[发明专利]基于人工智能的车辆损伤识别方法、装置、设备及介质

权利要求书

1.一种基于人工智能的车辆损伤识别方法，其特征在于，所述方法包括：

采集带标签数据的车辆图像作为标注数据集，并将所述标注数据集划分为训练集和检测集，所述标签数据包括车辆图像中每一个像素点的损伤类型；

搭建初始损伤识别网络，基于所述训练集对所述初始损伤识别网络进行训练以获取第一损伤识别网络；

基于所述第一损伤识别网络得到所述检测集中每一张车辆图像的损伤识别结果，并基于所述损伤识别结果获取不同损伤类型的区分度；

基于所述区分度构建区分度损失函数，并基于所述区分度损失函数和所述检测集训练第一损伤识别网络得到第二损伤识别网络；

基于所述第二损伤识别网络获取实时车辆图像的损伤识别结果。

2.如权利要求1所述的基于人工智能的车辆损伤识别方法，其特征在于，所述采集带标签数据的车辆图像作为标注数据集，并将所述标注数据集划分为训练集和检测集，所述标签数据包括车辆图像中每一个像素点的损伤类型，包括：

采集车辆定损场景中的大量车辆图像，并获取每一张车辆图像的标签数据；

储存所有车辆图像以及所有车辆图像的标签数据作为标注数据集；

依据预设比例将所述标注数据集划分为训练集和检测集。

3.如权利要求1所述的基于人工智能的车辆损伤识别方法，其特征在于，所述搭建初始损伤识别网络，基于所述训练集对所述初始损伤识别网络进行训练以获取第一损伤识别网络，包括：

搭建初始损伤识别网络，所述初始损伤识别网络包括编码器和解码器；

基于所述训练集和交叉熵损失函数对所述初始损伤识别网络进行训练以获取第一损伤识别网络，所述第一损伤识别网络的输入为车辆图像，输出为所述车辆图像的损伤识别结果，所述损伤识别结果包括所述车辆图像中每一个像素点的类型向量，所述类型向量包括所述像素点属于每一种损伤类型的概率值；

选取所述损伤识别结果中每一个像素点的类型向量的最大概率值对应的损伤类型以作为所述车辆图像中该像素点的损伤类型。

4.如权利要求3所述的基于人工智能的车辆损伤识别方法，其特征在于，所述基于所述损伤识别结果获取不同损伤类型的区分度包括：

存储每一个损伤识别结果中所有类型向量得到类型向量集；

计算目标类型向量中不同损伤类型之间概率值差值的绝对值以作为不同损伤类型之间的初始区分度，所述目标类型向量为所述类型向量集中的任意一个；

基于所述初始区分度构建所述目标类型向量的初始区分度矩阵，所述初始区分度矩阵中第m行第n列的数值表示损伤类型m和损伤类型n之间的初始区分度；

遍历所述类型向量集中所有的类型向量得到每一个类型向量的初始区分度矩阵；

计算所有初始区分度矩阵的均值得到目标区分度矩阵，并对所述目标区分度矩阵中所有数值进行归一化处理以获取不同损伤类型之间的区分度。

5.如权利要求4所述的基于人工智能的车辆损伤识别方法，其特征在于，所述区分度满足关系式：

其中，表示目标区分度矩阵中所有数值，表示目标区分度矩阵中第m行第n列的数值，α_mn为损伤类型m和n之间的区分度，取值范围为[0,1]。

6.如权利要求1所述的基于人工智能的车辆损伤识别方法，其特征在于，所述基于所述区分度构建区分度损失函数包括：

基于标签数据对车辆图像进行划分得到所述车辆图像中每一种损伤类型的像素点集合；

将所述车辆图像送入所述第一损伤识别网络得到损伤识别结果，并计算所述损伤识别结果中同一种损伤类型的像素点集合内所有类型向量的均值得到每一种损伤类型的平均类型向量；

基于所述平均类型向量和不同损伤类型之间的区分度构建区分度损失函数。