[发明专利]一种车辆图像定损中的子部件损伤识别方法

说明书

本发明公开了一种车辆图像定损中的子部件损伤识别方法，用于识别车辆外观子部件损伤状态；其包括：针对车辆某些特定总成部件图，调用该总成部件的子部件分割模型，得到该总成部件像素级的子部件分割图；针对同一张车辆同一总成部件图，调用总成部件的损伤分割模型，得到该总成部件像素级的损伤分割图；分别提取该总成部件下的各子部件位置的像素级分割特征和损伤类型的像素级分割特征，输入到cnn分类模型，得到车辆总成部件下的各子部件损伤类型及损伤程度识别结果。本发明采用图像语义分割方法实现总成部件下的各子部件位置和损伤类型的像素级分割，两者结合实现各子部件损伤类型及损伤程度识别，实现了准确识别到最小外观子部件损伤状态。

技术领域

本发明涉及车辆定损技术领域，尤其涉及一种车辆图像定损中的子部件 损伤识别方法。

背景技术

分割是一个十分活跃的研究课题，在深度学习到来之前，性能最好的方 法大部分依赖于手工设计的特征来独立地分类像素，如像素级的决策树分 类。

2014年，加州伯克利分校的Long等人提出的全卷积网络(Fully ConvolutionalNetwork)，其推广了原有的CNN结构，在不带有全连接层的 情况进行的密集预测。随后又出现了Segnet网络，RefineNet网络，PSPNet 网络，Deeplab v1&v2&v3等网络。

另一方面，在车辆外观图片损伤识别系统中，需要精确识别到最小的外 观子部件配件的损伤状态，一般需要应用到分割技术；但在实际应用中，现 有的车辆外观图片损伤识别系统存在以下缺点：

1、识别准确率度低，目前车辆子部件损伤类型识别率整体偏低，尤其 是某些外形复杂的子部件；

2、分割类别数过多，模型不易收敛；

3、数据标注复杂度高，若按子部件的损伤类型来标，需要具备很高的 专业素质，至少能够准确判别所有子部件的损伤类型。

发明内容

针对上述现有技术中存在的不足之处，本发明提供一种车辆图像定损中 的子部件损伤识别方法，对于单个车辆外观总成部件采用图像语义分割方法 实现该总成部件下的各子部件位置的像素级分割和损伤类型的像素级分割， 两者信息结合从而实现该总成部件下的各子部件损伤类型及损伤程度识别， 实现了准确识别到最小外观子部件损伤状态。具体地，本发明包括以下步 骤：

针对车辆特定总成部件图，调用车辆相应总成部件的子部件分割模型， 得到该车辆总成部件像素级的子部件分割图；

针对同一张车辆总成部件图，调用车辆相应总成部件的损伤分割模型， 得到该车辆总成部件像素级的损伤分割图；

根据所述子部件分割图和所述损伤分割图，分别提取所述车辆总成部件 下的各子部件位置的像素级分割特征和损伤类型的像素级分割特征，输入到 分类模型，得到车辆总成部件下的各子部件损伤类型及损伤程度识别结果。

可选地，所述子部件分割模型和所述损伤分割模型均使用deeplabv3算 法。

可选地，所述分类模型为cnn分类模型。

进一步地，所述得到车辆总成部件下的各子部件损伤类型及损伤程度识 别结果的步骤，具体为：

结合子部件位置的像素级分割特征和损伤类型的像素级分割特征，生成 与车辆总成部件图尺寸大小相同，且每个像素点包含子部件标签和损伤类型 标签的特征图作为输入，使用ResNetV1_50网络进行分类，最终得到车辆子 部件的损伤类型及损伤程度识别结果。

本发明结合车辆子部件分割结果和损伤类型分割结果，通过cnn分类网 络得到最终的子部件损伤状态结果，具有以下优点：