车辆损伤分类的自动化智能方法

《Scientific Reports》：An intelligent approach for automated vehicle damage classification

　　

人工检查使用模仿性评估方法需要大量的时间、精力、资源和资金投入。此外，这些评估往往表现出不一致性。因此，本研究引入了一个框架，利用深度学习（DL）和机器学习（ML）方法准确检测和分类车辆损伤并估算维修成本。在本研究中，应用了 YOLOv5 和 YOLOv8 模型来检测和分类车辆损伤类型，如车灯损坏、玻璃破碎、裂纹、划痕和凹痕。使用 XGBoost 机器学习模型预测维修成本。用于损伤检测、分类和成本预测的数据集是从头开始构建的。它是通过识别损伤类型并在受损区域周围生成边界框坐标来开发的。在提取边界框坐标和损伤类型后，加入了额外的特征。YOLOv8 模型在检测和分类车辆损伤方面优于 YOLOv5，在验证数据集上达到了 87% 的精确率（Precision），并在测试数据集上达到了 90.7% 的平均精度均值（mAP）。XGBoost 模型取得了 97.28% 的 R² 分数和 128.50 的平均绝对误差（MAE）。这些结果证实，所提出的框架提高了车辆损伤检测和分类的精度，同时加速了评估过程，并确保了其在现实场景中的有效性。

研究背景与意义方面，汽车工业的重要性日益增加，推动了现代车辆自动驾驶与检测系统需求的激增。其中，用于分类、检测和定位车辆损伤以进行评估的系统尤为关键。然而，目前的保险公司和修理厂仍普遍采用传统人工检查方法，这种方式不仅昂贵、主观且劳动密集，还容易出现评估不一致的问题。尽管卷积神经网络（CNNs）等现代系统已被用于损伤的分类与识别，但传统 CNN 缺乏定位损伤具体位置的能力。此外，以往的研究多集中于损伤的检测或分类，却忽略了维修成本的预测，且缺乏支持这一完整流程的可靠开源数据集。为填补这一空白，研究人员开展了一项研究，旨在开发一个端到端的自动化车辆损伤评估框架。该研究不仅从零构建了包含边界框标注、损伤类别和严重程度的定制数据集，还结合了深度学习与机器学习技术，实现了损伤检测、分类和维修成本预测的统一集成。这项研究为车辆检测和保险理赔提供了更实用、可扩展的自动化解决方案，论文发表在《Scientific Reports》上。关键技术方法方面，研究人员主要采用了以下关键技术方法：首先，从 Kaggle 平台获取包含凹痕、裂纹、划痕、车灯损坏和玻璃破碎五类损伤的原始图像数据集，并由专家从头进行边界框标注；其次，对图像进行 640×640 尺寸缩放，并采用过采样和亮度调整、水平翻转等数据增强技术处理数据不平衡问题；接着，应用 YOLOv5 和 YOLOv8 目标检测模型在平衡与非平衡数据集上进行训练和验证，以识别和分类损伤；最后，融合提取的边界框坐标、损伤类型、位置和严重程度等特征，使用 XGBoost 回归模型进行维修成本预测，并与线性回归、支持向量回归（SVR）和随机森林回归算法进行对比分析。研究结果方面，实现与结果。实验分别在非平衡和平衡数据集上训练了 YOLOv5 和 YOLOv8 模型。结果显示，在非平衡数据集上，模型的精确率较低，YOLOv5 与 YOLOv8 的精确率分别为 0.593 和 0.749。通过过采样与数据增强实现数据平衡后，YOLOv5 模型的精确率提升至 0.806，召回率（Recall）为 0.810，mAP@0.5 达到 0.803；而 YOLOv8 模型表现更为优异，精确率达到 0.87，召回率为 0.87，mAP@0.5 达到 0.824，mAP@0.5:0.95 达到 0.606。这证实了数据平衡处理对各模型检测精度均有显著正向影响。混淆矩阵与性能分析。通过混淆矩阵和 F1 分数曲线分析发现，YOLOv8 在平衡数据集上表现出极佳的稳定性与高精确度。特别是在检测碎玻璃和破损车灯时表现优异，精确率分别达到 0.982 和 0.967。在包含 2224 张图片的测试集上，YOLOv8 模型的平均置信度在 0.65 到 0.89 之间，尤其在碎玻璃检测上获得了 1.000 的精确率，展现了高度可靠的损伤识别能力。机器学习与维修成本预测。在机器学习阶段，XGBoost 模型被用于根据损伤几何特征预测维修成本。对比实验表明，XGBoost 模型的表现显著优于随机森林（R²=0.75）、SVR（R²=0.61）和线性回归（R²=0.47）。XGBoost 取得了 0.9728 的 R² 分数和 128.50 的平均绝对误差（MAE），误差率仅为 7.66%。这表明该模型能够有效捕捉损伤特征与维修成本之间复杂的非线性关系，提供高精度的财务估算。总结讨论与结论部分，研究人员指出，对比以往仅关注损伤检测且使用非平衡数据集的 CarDD 研究，本研究的框架在平衡数据上大幅提升了 YOLOv8 模型的性能，其总体精确率从 CarDD 中 DCN+ 模型的 60.6% 跃升至 87%。研究构建了一个从损伤检测、分类到成本预测的全面集成方案，有效解决了传统人工评估耗时不一致的问题。结论表明，应用深度学习结合平衡数据集可以显著提升车辆损伤检测与分类的精度，YOLOv8 在验证和测试数据集中均表现出卓越的性能。同时，XGBoost 模型能够精确预测维修成本。未来工作将考虑扩展损伤类别、引入图像分割技术以获取损伤的精确形状和区域，并开发能够自动分类损伤严重程度的模型，从而为保险和修理行业提供更全面的决策支持。