基于材质类型的定损检测方法、装置、电子设备、介质与流程

1.本发明属于人工智能技术领域，尤其涉及一种基于材质类型的定损检测方法、装置、电子设备、介质。


背景技术：

2.目前，汽车定损已经从传统的人工逐渐转换为智能化定损，在拍摄受损部位的照片之后，通过训练好的定损检测模型对汽车的受损程度和维修方式进行识别，自动得到定损结果，极大地提高了定损的工作效率。但是随着汽车制造水平的发展，车身上的材质越来越多，这就使得定损检测模型所要覆盖的损伤类别越来越多，定损检测模型通常采用目标检测技术，检测的精度会随着损伤类别的增加而下降，很容易误识别成近似的材质，影响后续定损的准确性。


技术实现要素：

3.以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
4.本发明实施例提供了一种基于材质类型的定损检测方法、装置、电子设备、介质，能够提高定损检测模型的材质检测精度，确保定损结果的准确。
5.第一方面，本发明实施例提供了一种基于材质类型的定损检测方法，包括：
6.获取损伤图像，将所述损伤图像输入至预先训练好的定损检测模型；
7.通过所述定损检测模型对所述损伤图像进行定损识别，得到检测损伤信息，所述检测损伤信息包括检测损伤类型和检测损伤材质；
8.确定所述检测损伤材质的材质类型，所述材质类型包括混淆类型和常规类型，归属于所述混淆类型的所述检测损伤材质存在至少一种预设关联材质，归属于所述常规类型的所述检测损伤材质不存在所述预设关联材质；
9.确定目标损失权重，其中，当所述检测损伤材质归属于所述混淆类型，所述目标损失权重为第一损失权重，或者，当所述检测损伤材质归属于所述常规类型，所述目标损失权重为第二损失权重，所述第一损失权重大于所述第二损失权重；
10.根据所述目标损失权重和所述检测损伤材质进行损失计算，并根据损失计算的结果确定目标损伤材质；
11.根据所述检测损伤类型和所述目标损伤材质确定定损结果。
12.在一些实施例中，在所述获取损伤图像之前，所述方法还包括：
13.获取多个训练样本，每个所述训练样本预先标注有标注损伤信息，所述标注损伤信息包括标注损伤类型和标注损伤材质；
14.根据多个所述训练样本训练所述定损检测模型。
15.在一些实施例中，所述根据多个所述训练样本训练所述定损检测模型，包括：
16.通过所述定损检测模型得到各个所述训练样本所对应的预测损伤信息，所述预测
损伤信息包括预测损伤类型和预测损伤材质；
17.从所述训练样本中确定混淆样本，并将剩余的所述训练样本确定为常规样本，其中，所述混淆样本的所述标注损伤类型与所述预测损伤类型相同，所述混淆样本的所述预测损伤材质为所述标注损伤材质的预设关联材质；
18.根据所述第一损失权重对所述混淆样本进行损失计算，根据所述第二损失权重对所述常规样本进行损失计算，以完成所述定损检测模型的训练。
19.在一些实施例中，所述从所述训练样本中确定混淆样本，包括：
20.从所述训练样本中获取备选样本；
21.当所述备选样本的所述标注损伤类型与所述预测损伤类型相同，获取预设的关联材质表，所述关联材质表记载有每个所述标注损伤材质所对应的所述预设关联材质；
22.根据所述关联材质表确定所述备选样本的所对应的目标关联材质，当所述目标关联材质与所述备选样本的所述预测损伤材质相同，确定所述备选样本为所述混淆样本。
23.在一些实施例中，所述损伤预测模型包括resnet50网络，在所述通过所述定损检测模型得到各个所述训练样本所对应的预测损伤信息之前，所述方法还包括：
24.从多个所述训练样本中选取多个测试样本，并将多个所述测试样本输入至所述resnet50网络；
25.获取所述resnet50网络针对每个所述测试样本输出的特征图；
26.确定所述特征图的每个特征的亮度信息，将所述亮度信息大于预设阈值的特征确定为关键特征；
27.将所述resnet50网络中用于提取所述关键特征的网络层确定为关键处理层。
28.在一些实施例中，所述通过所述定损检测模型得到各个所述训练样本所对应的预测损伤信息，包括：
29.将多个所述训练样本输入至所述resnet50网络；
30.获取所述关键处理层针对各个所述训练样本进行特征提取处理所得到的多个关键特征序列；
31.对多个所述关键特征序列进行特征替换处理，得到多个目标特征序列；
32.将各个所述训练样本所对应的所述目标特征序列输入至所述resnet50网络的分类器，得到各个所述训练样本所对应的预测损伤信息。
33.在一些实施例中，所述对多个所述关键特征序列进行特征替换处理，包括：
34.在每个所述关键特征序列中确定至少一个待替换特征；
35.将一个所述关键特征序列的所述待替换特征替换到另一个所述关键特征序列中，直到所有的所述关键特征序列的所述待替换特征完成替换。
36.第二方面，本发明实施例提供了一种基于材质类型的定损检测装置，包括：
37.图像获取单元，用于获取损伤图像，将所述损伤图像输入至预先训练好的定损检测模型；
38.识别单元，用于通过所述定损检测模型对所述损伤图像进行定损识别，得到检测损伤信息，所述检测损伤信息包括检测损伤类型和检测损伤材质；
39.材质确定单元，用于确定所述检测损伤材质的材质类型，所述材质类型包括混淆类型和常规类型，归属于所述混淆类型的所述检测损伤材质存在至少一种预设关联材质，
归属于所述常规类型的所述检测损伤材质不存在所述预设关联材质；
40.损失权重确定单元，用于确定目标损失权重，其中，当所述检测损伤材质归属于所述混淆类型，所述目标损失权重为第一损失权重，或者，当所述检测损伤材质归属于所述常规类型，所述目标损失权重为第二损失权重，所述第一损失权重大于所述第二损失权重；
41.损失计算单元，用于根据所述目标损失权重和所述检测损伤材质进行损失计算，并根据损失计算的结果确定目标损伤材质；
42.定损单元，用于根据所述检测损伤类型和所述目标损伤材质确定定损结果。
43.第三方面，本发明实施例提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于材质类型的定损检测方法。
44.第四方面，本发明实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序用于执行如第一方面所述的基于材质类型的定损检测方法。
45.本发明实施例包括：获取损伤图像，将所述损伤图像输入至预先训练好的定损检测模型；通过所述定损检测模型对所述损伤图像进行定损识别，得到检测损伤信息，所述检测损伤信息包括检测损伤类型和检测损伤材质；确定所述检测损伤材质的材质类型，所述材质类型包括混淆类型和常规类型，归属于所述混淆类型的所述检测损伤材质存在至少一种预设关联材质，归属于所述常规类型的所述检测损伤材质不存在所述预设关联材质；确定目标损失权重，其中，当所述检测损伤材质归属于所述混淆类型，所述目标损失权重为第一损失权重，或者，当所述检测损伤材质归属于所述常规类型，所述目标损失权重为第二损失权重，所述第一损失权重大于所述第二损失权重；根据所述目标损失权重和所述检测损伤材质进行损失计算，并根据损失计算的结果确定目标损伤材质；根据所述检测损伤类型和所述目标损伤材质确定定损结果。根据本实施例的技术方案，能够对混淆类型的检测损伤信息采用更大的损失权重，从而降低易混淆的材质对定损检测模型识别的贡献度，使得定损检测模型能根据更多的不易混淆的特征进行定损识别，在材质较多的情况下有效提高损失模型的识别准确性。
46.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
47.附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
48.图1是本发明一个实施例提供的基于材质类型的定损检测方法的流程图；
49.图2是本发明另一个实施例提供的获取定损检测模型的训练样本的流程图；
50.图3是本发明另一个实施例提供的训练定损检测模型的流程图；
51.图4是本发明另一个实施例提供的确定混淆样本的流程图；
52.图5是本发明另一个实施例提供的确定关键处理层的流程图；
53.图6是本发明另一个实施例提供的resnet50网络的示意图；
54.图7是本发明另一个实施例提供的确定预测损伤信息的流程图；
55.图8是本发明另一个实施例提供的特征替换的流程图；
56.图9是本发明另一个实施例提供的特征替换的示意图；
57.图10是本发明另一个实施例提供的基于材质类型的定损检测装置的结构图；
58.图11是本发明另一个实施例提供的电子设备的装置图。。
具体实施方式
59.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
60.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“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。
61.本发明提供了一种基于材质类型的定损检测方法、装置、电子设备、介质，方法包括：通过所述定损检测模型对所述损伤图像进行定损识别，得到检测损伤信息，所述检测损伤信息包括检测损伤类型和检测损伤材质；确定所述检测损伤材质的材质类型，所述材质类型包括混淆类型和常规类型，归属于所述混淆类型的所述检测损伤材质存在至少一种预设关联材质，归属于所述常规类型的所述检测损伤材质不存在所述预设关联材质；确定目标损失权重，其中，当所述检测损伤材质归属于所述混淆类型，所述目标损失权重为第一损失权重，或者，当所述检测损伤材质归属于所述常规类型，所述目标损失权重为第二损失权重，所述第一损失权重大于所述第二损失权重；根据所述目标损失权重和所述检测损伤材质进行损失计算，并根据损失计算的结果确定目标损伤材质；根据所述检测损伤类型和所述目标损伤材质确定定损结果。根据本实施例的技术方案，能够对混淆类型的检测损伤材质采用更大的损失权重，从而降低易混淆的材质对定损检测模型识别的贡献度，使得定损检测模型能根据更多的不易混淆的特征进行定损识别，在材质较多的情况下有效提高损失模型的识别准确性。
62.本技术实施例可以基于人工智能技术对相关的数据进行编译、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、技术及应用装置。
63.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互装置、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
64.机器学习(machine learning，ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式
教学习等技术。
65.计算机视觉技术(computer vision，cv)是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、ocr、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3d技术、虚拟现实、增强现实、同步定位与地图构建、自动驾驶、智慧交通等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
66.目标检测算法是从图像中进行目标检测的算法，例如通过基于卷积神经网络特征的区域算法(r-cnn)、基于卷积神经网络特征的快速区域算法(faster r-cnn)等二阶段(two-stage)目标检测算法实现，或者可以通过一瞥目标检测算法(you only look once，yolo)、单镜头多盒检测器算法(single shot multibox detector，ssd)等一阶段(one-stage)目标检测算法实现。
67.需要说明的是，本发明实施例的模型可以保存在服务器中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
68.如图1所示，图1是本发明一个实施例提供的一种基于材质类型的定损检测方法的流程图，该基于材质类型的定损检测方法包括但不限于有以下步骤：
69.步骤s110，获取损伤图像，将损伤图像输入至预先训练好的定损检测模型；
70.步骤s120，通过定损检测模型对损伤图像进行定损识别，得到检测损伤信息，检测损伤信息包括检测损伤类型和检测损伤材质；
71.步骤s130，确定检测损伤材质的材质类型，材质类型包括混淆类型和常规类型，归属于混淆类型的检测损伤材质存在至少一种预设关联材质，归属于常规类型的检测损伤材质不存在预设关联材质；
72.步骤s140，确定目标损失权重，其中，当检测损伤材质归属于混淆类型，目标损失权重为第一损失权重，或者，当检测损伤材质归属于常规类型，目标损失权重为第二损失权重，第一损失权重大于第二损失权重；
73.步骤s150，根据目标损失权重和检测损伤材质进行损失计算，并根据损失计算的结果确定目标损伤材质；
74.步骤s160，根据检测损伤类型和目标损伤材质确定定损结果。
75.需要说明的是，损伤图像可以由用户通过智能终端对车辆进行拍摄，并上传至服务器，通过部署在服务器的定损检测模型输出定损结果，当然也可以通过系统导入的方式获取损伤图像并输入至定损检测模型，本实施例对损伤图像的获取方式不作过多限定。
76.需要说明的是，为了实现定损识别，定损检测模型可以采用目标检测算法进行损伤部位的检测，确定损伤区域后通过图像识别确定检测损伤类型和检测损伤材质，其中，检测损伤类型的识别准确率通常较高，不会对定损结果造成太大的影响，而检测损伤材质很可能造成误识别，因此需要根据材质类型进行损失权重的调整，例如，当受损部件的材质为
是橡胶或者磨砂件，二者在图像识别层面相似度较高，很容易混淆，因此可以将上述两种材质预先设定为预设关联材质，并在识别过程中采用数值更大的第一损失权重进行损失计算，降低材质对材质识别的贡献，使得定损检测模型能够结合更多的特征确定目标损伤材质，在材质越来越多的使用场景中确保定损检测模型的准确性。预设关联材质可以在定损检测模型的配置过程中设定，每种材质的预设关联材质的数量可以是任意，在此不多作限定。
77.需要说明的是，常规类型为不存在预设关联材质的类型，即不会造成与其他材质的混淆，因此，可以预先设定默认的损失权重作为常规类型的权重，即第二损失权重，以确保定损检测模型能够正常完成识别，当确定检测材质类型为混淆类型，可以获取额外设置的第一损失权重，也可以根据预先设置混淆系数，通过混淆系数和第二损失权重计算出第一损失权重，具体方式可以根据实际需求确定。
78.另外，参照图2，在一实施例中，在执行图1所示实施例的步骤s110之前，还包括但不限于有以下步骤：
79.步骤s210，获取多个训练样本，每个训练样本预先标注有标注损伤信息，标注损伤信息包括标注损伤类型和标注损伤材质；
80.步骤s220，根据多个所述训练样本训练所述定损检测模型。
81.需要说明的是，训练样本的标注损伤信息可以通过标注框进行标注，也可以通过文字信息进行标注，具体的标注方式可以根据实际需求选取，本实施例在此不多做限定。值得注意的是，每个训练样本的标注损伤信息的数量可以是任意，例如一张训练样本的图像中包含多出损伤，则可以针对每一处损伤分别进行标注损伤信息，标注其损伤类型和存在损伤的部位的材质，例如，标注损伤类型可以是凹陷、擦伤、划痕等常见的汽车损伤类型，标注损伤材质可以是钣金件、橡胶件、磨砂件等汽车中常用的材质。需要说明的是，标注损伤信息也可以是按照固定格式标注的文字信息，通过简单的文字分割得到标注损伤类型和标注损伤材质，例如标注损伤信息为“钣金件划痕”，则可以分割出标注损伤材质为钣金件，标注损伤类型为划痕，具体的标注方式可以根据实际需求选取，本实施例对此不多做限定。
82.另外，参照图3，在一实施例中，图2所示实施例的步骤s220，还包括但不限于有以下步骤：
83.步骤s310，通过定损检测模型得到各个训练样本所对应的预测损伤信息，预测损伤信息包括预测损伤类型和预测损伤材质；
84.步骤s320，从训练样本中确定混淆样本，并将剩余的训练样本确定为常规样本，其中，混淆样本的标注损伤类型与预测损伤类型相同，混淆样本的预测损伤材质为标注损伤材质的预设关联材质；
85.步骤s330，根据第一损失权重对混淆样本进行损失计算，根据第二损失权重对常规样本进行损失计算，以完成定损检测模型的训练。
86.需要说明的是，在定损检测模型的训练过程中，需要先从训练样本中进行特征提取，根据提取到的特征进行预测，得到预测损伤信息，再根据预测损伤信息进行损失计算后，通过分类器进行分类得到预测结果，因此，预测损伤信息并非定损检测模型的最终训练结果，而是从其网络结构中提取出的中间信息，提取预测损伤信息的具体网络层可以根据定损检测模型的网络结构确定，例如，在定损检测模型采用resnet50网络的情况下，网络的
中间识别层输出的信息中携带有较为显著的特征序列，可以从该中间识别层提取出特征序列作为预测损伤信息，使得具有支配特性的特征能够通过更大的损失权重进行损失计算，弱化具有支配特性的特征在训练过程中的贡献，从而减少混淆程度，提高定损检测模型的准确性，本领域技术人员熟知如何从网络的某一层获取输出信息，在此不多做赘述。
87.需要说明的是，损伤类型的预测可以通过图像识别技术确定，例如通过图像识别技术确定图像中存在平面的变化，则可以确定损伤类型为凹陷；损伤材质可以通过图像识别技术确定，例如通过图像识别技术，确定受损部位的表面存在颗粒状，则可以确定为磨砂件等，具体的损伤预测方式并非本实施例的改进，在此不多做赘述。
88.需要说明的是，由于损伤类型的识别准确率较高，当标注损伤类型和预测损伤类型不同，则可以确定该训练样本为识别错误的样本，以负样本进行后续训练，并不存在混淆的情况，因此本实施例对损伤类型识别错误的情况不作过多讨论。
89.值得注意的是，为了提高定损检测模型对损伤材质的识别准确性，在获取到损伤预测信息之后，可以先判断每个训练样本是否为混淆样本，在标注损伤类型和预测损伤类型相同的前提下，若标注损伤材质和预测损伤材质不同，既可以是定损检测模型的训练没有收敛，预测出现错误，也可以是模型训练已经收敛，但是两种材质容易混淆，为了排除第一种情况，本实施例针对每种材质设置预设关联材质，当标注损伤材质和预测损伤材质互为预设关联材质，则可以确定该训练样本为混淆样本，若以该训练样本进行后续训练，很可能导致定损检测模型在使用过程中误识别材质，因此，为了提高定损检测模型的识别准确性，在确定混淆样本之后，针对混淆样本采用数值更大的第一损失权重，以弱化该混淆样本的特征，减少混淆样本对模型训练的贡献，使得定损检测模型能够从常规样本中学习到更多的特征，从而提高定损检测模型的识别准确性。
90.另外，参照图4，在一实施例中，图3所示实施例的步骤s320还包括但不限于有以下步骤：
91.步骤s410，从训练样本中获取备选样本；
92.步骤s420，当备选样本的标注损伤类型与预测损伤类型相同，获取预设的关联材质表，关联材质表记载有每个标注损伤材质所对应的预设关联材质；
93.步骤s430，根据关联材质表确定备选样本的所对应的目标关联材质，当目标关联材质与备选样本的预测损伤材质相同，确定备选样本为混淆样本。
94.需要说明的是，由于汽车使用的材质类型越来越多，本实施例通过导入关联材质表的方式确定预设关联材质，能够有效提高定损检测模型对汽车材质识别的准确性。当然，在获取到关联材质表，并且获取到训练样本之后，可以将每个训练样本所对应的目标关联材质添加到标注损伤信息中，以提高确定混淆样本的效率。
95.需要说明的是，由于训练样本较多，可以通过遍历训练样本的方式确定混淆样本，例如，将每个训练样本依次确定为备选样本，针对备选样本进行混淆样本的确定，能够确保混淆样本确定的全面性。
96.需要说明的是，在确定备选样本之后，可以根据备选样本的标注损伤材质从关联材质表中进行查表操作，以确定目标关联材质，目标关联材质可以是多个，本实施例对具体数量不作限定。
97.另外，在一实施例中，损伤预测模型包括resnet50网络，参照图5，在执行图3所示
实施例的步骤s310之前，还包括但不限于有以下步骤：
98.步骤s510，从多个训练样本中选取多个测试样本，并将多个测试样本输入至resnet50网络；
99.步骤s520，获取resnet50网络针对每个测试样本输出的特征图；
100.步骤s530，确定特征图的每个特征的亮度信息，将亮度信息大于预设阈值的特征确定为关键特征；
101.步骤s540，将resnet50网络中用于提取关键特征的网络层确定为关键处理层。
102.需要说明的是，resnet50网络为常用的分类网络，其网络结构可以参考图6所示，当然，图6仅为网络结构的示例，并不是对具体的网络结构作出限定，本领域技术人员有动机根据实际情况调整网络结构，在此不多做赘述。
103.值得注意的是，为了确定预测损伤信息，需要先确定resnet50网络中的关键处理层，将关键处理层的输出作为预测损伤信息，使得预测损伤信息能够携带更多的关键特征，使得训练样本的预测损伤材质更加准确，从而提高混淆样本的置信度。
104.需要说明的是，resnet50网络的关键处理层通常是固定的，因此可以在首次训练时通过测试样本确定，并在后续使用过程中直接使用，本实施例对此不多做限定。需要说明的是，为了确定关键处理层，可以从训练样本中获取若干个测试样本，当然，为了提高特征图的准确性，也可以将全部的训练样本作为测试样本，根据实际需求选取即可。
105.值得注意的是，在对测试样本进行特征提取之后，特征较多的区域通常为关键区域，由于特征较多，在可视化的特征图中会高亮显示，即亮度信息较高，基于此，可以通过设置预设阈值的方式对关键特征进行筛选，从而确定具有支配特质的神经元，例如，针对图6所示的网络结构，根据关键特征确定提取的网络层为识别块3x，则可以将识别块3x确定为关键处理层，获取其输出作为预测损伤信息，在关键特征已知的情况下，本领域技术人员熟知如何确定提取该关键特征的网络层，本实施例在此不多做赘述。
106.另外，参照图7，在一实施例中，图3所示实施例的步骤s310还包括但不限于有以下步骤：
107.步骤s710，将多个训练样本输入至resnet50网络；
108.步骤s720，获取关键处理层针对各个训练样本进行特征提取处理所得到的多个关键特征序列；
109.步骤s730，对多个关键特征序列进行特征替换处理，得到多个目标特征序列；
110.步骤s740，将各个训练样本所对应的目标特征序列输入至resnet50网络的分类器，得到各个训练样本所对应的预测损伤信息。
111.需要说明的是，为了使定损检测模型能够根据更多的特征进行损伤识别，需要在一定程度上弱化关键特征对损伤识别的贡献，除了对混淆样本采用更大的损失权重，还可以对具有关键作用的关键特征进行替换，从而抑制具有支配特质的神经元，使得确定出的混淆样本具有更高的置信度。
112.需要说明的是，在确定关键处理层之后，可以获取关键处理层针对每个训练样本输出的关键特征序列，每个关键特征序列包括对应的训练样本的关键特征，由于关键特征是针对特定的训练样本而言的，即关键特征序列1的关键特征在关键特征序列2中并不会形成关键的贡献，因此通过在多个关键特征序列之间进行特征替换，能够弱化关键特征对预
测结果的贡献，在这种情况下，若训练样本依然被确定为混淆样本，则可以确定该混淆样本的材质属于易混淆的材质，从而根据更大的损失权重进行损失计算，提高定损检测模型的识别准确性。
113.需要说明的是，关键特征序列中通常具有多个特征，特征替换可以通过任意形式进行，确保替换的特征来自于其他的关键特征序列即可，例如图9所示，在具有3个关键特征序列的情况下，关键特征序列1的特征既可以根据关键特征序列2的特征进行替换，也可以通过关键特征序列3的特征进行替换，也可以同时从关键特征序列2和关键特征序列3中各获取若干个特征进行替换，具体的替换方式可以根据实际需求选取，本实施例对此不多做限定。
114.需要说明的是，resnet50网络的分类器可以是图6所示的网络结构中的全连接层，在获取到损失计算得到的预测结果后，根据特征进行分类，从而确定预测结果，该过程为本领域技术人员熟知的步骤，为了叙述简便在此不重复赘述。
115.另外，参照图8，在一实施例中，图7所示实施例的步骤s830还包括但不限于有以下步骤：
116.步骤s810，在每个关键特征序列中确定至少一个待替换特征；
117.步骤s820，将一个关键特征序列的待替换特征替换到另一个关键特征序列中，直到所有的关键特征序列的待替换特征完成替换。
118.需要说明的是，本实施例的特征替换可以采用随机替换的方式，即从一个关键特征序列中选出n个待替换特征，从其他的关键特征序列中获取共n个待替换特征进行替换，为了更好地说明本实施例的技术方案，以下结合图9提出一个具体示例：
119.本示例中包括3个训练样本，定损检测模型以图6所示的resnet50网络为例，将3个训练样本输入至resnet50网络后，以识别块3x作为关键处理层，获取该识别块输出的3个关键特征序列如图9所示，每个关键特征序列包括5个特征，从每个关键特征序列中确定2个待替换特征，分别为关键特征序列1中的特征1-2和1-4，关键特征序列2中的特征2-2和2-4，关键特征序列3中的特征3-2和3-4；将关键特征序列2中的特征2-2和2-4替换至关键特征序列3，得到目标特征序列3，将关键特征序列3中的特征3-2和3-4替换至关键特征序列1，得到目标特征序列1，将关键特征序列1中的特征1-2和1-4替换至关键特征序列2，得到目标特征序列2。
120.值得注意的是，关键特征序列的待替换特征可以替换至任意一个其他的关键特征序列，确保特征替换处理后每个关键特征序列的特征数量保持一致，并且每个关键特征序列都执行完特征替换处理，得到目标特征序列即可。
121.需要说明的是，由于关键特征序列与训练样本是一一对应的，因此关键特征序列的数量与训练样本的数量相同，为了提高训练效率，可以预先设定替换序列数量，从全部的训练样本中筛选出若干个需要进行特征喜欢处理的目标替换特征序列，替换序列数量的具体数值可以根据实际需求调整，当然，也可以选取全部的关键特征序列作为目标替换特征序列，本实施例对此不多作限定。
122.另外，参照图10，本发明实施例提供了一种基于材质类型的定损检测装置，基于材质类型的定损检测装置1000包括：
123.图像获取单元1010，用于获取损伤图像，将损伤图像输入至预先训练好的定损检
测模型；
124.识别单元1020，用于通过定损检测模型对损伤图像进行定损识别，得到检测损伤信息，检测损伤信息包括检测损伤类型和检测损伤材质；
125.材质确定单元1030，用于确定检测损伤材质的材质类型，材质类型包括混淆类型和常规类型，归属于混淆类型的检测损伤材质存在至少一种预设关联材质，归属于常规类型的检测损伤材质不存在预设关联材质；
126.损失权重确定单元1040，用于确定目标损失权重，其中，当检测损伤材质归属于混淆类型，目标损失权重为第一损失权重，或者，当检测损伤材质归属于常规类型，目标损失权重为第二损失权重，第一损失权重大于第二损失权重；
127.损失计算单元1050，用于根据目标损失权重和检测损伤材质进行损失计算，并根据损失计算的结果确定目标损伤材质；
128.定损单元1060，用于根据检测损伤类型和目标损伤材质确定定损结果。
129.另外，参照图11，本发明的一个实施例还提供了一种电子设备，该电子设备1100包括：存储器1110、处理器1120及存储在存储器1110上并可在处理器1120上运行的计算机程序。
130.处理器1120和存储器1110可以通过总线或者其他方式连接。
131.实现上述实施例的基于材质类型的定损检测方法所需的非暂态软件程序以及指令存储在存储器1110中，当被处理器1120执行时，执行上述实施例中的基于材质类型的定损检测方法，例如，执行以上描述的图1中的方法步骤s110至步骤s160、图2中的方法步骤s210至步骤s220、图3中的方法步骤s310至步骤s330、图4中的方法步骤s410至步骤s430、图5中的方法步骤s510至步骤s540、图7中的方法步骤s710至步骤s740、图8中的方法步骤s810至步骤s820。
132.以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，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。
133.此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被一个处理器或控制器执行，例如，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的基于材质类型的定损检测方法，例如，执行以上描述的图1中的方法步骤s110至步骤s160、图2中的方法步骤s210至步骤s220、图3中的方法步骤s310至步骤s330、图4中的方法步骤s410至步骤s430、图5中的方法步骤s510至步骤s540、图7中的方法步骤s710至步骤s740、图8中的方法步骤s810至步骤s820。本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、装置可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读存储介质上，计算机可读存储介质可以包括计算机存储介质(或非暂时性存储介质)和通信存储介质(或暂时性存储介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除存储介质。计算机存储介质包括但不限于ram、rom、
eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的存储介质。此外，本领域普通技术人员公知的是，通信存储介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送存储介质。
134.本实施例可用于众多通用或专用的计算机装置环境或配置中。例如：个人计算机、服务器计算机、手持电子设备或便携式电子设备、平板型电子设备、多处理器装置、基于微处理器的装置、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何装置或电子设备的分布式计算环境等等。本技术可以在由计算机执行的计算机程序的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理电子设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储电子设备在内的本地和远程计算机存储介质中。
135.附图中的流程图和框图，图示了按照本技术各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的各个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的程序。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的各个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
136.描述于本技术实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
137.应当注意，尽管在上文详细描述中提及了用于动作执行的电子设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
138.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本技术实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算电子设备(可以是个人计算机、服务器、触控终端、或者网络电子设备等)执行根据本技术实施方式的方法。
139.本实施例的电子设备可以包括：射频(radio frequency，rf)电路、存储器、输入单元、显示单元、传感器、音频电路、无线保真(wireless fidelity，wifi)模块、处理器、以及电源等部件。rf电路可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的
下行信息接收后，给处理器处理；另外，将设计上行的数据发送给基站。通常，rf电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(low noise amplifier，lna)、双工器等。此外，rf电路还可以通过无线通信与网络和其他装置通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(global system of mobile communication，gsm)、通用分组无线服务(general packet radio service，gprs)、码分多址(code division multiple access，cdma)、宽带码分多址(wideband code division multiple access，wcdma)、长期演进(long term evolution，lte)、电子邮件、短消息服务(short messaging service，sms)等。存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行电子设备的各种功能应用以及数据处理。存储器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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据(比如音频数据、电话本等)等。
140.本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。
141.应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。
142.以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。