[发明专利]损伤图像智能定损方法、装置、电子设备及存储介质

权利要求书

1.一种损伤图像智能定损方法，其特征在于，所述方法包括：

获取原始损伤图像集，根据历史损伤图像集对所述原始损伤图像集进行采样，得到采样图像集；

获取所述采样图像集中每个采样图像的所有特征层，将所述采样图像中每个特征层的尺寸调整为相同尺寸，得到初始损伤图像集；

计算所述初始损伤图像集中每个特征层的语义信息，利用预设的语义特征强化函数对所述语义信息进行特征强化，得到标准损伤图像集；

计算所述标准损伤图像集中每个特征层的损伤值，根据所述损伤值检测所述标准损伤图像集的损伤位置，并裁剪出所述损伤位置对应的标准损伤图像集中的图像，得到目标损伤图像集；

通过预先训练完成的图像损伤程度检测模型对所述目标损伤图像集进行损伤程度检测，得到所述目标损伤图像集的损伤程度。

2.如权利要求1所述的损伤图像智能定损方法，其特征在于，所述预设的语义特征强化函数包括：

其中，y_i表示特征强化后的语义信息权重，x_i表示需要进行特征强化的语义信息，x_j表示不需要进行特征强化的语义信息权重，w_g表示语义信息的偏置，C(x)表示语义信息的归一化参数，e为无限不循环小数。

3.如权利要求1所述的损伤图像智能定损方法，其特征在于，所述计算所述标准损伤图像集中每个特征层的损伤值，根据所述损伤值检测所述标准损伤图像集的损伤位置，包括：

利用预设的损伤函数计算所述标准损伤图像集中每个特征层的损伤值，选取所述损伤值大于预设损伤阈值的特征层，得到损伤特征层，根据所述损伤特征层，检测出所述标准损伤图像集的损伤位置；

其中，所述预设的损伤函数包括：

γ＝αln(b+1)

其中，L_b(x)表示损伤值，x表示标准损伤图像集的像素值，α和b分别表示标准损伤图像集的权重和偏置，C表示标准损伤图像集的归一化参数。

4.如权利要求1至3中任意一项所述的损伤图像智能定损方法，其特征在于，该方法还包括训练所述图像损伤程度检测模型，其中，所述训练包括：

获取训练图像集以及所述训练图像集的标签值；

将所述训练图像集输入至所述图像损伤程度检测模型中进行训练，得到训练值，并通过预设的损失函数计算所述训练值与所述标签值的损失函数值；

在所述损失函数值大于预设的阈值时，重新调整所述图像损伤程度检测模型中的参数，并利用参数调整后的所述图像损伤程度检测模型重新对所述训练图像集进行训练，直至所述损失函数值不大于所述预设的阈值时，得到训练完成的图像损伤程度检测模型。

5.如权利要求4所述的损伤图像智能定损方法，其特征在于，所述损失函数包括：

其中，L(s)表示损失函数值，k表示训练图像集的数量，y_i表示训练值，y_i^′表示标签值。

6.一种损伤图像智能定损装置，其特征在于，所述装置包括：

采样模块，用于获取原始损伤图像集，根据历史损伤图像集对所述原始损伤图像集进行采样，得到采样图像集；

调整模块，用于获取所述采样图像集中每个采样图像的所有特征层，将所述采样图像中每个特征层的尺寸调整为相同尺寸，得到初始损伤图像集；

强化模块，用于计算所述初始损伤图像集中每个特征层的语义信息，用于利用预设的语义特征强化函数对所述语义信息进行特征强化，得到标准损伤图像集；

检测模块，用于计算所述标准损伤图像集中每个特征层的损伤值，根据所述损伤值检测所述标准损伤图像集的损伤位置，并裁剪出所述损伤位置对应的标准损伤图像集中的图像，得到目标损伤图像集；

定损模块，用于通过预先训练完成的图像损伤程度检测模型对所述目标损伤图像集进行损伤程度检测，得到所述目标损伤图像集的损伤程度。