技术摘要：
本发明涉及人工智能技术，揭露了一种损伤图像智能定损方法，包括：对原始损伤图像集进行采样，得到采样图像集；获取采样图像集中采样图像的所有特征层，将采样图像中特征层的尺寸调整为相同尺寸，得到初始损伤图像集；计算初始损伤图像集中特征层的语义信息，对语义信  全部
背景技术：
损伤图像是指对存在损伤的目标物拍摄得到的图像，例如，车辆事故中所拍摄的 事故车辆图像、道路发生坍塌时的所拍摄的道路图像等。损伤图像一般用于事后定损，如保 险公司根据所述损伤图像对出现事故的车辆进行定损，以进行保险赔付等。 由于损伤图像中通常会存在与真实损伤图像相似却不是真实损伤图像的难例，例 如，对于车辆损伤图像来说，车辆部件中含有的泥土、污渍经常会被当做图像损伤，目前，主 要依赖随机法获取损伤图像中的真实损伤图像，但是随机法具有不稳定的特性，容易影响 损伤图像中真实损伤图像的获取概率，从而会影响损伤图像的定损效率。 另外，对损伤图像的定损通常需要对定损图像进行识别来确定目标物的受损位 置，而受损位置识别的准确度主要依赖对定损图像进行识别的模型。目前业内所使用的模 型主要是预先收集各种图像的外观数据进行学习，然后利用构建的图像位置损伤识别模型 识别定损图像中的损伤位置。为了保障识别精度，通常需要尽可能多的获取各种目标物的 外观图像数据作为样本图像进行训练，而且模型算法的训练和参数优化过程周期通常较 长，整体实现成本较大。因此，在损伤图像定损的处理中，还需要一种高效识别图像损伤位 置的定损方案。
技术实现要素：
本发明提供一种损伤图像智能定损的方法、装置、电子设备及计算机可读存储介 质，其主要目的在于提高损伤图像的定损效率以及损伤位置的检测效率。 为实现上述目的，本发明提供的一种损伤图像智能定损方法，包括： 获取原始损伤图像集，根据历史损伤图像集对所述原始损伤图像集进行采样，得 到采样图像集； 获取所述采样图像集中每个采样图像的所有特征层，将所述采样图像中每个特征 层的尺寸调整为相同尺寸，得到初始损伤图像集； 计算所述初始损伤图像集中每个特征层的语义信息，利用预设的语义特征强化函 数对所述语义信息进行特征强化，得到标准损伤图像集； 所述计算所述标准损伤图像集中每个特征层的损伤值，根据所述损伤值检测所述 标准损伤图像集的损伤位置，并裁剪出所述损伤位置对应的标准损伤图像集中的图像，得 到目标损伤图像集； 通过预先训练完成的图像损伤程度检测模型对所述目标损伤图像集进行损伤程 度检测，得到所述目标损伤图像集的损伤程度。 可选地，所述预设的语义特征强化函数包括： 5 CN 111583215 A 说　明　书 2/13 页 其中，yi表示特征强化后的语义信息权重，xi表示需要进行特征强化的语义信息， xj表示不需要进行特征强化的语义信息权重，wg表示语义信息的偏置，C(x)表示语义信息的 归一化参数，e为无限不循环小数。 可选地，所述计算所述标准损伤图像集中每个特征层的损伤值，根据所述损伤值 检测所述标准损伤图像集的损伤位置，包括： 利用预设的损伤函数计算所述标准损伤图像集中每个特征层的损伤值，选取所述 损伤值大于预设损伤阈值的特征层，得到损伤特征层，根据所述损伤特征层，检测出所述标 准损伤图像集的损伤位置； 其中，所述预设的损伤函数包括： γ＝αln(b 1) 其中，Lb(x)表示损伤值，x表示标准损伤图像集的像素值，α和b分别表示标准损伤 图像集的权重和偏置，C表示标准损伤图像集的归一化参数。 可选地，所述方法还包括训练图像损伤程度检测模型，其中，所述训练包括： 获取训练图像集以及所述训练图像集的标签值； 将所述训练图像集输入至所述图像损伤程度检测模型中进行训练，得到训练值， 并通过预设的损失函数计算所述训练值与所述标签值的损失函数值； 在所述损失函数值大于预设的阈值时，重新调整所述图像损伤程度检测模型中的 参数，并利用参数调整后的所述图像损伤程度检测模型重新对所述训练图像集进行训练， 直至所述损失函数值不大于所述预设的阈值时，结束所述参数的调整，完成所述图像损伤 程度检测模型的训练，得到训练完成的图像损伤程度检测模型。 可选地，所述损失函数包括： 其中，L(s)表示损失函数值，k表示训练图像集的数量，yi表示训练值，y′i表示标签 值。 为了解决上述问题，本发明还提供一种损伤图像智能定损装置，所述装置包括： 采样模块，用于获取原始损伤图像集，根据历史损伤图像集对所述原始损伤图像 集进行采样，得到采样图像集； 调整模块，用于获取所述采样图像集中每个采样图像的所有特征层，将所述采样 图像中每个特征层的尺寸调整为相同尺寸，得到初始损伤图像集； 强化模块，用于计算所述初始损伤图像集中每个特征层的语义信息，用于利用预 设的语义特征强化函数对所述语义信息进行特征强化，得到标准损伤图像集； 6 CN 111583215 A 说　明　书 3/13 页 检测模块，用于计算所述标准损伤图像集中每个特征层的损伤值，根据所述损伤 值检测所述标准损伤图像集的损伤位置，并裁剪出所述损伤位置对应的标准损伤图像集中 的图像，得到目标损伤图像集； 定损模块，用于通过预先训练完成的图像损伤程度检测模型对所述目标损伤图像 集进行损伤程度检测，得到所述目标损伤图像集的损伤程度。 可选地，所述检测模块，包括： 选取子模块：用于利用预设的损伤函数计算所述标准损伤图像集中每个特征层的 损伤值，选取所述损伤值大于预设损伤阈值的特征层，得到损伤特征层，其中，所述预设的 损伤函数包括： γ＝αln(b 1) 其中，Lb(x)表示损伤值，x表示标准损伤图像集的像素值，α和b分别表示标准损伤 图像集的权重和偏置，C表示标准损伤图像集的归一化参数； 检测子模块：用于根据所述损伤特征层，检测出所述标准损伤图像集的损伤位置。 优选地，所述损伤图像智能定损装置还包括： 模型训练模块，用于训练所述图像损伤程度检测模型，其中，所述训练包括： 获取训练图像集以及所述训练图像集的标签值； 将所述训练图像集输入至所述图像损伤程度检测模型中进行训练，得到训练值， 并通过预设的损失函数计算所述训练值与所述标签值的损失函数值； 在所述损失函数值大于预设的阈值时，重新调整所述图像损伤程度检测模型中的 参数，并利用参数调整后的所述图像损伤程度检测模型重新对所述训练图像集进行训练， 直至所述损失函数值不大于所述预设的阈值时，得到训练完成的图像损伤程度检测模型。 为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括： 存储器，存储至少一个指令；及 处理器，执行所述存储器中存储的指令以实现上述所述的损伤图像智能定损方 法。 为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和 存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计 算机程序，其中，所述计算机程序被处理器执行时实现以上所述的损伤图像智能定损方法。 本发明实施例首先对原始损伤图像集进行采样，得到采样图像集，可以筛选出原 始损伤图像集中的难例图像，提高了原始损伤图像集中真实损伤图像的获取概率，从而提 高了原始损伤图像集的定损效率；其次，本发明实施例将所述采样图像中每个特征层的尺 寸调整为相同尺寸，得到初始损伤图像集，并计算所述初始损伤图像集中每个特征层的语 义信息，以及结合预设的语义特征强化函数对所述语义信息进行特征强化，得到标准损伤 图像集，实现了采样图像中所有特征层的语义信息的均衡化；进一步地，本发明实施例通过 每个特征层的损伤值检测所述标准损伤图像集的损伤位置，不需要构建及训练图像位置损 伤识别模型，从而可以提高损伤位置的检测效率；此外，本发明实施例裁剪出所述损伤位置 7 CN 111583215 A 说　明　书 4/13 页 对应的标准损伤图像集中的图像，得到目标损伤图像集，通过预先训练完成的图像损伤程 度检测模型对所述目标损伤图像集进行损伤程度检测，即本发明实施例只利用图像损伤程 度检测模型对损伤位置进行损伤程度的检测，保证了不会因人工主观原因出现图像定损偏 差的现象，并进一步提高了计算效率。因此，本发明实施例提出的一种损伤图像智能定损方 法、装置、电子设备以及计算机可读存储介质可以提高损伤图像的定损效率以及损伤位置 的检测效率。 附图说明 图1为本发明一实施例提供的损伤图像智能定损方法的流程示意图； 图2为本发明图1中损伤图像智能定损方法中步骤S5的详细实施流程示意图； 图3为本发明一实施例提供的损伤图像智能定损装置的模块示意图； 图4为本发明一实施例提供的实现损伤图像智能定损方法的电子设备的内部结构 示意图； 本发明目的的实现、功能特点及优点将整合实施例，参照附图做进一步说明。