车辆损伤的检测方法、装置、设备及存储介质与流程

1.本技术涉及到人工智能技术领域，特别是涉及到一种车辆损伤的检测方法、装置、设备及存储介质。


背景技术：

2.在汽车的日常驾驶中，受天气情况、道路环境和驾驶人员个体差异等因素的影响，汽车受损是不可避免的。因此，确定受损车辆的受损部位和受损程度是不可或缺的，其不仅会影响到后续车辆维修方案的确定，也会影响到事故相关方的经济赔偿额度确认。
3.近年来，随着人工智能技术的发展，已有一部分机构摒弃了依赖人工判断的定损方法，转而采用基于人工智能视觉检测等方法为受损车辆定损。但是基于人工智能视觉检测等方法需要预先获取不同车型下，大量带标注的车辆图片进行模型训练，在生产实践中，若人工智能视觉检测模型未预先对需要定损的车型进行训练，则无法准确识别车辆的损伤情况，导致车辆损伤检测的精确度降低。


技术实现要素：

4.本技术的主要目的为提供一种车辆损伤的检测方法、装置、设备及存储介质，旨在解决现有技术中未预先对需要定损的车型进行训练则无法准确识别车辆的损伤情况，导致车辆损伤检测的精确度降低的技术问题。
5.为了实现上述发明目的，本技术提出一种车辆损伤的检测方法，所述方法包括：
6.获取标准数据集，其中，所述标准数据集包括带有不同标准损伤标注信息的若干个不同车辆类型的车辆数据；
7.获取目标图像，对所述目标图像进行预识别，并对每一个预识别为损伤区域的部位标记区域候选框，其中，所述目标图像包括若干个未进行损伤标注的车辆图像；
8.根据不同的所述区域候选框之间的位置关系，识别每一个所述区域候选框在所述目标图像中对应的目标损伤部位；
9.分别对所述区域候选框进行聚合计算，得到所述区域候选框聚合至所述目标损伤部位时的聚合嵌入值和聚合置信度；
10.根据所述聚合嵌入值和所述聚合置信度，对同一个所述目标损伤部位对应的各个所述区域候选框进行合并，得到所述目标损伤部位对应的原型表征信息；
11.通过检测模型，分别将所述原型表征信息与每一个所述车辆类型的标准损伤标注信息进行域间对齐，并将对齐距离最小的标准损伤标注信息作为所述原型表征信息对应的车辆损伤信息。
12.进一步的，所述根据不同的所述区域候选框之间的位置关系，识别每一个所述区域候选框在所述目标图像中对应的目标损伤部位，包括：
13.在同一个所述目标图像中，选取两个不同的所述区域候选框作为第一识别框和第二识别框；
14.根据所述第一识别框和所述第二识别框的位置关系，计算所述第一识别框和所述第二识别框之间的交并比；
15.若所述交并比大于预设的比例阈值，判定所述第一识别框和所述第二识别框对应的目标损伤部位相同；
16.再次选取两个不同的所述区域候选框作为所述第一识别框和所述第二识别框，并进行所述交并比计算和所述比例阈值判定，直至所述目标图像中的每一个所述区域候选框均与其余所述区域候选框完成所述交并比计算和所述比例阈值判定。
17.进一步的，所述聚合嵌入值的计算方法，包括：
18.通过所述交并比构建所述区域候选框之间的邻接矩阵；
19.获取所述区域候选框的特征嵌入值，并通过下式计算所述特征嵌入值对应的所述聚合嵌入值：
[0020][0021]
式中，为所述聚合嵌入值，f为所述特征嵌入值，a为所述邻接矩阵，d为所述邻接矩阵的对角矩阵。
[0022]
进一步的，所述聚合置信度的计算方法，包括：
[0023]
获取所述区域候选框的分类置信度，并通过下式计算所述分类置信度对应的所述聚合置信度：
[0024][0025]
式中，为所述聚合置信度，p为所述分类置信度，a为所述邻接矩阵，d为所述邻接矩阵的对角矩阵。
[0026]
进一步的，所述根据所述聚合嵌入值和所述聚合置信度，对同一个所述目标损伤部位对应的各个所述区域候选框进行合并，得到所述目标损伤部位对应的原型表征信息，包括：
[0027]
将所述聚合置信度作为所述区域候选框的合并权重；
[0028]
根据所述合并权重，对所述聚合嵌入值进行加权平均计算，得到所述原型表征信息。
[0029]
进一步的，所述通过检测模型，分别将所述原型表征信息与每一个所述车辆类型的标准损伤标注信息进行域间对齐，包括：
[0030]
通过内置有类间损失约束的检测模型，对所述原型表征信息和所述标准损伤标注信息进行特征分布对齐。
[0031]
进一步的，所述区域候选框的标记方法，包括：
[0032]
基于faster r
‑
cnn目标检测框架，对所述目标图像的区域候选网络进行前景与背景特征的特征提取，生成所述区域候选框。
[0033]
本技术还提出了一种车辆损伤的检测装置，包括：
[0034]
数据集获取模块，用于获取标准数据集，其中，所述标准数据集包括带有不同标准损伤标注信息的若干个不同车辆类型的车辆数据；
[0035]
图像获取模块，用于获取目标图像，对所述目标图像进行预识别，并对每一个预识别为损伤区域的部位标记区域候选框，其中，所述目标图像包括若干个未进行损伤标注的
车辆图像；
[0036]
目标损伤部位识别模块，用于根据不同的所述区域候选框之间的位置关系，识别每一个所述区域候选框在所述目标图像中对应的目标损伤部位；
[0037]
聚合计算模块，用于分别对所述区域候选框进行聚合计算，得到所述区域候选框聚合至所述目标损伤部位时的聚合嵌入值和聚合置信度；
[0038]
合并计算模块，用于根据所述聚合嵌入值和所述聚合置信度，对同一个所述目标损伤部位对应的各个所述区域候选框进行合并，得到所述目标损伤部位对应的原型表征信息；
[0039]
域对齐模块，用于通过检测模型，分别将所述原型表征信息与每一个所述车辆类型的标准损伤标注信息进行域间对齐，并将对齐距离最小的标准损伤标注信息作为所述原型表征信息对应的车辆损伤信息。
[0040]
本技术还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
[0041]
本技术还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
[0042]
本技术的车辆损伤的检测方法、装置、设备及存储介质，通过获取未进行损伤标注的车辆损伤图像作为目标图像，对目标图像生成若干个区域候选框，从而实现了对车辆可能损伤区域的自动识别；通过对每一个区域候选框的位置关系进行识别，从而判定不同的区域候选框是否对应同一个损伤目标损伤部位，提高了目标损伤部位识别的完整性；通过对区域候选框进行聚合计算，并得到不同目标损伤部位分别对应的原型表征信息，从而增强了区域识别的鲁棒性，避免个别区域候选框标注误差导致损伤区域识别错误的问题；通过对原型表征信息和标准损伤标注信息进行域间对齐，输出原型表征信息对应的车辆损伤信息，从而提高了车辆损伤检测的精确度。
附图说明
[0043]
图1为本技术一实施例的车辆损伤的检测方法的流程示意图；
[0044]
图2为本技术一具体实施方式的车辆损伤的检测方法的流程示意图；
[0045]
图3为本技术一实施例的车辆损伤的检测装置的结构示意框图；
[0046]
图4为本技术一实施例的计算机设备的结构示意框图。
[0047]
本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0048]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0049]
参照图1，本技术实施例中提供一种为了实现上述发明目的，本技术提出一种车辆损伤的检测方法，所述方法包括：
[0050]
s1：获取标准数据集，其中，所述标准数据集包括带有不同标准损伤标注信息的若干个不同车辆类型的车辆数据；
[0051]
s2：获取目标图像，对所述目标图像进行预识别，并对每一个预识别为损伤区域的部位标记区域候选框，其中，所述目标图像包括若干个未进行损伤标注的车辆图像；
[0052]
s3：根据不同的所述区域候选框之间的位置关系，识别每一个所述区域候选框在所述目标图像中对应的目标损伤部位；
[0053]
s4：分别对所述区域候选框进行聚合计算，得到所述区域候选框聚合至所述目标损伤部位时的聚合嵌入值和聚合置信度；
[0054]
s5：根据所述聚合嵌入值和所述聚合置信度，对同一个所述目标损伤部位对应的各个所述区域候选框进行合并，得到所述目标损伤部位对应的原型表征信息；
[0055]
s6：通过检测模型，分别将所述原型表征信息与每一个所述车辆类型的标准损伤标注信息进行域间对齐，并将对齐距离最小的标准损伤标注信息作为所述原型表征信息对应的车辆损伤信息。
[0056]
本实施例通过获取未进行损伤标注的车辆损伤图像作为目标图像，对目标图像生成若干个区域候选框，从而实现了对车辆可能损伤区域的自动识别；通过对每一个区域候选框的位置关系进行识别，从而判定不同的区域候选框是否对应同一个损伤目标损伤部位，提高了目标损伤部位识别的完整性；通过对区域候选框进行聚合计算，并得到不同目标损伤部位分别对应的原型表征信息，从而增强了区域识别的鲁棒性，避免个别区域候选框标注误差导致损伤区域识别错误的问题；通过对原型表征信息和标准损伤标注信息进行域间对齐，输出原型表征信息对应的车辆损伤信息，从而提高了车辆损伤检测的精确度。
[0057]
对于步骤s1，本实施例通常应用在车辆损伤检测记录领域，为了对车辆损伤情况进行评定，往往需要对车辆图像进行采集和识别；本技术实施例可以基于人工智能技术对车辆图像进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。具体来说，上述带有标准损伤标注信息的车辆数据，通常为带有大量标注的业务场景数据集，例如带损伤标注的不同车辆类型的车辆数据，从而将上述带损伤标注的不同车辆类型的车辆数据作为源域，以便于与后续目标图像形成的目标域进行域对齐。
[0058]
对于步骤s2，上述未进行损伤标注的车辆损伤图像，可以为不带标注的难以识别车辆类型的车辆数据集。具体来说，在日常的车辆损伤检测中，由于部分车辆较为老旧或损伤较为严重，导致其类型的训练数据难以获取。因此可以将不带标注的难以区分车辆类型的车辆数据集作为目标域，与上述带损伤标注的已知车辆类型的车辆数据形成的源域进行域对齐，即通过带损伤标注的已知车辆类型的车辆数据对未标注的未知车辆类型的车辆数据进行损伤预测。
[0059]
当获取到目标图像后，可通过预训练的图像识别模型对未知车辆类型的目标图像进行损伤预识别，具体来说，可以对目标图像进行图像识别，根据颜色、形状、纹路等参数识别上述车辆损伤图像中可能为损伤区域的部分，并对每一个识别为损伤区域的部分进行框选，得到若干个区域候选框。
[0060]
对于步骤s3，由于在实际的损伤检测中，区域候选框往往存在偏差，无法完全准确地框选到完整的损伤区域，导致框选的部分包含的目标实例信息不够充分，因此，本实施例通过构建区域候选框之间的位置关系图，根据各个区域候选框之间的位置关系，构建成一
个图(graph)数据结构，该数据结构包含一些顶点的集合，顶点之间通过一系列的边连接，其中，一个顶点即一个区域候选框，顶点之间连接的边的长度即两个区域候选框之间的距离；本实施例采用距离筛选的方式，区分不同的区域候选框是否对应同一个损伤部位，具体地，将长度大于预设的边长阈值的边进行删除，即取消该条边两端的区域候选框的连接，最终保留连接的边对应的顶点即位置关系较靠近的区域候选框，此时可以分别将仍相互连接的区域候选框进行区域划分，得到若干个相互独立的区域，而各个区域中包含有若干个存在连接关系的区域候选框，一个独立的区域即可视为一个上述目标损伤部位，一个目标损伤部位即一个实际损伤部位在目标图像上对应的影像。
[0061]
对于步骤s4，对区域候选框进行对应后，虽然能够提高识别到的损伤部位的完整度，但是由于识别偏差，有一部分区域候选框往往会分布在损伤部位的周围，这就导致了单个候选框表征一个物体的不准确性。为了实现更精确的实例水平的特征表征，属于同一个目标损伤部位的候选框应该聚合为一个完整的选框，从而使得该完整的选框内的图像能够形成一个较为完整的损伤部位影像，本实施例中，聚合嵌入值表示该区域候选框对于某一个目标损伤部位而言的影响程度，而聚合置信度表示该区域候选框归属于该目标损伤部位的可能性。
[0062]
对于步骤s5，通过将聚合置信度作为聚合嵌入值的权重，将一个目标损伤部位对应的若干个区域候选框基于上述权重进行加权计算，加权计算结果即各个区域候选框的合并结果，从而完成了对区域候选框的特征表征在实例水平的聚合，然而聚合结果对应的目标损伤部位的图像往往是包括视觉的模态信息，为了便于后续域间对齐的量化计算，不同目标损伤部位反映出的模态信息应被整合成原型表征信息，从而在后续的域间对齐中作为每个目标损伤部位的代替物，本实施例中，原型表征信息是对人类视觉特征进行数据化参数，用于表示目标损伤部位对应的图像部位的特征信息。
[0063]
对于步骤s6，通过预设的车辆损伤检测模型，对上述源域和目标域进行对齐，其中，源域即上述带有标准损伤标注信息的已知车辆类型的车辆数据，目标域采用上述步骤s5得到的原型表征信息进行替代，对若干个源域和若干个目标域进行对齐后，能够得到若干个相互关联的源域
‑
目标域对，其中，在同一个源域
‑
目标域对中，目标域的损伤原因与源域相同，而源域
‑
目标域的对齐距离越小，表示这两个域越靠近，即车辆类型越相近，反之亦然，因此，本实施例将对齐距离最小的源域
‑
目标域对作为最接近的检测结果；此时，由于源域为带有标准损伤标注信息的车辆数据，因此可以将该标准损伤标注作为与该源域最接近的目标域所对应的目标损伤部位的损伤原因，从而实现了对难以获取训练样本的国外损伤车辆的损伤检测。
[0064]
在一个实施例中，所述根据不同的所述区域候选框之间的位置关系，识别每一个所述区域候选框在所述目标图像中对应的目标损伤部位s3，包括：
[0065]
s31：在同一个所述目标图像中，选取两个不同的所述区域候选框作为第一识别框和第二识别框；
[0066]
s32：根据所述第一识别框和所述第二识别框的位置关系，计算所述第一识别框和所述第二识别框之间的交并比；
[0067]
s33：若所述交并比大于预设的比例阈值，判定所述第一识别框和所述第二识别框对应的目标损伤部位相同；
[0068]
s34：再次选取两个不同的所述区域候选框作为所述第一识别框和所述第二识别框，并进行所述交并比计算和所述比例阈值判定，直至所述目标图像中的每一个所述区域候选框均与其余所述区域候选框完成所述交并比计算和所述比例阈值判定。
[0069]
本实施例通过交并比的方式进一步确定不同的区域候选框是否对应同一个目标损伤部位，提高了目标损伤部位识别的准确性。
[0070]
对于步骤s31，在实际的车辆损伤中，有可能会存在多个较小的损伤，此时若仅按照两个区域候选框之间的距离判定是否属于同一个模板单元，往往会导致多个较小的独立损伤被识别为同一片损伤，因此，本实施例通过交并比的方式进一步确定不同的区域候选框是否对应为同一个损伤部位。
[0071]
对于步骤s32，选定两个识别框后，计算二者的交集面积以及并集面积，将交集面积与并集面积的比值作为上述交并比。
[0072]
对于步骤s33，可以理解地，由于交并比越接近1，二者的重合概率越大，因此当交并比大于预设的比例阈值时，标识两个识别框之间存在较大的重合区域，因此可以判定第一识别框和第二识别框对应的目标损伤部位相同。
[0073]
对于步骤s34，当前两个识别框计算完成后，再次选取其余的区域候选框进行上述交并比计算和判定，直至两两区域候选框之间均完成一次判定。
[0074]
在一个实施例中，所述聚合嵌入值的计算方法s4，包括：
[0075]
s41：通过所述交并比构建所述区域候选框之间的邻接矩阵；
[0076]
s42：获取所述区域候选框的特征嵌入值，并通过下式计算所述特征嵌入值对应的所述聚合嵌入值：
[0077][0078]
式中，为所述聚合嵌入值，f为所述特征嵌入值，a为所述邻接矩阵，d为所述邻接矩阵的对角矩阵。
[0079]
本实施例通过邻接矩阵计算不同区域候选框之间的聚合嵌入值，从而能够表达更精确的损伤实例信息。
[0080]
对于步骤s41，上述邻接矩阵可以根据上述图(graph)数据结构得到，邻接矩阵通常包括一个二维数组，该二维数组中的一维数组存放图(graph)数据结构中所有顶点数据，一个二维数组存放顶点间关系(边)的数据，从而得到量化的区域候选框之间的距离，进而判定区域候选框之间的聚合度。
[0081]
对于步骤s42，可以通过特征选择算法(embedded)计算上述区域候选框的特征嵌入值，该算法能够获取区域候选框的特征组合，并在特征组合中找出最优的特征组合然后返回特征嵌入值结果，以用于描述不同的区域候选框的矢量特征，即上述特征嵌入值能够将数据降维为固定大小的矢量特征表示，以便于处理和计算；因此，本实施例先对区域候选框中的图像进行特征嵌入值提取，以便于后续聚合计算。
[0082]
在一个实施例中，所述聚合置信度的计算方法s4，包括：
[0083]
s43：获取所述区域候选框的分类置信度，并通过下式计算所述分类置信度对应的所述聚合置信度：
[0084]
[0085]
式中，为所述聚合置信度，p为所述分类置信度，a为所述邻接矩阵，d为所述邻接矩阵的对角矩阵。
[0086]
本实施例通过邻接矩阵计算不同区域候选框之间的聚合嵌入值，从而能够进一步表达更精确的损伤实例信息。
[0087]
对于步骤s43，对每个区域候选框所框选的图像分别生成分类置信度，上述分类置信度代表一个区域候选框属于预定目标损伤部位的可能性。具体来说，可以预设图像分类模型，通过该图像分类模型判定区域候选框中的图像是否与某一目标损伤部位为对应关系，并计算该区域候选框与该目标损伤部位为对应关系的可能性，即上述分类置信度。上述聚合置信度即：在邻接矩阵所提供的空间相关性下，该区域候选框属于该目标损伤部位的可能性。
[0088]
在一个实施例中，参照图2，所述聚合嵌入值和所述聚合置信度，对同一个所述目标损伤部位对应的各个所述区域候选框进行合并，得到所述目标损伤部位对应的原型表征信息s5，包括：
[0089]
s51：将所述聚合置信度作为所述区域候选框的合并权重；
[0090]
s52：根据所述合并权重，对所述聚合嵌入值进行加权平均计算，得到所述原型表征信息。
[0091]
本实施例按照合并权重进行加权计算并得到加权后的原型表征信息，从而得到对置信度较高的区域候选框更为突出的原型表征信息。
[0092]
对于步骤s52，为了突出对特定类别比较重要的区域候选框对应的模态信息，本技术以每个区域候选框的聚合置信度作为合并权重进行合并，从而按照聚合置信度对不同的区域候选框进行合并，得到上述目标损伤部位的原型表征信息。
[0093]
在一个实施例中，所述通过检测模型，分别将所述原型表征信息与每一个所述车辆类型的标准损伤标注信息进行域间对齐s6，包括：
[0094]
s61：通过内置有类间损失约束的检测模型，对所述原型表征信息和所述标准损伤标注信息进行特征分布对齐。
[0095]
本实施例通过类间损失约束来进行特征分布对齐，从而得到考虑类别不平衡性的域对齐结果。
[0096]
对于步骤s61，其核心思想是通过对类间损失约束，进行最小化类内的损失(记为l
intra
)计算，来缩小两个原型表征信息的距离。另外，不同原型表征信息之间的距离被另一个类间损失(记为l
inter
)约束。而且考虑到类别不平衡性的存在，可以通过设置两个类间损失的参数调整不同类别的影响。
[0097]
在一个实施例中，所述区域候选框的标记方法s2，包括：
[0098]
s21：基于faster r
‑
cnn目标检测框架，对所述目标图像的区域候选网络进行前景与背景特征的特征提取，生成区域候选框。
[0099]
本实施例通过faster r
‑
cnn目标检测框架，对目标图像的区域候选网络进行前景与背景特征的特征提取，从而生成准确的区域候选框。
[0100]
对于步骤s21，可以建立基于卷积神经网络(convolutional neural networks，cnn)的初始车辆损伤检测模型，并使用图诱导原型对齐(graph
‑
induced prototype alignment)框架来对初始车辆损伤检测模型进行无监督域自适应学习，提升初始车辆损伤
检测模型在目标域数据上的精度。
[0101]
参照图3，本技术还提出了一种车辆损伤的检测装置，包括：
[0102]
数据集获取模块100，用于获取标准数据集，其中，所述标准数据集包括带有不同标准损伤标注信息的若干个不同车辆类型的车辆数据；
[0103]
图像获取模块200，用于获取目标图像，对所述目标图像进行预识别，并对每一个预识别为损伤区域的部位标记区域候选框，其中，所述目标图像包括若干个未进行损伤标注的车辆图像；
[0104]
目标损伤部位识别模块300，用于根据不同的所述区域候选框之间的位置关系，识别每一个所述区域候选框在所述目标图像中对应的目标损伤部位；
[0105]
聚合计算模块400，用于分别对所述区域候选框进行聚合计算，得到所述区域候选框聚合至所述目标损伤部位时的聚合嵌入值和聚合置信度；
[0106]
合并计算模块500，用于根据所述聚合嵌入值和所述聚合置信度，对同一个所述目标损伤部位对应的各个所述区域候选框进行合并，得到所述目标损伤部位对应的原型表征信息；
[0107]
域对齐模块600，用于通过检测模型，分别将所述原型表征信息与每一个所述车辆类型的标准损伤标注信息进行域间对齐，并将对齐距离最小的标准损伤标注信息作为所述原型表征信息对应的车辆损伤信息。
[0108]
本实施例通过获取未进行损伤标注的车辆损伤图像作为目标图像，对目标图像生成若干个区域候选框，从而实现了对车辆可能损伤区域的自动识别；通过对每一个区域候选框的位置关系进行识别，从而判定不同的区域候选框是否对应同一个损伤目标损伤部位，提高了目标损伤部位识别的完整性；通过对区域候选框进行聚合计算，并得到不同目标损伤部位分别对应的原型表征信息，从而增强了区域识别的鲁棒性，避免个别区域候选框标注误差导致损伤区域识别错误的问题；通过对原型表征信息和标准损伤标注信息进行域间对齐，输出原型表征信息对应的车辆损伤信息，从而提高了车辆损伤检测的精确度。
[0109]
在一个实施例中，目标损伤部位识别模块300，还用于：
[0110]
在同一个所述目标图像中，选取两个不同的所述区域候选框作为第一识别框和第二识别框；
[0111]
根据所述第一识别框和所述第二识别框的位置关系，计算所述第一识别框和所述第二识别框之间的交并比；
[0112]
若所述交并比大于预设的比例阈值，判定所述第一识别框和所述第二识别框对应的目标损伤部位相同；
[0113]
再次选取两个不同的所述区域候选框作为所述第一识别框和所述第二识别框，并进行所述交并比计算和所述比例阈值判定，直至所述目标图像中的每一个所述区域候选框均与其余所述区域候选框完成所述交并比计算和所述比例阈值判定。
[0114]
在一个实施例中，所述聚合计算模块400，还用于：
[0115]
通过所述交并比构建所述区域候选框之间的邻接矩阵；
[0116]
获取所述区域候选框的特征嵌入值，并通过下式计算所述特征嵌入值对应的所述聚合嵌入值：
[0117]
[0118]
式中，为所述聚合嵌入值，f为所述特征嵌入值，a为所述邻接矩阵，d为所述邻接矩阵的对角矩阵。
[0119]
在一个实施例中，所述聚合计算模块400，还用于：
[0120]
获取所述区域候选框的分类置信度，并通过下式计算所述分类置信度对应的所述聚合置信度：
[0121][0122]
式中，为所述聚合置信度，p为所述分类置信度，a为所述邻接矩阵，d为所述邻接矩阵的对角矩阵。
[0123]
在一个实施例中，所述合并计算模块500，还用于：
[0124]
将所述聚合置信度作为所述区域候选框的合并权重；
[0125]
根据所述合并权重，对所述聚合嵌入值进行加权平均计算，得到所述原型表征信息。
[0126]
在一个实施例中，所述域对齐模块600，还用于：
[0127]
通过内置有类间损失约束的检测模型，对所述原型表征信息和所述标准损伤标注信息进行特征分布对齐。
[0128]
在一个实施例中，所述图像获取模块200，还用于：
[0129]
基于faster r
‑
cnn目标检测框架，对所述目标图像的区域候选网络进行前景与背景特征的特征提取，生成区域候选框。
[0130]
参照图4，本技术实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存车辆损伤的检测方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆损伤的检测方法。所述车辆损伤的检测方法，包括：获取标准数据集，其中，所述标准数据集包括若干个带有标准损伤标注信息的车辆数据；获取目标图像，对所述目标图像生成若干个区域候选框，其中，所述目标图像包括若干个未进行损伤标注的车辆损伤图像；根据不同的所述区域候选框之间的位置关系，识别每一个所述区域候选框在所述目标图像中对应的目标损伤部位；分别对所述区域候选框进行聚合计算，得到所述区域候选框对应的聚合嵌入值和聚合置信度；根据所述聚合嵌入值和所述聚合置信度，对同一个所述目标损伤部位对应的各个所述区域候选框进行合并，得到所述目标损伤部位对应的聚类的原型表征信息；通过检测模型，对所述原型表征信息和所述标准损伤标注信息进行域间对齐，输出所述原型表征信息对应的车辆损伤信息。
[0131]
本技术一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种车辆损伤的检测方法，包括步骤：获取标准数据集，其中，所述标准数据集包括带有不同标准损伤标注信息的若干个不同车辆类型的车辆数据；获取目标图像，对所述目标图像进行预识别，并对每一个预识别为损伤区域的部位标记区域候
选框，其中，所述目标图像包括若干个未进行损伤标注的车辆图像；根据不同的所述区域候选框之间的位置关系，识别每一个所述区域候选框在所述目标图像中对应的目标损伤部位；分别对所述区域候选框进行聚合计算，得到所述区域候选框聚合至所述目标损伤部位时的聚合嵌入值和聚合置信度；根据所述聚合嵌入值和所述聚合置信度，对同一个所述目标损伤部位对应的各个所述区域候选框进行合并，得到所述目标损伤部位对应的原型表征信息；通过检测模型，分别将所述原型表征信息与每一个所述车辆类型的标准损伤标注信息进行域间对齐，并将对齐距离最小的标准损伤标注信息作为所述原型表征信息对应的车辆损伤信息。
[0132]
上述执行的车辆损伤的检测方法，本实施例通过获取未进行损伤标注的车辆损伤图像作为目标图像，对目标图像生成若干个区域候选框，从而实现了对车辆可能损伤区域的自动识别；通过对每一个区域候选框的位置关系进行识别，从而判定不同的区域候选框是否对应同一个损伤目标损伤部位，提高了目标损伤部位识别的完整性；通过对区域候选框进行聚合计算，并得到不同目标损伤部位分别对应的原型表征信息，从而增强了区域识别的鲁棒性，避免个别区域候选框标注误差导致损伤区域识别错误的问题；通过对原型表征信息和标准损伤标注信息进行域间对齐，输出原型表征信息对应的车辆损伤信息，从而提高了车辆损伤检测的精确度。
[0133]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0134]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0135]
以上所述仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。