[发明专利]一种基于改进Mask R-CNN的车辆智能定损方法

权利要求书

1.一种基于改进Mask R-CNN的车辆智能定损方法，其特征在于，包括以下步骤：

S1、对车辆损伤图片进行损伤类型标注和零部件标注后，制作成coco格式的标注数据集，并划分有训练集和测试集；

S2、构建多检测模型，为改进的Mask R-CNN；其中，所述Mask R-CNN的改进包括将特征提取网络部分的3*3卷积更换为DCNv2、将插值上采样方法更换为CARAFE采样方法、在RPN网络后面增加一个零部件分类的分支及将检测头部中用于边框回归的全连接头部更换为卷积头部；

S3、将训练集送入多检测模型训练，得到权重文件；

S4、基于得到的权重文件对损伤车辆图片进行检测，得到最终的定损图片。

2.根据权利要求1所述的一种基于改进Mask R-CNN的车辆智能定损方法，其特征在于，在步骤S1中，使用标注软件将车辆损伤图片中存在的损伤标注出来，包括轮廓、损伤种类、损伤所在零部件种类；标注后得到包含标注信息的json文件，将json文件和对应的原图片文件按9:1的比例划分为训练集和测试集后，转换成coco数据集格式。

3.根据权利要求1所述的一种基于改进Mask R-CNN的车辆智能定损方法，其特征在于，在步骤S2中，将模型的特征提取网络部分的3*3卷积更改为DCNv2，具体为：将特征提取网络ResNet50中stage3、stage4、stage5中子模块的3*3卷积更换为DCNv2，DCNv2是DCN的改进版本，DCNv2在DCN的基础上，不仅给每个采样位置加上偏移，还给每个采样位置计入了不同的权重，进一步增强了对几何变换的建模能力；

将插值上采样方法更换为CARAFE采样方法，能有效减少模型中由于上采样操作而存在的误差；

在RPN网络后面，增加一个零部件分类的分支，与损伤分类的分支并列，具体为：特征图在经过RPN网络后，通过两个全连接层输出分类，这两个全连接层构成了全连接头部，损伤和零部件是两种分类，需要两个分支的输出，因此在全连接层后增加一个分支，以便能同时输出损伤分类和损伤所在零部件的分类，损伤分类的分支与零部件分类的分支共享参数和全连接头部；

将检测头部中用于边框回归的全连接头部更换为卷积头部，具体为：原Mask R-CNN模型中检测框的回归与分类共享一个全连接头部，将检测框的回归从全连接头部中去掉，同时，从RPN网络后面增加一个卷积头部，用于检测框的回归，此卷积头部由3个残差模块和2个Non-local模块组成。