车辆的部件检测方法、装置及设备与流程

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种车辆的部件检测方法、装置及设备。

背景技术：

传统技术中，在对车辆进行定损时，先获取车辆的损伤图片。之后，从图像库中查找与该损伤图片相匹配的目标图片。最后根据目标图片中车辆的损伤结果确定上述车辆的损伤结果。

技术实现要素：

本说明书一个或多个实施例描述了一种车辆的部件检测方法、装置及设备，可以提高部件检测的精准性。

第一方面，提供了一种车辆的部件检测方法，包括：

获取车辆的拍摄图片；所述拍摄图片覆盖所述车辆的多个部件；

根据yolov2算法，在所述拍摄图片中检测各个部件所在的区域以及对应的类别；

所述类别包括以下一种或多种：左前门、右前门、左后门、右后门、前保险杠、后保险杠、左前翼子板、右前翼子板、左后翼子板、右后翼子板、左前轮胎，右前轮胎，左后轮胎，右后轮胎、格栅、左大灯、右大灯、中网、车牌、车标以及前机盖。

第二方面，提供了一种车辆的部件检测装置，包括：

获取单元，用于获取车辆的拍摄图片；所述拍摄图片覆盖所述车辆的多个部件；

检测单元，用于根据yolov2算法，在所述获取单元获取的所述拍摄图片中检测各个部件所在的区域以及对应的类别；

所述类别包括以下一种或多种：左前门、右前门、左后门、右后门、前保险杠、后保险杠、左前翼子板、右前翼子板、左后翼子板、右后翼子板、左前轮胎，右前轮胎，左后轮胎，右后轮胎、格栅、左大灯、右大灯、中网、车牌、车标以及前机盖。

第三方面，提供了一种车辆的部件检测设备，包括：

接收器，用于获取车辆的拍摄图片；所述拍摄图片覆盖所述车辆的多个部件；

至少一个处理器，用于根据yolov2算法，在所述拍摄图片中检测各个部件所在的区域以及对应的类别；所述类别包括以下一种或多种：左前门、右前门、左后门、右后门、前保险杠、后保险杠、左前翼子板、右前翼子板、左后翼子板、右后翼子板、左前轮胎，右前轮胎，左后轮胎，右后轮胎、格栅、左大灯、右大灯、中网、车牌、车标以及前机盖。

本说明书一个或多个实施例提供的车辆的部件检测方法、装置及设备，获取车辆的拍摄图片。该拍摄图片可以覆盖车辆的多个部件。根据yolov2算法，在拍摄图片中检测各个部件所在的区域以及对应的类别。此处的类别可以包括但不限于左前门、右前门以及左后门等。由此可以看出，本说明书根据yolov2算法，在拍摄图片中检测到的类别可以包含有部件的方位信息，如，“前”、“后”、“左”以及“后”等。从而可以提高车辆的部件检测的精准性。

附图说明

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例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说明书的一些实施例，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它的附图。

图1为本说明书提供的车辆的部件检测方法的应用场景示意图；

图2为本说明书一个实施例提供的车辆的部件检测方法流程图；

图3为本说明书提供的区域及对应类别的示意图；

图4为本说明书一个实施例提供的车辆的部件检测装置示意图；

图5为本说明书提供的车辆的部件检测设备示意图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

本说明书一个或多个实施例提供的车辆的部件检测方法可以应用于如图1所示的场景中。

图1中，图片分流模块20可以用于对数据采集者(包括c端用户以及保险公司的定损人员等)采集的拍摄图片进行分流处理。如，可以分流掉与车辆无关的拍摄图片(如，背景图片等)以及非正常图片(如，同时覆盖多辆车的拍摄图片等)，从而得到分流处理后的拍摄图片。

部件检测模块40用于在分流处理后的拍摄图片中检测各个部件所在的区域以及对应的类别。此处的区域也可以理解为是部件在拍摄图片中的位置。如，可以通过yolov2算法，来检测各个部件所在的区域以及对应的类别。此处的类别可以包括但不限于左前门、右前门以及左后门等。由此可以看出，本说明书中的类别可以包含有部件的方位信息，如，“前”、“后”、“左”以及“后”等。

车辆定损模块60用于根据上述区域以及对应的类别，对车辆的损伤部件以及损伤程度进行定位，并自动给出维修方案。由于同一部件在不同方位维修价格通常是不一样的。例如，前门和后门都是门，但可能前门的维修价格与后门就不同。前保险杠和后保险杠的维修价格也不同。因此，车辆定损模块60基于部件的方位，对损伤部位进行识别时，可以提高损伤部位定位的精准性，进而可以提高定损结果的准确性。

需要说明的是，除了上述yolov2算法，发明人还尝试使用了快速的(faster)-基于区域的卷积神经网络(region-basedconvolutionalneuralnetwork，rcnn)算法和单次多边界框检测器(singleshotmultiboxdetector，ssd)算法等其它目标检测算法。其中，faster-rcnn算法在准确率方面可能超过了yolov2，但是速度很慢。ssd算法在准确率方面不如yolov2，速度与yolov2相当。所以综合考虑算法准确率、工程实现以及速度等方面，发明人选择了yolov2算法。

图2为本说明书一个实施例提供的车辆的部件检测方法流程图。所述方法的执行主体可以为具有处理能力的设备：服务器或者系统或者模块，如，可以为图1中部件检测模块40等。如图2所示，所述方法具体可以包括：

步骤202，获取车辆的拍摄图片。

此处的拍摄图片可以是由图片分流模块20对数据采集者(包括c端用户以及保险公司的定损人员等)采集的拍摄图片进行分流处理后所获得的。该拍摄图片可以是针对某一辆车的拍摄图片，该拍摄图片可以覆盖该辆车的多个部件。此处的部件可以包括但不限于车门、保险杠、车牌、翼子板、大灯以及轮胎等。

步骤204，根据yolov2算法，在拍摄图片中检测各个部件所在的区域以及对应的类别。

可选地，执行上述检测过程之前，可以先根据预先标定好车辆的各个部件所在的区域以及对应的类别的多张样本图片，对yolov2算法进行训练。之后根据训练好的yolov2算法，在拍摄图片中检测各个部件所在的区域以及对应的类别。上述一张样本图片可以覆盖一辆车的一个或多个部件。以某个部件所在的区域为例来说，该区域对应的类别可以包含有部件的方位信息。如，在类别为：左前门时，该类别所包含的部件的方位信息可以为：左前。在类别为：左后门时，该类别所包含的部件的方位信息可以为：左后。由此可以看出，在说明书实施例中，将不同方位的同一部件作为不同的类别。例如，前保险杠和后保险杠作为2个类别；左前门，右前门，左后门，右后门作为4个类别等。

需要说明的是，通过在样本图片中标定部件的位置(即所在区域)以及方位，可以使得在yolov2算法训练的过程中，不仅能学习出部件及其位置，还能直接学习出部件的方位(如，前、后、左、右等)。从而在部件检测的时候，对于拍摄图片，可以直接输出各部件的位置、名称以及其对应的方位。由此，可以提高部件定位的精准性。

步骤204中的检测过程具体可以为：将拍摄图片划分成s*s的网格。对于每个网格，预测n个目标区域以及每个目标区域与某个预定义类别相对应的置信度(confidence)，还预测该网格覆盖各个预定义类别的概率值。此处，可以定义m个预定义类别，该预定义类别的定义同上所述，即可以包含有部件的方位信息。根据上述置信度以及概率值，从s*s*n个目标区域中选取各个部件所在的区域。上述n、m和s均为正整数。

在一种实现方式中，上述目标区域可以通过四维坐标来表示，如，可以表示为(x,y,w,h)。

在本说明书中，部件所在区域对应的类别可以包括但不限于：左前门、右前门、左后门、右后门、前保险杠、后保险杠、左前翼子板、右前翼子板、左后翼子板、右后翼子板、左前轮胎，右前轮胎，左后轮胎，右后轮胎、格栅、左大灯、右大灯、中网、车牌、车标以及前机盖等。以左前门为例来说，该类别所包含的部件的方位信息可以为：左前。

当然，在实际应用中，上述类别也可以描述其它信息，如，可以描述各部件的英文名称以及英文方位等，本说明书对此不作限定。

在一个例子中，检测到的部件所在的区域以及对应的类别可以如图3所示。图3中，矩形框用于表示车辆的部件所在的区域，也即部件的位置。该区域可以通过四维坐标来表示，如，可以表示为(x，y，w，h)，其中，x为区域的左上顶点的横坐标，y为区域的左上顶点的纵坐标，w为区域的宽度，h为区域的高度。此外，图3中的“前保险杠”、“车牌”、“右前翼子板”、“右大灯”以及“右前轮胎”等用于表示各区域的类别。

应理解，图3中的矩形框只是区域的一种表现形式。在实际应用中，该区域也可以表示为其它形状，如，平行四边形等，本说明书对此不作限定。

需要说明是，在拍摄图片中检测到车辆的各个部件所在的区域以及对应的类别之后，可以对车辆的损伤部件以及损伤程度进行定位，并自动给出维修方案，至此就实现了车辆的自动定损。

本说明书一个实施例提供的车辆的部件检测方法，可以通过yolov2算法，在拍摄图片中检测车辆的各部件所在的区域以及对应的类别，该类别可以包含有部件的方位信息。由于yolov2算法具有准确性好、效率高的特点，因此本说明书提供的部件检测方法可以提高车辆的部件检测的准确性和效率。此外，在车辆定损场景下，由于同一部件在不同方位维修价格通常是不一样的。例如，前门和后门都是门，但可能前门的维修价格与后门就不同。前保险杠和后保险杠的维修价格也不同。因此，本说明书实施例通过对部件的方位进行检测，可以提高定损结果的准确性。

与上述车辆的部件检测方法对应地，本说明书一个实施例还提供的一种车辆的部件检测装置，如图4所示，该装置可以包括：

获取单元402，用于获取车辆的拍摄图片。该拍摄图片可以覆盖所述车辆的多个部件。

检测单元404，用于根据yolov2算法，在获取单元402获取的拍摄图片中检测各个部件所对在的区域以及对应的类别。

检测单元404具体可以用于：

将拍摄图片划分成s*s的网格。

对于每个网格，预测n个目标区域以及每个目标区域与某个预定义类别相对应的置信度，并预测该网格覆盖各个预定义类别的概率值。

根据上述置信度以及概率值，从s*s*n个目标区域中选取各个部件所在的区域以及对应的类别，n和s均为正整数。

此处的类别可以包括以下一种或多种：左前门、右前门、左后门、右后门、前保险杠、后保险杠、左前翼子板、右前翼子板、左后翼子板、右后翼子板、左前轮胎，右前轮胎，左后轮胎，右后轮胎、格栅、左大灯、右大灯、中网、车牌、车标以及前机盖。

可选地，该装置还可以包括：

训练单元406，用于根据预先标定好车辆的各个部件所在的区域以及对应的类别的多张样本图片，对yolov2算法进行训练。检测单元404还具体可以用于：

根据训练好的yolov2算法，在拍摄图片中检测各个部件所对应的区域以及对应的类别。

本说明书上述实施例装置的各功能模块的功能，可以通过上述方法实施例的各步骤来实现，因此，本说明书一个实施例提供的装置的具体工作过程，在此不复赘述。

本说明书一个实施例提供的车辆的部件检测装置，获取单元402获取车辆的拍摄图片。该拍摄图片可以覆盖车辆的多个部件。检测单元404根据yolov2算法，在获拍摄图片中检测各个部件所所在的区域以及对应的类别。由此，可以提高车辆的部件检测的准确性和效率。

本说明书一个实施例提供的车辆的部件检测装置可以为图1中部件检测模块40的一个子模块或者子单元。

与上述车辆的部件检测方法对应地，本说明书一个实施例还提供的一种车辆的部件检测设备，如图5所示，该设备可以包括：

接收器502，用于获取车辆的拍摄图片。该拍摄图片覆盖所述车辆的多个部件。

至少一个处理器504，用于根据yolov2算法，在拍摄图片中检测各个部件所在的区域以及对应的类别。此处的类别可以包括以下一种或多种：左前门、右前门、左后门、右后门、前保险杠、后保险杠、左前翼子板、右前翼子板、左后翼子板、右后翼子板、左前轮胎，右前轮胎，左后轮胎，右后轮胎、格栅、左大灯、右大灯、中网、车牌、车标以及前机盖。

本说明书一个实施例提供的车辆的部件检测设备，可以提高车辆的部件检测的准确性和效率。

需要说明的是，图5示出的是本说明书实施例提供的车辆的部件检测设备为服务器的例子。在实际应用中，该设备也可以为终端，本说明书对此不作限定。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

结合本说明书公开内容所描述的方法或者算法的步骤可以硬件的方式来实现，也可以是由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、移动硬盘、cd-rom或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于asic中。另外，该asic可以位于服务器中。当然，处理器和存储介质也可以作为分立组件存在于服务器中。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述的具体实施方式，对本说明书的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本说明书的具体实施方式而已，并不用于限定本说明书的保护范围，凡在本说明书的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本说明书的保护范围之内。