[发明专利]车辆损失检测方法、装置、电子设备及存储介质

说明书

本发明公开了一种车辆损失检测方法、装置、电子设备及存储介质。该方法包括：获取目标图像；将目标图像输入至网络模型，网络模型的主干网络包括Swin Transformer网络主干网络用于基于Swin Transformer网络，预测目标图像的损伤位置坐标及损伤类别；根据损伤位置坐标及损伤类别确定损伤检测结果。本发明实施例使用Swin Transformer网络作为主干网络，相对于CNN检测方式更加精确，能够更有效的定位和识别损伤部位。采用Swin Transformer作为主干网络提取特征能够探索图像各像素间的空间信息联系以及对特征的加权选择，从而实现更好的特征提取和利用。同时Swin Transformer具备CNN的局部性、平移不变性以及残差学习等特点，因此能够在性能超越CNN方法的同时又解决了其他视觉Transformer方案中计算量繁杂、内存消耗大的问题。

技术领域

本发明实施例涉及机器学习技术，尤其涉及一种车辆损失检测方法、装置、电子设备及存储介质。

背景技术

随着社会迅速发展，车辆已成为不可或缺的交通工具之一，而日益增加的车辆无疑提高了交通意外的发生率。交通意外发生后通常是保险公司到事故现场进行定损，即通过观察现场拍摄的照片确定车辆损伤，以此作为车险公司的理赔依据。由于定损环节耗费大量的人力资源，且得到的结果具有较强的主观性。故基于深度学习方法实现车辆损伤检测系统开始逐渐代替人工操作，其可以通过一张或多张图片准确地检测出车辆损伤类型。

现有的目标检测器主要是基于CNN实现。但基于CNN进行图像分析的过程存在不够精确的问题。

发明内容

本发明提供一种车辆损失检测方法、装置、电子设备及存储介质，以实现提高车辆损伤检测的精确度。

第一方面，本发明实施例提供了一种车辆损失检测方法，包括：

获取目标图像；

将所述目标图像输入至网络模型，所述网络模型的主干网络包括SwinTransformer网络(又称层次化视觉transformer网络)，所述主干网络用于基于SwinTransformer网络，预测目标图像的损伤位置坐标及损伤类别；

根据所述损伤位置坐标及损伤类别确定损伤检测结果。

第二方面，本发明实施例还提供了一种车辆损失检测装置，包括：

图像获取模块，用于获取目标图像；

检测模块，用于将所述目标图像输入至网络模型，所述网络模型的主干网络包括Swin Transformer网络所述主干网络用于基于Swin Transformer网络，预测目标图像的损伤位置坐标及损伤类别；

检测结果确定模块，用于根据所述损伤位置坐标及损伤类别确定损伤检测结果。

第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本申请实施例所示的车辆损失检测方法。

第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本申请实施例所示的车辆损失检测方法。