基于人工智能的轮胎损伤检测方法及相关设备与流程

1.本技术涉及人工智能技术领域，尤其涉及一种基于人工智能的轮胎损伤检测方法、装置、电子设备及存储介质。


背景技术：

2.在车辆行驶过程中，受天气、道路情况或驾驶人员技能等因素的影响，车辆受损是不可避免的。对受损车辆进行受损部位和受损程度的检测直接影响到后续车辆维修方案的确定，以及后续事故相关方的经济赔偿额度确认。
3.目前，通常直接使用现有的语义分割网络或目标分割网络对受损车辆的图像进行处理以实现智能定损，然而，不同车辆部件在图像中的特征差异较大，这种方法不能细化到具体的车辆部件，同时车辆轮胎的结构和表面特征较为复杂，导致车辆轮胎损伤检测的准确度较低。


技术实现要素：

4.鉴于以上内容，有必要提出一种基于人工智能的轮胎损伤检测方法及相关设备，以解决如何提高车辆轮胎损伤检测的准确度这一技术问题，其中，相关设备包括基于人工智能的轮胎损伤检测装置、电子设备及存储介质。
5.本技术提供基于人工智能的轮胎损伤检测方法，所述方法包括：
6.采集带部件标签的车辆图像作为部件训练集，并基于所述部件训练集训练语义分割网络得到车辆部件分割网络，所述部件标签包括车辆图像中每一个像素点的车辆部件种类；
7.采集目标车辆的实时车辆图像，将所述实时车辆图像输入所述车辆部件分割网络得到所述目标车辆的实时轮胎区域图像；
8.搭建损伤检测第一网络；
9.采集带损伤标签的轮胎区域图像作为损伤训练集，并基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络，所述损伤标签包括轮胎区域图像中所有损伤区域的区域信息和损伤种类；
10.将所述实时轮胎区域图像输入所述损伤检测第二网络得到所述目标车辆的轮胎损伤检测结果。
11.在一些实施例中，所述采集目标车辆的实时车辆图像，将所述实时车辆图像输入所述车辆部件分割网络得到所述目标车辆的实时轮胎区域图像，包括：
12.采集目标车辆的实时车辆图像，将所述实时车辆图像输入所述车辆部件分割网络得到实时车辆图像的部件分割图，所述实时车辆图像的部件分割图包括所述实时车辆图像中每一个像素点所属的车辆部件种类；
13.将所述实时车辆图像的部件分割图中车辆部件种类为轮胎部件的像素点的像素值置为1，其他区域的像素值置为0，得到所述轮胎部件的掩码图，所述轮胎部件包括左前轮
胎、左后轮胎、右前轮胎与右后轮胎；
14.将所述轮胎部件的掩码图与所述实时车辆图像相乘，得到所述目标车辆的实时轮胎区域图像。
15.在一些实施例中，所述损伤检测第一网络为目标检测网络，所述搭建损伤检测第一网络包括：
16.所述损伤检测第一网络的输入为轮胎区域图像，输出为所述轮胎区域图像的损伤检测结果，所述损伤检测结果包括所述轮胎区域图像中所有损伤区域的区域信息和损伤种类，所述区域信息为包含损伤区域的矩形框的宽高尺寸和中心点坐标，所述损伤种类包括缺失、穿孔缺失、开裂、严重损伤、鼓包；
17.所述损伤检测第一网络包括一个编码器和多个参数共享的预测器；
18.所述编码器对输入的轮胎区域图像不断进行特征提取得到下采样特征图，所述下采样特征图的数量为一个或多个；
19.将所有下采样特征图输入多个参数共享的预测器中以获取每一张下采样特征图的子结果，其中所述预测器与所述下采样特征图一一对应，所述下采样特征图的子结果包括所述下采样特征图中所有损伤区域的区域信息和损伤种类；
20.将所有下采样特征图的子结果作为所述轮胎区域图像的损伤检测结果。
21.在一些实施例中，所述基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络包括：
22.基于所述损伤训练集和所述损伤检测第一网络构建第一预设损失函数；
23.基于所述第一预设损失函数和目标检测损失函数构建预设损失函数，所述目标检测损失函数与所述损伤检测第一网络的网络结构有关，所述预设损失函数满足关系式：
24.loss＝loss1+loss225.其中，loss1为所述第一预设损失函数，loss2为所述目标检测损失函数，loss为预设损失函数；
26.基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络。
27.在一些实施例中，所述基于所述损伤训练集和所述损伤检测第一网络构建第一预设损失函数包括：
28.从所述损伤训练集中随机选取一张轮胎区域图像作为目标图像，将所述目标图像的损伤标签作为目标损伤标签，所述目标损伤标签包括所述目标图像中所有损伤区域的区域信息和损伤种类；
29.将所述目标图像输入所述损伤检测第一网络得到所述目标图像的下采样特征图，所述下采样特征图为一个或多个；
30.依据下采样特征图的尺寸将所述目标损伤标签映射到所有下采样特征图上，得到每一个下采样特征图的损伤标签，所述下采样特征图的损伤标签包括所述目标图像中所有损伤区域在该下采样特征图中的区域信息和损伤种类；
31.基于所述下采样特征图的损伤标签构建每一个下采样特征图的特征差异矩阵，所有特征差异矩阵均为m行m列的方阵，其中m为所述目标图像中不同损伤种类的数量，所述下采样特征图的特征差异矩阵中第i行第j列的数值表示该下采样特征图中损伤种类i和损伤
种类j的特征差异度，所述特征差异度满足关系式：
[0032][0033]
其中，表示第u个下采样特征图中损伤种类i的区域信息中所有像素点的数量，表示第u个下采样特征图中损伤种类i的区域信息中第ki个像素点的像素值，表示第u个下采样特征图中损伤种类j的区域信息中所有像素点的数量，表示第u个下采样特征图中损伤种类j的区域信息中第kj个像素点的像素值，表示第u个下采样特征图中损伤种类i和损伤种类j的特征差异度；
[0034]
基于所有下采样特征图的特征差异矩阵和所述目标图像的标准差异矩阵构建第一预设损失函数，在所述标准差异矩阵中，对角线的数值为0，其他位置的数值为所述目标图像中不同损伤种类之间特征差异度的预设阈值。
[0035]
在一些实施例中，所述依据下采样特征图的尺寸将所述目标损伤标签映射到所有下采样特征图上，得到每一个下采样特征图的损伤标签，所述下采样特征图的损伤标签包括所述目标图像中所有损伤区域在该下采样特征图中的区域信息和损伤种类，包括：
[0036]
从所述目标损伤标签中随机选取一个损伤区域的区域信息和损伤种类作为目标损伤信息；
[0037]
依据映射模型和下采样特征图的尺寸将所述目标损伤信息映射至所有下采样特征图上以获取所述目标损伤信息的映射结果，所述映射模型满足关系式：
[0038][0039]
其中，x
*
,y
*
,w
*
,h
*
表示所述目标损伤信息的区域信息，所述区域信息为包含损伤区域的矩形框，x
*
,y
*
为所述区域信息的中心点坐标，w
*
,h
*
为所述区域信息的宽高尺寸，z
*
表示所述目标损伤信息的损伤种类，w
*
,h
*
为所述目标图像的宽高尺寸，wu,hu为第u个下采样特征图的宽高尺寸，表示对参数x进行向上取整操作，(xu,yu,wu,hu,zu)为所述目标损伤信息映射至第u个下采样特征图上的映射结果；
[0040]
遍历所述目标损伤标签中所有损伤区域的损伤信息得到每一个损伤信息的映射结果，所述损伤信息包括损伤区域的区域信息和损伤种类；
[0041]
将同一下采样特征图上的所有映射结果作为所述下采样特征图的损伤标签，所述下采样特征图的损伤标签包括所述目标图像中所有损伤区域在该下采样特征图中的区域信息和损伤种类。
[0042]
在一些实施例中，所述第一预设损失函数满足关系式：
[0043][0044]
其中，n为下采样特征图的数量，cu为第u个下采样特征图的特征差异矩阵；c
*
为所
述目标图像的标准差异矩阵，‖c
u-c
*
‖0为l0范数，用于计算c
u-c
*
中所有非零数值的数量，loss1为第一预设损失函数。
[0045]
本技术实施例还提供一种基于人工智能的轮胎损伤检测装置，所述装置包括：
[0046]
第一训练单元，用于采集带部件标签的车辆图像作为部件训练集，并基于所述部件训练集训练语义分割网络得到车辆部件分割网络，所述部件标签包括车辆图像中每一个像素点的车辆部件种类；
[0047]
分割单元，用于采集目标车辆的实时车辆图像，将所述实时车辆图像输入所述车辆部件分割网络得到所述目标车辆的实时轮胎区域图像；
[0048]
搭建单元，用于搭建损伤检测第一网络；
[0049]
第二训练单元，用于采集带损伤标签的轮胎区域图像作为损伤训练集，并基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络，所述损伤标签包括轮胎区域图像中所有损伤区域的区域信息和损伤种类；
[0050]
损伤检测单元，用于将所述实时轮胎区域图像输入所述损伤检测第二网络得到所述目标车辆的轮胎损伤检测结果。
[0051]
本技术实施例还提供一种电子设备，所述电子设备包括：
[0052]
存储器，存储至少一个指令；
[0053]
处理器，执行所述存储器中存储的指令以实现所述的基于人工智能的轮胎损伤检测方法。
[0054]
本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述的基于人工智能的轮胎损伤检测方法。
[0055]
综上，本技术利用车辆部件分割网络从目标车辆的实时图像中提取轮胎区域图像，实现轮胎的部件级定位，进一步将轮胎区域图像输入损伤检测第二网络获取轮胎的损伤检测结果，损伤检测第二网络可以学习到轮胎区域图像中不同损伤种类的区别特征，提高了轮胎损伤检测的准确度。
附图说明
[0056]
图1是本技术所涉及的基于人工智能的轮胎损伤检测方法的较佳实施例的流程图。
[0057]
图2是本技术所涉及的损伤检测第一网络的结构示意图。
[0058]
图3是本技术所涉及的基于人工智能的轮胎损伤检测装置的较佳实施例的功能模块图。
[0059]
图4是本技术所涉及的基于人工智能的轮胎损伤检测方法的较佳实施例的电子设备的结构示意图。
具体实施方式
[0060]
为了能够更清楚地理解本技术的目的、特征和优点，下面结合附图和具体实施例对本技术进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本技术，所述描
述的实施例仅是本技术一部分实施例，而不是全部的实施例。
[0061]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0062]
除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0063]
本技术实施例提供一种基于人工智能的轮胎损伤检测方法，可应用于一个或者多个电子设备中，电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
[0064]
电子设备可以是任何一种可与客户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)、游戏机、交互式网络电视(internet protocol television，iptv)、智能式穿戴式设备等。
[0065]
电子设备还可以包括网络设备和/或客户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(cloud computing)的由大量主机或网络服务器构成的云。
[0066]
电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(virtual private network，vpn)等。
[0067]
如图1所示，是本技术基于人工智能的轮胎损伤检测方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
[0068]
s10，采集带部件标签的车辆图像作为部件训练集，并基于所述部件训练集训练语义分割网络得到车辆部件分割网络，所述部件标签包括车辆图像中每一个像素点的车辆部件种类。
[0069]
在一个可选的实施例中，采集大量车辆图像，并获取每一张车辆图像的部件标签，车辆图像的部件标签为与所述车辆图像等大的图像，部件标签中的像素值表示每一个像素点处车辆部件种类的预设标签，所述预设标签为从1到n的整数，其中，n代表包括轮胎部件在内的所有车辆部件种类的数量，所述车辆部件种类与所述预设标签一一对应，储存所有车辆图像以及所有车辆图像的部件标签作为部件训练集。其中，所述轮胎部件包括左前轮胎、左后轮胎、右前轮胎与右后轮胎。
[0070]
该可选的实施例中，所述基于所述部件训练集训练语义分割网络得到车辆部件分割网络包括：
[0071]
搭建语义分割网络，所述语义分割网络包括编码器和解码器；
[0072]
基于所述部件训练集训练所述语义分割网络得到车辆部件分割网络，所述车辆部件分割网络的输入为车辆图像，输出为所述车辆图像的部件分割图，所述部件分割图包括所述车辆图像中每一个像素点所属的车辆部件种类，所述车辆部件包括轮胎部件在内的多
种车辆部件，所述轮胎部件包括左前轮胎、左后轮胎、右前轮胎与右后轮胎。
[0073]
该可选的实施例中，搭建语义分割网络，所述语义分割网络由编码器和解码器串联而成；所述语义分割网络的输入为车辆图像，编码器对所述车辆图像不断进行下采样得到特征图，将所述特征图输入解码器中，解码器对所述特征图不断进行上采样得到部件分割图，所述部件分割图包括输入的车辆图像中每一个像素点所属的车辆部件种类，所述车辆部件包括轮胎部件在内的多种车辆部件，所述轮胎部件包括左前轮胎、左后轮胎、右前轮胎与右后轮胎。其中，所述编码器和所述解码器可以采用deeplab v3+、unet、fcn等现有的语义分割网络的结构，本技术不做限制。
[0074]
该可选的实施例中，为了确保所述语义分割网络输出的部件分割图的准确性，需要基于所述部件训练集对所述语义分割网络进行训练。从所述部件训练集中随机选取车辆图像作为训练图像；将所述训练图输入所述语义分割网络以获取部件分割图，并基于所述部件分割图和所述输入的部件标签计算交叉熵损失函数的值；当获取交叉熵损失函数的值之后，依据梯度下降法更新所述语义分割网络的参数；不断从所述部件训练集中选取车辆图像以更新所述语义分割网络的参数，当交叉熵损失函数的值不再变化时，停止训练得到车辆部件分割网络，所述车辆部件分割网络可以获取准确的部件分割图。
[0075]
如此，获取车辆部件分割网络，将车辆图片输入车辆部件分割网络可以得到准确的部件分割图，所述部件分割图可以反应车辆图片中每一个像素点所属的车辆部件种类，实现车辆图片中精确的像素级分类。
[0076]
s11，采集目标车辆的实时车辆图像，将所述实时车辆图像输入所述车辆部件分割网络得到所述目标车辆的实时轮胎区域图像。
[0077]
在一个可选的实施例中，所述采集目标车辆的实时车辆图像，将所述实时车辆图像输入所述车辆部件分割网络得到所述目标车辆的实时轮胎区域图像，包括：
[0078]
采集目标车辆的实时车辆图像，将所述实时车辆图像输入所述车辆部件分割网络得到实时车辆图像的部件分割图，所述实时车辆图像的部件分割图包括所述实时车辆图像中每一个像素点所属的车辆部件种类；
[0079]
将所述实时车辆图像的部件分割图中车辆部件种类为轮胎部件的像素点的像素值置为1，其他区域的像素值置为0，得到所述轮胎部件的掩码图，所述轮胎部件包括左前轮胎、左后轮胎、右前轮胎与右后轮胎；
[0080]
将所述轮胎部件的掩码图与所述实时车辆图像相乘，得到所述目标车辆的实时轮胎区域图像。
[0081]
如此，借助车辆部件分割网络实现部件级定位，从目标车辆的实时车辆图像中获取实时轮胎区域图像，为后续实现轮胎损伤检测提供数据基础。
[0082]
s12，搭建损伤检测第一网络。
[0083]
在一个可选的实施例中，所述损伤检测第一网络为目标检测网络，所述搭建损伤检测第一网络包括：
[0084]
所述损伤检测第一网络的输入为轮胎区域图像，输出为所述轮胎区域图像的损伤检测结果，所述损伤检测结果包括所述轮胎区域图像中所有损伤区域的区域信息和损伤种类，其中，所述区域信息为包含损伤区域的矩形框的宽高尺寸和中心点坐标，所述损伤种类包括缺失、穿孔缺失、开裂、严重损伤、鼓包；
[0085]
所述损伤检测第一网络包括一个编码器和多个参数共享的预测器；
[0086]
所述编码器对输入的轮胎区域图像不断进行特征提取得到下采样特征图，所述下采样特征图的数量为一个或多个；
[0087]
将所有下采样特征图输入多个参数共享的预测器中以获取每一张下采样特征图的子结果，其中所述预测器与所述下采样特征图一一对应，所述下采样特征图的子结果包括所述下采样特征图中所有损伤区域的区域信息和损伤种类；
[0088]
将所有下采样特征图的子结果作为所述轮胎区域图像的损伤检测结果。
[0089]
其中，不同下采样特征图的尺寸不同，确保可以检测到所述轮胎区域图像中不同尺寸的损伤，所述下采样特征图的数量和尺寸由编码器的结构决定；以一个编码器和n个参数共享的预测器的损伤检测第一网络为示例，所述损伤检测第一网络的结构示意图如图2所示。
[0090]
需要说明的是，所述编码器和预测器可以采用retinanet、refinedet、centernet等现有的目标检测网络的任意一种结构，本技术不做限制。
[0091]
示例性的，假设所述损伤检测第一网络采用目标检测网络retinanet的结构，则编码器得到的下采样特征图的数量为5，且5个下采样特征图的尺寸依次为输入的轮胎区域图像尺寸的1/8、1/16、1/32、1/64、1/128，不同尺寸的下采样特征图可以确保检测到输入的轮胎区域图像中不同尺寸的损伤；若输入的轮胎区域图像尺寸640
×
640，则5个下采样特征图的尺寸依次为80
×
80、40
×
40、20
×
20、10
×
10、5
×
5；将5个下采样特征图输入到5个参数共享的预测器中，得到不同尺寸的下采样特征图的子结果，将所有下采样特征图的子结果作为所述输入的轮胎区域图像的损伤检测结果。
[0092]
如此，完成损伤检测第一网络的搭建，为后续获取损伤检测第二网络提供网络基础。
[0093]
s13，采集带损伤标签的轮胎区域图像作为损伤训练集，并基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络，所述损伤标签包括轮胎区域图像中所有损伤区域的区域信息和损伤种类。
[0094]
在一个可选的实施例中，为了保证损伤检测第一网络输出的损伤检测结果的准确性，需要对损伤检测第一网络进行训练。在对损伤检测第一网络进行训练之前，采集大量带有损伤标签的轮胎区域图像作为损伤训练集，其中，所述轮胎区域图像可以借助所述车辆部件分割网络获取，所述损伤标签包括所述轮胎区域图像中所有损伤区域的区域信息和损伤种类，所述区域信息为包含损伤区域的矩形框的中心点坐标和宽高尺寸。
[0095]
在一个可选的实施例中，所述基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络包括：
[0096]
基于所述损伤训练集和所述损伤检测第一网络构建第一预设损失函数；
[0097]
基于所述第一预设损失函数和目标检测损失函数构建预设损失函数，所述目标检测损失函数与所述损伤检测第一网络的网络结构有关；
[0098]
基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络。
[0099]
该可选的实施例中，由于轮胎的表面特征复杂，不同损伤种类之间容易产生混淆，为了约束所述损伤检测第一网络能够学习到不同损伤种类之间的区别特征，保证轮胎损伤
检测的准确性，本技术基于所述损伤训练集和所述损伤检测第一网络构建第一预设损失函数。
[0100]
在一个可选的实施例中，所述基于所述损伤训练集和所述损伤检测第一网络构建第一预设损失函数包括：
[0101]
从所述损伤训练集中随机选取一张轮胎区域图像作为目标图像，将所述目标图像的损伤标签作为目标损伤标签，所述目标损伤标签包括所述目标图像中所有损伤区域的区域信息和损伤种类；
[0102]
将所述目标图像输入所述损伤检测第一网络得到所述目标图像的下采样特征图，所述下采样特征图为一个或多个；
[0103]
依据下采样特征图的尺寸将所述目标损伤标签映射到所有下采样特征图上，得到每一个下采样特征图的损伤标签，所述下采样特征图的损伤标签包括所述目标图像中所有损伤区域在该下采样特征图中的区域信息和损伤种类；
[0104]
基于所述下采样特征图的损伤标签构建每一个下采样特征图的特征差异矩阵，所有特征差异矩阵均为m行m列的方阵，其中m为所述目标图像中不同损伤种类的数量，所述下采样特征图的特征差异矩阵中第i行第j列的数值表示该下采样特征图中损伤种类i和损伤种类j的特征差异度，所述特征差异度满足关系式：
[0105][0106]
其中，表示第u个下采样特征图中损伤种类i的区域信息中所有像素点的数量，表示第u个下采样特征图中损伤种类i的区域信息中第ki个像素点的像素值，表示第u个下采样特征图中损伤种类j的区域信息中所有像素点的数量，表示第u个下采样特征图中损伤种类j的区域信息中第kj个像素点的像素值，表示第u个下采样特征图中损伤种类i和损伤种类j的特征差异度；
[0107]
基于所有下采样特征图的特征差异矩阵和所述目标图像的标准差异矩阵构建第一预设损失函数，在所述标准差异矩阵中，对角线的数值为0，其他位置的数值为所述目标图像中不同损伤种类之间特征差异度的预设阈值。
[0108]
该可选的实施例中，所述依据下采样特征图的尺寸将所述目标损伤标签映射到所有下采样特征图上，得到每一个下采样特征图的损伤标签，所述下采样特征图的损伤标签包括所述目标图像中所有损伤区域在该下采样特征图中的区域信息和损伤种类，包括：
[0109]
从所述目标损伤标签中随机选取一个损伤区域的区域信息和损伤种类作为目标损伤信息；
[0110]
依据映射模型和下采样特征图的尺寸将所述目标损伤信息映射至所有下采样特征图上以获取所述目标损伤信息的映射结果，所述映射模型满足关系式：
[0111][0112]
其中，x
*
,y
*
,w
*
,h
*
表示所述目标损伤信息的区域信息，所述区域信息为包含损伤区域的矩形框，x
*
,y
*
为所述区域信息的中心点坐标，w
*
,h
*
为所述区域信息的宽高尺寸，z
*
表示所述目标损伤信息的损伤种类，w
*
,h
*
为所述目标图像的宽高尺寸，wu,hu为第u个下采样特征图的宽高尺寸，表示对参数x进行向上取整操作，(xu,yu,wu,hu,zu)为所述目标损伤信息映射至第u个下采样特征图上的映射结果；
[0113]
遍历所述目标损伤标签中所有损伤区域的损伤信息得到每一个损伤信息的映射结果，所述损伤信息包括损伤区域的区域信息和损伤种类；
[0114]
将同一下采样特征图上的所有映射结果作为所述下采样特征图的损伤标签，所述下采样特征图的损伤标签包括所述目标图像中所有损伤区域在该下采样特征图中的区域信息和损伤种类。
[0115]
该可选的实施例中，所述第一预设损失函数满足关系式：
[0116][0117]
其中，n为下采样特征图的数量，cu为第u个下采样特征图的特征差异矩阵；c
*
为所述目标图像的标准差异矩阵，‖c
u-c
*
‖0为l0范数，用于计算c
u-c
*
中所有非零数值的数量，loss1为第一预设损失函数。其中，所述目标图像的标准差异矩阵c
*
为m行m列的方阵，m为所述目标图像中不同损伤种类的数量，在所述标准差异矩阵c
*
中，对角线的数值为0，其他位置的数值为所述目标图像中不同损伤种类之间特征差异度的预设阈值，其中，所述预设阈值取值为5，所述第一预设损失函数用于约束所有下采样特征图中不同损伤种类的特征差异度不小于所述预设阈值，保证损伤检测的准确性。
[0118]
该可选的实施例中，基于所述第一预设损失函数和目标检测损失函数构建预设损失函数，所述预设损失函数满足关系式：
[0119]
loss＝loss1+loss2[0120]
其中，loss1为所述第一预设损失函数，loss2为所述目标检测损失函数，所述目标检测损失函数与所述损伤检测第一网络的网络结构有关，loss为预设损失函数。示例性的，假设所述损伤检测第一网络采用目标检测网络retinanet的结构，则所述目标检测损失函数为目标检测网络retinanet的损失函数。
[0121]
该可选的实施例中，基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络，不断从所述损伤训练集中选取轮胎区域图像输入所述损伤检测第一网络以计算所述预设损失函数的数值，并利用梯度下降法不断更新损伤检测第一网络的参数，当所述预设损失函数的数值不再变化时，停止训练得到损伤检测第二网络，所述损伤检测第二网络可以学习到轮胎区域图像中不同损伤种类的区别特征，获取准确的损伤检测结果。
[0122]
如此，借助损伤训练集和预设损失函数训练完成损伤检测第一网络的训练，得到损伤检测第二网络，所述损伤检测第二网络可以学习到轮胎区域图像中不同损伤种类的区别特征，获取准确的损伤检测结果。
[0123]
s14，将所述实时轮胎区域图像输入所述损伤检测第二网络得到所述目标车辆的轮胎损伤检测结果。
[0124]
在一个可选的实施例中，将所述实时轮胎区域图像输入所述损伤检测第二网络，即可得到所述目标车辆的轮胎损伤检测结果，所述轮胎损伤检测结果包括所述实时轮胎区域图像中所有损伤区域的区域信息和损伤种类。
[0125]
如此，借助损伤检测第二网络得到目标车辆的轮胎损伤检测结果，提高了轮胎损伤检测的准确度和速度。
[0126]
由以上技术方案可以看出，本技术利用车辆部件分割网络从目标车辆的实时图像中提取轮胎区域图像，实现轮胎的部件级定位，进一步将轮胎区域图像输入损伤检测第二网络获取轮胎的损伤检测结果，损伤检测第二网络可以学习到轮胎区域图像中不同损伤种类的区别特征，提高了轮胎损伤检测的准确度。
[0127]
请参见图3，图3是本技术基于人工智能的轮胎损伤检测装置的较佳实施例的功能模块图。基于人工智能的轮胎损伤检测装置11包括第一训练单元110、分割单元111、搭建单元112、第二训练单元113、损伤检测单元114。本技术所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
[0128]
在一个可选的实施例中，第一训练单元110用于采集带部件标签的车辆图像作为部件训练集，并基于所述部件训练集训练语义分割网络得到车辆部件分割网络，所述部件标签包括车辆图像中每一个像素点的车辆部件种类。
[0129]
在一个可选的实施例中，采集大量车辆图像，并获取每一张车辆图像的部件标签，车辆图像的部件标签为与所述车辆图像等大的图像，部件标签中的像素值表示每一个像素点处车辆部件种类的预设标签，所述预设标签为从1到n的整数，其中，n代表包括轮胎部件在内的所有车辆部件种类的数量，所述车辆部件种类与所述预设标签一一对应，储存所有车辆图像以及所有车辆图像的部件标签作为部件训练集。其中，所述轮胎部件包括左前轮胎、左后轮胎、右前轮胎与右后轮胎。
[0130]
该可选的实施例中，所述基于所述部件训练集训练语义分割网络得到车辆部件分割网络包括：
[0131]
搭建语义分割网络，所述语义分割网络包括编码器和解码器；
[0132]
基于所述部件训练集训练所述语义分割网络得到车辆部件分割网络，所述车辆部件分割网络的输入为车辆图像，输出为所述车辆图像的部件分割图，所述部件分割图包括所述车辆图像中每一个像素点所属的车辆部件种类，所述车辆部件包括轮胎部件在内的多种车辆部件，所述轮胎部件包括左前轮胎、左后轮胎、右前轮胎与右后轮胎。
[0133]
该可选的实施例中，搭建语义分割网络，所述语义分割网络由编码器和解码器串联而成；所述语义分割网络的输入为车辆图像，编码器对所述车辆图像不断进行下采样得到特征图，将所述特征图输入解码器中，解码器对所述特征图不断进行上采样得到部件分割图，所述部件分割图包括输入的车辆图像中每一个像素点所属的车辆部件种类，所述车辆部件包括轮胎部件在内的多种车辆部件，所述轮胎部件包括左前轮胎、左后轮胎、右前轮胎与右后轮胎。其中，所述编码器和所述解码器可以采用deeplab v3+、unet、fcn等现有的语义分割网络的结构，本技术不做限制。
[0134]
该可选的实施例中，为了确保所述语义分割网络输出的部件分割图的准确性，需要基于所述部件训练集对所述语义分割网络进行训练。从所述部件训练集中随机选取车辆图像作为训练图像；将所述训练图输入所述语义分割网络以获取部件分割图，并基于所述部件分割图和所述输入的部件标签计算交叉熵损失函数的值；当获取交叉熵损失函数的值之后，依据梯度下降法更新所述语义分割网络的参数；不断从所述部件训练集中选取车辆图像以更新所述语义分割网络的参数，当交叉熵损失函数的值不再变化时，停止训练得到车辆部件分割网络，所述车辆部件分割网络可以获取准确的部件分割图。
[0135]
在一个可选的实施例中，分割单元111用于采集目标车辆的实时车辆图像，将所述实时车辆图像输入所述车辆部件分割网络得到所述目标车辆的实时轮胎区域图像。
[0136]
在一个可选的实施例中，所述采集目标车辆的实时车辆图像，将所述实时车辆图像输入所述车辆部件分割网络得到所述目标车辆的实时轮胎区域图像，包括：
[0137]
采集目标车辆的实时车辆图像，将所述实时车辆图像输入所述车辆部件分割网络得到实时车辆图像的部件分割图，所述实时车辆图像的部件分割图包括所述实时车辆图像中每一个像素点所属的车辆部件种类；
[0138]
将所述实时车辆图像的部件分割图中车辆部件种类为轮胎部件的像素点的像素值置为1，其他区域的像素值置为0，得到所述轮胎部件的掩码图，所述轮胎部件包括左前轮胎、左后轮胎、右前轮胎与右后轮胎；
[0139]
将所述轮胎部件的掩码图与所述实时车辆图像相乘，得到所述目标车辆的实时轮胎区域图像。
[0140]
在一个可选的实施例中，搭建单元112用于搭建损伤检测第一网络。
[0141]
在一个可选的实施例中，所述损伤检测第一网络为目标检测网络，所述搭建损伤检测第一网络包括：
[0142]
所述损伤检测第一网络的输入为轮胎区域图像，输出为所述轮胎区域图像的损伤检测结果，所述损伤检测结果包括所述轮胎区域图像中所有损伤区域的区域信息和损伤种类，其中，所述区域信息为包含损伤区域的矩形框的宽高尺寸和中心点坐标，所述损伤种类包括缺失、穿孔缺失、开裂、严重损伤、鼓包；
[0143]
所述损伤检测第一网络包括一个编码器和多个参数共享的预测器；
[0144]
所述编码器对输入的轮胎区域图像不断进行特征提取得到下采样特征图，所述下采样特征图的数量为一个或多个；
[0145]
将所有下采样特征图输入多个参数共享的预测器中以获取每一张下采样特征图的子结果，其中所述预测器与所述下采样特征图一一对应，所述下采样特征图的子结果包括所述下采样特征图中所有损伤区域的区域信息和损伤种类；
[0146]
将所有下采样特征图的子结果作为所述轮胎区域图像的损伤检测结果。
[0147]
其中，不同下采样特征图的尺寸不同，确保可以检测到所述轮胎区域图像中不同尺寸的损伤，所述下采样特征图的数量和尺寸由编码器的结构决定；以一个编码器和n个参数共享的预测器的损伤检测第一网络为示例，所述损伤检测第一网络的结构示意图如图2所示。
[0148]
需要说明的是，所述编码器和预测器可以采用retinanet、refinedet、centernet等现有的目标检测网络的任意一种结构，本技术不做限制。
[0149]
示例性的，假设所述损伤检测第一网络采用目标检测网络retinanet的结构，则编码器得到的下采样特征图的数量为5，且5个下采样特征图的尺寸依次为输入的轮胎区域图像尺寸的1/8、1/16、1/32、1/64、1/128，不同尺寸的下采样特征图可以确保检测到输入的轮胎区域图像中不同尺寸的损伤；若输入的轮胎区域图像尺寸640
×
640，则5个下采样特征图的尺寸依次为80
×
80、40
×
40、20
×
20、10
×
10、5
×
5；将5个下采样特征图输入到5个参数共享的预测器中，得到不同尺寸的下采样特征图的子结果，将所有下采样特征图的子结果作为所述输入的轮胎区域图像的损伤检测结果。
[0150]
在一个可选的实施例中，第二训练单元113用于采集带损伤标签的轮胎区域图像作为损伤训练集，并基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络，所述损伤标签包括轮胎区域图像中所有损伤区域的区域信息和损伤种类。
[0151]
在一个可选的实施例中，为了保证损伤检测第一网络输出的损伤检测结果的准确性，需要对损伤检测第一网络进行训练。在对损伤检测第一网络进行训练之前，采集大量带有损伤标签的轮胎区域图像作为损伤训练集，其中，所述轮胎区域图像可以借助所述车辆部件分割网络获取，所述损伤标签包括所述轮胎区域图像中所有损伤区域的区域信息和损伤种类，所述区域信息为包含损伤区域的矩形框的中心点坐标和宽高尺寸。
[0152]
在一个可选的实施例中，所述基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络包括：
[0153]
基于所述损伤训练集和所述损伤检测第一网络构建第一预设损失函数；
[0154]
基于所述第一预设损失函数和目标检测损失函数构建预设损失函数，所述目标检测损失函数与所述损伤检测第一网络的网络结构有关；
[0155]
基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络。
[0156]
该可选的实施例中，由于轮胎的表面特征复杂，不同损伤种类之间容易产生混淆，为了约束所述损伤检测第一网络能够学习到不同损伤种类之间的区别特征，保证轮胎损伤检测的准确性，本技术基于所述损伤训练集和所述损伤检测第一网络构建第一预设损失函数。
[0157]
在一个可选的实施例中，所述基于所述损伤训练集和所述损伤检测第一网络构建第一预设损失函数包括：
[0158]
从所述损伤训练集中随机选取一张轮胎区域图像作为目标图像，将所述目标图像的损伤标签作为目标损伤标签，所述目标损伤标签包括所述目标图像中所有损伤区域的区域信息和损伤种类；
[0159]
将所述目标图像输入所述损伤检测第一网络得到所述目标图像的下采样特征图，所述下采样特征图为一个或多个；
[0160]
依据下采样特征图的尺寸将所述目标损伤标签映射到所有下采样特征图上，得到每一个下采样特征图的损伤标签，所述下采样特征图的损伤标签包括所述目标图像中所有损伤区域在该下采样特征图中的区域信息和损伤种类；
[0161]
基于所述下采样特征图的损伤标签构建每一个下采样特征图的特征差异矩阵，所有特征差异矩阵均为m行m列的方阵，其中m为所述目标图像中不同损伤种类的数量，所述下
采样特征图的特征差异矩阵中第i行第j列的数值表示该下采样特征图中损伤种类i和损伤种类j的特征差异度，所述特征差异度满足关系式：
[0162][0163]
其中，表示第u个下采样特征图中损伤种类i的区域信息中所有像素点的数量，表示第u个下采样特征图中损伤种类i的区域信息中第ki个像素点的像素值，表示第u个下采样特征图中损伤种类j的区域信息中所有像素点的数量，表示第u个下采样特征图中损伤种类j的区域信息中第kj个像素点的像素值，表示第u个下采样特征图中损伤种类i和损伤种类j的特征差异度；
[0164]
基于所有下采样特征图的特征差异矩阵和所述目标图像的标准差异矩阵构建第一预设损失函数，在所述标准差异矩阵中，对角线的数值为0，其他位置的数值为所述目标图像中不同损伤种类之间特征差异度的预设阈值。
[0165]
该可选的实施例中，所述依据下采样特征图的尺寸将所述目标损伤标签映射到所有下采样特征图上，得到每一个下采样特征图的损伤标签，所述下采样特征图的损伤标签包括所述目标图像中所有损伤区域在该下采样特征图中的区域信息和损伤种类，包括：
[0166]
从所述目标损伤标签中随机选取一个损伤区域的区域信息和损伤种类作为目标损伤信息；
[0167]
依据映射模型和下采样特征图的尺寸将所述目标损伤信息映射至所有下采样特征图上以获取所述目标损伤信息的映射结果，所述映射模型满足关系式：
[0168][0169]
其中，x
*
,y
*
,w
*
,h
*
表示所述目标损伤信息的区域信息，所述区域信息为包含损伤区域的矩形框，x
*
,y
*
为所述区域信息的中心点坐标，w
*
,h
*
为所述区域信息的宽高尺寸，z
*
表示所述目标损伤信息的损伤种类，w
*
,h
*
为所述目标图像的宽高尺寸，wu,hu为第u个下采样特征图的宽高尺寸，表示对参数x进行向上取整操作，(xu,yu,wu,hu,zu)为所述目标损伤信息映射至第u个下采样特征图上的映射结果；
[0170]
遍历所述目标损伤标签中所有损伤区域的损伤信息得到每一个损伤信息的映射结果，所述损伤信息包括损伤区域的区域信息和损伤种类；
[0171]
将同一下采样特征图上的所有映射结果作为所述下采样特征图的损伤标签，所述下采样特征图的损伤标签包括所述目标图像中所有损伤区域在该下采样特征图中的区域信息和损伤种类。
[0172]
该可选的实施例中，所述第一预设损失函数满足关系式：
[0173]
[0174]
其中，n为下采样特征图的数量，cu为第u个下采样特征图的特征差异矩阵；c
*
为所述目标图像的标准差异矩阵，‖c
u-c
*
‖0为l0范数，用于计算c
u-c
*
中所有非零数值的数量，loss1为第一预设损失函数。其中，所述目标图像的标准差异矩阵c
*
为m行m列的方阵，m为所述目标图像中不同损伤种类的数量，在所述标准差异矩阵c
*
中，对角线的数值为0，其他位置的数值为所述目标图像中不同损伤种类之间特征差异度的预设阈值，其中，所述预设阈值取值为5，所述第一预设损失函数用于约束所有下采样特征图中不同损伤种类的特征差异度不小于所述预设阈值，保证损伤检测的准确性。
[0175]
该可选的实施例中，基于所述第一预设损失函数和目标检测损失函数构建预设损失函数，所述预设损失函数满足关系式：
[0176]
loss＝loss1+loss2[0177]
其中，loss1为所述第一预设损失函数，loss2为所述目标检测损失函数，所述目标检测损失函数与所述损伤检测第一网络的网络结构有关，loss为预设损失函数。示例性的，假设所述损伤检测第一网络采用目标检测网络retinanet的结构，则所述目标检测损失函数为目标检测网络retinanet的损失函数。
[0178]
该可选的实施例中，基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络，不断从所述损伤训练集中选取轮胎区域图像输入所述损伤检测第一网络以计算所述预设损失函数的数值，并利用梯度下降法不断更新损伤检测第一网络的参数，当所述预设损失函数的数值不再变化时，停止训练得到损伤检测第二网络，所述损伤检测第二网络可以学习到轮胎区域图像中不同损伤种类的区别特征，获取准确的损伤检测结果。
[0179]
在一个可选的实施例中，损伤检测单元114用于将所述实时轮胎区域图像输入所述损伤检测第二网络得到所述目标车辆的轮胎损伤检测结果。
[0180]
在一个可选的实施例中，将所述实时轮胎区域图像输入所述损伤检测第二网络，即可得到所述目标车辆的轮胎损伤检测结果，所述轮胎损伤检测结果包括所述实时轮胎区域图像中所有损伤区域的区域信息和损伤种类。
[0181]
由以上技术方案可以看出，本技术利用车辆部件分割网络从目标车辆的实时图像中提取轮胎区域图像，实现轮胎的部件级定位，进一步将轮胎区域图像输入损伤检测第二网络获取轮胎的损伤检测结果，损伤检测第二网络可以学习到轮胎区域图像中不同损伤种类的区别特征，提高了轮胎损伤检测的准确度。
[0182]
请参见图4，是本技术实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行所述储器中存储的计算机可读指令以实现上述任一实施例所述的基于人工智能的轮胎损伤检测方法。
[0183]
在一个可选的实施例中，电子设备1还包括总线、存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于人工智能的轮胎损伤检测程序。
[0184]
图4仅示出了具有存储器12和处理器13的电子设备1，本领域技术人员可以理解的是，图4示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0185]
结合图1，电子设备1中的所述存储器12存储多个计算机可读指令以实现一种基于人工智能的轮胎损伤检测方法，所述处理器13可执行所述多个指令从而实现：
[0186]
采集带部件标签的车辆图像作为部件训练集，并基于所述部件训练集训练语义分割网络得到车辆部件分割网络，所述部件标签包括车辆图像中每一个像素点的车辆部件种类；
[0187]
采集目标车辆的实时车辆图像，将所述实时车辆图像输入所述车辆部件分割网络得到所述目标车辆的实时轮胎区域图像；
[0188]
搭建损伤检测第一网络；
[0189]
采集带损伤标签的轮胎区域图像作为损伤训练集，并基于所述损伤训练集和所述预设损失函数训练所述损伤检测第一网络得到损伤检测第二网络，所述损伤标签包括轮胎区域图像中所有损伤区域的区域信息和损伤种类；
[0190]
将所述实时轮胎区域图像输入所述损伤检测第二网络得到所述目标车辆的轮胎损伤检测结果。
[0191]
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0192]
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，电子设备1可以是总线型结构，也可以是星形结构，电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如电子设备1还可以包括输入输出设备、网络接入设备等。
[0193]
需要说明的是，电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本技术，也应包含在本技术的保护范围以内，并以引用方式包含于此。
[0194]
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smart media card,smc)、安全数字(secure digital,sd)卡、闪存卡(flash card)等。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的轮胎损伤检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0195]
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备1的控制核心(control unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于人工智能的轮胎损伤检测程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
[0196]
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的轮胎损伤检测方法实施例中的步骤，例如图1所示的步骤。
[0197]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本技术。所述一个
或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如，所述计算机程序可以被分割成第一训练单元110、分割单元111、搭建单元112、第二训练单元113、损伤检测单元114。
[0198]
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本技术各个实施例所述的基于人工智能的轮胎损伤检测方法的部分。
[0199]
电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
[0200]
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存储器及其他存储器等。
[0201]
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
[0202]
本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0203]
总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图4中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
[0204]
本技术实施例还提供一种计算机可读存储介质(图未示)，计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的轮胎损伤检测方法。
[0205]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0206]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0207]
另外，在本技术各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0208]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。说明书陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0209]
最后应说明的是，以上实施例仅用以说明本技术的技术方案而非限制，尽管参照较佳实施例对本技术进行了详细说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或等同替换，而不脱离本技术技术方案的精神和范围。