申请/专利权人：平安科技(深圳)有限公司

申请日：2022-06-20

公开（公告）日：2024-07-05

公开（公告）号：CN115063631B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/30;G06V10/40;G06V10/20;G06V10/25;G06V10/774

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2022.10.04#实质审查的生效;2022.09.16#公开

摘要：本申请提出一种基于人工智能的车损检测方法、装置、电子设备及存储介质，基于人工智能的车损检测方法包括：对车损图像进行降噪处理获得降噪图像；对所述降噪图像进行增强处理获得增强图像；标注所述增强图像以获取标记图像；基于所述标记图像训练目标车损检测模型；将待检测车损图像输入所述目标车损检测模型获得车损检测结果。该方法可以利用噪声较小的增强图像训练车损检测模型，并能够通过车损检测结果持续训练车损模型，从而能够提升车损检测模型的准确度。

主权项：1.一种基于人工智能的车损检测方法，其特征在于，所述方法包括：对车损图像进行降噪处理获得降噪图像；对所述降噪图像进行增强处理获得增强图像；标注所述增强图像以获取标记图像，包括：依据预设的标注工具对所述增强图像中的车损区域进行标注以获取备选标记图像，所述备选标记图像具备多个锚框，每个锚框对应一个损伤类别列表和一个概率列表，且每个锚框中具备多个像素点；计算每个锚框中所有像素点的联合特征，所述联合特征用以表征所述锚框内包含物体的特征；基于所述联合特征、所述锚框在所述增强图像中的位置、损伤类别列表和概率列表构建标记图像；基于所述标记图像训练目标车损检测模型，包括：基于所述增强图像和所述标记图像构建训练数据集；构建初始车损检测模型，所述初始车损检测模型包括编码器和解码器；输入所述增强图像至所述初始车损检测模型，得到所述增强图像对应的预测图像，所述预测图像包括多个预测锚框；对所述标记图像中的多个锚框进行特征提取，得到所述每个锚框对应的标签描述子；对所述多个预测锚框进行特征提取，得到每个预测锚框对应的预测描述子；根据所述标签描述子和所述预测描述子构建损失函数；根据所述损失函数训练所述初始车损检测模型，得到目标车损检测模型；其中，所述损失函数包括第一损失函数、第二损失函数以及第三损失函数；所述第一损失函数满足以下关系式：其中，Loss1代表所述第一损失函数的第一损失值；代表所述标签图像中第t个锚框中联合特征的第i个维度的数值，n代表所述标签图像中锚框的个数；代表预测图像中第f个预测锚框的预测联合特征第i个维度的数值，m代表所述预测锚框的个数；i代表所述预测联合特征维度的索引，k代表所述预测联合特征维度的总数；yft代表符号函数，当所述预测图像中第f个预测锚框的损伤类别与所述标签图像中第t个锚框的损伤类别相同时则所述符号函数取值为1，否则所述符号函数取值为0；所述第二损失函数满足以下关系式：其中，Loss2代表所述第二损失函数的第二损失值，所述第二损失值越小则表明所述标签图像的锚框与所述预测锚框中分类的相似性越高；CE代表交叉熵函数；代表所述标签图像中第t个锚框的损伤类别列表与预测图像中第f个预测锚框的预测损伤类别列表之间的交叉熵；yft代表符号函数，当所述预测图像中第f个预测锚框的损伤类别与所述标签图像中第t个锚框的损伤类别相同时则所述符号函数取值为1，否则所述符号函数取值为0；所述第三损失函数满足以下关系式： 其中，Loss3代表所述第三损失函数的第三损失值；x1、y1、x2以及y2分别代表所述标签图像中第t个锚框的左上角和右下角像素点的横坐标和纵坐标；以及分别代表所述预测图像中第f个预测锚框的左上角像素点和右下角像素点的横坐标和纵坐标；yft代表符号函数，当所述预测图像中第f个预测锚框的损伤类别与所述标签图像中第t个锚框的损伤类别相同时则所述符号函数取值为1，否则所述符号函数取值为0；将待检测车损图像输入所述目标车损检测模型获得车损检测结果。

全文数据：

权利要求：

百度查询： 平安科技(深圳)有限公司 基于人工智能的车损检测方法及相关设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD