[发明专利]基于神经网络的车辆损伤级别的确定方法及终端设备

说明书

本发明适用于人工智能技术领域，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，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。

技术领域

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。

发明内容

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；