[发明专利]损伤检测模型训练、车损检测方法、装置、设备及介质

权利要求书

1.一种损伤检测模型训练方法，其特征在于，包括：

获取损伤样本集；所述损伤样本集包括损伤样本图像，一个所述损伤样本图像与一个损伤标签组关联；所述损伤标签组包括至少一个损伤标签类型、与所述损伤标签类型对应的掩码标注图和至少一个矩形框区域；

将所述损伤样本图像输入含有第一参数的损伤检测模型，通过所述损伤检测模型提取所述损伤样本图像中的损伤特征并生成中间卷积特征图；所述损伤检测模型为基于YOLOV3模型构架的深度卷积神经网络模型；

将所述中间卷积特征图输入含有第二参数的掩码预测分支模型；

通过所述损伤检测模型根据所述损伤特征输出训练结果，同时通过所述掩码预测分支模型获取掩码结果；所述训练结果包括至少一个样本损伤类型和至少一个样本损伤矩形区域；所述掩码结果为根据自所述中间卷积特征图中提取的损伤掩码特征获取并输出，所述掩码结果包括至少一个掩码损伤类型和与所述掩码损伤类型对应的掩码张量图；

将所述损伤样本图像的所有所述损伤标签类型、所有所述矩形框区域、所有所述样本损伤类型和所有所述样本损伤矩形区域输入第一损失模型，得到第一损失值，同时将所述损伤样本图像的所有所述损伤标签类型、所有所述掩码标注图、所有所述掩码损伤类型和所有所述掩码张量图输入第二损失模型，得到第二损失值；

根据所述第一损失值和所述第二损失值，确定总损失值；

在所述总损失值未达到预设的收敛条件时，迭代更新所述损伤检测模型的第一参数和所述掩码预测分支模型的第二参数，直至所述总损失值达到所述预设的收敛条件时，将收敛之后的所述损伤检测模型记录为训练完成的损伤检测模型；

所述获取损伤样本集之前，包括：

获取样本图像和公开数据图像；所述样本图像为拍摄的含有损伤位置的图像，所述公开数据图像为KITTI数据集中随机抽取的图像；所述公开数据图像的尺寸大小通过resize方式转换成与所述样本图像的尺寸大小相同；

通过mixup方法，将所述样本图像与所述公开数据图像进行融合处理，得到融合样本图像；所述mixup方法为将所述样本图像中的每个像素值与所述公开数据图像中的对应的像素值通过预设的比例进行加权处理以及进行融合处理的方法；

将所述融合样本图像确定为所述样本图像对应的损伤样本图像，并将所述损伤样本图像存储在区块链中；

所述通过所述掩码预测分支模型获取掩码结果，包括：

将所述中间卷积特征图输入所述掩码预测分支模型中的扩展模块，通过所述扩展模块对所述中间卷积特征图进行损伤掩码特征提取及扩大处理，得到多通道特征图；所述扩展模块为将所述中间卷积特征图通过提取所述损伤掩码特征进行扩充处理得到所述多通道特征图；

将所述多通道特征图输入所述掩码预测分支模型中的分类模块，通过所述分类模块对所述多通道特征图进行分类及预测处理，得到所述中间卷积特征图对应的掩码预测结果；掩码预测类型包括划痕、刮擦、凹陷、褶皱、死折、撕裂、缺失7种损伤类型，通过对所述多通道特征图中的特征向量图进行分类，得到与所有掩码预测损伤类型对应的特征向量图，根据与掩码预测损伤类型对应的特征向量图，预测出该掩码预测损伤类型对应的掩码预测张量图，所述掩码预测张量图为一个通道的含有预测出每个像素点对应的像素值并与掩码预测损伤类型相关的特征向量图，所述掩码预测结果包括所述掩码预测损伤类型和掩码预测张量图；

根据所述中间卷积特征图对应的掩码预测结果，确定所述损伤样本图像对应的掩码结果；根据所述掩码预测结果与预设的概率值进行对比，将符合所述概率值的掩码预测张量图保留，将所有保留之后的所述掩码预测张量图确定为所述损伤样本图像对应的掩码张量图，根据保留的所述掩码预测张量图确定所述损伤样本图像对应的掩码损伤类型，将所有所述掩码张量图及对应的所述掩码损伤类型确定为所述损伤样本图像的所述掩码结果。

2.如权利要求1所述的损伤检测模型训练方法，其特征在于，所述根据所述第一损失值和所述第二损失值，确定总损失值，包括：

将所述第一损失值和所述第二损失值输入预设的损失模型，通过所述损失模型中的总损失函数计算出所述总损失值；所述总损失函数为：

其中，

X1为第一损失值；

X2为第二损失值；

为第一损失值的权重；

为第二损失值的权重。