[发明专利]车辆定损方法及其专用设备

权利要求书

1.一种车辆定损方法，其特征在于：包括下列步骤：

(1)利用成像设备捕获现场车辆损伤图片的数字图像信号，现场车辆损伤图片称为原图；

(2)通过对神经网络深度学习建立特征提取网络，进行特征提取，即将数字图像信号输入所述特征提取网络，其输出即是一组涵盖了输入图像相关的特征向量，但不具备可读性；

(3)通过子网络提升所述特征提取网络输出的可读性，包括分别连接在所述特征提取网络输出的三个子网络即E1、E2、E3，所述E1为语义分割网络，通过训练E1统计E1的输出得到车损面积，E2为深度估计网络，通过训练E2统计E2的输出得到损伤深度，E3为分类网络，通过训练E3得到车损位置；

(4)最终的评估结果，对各个因素进行加权处理，写作FLayer，

其中，表示不同因素所占的比重大小，S表示车损定级所需考虑的各项因素，包括所述车损面积、所述损伤深度、所述车损位置；

所述成像设备捕获现场车辆损伤图片的数字图像信号会先存储到存储模块，所述最终的评估结果存储到存储模块。

2.根据权利要求1所述车辆定损方法，其特征在于：

所述E1语义分割网络，其输出的特征向量与原图宽高一致，该向量的每元素与原图中的每个像素一一对应，在该输出中，以0.5作为分界线，大于0.5的部分认为是损伤部分；

E2深度估计网络，其输出的特征向量与原图宽高一致，该向量的每元素与原图中的每个像素一一对应，这个网络输出的每个单元是个0-1之间的值，为便于使用，将这个值放大255倍即将输出映射到0-255之间，与当前成像平面最近的值为0，最远的值为255，结合E1得出车损边缘的深度信息，以车损边缘的深度值d0为标准，车损区域中每个位置的深度di减去d0即得到车损区域的实际深度，并对区域内的每个输出进行统计，获悉车损部分的凹陷情况；

E3分类网络，其输出是一个1行N列的特征向量，N的取值与待检测的车损部位相关，模型的每个输出是一个0到1之间的小数，规定输出向量表示当前损伤位置，模型的每个输出向量大于阈值即明确是发生的损伤位置；

所述三个子网络E1、E2、E3均通过对神经网络深度学习而建立；

所述深度学习的方法是：

a)数据收集，即从合作单位获取车辆损伤图像；

b)数据标注，对a)中收集的数据进行标注，所述标注包括：利用坐标点标记出车损的位置；以像素为单位标注出图像中每个受损位置；记录损伤相关信息，包括车损原因、车损位置、深度、面积；所述标注的信息统称为J；

c)训练，一个神经元的工作过程表示为：

其中，x为图像，f为激活函数，t为单个神经元的输入，w为权值；

神经网络是通过组合众多的神经元形成，所述组合是把前n个神经元的输出作为后m个神经元的输入，如此反复叠加：该过程表示为是y＝F(X)，F表示深度学习的神经网络模型，y表示模型的最终输出，x表示图像；

训练的步骤是将标注的图像x输入神经网络模型，通过神经网络模型计算得到对应的输出y，这个步骤称为推导；通过比较y与J之间的loss差异对所述神经网络模型的实际特征提取能力做出评价，所述loss越接近0，说明神经网络模型里的各项权值越适于当前任务，采用梯度下降法将loss逐层地反馈给每个神经元，并对神经元的权值进行调整，这个步骤称为反向传递；训练的过程就是迭代的进行推导和反向传递，直到所述模型的loss不再下降的过程。

3.根据权利要求1或2所述车辆定损方法，其特征在于：所述成像模块包括RGB成像模块和红外成像模块。

4.根据权利要求1所述车辆定损方法，其特征在于：所述最终的评估结果由显示模块像用户进行展示，并将所述最终的评估结果和成像设备采集的数据通过5G或WIFI发送给云端。

5.根据权利要求1或2所述车辆定损方法，其特征在于：在云端存储后，自动对存储模块进行清理。

6.根据权利要求1或2所述车辆定损方法，其特征在于：所述成像设备捕获现场车辆损伤图片的数字图像信号通过蓝牙与手机进行数据传输，发送给手机。