本发明涉及人工智能领域，尤其涉及一种车辆定损方法、装置、电子设备及存储介质。
背景技术：
人工智能技术目前已经广泛应用在各种场景当中，例如在车险中，可以通过人工智能图像识别技术来判断车辆的变形和损伤程度，减少人工勘察成本，规避人为因素风险。现有技术中的机器学习已经能够帮助人们处理和解决大部分的复杂问题。但现有技术中利用机器学习的方法，识别精度不高，仍然存在着较大的挑战。
技术实现要素：
鉴于以上内容，有必要提供一种车辆定损方法、装置、电子设备及存储介质，能通过采用hitl人工介入的思想，使车辆部位损伤识别模型得到强化学习，形成模型的自适应效果，通过不断强化和更新，提高车辆部位损伤识别模型模型识别准确率。
一种车辆定损方法，所述方法包括：
获取车辆图片；
将车辆图片输入至训练好的车辆部位分割模型中，分割出车辆的各个部位图片；
将各个部位图片输入至训练好的车辆部位损伤识别模型中，识别各个部位的机器定损结果及输出各个部位的机器定损结果的置信度；
将置信度低于或等于阈值的部位图片发送至定损人员的用户设备上以使定损人员对该部位图片进行定损，并确定置信度低于阈值的部位的最终定损结果；
将置信度低于阈值的部位图片添加至车辆部位损伤识别模型的训练样本中，重新训练车辆部位损伤识别模型。
根据本发明优选实施例，在将车辆图片输入至训练好的车辆部位分割模型中，分割出车辆的各个部位图片之前，所述方法还包括：
对获取的车辆图片进行检测，判断获取的车辆图片是否合格，检测的内容包括以下一种或者多种的组合：图片清晰度、拍摄角度、拍摄部位的可识别程度、图片是否存在篡改嫌疑；
当所述获取的车辆图片不合格时，提示用户重新上传车辆图片。
根据本发明优选实施例，在将各个部位图片输入至训练好的车辆部位损伤识别模型之前，所述方法还包括：
从车辆图片中识别出车牌部位、vin码部位，从车牌部位中识别出车牌号，从vin码部位识别出vin码，利用车牌号或者vin码识别车辆是否为投保车辆，当为投保车辆时，判断车辆的各个部位图片的损伤程度。
根据本发明优选实施例，所述方法还包括：当将置信度低于阈值的部位的发送至定损人员时，提示用户等待定损结果。
根据本发明优选实施例，所述方法还包括：当该部位的机器定损结果与人工定损结果不同时，将人工定损结果作为置信度低于阈值的部位的最终定损结果。
根据本发明优选实施例，所述方法还包括：将置信度高于阈值的部位的机器定损结果作为置信度高于阈值的部位的最终定损结果。
根据本发明优选实施例，所述方法还包括：
当车辆为投保车辆时，将所述车辆图片输入至训练好的车型识别模型中，输出车辆的品牌和车型；
根据车辆的品牌和车型,及车辆的各个部位的最终定损结果，确定车辆的各个部位的维修数据；
根据车辆的各个部位的维修数据，计算车辆的维修费用，并发送给用户的用户设备。
根据本发明优选实施例，所述方法还包括：获取车辆的投保数据，根据投保数据及维修费用，确定理赔数据，将理赔数据发送给该车辆的用户的设备以供用户查看。
一种车辆定损装置，所述装置包括：
获取模块，用于获取车辆图片；
分割模块，用于将车辆图片输入至训练好的车辆部位分割模型中，分割出车辆的各个部位图片；
识别模块，用于将各个部位图片输入至训练好的车辆部位损伤识别模型中，识别各个部位的机器定损结果及输出各个部位的机器定损结果的置信度；
发送模块，用于将置信度低于或等于阈值的部位图片发送至定损人员的用户设备上以使定损人员对该部位图片进行定损，并确定置信度低于阈值的部位的最终定损结果；
训练模块，用于将置信度低于阈值的部位图片添加至车辆部位损伤识别模型的训练样本中，重新训练车辆部位损伤识别模型。
一种电子设备，所述电子设备包括存储器及处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令以实现任意实施例中任一项所述车辆定损方法。
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至少一个指令，所述至少一个指令被处理器执行时实现任意实施例中任一项所述车辆定损方法。
由以上技术方案可以看出，本发明获取车辆图片；将车辆图片输入至训练好的车辆部位分割模型中，分割出车辆的各个部位图片；将各个部位图片输入至训练好的车辆部位损伤识别模型中，识别各个部位的机器定损结果及输出各个部位的机器定损结果的置信度；将置信度低于或等于阈值的部位图片发送至定损人员的用户设备上以使定损人员对该部位图片进行定损，并确定置信度低于阈值的部位的最终定损结果；将置信度低于阈值的部位图片添加至车辆部位损伤识别模型的训练样本中，重新训练车辆部位损伤识别模型。本发明能通过采用hitl人工介入的思想，使车辆部位损伤识别模型得到强化学习，形成模型的自适应效果，通过不断强化和更新，提高车辆部位损伤识别模型模型识别准确率。
附图说明
为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1是本发明车辆定损方法的第一较佳实施例的流程图。
图2是本发明车辆定损方法的第二较佳实施例的流程图。
图3是本发明车辆定损装置的第一较佳实施例的程序模块图。
图4是本发明车辆定损装置的第二较佳实施例的程序模块图。
图5是本发明至少一个实例中电子设备的较佳实施例的结构示意图。
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，所描述的实施例仅仅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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，是本发明车辆定损方法的第一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。
s10、电子设备获取车辆图片。
在可选实施例中，对事故现场中的车辆进行拍照，将拍摄的车辆图片发送至云端，所述车辆图片包括车辆全景图片、车辆部分图片等等。
优选地，对获取的车辆图片进行检测，并判断获取的车辆图片是否合格，当所述获取的车辆图片不合格时，提示用户重新上传车辆图片。对所述获取的图片的检测内容包含图片清晰度、拍摄角度、拍摄部位的可识别程度、图片是否存在篡改嫌疑等，例如图片清晰度是否在配置的清晰度范围内，拍摄角度是否在配置的角度范围内、拍摄部位的可识别程度是否在配置的可识别程度范围内等等。若获取的车辆图片合格时，执行s11。这样可以避免不合格的图片对后续的定损结果造成的影响，以提高车辆定损的准确度。
s11、所述电子设备将车辆图片输入至训练好的车辆部位分割模型中，分割出车辆的各个部位图片。
在可选实施中，所述车辆部位分割模型用于分割车辆的各个部位图片。所述车辆部位分割模型的训练样本包括车辆的各个部位的图片，如门把手，车门，轮胎，等等。在训练车辆部位分割模型的过程中，车辆部位分割模型不断学习车辆的各个部位的特征。当车辆部位分割模型训练好后，可以从车辆图片中识别，并分割出车辆的各个部位图片，便于后续判断各个部位图片的损伤程度。
优选地，还从车辆图片中识别出车牌部位、vin码部位，从车牌部位中识别出车牌号，从vin码部位识别出vin码，利用车牌号或者vin码识别车辆是否为投保车辆，当为投保车辆时，判断车辆的各个部位图片的损伤程度。
可选地，在所述车辆部位分割模型的训练过程包括：
a、配置各个部位(例如，门把手，车门，轮胎、左前门、右前门、左叶子板、右叶子板、前保险杠、后保险杠等)对应的预设数量的样本图片；
b、将各个样本图片进行图片预处理以获得训练所述车辆部位分割模型训练图片，例如可通过对各个样本图片进行图片预处理如缩放、裁剪、翻转及/或扭曲等操作后，使训练图片具有相同的尺寸及相同的视角后，才进行模型训练，以有效提高模型训练的真实性及准确率。
c、将所有训练图片分为第一比例(例如，70％)的训练集、第二比例(例如，30％)的验证集；
d、利用所述训练集训练所述车辆部位分割模型；
e、利用所述验证集验证训练的车辆部位分割模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个部位对应的样本图片
数量并重新执行上述步骤b、c、d、e，直至训练的车辆部位分割模型的准确率大于或者等于预设准确率。
s12、所述电子设备将各个部位图片输入至训练好的车辆部位损伤识别模型中，识别各个部位的机器定损结果及输出各个部位的机器定损结果的置信度。
在可选实施例中，所述车辆部位损伤识别模型用于判断各个部位的损伤程度，并输出各个部位的机器定损结果的置信度。训练车辆部位损伤识别模型的训练样本包括各个部位的各种损伤程度的图片。在训练车辆部位损伤识别模型的过程中，车辆部位损伤识别模型不断学习各个部位的各种损伤程度的特征。当车辆部位损伤识别模型训练好后，能对各个部位图片进行定损，判定各个部位的损伤程度，并输出各个部位的定损结果的置信度。后续可以将置信度低于阈值的机器定损结果发给多个专业人员进行定损。
优选地，所述方法还包括：将置信度高于阈值的部位的机器定损结果作为置信度高于阈值的部位的最终定损结果。
s13、所述电子设备将置信度低于或等于阈值的部位图片发送至定损人员的用户设备上以使定损人员对该部位图片进行定损，并确定置信度低于阈值的部位的最终定损结果。
在可选实施例中，定损人员为一个或者多个。将超过预设人数的定损结果作为人工定损结果。例如，将置信度低于阈值的部位图片发送至5个定损人员，有4个定损人员判定为一级损伤程度，1个定损人员判定为二级损伤程度，则人工定损结果为一级损伤程度。这样将置信度低于阈值的部位图片发送给多个定损人员以使定损人员对车辆定损，并采用大部分定损人员的相同的定损结果作为人工定损结果，可以有效避免人工干扰因素。
优选地，所述方法还包括：当将置信度低于阈值的部位的发送至定损人员时，提示用户等待定损结果。
优选地，所述方法还包括：当该部位的机器定损结果与人工定损结果不同时，将人工定损结果作为置信度低于阈值的部位的最终定损结果。这样可以人工干预车辆的定损结果，提高定损精度。
s14、所述电子设备将置信度低于阈值的部位图片添加至车辆部位损伤识别模型的训练样本中重新训练车辆部位损伤识别模型。
在可选实施例中，将该置信度低于阈值的部位图片更新至车辆部位损伤识别模型的训练样本中。例如，该部位图片的机器定损结果为二级损伤，人工定损结果为一级损伤，则车辆部位损伤识别模型中二级损伤的模型参数需要强化，需要学习更多的该部位的二级损伤的特征，将置信度低于阈值的部位图片添加至二级损伤类别中，作为二级损伤类别的训练样本。这样可以增加机器学习算法判定错误的类别的样本，并对车辆部位损伤识别模型重新训练，使车辆部位损伤识别模型学习判定错误的类别的样本的特征，从而使车辆部位损伤识别模型的模型参数后续能准确的判定该判断错误的类别的车辆损伤程度。
可选地，在所述车辆部位损伤识别模型的训练过程包括：
a、配置各个部位的各种损伤程度(例如，对于门把手部位，分别配置一级损伤程度、二级损伤程度、三级损伤程度等等各种损伤程度)对应的预设数量的样本图片；
b、将各个样本图片进行图片预处理以获得训练所述车辆部位损伤识别模型的训练图片，例如可通过对各个样本图片进行图片预处理如缩放、裁剪、翻转及/或扭曲等操作后，使训练图片具有相同的尺寸及相同的视角后，才进行模型训练，以有效提高模型训练的真实性及准确率。
c、将所有训练图片分为第一比例(例如，80％)的训练集、第二比例(例如，20％)的验证集；
d、利用所述训练集训练所述车辆部位损伤识别模型；
e、利用所述验证集验证训练的车辆部位损伤识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个部位对应的样本图片；
数量并重新执行上述步骤b、c、d、e，直至训练的车辆部位损伤识别模型的准确率大于或者等于预设准确率。
在可选实施例中，所述车辆部位分割模型、所述车辆部位损伤识别模型及所述车型识别模型可以是为不带有全连接层的深度卷积神经网络模型，所述深度卷积神经网络模型包括输入层、卷积层、池化层、上采样层及裁切层，在一种具体的实施方式中，所述深度卷积神经网络模型由1个输入层，16个卷积层，5个池化层，1个上采样层，1个裁切层构成。
由于在传统的分类问题中，一般需要用全连接层来输出每一张图片属于每个类的概率，然而在语义分割问题上，用这种方法来预测每个样本属于哪个类必然会导致效率低下。因此，本实施例中的识别模型为不带有全连接层的深度卷积神经网络模型，该深度卷积神经网络模型只需在conv8上，用一个卷积层来输出每个像素的分类score。在该层上，特征图上的每个点都有classnum+1个分类中不同分类的score，因此输出的channel也是classnum+1，识别效率大大提高。
通过上述实施，本发明能将置信度低于阈值的部位图片添加至车辆部位损伤识别模型的训练样本中重新训练车辆部位损伤识别模型，使车辆部位损伤识别模型得到强化学习，形成模型的自适应效果，通过不断强化和更新，提高车辆部位损伤识别模型模型识别准确率。
如图2所示，是本发明车辆定损方法的第二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。
s20至s24分别与第一较佳实施例中的s10至s14对应，在此不再详述。
s25、当车辆为投保车辆时，所述电子设备将所述车辆图片输入至训练好的车型识别模型中，输出车辆的品牌和车型。优选实施方式，将所述车辆图片的全景图片作为所述车型识别模型的输入。在训练车型识别模型时，车型识别模型的训练样本为各种品牌车辆的各种车型的全景图片。当车型识别模型训练好后，就能自动识别输入的全景图片中车辆的品牌和车型，训练算法为现有技术，包括，但不限于：卷积神经网络模型。
可选地，在所述车型识别模型的训练过程包括：
a、配置各种品牌各种车型(例如，奥迪q5的全景图片、奥迪a3的全景图片、奔驰c级的全景图片、奔驰e级的全景图片等)对应的预设数量的样本图片；
b、将各个样本图片进行图片预处理以获得训练所述车型识别模型模型训练图片，例如可通过对各个样本图片进行图片预处理如缩放、裁剪、翻转及/或扭曲等操作后，使训练图片具有相同的尺寸及相同的视角后，才进行模型训练，以有效提高模型训练的真实性及准确率。
c、将所有训练图片分为第一比例(例如，85％)的训练集、第二比例(例如，15％)的验证集；
d、利用所述训练集训练所述车型识别模型模型；
e、利用所述验证集验证训练的车型识别模型模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个部位对应的样本图片；
数量并重新执行上述步骤b、c、d、e，直至训练的车型识别模型的准确率大于或者等于预设准确率。
s26、所述电子设备根据车辆的品牌和车型,及车辆的各个部位的最终定损结果，确定车辆的各个部位的维修数据。
在可选实施例中，所述维修数据包括维修配件的价格数据、维修工时费用数据。各个部位的不同的损伤程度对应不同的维修配件及不同的维修工时。从数据库中读取该品牌和车型的车辆的各个部位的维修数据。当所述数据库没有该品牌和车型的车辆的各个部位的维修数据时，向供应商发送询问指令以询问该品牌和车型的车辆的各个部位的维修数据。
s27、所述电子设备根据车辆的各个部位的维修数据，计算车辆的维修费用，并发送给用户的用户设备。
在可选实施例中，将车辆的各个部位的维修配件的价格数据、维修工时费用数据进行累加，作为车辆的维修费用。
在可选实施例中，所述方法还包括：获取车辆的投保数据，根据投保数据及维修费用，确定理赔数据，将理赔数据发送给该车辆的用户的设备以供用户查看。
通过上述实施例中，本发明能准确对损坏车辆进行定损，并根据车辆的定损情况及投保数据，计算车辆的维修费用和理赔数据，提高了理赔效率及理赔的透明化。
如图3所示，本发明车辆定损装置的第一较佳实施例的程序模块图。所述车辆定损装置3包括，但不限于以下一个或者多个模块：获取模块30、分割模块31、识别模块32、训练模块33、确定模块34、发送模块35及提示模块36。本发明所称的单元是指一种能够被车辆定损装置3的处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。关于各单元的功能将在后续的实施例中详述。
所述获取模块30获取车辆图片。
在可选实施例中，对事故现场中的车辆进行拍照，将拍摄的车辆图片发送至云端，所述车辆图片包括车辆全景图片、车辆部分图片等等。
优选地，所述获取模块30还用于：对获取的车辆图片进行检测，并判断获取的车辆图片是否合格，当所述获取的车辆图片不合格时，提示用户重新上传车辆图片。对所述获取的图片的检测内容包含图片清晰度、拍摄角度、拍摄部位的可识别程度、图片是否存在篡改嫌疑等，例如图片清晰度是否在配置的清晰度范围内，拍摄角度是否在配置的角度范围内、拍摄部位的可识别程度是否在配置的可识别程度范围内等等。若获取的车辆图片合格时，执行分割模块31。这样可以避免不合格的图片对后续的定损结果造成的影响，以提高车辆定损的准确度。
所述分割模块31将车辆图片输入至训练好的车辆部位分割模型中，分割出车辆的各个部位图片。
在可选实施中，所述车辆部位分割模型用于分割车辆的各个部位图片。所述车辆部位分割模型的训练样本包括车辆的各个部位的图片，如门把手，车门，轮胎，等等。在训练车辆部位分割模型的过程中，车辆部位分割模型不断学习车辆的各个部位的特征。当车辆部位分割模型训练好后，可以从车辆图片中识别，并分割出车辆的各个部位图片，便于后续判断各个部位图片的损伤程度。
优选地，所述分割模块31还用于：从车辆图片中识别出车牌部位、vin码部位，从车牌部位中识别出车牌号，从vin码部位识别出vin码，利用车牌号或者vin码识别车辆是否为投保车辆，当为投保车辆时，判断车辆的各个部位图片的损伤程度。
可选地，训练模块33在所述车辆部位分割模型的训练过程包括：
a、配置各个部位(例如，门把手，车门，轮胎、左前门、右前门、左叶子板、右叶子板、前保险杠、后保险杠等)对应的预设数量的样本图片；
b、将各个样本图片进行图片预处理以获得训练所述车辆部位分割模型训练图片，例如可通过对各个样本图片进行图片预处理如缩放、裁剪、翻转及/或扭曲等操作后，使训练图片具有相同的尺寸及相同的视角后，才进行模型训练，以有效提高模型训练的真实性及准确率。
c、将所有训练图片分为第一比例(例如，70％)的训练集、第二比例(例如，30％)的验证集；
d、利用所述训练集训练所述车辆部位分割模型；
e、利用所述验证集验证训练的车辆部位分割模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个部位对应的样本图片；
数量并重新执行上述步骤b、c、d、e，直至训练的车辆部位分割模型的准确率大于或者等于预设准确率。
识别模块32所述电子设备将各个部位图片输入至训练好的车辆部位损伤识别模型中，识别各个部位的机器定损结果及输出各个部位的机器定损结果的置信度。
在可选实施例中，所述车辆部位损伤识别模型用于判断各个部位的损伤程度，并输出各个部位的机器定损结果的置信度。训练车辆部位损伤识别模型的训练样本包括各个部位的各种损伤程度的图片。在训练车辆部位损伤识别模型的过程中，车辆部位损伤识别模型不断学习各个部位的各种损伤程度的特征。当车辆部位损伤识别模型训练好后，能对各个部位图片进行定损，判定各个部位的损伤程度，并输出各个部位的定损结果的置信度。后续可以将置信度低于阈值的机器定损结果发给多个专业人员进行定损。
优选地，所述确定模块34用于：将置信度高于阈值的部位的机器定损结果作为置信度高于阈值的部位的最终定损结果。
所述发送模块35将置信度低于或等于阈值的部位图片发送至定损人员的用户设备上以使定损人员对该部位图片进行定损，并确定置信度低于阈值的部位的最终定损结果。
在可选实施例中，定损人员为一个或者多个。将超过预设人数的定损结果作为人工定损结果。例如，将置信度低于阈值的部位图片发送至5个定损人员，有4个定损人员判定为一级损伤程度，1个定损人员判定为二级损伤程度，则人工定损结果为一级损伤程度。这样将置信度低于阈值的部位图片发送给多个定损人员以使定损人员对车辆定损，并采用大部分定损人员的相同的定损结果作为人工定损结果，可以有效避免人工干扰因素。
优选地，所述提示模块36用于：当将置信度低于阈值的部位的发送至定损人员时，提示用户等待定损结果。
优选地，所述确定模块34用于：当该部位的机器定损结果与人工定损结果不同时，将人工定损结果作为置信度低于阈值的部位的最终定损结果。这样可以人工干预车辆的定损结果，提高定损精度。
所述训练模块33将置信度低于阈值的部位图片添加至车辆部位损伤识别模型的训练样本中重新训练车辆部位损伤识别模型。
在可选实施例中，所述训练模块33将该置信度低于阈值的部位图片更新至车辆部位损伤识别模型的训练样本中。例如，该部位图片的机器定损结果为二级损伤，人工定损结果为一级损伤，则车辆部位损伤识别模型中二级损伤的模型参数需要强化，需要学习更多的该部位的二级损伤的特征，将置信度低于阈值的部位图片添加至二级损伤类别中，作为二级损伤类别的训练样本。这样可以增加机器学习算法判定错误的类别的样本，并对车辆部位损伤识别模型重新训练，使车辆部位损伤识别模型学习判定错误的类别的样本的特征，从而使车辆部位损伤识别模型的模型参数后续能准确的判定该判断错误的类别的车辆损伤程度。
可选地，所述训练模块33在所述车辆部位损伤识别模型的训练过程包括：
a、配置各个部位的各种损伤程度(例如，对于门把手部位，分别配置一级损伤程度、二级损伤程度、三级损伤程度等等各种损伤程度)对应的预设数量的样本图片；
b、将各个样本图片进行图片预处理以获得训练所述车辆部位损伤识别模型的训练图片，例如可通过对各个样本图片进行图片预处理如缩放、裁剪、翻转及/或扭曲等操作后，使训练图片具有相同的尺寸及相同的视角后，才进行模型训练，以有效提高模型训练的真实性及准确率。
c、将所有训练图片分为第一比例(例如，80％)的训练集、第二比例(例如，20％)的验证集；
d、利用所述训练集训练所述车辆部位损伤识别模型；
e、利用所述验证集验证训练的车辆部位损伤识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个部位对应的样本图片；
数量并重新执行上述步骤b、c、d、e，直至训练的车辆部位损伤识别模型的准确率大于或者等于预设准确率。
在可选实施例中，所述车辆部位分割模型、所述车辆部位损伤识别模型及所述车型识别模型可以是为不带有全连接层的深度卷积神经网络模型，所述深度卷积神经网络模型包括输入层、卷积层、池化层、上采样层及裁切层，在一种具体的实施方式中，所述深度卷积神经网络模型由1个输入层，16个卷积层，5个池化层，1个上采样层，1个裁切层构成。
由于在传统的分类问题中，一般需要用全连接层来输出每一张图片属于每个类的概率，然而在语义分割问题上，用这种方法来预测每个样本属于哪个类必然会导致效率低下。因此，本实施例中的识别模型为不带有全连接层的深度卷积神经网络模型，该深度卷积神经网络模型只需在conv8上，用一个卷积层来输出每个像素的分类score。在该层上，特征图上的每个点都有classnum+1个分类中不同分类的score，因此输出的channel也是classnum+1，识别效率大大提高。
通过上述实施，本发明能将置信度低于阈值的部位图片添加至车辆部位损伤识别模型的训练样本中重新训练车辆部位损伤识别模型，使车辆部位损伤识别模型得到强化学习，形成模型的自适应效果，通过不断强化和更新，提高车辆部位损伤识别模型模型识别准确率。
如图4所示，本发明车辆定损装置的第二较佳实施例的程序模块图。所述车辆定损装置3除了包括第一较佳实施中的一个或者多个模块：获取模块30、分割模块31、识别模块32、训练模块33、确定模块34、发送模块35及提示模块36之外，所述车辆定损装置3还可以包括以下一个或者多个模块：输出模块37及计算模块38。本发明所称的单元是指一种能够被车辆定损装置3的处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。关于各单元的功能将在后续的实施例中详述。
当车辆为投保车辆时，所述输出模块37将所述车辆图片输入至训练好的车型识别模型中，输出车辆的品牌和车型。优选实施方式，将所述车辆图片的全景图片作为所述车型识别模型的输入。在训练车型识别模型时，车型识别模型的训练样本为各种品牌车辆的各种车型的全景图片。当车型识别模型训练好后，就能自动识别输入的全景图片中车辆的品牌和车型，训练算法为现有技术，包括，但不限于：卷积神经网络模型。
可选地，所述训练模块33在所述车型识别模型的训练过程包括：
a、配置各种品牌各种车型(例如，奥迪q5的全景图片、奥迪a3的全景图片、奔驰c级的全景图片、奔驰e级的全景图片等)对应的预设数量的样本图片；
b、将各个样本图片进行图片预处理以获得训练所述车型识别模型模型训练图片，例如可通过对各个样本图片进行图片预处理如缩放、裁剪、翻转及/或扭曲等操作后，使训练图片具有相同的尺寸及相同的视角后，才进行模型训练，以有效提高模型训练的真实性及准确率。
c、将所有训练图片分为第一比例(例如，85％)的训练集、第二比例(例如，15％)的验证集；
d、利用所述训练集训练所述车型识别模型模型；
e、利用所述验证集验证训练的车型识别模型模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个部位对应的样本图片；
数量并重新执行上述步骤b、c、d、e，直至训练的车型识别模型的准确率大于或者等于预设准确率。
所述确定模块34根据车辆的品牌和车型，及车辆的各个部位的最终定损结果，确定车辆的各个部位的维修数据。
在可选实施例中，所述维修数据包括维修配件的价格数据、维修工时费用数据。各个部位的不同的损伤程度对应不同的维修配件及不同的维修工时。从数据库中读取该品牌和车型的车辆的各个部位的维修数据。当所述数据库没有该品牌和车型的车辆的各个部位的维修数据时，向供应商发送询问指令以询问该品牌和车型的车辆的各个部位的维修数据。
所述计算模块38根据车辆的各个部位的维修数据，计算车辆的维修费用，并发送给用户的用户设备。
在可选实施例中，将车辆的各个部位的维修配件的价格数据、维修工时费用数据进行累加，作为车辆的维修费用。
在可选实施例中，所述确定模块34还用于：获取车辆的投保数据，根据投保数据及维修费用，确定理赔数据，将理赔数据发送给该车辆的用户的设备以供用户查看。
通过上述实施例中，本发明能准确对损坏车辆进行定损，并根据车辆的定损情况及投保数据，计算车辆的维修费用和理赔数据，提高了理赔效率及理赔的透明化。
上述以软件程序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。上述软件程序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，服务器，或者网络设备等)或处理器(processor)执行本发明每个实施例所述方法的部分步骤。
如图5所示，所述电子设备5包括至少一个发送装置51、至少一个存储器52、至少一个处理器53、至少一个接收装置54以及至少一个通信总线。其中，所述通信总线用于实现这些组件之间的连接通信。
所述电子设备5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(applicationspecificintegratedcircuit，asic)、可编程门阵列(field－programmablegatearray，fpga)、数字处理器(digitalsignalprocessor，dsp)、嵌入式设备等。所述电子设备5还可包括网络设备和/或用户设备。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(cloudcomputing)的由大量主机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
所述电子设备5可以是，但不限于任何一种可与用户通过键盘、触摸板或声控设备等方式进行人机交互的电子产品，例如，平板电脑、智能手机、个人数字助理(personaldigitalassistant，pda)、智能式穿戴式设备、摄像设备、监控设备等终端。
所述电子设备5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(virtualprivatenetwork，vpn)等。
其中，所述接收装置54和所述发送装置51可以是有线发送端口，也可以为无线设备，例如包括天线装置，用于与其他设备进行数据通信。
所述存储器52用于存储程序代码。所述存储器52可以是集成电路中没有实物形式的具有存储功能的电路，如ram(random-accessmemory，随机存取存储器)、fifo(firstinfirstout，)等。或者，所述存储器52也可以是具有实物形式的存储器，如内存条、tf卡(trans-flashcard)、智能媒体卡(smartmediacard)、安全数字卡(securedigitalcard)、快闪存储器卡(flashcard)等储存设备等等。
所述处理器53可以包括一个或者多个微处理器、数字处理器。所述处理器53可调用存储器52中存储的程序代码以执行相关的功能。例如，图3及图4中所述的各个模块是存储在所述存储器52中的程序代码，并由所述处理器53所执行，以实现一种车辆定损方法。所述处理器53又称中央处理器(cpu，centralprocessingunit)，是一块超大规模的集成电路，是运算核心(core)和控制核心(controlunit)。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令当被包括一个或多个处理器的电子设备执行时，使电子设备执行如上文方法实施例所述的车辆定损方法。
结合图1及图2所示，所述电子设备5中的所述存储器52存储多个指令以实现一种车辆定损方法，所述处理器53可执行所述多个指令从而实现：
获取车辆图片；将车辆图片输入至训练好的车辆部位分割模型中，分割出车辆的各个部位图片；将各个部位图片输入至训练好的车辆部位损伤识别模型中，识别各个部位的机器定损结果及输出各个部位的机器定损结果的置信度；将置信度低于或等于阈值的部位图片发送至定损人员的用户设备上以使定损人员对该部位图片进行定损，并确定置信度低于阈值的部位的最终定损结果；将置信度低于阈值的部位图片添加至车辆部位损伤识别模型的训练样本中，重新训练车辆部位损伤识别模型。
所述处理器执行所述多个指令时还执行以下指令：在将车辆图片输入至训练好的车辆部位分割模型中，分割出车辆的各个部位图片之前，对获取的车辆图片进行检测，判断获取的车辆图片是否合格，检测的内容包括以下一种或者多种的组合：图片清晰度、拍摄角度、拍摄部位的可识别程度、图片是否存在篡改嫌疑；
当所述获取的车辆图片不合格时，提示用户重新上传车辆图片。
所述处理器执行所述多个指令时还执行以下指令：在将各个部位图片输入至训练好的车辆部位损伤识别模型之前，从车辆图片中识别出车牌部位、vin码部位，从车牌部位中识别出车牌号，从vin码部位识别出vin码，利用车牌号或者vin码识别车辆是否为投保车辆，当为投保车辆时，判断车辆的各个部位图片的损伤程度。
所述处理器执行所述多个指令时还执行以下指令：当将置信度低于阈值的部位的发送至定损人员时，提示用户等待定损结果。
所述处理器执行所述多个指令时还执行以下指令：当该部位的机器定损结果与人工定损结果不同时，将人工定损结果作为置信度低于阈值的部位的最终定损结果。
所述处理器执行所述多个指令时还执行以下指令：将置信度高于阈值的部位的机器定损结果作为置信度高于阈值的部位的最终定损结果。
所述处理器执行所述多个指令时还执行以下指令：
当车辆为投保车辆时，将所述车辆图片输入至训练好的车型识别模型中，输出车辆的品牌和车型；
根据车辆的品牌和车型,及车辆的各个部位的最终定损结果，确定车辆的各个部位的维修数据；
根据车辆的各个部位的维修数据，计算车辆的维修费用，并发送给用户的用户设备。
所述处理器执行所述多个指令时还执行以下指令：获取车辆的投保数据，根据投保数据及维修费用，确定理赔数据，将理赔数据发送给该车辆的用户的设备以供用户查看。
在任意实施例中所述车辆定损方法对应的多个指令存储在所述存储器52，并通过所述处理器53来执行，在此不再详述。
以上说明的本发明的特征性的手段可以通过集成电路来实现，并控制实现上述任意实施例中所述车辆定损方法的功能。即，本发明的集成电路安装于所述电子设备中，使所述电子设备发挥如下功能：获取车辆图片；将车辆图片输入至训练好的车辆部位分割模型中，分割出车辆的各个部位图片；将各个部位图片输入至训练好的车辆部位损伤识别模型中，识别各个部位的机器定损结果及输出各个部位的机器定损结果的置信度；将置信度低于或等于阈值的部位图片发送至定损人员的用户设备上以使定损人员对该部位图片进行定损，并确定置信度低于阈值的部位的最终定损结果；将置信度低于阈值的部位图片添加至车辆部位损伤识别模型的训练样本中，重新训练车辆部位损伤识别模型。
在任意实施例中所述车辆定损方法所能实现的功能都能通过本发明的集成电路安装于所述电子设备中，使所述电子设备发挥任意实施例中所述车辆定损方法所能实现的功能，在此不再详述。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
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的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述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，在本发明的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。
所述集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上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范围。