车辆损伤特征检测方法、装置、计算机设备及存储介质与流程

本发明涉及人工智能的图像分类领域，尤其涉及一种车辆损伤特征检测方法、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、刮伤等损伤的痕迹，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，可能由于存在标准理解不一、观察经验不足等影响，导致人工识别的损伤类型及损伤区域不符；例如：由于凹陷和刮擦难以通过目测图像加以分辨，定损人员很容易就将凹陷的损伤类型确定为刮擦的损伤类型，上述情况下导致的定损失误，会大大降低了定损的准确性；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。

技术实现要素：

本发明提供一种车辆损伤特征检测方法、装置、计算机设备及存储介质，实现了快速地、准确地自动识别出待检测车辆损伤图像中车辆损伤的部位对应的损伤类型及损伤区域，大大缩减了模型构架的过程及模型训练的过程，提升了对定损类型和定损区域进行确定的准确率及可靠性，提高了定损效率。

一种车辆损伤特征检测方法，包括：

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

将所述待检测车辆损伤图像输入无监督领域自适应网络模型；所述无监督领域自适应网络模型包括基于pytorch的迁移学习模型、强局部特征自适应模型、弱全局特征自适应模型和正则化模型；

通过所述基于pytorch的迁移学习模型提取所述待检测车辆损伤图像的车辆特征并生成局部特征图和全局特征图；所述车辆特征为通过迁移学习后与车辆相关的特征；

通过所述基于pytorch的迁移学习模型根据所述车辆特征输出迁移特征向量组，同时通过所述强局部特征自适应模型获取第一自适应特征向量组，以及通过所述弱全局特征自适应模型获取第二自适应特征向量组；所述第一自适应特征向量组为所述强局部特征自适应模型根据自所述局部特征图中提取的第一车辆损伤特征获取并输出；所述第二自适应特征向量组为所述弱全局特征自适应模型根据自所述全局特征图中提取的第二车辆损伤特征获取并输出；

将所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组输入所述正则化模型，通过所述正则化模型对所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组进行正则化处理，得到包含损伤类型和损伤区域的识别结果；所述识别结果表征了所述待检测车辆损伤图像中包含所有被损伤的类型及对应的损伤区域的结果。

一种车辆损伤特征检测装置，包括：

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

输入模块，用于将所述待检测车辆损伤图像输入无监督领域自适应网络模型；所述无监督领域自适应网络模型包括基于pytorch的迁移学习模型、强局部特征自适应模型、弱全局特征自适应模型和正则化模型；

提取模块，用于通过所述基于pytorch的迁移学习模型提取所述待检测车辆损伤图像的车辆特征并生成局部特征图和全局特征图；所述车辆特征为通过迁移学习后与车辆相关的特征；

输出模块，用于通过所述基于pytorch的迁移学习模型根据所述车辆特征输出迁移特征向量组，同时通过所述强局部特征自适应模型获取第一自适应特征向量组，以及通过所述弱全局特征自适应模型获取第二自适应特征向量组；所述第一自适应特征向量组为所述强局部特征自适应模型根据自所述局部特征图中提取的第一车辆损伤特征获取并输出；所述第二自适应特征向量组为所述弱全局特征自适应模型根据自所述全局特征图中提取的第二车辆损伤特征获取并输出；

识别模块，用于将所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组输入所述正则化模型，通过所述正则化模型对所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组进行正则化处理，得到包含损伤类型和损伤区域的识别结果；所述识别结果表征了所述待检测车辆损伤图像中包含所有被损伤的类型及对应的损伤区域的结果。

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特征检测方法的步骤。

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特征检测方法的步骤。

本发明提供的车辆损伤特征检测方法、装置、计算机设备及存储介质，通过获取待检测车辆损伤图像；将所述待检测车辆损伤图像输入无监督领域自适应网络模型；所述无监督领域自适应网络模型包括基于pytorch的迁移学习模型、强局部特征自适应模型、弱全局特征自适应模型和正则化模型；所述基于pytorch的迁移学习模型提取所述待检测车辆损伤图像的车辆特征，同时所述基于pytorch的迁移学习模型在提取所述车辆特征过程中，生成了局部特征图和全局特征图；所述车辆特征为通过迁移学习后与车辆相关的特征；通过所述基于pytorch的迁移学习模型根据所述车辆特征输出迁移特征向量组，同时通过所述强局部特征自适应模型获取第一自适应特征向量组，以及通过所述弱全局特征自适应模型获取第二自适应特征向量组；将所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组输入所述正则化模型，通过所述正则化模型对所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组进行正则化处理，得到包含损伤类型和损伤区域的识别结果，如此，实现了通过迁移学习pytorch模型、强局部特征自适应模型强化第一车辆损伤特征及弱全局特征自适应模型提取第二车辆损伤特征构架的适用于车辆损伤检测的无监督领域自适应网络模型，能够快速地、准确地自动识别出待检测车辆损伤图像中车辆损伤的部位对应的损伤类型及损伤区域，大大缩减了模型构架的过程及模型训练的过程，提升了对定损类型和定损区域进行确定的准确率及可靠性，提高了定损效率。

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特征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特征检测方法的流程图；

图3是本发明一实施例中车辆损伤特征检测方法的步骤s20的流程图；

图4是本发明另一实施例中车辆损伤特征检测方法的步骤s20的流程图；

图5是本发明一实施例中车辆损伤特征检测方法的步骤s40的流程图；

图6是本发明另一实施例中车辆损伤特征检测方法的步骤s40的流程图；

图7是本发明一实施例中车辆损伤特征检测装置的原理框图；

图8是本发明一实施例中车辆损伤特征检测装置的输出模块14的原理框图；

图9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特征检测方法，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、摄像头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。

在一实施例中，如图2所示，提供一种车辆损伤特征检测方法，其技术方案主要包括以下步骤s10-s50：

s10，接收车辆损伤检测指令之后，获取待检测车辆损伤图像；所述待检测车辆损伤图像包含至少一处车辆被损伤位置的图像。

可理解地，在业务员拍摄完车辆的待检测车辆损伤图像后，触发所述车辆损伤检测指令，获取所述待检测车辆损伤图像，所述待检测车辆损伤图像包含有至少一处车辆被损伤位置的图像，所述损伤包括划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失等7种损伤情况，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车辆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车辆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，将所述待检测车辆损伤图像输入无监督领域自适应网络模型；所述无监督领域自适应网络模型包括基于pytorch的迁移学习模型、强局部特征自适应模型、弱全局特征自适应模型和正则化模型。

可理解地，所述无监督领域自适应网络模型为训练完成的自适应网络模型，所述无监督领域自适应网络模型包括基于pytorch的迁移学习模型、强局部特征自适应模型、弱全局特征自适应模型和正则化模型，所述基于pytorch的迁移学习模型为迁移学习一个基于pytorch的网络结构且训练完成的神经网络模型(即为训练完成的pytorch模型)，所述训练完成的pytorch模型的特征提取可以根据需求进行选择，比如所述训练完成的pytorch模型为应用于车辆车灯亮度检测的pytorch模型，或者所述训练完成的pytorch模型为应用于车辆车型检测的pytorch模型等等；所述强局部特征自适应模型为训练完成的用于强化第一车辆损伤特征的神经网络模型；所述弱全局特征自适应模型为训练完成的用于提取第二车辆损伤特征的神经网络模型；所述正则化模型为将接收到的特征向量进行规范化处理的模型。

在一实施例中，如图3所示，所述步骤s20之前，即所述将所述待检测车辆损伤图像输入无监督领域自适应网络模型之前，包括：

s201，获取车损样本集；所述车损样本集包括车损样本图像，一个所述车损样本图像与一个损伤标签组关联；所述损伤标签组包括至少一个损伤标签类型和至少一个损伤标签区域。

可理解地，所述车损样本集包含有多个所述车损样本图像，所述车损样本集为所述车损样本的集合，所述车损样本图像为历史拍摄且含有至少一处车辆被损伤位置的图像，一个所述车损样本图像与一个损伤标签组关联，所述损伤标签组包括损伤标签类型和损伤标签区域，所述损伤标签类型包括划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失等7种损伤类型，所述损伤标签区域为通过一个最小面积的矩形框能覆盖损伤位置的坐标区域范围。

s202，将所述车损样本图像输入含有初始参数的自适应网络模型。

可理解地，将所述车损样本图像输入至所述自适应网络模型中，所述自适应网络模型为包含有所述初始参数的深度卷积神经网络模型，所述初始参数可以根据需求进行设定，比如所述初始参数为随机预设的参数，或者为预设的固定值等等，作为优选，所述初始参数通过迁移学习获取训练完成的深度卷积神经网络模型中的所有参数。

在一实施例中，所述步骤s202之前，即所述将所述车损样本图像输入含有初始参数的自适应网络模型之前，包括：

s20201，通过迁移学习，获取训练完成的pytorch模型的所有迁移参数，将所有所述迁移参数确定为所述自适应网络模型中的所述初始参数。

可理解地，所述迁移学习(transferlearning)就是把已经训练完成的模型参数迁移到新的模型来帮助新模型训练，由于大部分数据或任务是存在相关性的，所以通过迁移学习我们可以将已经学到的模型参数通过某种方式来分享给新模型从而加快并优化模型的学习效率不需要从头开始训练学习，如此，通过迁移学习与车辆相关的检测模型能够优化及加快学习效率，所述训练完成的pytorch模型根据需求选择与车辆相关检测的模型，比如：所述训练完成的pytorch模型为应用于车辆车灯亮度检测的pytorch模型，或者所述训练完成的pytorch模型为应用于车辆车型检测的pytorch模型等等，所述pytorch模型中含有所述迁移参数，所述迁移参数为所述pytorch模型的各参数，将所有所述迁移参数确定为所述自适应网络模型中的所述初始参数，所述pytorch模型的特点为对动态图计算和简单的模型结构(即从数据张量到网络的抽象层次的递进)，能够提高模型的提取效率和识别准确率。

本发明通过迁移学习训练完成的pytorch模型，能够快速构架模型并且减少了训练pytorch模型的时间，减少了成本。

s203，通过所述自适应网络模型对所述车损样本图像进行训练特征提取，获取所述自适应网络模型根据所述训练特征输出的所述车损样本图像对应的训练结果；所述训练特征包括所述车辆特征、所述第一车辆损伤特征和所述第二车辆损伤特征；所述训练结果包括至少一个样本损伤类型和至少一个样本损伤区域。

可理解地，所述训练特征包括所述车辆特征、所述第一车辆损伤特征和所述第二车辆损伤特征，所述车辆特征为通过迁移学习后与车辆相关的特征，所述第一车辆损伤特征为图像中局部的纹理及颜色深浅的特征，所述第二车辆损伤特征为全部特征图中共同向量特性的特征，所述训练结果包括样本损伤类型和样本损伤区域，一个所述样本损伤区域对应一个所述样本损伤类型，一个所述样本损伤类型可以对应多个所述样本损伤区域，所述样本损伤类型包括划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失等7种损伤类型，所述样本损伤区域为所述车损样本图像中被损伤的区域范围，即识别出所述车损样本图像中损伤位置的矩形坐标范围。

s204，将所述车损样本图像对应的所有所述损伤标签类型、所有所述损伤标签区域、所有所述样本损伤类型、所有所述样本损伤区域输入所述自适应网络模型中的损失模型，及通过所述损失模型的损失函数计算出损失值。

可理解地，将所述车损样本图像对应的所有所述损伤标签类型、所有所述损伤标签区域、所有所述样本损伤类型、所有所述样本损伤区域输入所述损失模型中的所述损失函数中，计算得出所述车损样本图像对应的所述损失值，所述损失函数可以根据需求进行设定，所述损失函数为所有所述损伤标签类型与所有所述样本损伤类型之间差值的对数和所有所述损伤标签区域与所有所述样本损伤区域之间差值的对数的加权函数，通过所述损失函数可以计算出所述损失值，所述损失值为衡量所有所述损伤标签类型与所有所述样本损伤类型之间差距和所有所述损伤标签区域与所有所述样本损伤区域之间差距的总和的指标。

s205，在所述损失值达到预设的收敛条件时，将收敛之后的所述自适应网络模型记录为无监督领域自适应网络模型，并将所述无监督领域自适应网络模型存储在区块链中。

可理解地，所述收敛条件可以为所述损失值小于设定阈值的条件，即在所述损失值小于设定阈值时，将收敛之后的所述自适应网络模型记录为无监督领域自适应网络模型，并且将所述无监督领域自适应网络模型存储在区块链中。

在一实施例中，如图4所示，所述步骤s204之后，即所述通过所述损失模型的损失函数计算出损失值之后，还包括：

s206，在所述损失值未达到预设的收敛条件时，迭代更新所述自适应网络模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述自适应网络模型记录为无监督领域自适应网络模型，并将所述无监督领域自适应网络模型存储在区块链中。

可理解地，所述收敛条件也可以为所述损失值经过了10000次计算后值为很小且不会再下降的条件，即在所述损失值经过10000次计算后值为很小且不会再下降时，停止训练，并将收敛之后的所述自适应网络模型记录为无监督领域自适应网络模型，并且将所述无监督领域自适应网络模型存储在区块链中。

需要强调的是，为进一步保证上述无监督领域自适应网络模型的私密和安全性，上述无监督领域自适应网络模型还可以存储于区块链的节点中。

其中，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。区块链提供的去中心化的完全分布式dns服务通过网络中各个节点之间的点对点数据传输服务就能实现域名的查询和解析，可用于确保某个重要的基础设施的操作系统和固件没有被篡改，可以监控软件的状态和完整性，发现不良的篡改，并确保所传输的数据没用经过篡改，将所述无监督领域自适应网络模型存储在区块链中，能够确保无监督领域自适应网络模型的私密和安全性。

如此，在所述损失值未达到预设的收敛条件时，不断更新迭代所述自适应网络模型的初始参数，可以不断向准确的识别结果靠拢，让识别结果的准确率越来越高。

本发明通过获取车损样本集；所述车损样本集包括车损样本图像，一个所述车损样本图像与一个损伤标签组关联；所述损伤标签组包括至少一个损伤标签类型和至少一个损伤标签区域；将所述车损样本图像输入含有初始参数的自适应网络模型；通过所述自适应网络模型对所述车损样本图像进行训练特征提取，获取所述自适应网络模型根据所述训练特征输出的所述车损样本图像对应的训练结果；所述训练特征包括所述车辆特征、所述第一车辆损伤特征和所述第二车辆损伤特征；所述训练结果包括至少一个样本损伤类型和至少一个样本损伤区域；将所述车损样本图像对应的所有所述损伤标签类型、所有所述损伤标签区域、所有所述样本损伤类型、所有所述样本损伤区域输入所述自适应网络模型中的损失模型，及通过所述损失模型的损失函数计算出损失值；在所述损失值达到预设的收敛条件时，将收敛之后的所述自适应网络模型记录为无监督领域自适应网络模型；在所述损失值未达到预设的收敛条件时，迭代更新所述自适应网络模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述自适应网络模型记录为无监督领域自适应网络模型。

如此，实现了通过获取含有损伤标签类型和损伤标签区域的车损样本图像输入自适应网络模型，通过自适应网络模型对车损样本图像进行训练特征(包括所述车辆特征、所述第一车辆损伤特征和所述第二车辆损伤特征)提取，获取自适应网络模型输出的训练结果，通过损失模型中的损失函数，获取所述车损样本图像对应的所有所述损伤标签类型、所有所述损伤标签区域、所有所述样本损伤类型、所有所述样本损伤区域确定出的损失值，并根据损失值进行训练，将收敛之后的自适应网络模型确定为无监督领域自适应网络模型，提供了一种快速识别车损样本图像中的损伤情况的模型训练方法，提升了对定损类型和定损区域进行确定的准确率及可靠性，提高了定损效率，并缩短了训练时间，减少了成本。

s30，通过所述基于pytorch的迁移学习模型提取所述待检测车辆损伤图像的车辆特征并生成局部特征图和全局特征图；所述车辆特征为通过迁移学习后与车辆相关的特征。

可理解地，在所述基于pytorch的迁移学习模型在提取所述待检测车辆损伤图像的所述车辆特征的过程中，生成所述局部特征图和所述全局特征图，所述局部特征图为在对所述待检测车辆损伤图像卷积缩小的过程中，取一个卷积层输出的特征图作为所述局部特征图，优选地，选取中间的一个卷积层输出的特征图作为所述局部特征图，是由于中间范围的卷积层含有丰富的第一车辆损伤特征的特征向量，即在整个图像中提取出局部的显现的特征向量，所述全局特征图为输入所述基于pytorch的迁移学习模型中的rpn模型的特征图，所述全局特征图为将所述待检测车辆损伤图像卷积缩小至预设的最小尺寸的特征图，方便于提取第二车辆损伤特征。

s40，通过所述基于pytorch的迁移学习模型根据所述车辆特征输出迁移特征向量组，同时通过所述强局部特征自适应模型获取第一自适应特征向量组，以及通过所述弱全局特征自适应模型获取第二自适应特征向量组；所述第一自适应特征向量组为所述强局部特征自适应模型根据自所述局部特征图中提取的第一车辆损伤特征获取并输出；所述第二自适应特征向量组为所述弱全局特征自适应模型根据自所述全局特征图中提取的第二车辆损伤特征获取并输出。

可理解地，所述第一车辆损伤特征为图像中局部的纹理及颜色深浅的特征，所述第二车辆损伤特征为全部特征图中共同向量特性的特征，所述强局部特征自适应模型的作用为增强所述局部特征图中的损伤的特征，通过提取所述第一车辆损伤特征进行生成有用的适应信息，输出增强后的第一特征向量，即提取出所述第一自适应特征向量组；所述弱全局特征自适应模型的作用为在所有所述全局特征图中的较弱的特征向量中提取出所述第二车辆损伤特征，防止过拟合，生成第二特征向量，即提取出所述第二自适应特征向量组。

在一实施例中，如图5所示，所述步骤s40中，即所述强局部特征自适应模型对所述局部特征图进行第一车辆损伤特征的提取，所述强局部特征自适应模型根据所述第一车辆损伤特征输出第一自适应特征向量组，包括：

s401，将所述局部特征图输入所述强局部特征自适应模型中的局部卷积层，通过所述局部卷积层提取所述局部特征图中的所述第一车辆损伤特征，得到局部特征向量图。

可理解地，所述局部卷积层包括第一卷积层、第二卷积层和第三卷积层，优选地，所述第一卷积层包括一个3×3×512卷积核及步长为2的第一卷积、一个以1填充的第一填充层、一个第一批标准化模块(batchnormalization)、一个第一激活模块(relu)和一个第一丢弃模块(dropout)，所述第二卷积层包括一个3×3×128卷积核及步长为2的第二卷积、一个以1填充的第二填充层、一个第二批标准化模块(batchnormalization)、一个第二激活模块和一个第二丢弃模块(dropout)，所述第三卷积层包括一个3×3×128卷积核及步长为2的第三卷积、一个以1填充的第三填充层、一个第三批标准化模块(batchnormalization)、一个第三激活模块和一个第三丢弃模块(dropout)。

其中，所述第一车辆损伤特征为图像中局部的纹理及颜色深浅的特征，通过所述第一卷积层对所述局部特征图进行所述第一车辆损伤特征提取，并对所述局部特征图进行减少特征图的维度和扩充特征图的通道数处理，得到第一卷积特征图，将所述第一卷积特征图输入所述第二卷积层，通过所述第二卷积层对所述第一卷积特征图进行所述第一车辆损伤特征提取，并对所述第一卷积特征图进行减少特征图的维度和扩充特征图的通道数处理，得到第二卷积特征图，将所述第二卷积特征图输入所述第三卷积层，通过所述第三卷积层对所述第二卷积特征图进行所述第一车辆损伤特征提取，并对所述第二卷积特征图进行减少特征图的维度和扩充特征图的通道数处理，得到所述局部特征向量图，所述局部特征向量图的维度比所述局部特征图的维度少，所述局部特征向量图的通道数比所述局部特征图的通道数多。

s402，将所述局部特征向量图输入所述强局部特征自适应模型中的池化层，通过所述池化层对所述局部特征向量图进行池化处理，得到局部池化矩阵。

可理解地，所述池化处理的方法可以根据需求进行设定，比如池化处理可以为平均池化，也可以为最大池化等等，所述池化处理的作用为对所述局部特征向量图降维处理，局部池化矩阵为一个一维矩阵数组。

s403，将所述局部池化矩阵输入所述强局部特征自适应模型中的全连接层，通过所述全连接层对所述局部池化矩阵进行特征连接，得到局部连接矩阵。

可理解地，所述特征连接为将获得的特征向量值映射到样本标记空间的位置，并且进行加权汇总，将这些特征向量进行连接，通过所述全连接层对所述局部池化矩阵进行特征连接，得到所述局部连接矩阵，所述局部连接矩阵为排序后的一维矩阵数组。例如：通过300个1×1的卷积核进行卷积后连接成一个一维的300个的向量组。

s404，将所述局部连接矩阵输入所述强局部特征自适应模型中的softmax层，通过所述softmax层对所述局部连接矩阵进行回归处理，得到所述局部特征图对应的第一自适应特征向量组。

可理解地，所述回归处理为对输入进行加权后进行归一化操作，得到每个类别的分数，再经过softmax映射为概率的处理过程，所述softmax层对所述局部连接矩阵进行预测分类得到所述第一自适应特征向量组。

本发明通过将所述局部特征图输入所述局部卷积层，通过所述局部卷积层提取所述局部特征图中的所述第一车辆损伤特征，得到局部特征向量图；将所述局部特征向量图输入所述池化层，通过所述池化层对所述局部特征向量图进行池化处理，得到局部池化矩阵；将所述局部池化矩阵输入所述全连接层，通过所述全连接层对所述局部池化矩阵进行特征连接，得到局部连接矩阵；将所述局部连接矩阵输入所述softmax层，通过所述softmax层对所述局部连接矩阵进行回归处理，得到所述局部特征图对应的第一自适应特征向量组。

如此，实现了增强所述局部特征图中的损伤的特征，便于提取出有用的第一车辆损伤特征，提供第一自适应特征向量组的功能，提升了对定损类型和定损区域进行确定的准确率及可靠性，提高了定损效率。

在一实施例中，如图6所示，所述步骤s40中，即所述弱全局特征自适应模型对所述全局特征图进行第二车辆损伤特征的提取，所述全局特征自适应模型根据所述第二车辆损伤特征输出第二自适应特征向量组，包括：

s405，将所述全局特征图输入所述弱全局特征自适应模型中的第一全局卷积层，通过所述第一全局卷积层提取所述全局特征图的第二车辆损伤特征，得到全局特征向量图。

可理解地，所述全局卷积层包括第一全局卷积层、第二全局卷积层和第三全局卷积层，优选地，所述第一全局卷积层包括一个1×1×256卷积核及步长为2的第一全局卷积、一个以0填充的第一全局填充层和一个第一全局激活模块，所述第一全局卷积层包括一个1×1×128卷积核及步长为2的第二全局卷积、一个以0填充的第二全局填充层和一个第二全局激活模块，所述第三全局卷积层包括一个1×1×1卷积核及步长为1的第三全局卷积和一个以0填充的第三全局填充层。

其中，所述第二车辆损伤特征为全部特征图中共同向量特性(也可以称为共性)的特征，通过所述第一全局卷积层对所述全局特征图进行所述第二车辆损伤特征提取，即从所述全局特征图中提取出共同向量特征的特征向量，得到第一全局卷积特征图，将所述第一全局卷积特征图输入所述第二全局卷积层，通过所述第二全局卷积层对所述第一全局卷积特征图进行所述第二车辆损伤特征提取，得到第二全局卷积特征图，将所述第二全局卷积特征图输入所述第三全局卷积层，通过所述第三全局卷积层对所述第二全局卷积特征图进行所述第二车辆损伤特征提取，得到所述全局特征向量图，在提取所述第二车辆损伤特征过程中，通过所述第一全局填充层、所述第二全局填充层和所述第三全局填充层是为了不引入共性的特征进行干扰但是能进行填充至预设的尺寸大小。

s406，将所述全局特征向量图输入所述弱全局特征自适应模型中的sigmoid激活层，通过所述sigmoid激活层对所述全局特征向量进行激活处理，得到所述全局特征图对应的第二自适应特征向量组。

可理解地，所述sigmoid激活层为通过sigmoid函数作为所述弱全局特征自适应模型中的最后一层，所述sigmoid函数为对所述全局特征向量进行激活处理并进行分类的函数，所述激活处理为通过所述sigmoid函数将取值为(-∞,+∞)的向量映射到(0,1)之间的处理过程，从而得到所述第二自适应特征向量组。

本发明通过将所述全局特征图输入所述第一全局卷积层，通过所述第一全局卷积层提取所述全局特征图的第二车辆损伤特征，得到全局特征向量图；将所述全局特征向量图输入所述sigmoid激活层，通过所述sigmoid激活层对所述全局特征向量进行激活处理，得到所述全局特征图对应的第二自适应特征向量组。

如此，实现了在所有所述全局特征图中的较弱的特征向量中提取出所述第二车辆损伤特征，防止过拟合，提取出高质量的第二车辆损伤特征，提供第二自适应特征向量组的功能，提高了识别准确性和可靠性。

s50，将所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组输入所述正则化模型，通过所述正则化模型对所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组进行正则化处理，得到包含损伤类型和损伤区域的识别结果；所述识别结果表征了所述待检测车辆损伤图像中包含所有被损伤的类型及对应的损伤区域的结果。

可理解地，所述正则化处理为规则化，即为增加规则限制，约束优化参数，防止明显的特征无限放大导致弱化的特征被抹灭，所述损伤类型包括划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失等7种损伤类型，所述损伤区域为所述待检测车辆损伤图像中被损伤位置的区域范围，即被损伤位置的相对于所述待检测车辆损伤图像的坐标范围的全集，一个所述损伤区域对应一个所述损伤类型，一个所述损伤类型可以对应多个所述损伤区域，如此，通过输入待检测车辆损伤图像后，能够自动识别出所有被损伤的类型，以及与被损伤的类型对应的损伤区域的范围。

本发明通过获取待检测车辆损伤图像；将所述待检测车辆损伤图像输入无监督领域自适应网络模型；所述无监督领域自适应网络模型包括基于pytorch的迁移学习模型、强局部特征自适应模型、弱全局特征自适应模型和正则化模型；所述基于pytorch的迁移学习模型提取所述待检测车辆损伤图像的车辆特征，同时所述基于pytorch的迁移学习模型在提取所述车辆特征过程中，生成了局部特征图和全局特征图；所述车辆特征为通过迁移学习后与车辆相关的特征；通过所述基于pytorch的迁移学习模型根据所述车辆特征输出迁移特征向量组，同时通过所述强局部特征自适应模型获取第一自适应特征向量组，以及通过所述弱全局特征自适应模型获取第二自适应特征向量组；将所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组输入所述正则化模型，通过所述正则化模型对所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组进行正则化处理，得到包含损伤类型和损伤区域的识别结果。

如此，实现了通过迁移学习pytorch模型、强局部特征自适应模型强化第一车辆损伤特征及弱全局特征自适应模型提取第二车辆损伤特征构架的适用于车辆损伤检测的无监督领域自适应网络模型，能够快速地、准确地自动识别出待检测车辆损伤图像中车辆损伤的部位对应的损伤类型及损伤区域，大大缩减了模型构架的过程及模型训练的过程，提升了对定损类型和定损区域进行确定的准确率及可靠性，提高了定损效率。

在一实施例中，提供一种车辆损伤特征检测装置，该车辆损伤特征检测装置与上述实施例中车辆损伤特征检测方法一一对应。如图7所示，该车辆损伤特征检测装置包括接收模块11、输入模块12、提取模块13、输出模块14和识别模块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，获取待检测车辆损伤图像；所述待检测车辆损伤图像包含至少一处车辆被损伤位置的图像；

输入模块12，用于将所述待检测车辆损伤图像输入无监督领域自适应网络模型；所述无监督领域自适应网络模型包括基于pytorch的迁移学习模型、强局部特征自适应模型、弱全局特征自适应模型和正则化模型；

提取模块13，用于通过所述基于pytorch的迁移学习模型提取所述待检测车辆损伤图像的车辆特征并生成局部特征图和全局特征图；所述车辆特征为通过迁移学习后与车辆相关的特征；

输出模块14，用于通过所述基于pytorch的迁移学习模型根据所述车辆特征输出迁移特征向量组，同时通过所述强局部特征自适应模型获取第一自适应特征向量组，以及通过所述弱全局特征自适应模型获取第二自适应特征向量组；所述第一自适应特征向量组为所述强局部特征自适应模型根据自所述局部特征图中提取的第一车辆损伤特征获取并输出；所述第二自适应特征向量组为所述弱全局特征自适应模型根据自所述全局特征图中提取的第二车辆损伤特征获取并输出；

识别模块15，用于将所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组输入所述正则化模型，通过所述正则化模型对所述迁移特征向量组、所述第一自适应特征向量组和所述第二自适应特征向量组进行正则化处理，得到包含损伤类型和损伤区域的识别结果；所述识别结果表征了所述待检测车辆损伤图像中包含所有被损伤的类型及对应的损伤区域的结果。

在一实施例中，如图8所示，所述输出模块14包括：

卷积单元41，用于将所述局部特征图输入所述强局部特征自适应模型中的局部卷积层，通过所述局部卷积层提取所述局部特征图中的所述第一车辆损伤特征，得到局部特征向量图；

池化单元42，用于将所述局部特征向量图输入所述强局部特征自适应模型中的池化层，通过所述池化层对所述局部特征向量图进行池化处理，得到局部池化矩阵；

全连接单元43，用于将所述局部池化矩阵输入所述强局部特征自适应模型中的全连接层，通过所述全连接层对所述局部池化矩阵进行特征连接，得到局部连接矩阵；

回归单元44，用于将所述局部连接矩阵输入所述强局部特征自适应模型中的softmax层，通过所述softmax层对所述局部连接矩阵进行回归处理，得到所述局部特征图对应的第一自适应特征向量组。

关于车辆损伤特征检测装置的具体限定可以参见上文中对于车辆损伤特征检测方法的限定，在此不再赘述。上述车辆损伤特征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9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特征检测方法。

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特征检测方法。

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特征检测方法。

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。