车辆缺陷识别方法、装置、设备和存储介质与流程

1.本申请涉及车辆缺陷识别领域，特别是涉及一种车辆缺陷识别方法、装置、设备和存储介质。


背景技术：

2.在二手车买卖市场上，车辆缺陷是影响二手车买卖价值很重要的一个因素，同时也是影响二手车成交与否的关键要素之一，因此在二手车实际交易过程中准确展示车辆缺陷情况是最为关键的一步。二手车缺陷识别是一个复杂的业务场景，二手车可能产生缺陷的位置几乎覆盖了车身的各个部位，数据量较大。
3.目前，确定二手车缺陷的方法，通常采用人工识别来确定车辆缺陷部位。由于数据量较大，在这个过程中拍摄车辆缺陷照片并准确确定缺陷部件及对应的缺陷类型耗时较长，是目前车辆缺陷识别过程中最耗时的一个环节。目前针对相关技术中主要依靠检测人员人工识别车辆缺陷的方法耗时较多，尚未提出有效的解决方案。


技术实现要素：

4.本申请实施例提供了一种车辆缺陷识别方法、装置、设备和存储介质，以至少解决相关技术中二手车车辆缺陷主要依靠人工识别方法导致耗时较大的问题。
5.第一方面，本申请实施例提供了一种车辆缺陷识别方法，包括：
6.获取待检测车辆的车辆图像；
7.将所述车辆图像输入训练完备的缺陷识别模型，进行缺陷类型识别和缺陷部件识别，并获取对应的缺陷类型识别结果和缺陷部件识别结果；
8.基于预设关联规则对所述缺陷类型识别结果和所述缺陷部件识别结果进行关联，得到所述待检测车辆的车辆缺陷识别结果，所述车辆缺陷识别结果包括缺陷部件及该缺陷部件的缺陷类型。
9.在其中一些实施例中，所述缺陷部件识别结果包括所述待检测车辆的所有部件，所述所有部件按照预测概率值从高到低降序排列。
10.在其中一些实施例中，所述基于预设关联规则对所述缺陷类型识别结果和所述缺陷部件识别结果进行关联，得到所述待检测车辆的车辆缺陷识别结果，包括：
11.从所述缺陷类型识别结果中选取一个候选缺陷类型；
12.将所述候选缺陷类型与所述降序排列的部件依次进行关联，直至匹配到符合预设关联规则的最优部件，得到所述待检测车辆的车辆缺陷识别结果，所述车辆缺陷识别结果包括所述最优部件及该最优部件对应的所述候选缺陷类型。
13.在其中一些实施例中，将所述候选缺陷类型与所述降序排列的部件依次进行关联，直至匹配到符合预设关联规则的最优部件，包括：
14.创建临时缺陷部件识别结果，并初始化为所述缺陷部件识别结果；
15.从所述临时缺陷部件识别结果中选取当前预测概率值最高的临时缺陷部件；
16.判断所述临时缺陷部件与所述候选缺陷类型之间是否符合预设关联规则；
17.如果符合，则将所述临时缺陷部件作为所述最优部件，并继续从所述缺陷类型识别结果中选取下一个新的候选缺陷类型；
18.如果不符合，则从所述临时缺陷部件识别结果中删除当前临时缺陷部件后，继续选取下一个预测概率值最高的临时缺陷部件，直至匹配到符合预设关联规则的最优部件。
19.在其中一些实施例中，所述预设关联规则为缺陷类型匹配对应的缺陷部件，所述预设关联规则包括：掉漆匹配车门和/或掉漆匹配保险杠。
20.在其中一些实施例中，所述缺陷识别模型包括缺陷类型识别模型以及缺陷部件识别模型；
21.所述缺陷类型识别模型的主干网络使用单阶段检测器方法搭建；
22.所述缺陷部件识别模型的主干网络使用卷积神经网络搭建。
23.在其中一些实施例中，还包括：将所述车辆缺陷识别结果与所述车辆图像进行绑定，根据所述车辆图像核实车辆实际缺陷情况以确定所述车辆缺陷识别结果的准确性；
24.如果所述车辆缺陷识别结果符合车辆实际缺陷情况，则将所述车辆图像与所述车辆缺陷识别结果直接储存至检测服务后台；
25.如果所述车辆缺陷识别结果不符合车辆实际缺陷情况，则根据所述车辆实际缺陷情况对所述车辆缺陷识别结果进行更正并储存至检测服务后台。
26.第二方面，本申请实施例提供了一种车辆缺陷识别装置，包括：
27.车辆图像检测模块，用于获取待检测车辆的车辆图像；
28.车辆缺陷识别模块，用于将所述车辆图像输入训练完备的缺陷识别模型，进行缺陷类型识别和缺陷部件识别，并获取对应的缺陷类型识别结果和缺陷部件识别结果；
29.车辆缺陷关联模块，用于基于预设关联规则对所述缺陷类型识别结果和所述缺陷部件识别结果进行关联，得到所述待检测车辆的车辆缺陷识别结果，所述车辆缺陷识别结果包括缺陷部件及该缺陷部件的缺陷类型。
30.第三方面，本申请实施例提供了一种车辆缺陷识别设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述第一方面所述的车辆缺陷识别方法。
31.第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的车辆缺陷识别方法。
32.相比于相关技术，本申请实施例提供的一种车辆缺陷识别方法、装置、设备和存储介质，通过将获取的待检测车辆的车辆图像输入训练完备的缺陷识别模型得到该车辆图像的缺陷类型识别结果以及缺陷部件识别结果，并将所述缺陷类型识别结果以及缺陷部件识别结果进行关联，获得所述车辆图像所对应的缺陷部件以及该缺陷部件的缺陷类型，解决了相关技术中主要依靠检测人员人工识别车辆缺陷耗时较多的缺点，实现了快速识别二手车缺陷的目的，大大提高了缺陷识别效率和识别准确率。
33.本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
34.此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
35.图1是本申请实施例的车辆缺陷识别方法的终端的硬件结构框图；
36.图2是根据本申请实施例提供的车辆缺陷识别方法的流程图；
37.图3是根据本申请另一实施例提供的车辆缺陷识别方法的流程图；
38.图4是根据本申请又一实施例提供的车辆缺陷识别方法的流程图；
39.图5是根据本申请实施例提供的车辆缺陷识别装置的结构框图。
具体实施方式
40.为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
41.在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
42.除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”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模块(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，而是可以还包括没有列出的步骤或单元，或可以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。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
43.本实施例提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。以运行在终端上为例，图1是本申请实施例的车辆缺陷识别方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，可选地，上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限定。例如，
终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
44.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的车辆缺陷识别方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
45.传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
46.本申请实施例提供了一种车辆缺陷识别方法，图2是根据本发明实施例的车辆缺陷识别方法的流程图，如图2所示，该流程包括如下步骤：
47.步骤s201，获取待检测车辆的车辆图像。
48.在二手车交易过程中，二手车车辆缺陷检测是一个必不可少的步骤，是一个极其复杂的业务场景，车辆缺陷本身类型及所在的位置是影响二手车车辆交易价值的重要影响因素之一。车辆缺陷通常出现的位置包括：车辆本身的结构件(如：abc柱、纵梁、减震器座等)、加强件(如：前后防撞梁、翼子板内缘等)、覆盖件(如：发动机盖、翼子板、车门、后备箱盖等)、内饰件(如：工作台、主副驾驶座椅等)。车辆缺陷类型通常包括：“划痕”、“剐蹭”、“掉漆”、“坑洞”、“磨损”等。
49.车辆缺陷及该缺陷所在的部件位置可以体现在拍摄的车辆图像中，可以通过对该车辆图像的分析来获取相关的缺陷内容。实际中，待检测车辆的车辆图像可以通过检测员手持检测前端工具(例如：照相机)直接拍摄获得，也可以通过图像采集系统自动采集获得。
50.步骤s202，将所述车辆图像输入训练完备的缺陷识别模型，进行缺陷类型识别和缺陷部件识别，并获取对应的缺陷类型识别结果和缺陷部件识别结果。
51.在本申请实施例中，上述缺陷识别模型包括缺陷类型识别模型以及缺陷部件识别模型，所述缺陷类型识别模型的主干网络可使用单阶段检测器(single shot multibox detector，简称为ssd)方法搭建；所述缺陷部件识别模型的主干网络可使用卷积神经网络(convolutional neural network，简称为cnn)搭建。
52.缺陷识别模型是基于多任务学习架构，包含缺陷识别、部件识别两个分支。其中，缺陷识别分支用于检测车辆图像中的缺陷信息，可输出缺陷位置及类型，缺陷识别分支可以使用ssd方法构建；缺陷部件识别分支用于识别车辆图像中的目标部件类型，缺陷部件识别分支可以使用全连接神经网络层构建。所述缺陷识别模型的主干网络使用cnn搭建，网络结构可以使用resnet
‑
50(残差网络)，损失函数可使用mse(均方误差)损失函数、交叉熵损失函数线性结合的形式，基于标注好的缺陷识别训练数据集，使用监督学习方法完成模型训练。
53.上述缺陷类型识别结果中包括从当前车辆图像中识别到的所有缺陷类型，缺陷类
型识别结果中可以没有缺陷类型，也可以有一个或多个缺陷类型，由车辆图像中的具体缺陷情况而定。上述缺陷部件识别结果中显示的是从当前车辆图像中识别到的缺陷部件，所述缺陷部件可以为一个确定的部件，也可以为多个存在可能性的部件。根据二手车买卖平台所提供的历史数据，一辆二手车存在400+车辆部件标签、2000+缺陷标签，缺陷类型识别结果与缺陷部件识别结果可在上述标签中找到对应的类型和部件。例如，缺陷类型识别结果中既可以没有任何缺陷类型，也可以有“划痕”、“剐蹭”、“掉漆”、“坑洞”、“磨损”等中的一个或多个；缺陷部件识别结果中可以有abc柱、纵梁、减震器座、前后防撞梁、翼子板内缘、发动机盖、翼子板、车门、后备箱盖、工作台、主副驾驶座椅等中的一个或多个。
54.步骤s203，基于预设关联规则对所述缺陷类型识别结果和所述缺陷部件识别结果进行关联，得到所述待检测车辆的车辆缺陷识别结果，所述车辆缺陷识别结果包括缺陷部件及该缺陷部件的缺陷类型。
55.缺陷类型识别结果与缺陷部件识别结果是车辆图像中的两类具有联系的特征，某缺陷类型一定是在某缺陷部件上体现的，因此，需要基于预设关联规则对两者进行关联。所述预设的关联规则主要目的是为了使缺陷类型识别结果与缺陷部件识别结果联系起来，一起来表现车辆图像的缺陷，预设的关联规则主要是基于历史数据来对缺陷类型和缺陷部件进行匹配，如果匹配成功，则可以直接输出车辆缺陷识别数据，如果匹配不成功，则可能并不存在车辆缺陷，或者识别结果有误，此时，需要人工去补充检查相关的车辆缺陷。
56.通过上述步骤，把获取的车辆图像输入训练完备的缺陷识别模型中确定该车辆图像的缺陷类型识别结果以及缺陷部件识别结果，为了保证上述识别结果的准确性以及完整性，避免遗漏相关缺陷内容，所述缺陷识别模型输出所有可能的识别结果情况，并将所述缺陷类型识别结果以及缺陷部件识别结果进行关联，获得所述车辆图像所对应的缺陷部件以及该缺陷部件的缺陷类型，解决了相关技术中主要依靠检测人员人工识别车辆缺陷耗时较多的缺点，实现了快速识别二手车缺陷的目的，大大提高了缺陷识别效率和识别准确率。
57.在其中一些实施例中，上述缺陷部件识别结果包括待检测车辆的所有部件，所有部件按照预测概率值从高到低降序排列。
58.上述待检测车辆的所有部件的个数是固定的，可人为定义。例如根据某二手车买卖平台所提供的历史数据，一辆二手车存在400+车辆部件标签。每次的缺陷部件识别结果即为按照预测概率值从高到低降序排列的所有部件。例如，某车辆图像输入到缺陷识别模型中，输出的缺陷类型识别结果为划痕，输出的缺陷部件识别结果为：发动机盖，90％；翼子板，70％；车门，60％；后备箱盖，40％；纵梁20％等。既可以分别判断划痕与发动机盖、翼子板、车门、后备箱盖是否符合预设关联规则得到车辆缺陷识别结果，也可以按照预测概率值的大小顺序依次判断是否符合预设关联规则得到车辆缺陷识别结果。
59.图3是根据本申请另一实施例提供的车辆缺陷识别方法的流程图。如图3所示，该流程除了包括上述步骤s201、步骤s202之外，还包括如下步骤：
60.步骤s301，从所述缺陷类型识别结果中选取一个候选缺陷类型。缺陷类型识别结果中包括从当前车辆图像中识别到的所有缺陷类型，缺陷类型识别结果中可以没有缺陷类型，也可以有一个或多个缺陷类型，由车辆图像中的具体缺陷情况而定。选取候选缺陷类型的目的是为了将其与缺陷部件识别结果进行匹配，判断是否符合预设关联规则。如果缺陷类型识别结果没有缺陷类型，则本步骤不执行，直接结束流程。
61.步骤s302，将所述候选缺陷类型与所述降序排列的部件依次进行关联，直至匹配到符合预设关联规则的最优部件，得到所述待检测车辆的车辆缺陷识别结果，所述车辆缺陷识别结果包括所述最优部件及该最优部件对应的所述候选缺陷类型。在按照预测概率值从高到低降序排列的部件中，预测概率值越高的部件，该部件为车辆图像中所示的真实的部件的可能性就越大。更关键的是，该预测概率值越高的部件与候选缺陷类型必须符合预设关联规则，该预测概率值越高的部件才是最优部件。例如，所述候选缺陷类型为“磨损”，所述降序排列的部件依次为：发动机盖，90％；翼子板，70％；车门，60％；后备箱盖，40％；纵梁20％......等。“磨损”与发动机盖和翼子板依次匹配，均不符合预设关联规则，“磨损”直到与车门匹配时，才符合预设关联规则，则车门就是所述的最优部件。
62.图4是根据本申请又一实施例提供的车辆缺陷识别方法的流程图。如图4所示，该流程除了包括上述步骤s201、步骤s202、步骤s301之外，还包括上述步骤s302中的所述将所述候选缺陷类型与所述降序排列的部件依次进行关联，直至匹配到符合预设关联规则的最优部件，具体步骤为：
63.s401，创建临时缺陷部件识别结果，并初始化为所述缺陷部件识别结果。
64.每个缺陷类型识别结果均需要与按照预测概率值从高到低降序排列的部件依次进行关联，判断是否符合预设关联规则。创建临时缺陷部件识别结果，并初始化为所述缺陷部件识别结果，可以在每次选择候选缺陷类型识别结果之后将该候选缺陷类型识别结果与完整的缺陷部件识别结果依次进行匹配，避免遗漏相关的部件。
65.s402，从所述临时缺陷部件识别结果中选取当前预测概率值最高的临时缺陷部件。
66.s403，判断所述临时缺陷部件与所述候选缺陷类型之间是否符合预设关联规则。
67.s404，如果符合，则将所述临时缺陷部件作为所述最优部件，并继续从所述缺陷类型识别结果中选取下一个新的候选缺陷类型。
68.s405，如果不符合，则从所述临时缺陷部件识别结果中删除当前临时缺陷部件后，继续选取下一个预测概率值最高的临时缺陷部件，直至匹配到符合预设关联规则的最优部件。
69.例如，所述缺陷类型识别结果中包括“划痕”、“剐蹭”、“掉漆”、“坑洞”、“磨损”；所述缺陷部件识别结果中包括降序排列的部件，依次为：发动机盖，90％；翼子板，70％；车门，60％；后备箱盖，40％；纵梁20％......等。创建临时缺陷部件识别结果，并初始化为：发动机盖，90％；翼子板，70％；车门，60％；后备箱盖，40％；纵梁20％......等。选取的候选缺陷类型为“磨损”，“磨损”与发动机盖和翼子板依次匹配，均不符合预设关联规则，把发动机盖和翼子板从临时缺陷部件识别结果中删除，当“磨损”与车门匹配时，才符合预设关联规则，则车门就是所述的最优部件。然后，再重新选择一个候选缺陷类型“划痕”，依次与经过初始化的临时缺陷部件识别结果中的发动机盖、翼子板、车门等进行匹配，重复上述操作。
70.在本申请的另一个实施例中，所述预设关联规则为缺陷类型匹配对应的缺陷部件，可包括：掉漆匹配车门和/或掉漆匹配保险杠。
71.申请在本申请的另一个实施例中，还包括：将所述车辆缺陷识别结果与所述车辆图像进行绑定，根据所述车辆图像核实车辆实际缺陷情况以确定所述车辆缺陷识别结果的准确性；
72.如果所述车辆缺陷识别结果符合车辆实际缺陷情况，则将所述车辆图像与所述车辆缺陷识别结果直接储存至检测服务后台；
73.如果所述车辆缺陷识别结果不符合车辆实际缺陷情况，则根据所述车辆实际缺陷情况对所述车辆缺陷识别结果进行更正并储存至检测服务后台。
74.由于车辆缺陷是核定二手车价格的重要参照标准，同时车辆照片识别也是二手车缺陷识别中数量最多、耗时最严重的步骤，目前一台二手车的车辆照片存在缺陷类型的照片平均会有40张及以上，车辆缺陷识别总共耗时25
‑
30分钟不等，通过对车辆照片使用缺陷识别模型可以完成自动识别车辆缺陷(车辆缺陷部件名称以及该缺陷部位的缺陷类型信息)，可以将车辆缺陷识别的耗时时间控制在20
‑
25分钟以下，能够降低5分钟左右的时间消耗，提高检测人员的工作效率达到20％以上。另外，使用该车辆缺陷识别方法，识别缺陷类型的准确率可提升至90％以上，识别缺陷部件的准确率可提升至95％以上，识别缺陷类型和缺陷部件均正确的准确率可提升至80％以上。
75.以下结合实际中的具体应用场景对本申请另一个实施例进行说明，车辆缺陷识别场景的流程如下：
76.s501，检测人员使用检测前端工具(例如：照相机)进行车辆图像的采集；
77.s502，检测前端工具调用检测服务后台接口，将采集到的车辆图像上传至检测服务后台；
78.s503，检测服务后台调用缺陷识别模型完成车辆缺陷识别，识别出车辆图像的缺陷部件及该缺陷部件的缺陷类型，并将这些识别结果信息通过网络传递至检测前端工具，检测前端工具接收上述识别结果信息并存储至检测前端工具本地；
79.s504，检测人员点击车辆图像进入照片预览页面，根据车辆实际情况核实缺陷信息：缺陷信息符合车辆实际情况时，检测人员点击列表页面确定键完成检测，将所述车辆图像与所述车辆缺陷识别结果直接储存至检测服务后台；缺陷信息不符合车辆实际情况时，检测人员可以在照片预览页面更改车辆缺陷部件名称以及该缺陷部件对应的缺陷类型，点击列表页面确定键完成检测，将更改后的车辆缺陷部件名称以及该缺陷部件对应的缺陷类型储存至检测服务后台。
80.在检测服务后台进行的车辆缺陷识别方法的具体步骤如下：
81.s601，输入待检测的车辆图像。
82.s602，使用训练完备的缺陷识别模型对待检测的车辆图像进行缺陷类型识别以及缺陷部件识别，缺陷类型识别结果记为r_defect，缺陷部件识别结果记为r_parts，所述缺陷部件识别结果包括待检测车辆的所有部件，所述所有部件按照预测概率值从高到低降序排列。
83.s603，对缺陷识别模型的识别结果进行关联处理，输出最终的车辆缺陷识别结果，记为r_final。
84.具体的关联处理步骤如下：
85.s603
‑
1，从缺陷类型识别结果r_defect中选取一个缺陷类型识别结果作为候选缺陷类型识别结果，记为rd_candidate，若r_defect为空，直接将缺陷类型识别结果r_final赋值为空，流程结束。
86.s603
‑
2，创建临时缺陷部件识别结果r_parts_temp，并初始化为缺陷部件识别结
果r_parts。
87.s603
‑
3，从r_parts_temp中选取概率值最高的部件作为最优部件，记为rp_candidate。
88.s603
‑
4，根据预设关联规则，判断rd_candidate与rp_candidate是否符合预设关联规则，若符合，将rd_candidate和rp_candidate作为车辆缺陷识别结果，更新至r_final中，并将rd_candidate从r_defect中删除；若不符合，将rp_candidate从r_parts_temp中删除，并继续执行步骤s3.3～s3.4。
89.s603
‑
5，将rd_candidate从r_defect中删除，判断r_defect是否为空，若不为空，并继续执行步骤s3.1～s3.4；若为空，输出最终的缺陷识别结果r_final，流程结束。
90.需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
91.本实施例还提供了一种车辆缺陷识别装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
92.图5是根据本申请实施例提供的车辆缺陷识别装置的结构框图，如图5所示，该装置包括：车辆图像检测模块41，用于获取待检测车辆的车辆图像；
93.车辆缺陷识别模块42，用于将所述车辆图像输入训练完备的缺陷识别模型，进行缺陷类型识别和缺陷部件识别，并获取对应的缺陷类型识别结果和缺陷部件识别结果；以及
94.车辆缺陷关联模块43，用于基于预设关联规则对所述缺陷类型识别结果和所述缺陷部件识别结果进行关联，得到所述待检测车辆的车辆缺陷识别结果，所述车辆缺陷识别结果包括缺陷部件及该缺陷部件的缺陷类型。
95.在本申请的实施例中，所述缺陷部件识别结果包括待检测车辆的所有部件，所述所有部件按照预测概率值从高到低降序排列。
96.在本申请的实施例中，所述车辆缺陷关联模块43用于从所述缺陷类型识别结果中选取一个候选缺陷类型；将所述候选缺陷类型与所述降序排列的部件依次进行关联，直至匹配到符合预设关联规则的最优部件，得到所述待检测车辆的车辆缺陷识别结果，所述车辆缺陷识别结果包括所述最优部件及该最优部件对应的所述候选缺陷类型。
97.在本申请的实施例中，所述车辆缺陷关联模块43还用于创建临时缺陷部件识别结果，并初始化为所述缺陷部件识别结果；从所述临时缺陷部件识别结果中选取当前预测概率值最高的临时缺陷部件；判断所述临时缺陷部件与所述候选缺陷类型之间是否符合预设关联规则；如果符合，则将所述临时缺陷部件作为所述最优部件，并继续从所述缺陷类型识别结果中选取下一个新的候选缺陷类型；如果不符合，则从所述临时缺陷部件识别结果中删除当前临时缺陷部件后，继续选取下一个预测概率值最高的临时缺陷部件，直至匹配到符合预设关联规则的最优部件。
98.在本申请的实施例中，所述预设关联规则为缺陷类型匹配对应的缺陷部件，包括：掉漆匹配车门和/或掉漆匹配保险杠。
99.在本申请的实施例中，所述缺陷识别模型包括缺陷类型识别模型以及缺陷部件识别模型；所述缺陷类型识别模型的主干网络使用单阶段检测器方法搭建；所述缺陷部件识别模型的主干网络使用卷积神经网络搭建。
100.在本申请的实施例中，该装置还包括准确性判断模块44，用于将所述车辆缺陷识别结果与所述车辆图像进行绑定，根据所述车辆图像核实车辆实际缺陷情况以确定所述车辆缺陷识别结果的准确性；
101.如果所述车辆缺陷识别结果符合车辆实际缺陷情况，则将所述车辆图像与所述车辆缺陷识别结果直接储存至检测服务后台；
102.如果所述车辆缺陷识别结果不符合车辆实际缺陷情况，则根据所述车辆实际缺陷情况对所述车辆缺陷识别结果进行更正并储存至检测服务后台。
103.需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
104.本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
105.可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
106.可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
107.s1，获取待检测车辆的车辆图像。
108.s2，将所述车辆图像输入训练完备的缺陷识别模型，进行缺陷类型识别和缺陷部件识别，并获取对应的缺陷类型识别结果和缺陷部件识别结果。
109.s3，基于预设关联规则对所述缺陷类型识别结果和所述缺陷部件识别结果进行关联，得到所述待检测车辆的车辆缺陷识别结果，所述车辆缺陷识别结果包括缺陷部件及该缺陷部件的缺陷类型。
110.需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
111.另外，结合上述实施例中的车辆缺陷识别方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种车辆缺陷识别方法。
112.本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
113.以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。