[发明专利]目标物损伤程度判定方法、装置、电子设备及存储介质

权利要求书

1.一种目标物损伤程度鉴定方法，其特征在于，所述方法包括：

获取原始图片训练集及所述原始图片训练集对应的标签集，将所述原始图片训练集中的图片按照对应标签进行分类，得到标准图片训练集；

构建目标物损伤程度分类模型，其中，所述目标物损伤程度分类模型包括全卷积神经网络，所述全卷积神经网络包括分类子网络和边框回归子网络；

将所述标准图片训练集输入至所述全卷积神经网络，并利用所述分类子网络生成所述标准图片训练集内每个图片的锚框及真实框，通过所述边框回归子网络对所述锚框与真实框进行边框回归，得到预测损失值集，根据所述预测损失值集得到标准目标物损伤程度分类模型；

利用所述标准目标物损伤程度分类模型对目标物的受损图像集进行分析，得到目标物损伤程度鉴定结果。

2.如权利要求1所述的目标物损伤程度判定方法，其特征在于，所述根据所述预测损失值集得到标准目标物损伤程度分类模型，包括：

在所述预测损失值集不满足预设损失要求时，调整边框回归子网络中预设的损失函数的系数后重新通过所述边框回归子网络对所述锚框与真实框进行边框回归，直到所述预测损失值集满足所述预设损失要求，根据边框回归子网络中当前的损失函数的系数，得到所述标准目标物损伤程度分类模型。

3.如权利要求2所述的目标物损伤程度判定方法，其特征在于，所述在所述预测损失值集不满足预设损失要求时，该方法还包括：

将所述预测损失值集中内每个损失值与预设的损失值阈值进行比较；

计算大于所述预设的损失值阈值的损失值的数量与小于或者等于所述预设的损失值阈值的损失值的数量之间的比例值；

在所述比例值大于预设的比例阈值时，执行所述调整边框回归子网络中预设的损失函数的系数；

在所述比例值小于或者等于所述预设的比例阈值时，直接根据边框回归子网络中当前的损失函数的系数，得到所述标准目标物损伤程度分类模型。

4.如权利要求1所述的目标物损伤程度判定方法，其特征在于，所述利用所述分类子网络生成所述标准图片训练集内每个图片的锚框，包括：

在所述分类子网络中获取所述标准图片训练集内的图片，检测所述图片中的目标物得到真实框，并对所述图片中的所有像素点进行随机采样，得到一系列以像素点为中心的锚框。

5.如权利要求3所述的目标物损伤程度判定方法，其特征在于，所述通过所述边框回归子网络对所述锚框与真实框进行边框回归，得到预测损失值集，包括：

利用所述边框回归子网络中预设的损失函数对所述图片中的一系列锚框与真实框进行边框回归，使所述锚框向所述真实框不断逼近，得到所述锚框与所述真实框的交并比，根据所述交并比得到所述预测损失值集。

6.一种目标物损伤程度判定装置，其特征在于，所述装置包括：

分类模块，用于获取原始图片训练集及所述原始图片训练集对应的标签集，将所述原始图片训练集中的图片按照对应标签进行分类，得到标准图片训练集；

边框回归模块，用于将所述标准图片训练集输入至所述全卷积神经网络，并利用所述分类子网络生成所述标准图片训练集内每个图片的锚框及真实框，通过所述边框回归子网络对所述锚框与真实框进行边框回归，得到预测损失值集，根据所述预测损失值集得到标准目标物损伤程度分类模型；

鉴定模块，用于利用所述标准目标物损伤程度分类模型对目标物的受损图像集进行分析，得到目标物损伤程度鉴定结果。

7.如权利要求6所述的目标物损伤程度判定装置，其特征在于，所述边框回归模块通过下述操作得到标准目标物损伤程度分类模型：

将所述预测损失值集中内每个损失值与预设的损失值阈值进行比较；

计算大于所述预设的损失值阈值的损失值的数量与小于或者等于所述预设的损失值阈值的损失值的数量之间的比例值；

在所述比例值大于预设的比例阈值时，执行所述调整边框回归子网络中预设的损失函数的系数；

在所述比例值小于或者等于所述预设的比例阈值时，直接根据边框回归子网络中当前的损失函数的系数，得到所述标准目标物损伤程度分类模型。