[发明专利]一种基于改进Faster RCNN的车身划痕检测方法

说明书

本发明公开了一种基于改进Faster RCNN的车身划痕检测方法，属于计算机视觉目标检测技术领域。本发明包括以下步骤：获取待检测图片和带有标签的车身划痕数据集；构建改进Faster RCNN网络模型，具体包括，FasterRCNN网络的特征提取层采用M‑FPN网络，所述M‑FPN网络为与特征金字塔网络相融合的MobileNet V3网络；利用带有标签的车身划痕数据集训练改进Faster RCNN网络模型；将待检测图片输入训练后的改进Faster RCNN网络模型，获取车身划痕检测结果。本发明在Faster RCNN基础上，引入与多尺度目标检测算法特征金字塔网络FPN相融合的MobileNet V3网络替换Fasster RCNN中特征提取层常用的VGG、ZF网络，解决了目前车身划痕检测方法准确率较低、可用性较差的问题。

技术领域

本发明涉及计算机视觉目标检测技术领域，更具体的说是涉及一种基于改进Faster RCNN的车身划痕检测方法。

背景技术

近年来损伤车辆定损问题吸引了大量国内外企业的关注；如美国Snapsheet企业通过搭建虚拟的保险理赔服务点，服务点集成了远程信息服务，图像检测等技术辅助企业高效地进行保险理赔。美国Spex公司搭建数字化查勘和报告平台，平台包括两个部分：Spex掌控端和Spex侦查端。掌控端主要负责业务划分和管理员与侦查员的在线合作。侦察端主要给侦查员提供各种必要的服务以及收集与处理侦查员收集到的图像等数据，最后生成理赔方案。泰国ClaimDi公司开发了基于LBS技术和Uber模式的移动端理赔软件，实现了小案件迅速赔偿，用户使用软件报案时，可以利用定位技术派遣距离最近的勘查员进行勘察工作，以上方法虽然较传统方法效率上有了一定的提升，但仍需要派遣相关人员到达现场进行定损，在国内，以“定损宝”为例，通过用户上传车辆全景和受损部位照片到云端服务器，经过传统目标检测算法评估后得到理赔结果，常见目标检测算法为SSD、Faster RCNN等，传统定损方法虽然能够满足大部分车辆损伤部位的检测，但由于车身划痕中有些划痕损伤特征不明显导致传统算法不能准确地进行识别与定位而且使用传统目标检测算法训练得出的模型体积庞大，很难在移动设备上进行推理使用。

因此，如何解决现有检测方法对车身划痕检测准确度不高，可用性较差是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于改进Faster RCNN的车身划痕检测方法，用于至少部分解决背景技术中存在的技术问题。

为了实现上述目的，本发明采用如下技术方案：

一种基于改进Faster RCNN的车身划痕检测方法，包括以下步骤：

S1、获取待检测图片和带有标签的车身划痕数据集；

S2、构建改进Faster RCNN网络模型，其中，所述改进Faster RCNN网络模型具体包括，Faster RCNN网络的特征提取层采用M-FPN网络，所述M-FPN网络为与特征金字塔网络相融合的MobileNet V3网络；

S3、将带有标签的车身划痕数据集作为训练样本训练改进Faster RCNN网络模型；

S4、将待检测图片输入训练后的改进Faster RCNN网络模型，获取车身划痕检测结果。

优选的，步骤S2中MobileNet V3网络与特征金字塔网络相融合的具体步骤包括，

根据MobileNet V3网络输出特征图的维度大小对MobileNet V3网络进行分层；

针对每一层对应卷积层输出的特征矩阵通过1*1*256且步距为1的卷积核进行升维或降维操作，使得每一层输出的特征矩阵的维度相同；

针对得到的维度相同的的上一层特征矩阵进行上采样操作获取与下一层特征矩阵空间尺寸相同的特征矩阵并进行特征融合；