1.一种基于神经网络的车辆定损方法，其特征在于，包括：

获取预设的样本数据集，并将所述样本数据集划分为训练集和测试集；所述样本数据集中的每条样本数据均由一事故车辆的定损评估图像序列及该事故车辆的损伤级别概率向量构成；

基于所述训练集对预先构建的原始神经网络模型进行训练，确定所述原始神经网络模型的特征提取层所包含的预设卷积核的卷积核参数，以及确定所述原始神经网络模型的概率计算层所包含的各个预设定损评估图像的特征向量相对于各个预设损伤级别的权重系数；

将所述测试集中每条样本数据包含的事故车辆的定损评估图像序列导入已完成训练的所述原始神经网络模型中，得到所述测试集中每条所述样本数据各自对应的损伤级别概率向量的预测值；

基于所述测试集中每条样本数据包含的事故车辆的损伤级别概率向量及每条所述样本数据对应的损伤级别概率向量的预测值，通过以下公式计算已训练完成的所述原始神经网络模型的预测误差：；

其中， 为已训练完成的所述原始神经网络模型的预测误

差，n为所述损伤级别概率向量中所包含的元素个数， 为所述样本数据包含的事故车辆的损伤级别概率向量中第i个元素的值， 为所述样本数据对应的损伤级别概率向量的预测值中第i个元素的值；其中，已完成训练的所述原始神经网络模型的预测误差用于标识已完成训练的所述原始神经网络模型的车辆定损准确度；

将所述原 始神经网络模型的预测误差与预设误差阈值进行比较，基于比较结果确定对所述原始神经网络模型的验证结果；其中，若所述比较结果为所述原始神经网络模型的预测误差小于或等于所述预设误差阈值，则确定所述验证结果为验证通过；若所述比较结果为所述原始神经网络模型的预测误差大于所述预设误差阈值，则确定所述验证结果为验证未通过；

若验证通过，则将已完成训练的所述原始神经网络模型确定为预设神经网络模型；

获取待定损的事故车辆的定损评估图像序列；所述定损评估图像序列为从所述事故车辆的各个预设方位对所述事故车辆进行拍摄得到的定损评估图像；

通过预设神经网络模型的特征提取层对所述定损评估图像序列中的各个所述定损评估图像进行特征提取，得到各个所述定损评估图像的特征向量；

在所述预设神经网络模型的概率计算层基于所有所述定损评估图像的特征向量，确定所述事故车辆的损伤级别概率向量；所述损伤级别概率向量中的每个元素的值用于标识所述事故车辆属于该元素对应的预设损伤级别的概率；

将所述损伤级别概率向量中值最大的元素对应的预设损伤级别确定为所述事故车辆的损伤级别；

所述通过预设神经网络模型的特征提取层对所述定损评估图像序列中的各个所述定损评估图像进行特征提取，得到各个所述定损评估图像的特征向量，包括：在所述特征提取层基于所述定损评估图像中各像素点的位置信息与像素值的对应关系，确定所述定损评估图像对应的图像矩阵，并通过预设卷积核对所述图像矩阵进行卷积处理，得到所述定损评估图像的特征向量；其中，所述定损评估图像是由多个像素点排列而成的二维矩阵，所述定损评估图像中各像素点的位置信息用于描述各像素点在该二维矩阵中所处的行列次序，所述定损评估图像中的每个像素点均对应一个三维像素值，该三维像素值包含像素点在R、G、B三个颜色通道上的值；

其中，将定损评估图像对应的图像矩阵与预设卷积核进行卷积处理的具体过程为：采用预设卷积核在图像矩阵上以预设步长从左至右、从上至下进行滑动，在每个滑动到的位置上，将预设卷积核与图像矩阵中相应位置的元素构成的子矩阵进行相乘，将相乘结果作为定损评估图像的特征向量中相应位置的元素的值，预设卷积核在定损评估图像对应的图像矩阵上滑动完成后，定损评估图像的特征向量中各元素的值则均已确定；

所述在所述预设神经网络模型的概率计算层基于所有所述定损评估图像的特征向量，确定所述事故车辆的损伤级别概率向量，包括：在所述概率计算层基于预先学习到的各个预设定损评估图像的特征向量相对于各个所述预设损伤级别的权重系数，确定所述事故车辆的各个所述定损评估图像的特征向量相对于各个所述预设损伤级别的权重系数；

分别基于所述事故车辆的各个所述定损评估图像的特征向量相对于每一所述预设损伤级别的权重系数，将所述事故车辆的各个所述定损评估图像的特征向量进行加权求和，得到所述事故车辆的损伤级别概率向量。

2.一种服务器，其特征在于，所述服务器包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：获取预设的样本数据集，并将所述样本数据集划分为训练集和测试集；所述样本数据集中的每条样本数据均由一事故车辆的定损评估图像序列及该事故车辆的损伤级别概率向量构成；

基于所述训练集对预先构建的原始神经网络模型进行训练，确定所述原始神经网络模型的特征提取层所包含的预设卷积核的卷积核参数，以及确定所述原始神经网络模型的概率计算层所包含的各个预设定损评估图像的特征向量相对于各个预设损伤级别的权重系数；

将所述测试集中每条样本数据包含的事故车辆的定损评估图像序列导入已完成训练的所述原始神经网络模型中，得到所述测试集中每条所述样本数据各自对应的损伤级别概率向量的预测值；

基于所述测试集中每条样本数据包含的事故车辆的损伤级别概率向量及每条所述样本数据对应的损伤级别概率向量的预测值，通过以下公式计算已训练完成的所述原始神经网络模型的预测误差：；

其中， 为已训练完成的所述原始神经网络模型的预测误

差，n为所述损伤级别概率向量中所包含的元素个数， 为所述样本数据包含的事故车辆的损伤级别概率向量中第i个元素的值， 为所述样本数据对应的损伤级别概率向量的预测值中第i个元素的值；其中，已完成训练的所述原始神经网络模型的预测误差用于标识已完成训练的所述原始神经网络模型的车辆定损准确度；

将所述原始神经网络模型的预测误差与预设误差阈值进行比较，基于比较结果确定对所述原始神经网络模型的验证结果；其中，若所述比较结果为所述原始神经网络模型的预测误差小于或等于所述预设误差阈值，则确定所述验证结果为验证通过；若所述比较结果为所述原始神经网络模型的预测误差大于所述预设误差阈值，则确定所述验证结果为验证未通过；

若验证通过，则将已完成训练的所述原始神经网络模型确定为预设神经网络模型；

获取待定损的事故车辆的定损评估图像序列；所述定损评估图像序列为从所述事故车辆的各个预设方位对所述事故车辆进行拍摄得到的定损评估图像；

通过预设神经网络模型的特征提取层对所述定损评估图像序列中的各个所述定损评估图像进行特征提取，得到各个所述定损评估图像的特征向量；

在所述预设神经网络模型的概率计算层基于所有所述定损评估图像的特征向量，确定所述事故车辆的损伤级别概率向量；所述损伤级别概率向量中的每个元素的值用于标识所述事故车辆属于该元素对应的预设损伤级别的概率；

将所述损伤级别概率向量中值最大的元素对应的预设损伤级别确定为所述事故车辆的损伤级别；

所述通过预设神经网络模型的特征提取层对所述定损评估图像序列中的各个所述定损评估图像进行特征提取，得到各个所述定损评估图像的特征向量，包括：在所述特征提取层基于所述定损评估图像中各像素点的位置信息与像素值的对应关系，确定所述定损评估图像对应的图像矩阵，并通过预设卷积核对所述图像矩阵进行卷积处理，得到所述定损评估图像的特征向量；其中，所述定损评估图像是由多个像素点排列而成的二维矩阵，所述定损评估图像中各像素点的位置信息用于描述各像素点在该二维矩阵中所处的行列次序，所述定损评估图像中的每个像素点均对应一个三维像素值，该三维像素值包含像素点在R、G、B三个颜色通道上的值；

其中，将定损评估图像对应的图像矩阵与预设卷积核进行卷积处理的具体过程为：采用预设卷积核在图像矩阵上以预设步长从左至右、从上至下进行滑动，在每个滑动到的位置上，将预设卷积核与图像矩阵中相应位置的元素构成的子矩阵进行相乘，将相乘结果作为定损评估图像的特征向量中相应位置的元素的值，预设卷积核在定损评估图像对应的图像矩阵上滑动完成后，定损评估图像的特征向量中各元素的值则均已确定；所述在所述预设神经网络模型的概率计算层基于所有所述定损评估图像的特征向量，确定所述事故车辆的损伤级别概率向量，包括：在所述概率计算层基于预先学习到的各个预设定损评估图像的特征向量相对于各个所述预设损伤级别的权重系数，确定所述事故车辆的各个所述定损评估图像的特征向量相对于各个所述预设损伤级别的权重系数；

分别基于所述事故车辆的各个所述定损评估图像的特征向量相对于每一所述预设损伤级别的权重系数，将所述事故车辆的各个所述定损评估图像的特征向量进行加权求和，得到所述事故车辆的损伤级别概率向量。

3.一种服务器，其特征在于，用于实现如权利要求1所述的基于神经网络的车辆定损方法，所述服务器包括：第一获取单元，用于获取待定损的事故车辆的定损评估图像序列；所述定损评估图像序列为从所述事故车辆的各个预设方位对所述事故车辆进行拍摄得到的定损评估图像；

特征提取单元，用于通过预设神经网络模型的特征提取层对所述定损评估图像序列中的各个所述定损评估图像进行特征提取，得到各个所述定损评估图像的特征向量；

第一确定单元，用于在所述预设神经网络模型的概率计算层基于所有所述定损评估图像的特征向量，确定所述事故车辆的损伤级别概率向量；所述损伤级别概率向量中的每个元素的值用于标识所述事故车辆属于该元素对应的预设损伤级别的概率；

第二确定单元，用于将所述损伤级别概率向量中值最大的元素对应的预设损伤级别确定为所述事故车辆的损伤级别；

所述特征提取单元具体用于：

在所述特征提取层基于所述定损评估图像中各像素点的位置信息与像素值的对应关系，确定所述定损评估图像对应的图像矩阵，并通过预设卷积核对所述图像矩阵进行卷积处理，得到所述定损评估图像的特征向量；其中，所述定损评估图像是由多个像素点排列而成的二维矩阵，所述定损评估图像中各像素点的位置信息用于描述各像素点在该二维矩阵中所处的行列次序，所述定损评估图像中的每个像素点均对应一个三维像素值，该三维像素值包含像素点在R、G、B三个颜色通道上的值；

其中，将定损评估图像对应的图像矩阵与预设卷积核进行卷积处理的具体过程为：采用预设卷积核在图像矩阵上以预设步长从左至右、从上至下进行滑动，在每个滑动到的位置上，将预设卷积核与图像矩阵中相应位置的元素构成的子矩阵进行相乘，将相乘结果作为定损评估图像的特征向量中相应位置的元素的值，预设卷积核在定损评估图像对应的图像矩阵上滑动完成后，定损评估图像的特征向量中各元素的值则均已确定；

所述第一确定单元包括：权重确定单元及概率确定单元，其中：

所述权重确定单元用于在所述概率计算层基于预先学习到的各个预设定损评估图像的特征向量相对于各个所述预设损伤级别的权重系数，确定所述事故车辆的各个所述定损评估图像的特征向量相对于各个所述预设损伤级别的权重系数；

所述概率确定单元用于分别基于所述事故车辆的各个所述定损评估图像的特征向量相对于每一所述预设损伤级别的权重系数，将所述事故车辆的各个所述定损评估图像的特征向量进行加权求和，得到所述事故车辆的损伤级别概率向量。

4.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1所述方法的步骤。