[发明专利]基于深度学习的识别车辆损伤的方法和相关装置

说明书

本发明提供基于深度学习的识别车辆损伤的方法和相关装置，其中，所述方法包括：获取目标车辆对应的第一图片，所述目标车辆为待识别损伤的车辆，所述第一图片为包含所述目标车辆的损伤部位的图片；通过残差密集网络对所述第一图片进行处理，得到第二图片，所述第二图片的分辨率高于所述第一图片的分辨率；通过基于单点多盒检测器算法的损伤检测模型对所述第二图片进行检测，得到第一信息，所述第一信息包括所述损伤部位在所述第二图片中的位置坐标；根据所述位置坐标在所述第二图片中标记出所述损伤部位所在的区域。该技术方案可以识别车辆的微小损伤，提高车辆损伤识别的精度。

技术领域

本发明涉及计算机技术领域，尤其涉及基于深度学习的识别车辆损伤的方法和相关装置。

背景技术

机动车辆保险，是指对机动车辆由于自然灾害或意外事故所造成的人身伤亡或财产损失负赔偿责任的一种商业保险。在对机动车辆保险进行理赔的过程中，保险公司需要对机动车辆是否存在损伤和车辆损伤类型等进行判定和识别，以进行责任认定和理赔。

在车辆发生交通事故后，车辆的某些部位会留下破损、刮伤等损伤的痕迹。目前，保险公司一般是识别车主或业务人员拍摄的经过交通事故后的车辆的图片，对图片中车辆的损伤部位的损伤类型来对车辆存在的损伤和损伤类型进行识别判定。由于在不同的交通事故中，车辆所产生的损伤类型不同。对于损伤类型较轻的部位，其在图片中不明显，导致无法识别，这样容易影响责任认定和后续的理赔。

发明内容

本发明实施例提供基于深度学习的识别车辆损伤的方法和相关装置，解决无法识别车辆损失程度较轻的部位的问题。

第一方面，提供一种基于深度学习的识别车辆损伤的方法，包括：

获取目标车辆对应的第一图片，所述目标车辆为待识别损伤的车辆，所述第一图片为包含所述目标车辆的损伤部位的图片；

通过残差密集网络(residual dense network，RDN)对所述第一图片进行处理，得到第二图片，所述第二图片的分辨率高于所述第一图片的分辨率；

通过基于单点多盒检测器(single shot multiboxdetector，SSD)算法的损伤检测模型对所述第二图片进行检测，得到第一信息，所述第一信息包括所述损伤部位在所述第二图片中的位置坐标；

根据所述位置坐标在所述第二图片中标记出所述损伤部位所在的区域。

本发明实施例中，在获取到包含车辆的损伤部位的图片后，通过RDN对图片进行识别，得到分辨率更高的图片，再通过基于SSD的损伤检测模型对该分辨率更高的图片进行检测，确定损伤部位在第二图片中的位置坐标并在第一图片中标记出损伤部位所在的区域。由于通过RDN对图片进行处理，使得图片的细节更清晰，在图片的细节更清晰的基础上，通过损伤检测模型可以识别出损伤类型较轻的损伤部位，提高了车辆损伤识别和定位的精度。

结合第一方面，在一种可能的实现方式中，所述通过残差密集网络对所述第一图片进行处理，得到第二图片，包括：基于所述残差密集网络的浅层特征提取网络对所述第一图片进行卷积处理，得到所述第一图片对应的浅层特征图；基于所述残差密集网络的残差密集网络对所述浅层特征卷积图进行卷积和线性修正处理，得到所述第一图片对应的多个残差密集特征图，所述残差密集网络包括多个残差密集块，所述多个残差密集特征图分别为所述多个残差密集块中的各个残差密集块对应的残差密集特征图；基于所述残差密集网络的密集特征融合网络对多个局部特征图进行密集特征融合，得到所述第一图片对应的全局特征图，所述多个局部特征图包括所述浅层特征图和所述多个残差密集特征图；基于所述残差密集网络的上采样网络对所述全局特征图进行上采样和卷积处理，得到第二图片。通过对图片进行浅层特征提取、层级特征提取、全局特征融合和上采样等过程，可以提高图片的分辨率。