一种基于深度学习的车辆报损方法与流程

1.本技术涉及车辆报损应用技术领域，尤其是一种基于深度学习的车辆报损方法。


背景技术：

2.为降低车辆事故的定损成本，提高车辆定损的效率，很多车辆定损相关的技术应运而生。例如，根据待定损车辆的车辆标识查询车辆三维模型，以此对待定损车辆的车辆信息进行损坏识别等，目前与本专利最接近的技术是汽车零部件分级定损方法，具有信息采集、信息处理和部件定损的步骤。汽车零部件信息采集时，提取汽车零部件的多维特征，所述多维特征包括纹理信息和轮廓信息。因为轮廓信息和纹理信息能够充分反映零部件的形变，提取多维特征，进而衡量零部件的受损情况。
3.目前的汽车零部件分级定损方法，具有信息采集、信息处理和部件定损的步骤，汽车零部件信息采集时，提取汽车零部件的多维特征，所述多维特征包括纹理信息和轮廓信息，因为轮廓信息和纹理信息能够充分反映零部件的形变，提取多维特征，进而衡量零部件的受损情况；但是在信息采集这个步骤，现有技术采用的是三维扫描点云逆向建模的方式，不仅对硬件设备要求高，并且采集过程繁琐，并不能满足节省人力、时间成本的需求，在对采集到的信息进行处理时，现有技术通过支持向量机与三维模型结合来分类定损，在对车辆定损时，现有技术针对的对象是汽车零部件，在正常角度，车辆的零部件种类很多，而支持向量机算法由于自身限制，在面对很多观测样本时效率不高，此外，由于支持向量机算法对核函数的高维映射解释力不强、常规支持向量机只支持二分类、对缺失数据敏感等缺陷，导致特征提取并不准确，直接影响到分类定损结果的准确度。因此，针对上述问题提出一种基于深度学习的车辆报损方法。


技术实现要素：

4.在本实施例中提供了一种基于深度学习的车辆报损方法用于解决现有技术中的车辆定损运行速度慢、精确度低、对用户本身的专业要求高和对信息采集设备要求高的问题。
5.根据本技术的一个方面，提供了一种基于深度学习的车辆报损方法，所述报损方法包括如下步骤：
6.(1)图像采集并上传，用户采集车辆损毁后的照片并上传；
7.(2)图像处理，对上传的照片进行处理；
8.(3)通过训练好的模型进行零部件定损，对照片中受损位置与训练好的模型进行对比；
9.(4)返回包含定损信息的图片和定损清单，将定损信息生成定损清单，并返回给用户。
10.进一步地，所述步骤(1)中在车辆发生损毁后，非专业人员持简单设备对破损车身进行信息采集工作。
11.进一步地，所述步骤(1)中将损毁位置的图片上传至服务器，通过服务器确定车辆损毁部位或整车定损。
12.进一步地，所述步骤(1)中用户输入某个方向整个车身的图像，也可以单独输入某个零部件。
13.进一步地，所述步骤(2)中直接对用户上传的二维图像进行处理，并对图像进行储存以作后续定损参考。
14.进一步地，所述步骤(2)中对整车进行区域分隔，并将相应分隔区域内零部件进行图像储存以进行后续定损时对应。
15.进一步地，所述步骤(3)中对接收的用于上传的图像进行零部件或整车识别，将需要定损的零部件与分隔区域内零部件进行比对。
16.进一步地，所述步骤(3)中采用综合了深度可分离卷积、具有线性瓶颈的逆残差结构和mnasnet的基于squeeze and excitation结构的网络模型进行零件定损处理。
17.进一步地，所述步骤(3)中通过图上传图像的处理将定损情况划分为正常、轻度损坏、中度损坏、重度损坏和缺失几个模块。
18.进一步地，所述步骤(4)中将定损信息在原始图片上展示，并生成定损清单，一同返回给用户。
19.通过本技术上述实施例，采用了基于深度学习的车辆报损方法，解决了现有技术中的车辆定损运行速度慢、精确度低、对用户本身的专业要求高和对信息采集设备要求高的问题，在报损时不需要进行车辆三维建模，而是直接对用户上传的二维图像进行处理，省去了从二维图像提取信息建立三维模型后再进行特征提取的步骤，简化流程，节省时间，节约算力，不仅降低了对操作人员的要求，而且降低了对信息采集设备的要求，从而真正达到提高报损效率，节省人工成本的效果，且运行速度快，精确度高，对用户本身的专业要求低，不是专业人员也可以独立完成信息采集上传工作，对信息采集设备要求低，适用范围广泛。
附图说明
20.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
21.图1为本技术一种实施例的方法示意图；
具体实施方式
22.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
23.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用
的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
24.在本技术中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本技术及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
25.并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本技术中的具体含义。
26.此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
27.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
28.本实施例中的车辆报损方法可以适用于各种车辆报损方法，例如，在本实施例提供了如下一种识别方法，本实施例中的车辆报损方法可以进行如下识别方法的使用。
29.具体步骤如下：s1：建立车体坐标系；s2：判断加速度能量信号宽度；s3：判断翻转点位置；s4：计算翻转标记信号dmeanx(n)和dmeany(n)；s5：判断高频分量；s6：计算高频分量乘积，然后判断是否为碰撞。进一步的，在步骤s2中是通过如下步骤判断加速度能量信号宽度的：采样频率fs，读取时长为t的数据，计算能量如下：en(n)＝ax2(n) ay2(n)。其中ax(n),ay(n)分别为x轴和y轴方向的加速度，取能量en(n)的最大值enmax，其对应的横坐标为nmax，定义阈值如下：thresholden＝c1
×
enmaxc1为小于1的常数，计算en超过阈值threshold部分的宽度n1，如n1大于na则不是碰撞；如n1小于na则转为步骤s3，其中na为常整数。进一步的，步骤s4中的翻转标记信号dmeanx(n)和dmeany(n)，即meanx(n)和meany(n)的差分，用以提取其上升沿和下降沿：dmeanx(n)＝meanx(n 1)-meanx(n)dmeany(n)＝meany(n 1)-meany(n)dmeanx(n)的最大值和最小值分别为dmxmax和dmxmin，dmeany(n)的最大值和最小值分别为dmymax和dmymin。提取翻转标记信号的阈值为threshold1＝c2
×
dmxmax，threshold2＝c2
×
dmxmin，threshold3＝c2
×
dmymax，threshold4＝c2
×
dmymin，翻转标记点位置限定集合为a＝[nmax-width1,nmax width1]，b＝[nmax-width1,nmax)，c＝[nmax-width2,nmax width2]其中c2为小于1的常数，0《width1＜width2＜fs，判断峰值点处ax(nmax),ay(nmax)的大小。作为更进一步的，在步骤s5中判断高频分量需满足以下条件：步骤s4中的情况a)同时满足条件1和条件2，或情况b)同时满足条件3和条件4分别对ax(n),ay(n),az(n)进行经验模态分解(emd)，将原信号分解成高频分量和余量，其中高频分量分别记为imfx(n)，imfy(n)和imfz(n)。作为更进一步的，在步骤s6中计算高频分量乘积，然后判断是否为碰撞是通过如下具体步骤进行的，xyz(n)＝imfx(n)
×
imfy(n)
×
imfz(n)令xyz(n)的幅度最大值为xyzmax，计算xyz(n)幅度大于thresholdxyz的第一个点和最后一
个点的距离dxyz；thresholdxyz＝c3
×
xyzmax其中c3为小于1的常数；如dxyz＜nc认为发生了碰撞,如dxyz≥nc则不是碰撞，读取下一段数据，重复步骤s2-s6，其中nc为常整数。作为更进一步的，步骤s5中的获得高频分量的方法包括但不限于经验模态分解(emd)，如：小波变换、滤波等。
[0030]
当然本实施例也可以用于其他结构的车辆报损方法。在此不再一一赘述，下面对本技术实施例的车辆报损方法进行介绍。
[0031]
请参阅图1所示，一种基于深度学习的车辆报损方法，所述报损方法包括如下步骤：
[0032]
(1)图像采集并上传，用户采集车辆损毁后的照片并上传；
[0033]
(2)图像处理，对上传的照片进行处理；
[0034]
(3)通过训练好的模型进行零部件定损，对照片中受损位置与训练好的模型进行对比；
[0035]
(4)返回包含定损信息的图片和定损清单，将定损信息生成定损清单，并返回给用户。
[0036]
所述步骤(1)中在车辆发生损毁后，非专业人员持简单设备对破损车身进行信息采集工作。
[0037]
所述步骤(1)中将损毁位置的图片上传至服务器，通过服务器确定车辆损毁部位或整车定损。
[0038]
所述步骤(1)中用户输入某个方向整个车身的图像，也可以单独输入某个零部件。
[0039]
所述步骤(2)中直接对用户上传的二维图像进行处理，并对图像进行储存以作后续定损参考。
[0040]
所述步骤(2)中对整车进行区域分隔，并将相应分隔区域内零部件进行图像储存以进行后续定损时对应。
[0041]
所述步骤(3)中对接收的用于上传的图像进行零部件或整车识别，将需要定损的零部件与分隔区域内零部件进行比对。
[0042]
所述步骤(3)中采用综合了深度可分离卷积、具有线性瓶颈的逆残差结构和mnasnet的基于squeeze and excitation结构的网络模型进行零件定损处理。
[0043]
所述步骤(3)中通过图上传图像的处理将定损情况划分为正常、轻度损坏、中度损坏、重度损坏和缺失几个模块。
[0044]
所述步骤(4)中将定损信息在原始图片上展示，并生成定损清单，一同返回给用户。
[0045]
本技术的有益之处在于：
[0046]
1.本技术解决了现有技术中的车辆定损运行速度慢、精确度低、对用户本身的专业要求高和对信息采集设备要求高的问题，在报损时不需要进行车辆三维建模，而是直接对用户上传的二维图像进行处理，省去了从二维图像提取信息建立三维模型后再进行特征提取的步骤，简化流程，节省时间，节约算力；
[0047]
2.本技术不仅降低了对操作人员的要求，而且降低了对信息采集设备的要求，从而真正达到提高报损效率，节省人工成本的效果，且运行速度快，精确度高，对用户本身的专业要求低，不是专业人员也可以独立完成信息采集上传工作，对信息采集设备要求低，适
用范围广泛。
[0048]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。