CN115063632B - 基于人工智能的车辆损伤识别方法、装置、设备及介质 - Google Patents

Abstract

本申请提出一种基于人工智能的车辆损伤识别方法、装置、电子设备及存储介质，基于人工智能的车辆损伤识别方法包括：采集带标签数据的车辆图像作为标注数据集，并将标注数据集划分为训练集和检测集，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，基于训练集训练初始损伤识别网络以获取第一损伤识别网络；基于第一损伤识别网络得到检测集中每一张车辆图像的损伤识别结果，基于损伤识别结果获取不同损伤类型的区分度；基于区分度构建区分度损失函数，基于区分度损失函数和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。本申请能够提高车辆损伤识别的准确度。

Description

基于人工智能的车辆损伤识别方法、装置、设备及介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于人工智能的车辆损伤识别方法、装置、电子设备及存储介质。

背景技术

在交通意外发生后，保险公司需要到事故现场进行车辆定损，在定损的过程中需要采集现场的车辆图像，通过车辆图像确定车辆损伤的类型和损伤程度以作为车险公司的理赔依据，车辆损伤识别的准确性直接影响最终的理赔结果。

目前，通常使用传统的图像分割网络直接获取车辆图像中不同位置的损伤类型，然而，由于在车辆定损场景中，不同损伤类型之间存在一定的相似性，从而使车辆损伤识别的准确度较低。

发明内容

鉴于以上内容，有必要提出一种基于人工智能的车辆损伤识别方法及相关设备，以解决如何提高车辆损伤识别的准确度这一技术问题，其中，相关设备包括基于人工智能的车辆损伤识别装置、电子设备及存储介质。

本申请提供基于人工智能的车辆损伤识别方法，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。

在一些实施例中，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。

在一些实施例中，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。

在一些实施例中，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。

在一些实施例中，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]。

在一些实施例中，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。

在一些实施例中，所述区分度损失函数满足关系式：

其中，α_mn为损伤类型m和损伤类型n之间的区分度，为损伤识别结果中损伤类型m的平均类型向量，为损伤识别结果中损伤类型n的平均类型向量，表示和之间的L1距离，MAX为平均类型向量之间L1距离的最大值，所述L1距离的最大值MAX＝2，N为所有损伤类型的数量，Loss₁为区分度损失函数的数值。

本申请实施例还提供一种基于人工智能的车辆损伤识别装置，所述装置包括：

采集单元，用于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；

第一训练单元，用于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；

区分度单元，用于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；

第二训练单元，用于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；

损伤识别单元，用于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。

本申请实施例还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个指令；

处理器，执行所述存储器中存储的指令以实现所述的基于人工智能的车辆损伤识别方法。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述的基于人工智能的车辆损伤识别方法。

综上，本申请将有标签数据的车辆图像划分为训练集和检测集两部分，基于训练集完成笫一次训练得到第一损伤识别网络，然后利用第一损伤识别网络获取检测集的检测结果，基于检测结果得到不同损伤类型的区分度，并构建区分度损失函数对第一损伤识别网络进行第二次训练得到第二损伤识别网络，从而提高车辆损伤识别的准确度。

附图说明

图1是本申请所涉及的基于人工智能的车辆损伤识别方法的较佳实施例的流程图。

图2是本申请所涉及的基于人工智能的车辆损伤识别装置的较佳实施例的功能模块图。

图3是本申请所涉及的基于人工智能的车辆损伤识别方法的较佳实施例的电子设备的结构示意图。

具体实施方式

为了能够更清楚地理解本申请的目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请，所述描述的实施例仅是本申请一部分实施例，而不是全部的实施例。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

本申请实施例提供一种基于人工智能的车辆损伤识别方法，可应用于一个或者多个电子设备中，电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

电子设备可以是任何一种可与客户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。

电子设备还可以包括网络设备和/或客户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云。

电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。

如图1所示，是本申请基于人工智能的车辆损伤识别方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。

S10，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。

在一个可选的实施例中，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。

该可选的实施例中，车辆图像的标签数据为与所述车辆图像等大的图像，标签数据中每一个像素点均对应一个N行1列的标签向量，每一行对应一种损伤类型，在所述标签向量中，像素点损伤类型对应行的数值为1，其他所有行的数值为0，其中，N代表包括背景类在内的所有损伤类型的数量，所述背景类为车辆图像中不属于车辆损伤的像素点的类型；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。

示例性的，车辆定损场景中常见的损伤类型包括划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失7种损伤类型，加上车辆图像中不属于车辆损伤的背景类共将像素点划分为8个损伤类型，像素点对应的标签向量为8行1列；设定像素点(i,j)的损伤类型为刮擦，则像素点(i,j)的标签向量为(0,1,0,0,0,0,0,0)^T，车辆图像中所有像素点的标签向量构成了所述车辆图像的标签数据。

该可选的实施例中，依据预设比例将标注数据集划分为训练集和检测集，所述预设比例为2：1，所述训练集用于后续对初始损伤识别网络的训练，所述检测集用于后续对不同损伤类型的区分度的获取。

如此，获取带有标签数据的训练集和检测集，为后续实现车辆损伤准确识别提供数据基础。

S11，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。

在一个可选的实施例中，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。

该可选的实施例中，搭建初始损伤识别网络，所述初始损伤识别网络的输入为车辆图像，预期输出为所述车辆图像的损伤识别结果，所述损伤识别结果为一张与所述车辆图像等大的图像，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，且相同像素点类型向量中所有概率值之和为1。

该可选的实施例中，所述初始损伤识别网络为编码器和解码器结构，编码器利用卷积层对输入的车辆图像进行下采样得到特征图，并将所述特征图送入解码器中利用反卷积层进行上采样得到所述车辆图像的损伤识别结果；所述初始损伤识别网络可以选用DeepLapV3、UNet等现有的编码器和解码器结构的图像分割网络，本申请不做限制。

该可选的实施例中，为了保证所述初始损伤识别网络的输出为所述车辆图像的损伤识别结果，需要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，在训练过程中，不断将训练集中的车辆图像输入所述初始损伤识别网络以获取输出结果，基于所述输出结果和所述车辆图像的标签数据计算交叉熵损失函数的数值并使用梯度下降法更新所述初始损伤识别网络中的参数，当交叉熵损失函数的数值不再变化时，停止初始损伤识别网络的训练得到第一损伤识别网络，所述第一损伤识别网络可以学习到不同损伤类型的特征。

该可选的实施例中，将一张车辆图像输入所述第一损伤识别网络以获取所述车辆图像的损伤识别结果，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即可获得所述车辆图像每一个像素点的损伤类型。

如此，基于训练集对所述初始损伤识别网络进行训练得到第一损伤识别网络，所述第一损伤识别网络可以学习到车辆图像中不同损伤类型的特征，获取车辆图像的损伤识别结果。

S12，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。

在一个可选的实施例中，得到第一损伤识别网络之后，将检测集中所有车辆图像依次输入所述第一损伤识别网络以获取每一张车辆图像的损伤识别结果，所述损伤识别结果包括所有像素点的类型向量，所述类型向量中不同损伤类型之间概率值差值的绝对值可以反应不同损伤类型之间的区分度，不同损伤类型之间概率值差值的绝对值越小则表示两种损伤类型之间的区分度越小，越容易产生混淆从而造成损伤类型的错误识别。

示例性的，将像素点划分为划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失、背景类共8个损伤类型，若损伤识别结果中像素点(i,j)的类型向量为(0.4,0.5,0,0,0.1,0,0,0)^T，所述类型向量中最大概率值为0.5，且0.5对应的损伤类型刮擦，则判定所述像素点(i,j)的损伤类型为刮擦；但所述像素点(i,j)同样有0.4的概率属于划痕，说明损伤类型刮擦和划痕之间的区分度较小，容易产生混淆。

该可选的实施例中，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为N行N列的方阵，N为所述目标类型向量中所有损伤类型的数量，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，以损伤类型m和损伤类型n为示例，所述损伤类型m和n之间的区分度满足关系式：

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]。

如此，能够借助第一损伤识别网络的损伤识别结果得到不同损伤类型之间的区分度，实现了区分度的精准量化。

S13，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。

在一个可选的实施例中，为了使第一损伤识别网络能够学习到不同损伤类型之间的区别特征，需要基于不同损伤类型之间的区分度构建区分度损失函数并对第一损伤识别网络进行第二次训练。

该可选的实施例中，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。

该可选的实施例中，所述区分度损失函数满足关系式：

其中，α_mn为损伤类型m和损伤类型n之间的区分度，为损伤识别结果中损伤类型m的平均类型向量，为损伤识别结果中损伤类型n的平均类型向量，表示和之间的L1距离，MAX为平均类型向量之间L1距离的最大值，所述L1距离的最大值MAX＝2，N为所有损伤类型的数量，Loss₁为区分度损失函数的数值，Loss₁的数值越小表示损伤识别结果的精度越高。

上述区分度损失函数中，用于约束损伤识别结果中不同损伤类型之间平均类型向量的距离达到最大值，从而迫使所述第一损伤识别网络学习到不同损伤类型之间的区别特征，同时，不同损伤类型之间的区分度α_mn越小表示越容易混淆，故通过(1-α_mn)分配较大的权重以确保能够学习到任意两种损伤类型之间的区别特征，至此，所述区分度损失函数构建完毕。

该可选的实施例中，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，在训练过程中，不断将检测集中的车辆图像输入所述第一损伤识别网络以获取输出结果，基于所述输出结果和所述车辆图像的标签数据计算区分度损失函数的数值并使用梯度下降法更新所述第一损伤识别网络中的参数，当区分度损失函数的数值不再变化时，停止第一损伤识别网络的训练得到第二损伤识别网络，所述第二损伤识别网络可以学习到不同损伤类型的区别特征。

如此，基于不同损伤类型之间的区分度构建区分度损失函数，并使用所述区分度损失函数对第一损伤识别网络进行第二次训练以获取第二损伤识别网络，所述第二损伤识别网络可以学习到不同损伤类型的区别特征，提高损伤类型识别的准确性。

S14，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。

在一个可选的实施例中，采集实时车辆图像，将所述实时车辆图像输入第二损伤识别网络得到所述实时车辆图像的损伤识别结果，并基于所述损伤识别结果得到实时车辆图像中所有像素点的损伤类型。

该可选的实施例中，获取所述实时车辆图像的损伤识别结果之后，基于损伤识别结果中不同损伤类型的面积可以作为车险公司的理赔依据。

由以上技术方案可以看出，本申请将有标签数据的车辆图像划分为训练集和检测集两部分，基于训练集完成笫一次训练得到第一损伤识别网络，然后利用第一损伤识别网络获取检测集的检测结果，基于检测结果得到不同损伤类型的区分度，并构建区分度损失函数对第一损伤识别网络进行第二次训练得到第二损伤识别网络，从而提高车辆损伤识别的准确度。

请参见图2，图2是本申请基于人工智能的车辆损伤识别装置的较佳实施例的功能模块图。基于人工智能的车辆损伤识别装置11包括采集单元110、第一训练单元111、区分度单元112、第二训练单元113、损伤识别单元114。本申请所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。

在一个可选的实施例中，采集单元110用于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。

在一个可选的实施例中，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。

该可选的实施例中，车辆图像的标签数据为与所述车辆图像等大的图像，标签数据中每一个像素点均对应一个N行1列的标签向量，每一行对应一种损伤类型，在所述标签向量中，像素点损伤类型对应行的数值为1，其他所有行的数值为0，其中，N代表包括背景类在内的所有损伤类型的数量，所述背景类为车辆图像中不属于车辆损伤的像素点的类型；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。

示例性的，车辆定损场景中常见的损伤类型包括划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失7种损伤类型，加上车辆图像中不属于车辆损伤的背景类共将像素点划分为8个损伤类型，像素点对应的标签向量为8行1列；设定像素点(i,j)的损伤类型为刮擦，则像素点(i,j)的标签向量为(0,1,0,0,0,0,0,0)^T，车辆图像中所有像素点的标签向量构成了所述车辆图像的标签数据。

该可选的实施例中，依据预设比例将标注数据集划分为训练集和检测集，所述预设比例为2：1，所述训练集用于后续对初始损伤识别网络的训练，所述检测集用于后续对不同损伤类型的区分度的获取。

第一训练单元111用于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。

在一个可选的实施例中，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。

该可选的实施例中，搭建初始损伤识别网络，所述初始损伤识别网络的输入为车辆图像，预期输出为所述车辆图像的损伤识别结果，所述损伤识别结果为一张与所述车辆图像等大的图像，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，且相同像素点类型向量中所有概率值之和为1。

该可选的实施例中，所述初始损伤识别网络为编码器和解码器结构，编码器利用卷积层对输入的车辆图像进行下采样得到特征图，并将所述特征图送入解码器中利用反卷积层进行上采样得到所述车辆图像的损伤识别结果；所述初始损伤识别网络可以选用DeepLapV3、UNet等现有的编码器和解码器结构的图像分割网络，本申请不做限制。

该可选的实施例中，为了保证所述初始损伤识别网络的输出为所述车辆图像的损伤识别结果，需要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，在训练过程中，不断将训练集中的车辆图像输入所述初始损伤识别网络以获取输出结果，基于所述输出结果和所述车辆图像的标签数据计算交叉熵损失函数的数值并使用梯度下降法更新所述初始损伤识别网络中的参数，当交叉熵损失函数的数值不再变化时，停止初始损伤识别网络的训练得到第一损伤识别网络，所述第一损伤识别网络可以学习到不同损伤类型的特征。

该可选的实施例中，将一张车辆图像输入所述第一损伤识别网络以获取所述车辆图像的损伤识别结果，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即可获得所述车辆图像每一个像素点的损伤类型。

区分度单元112用于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。

在一个可选的实施例中，得到第一损伤识别网络之后，将检测集中所有车辆图像依次输入所述第一损伤识别网络以获取每一张车辆图像的损伤识别结果，所述损伤识别结果包括所有像素点的类型向量，所述类型向量中不同损伤类型之间概率值差值的绝对值可以反应不同损伤类型之间的区分度，不同损伤类型之间概率值差值的绝对值越小则表示两种损伤类型之间的区分度越小，越容易产生混淆从而造成损伤类型的错误识别。

示例性的，将像素点划分为划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失、背景类共8个损伤类型，若损伤识别结果中像素点(i,j)的类型向量为(0.4,0.5,0,0,0.1,0,0,0)^T，所述类型向量中最大概率值为0.5，且0.5对应的损伤类型刮擦，则判定所述像素点(i,j)的损伤类型为刮擦；但所述像素点(i,j)同样有0.4的概率属于划痕，说明损伤类型刮擦和划痕之间的区分度较小，容易产生混淆。

该可选的实施例中，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为N行N列的方阵，N为所述目标类型向量中所有损伤类型的数量，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，以损伤类型m和损伤类型n为示例，所述损伤类型m和n之间的区分度满足关系式：

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]。

第二训练单元113用于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。

在一个可选的实施例中，为了使第一损伤识别网络能够学习到不同损伤类型之间的区别特征，需要基于不同损伤类型之间的区分度构建区分度损失函数并对第一损伤识别网络进行第二次训练。

该可选的实施例中，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。

该可选的实施例中，所述区分度损失函数满足关系式：

其中，α_mn为损伤类型m和损伤类型n之间的区分度，为损伤识别结果中损伤类型m的平均类型向量，为损伤识别结果中损伤类型n的平均类型向量，表示和之间的L1距离，MAX为平均类型向量之间L1距离的最大值，所述L1距离的最大值MAX＝2，N为所有损伤类型的数量，Loss₁为区分度损失函数的数值，Loss₁的数值越小表示损伤识别结果的精度越高。

上述区分度损失函数中，用于约束损伤识别结果中不同损伤类型之间平均类型向量的距离达到最大值，从而迫使所述第一损伤识别网络学习到不同损伤类型之间的区别特征，同时，不同损伤类型之间的区分度α_mn越小表示越容易混淆，故通过(1-α_mn)分配较大的权重以确保能够学习到任意两种损伤类型之间的区别特征，至此，所述区分度损失函数构建完毕。

该可选的实施例中，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，在训练过程中，不断将检测集中的车辆图像输入所述第一损伤识别网络以获取输出结果，基于所述输出结果和所述车辆图像的标签数据计算区分度损失函数的数值并使用梯度下降法更新所述第一损伤识别网络中的参数，当区分度损失函数的数值不再变化时，停止第一损伤识别网络的训练得到第二损伤识别网络，所述第二损伤识别网络可以学习到不同损伤类型的区别特征。

损伤识别单元114用于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。

在一个可选的实施例中，采集实时车辆图像，将所述实时车辆图像输入第二损伤识别网络得到所述实时车辆图像的损伤识别结果，并基于所述损伤识别结果得到实时车辆图像中所有像素点的损伤类型。

该可选的实施例中，获取所述实时车辆图像的损伤识别结果之后，基于损伤识别结果中不同损伤类型的面积可以作为车险公司的理赔依据。

由以上技术方案可以看出，本申请将有标签数据的车辆图像划分为训练集和检测集两部分，基于训练集完成笫一次训练得到第一损伤识别网络，然后利用第一损伤识别网络获取检测集的检测结果，基于检测结果得到不同损伤类型的区分度，并构建区分度损失函数对第一损伤识别网络进行第二次训练得到第二损伤识别网络，从而提高车辆损伤识别的准确度。

请参见图3，是本申请实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行所述储器中存储的计算机可读指令以实现上述任一实施例所述的基于人工智能的车辆损伤识别方法。

在一个可选的实施例中，电子设备1还包括总线、存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于人工智能的车辆损伤识别程序。

图3仅示出了具有存储器12和处理器13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

结合图1，电子设备1中的所述存储器12存储多个计算机可读指令以实现一种基于人工智能的车辆损伤识别方法，所述处理器13可执行所述多个指令从而实现：

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。

具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，电子设备1可以是总线型结构，也可以是星形结构，电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如电子设备1还可以包括输入输出设备、网络接入设备等。

需要说明的是，电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。

其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的车辆损伤识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于人工智能的车辆损伤识别程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。

所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的车辆损伤识别方法实施例中的步骤，例如图1所示的步骤。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如，所述计算机程序可以被分割成采集单元110、第一训练单元111、区分度单元112、第二训练单元113、损伤识别单元114。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(Processor)执行本申请各个实施例所述的基于人工智能的车辆损伤识别方法的部分。

电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。

其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存储器及其他存储器等。

进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。

本申请实施例还提供一种计算机可读存储介质(图未示)，计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的车辆损伤识别方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。说明书陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (7)

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，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；

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；

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；所述区分度损失函数满足关系式：

其中，为损伤类型m和损伤类型n之间的区分度，为损伤识别结果中损伤类型m的平均类型向量，为损伤识别结果中损伤类型n的平均类型向量，表示和之间的L1距离，MAX为平均类型向量之间L1距离的最大值，所述L1距离的最大值MAX=2，N为所有损伤类型的数量，为区分度损失函数的数值；

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。

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，为损伤类型m和n之间的区分度，取值范围为[0,1]。

5.一种基于人工智能的车辆损伤识别装置，其特征在于，用于实现如权利要求1至4中任意一项所述的车辆损伤识别方法，所述装置包括：

采集单元，用于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；

第一训练单元，用于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；

区分度单元，用于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；

第二训练单元，用于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；

损伤识别单元，用于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。

6. 一种电子设备，其特征在于，所述电子设备包括：

存储器，存储有计算机可读指令；及

处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至4中任意一项所述的基于人工智能的车辆损伤识别方法。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至4中任一项所述的基于人工智能的车辆损伤识别方法。