车辆损伤检测方法及装置、终端、存储介质

技术领域

本申请属于车辆检测技术领域，更具体地说，是涉及一种车辆损伤检测方法及装置、终端、存储介质。

背景技术

随着社会经济的发展，居民生活质量有了明显提高，居民机动车持有量不断攀升，但是道路交通事故也成为了一个突出的社会问题。每当发生车辆碰撞事件，保险公司都会进行车辆损伤检测，目前，保险公司进行车辆损伤检测的方式一般是人工识别，由车主或业务人员拍摄车辆损伤的图像，保险公司的定损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。人工识别的车辆损伤检测方法工作量大，效率低，不及时，且容易因定损人员的个人因素导致车辆损伤检测结果不够精确。

发明内容

本申请的目的在于提供一种车辆损伤检测方法及装置、终端、存储介质，以解决现有技术中车辆损伤检测结果不够精确的问题。

本申请实施例的第一方面，提供了一种车辆损伤检测方法，所述损伤检测方法包括：

获取待检测的目标车辆损伤图像；

将所述目标车辆损伤图像输入预设的车辆损伤检测模型中，获得所述目标车辆损伤图像的损伤检测结果；

其中，所述车辆损伤检测模型用于生成所述目标车辆损伤图像的分类特征图和确定所述目标车辆损伤图像的共现因果图，并基于所述分类特征图和共现因果图输出目标车辆损伤图像的损伤检测结果。

在一种可能的实现方式中，所述车辆损伤检测模型包括：主干网络、特征金字塔网络、区域建议网络、感兴趣区域池化单元、共现因果单元和全连接层网络；

其中，所述主干网络用于提取所述目标车辆损伤图像的特征信息；

所述特征金字塔网络用于融合所述特征信息，得到多尺度的特征图；

所述区域建议网络用于截取特征图中的车辆损伤区域，生成车辆损伤建议框；

所述感兴趣区域池化单元用于对所述车辆损伤建议框进行区域池化，得到相同尺度的基础特征图；

所述共现因果单元用于根据预先确定的共现因果图以及基础特征图确定基础特征图对应的先验因子向量；

所述全连接网络用于对基础特征图进行分类，得到分类特征图；对所述分类特征图和所述先验因子向量进行特征融合得到增强分类特征图，根据所述增强分类特征图对所述目标车辆损伤图像进行检测，输出损伤检测结果。

在一种可能的实现方式中，所述共现因果图包括同一张车辆损伤图像上，相同的受损类型同时出现的概率和不同的受损类型同时出现的概率；确定所述共现因果图的方法为：获取目标车辆历史的损伤图像数据集，其中，所述历史的损伤图像数据中的各个车辆损伤图像包含对应的损伤标注信息，所述损伤标注信息包括：受损区域、受损部件名称以及受损类型；

对各个车辆损伤图像对应的受损区域、受损部件名称以及受损类型进行统计，得到同一张车辆损伤图像上，相同的受损类型同时出现的概率和不同的受损类型同时出现的概率。

在一种可能的实现方式中，所述共现因果图包括：所述目标车辆损伤图像的真值与相同的受损类型同时出现时的影响向量的对应关系，以及所述目标车辆损伤图像的真值与不同的受损类型同时出现时的影响向量的对应关系；所述根据预先确定的共现因果图以及基础特征图确定基础特征图对应的先验因子向量，包括：

基于所述损伤标注信息确定目标车辆损伤图像的真值；

基于目标车辆损伤图像的真值和所述共现因果图，得到基础特征图对应的先验因子向量；

所述先验因子向量的确定方法为：

p＝α×p

其中，p为先验因子向量，α为第一常数，β为第二常数，p

在一种可能的实现方式中，基于所述分类特征图和共现因果图输出目标车辆损伤图像的损伤检测结果，包括：

将所述先验因子向量和所述分类特征图进行融合，得到增强分类特征图；

融合方法为：

f

其中f

基于所述增强分类特征图对目标车辆损伤图像进行检测，得到目标车辆损伤图像的损伤检测结果。

在一种可能的实现方式中，所述获取目标车辆历史的损伤图像数据集之前，还包括：

对于每种受损类型，基于该受损类型对应的损伤区域的数量和车辆损伤图像的数量判断该受损类型是否为稀少类型；

若该受损类型为稀少类型，则对该受损类型对应的数据集进行扩充，将扩充后的数据集添加到所述损伤图像数据集中；

若该受损类型不是稀少类型，则选取预设数量的车辆损伤图像作为基础数据集，对所述基础数据集进行扩充，将扩充后的数据集添加到所述损伤图像数据集中。

在一种可能的实现方式中，所述基于该受损类型对应的损伤区域的数量和车辆损伤图像的数量判断该受损类型是否为稀少类型，包括：

对于每种受损类型，将该受损类型对应的损伤区域的数量确定为该受损类型对应的第一数量，将该受损类型对应的车辆损伤图像的数量确定为该受损类型对应的第二数量；

若所述第一数量和所述第二数量中至少一项小于预设阈值，则判定该受损类型为稀少类型；

若所述第一数量和所述第二数量都不小于预设阈值，则判定该受损类型不是稀少类型。

本申请实施例的第二方面，提供了一种车辆损伤检测装置，所述装置包括：

图像获取模块，用于获取待检测的目标车辆损伤图像；

输出模块，用于将所述目标车辆损伤图像输入预设的车辆损伤检测模型中，获得所述目标车辆损伤图像的损伤检测结果；

其中，所述车辆损伤检测模型用于生成所述目标车辆损伤图像的分类特征图和确定所述目标车辆损伤图像的共现因果图，并基于所述分类特征图和共现因果图输出目标车辆损伤图像的损伤检测结果。

本申请实施例的第三方面，提供了一种终端，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的车辆损伤检测方法的步骤。

本申请实施例的第四方面，提供了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的车辆损伤检测方法的步骤。

本申请实施例提供的车辆损伤检测方法及装置、终端、存储介质的有益效果在于：

在本申请实施例中，考虑到现有技术中由定损人员对车辆进行损伤检测，这种方法不仅工作量大，效率低，且容易因定损人员的个人因素导致车辆损伤检测结果不够精确。本申请通过构建车辆损伤检测模型实现了车辆的损伤检测，不仅可以减少工作量，还可以提高效率和检测精度，通过对车辆损伤检测模型生成的分类特征图进行特征增强，能够融合更多的车辆损伤特征，并且通过分析特征信息之间的共现关系生成了共现因果图，共现因果图为车辆损伤检测模型提供了更多的先验知识，将先验知识与分类特征图进行融合，基于融合结果对目标车辆损伤图像进行检测，进一步提高了车辆损伤检测的准确度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的车辆损伤检测方法的流程示意图；

图2为本申请实施例提供的车辆损伤检测模型的共现因果图；

图3为本申请实施例提供的共现因果图的实例化分析图；

图4为本申请实施例提供的车辆损伤检测模型的模型架构示意图；

图5为本申请实施例提供的先验因子向量确定方法的架构示意图；

图6为本申请实施例提供的损伤图像数据集去长尾化前的各受损类型数量分布图；

图7为本申请实施例提供的损伤图像数据集去长尾化后的各受损类型数量分布图；

图8为本申请实施例提供的车辆损伤检测装置的结构示意图；

图9为本申请实施例提供的车辆损伤检测终端的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。

请参考图1，图1为本申请实施例提供的车辆损伤检测方法的流程示意图，该方法包括：

S101：获取待检测的目标车辆损伤图像。

在本申请实施例中，通过对车辆损伤进行检测，可以辅助车险快速判定事故责任方以及事故理赔方，便于定损人员根据车辆损伤检测结果来执行相应的理赔方案。目标车辆损伤图像即为当前需要进行损伤检测的目标车辆的损伤图像。目标车辆损伤图像可以为从多方位拍摄且经过预处理的多张车辆损伤图像，通常情况下，针对交通事故案件发生后定损人员会从事故现场采集车辆损伤图像，为了全方位采集事故现场的车辆损伤图像，可以从不同拍摄角度、不同拍摄距离来调整拍摄终端，并对多方位拍摄的多张车辆损伤图像进行预处理，如光度调节、像素调整等，以使得获取的目标车辆损伤图像更符合实际采集需求。

其中，损伤检测需要对受损区域、受损类型和受损部件名称进行检测。受损类型可以是刮擦(Scratches)、划痕(Scratch)、轻度变形(Mild_deformation)、中度变形(Medium_deformation)、重度变形(Severe_deformation)、玻璃裂纹

(Glass_crack)、玻璃破损(Glass_breakage)、撕裂(Tearing)、缺失(Missing)、错位(Dislocation)等。受损部件名称可以是保险杠、机盖、车门、A柱、叶子板、中网、后视镜、大灯、雾灯、尾灯等。

S102：将目标车辆损伤图像输入预设的车辆损伤检测模型中，获得目标车辆损伤图像的损伤检测结果。

其中，车辆损伤检测模型用于生成目标车辆损伤图像的分类特征图和确定目标车辆损伤图像的共现因果图，并基于分类特征图和共现因果图输出目标车辆损伤图像的损伤检测结果。

在本申请实施例中，共现因果图用于描述相同的受损类型同时出现的概率和不同的受损类型同时出现的概率。参见图2所示的共现因果图，从共现因果图中可以得出：错位和刮擦同时出现的概率在两种受损类型组合中最高，而划痕基本上是伴随着刮擦出现的，同时轻度变形、中度变形和重度变形出现时错位和刮擦的概率也大大增加，这和车辆事故现场出现的车辆损伤是相符的。其中轻度变形、错位和刮擦同时出现的图像分析如图3所示。从共现因果图的实例化分析图中可以看到错位出现时，刮擦出现的概率为41％；刮擦出现时，错位出现的概率为17％；轻度变形出现时，错位出现的概率为29％；轻度变形出现时，刮擦出现的概率为34％。

本申请中的共现因果图在原有的不同受损类型共同出现的基础上进行拓展，保留了原有不同受损类型间的共现因果关系，更延伸到相同受损类型之间的共现因果关系。因此将共现因果图作为先验知识引入车辆损伤检测模型能够在一定程度上提升检测效果。

在本申请实施例中，考虑到现有技术中由定损人员对车辆进行损伤检测，这种方法不仅工作量大，效率低，且容易因定损人员的个人因素导致车辆损伤检测结果不够精确。本申请通过构建车辆损伤检测模型实现了车辆的损伤检测，不仅可以减少工作量，还可以提高效率和检测精度，通过对车辆损伤检测模型生成的分类特征图进行特征增强，能够融合更多的车辆损伤特征，并且通过分析特征信息之间的共现关系生成了共现因果图，共现因果图为车辆损伤检测模型提供了更多的先验知识，将先验知识与分类特征图进行融合，基于融合结果对目标车辆损伤图像进行检测，进一步提高了车辆损伤检测的准确度。

在一种可能的实现方式中，车辆损伤检测模型包括：主干网络、特征金字塔网络、区域建议网络、感兴趣区域池化单元、共现因果单元和全连接层网络。

其中，主干网络用于提取目标车辆损伤图像的特征信息。

特征金字塔网络用于融合特征信息，得到多尺度的特征图。

区域建议网络用于截取特征图中的车辆损伤区域，生成车辆损伤建议框。

感兴趣区域池化单元用于对车辆损伤建议框进行区域池化，得到相同尺度的基础特征图。

共现因果单元用于根据预先确定的共现因果图以及基础特征图确定基础特征图对应的先验因子向量。

全连接网络用于对基础特征图进行分类，得到分类特征图。对分类特征图和先验因子向量进行特征融合得到增强分类特征图，根据增强分类特征图对目标车辆损伤图像进行检测，输出损伤检测结果。

在本申请实施例中，主干网络可以是VGG(Visual Geometry Group，超分辨率测试序列)、ResNet(Residual Network，残差网络)、ResNet50(Residual Network50，残差网络)、DenseNet(Dense Convolutional Network，密集卷积网络)等提取图像特征信息的网络。

在本申请实施例中，车辆损伤检测模型采用Mask R-CNN图像识别方法的模型架构，如图4所示的车辆损伤检测模型的模型架构示意图，其中残差网络(ResidualNetwork50，ResNet50)和特征金字塔网络(Feature Pyramid Network，FPN)为骨干网络，目标车辆损伤图像输入后，将主干网络中的卷积层作为图像特征提取器提取不同层级的图像的特征信息，并将压缩后的特征图像用于特征金字塔网络进行特征融合得到多尺度的特征图，然后区域建议网络(Region Proposal Network，RPN)根据特征图得到可能包含损伤的区域，生成车辆损伤建议框，车辆损伤建议框会对特征图中的车辆损伤区域进行截取，并通过感兴趣区域池化单元(Region Of Interest Align，ROI Align)将特征图调整为统一的大小，得到基础特征图，根据预先确定的共现因果图以及基础特征图确定基础特征图对应的先验因子向量。其中,共现后处理模块(Co-occurrence Post-Processing Module，CPPM)用于获取先验因子向量，最后将基础特征图输入全连接网络进行分类处理，得到分类特征图。根据分类特征图和共现因果图对目标车辆损伤图像进行检测，输出损伤检测结果。该车辆损伤检测模型的特点是集成了损伤检测和实例分割，同时拥有高识别速率和高准确性。

在一种可能的实现方式中，共现因果图包括同一张车辆损伤图像上，相同的受损类型同时出现的概率和不同的受损类型同时出现的概率。确定共现因果图的方法为：获取目标车辆历史的损伤图像数据集，其中，历史的损伤图像数据中的各个车辆损伤图像包含对应的损伤标注信息，损伤标注信息包括：受损区域、受损部件名称以及受损类型。

对各个车辆损伤图像对应的受损区域、受损部件名称以及受损类型进行统计，得到同一张车辆损伤图像上，相同的受损类型同时出现的概率和不同的受损类型同时出现的概率。

在本申请实施例中，可以从生活中的事故场景中拍摄得到车辆的损伤图像，也可以通过互联网、新闻报道等途径获得。根据获得的损伤图像建立损伤图像数据集。本申请选取了10类车辆损伤类型图像作为实验对象，参考COCO2017数据集的构建方法，构建了损伤图像数据集，其中训练集与测试集样本图像分别为25901和8634张，数量比例为3:1，共包含车辆损伤目标数69654个，数据集暂未公开。本申请构建了车辆损伤检测模型采用NVIDIA3090专业加速卡进行训练与测试。采用的操作系统为Ubuntu16.04.6LTS，利用CUDA10.0加速训练。使用的计算机语言Python3.8，网络开发框架为Pytorch。在训练阶段，将batchsize设为2，使用了随机梯度下降(SGD)算法，初始学习率设为0.001，每经过9个epoch，学习率下降为原来的10％，最多迭代训练了30个epoch。通过使用GPUs，该方法可以很容易拓展到分布式系统中。

在Labelme软件工具中导入车辆损伤图像，进行损伤标注。因为损伤的形状多变，圆形、矩形等简易标签容易包含较多的正常背景，不利于获取车辆损伤的特征，因此采用多边形标注受损区域，并注明受损部件名称和损伤类型，得到损伤标注信息。

在本申请实施例中，考虑到在实际的车辆损伤检测中很多受损类型之间具有密切的因果关系，这和车辆事故中车辆往往出现多种损伤是一样的，例如，车辆的部件缺失往往伴随着车辆刮擦和划痕的出现,又如出现重度变形的情况下玻璃破损的可能性大大提高。因此本申请引入了共现因果图，通过深层次挖掘车辆损伤图像数据集中的内在联系定义受损类型间的相关性，由条件概率方式表达受损类型间的共现因果概率。

在本申请实施例中，同一张车辆损伤图像上，相同的受损类型同时出现的概率确定方法为：

其中，P(C

同一张车辆损伤图像上，不同的受损类型同时出现的概率确定方法为：

/>

其中，P(C

在本申请实施例中，本申请考虑到受损部件之间也存在因果关系，因此，本申请还可以计算得到受损部件名称的共现因果图，受损部件名称的共现因果图包括同一张车辆损伤图像上，相同的受损部件同时出现的概率和不同的受损部件同时出现的概率。

在一种可能的实现方式中，共现因果图包括：目标车辆损伤图像的真值与相同的受损类型同时出现时的影响向量的对应关系，以及目标车辆损伤图像的真值与不同的受损类型同时出现时的影响向量的对应关系。根据预先确定的共现因果图以及基础特征图确定基础特征图对应的先验因子向量，包括：

基于损伤标注信息确定目标车辆损伤图像的真值。

基于目标车辆损伤图像的真值和共现因果图，得到基础特征图对应的先验因子向量。

先验因子向量的确定方法为：

p＝α×p

其中，p为先验因子向量，α为第一常数，β为第二常数，p

在本申请实施例中，目标车辆损伤图像的真值为一张车辆损伤图像上标注的受损类型，可以是上述损伤类型之中的一种，也可以是多种同时出现在一张目标车辆损伤图像上的损伤类型，所以目标车辆损伤图像的真值不是固定的。

在本申请实施例中，参见图5所示的先验因子向量确定方法的框架示意图，可知受损类型间的共现因果关系通过常数α和常数β进行当前受损类型的映射更新，得到先验因子向量p。式中第一常数α和第二常数β可以通过实验人为测出，也可以自适应学习得到，目前，α＝0.1，β＝0.2时得到的先验因子向量更准确。第一常数α调控相同的受损类型同时出现时对目标车辆损伤图像上的受损类型的影响，第二常数β调控不同的受损类型同时出现时对目标车辆损伤图像上的受损类型的影响，p

在一种可能的实现方式中，基于分类特征图和共现因果图输出目标车辆损伤图像的损伤检测结果，包括：

将先验因子向量和分类特征图进行融合，得到增强分类特征图。

融合方法为：

f

其中f

基于增强分类特征图对目标车辆损伤图像进行检测，得到目标车辆损伤图像的损伤检测结果。

在本申请实施例中，增强分类特征图f

其中，L

本申请使用目前目标检测模型中常用的评价指标bbox_mAP

其中C是车辆损伤的受损类型数量，AR

在一种可能的实现方式中，获取目标车辆历史的损伤图像数据集之前，还包括：

对于每种受损类型，基于该受损类型对应的损伤区域的数量和车辆损伤图像的数量判断该受损类型是否为稀少类型。

若该受损类型为稀少类型，则对该受损类型对应的数据集进行扩充，将扩充后的数据集添加到损伤图像数据集中。

若该受损类型不是稀少类型，则选取预设数量的车辆损伤图像作为基础数据集，对基础数据集进行扩充，将扩充后的数据集添加到损伤图像数据集中。

在本申请实施例中，实施人员可根据实际需要设置预设数量。

本申请考虑到获取到的车辆损伤图像数据通常呈长尾分布，因此本申请使用稀少类型提取整合的方法缓解长尾分布问题，若某种受损类型被判断为稀少类型，则需要对该受损类型对应的数据集进行扩充，增加该受损类型对应的车辆损伤图像的数量，若某种受损类型不是稀少类型，则可能需要减少该受损类型对应的车辆损伤图像的数量，使整体车辆损伤图像数据集中的每种受损类型对应的车辆损伤图像的数量更加均衡，通过减少该受损类型对应的车辆损伤图像的数量可以减少工作量，提高效率。

通过对比图6所示的损伤图像数据集去长尾化前的各受损类型数量分布图和图7所示的损伤图像数据集去长尾化后的各受损类型数量分布图，可以看出经过去长尾化后，受损类型为错位、玻璃破损、玻璃裂纹和划痕的数量明显增多，数据集中各受损类型数量分布更加均衡。

在一种可能的实现方式中，基于该受损类型对应的损伤区域的数量和车辆损伤图像的数量判断该受损类型是否为稀少类型，包括：

对于每种受损类型，将该受损类型对应的损伤区域的数量确定为该受损类型对应的第一数量，将该受损类型对应的车辆损伤图像的数量确定为该受损类型对应的第二数量。

若第一数量和第二数量中至少一项小于预设阈值，则判定该受损类型为稀少类型。

若第一数量和第二数量都不小于预设阈值，则判定该受损类型不是稀少类型。

在本申请实施例中，实施人员可根据实际需要设置预设阈值。

在本申请实施例中，判定为稀少类型的情况包括：损伤区域的数量小于预设阈值，此时无论车辆损伤图像的数量是否小于预设阈值都判定为稀少类型。车辆损伤图像的数量小于预设阈值，此时无论损伤区域的数量是否小于预设阈值都判定为稀少类型。损伤区域的数量和车辆损伤图像的数量都小于预设阈值判定为稀少类型。在本申请实施例中，判定为不是稀少类型的情况包括：损伤区域的数量和车辆损伤图像的数量都不小于预设阈值。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

以下为本申请的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。

图8示出了本申请实施例提供的车辆损伤检测装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分，详述如下：

如图8所示，车辆损伤检测装置80包括：图像获取模块81、输出模块82。

图像获取模块81，用于获取待检测的目标车辆损伤图像。

输出模块82，用于将目标车辆损伤图像输入预设的车辆损伤检测模型中，获得目标车辆损伤图像的损伤检测结果。

其中，车辆损伤检测模型用于生成目标车辆损伤图像的分类特征图和确定目标车辆损伤图像的共现因果图，并基于分类特征图和共现因果图输出目标车辆损伤图像的损伤检测结果。

在一种可能的实现方式中，输出模块82中的车辆损伤检测模型包括：主干网络、特征金字塔网络、区域建议网络、感兴趣区域池化单元、共现因果单元和全连接层网络。

其中，主干网络用于提取目标车辆损伤图像的特征信息。

特征金字塔网络用于融合特征信息，得到多尺度的特征图。

区域建议网络用于截取特征图中的车辆损伤区域，生成车辆损伤建议框。

感兴趣区域池化单元用于对车辆损伤建议框进行区域池化，得到相同尺度的基础特征图。

共现因果单元用于根据预先确定的共现因果图以及基础特征图确定基础特征图对应的先验因子向量。

全连接网络用于对基础特征图进行分类，得到分类特征图。对分类特征图和先验因子向量进行特征融合得到增强分类特征图，根据增强分类特征图对目标车辆损伤图像进行检测，输出损伤检测结果。

在一种可能的实现方式中，共现因果图包括同一张车辆损伤图像上，相同的受损类型同时出现的概率和不同的受损类型同时出现的概率。输出模块82具体用于确定共现因果图，确定共现因果图的方法为：获取目标车辆历史的损伤图像数据集，其中，历史的损伤图像数据中的各个历史车辆损伤图像包含对应的损伤标注信息，损伤标注信息包括：受损区域、受损部件名称以及受损类型。

对各个车辆损伤图像对应的受损区域、受损部件名称以及受损类型进行统计，得到同一张车辆损伤图像上，相同的受损类型同时出现的概率和不同的受损类型同时出现的概率。

在一种可能的实现方式中，共现因果图包括：目标车辆损伤图像的真值与相同的受损类型同时出现时的影响向量的对应关系，以及目标车辆损伤图像的真值与不同的受损类型同时出现时的影响向量的对应关系。输出模块82具体用于根据预先确定的共现因果图以及基础特征图确定基础特征图对应的先验因子向量。

根据预先确定的共现因果图以及基础特征图确定基础特征图对应的先验因子向量，包括：

基于损伤标注信息确定目标车辆损伤图像的真值。

基于目标车辆损伤图像的真值和共现因果图，得到基础特征图对应的先验因子向量。

先验因子向量的确定方法为：

p＝α×p

其中，p为先验因子向量，α为第一常数，β为第二常数，p

在一种可能的实现方式中，输出模块82具体用于基于分类特征图和共现因果图输出目标车辆损伤图像的损伤检测结果。

基于分类特征图和共现因果图输出目标车辆损伤图像的损伤检测结果，包括：

将先验因子向量和分类特征图进行融合，得到增强分类特征图。

融合方法为：

f

其中f

基于增强分类特征图对目标车辆损伤图像进行检测，得到目标车辆损伤图像的损伤检测结果。

在一种可能的实现方式中，输出模块82具体用于获取目标车辆历史的损伤图像数据集之前。

获取目标车辆历史的损伤图像数据集之前，还包括：

对于每种受损类型，基于该受损类型对应的损伤区域的数量和车辆损伤图像的数量判断该受损类型是否为稀少类型。

若该受损类型为稀少类型，则对该受损类型对应的数据集进行扩充，将扩充后的数据集添加到损伤图像数据集中。

若该受损类型不是稀少类型，则选取预设数量的车辆损伤图像作为基础数据集，对基础数据集进行扩充，将扩充后的数据集添加到损伤图像数据集中。

在一种可能的实现方式中，输出模块82具体用于基于该受损类型对应的损伤区域的数量和车辆损伤图像的数量判断该受损类型是否为稀少类型。

基于该受损类型对应的损伤区域的数量和车辆损伤图像的数量判断该受损类型是否为稀少类型，包括：

对于每种受损类型，将该受损类型对应的损伤区域的数量确定为该受损类型对应的第一数量，将该受损类型对应的车辆损伤图像的数量确定为该受损类型对应的第二数量。

若第一数量和第二数量中至少一项小于预设阈值，则判定该受损类型为稀少类型。

若第一数量和第二数量都不小于预设阈值，则判定该受损类型不是稀少类型。

图9是本申请实施例提供的车辆损伤检测终端的结构示意图。如图9所示，该实施例的终端900包括：处理器901、存储器902以及存储在存储器902中并可在处理器901上运行的计算机程序903。处理器901执行计算机程序903时实现上述各个车辆损伤检测方法实施例中的步骤，例如图1所示的步骤101至步骤102。或者，处理器901执行计算机程序903时实现上述各装置实施例中各模块的功能，例如图8所示模块81至82的功能。

示例性的，计算机程序903可以被分割成一个或多个模块，一个或者多个模块被存储在存储器902中，并由处理器901执行，以完成本申请。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序903在终端900中的执行过程。例如，计算机程序903可以被分割成图8所示的模块81至82。

终端900可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端900可包括，但不仅限于，处理器901、存储器902。本领域技术人员可以理解，图9仅仅是终端900的示例，并不构成对终端900的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端还可以包括输入输出设备、网络接入设备、总线等。

所称处理器901可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器902可以是终端900的内部存储单元，例如终端900的硬盘或内存。存储器902也可以是终端900的外部存储设备，例如终端900上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器902还可以既包括终端900的内部存储单元也包括外部存储设备。存储器902用于存储计算机程序以及终端所需的其他程序和数据。存储器902还可以用于暂时地存储已经输出或者将要输出的数据。

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。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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，作为单元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单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。

集成的模块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，本申请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令相关的硬件来完成，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，可实现上述各个车辆损伤检测方法实施例的步骤。其中，计算机程序包括计算机程序代码，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。计算机可读介质可以包括：能够携带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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。