基于神经网络的车辆损伤级别的确定方法及终端设备与流程
本发明属于人工智能技术领域，尤其涉及一种基于神经网络的车辆损伤级别的确定方法及终端设备。
背景技术：
当前，在车险理赔的过程中，需要业务员根据车辆的受损程度对车辆进行定损，但每个业务员的判断标准不一，经验丰富程度不一，很容易影响车辆定损的准确性，尤其困难的是车辆钣金受损程度的分类，钣金受损程度的分类往往容易混淆。同时，随着汽车保有量的增加，车险理赔的业务也大大增加，传统的人工定损步骤存在定损时间慢，人力成本高的问题。
技术实现要素：
有鉴于此，本发明实施例提供了一种基于神经网络的车辆损伤级别的确定方法及终端设备，以解决现有技术存在的定损不准确以及定损智能化程度低的问题。
本发明实施例的第一方面提供了一种基于神经网络的车辆损伤级别的确定方法，包括：
获取车辆损伤图像，并根据所述车辆损伤图像中各个像素点的位置坐标与rgb值的对应关系，生成所述车辆损伤图像对应的损伤数据矩阵；
将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵；
将所述特征矩阵导入预设的softmax分类器中，计算所述特征矩阵对应的概率矩阵，所述概率矩阵中的每个元素的值代表所述车辆损伤图像属于该元素对应的损伤级别的概率；
将所述概率矩阵中值最大的元素对应的损失级别，输出为所述车辆损伤图像对应的损伤级别。
本发明实施例的第二方面提供了一种终端设备，包括存储器以及处理器，所述存储器中存储有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，实现如下步骤：
获取车辆损伤图像，并根据所述车辆损伤图像中各个像素点的位置坐标与rgb值的对应关系，生成所述车辆损伤图像对应的损伤数据矩阵；
将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵；
将所述特征矩阵导入预设的softmax分类器中，计算所述特征矩阵对应的概率矩阵，所述概率矩阵中的每个元素的值代表所述车辆损伤图像属于该元素对应的损伤级别的概率；
将所述概率矩阵中值最大的元素对应的损失级别，输出为所述车辆损伤图像对应的损伤级别。
本发明实施例的第三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如下步骤：
获取车辆损伤图像，并根据所述车辆损伤图像中各个像素点的位置坐标与rgb值的对应关系，生成所述车辆损伤图像对应的损伤数据矩阵；将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵；将所述特征矩阵导入预设的softmax分类器中，计算所述特征矩阵对应的概率矩阵，所述概率矩阵中的每个元素的值代表所述车辆损伤图像属于该元素对应的损伤级别的概率；将所述概率矩阵中值最大的元素对应的损失级别，输出为所述车辆损伤图像对应的损伤级别。
可选地，所述预设的卷积神经网络包括第一预设数量个3×3的卷积层，每个卷积层根据其在所述卷积神经网络由前至后的顺序对应一个卷积层编号；
所述将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵，包括：
将所述损伤数据矩阵导入预设的卷积神经网络，并从所述卷积层编号最大的卷积层开始，每间隔第二预设数量的卷积层编号，提取一个卷积层输出的数据，作为被选数据；将第三预设数量的被选数据进行全局平均池化，生成所述第三预设数量的池化向量；对所述第三预设数量的池化向量进行拼接，生成总池化向量；将所述总池化向量输入所述卷积神经网络的全连接层，输出所述车辆损伤图像的特征矩阵。
可选地，所述计算所述特征矩阵对应的概率矩阵，包括：
通过公式：
可选地，在所述获取原始图像之前，还包括：
调取预设数量的训练矩阵，以及各个训练矩阵对应的损伤级别；
通过预设规则：
获取预设的代价函数：
通过梯度下降法求解所述代价参数的最小值，输出代价参数取最小值时对应的所述参数矩阵中的各个元素，以生成所述参数矩阵。
可选地，还包括：
获取多个预设的训练损伤数据矩阵，以及训练损伤数据矩阵对应的特征矩阵；反复执行以下步骤直至更新后的卷积神经网络的交叉熵损失函数值小于预设的损失阈值：将所述训练损伤数据矩阵作为所述卷积神经网络的输出，通过随机梯度下降法对所述卷积神经网络的全连接层中的各层参数进行更新，计算更新后的卷积神经网络的交叉熵损失函数值。
在本发明实施例中，通过根据车辆损伤图像中各个像素点的位置坐标与rgb值的对应关系，生成车辆损伤图像对应的损伤数据矩阵，将损伤数据矩阵导入预设的卷积神经网络，得到车辆损伤图像的特征矩阵，之后将特征矩阵导入预设的softmax分类器中，计算特征矩阵对应的概率矩阵，并将概率矩阵中值最大的元素对应的损失级别作为乘凉损伤图像对应的损伤级别，以提高定损的准确度和自动化程度，节省时间和人力成本。
附图说明
为了更清楚地说明本发明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是本发明实施例提供的基于神经网络的车辆损伤级别的确定方法的实现流程图；
图2是本发明实施例提供的基于神经网络的车辆损伤级别的确定方法s102的具体实现流程图；
图3是本发明实施例提供的参数矩阵的生成流程图；
图4是本发明实施例提供的基于神经网络的车辆损伤级别的确定装置的结构框图；
图5是本发明实施例提供的终端设备的示意图。
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，以便透彻理解本发明实施例。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发明。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发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1示出了本发明实施例提供的基于神经网络的车辆损伤级别的确定方法的实现流程，该方法流程包括步骤s101至s104。各步骤的具体实现原理如下。
s101：获取车辆损伤图像，并根据所述车辆损伤图像中各个像素点的位置坐标与rgb值的对应关系，生成所述车辆损伤图像对应的损伤数据矩阵。
在本发明实施例中，当用户需要对车辆进行定损理赔时，会通过照相设备将车辆损伤处的图片拍摄下来。本发明实施例所涉及的方法在获取用户输入的车辆损伤照片后，会将其转换为可供后续自动化计算的损伤数据矩阵。
具体地，一个车辆损伤图像的各个像素点对应一组rgb值，本发明实施例通过各个像素点的位置坐标与rgb值的对应关系，将像素点对应的像素值，作为矩阵中该像素点对应坐标的元素的值，从而可以将二维的车辆损伤图像转换为一个损伤数据矩阵。
可选地，由于一个车辆损伤图像的各个像素点对应一组rgb值，所以构造损伤数据矩阵的具体步骤可以为：步骤一：基于医疗图像三个图层分别构建3个像素矩阵，即r图层对应一个矩阵，g图层对应一个矩阵，b图层对应一个矩阵，每个像素矩阵中元素的取值为0～255。步骤二：将多个图层对应的矩阵进行融合，融合的方式可以为：保留三个矩阵中的列编号与车辆损失图像的横坐标一一对应，对r图层的像素矩阵的行进行扩充，每行之间填充两行空白行，并将其余两个像素矩阵的各行根据行编号的次序，依次导入扩充的各个空白行，从而构成3m*n的矩阵，其中m为车辆损伤图像的像素点的行数，n为车辆损伤图像的像素点的列数，将扩充后的矩阵作为损伤数据矩阵。
s102，将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵。
在本发明实施例中，预先训练出了一个卷积神经网络，在每次计算出损伤数据矩阵后，只需将损伤数据矩阵导入预设的卷积神经网络，即可计算出车辆损伤图像的特征矩阵，而不需要在每次计算之前都重新训练一次卷积神经网络。
在本发明实施例中，卷积神经网络包括卷积层、池化层和全连接层，其中，预设的卷积神经网络包括第一预设数量个3×3的卷积层，每个卷积层根据其在所述卷积神经网络由前至后的顺序对应一个卷积层编号。
作为本发明的一个实施例，如图2所示，上述s102包括：
s1021：将所述损伤数据矩阵导入预设的卷积神经网络，并从所述卷积层编号最大的卷积层开始，每间隔第二预设数量的卷积层编号，提取一个卷积层输出的数据，作为被选数据。
可选地，该预设的卷积神经网络可以包括11个卷积层，模型的第1层和第2层为3x3的卷积层，卷积的步长为1，特征通道数为32；模型的第3层为3x3的卷积层，卷积的步长为2，特征通道数为64；模型的第4和第5层为3x3的卷积层，卷积的步长为1，特征通道数为64；模型的第6层为3x3的卷积层，卷积的步长为2，特征通道数为128；模型的第7和第8层为3x3的卷积层，卷积的步长为1，特征通道数为128；模型的第9层为3x3的卷积层，卷积的步长为2，特征通道数为256；模型的第10和第11层为3x3的卷积层，卷积的步长为1，特征通道数为256。
可选地，从第11层卷积层往前每隔3个卷积层提取一个卷积层输出的数据，作为被选数据，因此提取第11层、第8层、第5层以及第2层输出的数据，作为被选数据。
s1022，将第三预设数量的被选数据进行全局平均池化，生成所述第三预设数量的池化向量。
示例性地，假设第三预设数量取3，则对第11层、第8层、第5层的数据分别进行全局平均池化的运算，得到64维的池化向量、128维的池化向量以及256维的池化向量。
s1023，对所述第三预设数量的池化向量进行拼接，生成总池化向量。
示例性地，将上述的64维的池化向量、128维的池化向量以及256维的池化向量拼接为一个448维的总池化向量。
s1024，将所述总池化向量输入所述卷积神经网络的全连接层，输出所述车辆损伤图像的特征矩阵。
可以理解地，通过预设的卷积神经网络的全连接层可以将输入的448维的总池化向量转化为一个特征矩阵，由于卷积神经网络的全连接层的计算原理为现有技术，所以在此不进行详述和具体限定。
可选地，本发明实施例中，具体的卷积神经网络的训练过程包括：
第一步，获取多个预设的训练损伤数据矩阵，以及训练损伤数据矩阵对应的特征矩阵。
第二步，反复执行以下步骤直至更新后的卷积神经网络的交叉熵损失函数值小于预设的损失阈值：将所述训练损伤数据矩阵作为所述卷积神经网络的输出，通过现有的随机梯度下降法对所述卷积神经网络的全连接层中的各层参数进行更新，计算更新后的卷积神经网络的交叉熵损失函数值。
s103，将所述特征矩阵导入预设的softmax分类器中，计算所述特征矩阵对应的概率矩阵，所述概率矩阵中的每个元素的值代表所述车辆损伤图像属于该元素对应的损伤级别的概率。
可选地，所述预设的softmax分类器通过公式：
可以理解地，所述参数矩阵是根据已有的训练数据预先计算出的数据，具体的参数矩阵的生成流程如图3所示：
s301，调取预设数量的训练矩阵，以及各个训练矩阵对应的损伤级别。
s302，通过预设规则确定训练矩阵对应的基准系数。
可选地，所述预设规则包括：
s303，获取预设的代价函数，通过梯度下降法求解所述代价参数的最小值，输出代价参数取最小值时对应的所述参数矩阵中的各个元素，以生成所述参数矩阵。
可选地，所述预设的代价函数包括：
可以理解地，代价参数t(z)取最小值时，参数矩阵中的各个元素的取值是最适当的，从而训练出最佳的参数矩阵。
s104，将所述概率矩阵中值最大的元素对应的损失级别，输出为所述车辆损伤图像对应的损伤级别。
可以理解地，根据预设的矩阵元素与损伤级别的对应关系，将各个元素的取值作为对应的损伤级别的概率，并选取值最大的元素对应的损失级别作为车辆损伤图像对应的损伤级别。
在本发明实施例中，通过获取车辆损伤图像，并根据所述车辆损伤图像中各个像素点的位置坐标与rgb值的对应关系，生成所述车辆损伤图像对应的损伤数据矩阵；将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵；将所述特征矩阵导入预设的softmax分类器中，计算所述特征矩阵对应的概率矩阵，所述概率矩阵中的每个元素的值代表所述车辆损伤图像属于该元素对应的损伤级别的概率；将所述概率矩阵中值最大的元素对应的损失级别，输出为所述车辆损伤图像对应的损伤级别，以提高定损的准确度和自动化程度，节省时间和人力成本。
对应于上文实施例所述的基于神经网络的车辆损伤级别的确定方法，图4示出了本发明实施例提供的基于神经网络的车辆损伤级别的确定装置的结构框图，为了便于说明，仅示出了与本发明实施例相关的部分。
参照图4，该装置包括：
获取模块401，用于获取车辆损伤图像，并根据所述车辆损伤图像中各个像素点的位置坐标与rgb值的对应关系，生成所述车辆损伤图像对应的损伤数据矩阵；
第一计算模块402，用于将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵；
第二计算模块403，用于将所述特征矩阵导入预设的softmax分类器中，计算所述特征矩阵对应的概率矩阵，所述概率矩阵中的每个元素的值代表所述车辆损伤图像属于该元素对应的损伤级别的概率；
定级模块404，用于将所述概率矩阵中值最大的元素对应的损失级别，输出为所述车辆损伤图像对应的损伤级别。
可选地，所述预设的卷积神经网络包括第一预设数量个3×3的卷积层，每个卷积层根据其在所述卷积神经网络由前至后的顺序对应一个卷积层编号；
可选地，所述将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵，包括：
将所述损伤数据矩阵导入预设的卷积神经网络，并从所述卷积层编号最大的卷积层开始，每间隔第二预设数量的卷积层编号，提取一个卷积层输出的数据，作为被选数据；将第三预设数量的被选数据进行全局平均池化，生成所述第三预设数量的池化向量；对所述第三预设数量的池化向量进行拼接，生成总池化向量；将所述总池化向量输入所述卷积神经网络的全连接层，输出所述车辆损伤图像的特征矩阵。
可选地，所述计算所述特征矩阵对应的概率矩阵，包括：
通过公式：
可选地，在所述获取原始图像之前，还包括：
调取预设数量的训练矩阵，以及各个训练矩阵对应的损伤级别；
通过预设规则：
获取预设的代价函数：
可选地，所述装置还包括：
训练模块，用于获取多个预设的训练损伤数据矩阵，以及训练损伤数据矩阵对应的特征矩阵；反复执行以下步骤直至更新后的卷积神经网络的交叉熵损失函数值小于预设的损失阈值：将所述训练损伤数据矩阵作为所述卷积神经网络的输出，通过随机梯度下降法对所述卷积神经网络的全连接层中的各层参数进行更新，计算更新后的卷积神经网络的交叉熵损失函数值。
在本发明实施例中，通过获取车辆损伤图像，并根据所述车辆损伤图像中各个像素点的位置坐标与rgb值的对应关系，生成所述车辆损伤图像对应的损伤数据矩阵；将所述损伤数据矩阵导入预设的卷积神经网络，得到所述车辆损伤图像的特征矩阵；将所述特征矩阵导入预设的softmax分类器中，计算所述特征矩阵对应的概率矩阵，所述概率矩阵中的每个元素的值代表所述车辆损伤图像属于该元素对应的损伤级别的概率；将所述概率矩阵中值最大的元素对应的损失级别，输出为所述车辆损伤图像对应的损伤级别，以提高定损的准确度和自动化程度，节省时间和人力成本。
图5是本发明一实施例提供的终端设备的示意图。如图5所示，该实施例的终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52，例如基于神经网络的车辆损伤级别的确定程序。所述处理器50执行所述计算机程序52时实现上述各个基于神经网络的车辆损伤级别的确定方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示单元401至404的功能。
示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。
所述终端设备5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。所述终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5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，例如所述终端设备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50可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，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。
所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51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。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。
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。
所述集成的模块/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，所述的计算机程序可存储于一计算机可读存储介质中。
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。
- 还没有人留言评论。精彩留言会获得点赞！