[发明专利]一种基于改进Mask R-CNN的车辆智能定损方法

说明书

本发明公开了一种基于改进Mask R‑CNN的车辆智能定损方法，包括：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、基于权重文件对损伤车辆图片进行检测，得到最终的定损图片。本发明在使用一个模型的基础上可以同步输出损伤类型和零部件类型，十分高效和简洁，且通过改进提升模型的准确率和召回率。

技术领域

本发明涉及目标检测和实例分割的技术领域，尤其是指一种基于改进Mask R-CNN的车辆智能定损方法。

背景技术

传统的汽车定损过程繁杂，处理周期长，且定损结果可能会因定损员专业素养的差异而不同，人力支出也占据着成本的一大部分，汽车保险行业对智能定损有着迫切的需求。得益于计算能力的增强、数据的增多以及学习算法的成熟，深度学习越来越多地应用于实际问题。车辆智能定损，采用深度学习的方法，通过车主或定损员上传的车辆外观图片，运用图像识别检测技术快速地判定车辆损伤部位、类型及程度。用人工智能来代替人的眼睛和大脑，可以更加方便准确地确定车辆损伤部位、类型及程度，精简整个定损流程。

现有的车辆智能定损方法大多涉及两个检测分割模型，一个模型对损伤进行检测，另一个模型对损伤所在零部件进行检测。两个模型或通过串行的方式连接，或通过并行的方式连接，都各自存在着缺陷。串行连接的方法导致模型检测效率低，而并行连接的方法在损伤检测结果和零部件检测结果的结合过程中又容易产生误差。此外，在车损识别这种复杂的场景中，损伤和零部件本身多种类、多尺度的特性给现有的检测分割模型带来了极大的挑战。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于改进Mask R-CNN的汽车智能定损方法，可有效提高损伤检测和零部件识别的同步输出以及模型准确率和召回率，减少汽车损伤错检和漏检的现象。

为实现上述目的，本发明所提供的技术方案为：一种基于改进Mask R-CNN的车辆智能定损方法，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。

进一步，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。

进一步，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；