[发明专利]基于神经网络的车辆损伤级别的确定方法及终端设备

权利要求书

1.一种基于神经网络的车辆损伤级别的确定方法，其特征在于，包括：

获取车辆损伤图像，并根据所述车辆损伤图像中各个像素点的位置坐标与RGB值的对应关系，生成所述车辆损伤图像对应的损伤数据矩阵；

将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵；

将所述特征矩阵导入预设的softmax分类器中，计算所述特征矩阵对应的概率矩阵，所述概率矩阵中的每个元素的值代表所述车辆损伤图像属于该元素对应的损伤级别的概率；

将所述概率矩阵中值最大的元素对应的损失级别，输出为所述车辆损伤图像对应的损伤级别。

2.如权利要求1所述的基于神经网络的车辆损伤级别的确定方法，其特征在于，所述预设的卷积神经网络包括第一预设数量个3×3的卷积层，每个卷积层根据其在所述卷积神经网络由前至后的顺序对应一个卷积层编号；

所述将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵，包括：

将所述损伤数据矩阵导入预设的卷积神经网络，并从所述卷积层编号最大的卷积层开始，每间隔第二预设数量的卷积层编号，提取一个卷积层输出的数据，作为被选数据；

将第三预设数量的被选数据进行全局平均池化，生成所述第三预设数量的池化向量；

对所述第三预设数量的池化向量进行拼接，生成总池化向量；

将所述总池化向量输入所述卷积神经网络的全连接层，输出所述车辆损伤图像的特征矩阵。

3.如权利要求1所述的基于神经网络的车辆损伤级别的确定方法，其特征在于，所述计算所述特征矩阵对应的概率矩阵，包括：

通过公式：计算所述特征矩阵对应的概率矩阵；所述σ(j)为所述概率矩阵中第j个元素对应的概率值；z_j为预设的参数矩阵中第j个元素对应的参数；所述M为所述参数矩阵中元素的个数，所述xⁱ为所述特征矩阵中第i个元素，所述e为自然常数。

4.如权利要求3所述的基于神经网络的车辆损伤级别的确定方法，其特征在于，在所述获取原始图像之前，还包括：

调取预设数量的训练矩阵，以及各个训练矩阵对应的损伤级别；

通过预设规则：确定训练矩阵t对应的基准系数，所述r_t表示训练矩阵t对应的基准系数，所述x(t)表示所述训练矩阵t对应的损伤级别；

获取预设的代价函数：所述T(z)为所述参数矩阵对应的代价参数，所述M为所述参数矩阵中元素的个数，所述P为所述训练矩阵的数量，所述x^ti为所述特征矩阵t中第i个元素，所述z_j为预设的参数矩阵中第j个元素对应的参数，所述s为预设的正则化系数，所述N为所述概率矩阵的元素的个数；

通过梯度下降法求解所述代价参数的最小值，输出代价参数取最小值时对应的所述参数矩阵中的各个元素，以生成所述参数矩阵。

5.如权利要求1所述的基于神经网络的车辆损伤级别的确定方法，其特征在于，还包括：

获取多个预设的训练损伤数据矩阵，以及训练损伤数据矩阵对应的特征矩阵；

反复执行以下步骤直至更新后的卷积神经网络的交叉熵损失函数值小于预设的损失阈值：

将所述训练损伤数据矩阵作为所述卷积神经网络的输出，通过随机梯度下降法对所述卷积神经网络的全连接层中的各层参数进行更新，计算更新后的卷积神经网络的交叉熵损失函数值。

6.一种终端设备，包括存储器以及处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如下步骤：

获取车辆损伤图像，并根据所述车辆损伤图像中各个像素点的位置坐标与RGB值的对应关系，生成所述车辆损伤图像对应的损伤数据矩阵；

将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵；

将所述特征矩阵导入预设的softmax分类器中，计算所述特征矩阵对应的概率矩阵，所述概率矩阵中的每个元素的值代表所述车辆损伤图像属于该元素对应的损伤级别的概率；

将所述概率矩阵中值最大的元素对应的损失级别，输出为所述车辆损伤图像对应的损伤级别。