基于人工智能的车身损伤取证方法、装置、设备及介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种基于人工智能的车身损伤取证方法、装置、电子设备及存储介质。


背景技术：

2.交通事故线上理赔定损服务是近年来越发普及的新模式，已被覆盖在全国大部分城市的交通管理服务系统中。线上理赔定损服务一般需要当事人对现场定位并拍照取证，待照片被上传至后台后，会由专家或智能算法模型等进行审核、判定，给出相应的损伤判定报告等内容。
3.然而，大多数场景下拍照取证的照片会存在不规范、不清晰、不全面等问题，导致后续的定损阶段出现疑问或漏洞。因此，如何获取准确的车身损伤取证照片，从而提高车辆定损结果的准确性是亟需解决的技术问题。


技术实现要素：

4.鉴于以上内容，有必要提出一种基于人工智能的车身损伤取证方法、装置、电子设备及存储介质，以解决如何提高获得的车身损伤取证照片的准确性这一技术问题。
5.本技术提供一种基于人工智能的车身损伤取证方法，所述方法包括：
6.依据预设的多个点位对车身进行图像采集以获取点位图像集，所述点位与所述点位图像集一一对应；
7.对所述点位图像集中的图像进行预处理获得点位优化图像集，所述点位优化图像集和所述点位图像集一一对应；
8.对所述点位优化图像集中的图像进行筛选获得点位显著图像，所述点位显著图像与所述点位优化图像集一一对应；
9.基于所有的点位显著图像构建车身取证图像集；
10.基于预设的车身损伤检测模型对所述车身取证图像集中的所有图像进行检测得到车身损伤图片。
11.在一些实施例中，所述依据预设的多个点位对车身进行图像采集以获取点位图像集，所述点位与所述点位图像集一一对应，包括：
12.对预设的多个点位设置不同的编码标签得到多个标签点位；
13.分别依据每一个标签点位对车身进行多次图像采集，并将每一个标签点位对应的所有图像作为点位图像集，所述点位与所述点位图像集一一对应。
14.在一些实施例中，所述对所述点位图像集中的图像进行预处理获得点位优化图像集，所述点位优化图像集和所述点位图像集一一对应，包括：
15.将所有的点位图像集中的图像转换为灰度图像得到点位灰度图像集，所述点位灰度图像集与所述点位图像集一一对应；
16.对所有的点位灰度图像集中的图像进行图像滤波得到点位优化图像集。
17.在一些实施例中，所述对所述点位优化图像集中的图像进行筛选获得点位显著图像，所述点位显著图像与所述点位优化图像集一一对应，包括：
18.分别计算所述点位优化图像集中的每一幅图像和预设的点位模板图像之间的图像相似度，所述点位优化图像集和预设的点位模板图像一一对应；
19.基于所述图像相似度对所述点位优化图像集中的图像进行筛选获得点位显著图像。
20.在一些实施例中，所述基于所有的点位显著图像构建车身取证图像集包括：
21.依据预设方式对所有的点位显著图像进行划分获得各点位显著图像的边缘区域图像；
22.依次对各相邻的点位所对应的点位显著图像之间的边缘区域图像进行相似变换；
23.依次计算经过相似变换后的各相邻的点位所对应的边缘区域图像的相似度以获取临近相似度；
24.基于所述临近相似度和预设的临近阈值构建车身取证图像集。
25.在一些实施例中，所述基于所述临近相似度和预设的临近阈值构建车身取证图像集包括：
26.对比所述临近相似度与预设的临近相似度阈值；
27.若所有的临近相似度均大于预设的临近相似度阈值，则将所有的点位显著图像作为车身取证图像集；
28.若不是所有的临近相似度均大于预设的临近相似度阈值，则需要对不大于临近相似度阈值的临近相似度所对应的点位进行重新拍照以使所有的临近相似度均大于预设的临近相似度阈值，并将所有的点位显著图像作为车身取证图像集。
29.在一些实施例中，所述基于预设的车身损伤检测模型对所述车身取证图像集中的所有图像进行检测得到车身损伤图片包括：
30.对预设的车身损伤检测模型进行优化获得车损优化检测模型；
31.基于所述车损优化检测模型对所述车身取证图像集中的所有图像进行车身损伤检测，并将检测出车身损伤的图像作为车身损伤图片。
32.本技术实施例还提供一种基于人工智能的车身损伤取证装置，所述装置包括：
33.获取单元，用于依据预设的多个点位对车身进行图像采集以获取点位图像集，所述点位与所述点位图像集一一对应；
34.处理单元，用于对所述点位图像集中的图像进行预处理获得点位优化图像集，所述点位优化图像集和所述点位图像集一一对应；
35.筛选单元，用于对所述点位优化图像集中的图像进行筛选获得点位显著图像，所述点位显著图像与所述点位优化图像集一一对应；
36.构建单元，用于基于所有的点位显著图像构建车身取证图像集；
37.检测单元，用于基于预设的车身损伤检测模型对所述车身取证图像集中的所有图像进行检测得到车身损伤图片。
38.本技术实施例还提供一种电子设备，所述电子设备包括：
39.存储器，存储至少一个指令；
40.处理器，执行所述存储器中存储的指令以实现所述的基于人工智能的车身损伤取
证方法。
41.本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述的基于人工智能的车身损伤取证方法。
42.本技术通过对车辆进行多个点位的拍照取证，并对每个点位的取证照片进行筛选，可以获取高质量的车身损伤取证照片，并送入预设的车身损伤检测模型中进行损伤检测获得车身损伤图片作为最终的取证照片，从而提高车辆定损结果的准确性。
附图说明
43.图1是本技术所涉及的基于人工智能的车身损伤取证方法的较佳实施例的流程图。
44.图2是本技术所涉及的基于人工智能的车身损伤取证装置的较佳实施例的功能模块图。
45.图3是本技术所涉及的基于人工智能的车身损伤取证方法的较佳实施例的电子设备的结构示意图。
46.图4是本技术所涉及的各点位显著图像的边缘区域图像的结构示意图。
具体实施方式
47.为了能够更清楚地理解本技术的目的、特征和优点，下面结合附图和具体实施例对本技术进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本技术，所述描述的实施例仅是本技术一部分实施例，而不是全部的实施例。
48.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
49.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
50.本技术实施例提供一种基于人工智能的车身损伤取证方法，可应用于一个或者多个电子设备中，电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
51.电子设备可以是任何一种可与客户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)、游戏机、交互式网络电视(internet protocol television，iptv)、智能式穿戴式设备等。
52.电子设备还可以包括网络设备和/或客户设备。其中，所述网络设备包括，但不限
于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(cloud computing)的由大量主机或网络服务器构成的云。
53.电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(virtual private network，vpn)等。
54.如图1所示，是本技术基于人工智能的车身损伤取证方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
55.s10，依据预设的多个点位对车身进行图像采集以获取点位图像集，所述点位与所述点位图像集一一对应。
56.在一个可选的实施例中，所述依据预设的多个点位对车身进行图像采集以获取点位图像集，所述点位与所述点位图像集一一对应，包括：
57.s101，对预设的多个点位设置不同的编码标签得到多个标签点位；
58.s102，分别依据每一个标签点位对车身进行多次图像采集，并将每一个标签点位对应的所有图像作为点位图像集，所述点位与所述点位图像集一一对应。
59.该可选的实施例中，可以预先将车身周围均匀划分为多个点位，如车身两侧分别对应五个点位，车身前后分别对应两个点位，共14个点位。通过包围车身的14个点位，可以全方位的对车辆进行图像采集，并保证每一个点位都有对应的车身区域被采集到。
60.该可选的实施例中，可对预设的多个点位设置不同的编码标签得到多个标签点位，所述编码标签可以使用数字、字母，也可以使用符号等，本方案对此不作限制。如依据自然数字对14个点位按照从1到14的顺序依次进行编码标签设置，并将设置好编码标签的点位作为标签点位。
61.该可选的实施例中，分别依据每一个标签点位对车身进行相同次数的多次正式角度的图像采集，即在每个标签点位按照相同的正式角度对每个标签点位对应的车身区域进行相同次数的多次拍照，并将每一个点位处对应获取到的所有图像作为对应点位的点位图像集，最终共获得14个点位图像集。
62.如此，可以从多个角度对车辆进行全方位的拍照，且各点位的多次拍照可以保证车辆各区域的细节能够被有效拍摄到，从而为后续获取准确的车身损伤取证照片提供准确的数据支撑。
63.s11，对所述点位图像集中的图像进行预处理获得点位优化图像集，所述点位优化图像集和所述点位图像集一一对应。
64.在一个可选的实施例中，所述对所述点位图像集中的图像进行预处理获得点位优化图像集，所述点位优化图像集和所述点位图像集一一对应，包括：
65.s111，将所有的点位图像集中的图像转换为灰度图像得到点位灰度图像集，所述点位灰度图像集与所述点位图像集一一对应；
66.s112，对所有的点位灰度图像集中的图像进行图像滤波得到点位优化图像集。
67.该可选的实施例中，首先将各点位图像集中的所有图像转换为灰度图像，其中灰度图像的像素灰度范围为[0～255]，原因在于需要将各图像统一转换到灰度区间才能对各点位图像集中的所有图像进行图像滤波操作。
[0068]
该可选的实施例中，可使用高斯滤波算法对所有的点位灰度图像集中的图像进行图像滤波从而消除图像中各种噪声的影响。其中对图像进行高斯滤波的过程为对整幅图像
进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到，且越靠近目标像素点，对应的权重越大。
[0069]
示例性的，目标像素点g的灰度值为226，目标像素点周围八邻域的像素点与目标像素点构成3
×
3的矩阵，对应的像素值为各像素对应的权重矩阵为则进行加权求和后目标像素点新的灰度值为164。
[0070]
如此，可通过对各点位图像集中的所有图像进行滤波处理，有效减轻高斯噪声的影响，提高各图像的图像质量。
[0071]
s12，对所述点位优化图像集中的图像进行筛选获得点位显著图像，所述点位显著图像与所述点位优化图像集一一对应。
[0072]
在一个可选的实施例中，所述对所述点位优化图像集中的图像进行筛选获得点位显著图像，所述点位显著图像与所述点位优化图像集一一对应，包括：
[0073]
s121，分别计算所述点位优化图像集中的每一幅图像和预设的点位模板图像之间的图像相似度，所述点位优化图像集和预设的点位模板图像一一对应；
[0074]
s122，基于所述图像相似度对所述点位优化图像集中的图像进行筛选获得点位显著图像。
[0075]
该可选的实施例中，可对每一个点位优化图像集中的所有图像进行筛选，从而获取每一个点位优化图像集中质量最好的图像作为对应点位的点位显著图像，即每一个点位的点位优化图像集都对应一幅点位模板图像。
[0076]
该可选的实施例中，可在车身完好没有损伤的情况下，预先在每个点位对车身进行拍照，并将在每一个点位拍摄到的图像作为各点位预设的点位模板图像。
[0077]
该可选的实施例中，可依据归一化互相关匹配算法分别计算所述点位优化图像集中的每一幅图像和预设的点位模板图像之间的图像相似度。其中，归一化互相关匹配算法以目标图像为模板，遍历所述点位优化图像集中的每一张图像的每一个像素，比较各像素与模板是否相似，从而获得目标图像与所述点位优化图像集中的每一张图像之间的图像相似度，取值范围为[0,1]，越接近1说明相似度越高。
[0078]
该可选的实施例中，选取每一个点位优化图像集中与对应的点位模板图像之间的图像相似度最高的图像作为各点位优化图像集对应的点位显著图像。所述点位显著图像与所述点位优化图像集一一对应，因此最终共获得14个标签点位对应的14幅点位显著图像。
[0079]
如此，可以从每一个标签点位对应的多幅点位优化图像中筛选出高质量的车身损伤取证图像，便于后续过程据此获得准确的车辆定损结果。
[0080]
s13，基于所有的点位显著图像构建车身取证图像集。
[0081]
在一个可选的实施例中，所述基于所有的点位显著图像构建车身取证图像集包括：
[0082]
s131，依据预设方式对所有的点位显著图像进行划分获得各点位显著图像的边缘区域图像；
[0083]
s132，依次对各相邻的点位所对应的点位显著图像之间的边缘区域图像进行相似变换；
[0084]
s133，依次计算经过相似变换后的各相邻的点位所对应的边缘区域图像的相似度以获取临近相似度；
[0085]
s134，基于所述临近相似度和预设的临近阈值构建车身取证图像集。
[0086]
该可选的实施例中，为了保证对车身进行全方位拍摄取证，防止各点位对应的点位显著图像之间产生缺失，因此需要对所有的点位显著图像进行判断，从而才能在保证车身被全方位拍摄到的情况下构建出准确的车身取证图像集。
[0087]
该可选的实施例中，由于各相邻点位之间拍摄到的图片在边缘部分会产生重叠，因此本方案中预先对各点位对应的点位显著图像的左右边缘部分进行划分。如图4所示，可将每一幅点位显著图像靠近左边缘1/5处的部分和靠近右边缘1/5处的部分分别作为每一幅点位显著图像对应的边缘区域，即每一幅点位显著图像的边缘区域共有两处，分别为左边缘区域和右边缘区域。
[0088]
该可选的实施例中，可依据各标签点位对应的编码标签顺序，依次对各相邻的点位所对应的点位显著图像之间的边缘区域图像进行相似变换。其中，对于各相邻的点位所对应的点位显著图像，将前一个点位显著图像的右边缘区域作为参考轮廓，将后一个点位显著图像的左边缘区域进行相似变换与所述参考轮廓对齐，目的在于让各点位所对应的点位显著图像的边缘区域与前后相邻的点位所对应的点位显著图像的边缘区域尽可能的接近。其中，图形的相似变换是指由一个图形到另一个图形，在改变的过程中保持形状不变、大小方向和位置可变的图形。
[0089]
该可选的实施例中，可同样通过归一化互相关匹配算法依次计算经过相似变换后的各相邻的点位所对应的边缘区域图像的相似度作为临近相似度，其中可将经过相似变换后的各相邻的点位所对应的边缘区域图像中的任意一幅图像作为模板图像来计算另外一幅边缘区域图像的相似度，并对比所述临近相似度与预设的临近相似度阈值，其中临近相似度阈值可设为0.8。
[0090]
该可选的实施例中，若所有的临近相似度均大于预设的临近相似度阈值，则将所有的点位显著图像作为车身取证图像集；若不是所有的临近相似度均大于预设的临近相似度阈值，则需要对不大于临近相似度阈值的临近相似度所对应的点位进行重新拍照后获取新的点位图像集，并对新的点位图像集进行筛选后获得新的点位显著图像，以保证所有的临近相似度均大于预设的临近相似度阈值，并将所有的点位显著图像作为车身取证图像集。
[0091]
如此，可以保证最终构建出的车身取证图像集能够全方位的涵盖车身各部分，防止在进行车身损伤检测时产生遗漏，提高后续过程中对车身损伤进行检测的准确性。
[0092]
s14，基于预设的车身损伤检测模型对所述车身取证图像集中的所有图像进行检测得到车身损伤图片。
[0093]
在一个可选的实施例中，所述基于预设的车身损伤检测模型对所述车身取证图像集中的所有图像进行检测得到车身损伤图片包括：
[0094]
s141，对预设的车身损伤检测模型进行优化获得车损优化检测模型；
[0095]
s142，基于所述车损优化检测模型对所述车身取证图像集中的所有图像进行车身
损伤检测，并将检测出车身损伤的图像作为车身损伤图片。
[0096]
该可选的实施例中，预设的车身损伤检测模型可使用single shot multibox detector(ssd，单个深层神经网络检测)检测网络，为了使车身损伤检测模型能够检测出常见类型的各种车身损伤，需要首先对所述ssd检测网络进行训练得到所述车身损伤检测模型，所述训练过程与yolo、fcos等现有的目标检测网络的训练过程相同。
[0097]
该可选的实施例中，经过训练得到的所述车身损伤检测模型可对变形、裂纹或断裂、划伤、脱焊和局部腐蚀等常见的车身损伤进行检测。通过将所述车身取证图像集中的所有图像依次输入所述车身损伤检测模型来检测各图像中是否存在车身损伤，本方案将检测出车身损伤的图像作为车身损伤图片，并把所有的车身损伤图片作为最终车身损伤的取证照，用于作为车身定损的依据。
[0098]
如此，可通过预设的车损优化检测模型对所述车身取证图像集中的所有图像进行检测，进而获得具有车身损伤的图片作为最终车辆定损的依据。
[0099]
请参见图2，图2是本技术基于人工智能的车身损伤取证装置的较佳实施例的功能模块图。基于人工智能的车身损伤取证装置11包括获取单元110、处理单元111、筛选单元112、构建单元113、检测单元114。本技术所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
[0100]
在一个可选的实施例中，获取单元110用于依据预设的多个点位对车身进行图像采集以获取点位图像集，所述点位与所述点位图像集一一对应。
[0101]
在一个可选的实施例中，所述依据预设的多个点位对车身进行图像采集以获取点位图像集，所述点位与所述点位图像集一一对应，包括：
[0102]
对预设的多个点位设置不同的编码标签得到多个标签点位；
[0103]
分别依据每一个标签点位对车身进行多次图像采集，并将每一个标签点位对应的所有图像作为点位图像集，所述点位与所述点位图像集一一对应。
[0104]
该可选的实施例中，可以预先将车身周围均匀划分为多个点位，如车身两侧分别对应五个点位，车身前后分别对应两个点位，共14个点位。通过包围车身的14个点位，可以全方位的对车辆进行图像采集，并保证每一个点位都有对应的车身区域被采集到。
[0105]
该可选的实施例中，可对预设的多个点位设置不同的编码标签得到多个标签点位，所述编码标签可以使用数字、字母，也可以使用符号等，本方案对此不作限制。如依据自然数字对14个点位按照从1到14的顺序依次进行编码标签设置，并将设置好编码标签的点位作为标签点位。
[0106]
该可选的实施例中，分别依据每一个标签点位对车身进行相同次数的多次正式角度的图像采集，即在每个标签点位按照相同的正式角度对每个标签点位对应的车身区域进行相同次数的多次拍照，并将每一个点位处对应获取到的所有图像作为对应点位的点位图像集，最终共获得14个点位图像集。
[0107]
在一个可选的实施例中，处理单元111用于对所述点位图像集中的图像进行预处理获得点位优化图像集，所述点位优化图像集和所述点位图像集一一对应。
[0108]
在一个可选的实施例中，所述对所述点位图像集中的图像进行预处理获得点位优化图像集，所述点位优化图像集和所述点位图像集一一对应，包括：
[0109]
将所有的点位图像集中的图像转换为灰度图像得到点位灰度图像集，所述点位灰度图像集与所述点位图像集一一对应；
[0110]
对所有的点位灰度图像集中的图像进行图像滤波得到点位优化图像集。
[0111]
该可选的实施例中，首先将各点位图像集中的所有图像转换为灰度图像，其中灰度图像的像素灰度范围为[0～255]，原因在于需要将各图像统一转换到灰度区间才能对各点位图像集中的所有图像进行图像滤波操作。
[0112]
该可选的实施例中，可使用高斯滤波算法对所有的点位灰度图像集中的图像进行图像滤波从而消除图像中各种噪声的影响。其中对图像进行高斯滤波的过程为对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到，且越靠近目标像素点，对应的权重越大。
[0113]
示例性的，目标像素点g的灰度值为226，目标像素点周围八邻域的像素点与目标像素点构成3
×
3的矩阵，对应的像素值为各像素对应的权重矩阵为则进行加权求和后目标像素点新的灰度值为164。
[0114]
在一个可选的实施例中，筛选单元112用于对所述点位优化图像集中的图像进行筛选获得点位显著图像，所述点位显著图像与所述点位优化图像集一一对应。
[0115]
在一个可选的实施例中，所述对所述点位优化图像集中的图像进行筛选获得点位显著图像，所述点位显著图像与所述点位优化图像集一一对应，包括：
[0116]
分别计算所述点位优化图像集中的每一幅图像和预设的点位模板图像之间的图像相似度，所述点位优化图像集和预设的点位模板图像一一对应；
[0117]
基于所述图像相似度对所述点位优化图像集中的图像进行筛选获得点位显著图像。
[0118]
该可选的实施例中，可对每一个点位优化图像集中的所有图像进行筛选，从而获取每一个点位优化图像集中质量最好的图像作为对应点位的点位显著图像，即每一个点位的点位优化图像集都对应一幅点位模板图像。
[0119]
该可选的实施例中，可在车身完好没有损伤的情况下，预先在每个点位对车身进行拍照，并将在每一个点位拍摄到的图像作为各点位预设的点位模板图像。
[0120]
该可选的实施例中，可依据归一化互相关匹配算法分别计算所述点位优化图像集中的每一幅图像和预设的点位模板图像之间的图像相似度。其中，归一化互相关匹配算法以目标图像为模板，遍历所述点位优化图像集中的每一张图像的每一个像素，比较各像素与模板是否相似，从而获得目标图像与所述点位优化图像集中的每一张图像之间的图像相似度，取值范围为[0,1]，越接近1说明相似度越高。
[0121]
该可选的实施例中，选取每一个点位优化图像集中与对应的点位模板图像之间的图像相似度最高的图像作为各点位优化图像集对应的点位显著图像。所述点位显著图像与所述点位优化图像集一一对应，因此最终共获得14个标签点位对应的14幅点位显著图像。
[0122]
在一个可选的实施例中，构建单元113用于基于所有的点位显著图像构建车身取
证图像集。
[0123]
在一个可选的实施例中，所述基于所有的点位显著图像构建车身取证图像集包括：
[0124]
依据预设方式对所有的点位显著图像进行划分获得各点位显著图像的边缘区域图像；
[0125]
依次对各相邻的点位所对应的点位显著图像之间的边缘区域图像进行相似变换；
[0126]
依次计算经过相似变换后的各相邻的点位所对应的边缘区域图像的相似度以获取临近相似度；
[0127]
基于所述临近相似度和预设的临近阈值构建车身取证图像集。
[0128]
该可选的实施例中，为了保证对车身进行全方位拍摄取证，防止各点位对应的点位显著图像之间产生缺失，因此需要对所有的点位显著图像进行判断，从而才能在保证车身被全方位拍摄到的情况下构建出准确的车身取证图像集。
[0129]
该可选的实施例中，由于各相邻点位之间拍摄到的图片在边缘部分会产生重叠，因此本方案中预先对各点位对应的点位显著图像的左右边缘部分进行划分。如图4所示，可将每一幅点位显著图像靠近左边缘1/5处的部分和靠近右边缘1/5处的部分分别作为每一幅点位显著图像对应的边缘区域，即每一幅点位显著图像的边缘区域共有两处，分别为左边缘区域和右边缘区域。
[0130]
该可选的实施例中，可依据各标签点位对应的编码标签顺序，依次对各相邻的点位所对应的点位显著图像之间的边缘区域图像进行相似变换。其中，对于各相邻的点位所对应的点位显著图像，将前一个点位显著图像的右边缘区域作为参考轮廓，将后一个点位显著图像的左边缘区域进行相似变换与所述参考轮廓对齐，目的在于让各点位所对应的点位显著图像的边缘区域与前后相邻的点位所对应的点位显著图像的边缘区域尽可能的接近。其中，图形的相似变换是指由一个图形到另一个图形，在改变的过程中保持形状不变、大小方向和位置可变的图形。
[0131]
该可选的实施例中，可同样通过归一化互相关匹配算法依次计算经过相似变换后的各相邻的点位所对应的边缘区域图像的相似度作为临近相似度，其中可将经过相似变换后的各相邻的点位所对应的边缘区域图像中的任意一幅图像作为模板图像来计算另外一幅边缘区域图像的相似度，并对比所述临近相似度与预设的临近相似度阈值，其中临近相似度阈值可设为0.8。
[0132]
该可选的实施例中，若所有的临近相似度均大于预设的临近相似度阈值，则将所有的点位显著图像作为车身取证图像集；若不是所有的临近相似度均大于预设的临近相似度阈值，则需要对不大于临近相似度阈值的临近相似度所对应的点位进行重新拍照后获取新的点位图像集，并对新的点位图像集进行筛选后获得新的点位显著图像，以保证所有的临近相似度均大于预设的临近相似度阈值，并将所有的点位显著图像作为车身取证图像集。
[0133]
在一个可选的实施例中，检测单元114用于基于预设的车身损伤检测模型对所述车身取证图像集中的所有图像进行检测得到车身损伤图片。
[0134]
在一个可选的实施例中，所述基于预设的车身损伤检测模型对所述车身取证图像集中的所有图像进行检测得到车身损伤图片包括：
[0135]
对预设的车身损伤检测模型进行优化获得车损优化检测模型；
[0136]
基于所述车损优化检测模型对所述车身取证图像集中的所有图像进行车身损伤检测，并将检测出车身损伤的图像作为车身损伤图片。
[0137]
该可选的实施例中，预设的车身损伤检测模型可使用single shot multibox detector(ssd，单个深层神经网络检测)检测网络，为了使车身损伤检测模型能够检测出常见类型的各种车身损伤，需要首先对所述ssd检测网络进行训练得到所述车身损伤检测模型，所述训练过程与yolo、fcos等现有的目标检测网络的训练过程相同。
[0138]
该可选的实施例中，经过训练得到的所述车身损伤检测模型可对变形、裂纹或断裂、划伤、脱焊和局部腐蚀等常见的车身损伤进行检测。通过将所述车身取证图像集中的所有图像依次输入所述车身损伤检测模型来检测各图像中是否存在车身损伤，本方案将检测出车身损伤的图像作为车身损伤图片，并把所有的车身损伤图片作为最终车身损伤的取证照，用于作为车身定损的依据。
[0139]
由以上技术方案可以看出，本技术能够通过对车辆进行多个点位的拍照取证，并对每个点位的取证照片进行筛选，可以获取高质量的车身损伤取证照片，并送入预设的车身损伤检测模型中进行损伤检测获得车身损伤图片作为最终的取证照片，从而提高车辆定损结果的准确性。
[0140]
请参见图3，是本技术实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行所述储器中存储的计算机可读指令以实现上述任一实施例所述的基于人工智能的车身损伤取证方法。
[0141]
在一个可选的实施例中，电子设备1还包括总线、存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于人工智能的车身损伤取证程序。
[0142]
图3仅示出了具有存储器12和处理器13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0143]
结合图1，电子设备1中的所述存储器12存储多个计算机可读指令以实现一种基于人工智能的车身损伤取证方法，所述处理器13可执行所述多个指令从而实现：
[0144]
依据预设的多个点位对车身进行图像采集以获取点位图像集，所述点位与所述点位图像集一一对应；
[0145]
对所述点位图像集中的图像进行预处理获得点位优化图像集，所述点位优化图像集和所述点位图像集一一对应；
[0146]
对所述点位优化图像集中的图像进行筛选获得点位显著图像，所述点位显著图像与所述点位优化图像集一一对应；
[0147]
基于所有的点位显著图像构建车身取证图像集；
[0148]
基于预设的车身损伤检测模型对所述车身取证图像集中的所有图像进行检测得到车身损伤图片。
[0149]
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0150]
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，电子设备1可以是总线型结构，也可以是星形结构，电子设备1还可以包括比
图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如电子设备1还可以包括输入输出设备、网络接入设备等。
[0151]
需要说明的是，电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本技术，也应包含在本技术的保护范围以内，并以引用方式包含于此。
[0152]
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的车身损伤取证程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0153]
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备1的控制核心(control unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于人工智能的车身损伤取证程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
[0154]
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的车身损伤取证方法实施例中的步骤，例如图1所示的步骤。
[0155]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本技术。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如，所述计算机程序可以被分割成获取单元110、处理单元111、筛选单元112、构建单元113、检测单元114。
[0156]
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本技术各个实施例所述的基于人工智能的车身损伤取证方法的部分。
[0157]
电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
[0158]
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机
存储器、只读存储器(rom，read-only memory)、随机存储器及其他存储器等。
[0159]
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
[0160]
本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0161]
总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
[0162]
本技术实施例还提供一种计算机可读存储介质(图未示)，计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的车身损伤取证方法。
[0163]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0164]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0165]
另外，在本技术各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0166]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。说明书陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0167]
最后应说明的是，以上实施例仅用以说明本技术的技术方案而非限制，尽管参照较佳实施例对本技术进行了详细说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或等同替换，而不脱离本技术技术方案的精神和范围。