汽车零件评估：应用实时实例分割模型识别车辆部件
计算机视觉与模式识别
2022-02-03 v1 机器学习
神经与进化计算
摘要
自动化车辆损伤评估问题在汽车维修与损伤评估行业中构成一大挑战。该领域有多个应用方向，从汽车租赁公司和修理厂等车辆评估企业，到车险公司的事故损伤评估。在车辆评估中，损伤可表现为任何形式，包括划痕、轻微与严重凹痕乃至部件缺失。通常，评估区域存在显著噪声，如污垢、油脂、油污或锈迹，使得准确识别颇具挑战。此外，识别特定部件是维修行业进行准确工时与零件评估的第一步，而不同车型、形状和尺寸的存在使得机器学习模型表现良好更为困难。为应对这些挑战，本研究探索并应用多种实例分割方法以评估性能最佳的模型。由于其工业意义，本工作聚焦于两类实时实例分割模型，即 SipMask 和 Yolact。这些方法在先前报道的汽车零件数据集（DSMLR）与从本地汽车修理厂提取的内部整理数据集上进行了评估。基于 Yolact 的部件定位与分割方法相较于其他实时实例机制表现良好，mAP 为 66.5。对于修理厂维修数据集，SipMask++ 在目标检测上报告了更高精度，mAP 为 57.0，其中 AP_IoU=.50 与 AP_IoU=.75 的结果分别为 72.0 和 67.0，而 Yolact 在 AP_s 上表现更优，目标检测与分割类别分别为 44.0 和 2.6。
引用
@article{arxiv.2202.00884,
title = {Automotive Parts Assessment: Applying Real-time Instance-Segmentation Models to Identify Vehicle Parts},
author = {Syed Adnan Yusuf and Abdulmalik Ali Aldawsari and Riad Souissi},
journal= {arXiv preprint arXiv:2202.00884},
year = {2022}
}