车辆损伤等级检测方法、装置、计算机设备及存储介质

技术领域

本发明涉及人工智能的图像处理领域，尤其涉及一种车辆损伤等级检测方法、装置、计算机设备及存储介质。

背景技术

在车辆发生交通事故后，车辆的某些部位会留下破损、凹陷等损伤的痕迹，目前，保险公司一般是人工识别由车主或业务人员拍摄的交通事故之后的车辆损伤的图像，即业务员现场拍摄车辆损伤图像后上传至后台，由后台的工作人员对图像中车辆的损伤部位的损伤类型及损伤区域进行人工识别并判定，如此，业务员获取判定的结果耗时长，无法通过拍摄车辆损伤图像的移动终端快速获取，而且存在因标准理解不一、观察经验不足等影响，导致人工识别的损伤程度及损伤区域不符，最终确定的损伤等级不准确或者不正确；例如：由于车辆中的筋线难以通过目测图像加以分辨，定损人员很容易就将筋线及损伤的区域混淆在一起，从而确定的损伤等级就会错误，上述情况下导致的定损时间长及定损失误，会大大降低了定损的及时性和准确性；在可能会导致保险公司的成本损失的同时，也会降低车主或客户的满意度；此外，人工定损的工作量巨大，定损效率低下，在需要满足一定的定损准确度的情况下，会进一步提升工作量，降低工作效率。

发明内容

本发明提供一种车辆损伤等级检测方法、装置、计算机设备及存储介质，实现了通过量化感知训练技术压缩车辆损伤等级检测过程，便于应用在移动终端，并通过凹陷特征、形态学操作、筋线检测以及边缘分割处理，能够快速地、准确地自动识别出待检测损伤图像中的损伤等级结果，提高了定损的定损效率，提升了定损的准确率。

一种车辆损伤等级检测方法，包括：

获取待检测损伤图像；所述待检测损伤图像包含至少一处车辆被损伤位置的图像；

基于深度学习和量化感知训练技术，对所述待检测损伤图像进行目标部位识别，识别出目标部位结果；所述目标部位结果包括车辆损伤部位和损伤区域；

提取所述损伤区域的图像的凹陷特征，得到凹陷等级结果，同时对所述损伤区域的图像进行形态学操作处理，得到待处理图像；

根据所述车辆损伤部位，并对所述待处理图像进行筋线检测，识别出筋线结果，以及根据所述筋线结果，对所述待处理图像进行筋线去除和边缘分割，分割出损伤边缘，并根据所述损伤边缘确定出损伤相对占比；

根据所述车辆损伤部位、所述凹陷等级结果、所述损伤相对占比和所述筋线结果，对所述待检测损伤图像进行损伤等级评估，得到损伤等级结果。

一种车辆损伤等级检测装置，包括：

接收模块，用于获取待检测损伤图像；所述待检测损伤图像包含至少一处车辆被损伤位置的图像；

识别模块，用于基于深度学习和量化感知训练技术，对所述待检测损伤图像进行目标部位识别，识别出目标部位结果；所述目标部位结果包括车辆损伤部位和损伤区域；

处理模块，用于提取所述损伤区域的图像的凹陷特征，得到凹陷等级结果，同时对所述损伤区域的图像进行形态学操作处理，得到待处理图像；

分割模块，用于根据所述车辆损伤部位，并对所述待处理图像进行筋线检测，识别出筋线结果，以及根据所述筋线结果，对所述待处理图像进行边缘分割，分割出损伤边缘，并根据所述损伤边缘确定出损伤相对占比；

预测模块，用于根据所述车辆损伤部位、所述凹陷等级结果、所述损伤相对占比和所述筋线结果，对所述待检测损伤图像进行损伤等级评估，得到损伤等级结果。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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上述车辆损伤等级检测方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述车辆损伤等级检测方法的步骤。

本发明提供的车辆损伤等级检测方法、装置、计算机设备及存储介质，通过获取待检测损伤图像；基于深度学习和量化感知训练技术，对所述待检测损伤图像进行目标部位识别，识别出包含有车辆损伤部位和损伤区域的目标部位结果；提取所述损伤区域的图像的凹陷特征，得到凹陷等级结果，同时对所述损伤区域的图像进行形态学操作处理，得到待处理图像；结合所述车辆损伤部位，对所述待处理图像进行筋线检测，识别出筋线结果，以及结合所述筋线结果，对所述待处理图像进行边缘分割，分割出损伤边缘及确定出损伤相对占比；根据所述车辆损伤部位、所述凹陷等级结果、所述损伤相对占比和所述筋线结果，对所述待检测损伤图像进行损伤等级评估，得到损伤等级结果，如此，本发明实现了通过量化感知训练技术压缩车辆损伤等级检测过程，便于应用在移动终端，无需后台人工识别，直接通过移动终端快速识别车辆损伤部位和损伤区域，并通过凹陷特征、形态学操作、筋线检测以及边缘分割处理，能够快速地、准确地自动识别出待检测损伤图像中的损伤等级结果，做到自动去除未受损的筋线带来的干扰，准确地确定出损伤相对占比，并综合车辆损伤部位、凹陷等级结果、损伤相对占比和筋线结果等多维度的损伤等级评估，避免了人工定损失误，提高了定损的定损效率，提升了定损的准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，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他的附图。

图1是本发明一实施例中车辆损伤等级检测方法的应用环境示意图；

图2是本发明一实施例中车辆损伤等级检测方法的流程图；

图3是本发明一实施例中车辆损伤等级检测方法的步骤S20的流程图；

图4是本发明一实施例中车辆损伤等级检测方法的步骤S30的流程图；

图5是本发明一实施例中车辆损伤等级检测方法的步骤S40的流程图；

图6是本发明一实施例中车辆损伤等级检测装置的原理框图；

图7是本发明一实施例中计算机设备的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供的车辆损伤等级检测方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、移动终端和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

所述车辆损伤等级检测方法由客户端或者服务端执行。

在一实施例中，如图2所示，提供一种车辆损伤等级检测方法，其技术方案主要包括以下步骤S10-S50：

S10，获取待检测损伤图像；所述待检测损伤图像包含至少一处车辆被损伤位置的图像。

可理解地，在业务员通过可移动的客户端拍摄完受损的车辆的待检测损伤图像后，通过所述客户端触发车辆损伤检测指令，获取所述车辆损伤检测指令中的所述待检测损伤图像，所述待检测损伤图像包含有至少一处车辆被损伤位置的图像，所述损伤包括3种不同凹陷程度的损伤情况，所述获取方式可以根据需求进行设定，比如通过所述车辆损伤检测指令中含有的所述待检测损伤图像进行直接获取，或者通过访问所述车辆损伤检测指令中含有存储所述待检测损伤图像的存储路径，再通过访问的存储路径进行获取等等。

S20，基于深度学习和量化感知训练技术，对所述待检测损伤图像进行目标部位识别，识别出目标部位结果；所述目标部位结果包括车辆损伤部位和损伤区域。

其中，所述深度学习(DL，Deep Learning)是学习样本数据的内在规律和表示层次，通过学习过程中获得图像之间相似性或者共性的特征从而识别出类别的复杂的机器学习算法，所述量化感知训练技术(Quantization Aware Training)为在模型中插入伪量化模块模拟量化模型在识别过程中进行的舍入和钳位等操作，即将浮点型量化为整数型，再将识别结果由整数型反量化为浮点型，从而对反量化后的浮点型进行分类，有效地保证了识别的精度和准确率，并大大节省了模型的空间，有利于应用于可移动的客户端或者便携式设备中，而在训练过程中所有计算都是以浮点型计算实现的，在训练完成后才量化为真正整数型的模型，运用所述深度学习和所述量化感知训练技术，训练目标部位检测模型，所述目标部位检测模型为具有深度学习的网络结构的神经网络模型，比如网络结构为SSD-mobilenetV3框架、YOLO框架、CornerNet框架等等的网络结构，可以根据需求选定，并在学习后运用所述量化感知训练技术对该神经网络模型增加量化和反量化的模块，再将量化和反量化后的该神经网络模型进行验证，得到训练完成的所述目标部位检测模型，从而能够大大压缩模型的容量空间，以及保证了模型的检测精度，例如：训练目标部位检测模型的过程中，计算过程都是通过16位的浮点型数据进行计算实现目标部位检测的特征提取及特征推理，最后输出16位的浮点型数据结果，再将输入的16位浮点型数据量化为8位整数型数据，后把8位整数型计算后输出的8位整数型数据反量化为16位浮点型数据，对反量化后的16位浮点型数据进行分类，如此，通过量化和反量化操作，可以有效提高点乘的计算效率，并提高了神经网络对噪音的适应性强，将提取的特征量化到一个更小的集中范围内，并不会对整体的结果带来很大的影响，从而保证了检测的精度和准确率，以及大大压缩了模型的容量。

可理解地，将所述待检测损伤图像输入训练完成的目标部位检测模型，所述目标部位检测模型为用于检测出输入的图像中的损伤的区域，以及该损伤的区域所属的车辆中的部位的模型，通过所述目标部位检测模型对输入的所述待检测损伤图像进行卷积，在卷积过程中进行量化操作，所述量化操作为将卷积过程中的浮点型数据转换为0至255范围的8位整数型数据的操作过程，其中，量化的映射关系指的是训练完成后各个浮点型数据或者数据范围与一个8位整数型数据的一一映射对应关系，例如：浮点型数据“-10.00”与整数型数据“0”映射对应，浮点型数据“30.00”与整数型数据“255”映射对应，浮点型数据“10.00”与整数型数据“128”映射对应，得到量化操作后的所述量化损伤图像，再通过对所述量化损伤图像进行车辆部位特征和损伤特征的提取，所述车辆部位特征为与车辆的部位相关的特征，比如车辆的15个部位(车头左部位、车头右部位、车前盖左部位、车前盖右部位、车顶部位、车前排左侧部位、车前排右侧部位、车中间左侧部位、车中间右侧部位、车后排左侧部位、车后排右侧部位、车尾盖左部位、车尾盖右部位、车尾左部位和车尾右部位)相关的特征，所述损伤特征为与车辆凹陷受损相关的特征，比如凹陷的纹理及色差等特征，通过对提取的所述车辆部位特征以及所述损伤特征进行反量化操作，所述反量化操作为所述量化操作的逆过程，即将最终卷积输出的0至255范围的8位整数型数据转换为浮点型数据的操作过程，得到反量化特征数组，对该反量化特征数组进行目标部位识别，得到所述目标部位结果，所述目标部位识别的过程为对所述反量化特征数组进行softmax处理，即回归处理，分别分类出车辆损伤部位和框定出受损的损伤区域。

在一实施例中，如图3所示，所述步骤S20中，即所述基于深度学习和量化感知训练技术，对所述待检测损伤图像进行目标部位识别，识别出目标部位结果，包括：

S201，将所述待检测损伤图像输入目标部位检测模型。

可理解地，所述目标部位检测模型为训练完成的目标检测模型，用于检测出输入的图像中的损伤的区域，以及该损伤的区域所属的车辆中的部位的模型，所述目标部位检测模型的网络结构优选为SSD-mobilenetV3框架的网络结构，因为该框架的结构便于应用至可移动的客户端或者便携式设备中。

在一实施例中，所述步骤S201之前，即所述将所述待检测损伤图像输入目标部位检测模型之前，包括：

S2011，获取车辆样本集；所述车辆样本集包括车辆样本图像，一个所述车辆样本图像与一个部位标签组关联；一个所述部位标签组包括一个车辆部位标签和一个样本损伤区域。

可理解地，所述车辆样本集为所述车辆样本图像的集合，所述车辆样本图像为历史收集的不同部位受损以及不同部位的车辆的图像，一所述车辆样本图像与一个部位标签组关联，所述部位标签组体现了与其关联的所述车辆样本图像中的车辆受损的部位以及区域，所述部位标签组包括一个车辆部位标签和一个所述样本损伤区域，所述车辆部位标签为与其关联的所述车辆样本图像中的车辆受损的部位，例如：车辆的15个部位(车头左部位、车头右部位、车前盖左部位、车前盖右部位、车顶部位、车前排左侧部位、车前排右侧部位、车中间左侧部位、车中间右侧部位、车后排左侧部位、车后排右侧部位、车尾盖左部位、车尾盖右部位、车尾左部位和车尾右部位)中的其中一个部位，所述样本损伤区域为与其关联的所述车辆样本图像中的车辆受损的矩形坐标区域范围。

S2012，将所述车辆样本图像输入含有初始参数的目标检测模型。

可理解地，所述目标检测模型的网络结构可以根据需求设定，优选为SSD检测模型的SSD-mobilenetV3框架的网络结构，所述初始参数为所述目标检测模型初始赋予的参数值，所述初始参数优选为16位浮点型的参数值，所述初始参数的赋值可以根据需求设定，在一实施例中，所述将所述车辆样本图像输入含有初始参数的目标检测模型之前，随机赋予16位浮点型的参数值作为所述目标检测模型的原始参数，通过将所述车辆样本图像集输入该目标检测模型，通过含有原始参数的目标检测模型对所述车辆样本图像进行深度学习，学习识别出所述车辆样本图像中的车辆受损的部位以及区域，不断迭代更新所述原始参数，将学习完成的目标检测模型中的所述原始参数作为所述初始参数。

在一实施例中，所述步骤S2012之前，即所述将所述车辆样本图像输入含有初始参数的目标检测模型之前，包括：

通过迁移学习，获取训练完成的基于SSD检测模型的所有迁移参数，将所有所述迁移参数确定为所述目标检测模型中的所述初始参数。

可理解地，所述迁移学习为从相关领域的模型中迁移标注数据或者知识结构，以完成或改进目标领域或任务的学习过程，例如：将与车辆相关的训练完成的且基于SSD框架的车辆类型检测模型中的迁移参数迁移至该目标检测模型中作为初始参数，其中，所述迁移参数为基于SSD检测模型的网络结构中的相关参数。

如此，通过迁移学习，可以将已经学习完成的检测模型模型参数分享给目标检测模型，从而加快并优化模型的学习效率，不用从零学习，提高了学习效率。

S2013，通过所述目标检测模型中嵌入的伪量化模块对所有所述初始参数进行量化训练，得到量化分布。

可理解地，所述伪量化模块为所述目标检测模型中存储量化的映射关系的模块以及进行量化训练的模块，所述量化训练为统计传输的浮点型数据的最大值和最小值的分布图，将该分布图结合8位的整型数据(0至255)范围生成量化的映射关系分布图，可得到所述量化分布。

S2014，对所述车辆样本图像进行所述车辆部位特征和所述损伤特征的提取，以及通过所述伪量化模块对提取过程进行所述量化训练，更新所述量化分布。

可理解地，对所述车辆样本图像进行卷积，从而提取出所述车辆部位特征和所述损伤特征，在对所述车辆样本图像进行所述车辆部位特征和所述损伤特征的提取中的各个卷积环节进行所述量化训练，将各个环节统计传输的浮点型数据的最大值和最小值更新至所述量化分布中。

S2015，对提取的所述车辆部位特征进行车辆部位识别，获得评估标签，以及对提取的所述损伤特征进行损伤区域识别，获得评估损伤区域，同时在所述车辆部位识别和所述损伤区域识别的过程中通过所述伪量化模块更新所述量化分布。

可理解地，所述车辆部位识别为对提取的所述车辆部位特征进行分类的过程，能够评估分类出与其对应的所述评估标签，即分类出车辆受损的部位，此分类的过程为浮点型数据推导的过程，所述评估标签也为浮点型数据，所述损伤区域识别为对提取的所述损伤特征进行目标区域的识别，识别出受损的区域，得到评估损伤区域，此识别的过程为浮点型数据推导的过程，同时在所述车辆部位识别和所述损伤区域识别的过程中通过所述伪量化模块进行所述量化训练，更新所述量化分布。

S2016，通过所述目标检测模型中嵌入的伪反量化模块对所述评估标签和所述评估区域进行反量化训练统计，得到反量化分布。

可理解地，所述伪反量化模块为所述目标检测模型中存储反量化的映射关系的模块以及进行反量化训练的模块，所述反量化训练为统计输出的所述评估标签和所述评估区域的浮点型数据的最大值和最小值的分布图，将该分布图结合8位的整型数据(0至255)范围生成量化的映射关系分布图，可得到所述反量化分布。

S2017，根据所述评估标签和所述车辆部位标签，确定出第一损失值，并根据所述评估区域和所述样本损伤区域，确定出第二损失值，以及线性推导出与所述量化分布对应的量化参数和与所述反量化分布对应的反量化参数，根据所述量化参数和所述反量化参数，确定出第三损失值。

可理解地，通过所述第一损失值可以衡量所述评估标签和所述车辆部位标签之间的差距，通过所述第二损失值可以衡量所述评估区域和所述样本损伤区域之间的差距，所述线性推导为对所述量化分布进行线性函数的推导，得到含有量化参数的线性函数，以及对所述反量化分布进行线性函数的推导，得到含有反量化参数的线性函数，将含有量化参数的线性函数和含有反量化参数的线性函数中衡量常量之间的差距，得到所述第三损失值，例如：含有量化参数的线性函数：Q＝R/S1+Z1，含有反量化参数的线性函数：R＝(Q-Z2)×S2，其中，Q为量化后的整数型的定点值，R为浮点型的浮点值，S1、S2、Z1和Z2为线性推导出的常量，而S1和S2之间的差值与Z1和Z2之间的差值求和得到第三损失值。

S2018，对所述第一损失值、所述第二损失值和所述第三损失值进行加权处理，得到最终损失值。

可理解地，所述加权处理为将所述第一损失值、所述第二损失值和所述第三损失值进行加权求和，得到所述最终损失值，所述最终损失值结合了所述第一损失值、所述第二损失值和所述第三损失值的差距，通常对所述第一损失值和所述第二损失值的权重设置均比所述第三损失值的权重小，因为所述第一损失值和所述第二损失值已经很小，主要集中设置所述第三损失值，因为是在学习量化的映射关系和反量化的映射关系，不断更新所述量化参数和所述反量化参数。

S2019，在所述最终损失值未达到预设的收敛条件时，迭代更新所述目标检测模型的初始参数、所述量化参数和所述反量化参数，直至所述最终损失值达到所述预设的收敛条件时，将收敛之后的所述目标检测模型记录为目标部位检测模型。

可理解地，所述收敛条件可以设置为所述最终损失值达到预设的阈值，该阈值为接近零的条件，在未达到预设的收敛条件时，不断更新所述目标检测模型的所述初始参数、所述量化参数和所述反量化参数，直至所述最终损失值达到所述预设的收敛条件，即表明所述初始参数能够结合嵌入伪量化模块和伪反量化模块进行检测，保证了检测精度，以及表明所述量化参数和所述反量化参数接近相等，即量化的映射关系和反量化的映射关系已经确定，将收敛后的所述目标检测模型中的所述伪量化模块和伪反量化模块对涉及的初始参数进行映射关系的转换，即涉及量化训练和反量化训练的环节进行转换，也即对涉及量化训练的初始参数进行量化的映射关系的转换，对涉及反量化训练的初始参数进行反量化的映射关系的转换，将转换后的所述目标检测模型记录为目标部位检测模型。

如此，通过结合深度学习和量化感知训练技术，不断训练目标部位检测模型，能够学习量化的映射关系和反量化的映射关系，从而将浮点型数据转换成整数型数据，能够压缩目标部位检测模型，便于应用在移动终端或者便携式设备中，保证了检测精度，并大大压缩了目标部位检测模型的容量。

S202，通过所述目标部位检测模型对所述待检测损伤图像进行量化操作，得到量化损伤图像。

可理解地，对所述待检测损伤图像进行卷积，卷积过程中运用所述量化操作，所述量化操作为将卷积过程中的浮点型数据转换为0至255范围的8位整数型数据的操作过程，得到所述量化损伤图像。

S203，对所述量化损伤图像进行车辆部位特征和损伤特征的提取，以及对提取的所述车辆部位特征以及所述损伤特征进行反量化操作，得到反量化特征数组。

可理解地，对所述量化损伤图像进行车辆部位特征和损伤特征的提取过程为整数型数据的计算过程，最终可以提取出整数型的特征数组，对该特征数据进行反量化操作，得到所述反量化特征数组。

S204，对所述反量化特征数组进行目标部位识别，得到所述目标部位结果。

可理解地，所述目标部位识别的过程为对所述反量化特征数组进行softmax处理，即回归处理，分别分类出车辆损伤部位和框定出受损的损伤区域，所述目标部位结果包括车辆损伤部位和损伤区域。

如此，实现了通过将所述待检测损伤图像输入目标部位检测模型；通过所述目标部位检测模型对所述待检测损伤图像进行量化操作，得到量化损伤图像；对所述量化损伤图像进行车辆部位特征和损伤特征的提取，以及对提取的所述车辆部位特征以及所述损伤特征进行反量化操作，得到反量化特征数组；对所述反量化特征数组进行目标部位识别，得到所述目标部位结果，因此，通过结合深度学习和量化感知训练技术，对输入的浮点型数据进行量化操作，以及对输出的整数型数据进行反量化操作，达到保证了目标部位检测模型的检测精度，大大压缩了目标部位检测模型的容量，便于应用在移动终端，无需后台人工识别，直接通过移动终端快速识别车辆损伤部位和损伤区域，实现了快速地、准确地自动识别出待检测损伤图像中的车辆损伤部位和损伤区域。

S30，提取所述损伤区域的图像的凹陷特征，得到凹陷等级结果，同时对所述损伤区域的图像进行形态学操作处理，得到待处理图像。

可理解地，通过将所述损伤区域的图像输入训练完成的凹陷检测模型中，所述凹陷检测模型用于识别输入的图像中凹陷等级的模型，通过所述凹陷检测模型提取所述损伤区域的图像的所述凹陷特征，所述凹陷检测模型的网络结构的框架可以根据需求设定，所述凹陷检测模型的网络结构的框架优选为RetinaNet网络结构的架构，所述凹陷特征包括凹陷深度特征和变形特征，所述凹陷深度特征为凹陷呈现的纹理特征，所述变形特征为变形的灰度色差特征，通过对提取的所述凹陷特征进行识别，识别出所述凹陷等级结果，所述凹陷等级结果表征了凹陷的程度，可以通过三个等级进行衡量，即所述凹陷等级结果包括三个凹陷等级，即轻微凹陷、常规凹陷和严重凹陷等三个等级。

其中，所述形态学操作处理为对所述损伤区域的图像进行数学形态学的图像预处理，有利于后续的分割处理，所述数学形态学包括二值形态学和灰度形态学，所述二值形态学为对转换后的二值图进行处理的方法，所述灰度形态学为对转换后的灰度图进行处理的方法，优选为二值形态学，因为二值形态学更加适用于车辆的损伤相对占比的划定，损伤边界更加明显，从而得到所述待处理图像，所述待处理图像为经过所述形态学操作处理后的图像。

在一实施例中，如图4所示，所述步骤S30中，即所述提取所述损伤区域的图像的凹陷特征，得到凹陷等级结果，包括：

S301，将所述损伤区域的图像输入基于RetinaNet为架构的凹陷检测模型中。

可理解地，所述凹陷检测模型为训练完成且基于RetinaNet框架的神经网络模型，所述RetinaNet框架包括ResNet和FPN的网络结构，结合ResNet和FPN的特征提取过程及识别的网络结构。

S302，通过所述凹陷检测模型对所述损伤区域的图像进行凹陷深度特征和变形特征的提取。

可理解地，通过所述凹陷检测模型对所述损伤区域的图像进行卷积，提取所述凹陷深度特征和所述变形特征。

S303，对提取的所述凹陷深度特征和所述变形特征进行正则化处理。

可理解地，所述正则化处理为对提取的特征进行动态调整各个特征向量值的权重，防止过拟合的情况出现。

S304，对正则化后的所述凹陷深度特征和所述变形特征进行凹陷等级评估，得到所述凹陷等级结果。

可理解地，所述凹陷等级评估为对正则化后的所述凹陷深度特征和所述变形特征进行线性回归，将评估出三个凹陷等级的概率分布，从而将概率分布中最大概率对应的凹陷等级确定为所述凹陷等级结果。

本发明实现了通过将所述损伤区域的图像输入基于RetinaNet为架构的凹陷检测模型中；通过所述凹陷检测模型对所述损伤区域的图像进行凹陷深度特征和变形特征的提取；对提取的所述凹陷深度特征和所述变形特征进行正则化处理；对正则化后的所述凹陷深度特征和所述变形特征进行凹陷等级评估，得到所述凹陷等级结果，如此，能够运用基于RetinaNet为架构的凹陷检测模型分别提取凹陷深度特征和变形特征，并运用正则化处理方法防止过拟合，输出凹陷等级结果，提高了检测的进度，提升了识别的准确率，减少了人工识别的工作量，从而节省了成本，提高了效率。

在一实施例中，所述步骤S30中，即所述对所述损伤区域的图像进行形态学操作处理，得到待处理图像，包括：

S305，对所述损伤区域的图像进行二值化处理，得到二值化图像。

可理解地，所述二值化处理就是将图像上的像素点的灰度值设置为0或1，也就是将整个图像呈现出明显的黑白效果的处理过程，得到所述二值化图像。

S306，通过预设的膨胀核对所述二值化图像进行膨胀操作，得到所述待处理图像。

可理解地，所述膨胀核为预设的二值矩阵，所述膨胀核的核心为1，所述膨胀操作为遍历所述二值化图像的每一个像素点，将其与所述膨胀核的核心对齐，然后取当前膨胀核中所有1的位置所覆盖下原图中对应的像素中的最大值，用这个最大值替换当前像素值的操作，将经过所述膨胀操作之后得到的图像确定为所述待处理图像。

如此，本发明通过对所述损伤区域的图像进行二值化处理，得到二值化图像；通过预设的膨胀核对所述二值化图像进行膨胀操作，得到所述待处理图像，能够对所述损伤区域的图像中的边缘进行膨胀扩展，将损伤的面积进行边缘扩展，有利于后续的分割处理，避免轻微损伤周边的区域误判，提高了识别的可靠性。

S40，根据所述车辆损伤部位，并对所述待处理图像进行筋线检测，识别出筋线结果，以及根据所述筋线结果，对所述待处理图像进行边缘分割，分割出损伤边缘，并根据所述损伤边缘确定出损伤相对占比。

可理解地，根据所述车辆损伤部位，从筋线库中查询到与所述车辆损伤部位相同的车辆部位对应的筋线概率，所述筋线库为预设且存储了所有车辆部位及与其一一对应的筋线概率，确定所有车辆部位及与其一一对应的筋线概率的方式可以通过收集所有不同类型的车辆的筋线分布进行统计，运用聚类算法的神经网络模型，对收集所有不同类型的车辆的各车辆部位的筋线分布进行学习分析，从而获得所有车辆部位及与其一一对应的筋线概率，获取从所述筋线库中查询到的所述筋线概率。

其中，对所述待处理图像进行筋线特征提取的方式可以根据需求设定，所述筋线特征为与车辆筋线相关的特征，比如线条的纹理特征等，通过对提取的所述待处理图像中的所述筋线特征进行识别，识别出所述筋线结果，识别的过程为结合获取的所述筋线概率和提取的所述筋线特征进行筋线识别，确定是否涉及存在筋线上以及筋线区域的过程，所述筋线区域为未受损的包含有筋线的区域，所述筋线结果包括未受损的所述筋线区域，所述筋线结果表征了所述损伤区域中是否存在筋线上以及标识出未受损的区域，根据所述筋线结果，对所述待处理图像进行边缘分割，所述边缘分割的过程为去除未受损的筋线区域并对损伤区域中不同区域之间的边界或者相邻像素存在色差的边缘进行分割的过程，从而可以分割出损伤边缘，即将识别出的边界或者边缘的像素进行连通和标注，通过所述损伤边缘内的像素范围占所述待检测损伤图像的比例，从而得出所述损伤相对占比，所述损伤相对占比体现了真实的受损的区域占整个车辆损伤部位的相对比例，通过所述损伤相对占比可以后续预估出真实的受损的面积。

在一实施例中，如图5所示，所述步骤S40中，即所述根据所述车辆损伤部位，对所述待处理图像进行筋线检测，识别出筋线结果，以及根据所述筋线结果，对所述待处理图像进行边缘分割，分割出损伤边缘，并根据所述损伤边缘确定出损伤相对占比，包括：

S401，获取与所述车辆损伤部位对应的筋线概率，并对所述待处理图像进行筋线特征提取。

可理解地，从筋线库中查询到与所述车辆损伤部位相同的车辆部位对应的筋线概率，获取从所述筋线库中查询到的所述筋线概率，对所述待处理图像进行筋线特征提取的方式可以根据需求设定，所述筋线特征为与车辆筋线相关的特征，比如线条的纹理特征等，在一实施例中，将所述待处理图像输入至筋线检测模型，所述筋线检测模型是通过历史收集的各个车辆部位的筋线样本图像进行学习筋线特征并训练完成的模型，所述筋线检测模型用于识别车辆中的筋线，通过筋线检测模型提取所述待处理图像中的筋线特征，所述筋线检测模型优选为VGG-16框架的神经网络模型，如此，能够快速准确地识别出筋线，在另一实施例中，查询与所述车辆损伤部位相同的车辆部位对应的局部筋线检测模型，所述局部筋线检测模型是通过历史收集的与其对应的车辆部位相同的局部样本图像进行学习该车辆部位中的筋线特征并训练完成的模型，所述局部筋线检测模型用于识别与其对应的车辆部位中的筋线，通过各个不同车辆部位的局部筋线检测模型能够更加快速地识别出不同车辆部为的筋线，更具针对性。

S402，根据所述筋线概率和提取的所述筋线特征，对所述待处理图像进行筋线识别，得到所述筋线结果；所述筋线结果包括未受损的筋线区域；所述筋线结果表征了所述损伤区域中是否存在筋线上以及标识出未受损的区域。

可理解地，所述筋线识别为对提取的所述筋线特征进行识别，确定所述待处理图像中是否包含筋线的概率，将其确定为识别概率，通过将所述识别概率和所述筋线概率进行加权求和，确定出所述筋线结果中的是否存在筋线上的概率值，以及通过提取的所述筋线特征在所述待处理图像中框定出所述筋线区域的识别过程，其中，设置与所述识别概率对应的权重大于与所述筋线概率对应的权重，通过两个维度的双重确定，可以更加准确地确定出损伤区域是否存在筋线上，如此，可以提高识别的准确性和可靠性。

S403，若所述筋线结果中存在未受损的筋线区域，对所述待处理图像中的与所述筋线区域相应的区域进行去除，并对去除后的所述待处理图像进行边缘分割，分割出损伤边缘。

可理解地，如果所述筋线结果中存在未受损的筋线区域，即表明所述损伤区域的图像中存在筋线，从所述待处理图像中去除与所述筋线区域相应的区域中的像素，并对其进行边缘分割，所述边缘分割的过程为去除未受损的筋线区域并对损伤区域中不同区域之间的边界或者相邻像素存在色差的边缘进行分割的过程，从而可以分割出损伤边缘。

S404，对所述损伤边缘进行平滑处理，以及对平滑处理后的所述损伤边缘进行外围线勾画，得到所述损伤相对占比。

可理解地，所述平滑处理为对所述损伤边缘进行平滑曲面处理，即将出现断差的损伤边缘进行平滑过渡处理的过程，对平滑处理后的所述损伤边缘进行外围线勾画，即将平滑处理后的所述损伤边缘通过外围线线连接及标记该连接的像素，通过标记后的像素围成的范围，可以该范围的面积，通过该范围的面积占所述待检测损伤图像的面积的比例，可以得出所述损伤相对占比，通过所述损伤相对占比可以后续预估出真实的受损的面积。

本发明实现了通过获取与所述车辆损伤部位对应的筋线概率，并对所述待处理图像进行筋线特征提取；根据所述筋线概率和提取的所述筋线特征，对所述待处理图像进行筋线识别，得到所述筋线结果；若所述筋线结果中存在未受损的筋线区域，对所述待处理图像中的与所述筋线区域相应的区域进行去除，并对去除后的所述待处理图像进行边缘分割，分割出损伤边缘；对所述损伤边缘进行平滑处理，以及对平滑处理后的所述损伤边缘进行外围线勾画，得到所述损伤相对占比，如此，通过两个维度的双重确定，可以更加准确地确定出损伤区域是否存在筋线上，可以提高识别的准确性和可靠性，通过对损伤区域中去除未受损的筋线部分，可以避免未受损的筋线对损伤区域的干扰，能够更加准确的识别出真实的损伤区域，提高了识别质量，避免误判的情况。

在一实施例中，所述步骤S402之后，即所述根据所述筋线概率和提取的所述筋线特征，对所述待处理图像进行筋线评估，评估出所述筋线结果之后，还包括：

S405，若所述筋线结果中不存在未受损的筋线区域，对所述待处理图像进行边缘分割，分割出损伤边缘。

可理解地，如果所述筋线结果中不存在未受损的筋线区域，说明所述损伤区域的图像中不存在筋线，无需对所述损伤区域进行筋线区域的去除，直接对所述待处理图像进行所述边缘分割，分割得到所述损伤边缘。

S406，对所述损伤边缘进行平滑处理，以及对平滑处理后的所述损伤边缘进行外围线勾画，勾画出所述损伤相对占比。如此，能够在筋线结果中不存在未受损的筋线区域时，减少筋线部分的去除操作，提高了处理效率。

S50，根据所述车辆损伤部位、所述凹陷等级结果、所述损伤相对占比和所述筋线结果，对所述待检测损伤图像进行损伤等级评估，得到损伤等级结果。

可理解地，将所述车辆损伤部位、所述凹陷等级结果、所述损伤相对占比和所述筋线结果进行one-hot转换，所述one-hot转换为将不同维度的数组转换成统一维度数组并进行拼接的过程，如此可以得到包括所述车辆损伤部位、所述凹陷等级结果、所述损伤相对占比和所述筋线结果的多维数组，将该多维数组进行损伤等级评估，所述损伤等级评估为将该多维数组输入训练完成的损伤等级评估模型中，通过所述损伤等级评估模型对该多维数组进行损伤等级特征提取，即进行卷积输出损伤等级特征向量，根据该损伤等级特征向量进行分类，将与分类输出的最大的概率对应的损伤等级确定为与所述待检测损伤图像对应的损伤等级结果，所述损伤等级评估模型为通过历史收集的损伤等级样本图像进行训练完成的模型，所述损伤等级评估模型用于提取输入的图像的损伤等级特征，根据提取的损伤等级特征进行评估与该图像对应的损伤等级的结果的模型，所述损伤等级评估模型的网络结构可以根据需求设定，比如损伤等级评估模型的网络结构为VGG、ResNet等等模型的网络结构，所述损伤等级特征为综合车辆损伤部位、凹陷等级结果、损伤相对占比和筋线结果中的各个损伤等级的相似性的特征，所述损伤等级为对车辆的损伤程度划定成多个等级，通过不同等级映射一个损伤程度，通过损伤等级可以直观的衡量出车辆的损伤程度，因此，所述损伤等级结果体现了车辆的损伤程度。

本发明通过获取待检测损伤图像；基于深度学习和量化感知训练技术，对所述待检测损伤图像进行目标部位识别，识别出包含有车辆损伤部位和损伤区域的目标部位结果；提取所述损伤区域的图像的凹陷特征，得到凹陷等级结果，同时对所述损伤区域的图像进行形态学操作处理，得到待处理图像；结合所述车辆损伤部位，对所述待处理图像进行筋线检测，识别出筋线结果，以及结合所述筋线结果，对所述待处理图像进行边缘分割，分割出损伤边缘及确定出损伤相对占比；根据所述车辆损伤部位、所述凹陷等级结果、所述损伤相对占比和所述筋线结果，对所述待检测损伤图像进行损伤等级评估，得到损伤等级结果，如此，本发明实现了通过量化感知训练技术压缩车辆损伤等级检测过程，便于应用在移动终端，无需后台人工识别，直接通过移动终端快速识别车辆损伤部位和损伤区域，并通过凹陷特征、形态学操作、筋线检测以及边缘分割处理，能够快速地、准确地自动识别出待检测损伤图像中的损伤等级结果，做到自动去除未受损的筋线带来的干扰，准确地确定出损伤相对占比，并综合车辆损伤部位、凹陷等级结果、损伤相对占比和筋线结果等多维度的损伤等级评估，避免了人工定损失误，提高了定损的定损效率，提升了定损的准确率。

在一实施例中，提供一种车辆损伤等级检测装置，该车辆损伤等级检测装置与上述实施例中车辆损伤等级检测方法一一对应。如图6所示，该车辆损伤等级检测装置包括接收模块11、识别模块12、处理模块13、分割模块14和预测模块15。各功能模块详细说明如下：

接收模块11，用于接收车辆损伤检测指令之后，获取待检测损伤图像；所述待检测损伤图像包含至少一处车辆被损伤位置的图像；

识别模块12，用于基于深度学习和量化感知训练技术，对所述待检测损伤图像进行目标部位识别，识别出目标部位结果；所述目标部位结果包括车辆损伤部位和损伤区域；

处理模块13，用于提取所述损伤区域的图像的凹陷特征，得到凹陷等级结果，同时对所述损伤区域的图像进行形态学操作处理，得到待处理图像；

分割模块14，用于根据所述车辆损伤部位，并对所述待处理图像进行筋线检测，识别出筋线结果，以及根据所述筋线结果，对所述待处理图像进行边缘分割，分割出损伤边缘，并根据所述损伤边缘确定出损伤相对占比；

预测模块15，用于根据所述车辆损伤部位、所述凹陷等级结果、所述损伤相对占比和所述筋线结果，对所述待检测损伤图像进行损伤等级预测，预测出与所述待检测损伤图像对应的损伤等级结果。

关于车辆损伤等级检测装置的具体限定可以参见上文中对于车辆损伤等级检测方法的限定，在此不再赘述。上述车辆损伤等级检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7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，该计算机设备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。该内存储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等级检测方法。

在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现上述实施例中车辆损伤等级检测方法。

在一个实施例中，提供了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上述实施例中车辆损伤等级检测方法。

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，本发明所提供的各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)、双数据率SDRAM(DDRSDRAM)、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。

本发明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。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。