件图像区域作为目标部件图像。
S32：将所述目标部件图像输入预训练的部件分类模型进行部件信息的分类预测，得到所述损伤部件信息；
预训练的部件分类模型是基于神经网络训练得到的多分类模型。
具体而言，将所述目标部件图像输入预训练的部件分类模型进行部件信息的分类预测，从预测得到的向量中提取出值为最大的向量元素，将提取的向量元素对应的部件信息作为所述损伤部件信息。
S33：将所述目标部件图像输入预训练的损伤检测模型进行损伤检测，得到所述损伤位置数据。
预训练的损伤检测模型，是预先基于神经网络训练得到的模型。
可选的，所述损伤位置数据包括：损失区域左上角坐标、损失区域左下角坐标、损失区域右上角坐标和损失区域右下角坐标。
具体而言，将所述目标部件图像输入预训练的损伤检测模型进行每个像素点是否为损伤的检测，得到损伤掩膜，损伤掩膜中的掩膜点与所述目标部件图像的像素点一一对应；掩膜点的值为1或0；若掩膜点的值为1，则该掩膜点对应的像素点对应的拍摄点是车辆的存在损伤的点；若掩膜点的值为0，则该掩膜点对应的像素点对应的拍摄点是车辆的不存在损伤的点。根据损伤掩膜即可计算出所述损伤位置数据。
本实施例首先基于人工智能从所述损伤细节图提取部件图像区域，然后将提取的部件图像区域输入预训练的损伤检测模型进行损伤检测，通过部件图像区域不仅减少了输入预训练的损伤检测模型的数据，而且减少了部件以外的图像区域的干扰，提高了损伤检测模型的检测效率及检测准确性，进一步提高了计算得到的部件损伤物理面积占比的准确性。
在一个实施例中，所述基于预训练的部件分割模型，对所述损伤细节图进行部件分割，得到部件检测框，并根据所述部件检测框，从所述损伤细节图中提取部件图像区域，得到目标部件图像的步骤，包括：
S311：基于预设的标准拍摄角度，对所述损伤细节图进行调整；
具体而言，基于预设的标准拍摄角度，对所述损伤细节图进行调整，从而使调整后的所述损伤细节图的拍摄角度为预设的标准拍摄角度。
可选的，预设的标准拍摄角度，是预先设定的拍摄效果最佳的拍摄角度。
S312：基于预训练的部件分割模型，对调整后的所述损伤细节图进行部件分割，得到所述部件检测框；
S313：根据所述部件检测框，从调整后的所述损伤细节图中提取部件图像区域，得到所述目标部件图像。
本实施例首先基于预设的标准拍摄角度，对所述损伤细节图进行调整，基于调整后的所述损伤细节图确定目标部件图像，减少了拍摄角度导致的图像差异的影响，从而进一步提高了计算得到的部件损伤物理面积占比的准确性。
在一个实施例中，所述根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据的步骤，包括：
S41：将所述损伤细节图输入所述损伤部件信息对应的深度位姿检测模型进行深度及位姿的检测，得到所述实际深度数据及所述实际位姿数据。
深度，是拍摄对象(比如，车辆的部件)离拍摄设备的距离。
具体而言，将所述损伤细节图输入所述损伤部件信息对应的深度位姿检测模型，通过深度位姿检测模型中的深度检测子模型进行深度检测，将检测得到的深度作为所述实际深度数据，通过深度位姿检测模型中的位姿检测子模型进行位姿检测，将检测得到的位姿作为所述实际位姿数据。
深度检测子模型是基于深度学习训练得到的模型，比如，单目图像深度预测模型。位姿检测子模型是基于深度学习训练得到的模型。
在一个实施例中，所述根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比的步骤，包括：
S51：根据所述实际深度数据、所述实际位姿数据、所述部件标准数据中的标准深度数据及标准位姿数据，对所述损伤位置数据进行标准化调整，得到目标位置数据；
具体而言，根据所述实际深度数据与所述部件标准数据中的标准深度数据对应关系，将所述损伤位置数据映射到所述部件标准数据中的标准深度数据下，得到待处理位置数据，根据所述实际位姿数据与所述部件标准数据中的标准位姿数据的对应关系，将所述待处理位置数据映射到所述部件标准数据中的标准位姿数据下，将完成映射的所述待处理位置数据作为目标位置数据。
S52：根据所述部件标准数据，对所述目标位置数据进行面积计算，得到所述部件损伤物理面积占比。
具体而言，根据目标位置数据和所述部件标准数据中的标准部件图像，计算损伤的像素面积，作为损伤总像素面积，将所述损伤总像素面积除以所述部件标准数据中的标准部件总像素面积，得到所述部件损伤物理面积占比。
本实施例实现了基于深度和位姿计算部件损伤物理面积占比，提高了计算得到的部件损伤物理面积占比的准确性。
请参阅图3所示，在一实施例中，提供一种基于人工智能的车辆损伤分析装置，所述装置包括：
数据获取模块801，用于获取目标车辆的目标车架号、车辆轮廓图及损伤细节图；
目标型号确定模块802，用于根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号；
损伤分析模块803，用于根据所述损伤细节图，确定损伤部件信息和损伤位置数据；
损失数据提取模块804，用于根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据，并根据所述损伤部件信息，从所述目标型号对应的部件数据库中，确定部件标准数据；
部件损伤物理面积占比确定模块805，用于根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比。
本实施例根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号，根据所述损伤细节图，确定损伤部件信息和损伤位置数据，根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据，并根据所述损伤部件信息，从所述目标型号对应的部件数据库中，确定部件标准数据，根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比，从而实现了基于深度和位姿计算部件损伤物理面积占比，提高了计算得到的部件损伤物理面积占比的准确性；而且，只需要目标车辆的目标车架号、车辆轮廓图及损伤细节图，即可自动计算出部件损伤物理面积占比，不需要定损员去车损现场或修理厂进行实地查勘，提高了确定部件损伤物理面积占比的效率，减少了人工成本。
在一个实施例中，所述装置还包括：
定损模块，用于将各个所述损伤部件信息中的任一个所述损伤部件信息作为目标部件信息，根据所述目标型号、所述目标部件信息对应的所述损伤位置数据，从车辆理赔定损数据库中查找定损方案，根据各个所述损伤部件信息分别对应的所述定损方案及所述部件损伤物理面积占比，确定所述目标车辆的定损金额。
在一个实施例中，所述目标型号确定模块802的所述根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号的步骤，包括：
基于预训练的车辆分割模型，对所述车辆轮廓图进行车辆检测，得到车辆检测框，并根据所述车辆检测框，从所述车辆轮廓图提取车辆图像区域，得到目标车辆图像；
根据所述目标车架号，从预设的映射表中查找车辆型号，得到待处理型号；
根据所述待处理型号，从车辆数据库中查找车辆三维模型，作为目标模型；
对所述目标模型和所述目标车辆图像进行是否属于同一车辆型号的判断，得到判断结果；
若所述判断结果为是，则将所述待处理型号作为所述目标型号。
在一个实施例中，所述损伤分析模块803的所述根据所述损伤细节图，确定损伤部件信息和损伤位置数据的步骤，包括：
基于预训练的部件分割模型，对所述损伤细节图进行部件分割，得到部件检测框，并根据所述部件检测框，从所述损伤细节图中提取部件图像区域，得到目标部件图像；
将所述目标部件图像输入预训练的部件分类模型进行部件信息的分类预测，得到所述损伤部件信息；
将所述目标部件图像输入预训练的损伤检测模型进行损伤检测，得到所述损伤位置数据。
在一个实施例中，所述损伤分析模块803的所述基于预训练的部件分割模型，对所述损伤细节图进行部件分割，得到部件检测框，并根据所述部件检测框，从所述损伤细节图中提取部件图像区域，得到目标部件图像的步骤，包括：
基于预设的标准拍摄角度，对所述损伤细节图进行调整；
基于预训练的部件分割模型，对调整后的所述损伤细节图进行部件分割，得到所述部件检测框；
根据所述部件检测框，从调整后的所述损伤细节图中提取部件图像区域，得到所述目标部件图像。
在一个实施例中，所述损失数据提取模块804的所述根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据的步骤，包括：
将所述损伤细节图输入所述损伤部件信息对应的深度位姿检测模型进行深度及位姿的检测，得到所述实际深度数据及所述实际位姿数据。
在一个实施例中，所述部件损伤物理面积占比确定模块805的所述根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比的步骤，包括：
根据所述实际深度数据、所述实际位姿数据、所述部件标准数据中的标准深度数据及标准位姿数据，对所述损伤位置数据进行标准化调整，得到目标位置数据；
根据所述部件标准数据，对所述目标位置数据进行面积计算，得到所述部件损伤物理面积占比。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务端，其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的客户端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的车辆损伤分析方法服务端侧的功能或步骤。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是客户端，其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的车辆损伤分析方法客户端侧的功能或步骤。
在一个实施例中，提出了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取目标车辆的目标车架号、车辆轮廓图及损伤细节图；
根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号；
根据所述损伤细节图，确定损伤部件信息和损伤位置数据；
根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据，并根据所述损伤部件信息，从所述目标型号对应的部件数据库中，确定部件标准数据；
根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比。
本实施例根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号，根据所述损伤细节图，确定损伤部件信息和损伤位置数据，根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据，并根据所述损伤部件信息，从所述目标型号对应的部件数据库中，确定部件标准数据，根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比，从而实现了基于深度和位姿计算部件损伤物理面积占比，提高了计算得到的部件损伤物理面积占比的准确性；而且，只需要目标车辆的目标车架号、车辆轮廓图及损伤细节图，即可自动计算出部件损伤物理面积占比，不需要定损员去车损现场或修理厂进行实地查勘，提高了确定部件损伤物理面积占比的效率，减少了人工成本。
在一个实施例中，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取目标车辆的目标车架号、车辆轮廓图及损伤细节图；
根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号；
根据所述损伤细节图，确定损伤部件信息和损伤位置数据；
根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据，并根据所述损伤部件信息，从所述目标型号对应的部件数据库中，确定部件标准数据；
根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比。
本实施例根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号，根据所述损伤细节图，确定损伤部件信息和损伤位置数据，根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据，并根据所述损伤部件信息，从所述目标型号对应的部件数据库中，确定部件标准数据，根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比，从而实现了基于深度和位姿计算部件损伤物理面积占比，提高了计算得到的部件损伤物理面积占比的准确性；而且，只需要目标车辆的目标车架号、车辆轮廓图及损伤细节图，即可自动计算出部件损伤物理面积占比，不需要定损员去车损现场或修理厂进行实地查勘，提高了确定部件损伤物理面积占比的效率，减少了人工成本。
需要说明的是，上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤，可对应参阅前述方法实施例中，服务端侧以及客户端侧的相关描述，为避免重复，这里不再一一描述。
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，所述的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。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于人工智能的车辆损伤分析方法，所述方法包括：
获取目标车辆的目标车架号、车辆轮廓图及损伤细节图；
根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号；
根据所述损伤细节图，确定损伤部件信息和损伤位置数据；
根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据，并根据所述损伤部件信息，从所述目标型号对应的部件数据库中，确定部件标准数据；
根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比；
所述根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据的步骤，包括：
将所述损伤细节图输入所述损伤部件信息对应的深度位姿检测模型，通过深度位姿检测模型中的深度检测子模型进行深度检测，将检测得到的深度作为所述实际深度数据，通过深度位姿检测模型中的位姿检测子模型进行位姿检测，将检测得到的位姿作为所述实际位姿数据，其中，深度是与所述损伤细节图对应的拍摄对象离与所述损伤细节图对应的拍摄设备的距离；
所述根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比的步骤，包括：
根据所述实际深度数据与所述部件标准数据中的标准深度数据对应关系，将所述损伤位置数据映射到所述部件标准数据中的标准深度数据下，得到待处理位置数据，根据所述实际位姿数据与所述部件标准数据中的标准位姿数据的对应关系，将所述待处理位置数据映射到所述部件标准数据中的标准位姿数据下，将完成映射的所述待处理位置数据作为目标位置数据；
根据目标位置数据和所述部件标准数据中的标准部件图像，计算损伤的像素面积，作为损伤总像素面积，将所述损伤总像素面积除以所述部件标准数据中的标准部件总像素面积，得到所述部件损伤物理面积占比。
2.根据权利要求1所述的基于人工智能的车辆损伤分析方法，其特征在于，所述根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比的步骤之后，包括：
将各个所述损伤部件信息中的任一个所述损伤部件信息作为目标部件信息；
根据所述目标型号、所述目标部件信息对应的所述损伤位置数据，从车辆理赔定损数据库中查找定损方案；
根据各个所述损伤部件信息分别对应的所述定损方案及所述部件损伤物理面积占比，确定所述目标车辆的定损金额。
3.根据权利要求1所述的基于人工智能的车辆损伤分析方法，其特征在于，所述根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号的步骤，包括：
基于预训练的车辆分割模型，对所述车辆轮廓图进行车辆检测，得到车辆检测框，并根据所述车辆检测框，从所述车辆轮廓图提取车辆图像区域，得到目标车辆图像；
根据所述目标车架号，从预设的映射表中查找车辆型号，得到待处理型号；
根据所述待处理型号，从车辆数据库中查找车辆三维模型，作为目标模型；
对所述目标模型和所述目标车辆图像进行是否属于同一车辆型号的判断，得到判断结果；
若所述判断结果为是，则将所述待处理型号作为所述目标型号。
4.根据权利要求1所述的基于人工智能的车辆损伤分析方法，其特征在于，所述根据所述损伤细节图，确定损伤部件信息和损伤位置数据的步骤，包括：
基于预训练的部件分割模型，对所述损伤细节图进行部件分割，得到部件检测框，并根据所述部件检测框，从所述损伤细节图中提取部件图像区域，得到目标部件图像；
将所述目标部件图像输入预训练的部件分类模型进行部件信息的分类预测，得到所述损伤部件信息；
将所述目标部件图像输入预训练的损伤检测模型进行损伤检测，得到所述损伤位置数据。
5.根据权利要求4所述的基于人工智能的车辆损伤分析方法，其特征在于，所述基于预训练的部件分割模型，对所述损伤细节图进行部件分割，得到部件检测框，并根据所述部件检测框，从所述损伤细节图中提取部件图像区域，得到目标部件图像的步骤，包括：
基于预设的标准拍摄角度，对所述损伤细节图进行调整；
基于预训练的部件分割模型，对调整后的所述损伤细节图进行部件分割，得到所述部件检测框；
根据所述部件检测框，从调整后的所述损伤细节图中提取部件图像区域，得到所述目标部件图像。
6.一种基于人工智能的车辆损伤分析装置，其特征在于，所述装置包括：
数据获取模块，用于获取目标车辆的目标车架号、车辆轮廓图及损伤细节图；
目标型号确定模块，用于根据所述目标车架号、所述车辆轮廓图确定所述目标车辆的车辆型号，作为目标型号；
损伤分析模块，用于根据所述损伤细节图，确定损伤部件信息和损伤位置数据；
损失数据提取模块，用于根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据，并根据所述损伤部件信息，从所述目标型号对应的部件数据库中，确定部件标准数据；
部件损伤物理面积占比确定模块，用于根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比；
所述根据所述损伤细节图和所述损伤部件信息，确定实际深度数据及实际位姿数据的步骤，包括：
将所述损伤细节图输入所述损伤部件信息对应的深度位姿检测模型，通过深度位姿检测模型中的深度检测子模型进行深度检测，将检测得到的深度作为所述实际深度数据，通过深度位姿检测模型中的位姿检测子模型进行位姿检测，将检测得到的位姿作为所述实际位姿数据，其中，深度是与所述损伤细节图对应的拍摄对象离与所述损伤细节图对应的拍摄设备的距离；
所述根据所述部件标准数据、所述实际深度数据、所述实际位姿数据和所述损伤位置数据，计算部件损伤物理面积占比的步骤，包括：
根据所述实际深度数据与所述部件标准数据中的标准深度数据对应关系，将所述损伤位置数据映射到所述部件标准数据中的标准深度数据下，得到待处理位置数据，根据所述实际位姿数据与所述部件标准数据中的标准位姿数据的对应关系，将所述待处理位置数据映射到所述部件标准数据中的标准位姿数据下，将完成映射的所述待处理位置数据作为目标位置数据；
根据目标位置数据和所述部件标准数据中的标准部件图像，计算损伤的像素面积，作为损伤总像素面积，将所述损伤总像素面积除以所述部件标准数据中的标准部件总像素面积，得到所述部件损伤物理面积占比。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述基于人工智能的车辆损伤分析方法的步骤。
8.一种计算机可读存储介质，所述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5任一项所述基于人工智能的车辆损伤分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311516538.3A CN117671329B (zh) | 2023-11-14 | 2023-11-14 | 基于人工智能的车辆损伤分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311516538.3A CN117671329B (zh) | 2023-11-14 | 2023-11-14 | 基于人工智能的车辆损伤分析方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117671329A CN117671329A (zh) | 2024-03-08 |
| CN117671329B true CN117671329B (zh) | 2024-06-21 |
Family
ID=90078008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311516538.3A Active CN117671329B (zh) | 2023-11-14 | 2023-11-14 | 基于人工智能的车辆损伤分析方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117671329B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109344819A (zh) * | 2018-12-13 | 2019-02-15 | 深源恒际科技有限公司 | 基于深度学习的车辆损伤识别方法 |
| 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 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104129389B (zh) * | 2014-08-06 | 2017-02-01 | 中电海康集团有限公司 | 一种有效判别车辆行驶状态的方法及其装置 |
| CN109101029A (zh) * | 2018-09-03 | 2018-12-28 | 重庆大学 | 一种果园自动巡逻检害智能小车及其工作方法 |
| CN111666995B (zh) * | 2020-05-29 | 2024-04-09 | 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 |
| CN112907576B (zh) * | 2021-03-25 | 2024-02-02 | 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 |
| CN113516660B (zh) * | 2021-09-15 | 2021-12-07 | 江苏中车数字科技有限公司 | 适用于列车的视觉定位与缺陷检测方法和装置 |
| CN113781454B (zh) * | 2021-09-15 | 2023-09-08 | 平安科技（深圳）有限公司 | 一种车辆损伤检测方法、装置、设备及存储介质 |
| CN114462553B (zh) * | 2022-04-12 | 2022-07-15 | 之江实验室 | 一种面向车险反欺诈的图像标注及要素抽取方法与*** |
| CN116643252A (zh) * | 2023-05-29 | 2023-08-25 | 上海润通电动车技术有限公司 | 一种车辆充电接口的定位方法、装置和存储介质 |
-
2023
- 2023-11-14 CN CN202311516538.3A patent/CN117671329B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109344819A (zh) * | 2018-12-13 | 2019-02-15 | 深源恒际科技有限公司 | 基于深度学习的车辆损伤识别方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117671329A (zh) | 2024-03-08 |
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 | |
| WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
| US10229332B2 (en) | Method and apparatus for recognizing obstacle of vehicle | |
| CN109657716B (zh) | 一种基于深度学习的车辆外观损伤识别方法 | |
| CN108921925B (zh) | 基于激光雷达和视觉融合的语义点云生成方法和装置 | |
| EP3520045B1 (en) | Image-based vehicle loss assessment method, apparatus, and system, and electronic device | |
| CN108090456B (zh) | 识别车道线模型的训练方法、车道线识别方法及装置 | |
| CN110569837B (zh) | 优化损伤检测结果的方法及装置 | |
| CN105956632B (zh) | 一种检测目标的方法和装置 | |
| CN112418009B (zh) | 一种图像质量检测方法、终端设备及存储介质 | |
| CN109840524B (zh) | 文字的类型识别方法、装置、设备及存储介质 | |
| CN111914642B (zh) | 一种行人重识别方法、装置、设备及介质 | |
| CN110738236B (zh) | 图像匹配方法、装置、计算机设备及存储介质 | |
| 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 | |
| CN109726746B (zh) | 一种模板匹配的方法及装置 | |
| EP2927871A1 (en) | Method and device for calculating number of pedestrians and crowd movement directions | |
| CN111311540A (zh) | 车辆定损方法、装置、计算机设备和存储介质 | |
| CN110569856A (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
| CN111144398A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| CN110853060A (zh) | 车辆外观检测方法、装置、计算机设备和存储介质 | |
| CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
| CN112634368A (zh) | 场景目标的空间与或图模型生成方法、装置及电子设备 | |
| CN112668462B (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
| CN110717449A (zh) | 车辆年检人员的行为检测方法、装置和计算机设备 | |
| CN116824516B (zh) | 一种涉路施工安全监测及管理*** |
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 |