TY -的A2 -郭,凌众盟——Aldawsari Abdulmalik盟——优素福,Syed Adnan盟——Souissi利雅得盟——AL-Qurishi穆罕默德PY - 2023 DA - 2023/04/11 TI -车辆的实时分割模型实例标识SP - 6460639六世- 2023 AB -自动评估汽车损害是一个重大的挑战在汽车维修和损失评估行业。域有几个应用领域,从汽车评估公司,如租车和修理厂,为汽车保险公司意外损伤评估。在车辆评估,损害可以有多种形式,从划痕,轻微的凹陷,凹陷主要缺失的部分。通常,评估区域有很大的噪声级,如灰尘、油脂、油,或匆忙,这使得准确识别具有挑战性。此外,在维修行业,识别一个特定的部分是获得一个精确的劳动和部分的第一步评估,不同车型的存在,形状和尺寸让机器学习模型更具挑战性的任务执行。为应对这些挑战,本研究探索和应用各种分割方法确定表现最好的模型实例。本研究着重于两个流派的实时分割模型实例,即SipMask YOLACT,由于他们的工业意义。这些方法进行评估与之前报道的数据集汽车零部件(DSMLR)以及一个内部策划数据集提取当地汽车修理车间。YOLACT-based部分定位和分割方法优于其它实时66.5实例的映射机制。为车间维修数据集,SipMask + +报告更好的准确性与地图对象检测57.0,结果 一个 P 我 o U = 。 50 和 一个 P 我 o U = 。 75年 报告分别为72.0和67.0,而YOLACT观察更好的表现 一个 P 年代 44.0和2.6的目标检测和分割类别,分别。SN - 1076 - 2787你——https://doi.org/10.1155/2023/6460639——10.1155 / 2023/6460639 JF - PB - Hindawi KW - ER -复杂性