[发明专利]基于深度学习的汽车表面损伤分类方法及装置

摘要

本发明涉及图像检测领域，尤其是涉及一种基于深度学习的汽车表面损伤分类方法及装置。本发明针对现有技术存在的问题，提供一种分类方法及装置。对输入的待测图像进行特征学习和分类，具体是利用区域选择性搜索算法从每个待测图像上提取a个候选区域并记录各候选区域的位置信息；将所述待测图像输入去掉输出层的特征图提取网络模型中，以提取待测图像各候选区域的特征向量；将各候选区域的特征向量输入到SVM分类器中找到目标特征向量；根据目标特征向量在特征图中的位置找到对应的候选区域在待测图像上的位置，即为待测图像的目标区域；将待测图像的目标区域输入到最优分类网络模型中，输出该区域在各受损等级上的概率。

主权项

1.一种基于深度学习的汽车表面损伤分类方法，其特征在于包括：步骤1：手动收集p张汽车外观相同部位的汽车受损图像，采用随机翻转、随机裁剪以及颜色变换对p张汽车受损图像进行样本量扩充，建立汽车受损图像库，得到n张汽车受损图像；其中汽车外观相同部位分别指的是汽车叶子板、车门、保险杠以及车头部分形状相同的汽车，n大于10000；n>p；步骤2：从汽车受损图像库中随机选取m张受损图像建立训练样本库，手动标定训练样本库中各受损图像的待测部件作为选定区域；采用选择性搜索算法从训练样本库中每个受损图像选取a个图像块作为候选区域；然后计算各候选区域的面积重合度s，用SoftMax分类器对目标区域和背景区域的特征向量进行分类操作后，得到候选区域的最佳特征图，同时得到训练好的特征图提取网络模型；将该特征图提取网络模型的输出层采用一个SVM分类器替换，训练SVM分类器对目标区域、背景区域和干扰区域的特征向量进行分类操作；通过SVM分类器可找到目标区域的特征向量，并根据特征向量找到对应的候选区域在样本图像中的位置即可作为待测部件区域；其中m其中概率值最大的受损等级即为该目标区域的受损等级；该目标区域的受损等级反映汽车受损图像待测区域的受损程度，其中待测图像指的是需要测试损伤等级的汽车外观图片；a范围是1000到2000。