[发明专利]一种基于改进Faster RCNN预测模型的二手商用车车况检测方法

说明书

本发明公开了一种基于改进Faster RCNN预测模型的二手商用车车况检测方法，包括采集二手商用车待检测部位的图像，将待检测部位的图像按比例划分为训练集和测试集；使用图像标记工具对训练集中事故点的类别和位置坐标进行标记；将训练集命名为预设格式的图像文件，通过双线性插值的方法将预设格式的图像文件缩放成适合网络训练的预设大小尺寸，之后对其进行数据增强操作，获取预处理图像等步骤。优点是：将深度学习技术和图像处理技术相结合，用深度学习的方法对复杂场景中二手商用车上事故点进行检测识别，提高了检测的速度和精度。对Faster RCNN预测模型的网络结构和训练方式进行了改进，对优化算法和数据增广的方法进行了改进，提高了检测的效果。

技术领域

本发明涉及二手车车辆检测技术领域，尤其涉及一种基于改进Faster RCNN预测模型的二手商用车车况检测方法。

背景技术

二手车的置换是促进新车销售的前提和关键，其交易量逐年上升，特别是二手商用车占整个二手车交易量的比重不断扩大，但不可否认的是二手商用车交易市场仍存在许多痛点，其中最为明显的是评估检测体系。商用车的评估检测体系需要复杂的流程以及对驾驶室、底盘、发动机、变速箱等进行全方位的检测，一般买家不具备甄别能力。同时，由于车辆实际使用环境和从业人员的专业知识以及专业第三方服务机构较少，二手商用车市场始终没有一套合理的评估制度或统一的标准，这使得购买二手商用车的用户往往很难准确判断车况，对二手车的信任度不断降低。

买家在购买二手商用车时，最关心的问题莫过于二手商用车是否经历过事故，事故产生了哪些事故点和事故现象；而使用传统手工特征的目标检测方法去对二手商用车的车辆上的事故点进行检测，虽然能完成检测任务，但是手工设计的特征对于多样性的变化没有很好的鲁棒性，检测识别效果不理想。

发明内容

本发明的目的在于提供一种基于改进Faster RCNN预测模型的二手商用车车况检测方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于改进Faster RCNN预测模型的二手商用车车况检测方法，包括如下步骤，

S1、采集二手商用车待检测部位的图像，将待检测部位的图像按比例划分为训练集和测试集；使用图像标记工具对训练集中事故点的类别和位置坐标进行标记；

S2、将训练集命名为预设格式的图像文件，通过双线性插值的方法将预设格式的图像文件缩放成适合网络训练的预设大小尺寸，之后将其通过gamma矫正、颜色通道分离和随机翻转处理进行数据增强，获取预处理图像；

S3、将预处理图像输入到添加有注意力机制的卷积神经网络中进行处理，得到特征图像；

S4、将特征图像输入到RPN网络中，通过特征图像与待检测图像之间的映射关系生成一系列anchor框，并对所有的anchor框进行处理获取候选框；

S5、将候选框和特征图像一起输入到ROI Align层中，获取固定大小的候选区域特征图；

S6、将候选区域特征图输入到分类网络和回归网络中，利用分类网络预测事故点的类别，并根据预测的事故点类别和事故点的真实类别标签计算分类损失函数；利用回归网络预测事故点的位置坐标，并根据预测的事故点位置坐标和事故点的真实位置坐标计算位置坐标回归损失函数；使用优化算法不断优化分类损失函数和位置坐标回归损失函数，进而优化预测模型；

S7、将二手商用车的待预测图像输入优化好的预测模型中，识别图像的事故点的类别和位置坐标。