[发明专利]车辆损伤检测方法、装置、设备及存储介质

说明书

本发明实施例提出一种车辆损伤检测方法、装置、设备及存储介质，涉及人工智能图像处理技术领域，其中方法包括：获取受损车辆图像，将受损车辆图像输入到训练好的集成定损模型中得到损伤部件信息，并根据车辆部件分割模型得到受损车辆图像对应的损伤位置，根据损伤位置和损伤部件信息得到车辆的损伤信息。相比较相关技术中分离的多个损伤检测模型，本申请实施例使用集成定损模型通过一次前向处理即可得到对应的损伤部件信息，其占用的计算资源大大降低，耗费的计算时间大幅减少，有效提高检测效率，降低车辆定损过程中的人力成本。并且通过合并车辆部件分割模型得到受损车辆图像对应的损伤位置，可以得到包含定位信息的车辆的损伤信息。

技术领域

本申请实施例涉及人工智能领域，尤其涉及一种车辆损伤检测方法、装置、设备及存储介质。

背景技术

在交通事故中为受损车辆确定受损部位和受损程度是一项非常重要的工作。传统的定损方法依赖人工判断，效率低下且容易因定损员个人因素带来误差。近年来，随着人工智能技术的发展，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、技术及应用系统。已有一部分机构采取基于计算机视觉(目标检测等)的方法为受损车辆进行智能定损，这些方法一定程度上降低了定损工作对人工的依赖。

但是由于定损场景复杂多变、车辆部件较多、损伤形态较多等原因，往往需要开发较多的损伤检测模型，如根据部件的材质而开发出针对钣金件、玻璃、轮胎等的多种不同的损伤检测模型。上述方案会有比较明显的弊端，一是模型训练开发阶段，需要准备标注多个损伤数据集，并分别训练优化多个损伤检测模型，过程比较繁琐，效率比较低下，需要较多的人力、物力投入，同时训练得到的模型由于仅能用于对应的部件类型，其数据的重复利用率小而鲁棒性差；二是模型部署上线阶段，多个模型需要耗费更多计算资源，同时增大调度难度，增加成本开支等。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本申请实施例提供一种车辆损伤检测方法、装置、设备及存储介质，能够有效提高检测效率以及检测精度，降低车辆定损过程中的人力成本。

第一方面，本申请实施例提供一种车辆损伤检测方法，包括：

获取受损车辆图像；

将所述受损车辆图像输入到训练好的集成定损模型中，得到损伤部件信息，所述集成定损模型包括：

共享主干神经网络，所述共享主干神经网络由至少一个部件类型对应的损伤检测模型集成得到，所述共享主干神经网络用于对所述受损车辆图像进行预处理，得到第一输出数据；

至少一个部件类型对应的损伤检测分类层，用于对所述第一输出数据进行处理，得到损伤部件信息；

将所述受损车辆图像输入到车辆部件分割模型，得到所述受损车辆图像对应的损伤位置；

根据所述损伤位置从所述损伤部件信息中定位得到所述车辆的损伤信息。

在一可选的实现方式中，所述共享主干神经网络为深度残差神经网络，所述深度残差神经网络包括：Res-Net50网络、Res-Net101网络、Res-Net110网络或Res-Net152网络；

所述将所述受损车辆图像输入到训练好的集成定损模型中，得到损伤部件信息，包括：

基于所述深度残差神经网络中顺次相连的各个残差块，对所述受损车辆图像进行残差特征向量提取处理，得到第一输出数据；其中，任意一个残差块中均包括一个恒等映射和至少两个卷积层，任意一个残差块的恒等映射由所述任意一个残差块的输入端指向所述任意一个残差块的输出端；

将所述第一输出数据输入到所述部件类型对应的损伤检测分类层，得到损伤部件信息。