车辆定损方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种车辆定损方法、装置、设备及存储介质。


背景技术：

2.目前，在车辆定损方案中，通常利用相机拍摄受损车辆，再利用深度学习模型在图像中对损伤进行检测和分类，最终依据后处理逻辑形成理赔结果，然而，由于深度学习模型无法准确的对某些形态的图像进行特征提取，造成深度学习模型所输出的定损结果的准确性低下。


技术实现要素：

3.鉴于以上内容，有必要提供一种车辆定损方法、装置、设备及存储介质，能够提高定损结果的准确性。
4.一方面，本发明提出一种车辆定损方法，所述车辆定损方法包括：
5.基于多个预设比例对获取到的历史车损图像进行划分，得到每个预设比例对应的车损训练集；
6.基于每个车损训练集对预设网络进行并行训练，得到与每个车损训练集对应的车损检测模型，每个车损检测模型包括目标特征提取网络及输出网络；
7.当接收到车辆定损请求时，根据所述车辆定损请求获取待定损图像；
8.基于每个目标特征提取网络对所述待定损图像进行特征提取，得到每个车损检测模型所输出的损伤特征向量；
9.基于每个输出网络检测对应的损伤特征向量，得到每个车损检测模型所输出的损伤结果；
10.拼接多个所述损伤特征向量，得到目标特征向量；
11.对所述目标特征向量进行逻辑回归处理，得到多个所述车损检测模型对所述待定损图像的损伤置信度；
12.根据所述损伤置信度及所述损伤结果生成定损结果。
13.根据本发明优选实施例，所述基于多个预设比例对获取到的历史车损图像进行划分，得到每个预设比例对应的车损训练集包括：
14.获取所述历史车损图像的车损类型；
15.统计所述车损类型的类型总数；
16.基于所述类型总数设定所述多个预设比例，每个预设比例与每个车损类型相对应；
17.统计所述历史车损图像中每个车损类型的类型图像数量；
18.对于每个车损类型，将该车损类型的类型图像数量作为基准数量，并计算所述基准数量与对应的预设比例的乘积，得到筛选数量；
19.基于所述筛选数量从其余车损类型的历史车损图像中选取第一训练图像，并将与该车损类型对应的历史车损图像确定为第二训练图像；
20.根据所述第一训练图像及所述第二训练图像生成与该车损类型对应的预设比例的车损训练集。
21.根据本发明优选实施例，所述目标特征提取网络包括骨干网络、区域候选网络及第一全连接层，所述基于每个目标特征提取网络对所述待定损图像进行特征提取，得到每个车损检测模型所输出的损伤特征向量包括：
22.基于所述骨干网络对所述待定损图像进行特征提取，得到第一特征图；
23.基于所述区域候选网络对所述第一特征图进行重新构建，得到第二特征图；
24.获取所述第一全连接层的预设矩阵及预设偏置值；
25.基于所述预设矩阵及所述预设偏置值对所述第二特征图进行处理，得到所述损伤特征向量。
26.根据本发明优选实施例，所述区域候选网络包括区域卷积层、边界框回归层及感兴趣区域对齐层，所述基于所述区域候选网络对所述第一特征图进行重新构建，得到第二特征图包括：
27.基于所述区域卷积层对所述第一特征图进行卷积处理，得到区域特征；
28.基于所述边界框回归层对所述区域特征进行回归处理，得到边界框；
29.基于所述感兴趣区域对齐层对所述边界框进行对齐处理，得到所述第二特征图。
30.根据本发明优选实施例，所述输出网络包括第二全连接层、边界框回归网络及损伤分类识别网络，所述基于每个输出网络检测对应的损伤特征向量，得到每个车损检测模型所输出的损伤结果包括：
31.基于所述第二全连接层对所述损伤特征向量进行处理，得到输出向量；
32.基于所述边界框回归网络对所述输出向量进行回归处理，得到损伤边界框坐标；
33.基于所述损伤类别识别网络对所述输出向量进行回归处理，得到损伤分类；
34.根据所述损伤边界框坐标及所述损伤分类生成所述损伤结果。
35.根据本发明优选实施例，所述对所述目标特征向量进行逻辑回归处理，得到多个所述车损检测模型对所述待定损图像的损伤置信度包括：
36.根据每个车损检测模型的模型损失值构建模型权值向量；
37.基于所述模型权值向量及所述目标特征向量计算所述多个车损检测模型对所述待定损图像的图像分值，所述图像分值的计算公式为：y＝a
t
×
b，其中，y表征所述图像分值，a表征所述模型权值向量，b表征所述目标特征向量；
38.对所述图像分值进行归一化处理，得到所述损伤置信度。
39.根据本发明优选实施例，所述根据所述损伤置信度及所述损伤结果生成定损结果包括：
40.若所述损伤置信度大于或者等于预设置信度阈值，则从所述损伤结果中选取任一结果作为所述定损结果；或者
41.若所述损伤置信度小于所述预设置信度阈值，则根据所述待定损图像、所述损伤置信度及所述损伤结果生成审核请求；
42.当检测到所述审核请求完成审核时，获取与所述审核请求对应的审核结果；
43.根据所述审核结果提取所述定损结果。
44.另一方面，本发明还提出一种车辆定损装置，所述车辆定损装置包括：
45.划分单元，用于基于多个预设比例对获取到的历史车损图像进行划分，得到每个预设比例对应的车损训练集；
46.训练单元，用于基于每个车损训练集对预设网络进行并行训练，得到与每个车损训练集对应的车损检测模型，每个车损检测模型包括目标特征提取网络及输出网络；
47.获取单元，用于当接收到车辆定损请求时，根据所述车辆定损请求获取待定损图像；
48.提取单元，用于基于每个目标特征提取网络对所述待定损图像进行特征提取，得到每个车损检测模型所输出的损伤特征向量；
49.检测单元，用于基于每个输出网络检测对应的损伤特征向量，得到每个车损检测模型所输出的损伤结果；
50.拼接单元，用于拼接多个所述损伤特征向量，得到目标特征向量；
51.回归单元，用于对所述目标特征向量进行逻辑回归处理，得到多个所述车损检测模型对所述待定损图像的损伤置信度；
52.生成单元，用于根据所述损伤置信度及所述损伤结果生成定损结果。
53.另一方面，本发明还提出一种电子设备，所述电子设备包括：
54.存储器，存储计算机可读指令；及
55.处理器，执行所述存储器中存储的计算机可读指令以实现所述车辆定损方法。
56.另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述车辆定损方法。
57.由以上技术方案可以看出，本技术通过与每个车损类型对应的预设比例的车损训练集生成对应的车损检测模型，使得每个车损检测模型能够更加关注于对应车损类型的检测，从而能够提取每个车损检测模型对于车损类型的检测能力，同时，通过相应减少其余车损类型的历史车损图像对所述车损检测模型的训练，能够提高车损检测模型的训练效率，进而通过对所述目标特征向量进行逻辑回归处理，能够识别出所述多个车损检测模型对所述待定损图像的损伤置信度，进而基于所述损伤置信度对所述损伤结果进行智能化分流，以确保所述多个车损检测模型在对损伤结果的识别不够确信的情况下，利用审核结果提高所述定损结果的准确性。
附图说明
58.图1是本发明车辆定损方法的较佳实施例的流程图。
59.图2是本发明车辆定损装置的较佳实施例的功能模块图。
60.图3是本发明实现车辆定损方法的较佳实施例的电子设备的结构示意图。
具体实施方式
61.为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
62.如图1所示，是本发明车辆定损方法的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。
63.所述车辆定损方法可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
64.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
65.所述车辆定损方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，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(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字信号处理器(digital signal processor，dsp)、嵌入式设备等。
66.所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)、游戏机、交互式网络电视(internet protocol television，iptv)、智能穿戴式设备等。
67.所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(cloud computing)的由大量主机或网络电子设备构成的云。
68.所述电子设备所在的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(virtual private network，vpn)等。
69.s10，基于多个预设比例对获取到的历史车损图像进行划分，得到每个预设比例对应的车损训练集。
70.在本发明的至少一个实施例中，所述多个预设比例的数量与所述历史车损图像的车损类型的类型总数相同。
71.所述历史车损图像是指由被保险人对损伤车辆进行拍摄后所得到的图像。
72.所述车损训练集与每个预设比例对应，每个预设比例与每个车损类型对应。
73.在本发明的至少一个实施例中，所述电子设备基于多个预设比例对获取到的历史车损图像进行划分，得到每个预设比例对应的车损训练集包括：
74.获取所述历史车损图像的车损类型；
75.统计所述车损类型的类型总数；
76.基于所述类型总数设定所述多个预设比例，每个预设比例与每个车损类型相对应；
77.统计所述历史车损图像中每个车损类型的类型图像数量；
78.对于每个车损类型，将该车损类型的类型图像数量作为基准数量，并计算所述基准数量与对应的预设比例的乘积，得到筛选数量；
79.基于所述筛选数量从其余车损类型的历史车损图像中选取第一训练图像，并将与
该车损类型对应的历史车损图像确定为第二训练图像；
80.根据所述第一训练图像及所述第二训练图像生成与该车损类型对应的预设比例的车损训练集。
81.其中，所述车损类别包括，但不限于：擦伤、凹陷、褶皱、开裂、缺失等。
82.所述筛选数量小于所述基准数量。
83.通过将与该车损类型的类型图像数量作为基准数量，能够确保第二训练图像的图像数量足够，避免因第二训练图像的图像数量不足而导致生成的车损检测模型无法关注该车损类型。
84.s11，基于每个车损训练集对预设网络进行并行训练，得到与每个车损训练集对应的车损检测模型，每个车损检测模型包括目标特征提取网络及输出网络。
85.在本发明的至少一个实施例中，所述车损检测模型是指基于不同车损训练集对预设网络进行训练完成后所得到的模型。
86.在本发明的至少一个实施例中，所述目标特征提取网络包括骨干网络、区域候选网络及第一全连接层。其中，所述骨干网络包括卷积层及池化层。所述区域候选网络包括区域卷积层、边界框回归层及感兴趣区域对齐层。
87.所述输出网络包括第二全连接层、边界框回归网络及损伤分类识别网络。
88.在本发明的至少一个实施例中，所述电子设备基于每个车损训练集对预设网络进行并行训练，得到与每个车损训练集对应的车损检测模型的方式与所述电子设备基于所述车损检测模型对所述待定损图像进行处理方式互为逆过程，下述已对所述电子设备基于所述车损检测模型对所述待定损图像进行处理的方式进行描述，本发明对所述电子设备基于每个车损训练集对预设网络进行并行训练，得到与每个车损训练集对应的车损检测模型的方式不再赘述。
89.s12，当接收到车辆定损请求时，根据所述车辆定损请求获取待定损图像。
90.在本发明的至少一个实施例中，所述车辆定损请求可以是被保险用户在需要报销车险时触发生成的请求。
91.所述待定损图像是指需要进行车辆损伤识别的图像。
92.在本发明的至少一个实施例中，所述电子设备根据所述车辆定损请求获取待定损图像包括：
93.从所述车辆定损请求中提取图像路径；
94.从所述图像路径中获取所述待定损图像。
95.s13，基于每个目标特征提取网络对所述待定损图像进行特征提取，得到每个车损检测模型所输出的损伤特征向量。
96.在本发明的至少一个实施例中，所述损伤特征向量用于表征每个车损检测模型对所述待定损图像所识别出的特征。
97.在本发明的至少一个实施例中，所述电子设备基于每个目标特征提取网络对所述待定损图像进行特征提取，得到每个车损检测模型所输出的损伤特征向量包括：
98.基于所述骨干网络对所述待定损图像进行特征提取，得到第一特征图；
99.基于所述区域候选网络对所述第一特征图进行重新构建，得到第二特征图；
100.获取所述第一全连接层的预设矩阵及预设偏置值；
101.基于所述预设矩阵及所述预设偏置值对所述第二特征图进行处理，得到所述损伤特征向量。
102.其中，所述预设矩阵及所述预设偏置值是指所述车损检测模型中的训练参数。
103.通过所述区域候选网络对所述第一特征图进行重新构建，能够提高所述第二特征图的准确性，从而提高所述损伤特征向量的表征准确性。
104.具体地，所述电子设备基于所述骨干网络对所述待定损图像进行特征提取，得到第一特征图包括：
105.基于所述卷积层对所述待定损图像进行卷积处理，得到图像特征；
106.基于所述池化层对所述图像特征进行降维处理，得到所述第一特征图。
107.通过所述池化层对所述图像特征进行降维处理，能够避免因所述第一特征图的维度过高而造成所述损伤特征向量的生成效率低下，同时，还能够避免所述图像特征中的干扰特征对损伤结果的影响。
108.具体地，所述电子设备基于所述区域候选网络对所述第一特征图进行重新构建，得到第二特征图包括：
109.基于所述区域卷积层对所述第一特征图进行卷积处理，得到区域特征；
110.基于所述边界框回归层对所述区域特征进行回归处理，得到边界框；
111.基于所述感兴趣区域对齐层对所述边界框进行对齐处理，得到所述第二特征图。
112.通过所述感兴趣区域对齐层对所述边界框进行对齐处理，避免所述第二特征图存在特征位置上的偏差。
113.s14，基于每个输出网络检测对应的损伤特征向量，得到每个车损检测模型所输出的损伤结果。
114.在本发明的至少一个实施例中，所述损伤结果包括损伤边界框坐标及损伤分类。
115.在本发明的至少一个实施例中，所述电子设备基于每个输出网络检测对应的损伤特征向量，得到每个车损检测模型所输出的损伤结果包括：
116.基于所述第二全连接层对所述损伤特征向量进行处理，得到输出向量；
117.基于所述边界框回归网络对所述输出向量进行回归处理，得到损伤边界框坐标；
118.基于所述损伤类别识别网络对所述输出向量进行回归处理，得到损伤分类；
119.根据所述损伤边界框坐标及所述损伤分类生成所述损伤结果。
120.通过所述边界框回归网络及所述损伤类别识别网络对所述输出向量进行并行处理，提高了所述损伤结果的确定效率。
121.s15，拼接多个所述损伤特征向量，得到目标特征向量。
122.在本发明的至少一个实施例中，所述目标特征向量可以是将所述多个损伤特征向量进行随机拼接后得到的向量。所述目标特征向量可以是向量形式，也可以是矩阵形式。
123.s16，对所述目标特征向量进行逻辑回归处理，得到多个所述车损检测模型对所述待定损图像的损伤置信度。
124.在本发明的至少一个实施例中，所述损伤置信度是指所述多个车损检测模型对所述待定损图像的检测准确度的衡量。
125.在本发明的至少一个实施例中，所述电子设备对所述目标特征向量进行逻辑回归处理，得到多个所述车损检测模型对所述待定损图像的损伤置信度包括：
126.根据每个车损检测模型的模型损失值构建模型权值向量；
127.基于所述模型权值向量及所述目标特征向量计算所述多个车损检测模型对所述待定损图像的图像分值，所述图像分值的计算公式为：y＝a
t
×
b，其中，y表征所述图像分值，a表征所述模型权值向量，b表征所述目标特征向量；
128.对所述图像分值进行归一化处理，得到所述损伤置信度。
129.其中，所述模型损失值是指所述车损检测模型训练完成时所对应的损伤值，通常来讲，所述模型损失值是指所述车损检测模型的最小损失值。
130.通过所述模型损失值构建所述模型权值向量，进而基于所述模型权值向量及所述目标特征向量计算，能够提高所述损伤置信度的准确性。
131.s17，根据所述损伤置信度及所述损伤结果生成定损结果。
132.需要强调的是，为进一步保证上述定损结果的私密和安全性，上述定损结果还可以存储于一区块链的节点中。
133.在本发明的至少一个实施例中，所述定损结果包括损伤边界框坐标及损伤分类。
134.在本发明的至少一个实施例中，所述电子设备根据所述损伤置信度及所述损伤结果生成定损结果包括：
135.若所述损伤置信度大于或者等于预设置信度阈值，则从所述损伤结果中选取任一结果作为所述定损结果；或者
136.若所述损伤置信度小于所述预设置信度阈值，则根据所述待定损图像、所述损伤置信度及所述损伤结果生成审核请求；
137.当检测到所述审核请求完成审核时，获取与所述审核请求对应的审核结果；
138.根据所述审核结果提取所述定损结果。
139.其中，所述预设置信度阈值根据实际需求设定。可以理解的是，当所述损伤置信度的取值越高，则多个所述损伤结果越有可能相同，因此在所述损伤置信度大于所述预设置信度阈值时，从所述损伤结果中选取任一结果作为所述定损结果。
140.所述审核结果可以基于所述审核请求从操作日志中获取。
141.所述损伤置信度对所述损伤结果进行智能化分流，以确保所述多个车损检测模型在对损伤结果的识别不够确信的情况下，利用审核结果提高所述定损结果的准确性。
142.由以上技术方案可以看出，本技术通过与每个车损类型对应的预设比例的车损训练集生成对应的车损检测模型，使得每个车损检测模型能够更加关注于对应车损类型的检测，从而能够提取每个车损检测模型对于车损类型的检测能力，同时，通过相应减少其余车损类型的历史车损图像对所述车损检测模型的训练，能够提高车损检测模型的训练效率，进而通过对所述目标特征向量进行逻辑回归处理，能够识别出所述多个车损检测模型对所述待定损图像的损伤置信度，进而基于所述损伤置信度对所述损伤结果进行智能化分流，以确保所述多个车损检测模型在对损伤结果的识别不够确信的情况下，利用审核结果提高所述定损结果的准确性。
143.如图2所示，是本发明车辆定损装置的较佳实施例的功能模块图。所述车辆定损装置11包括划分单元110、训练单元111、获取单元112、提取单元113、检测单元114、拼接单元115、回归单元116及生成单元117。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例
中，关于各模块/单元的功能将在后续的实施例中详述。
144.划分单元110基于多个预设比例对获取到的历史车损图像进行划分，得到每个预设比例对应的车损训练集。
145.在本发明的至少一个实施例中，所述多个预设比例的数量与所述历史车损图像的车损类型的类型总数相同。
146.所述历史车损图像是指由被保险人对损伤车辆进行拍摄后所得到的图像。
147.所述车损训练集与每个预设比例对应，每个预设比例与每个车损类型对应。
148.在本发明的至少一个实施例中，所述划分单元110基于多个预设比例对获取到的历史车损图像进行划分，得到每个预设比例对应的车损训练集包括：
149.获取所述历史车损图像的车损类型；
150.统计所述车损类型的类型总数；
151.基于所述类型总数设定所述多个预设比例，每个预设比例与每个车损类型相对应；
152.统计所述历史车损图像中每个车损类型的类型图像数量；
153.对于每个车损类型，将该车损类型的类型图像数量作为基准数量，并计算所述基准数量与对应的预设比例的乘积，得到筛选数量；
154.基于所述筛选数量从其余车损类型的历史车损图像中选取第一训练图像，并将与该车损类型对应的历史车损图像确定为第二训练图像；
155.根据所述第一训练图像及所述第二训练图像生成与该车损类型对应的预设比例的车损训练集。
156.其中，所述车损类别包括，但不限于：擦伤、凹陷、褶皱、开裂、缺失等。
157.所述筛选数量小于所述基准数量。
158.通过将与该车损类型的类型图像数量作为基准数量，能够确保第二训练图像的图像数量足够，避免因第二训练图像的图像数量不足而导致生成的车损检测模型无法关注该车损类型。
159.训练单元111基于每个车损训练集对预设网络进行并行训练，得到与每个车损训练集对应的车损检测模型，每个车损检测模型包括目标特征提取网络及输出网络。
160.在本发明的至少一个实施例中，所述车损检测模型是指基于不同车损训练集对预设网络进行训练完成后所得到的模型。
161.在本发明的至少一个实施例中，所述目标特征提取网络包括骨干网络、区域候选网络及第一全连接层。其中，所述骨干网络包括卷积层及池化层。所述区域候选网络包括区域卷积层、边界框回归层及感兴趣区域对齐层。
162.所述输出网络包括第二全连接层、边界框回归网络及损伤分类识别网络。
163.在本发明的至少一个实施例中，所述训练单元111基于每个车损训练集对预设网络进行并行训练，得到与每个车损训练集对应的车损检测模型的方式与基于所述车损检测模型对所述待定损图像进行处理方式互为逆过程，下述已对基于所述车损检测模型对所述待定损图像进行处理的方式进行描述，本发明对所述训练单元111基于每个车损训练集对预设网络进行并行训练，得到与每个车损训练集对应的车损检测模型的方式不再赘述。
164.当接收到车辆定损请求时，获取单元112根据所述车辆定损请求获取待定损图像。
165.在本发明的至少一个实施例中，所述车辆定损请求可以是被保险用户在需要报销车险时触发生成的请求。
166.所述待定损图像是指需要进行车辆损伤识别的图像。
167.在本发明的至少一个实施例中，所述获取单元112根据所述车辆定损请求获取待定损图像包括：
168.从所述车辆定损请求中提取图像路径；
169.从所述图像路径中获取所述待定损图像。
170.提取单元113基于每个目标特征提取网络对所述待定损图像进行特征提取，得到每个车损检测模型所输出的损伤特征向量。
171.在本发明的至少一个实施例中，所述损伤特征向量用于表征每个车损检测模型对所述待定损图像所识别出的特征。
172.在本发明的至少一个实施例中，所述提取单元113基于每个目标特征提取网络对所述待定损图像进行特征提取，得到每个车损检测模型所输出的损伤特征向量包括：
173.基于所述骨干网络对所述待定损图像进行特征提取，得到第一特征图；
174.基于所述区域候选网络对所述第一特征图进行重新构建，得到第二特征图；
175.获取所述第一全连接层的预设矩阵及预设偏置值；
176.基于所述预设矩阵及所述预设偏置值对所述第二特征图进行处理，得到所述损伤特征向量。
177.其中，所述预设矩阵及所述预设偏置值是指所述车损检测模型中的训练参数。
178.通过所述区域候选网络对所述第一特征图进行重新构建，能够提高所述第二特征图的准确性，从而提高所述损伤特征向量的表征准确性。
179.具体地，所述提取单元113基于所述骨干网络对所述待定损图像进行特征提取，得到第一特征图包括：
180.基于所述卷积层对所述待定损图像进行卷积处理，得到图像特征；
181.基于所述池化层对所述图像特征进行降维处理，得到所述第一特征图。
182.通过所述池化层对所述图像特征进行降维处理，能够避免因所述第一特征图的维度过高而造成所述损伤特征向量的生成效率低下，同时，还能够避免所述图像特征中的干扰特征对损伤结果的影响。
183.具体地，所述提取单元113基于所述区域候选网络对所述第一特征图进行重新构建，得到第二特征图包括：
184.基于所述区域卷积层对所述第一特征图进行卷积处理，得到区域特征；
185.基于所述边界框回归层对所述区域特征进行回归处理，得到边界框；
186.基于所述感兴趣区域对齐层对所述边界框进行对齐处理，得到所述第二特征图。
187.通过所述感兴趣区域对齐层对所述边界框进行对齐处理，避免所述第二特征图存在特征位置上的偏差。
188.检测单元114基于每个输出网络检测对应的损伤特征向量，得到每个车损检测模型所输出的损伤结果。
189.在本发明的至少一个实施例中，所述损伤结果包括损伤边界框坐标及损伤分类。
190.在本发明的至少一个实施例中，所述检测单元114基于每个输出网络检测对应的
损伤特征向量，得到每个车损检测模型所输出的损伤结果包括：
191.基于所述第二全连接层对所述损伤特征向量进行处理，得到输出向量；
192.基于所述边界框回归网络对所述输出向量进行回归处理，得到损伤边界框坐标；
193.基于所述损伤类别识别网络对所述输出向量进行回归处理，得到损伤分类；
194.根据所述损伤边界框坐标及所述损伤分类生成所述损伤结果。
195.通过所述边界框回归网络及所述损伤类别识别网络对所述输出向量进行并行处理，提高了所述损伤结果的确定效率。
196.拼接单元115拼接多个所述损伤特征向量，得到目标特征向量。
197.在本发明的至少一个实施例中，所述目标特征向量可以是将所述多个损伤特征向量进行随机拼接后得到的向量。所述目标特征向量可以是向量形式，也可以是矩阵形式。
198.回归单元116对所述目标特征向量进行逻辑回归处理，得到多个所述车损检测模型对所述待定损图像的损伤置信度。
199.在本发明的至少一个实施例中，所述损伤置信度是指所述多个车损检测模型对所述待定损图像的检测准确度的衡量。
200.在本发明的至少一个实施例中，所述回归单元116对所述目标特征向量进行逻辑回归处理，得到多个所述车损检测模型对所述待定损图像的损伤置信度包括：
201.根据每个车损检测模型的模型损失值构建模型权值向量；
202.基于所述模型权值向量及所述目标特征向量计算所述多个车损检测模型对所述待定损图像的图像分值，所述图像分值的计算公式为：y＝a
t
×
b，其中，y表征所述图像分值，a表征所述模型权值向量，b表征所述目标特征向量；
203.对所述图像分值进行归一化处理，得到所述损伤置信度。
204.其中，所述模型损失值是指所述车损检测模型训练完成时所对应的损伤值，通常来讲，所述模型损失值是指所述车损检测模型的最小损失值。
205.通过所述模型损失值构建所述模型权值向量，进而基于所述模型权值向量及所述目标特征向量计算，能够提高所述损伤置信度的准确性。
206.生成单元117根据所述损伤置信度及所述损伤结果生成定损结果。
207.需要强调的是，为进一步保证上述定损结果的私密和安全性，上述定损结果还可以存储于一区块链的节点中。
208.在本发明的至少一个实施例中，所述定损结果包括损伤边界框坐标及损伤分类。
209.在本发明的至少一个实施例中，所述生成单元117根据所述损伤置信度及所述损伤结果生成定损结果包括：
210.若所述损伤置信度大于或者等于预设置信度阈值，则从所述损伤结果中选取任一结果作为所述定损结果；或者
211.若所述损伤置信度小于所述预设置信度阈值，则根据所述待定损图像、所述损伤置信度及所述损伤结果生成审核请求；
212.当检测到所述审核请求完成审核时，获取与所述审核请求对应的审核结果；
213.根据所述审核结果提取所述定损结果。
214.其中，所述预设置信度阈值根据实际需求设定。可以理解的是，当所述损伤置信度的取值越高，则多个所述损伤结果越有可能相同，因此在所述损伤置信度大于所述预设置
media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
224.所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、tf卡(trans-flash card)等等。
225.所述电子设备1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，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
226.其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)。
227.本发明所指区块链是分布式车辆定损、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。
228.结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种车辆定损方法，所述处理器13可执行所述计算机可读指令从而实现：
229.基于多个预设比例对获取到的历史车损图像进行划分，得到每个预设比例对应的车损训练集；
230.基于每个车损训练集对预设网络进行并行训练，得到与每个车损训练集对应的车损检测模型，每个车损检测模型包括目标特征提取网络及输出网络；
231.当接收到车辆定损请求时，根据所述车辆定损请求获取待定损图像；
232.基于每个目标特征提取网络对所述待定损图像进行特征提取，得到每个车损检测模型所输出的损伤特征向量；
233.基于每个输出网络检测对应的损伤特征向量，得到每个车损检测模型所输出的损伤结果；
234.拼接多个所述损伤特征向量，得到目标特征向量；
235.对所述目标特征向量进行逻辑回归处理，得到多个所述车损检测模型对所述待定损图像的损伤置信度；
236.根据所述损伤置信度及所述损伤结果生成定损结果。
237.具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
238.在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以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，所述模块的划分，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。
239.所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
240.基于多个预设比例对获取到的历史车损图像进行划分，得到每个预设比例对应的车损训练集；
241.基于每个车损训练集对预设网络进行并行训练，得到与每个车损训练集对应的车损检测模型，每个车损检测模型包括目标特征提取网络及输出网络；
242.当接收到车辆定损请求时，根据所述车辆定损请求获取待定损图像；
243.基于每个目标特征提取网络对所述待定损图像进行特征提取，得到每个车损检测模型所输出的损伤特征向量；
244.基于每个输出网络检测对应的损伤特征向量，得到每个车损检测模型所输出的损伤结果；
245.拼接多个所述损伤特征向量，得到目标特征向量；
246.对所述目标特征向量进行逻辑回归处理，得到多个所述车损检测模型对所述待定损图像的损伤置信度；
247.根据所述损伤置信度及所述损伤结果生成定损结果。
248.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
249.另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
250.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
251.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
252.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。