[发明专利]优化损伤检测结果的方法及装置

权利要求书

1.一种优化损伤检测结果的方法，包括：

获取车辆损伤图片；

采用目标检测模型，从所述车辆损伤图片中识别出包含损伤对象的多个候选损伤区域和损伤对象的损伤类别；

提取所述目标检测模型输出的多个候选损伤区域中各个候选损伤区域的特征向量；

基于各个候选损伤区域的特征向量，计算所述多个候选损伤区域中任意的第一候选损伤区域与多个其他候选损伤区域的多个相似度特征；

将所述多个相似度特征输入预定的预测模型，根据预测模型的输出结果，确定第一候选损伤区域是否为异常区域；

其中，所述预测模型通过正样本和负样本预先训练，所述正样本包括，多个标注为真实损伤的损伤区域，用于示出多个真实损伤区域之间的相似度特征的特点；所述负样本包括，多个标注为真实损伤的损伤区域和至少一个标注为非损伤的区域，用于示出非损伤区域与真实损伤区域之间的相似度特征的特点。

2.根据权利要求1所述的方法，其中提取所述多个候选损伤区域中各个候选损伤区域的特征向量包括：

获取所述车辆损伤图片经卷积处理的特征图；

从所述特征图中提取各个候选损伤区域对应的特征向量。

3.根据权利要求2所述的方法，其中所述损伤识别模型基于卷积神经网络；所述获取所述车辆损伤图片经卷积处理的特征图包括，从所述卷积神经网络的卷积层，获取所述特征图。

4.根据权利要求1所述的方法，其中计算所述多个候选损伤区域中任意的第一候选损伤区域与多个其他候选损伤区域的多个相似度特征包括：

计算所述第一候选损伤区域对应的第一特征向量，分别与多个其他候选损伤区域对应的多个其他特征向量的点积，基于多个点积结果确定所述多个相似度特征。

5.根据权利要求1所述的方法，其中所述目标检测算法基于训练样本集预先训练；所述正样本和负样本选自所述训练样本集。

6.根据权利要求1所述的方法，其中所述预测模型为线性回归模型。

7.根据权利要求1所述的方法，还包括，在确定第一候选损伤区域为异常区域的情况下，将第一候选损伤区域从损伤检测结果中排除。

8.一种优化损伤检测结果的装置，包括：

获取单元，配置为获取车辆损伤图片；

识别单元，配置为采用目标检测模型，从所述车辆损伤图片中识别出包含损伤对象的多个候选损伤区域和损伤对象的损伤类别；

提取单元，配置为提取所述目标检测模型输出的多个候选损伤区域中各个候选损伤区域的特征向量；

计算单元，配置为基于各个候选损伤区域的特征向量，计算所述多个候选损伤区域中任意的第一候选损伤区域与多个其他候选损伤区域的多个相似度特征；

确定单元，配置为将所述多个相似度特征输入预定的预测模型，根据预测模型的输出结果，确定第一候选损伤区域是否为异常区域；

其中，所述预测模型通过正样本和负样本预先训练，所述正样本包括，多个标注为真实损伤的损伤区域，用于示出多个真实损伤区域之间的相似度特征的特点；所述负样本包括，多个标注为真实损伤的损伤区域和至少一个标注为非损伤的区域，用于示出非损伤区域与真实损伤区域之间的相似度特征的特点。

9.根据权利要求8所述的装置，其中所述提取单元配置为：

获取所述车辆损伤图片经卷积处理的特征图；

从所述特征图中提取，各个候选损伤区域对应的特征向量。

10.根据权利要求9所述的装置，其中所述损伤识别模型基于卷积神经网络；所述提取单元配置为，从所述卷积神经网络的卷积层，获取所述特征图。

11.根据权利要求8所述的装置，其中所述计算单元配置为：

计算所述第一候选损伤区域对应的第一特征向量，分别与多个其他候选损伤区域对应的多个其他特征向量的点积，基于多个点积结果确定所述多个相似度特征。