CN105719188A - 基于多张图片一致性实现保险理赔反欺诈的方法及服务器 - Google Patents

基于多张图片一致性实现保险理赔反欺诈的方法及服务器 Download PDF

Info

Publication number
CN105719188A
CN105719188A CN201610046584.5A CN201610046584A CN105719188A CN 105719188 A CN105719188 A CN 105719188A CN 201610046584 A CN201610046584 A CN 201610046584A CN 105719188 A CN105719188 A CN 105719188A
Authority
CN
China
Prior art keywords
photo
setting loss
picture
vehicle
packet
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610046584.5A
Other languages
English (en)
Other versions
CN105719188B (zh
Inventor
王健宗
李虹杰
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201610046584.5A priority Critical patent/CN105719188B/zh
Publication of CN105719188A publication Critical patent/CN105719188A/zh
Priority to SG11201800342XA priority patent/SG11201800342XA/en
Priority to JP2018524765A priority patent/JP6452186B2/ja
Priority to US15/736,352 priority patent/US10410292B2/en
Priority to EP17741021.4A priority patent/EP3407229A4/en
Priority to PCT/CN2017/071318 priority patent/WO2017124990A1/zh
Priority to AU2017209231A priority patent/AU2017209231B2/en
Priority to KR1020187019505A priority patent/KR102138082B1/ko
Application granted granted Critical
Publication of CN105719188B publication Critical patent/CN105719188B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Image Analysis (AREA)

Abstract

一种基于多张图片一致性实现保险理赔反欺诈的方法，包括：将相同车辆部位的定损照片分为同一集合；获得各集合的关键点特征，对各照片集合的定损照片进行分组，为各分组中的定损照片分别匹配出多个相关关键点；根据各分组的相关关键点，计算出各分组的特征点变换矩阵，并利用对应的特征点变换矩阵，将每一个分组中的其中一张照片转换成与该组另一张照片具有相同拍摄角度的待验证照片；将所述待验证照片与该分组中的另一张照片进行特征参数匹配；及当特征参数不匹配时，生成提醒信息以提醒接收的图片存在欺诈行为。本发明还提供一种适用于上述方法的服务器。本发明能够自动识别欺诈的理赔行为。

Description

基于多张图片一致性实现保险理赔反欺诈的方法及服务器
技术领域
本发明涉及金融服务技术领域，特别是一种基于多张图片一致性实现保险理赔反欺诈的方法及服务器。
背景技术
目前在车险行业，车辆受损图片需要人工检测是否被篡改过，时间成本高，检测效率低，且精确度不能保证。此外，鉴于目前的PS技术发展，很多被修改的图片是难以通过肉眼很快察觉的，尤其是面对多张图片且不确定被篡改区域的位置时。
发明内容
鉴于以上内容，有必要提供一种基于多张图片一致性实现保险理赔反欺诈的方法及服务器，其能够自动识别欺诈的理赔行为。
一种基于多张图片一致性实现保险理赔反欺诈的方法，该方法包括：
接收用户通过终端上传的多张从不同拍摄角度拍摄的车辆的定损照片；
利用一分析模型，分析出各个定损照片对应的车辆部位，并对所述定损照片进行分类，以将相同车辆部位的定损照片分为同一照片集合；
对各个照片集合中的定损照片执行关键点检测，获得各个照片集合对应的车辆部位的关键点特征；
对各个照片集合的定损照片分别进行两两分组，根据一关键点匹配算法，将各个集合对应的关该键点特征与该集合的各分组中的照片进行关键点匹配，为各个分组中的定损照片分别匹配出至少一组相关关键点；
根据各个分组对应的相关关键点，利用一线性方程计算出各个分组对应的特征点变换矩阵，并利用对应的特征点变换矩阵，将每一个分组中的其中一张照片转换成与该组另一张照片具有相同拍摄角度的待验证照片；
将所述待验证照片与该分组中的另一张照片进行特征参数匹配；及
在待验证照片与该分组中的另一张照片进行特征参数不匹配时，生成提醒信息以提醒接收的图片存在欺诈行为。
优选地，所述接收用户通过终端上传的多张从不同拍摄角度拍摄的车辆的定损照片的步骤包括：
识别出所接收的车辆的定损照片中物体的阴影，根据该阴影分析出照片的拍摄角度，其中，物体阴影方向的正前方即是镜头方向，镜头方向与物体平面所呈的夹角为拍摄角度；及
当所接收的车辆的定损照片的拍摄角度相同时，生成并发送从不同角度继续采集定损照片的提醒信息给所述终端。
优选地，该方法还包括通过下述方法生成所述分析模型：
收集车辆不同部位的照片并标注相关部位，其中，所述车辆部位包括车头、车尾、及左右侧面；及
利用卷积神经网络对已经标注出的汽车具体部位的图片进行训练，得到所述能够准确判断出一张图片属于车辆的具体部位的分析模型，其中，在模型训练过程中，采用cross-validation的方法，分多次进行训练和评估，每次从已经标注出的汽车具体部位的图片中抽取预设数量的图片作为测试数据，另外的数量的图片作为训练数据。
优选地，所述关键点检测采用SIFT关键点特征检测方法。
优选地，所述关键点匹配算法为RANSAC算法。
一种适用于上述方法的服务器，该服务器包括存储设备以及处理器，其中：
所述存储设备，存储有一个基于多张图片一致性实现保险理赔反欺诈的系统；
所述处理器，用于调用并执行所述基于多张图片一致性实现保险理赔反欺诈的系统，以执行如下步骤：
接收用户通过终端上传的多张从不同拍摄角度拍摄的车辆的定损照片；
利用一分析模型，分析出各个定损照片对应的车辆部位，并对所述定损照片进行分类，以将相同车辆部位的定损照片分为同一照片集合；
对各个照片集合中的定损照片执行关键点检测，获得各个照片集合对应的车辆部位的关键点特征；
对各个照片集合的定损照片分别进行两两分组，根据一关键点匹配算法，将各个集合对应的关该键点特征与该集合的各分组中的照片进行关键点匹配，为各个分组中的定损照片分别匹配出至少一组相关关键点；
根据各个分组对应的相关关键点，利用一线性方程计算出各个分组对应的特征点变换矩阵，并利用对应的特征点变换矩阵，将每一个分组中的其中一张照片转换成与该组另一张照片具有相同拍摄角度的待验证照片；
将所述待验证照片与该分组中的另一张照片进行特征参数匹配；及
在待验证照片与该分组中的另一张照片进行特征参数不匹配时，生成提醒信息以提醒接收的图片存在欺诈行为。
优选地，所述接收用户通过终端上传的多张从不同拍摄角度拍摄的车辆的定损照片的步骤包括：
识别出所接收的车辆的定损照片中物体的阴影，根据该阴影分析出照片的拍摄角度，其中，物体阴影方向的正前方即是镜头方向，镜头方向与物体平面所呈的夹角为拍摄角度；及
当所接收的车辆的定损照片的拍摄角度相同时，生成并发送从不同角度继续采集定损照片的提醒信息给所述终端。
优选地，所述处理器还执行通过下述方法生成所述分析模型：
收集车辆不同部位的照片并标注相关部位，其中，所述车辆部位包括车头、车尾、及左右侧面；及
利用卷积神经网络对已经标注出的汽车具体部位的图片进行训练，得到所述能够准确判断出一张图片属于车辆的具体部位的分析模型，其中，在模型训练过程中，采用cross-validation的方法，分多次进行训练和评估，每次从已经标注出的汽车具体部位的图片中抽取预设数量的图片作为测试数据，另外的数量的图片作为训练数据。
优选地，所述关键点检测采用SIFT关键点特征检测方法。
优选地，所述关键点匹配算法为RANSAC算法。
利用本发明所述基于多张图片一致性实现保险理赔反欺诈的方法及服务器，当发生车祸在修理厂进行损失核定的时候，需要车主及/或修理厂拍摄车辆部位多张不同角度的图片，并通过对比多张不同角度的图片，进行空间变换，对比辆部位是否一致，防止车主和修理厂可能通过篡改车损图片，夸大损失程度进行骗保的情况。
附图说明
图1是本发明基于多张图片一致性实现保险理赔反欺诈的系统较佳实施例的硬件环境图。
图2是本发明基于多张图片一致性实现保险理赔反欺诈的系统较佳实施例的功能模块图。
图3包括图3A及图3B是本发明基于多张图片一致性实现保险理赔反欺诈的方法较佳实施例的方法实施流程图。
图4是本发明基于多张图片一致性实现保险理赔反欺诈的方法较佳实施例中分析车辆各个部位照片的分析模型的方法流程图。
具体实施方式
参阅图1所示，是本发明基于多张图片一致性实现保险理赔反欺诈的系统较佳实施例的硬件环境图。
本实施例所述基于多张图片一致性实现保险理赔反欺诈的系统(以下简称为“保险理赔反欺诈系统”)10可以安装并运行于一个服务器1中。该服务器1可以是一个理赔服务器。所述理赔服务器1可以通过通讯模块(未图示)与至少一台终端2通讯连接，以接收终端2的用户，如车主和修理厂，提交的车辆受损部位的定损照片。所述终端3可以是个人电脑、智能手机、平板电脑等设备。
所述服务器1可以包括有存储设备以及处理器(未图示)。所述存储设备可以是一个或者多个非易失性存储单元，如ROM、EPROM或FlashMemory(快闪存储单元)等。所述存储设备可以内置或者外接于服务器1。所述处理器是服务器1的运算核心(CoreUnit)和控制核心(ControlUnit)，用于解释计算机指令以及处理计算机软件中的数据。
本实施例中，所述保险理赔反欺诈系统10可以是一种计算机软件，其包括计算机可执行的程序代码，该程序代码可以存储于所述存储设备中，在处理器的执行下，实现下述功能：根据用户，如车主及/或修理厂，拍摄及发送的车辆受损部位的多张不同角度的定损照片，通过对比该多张不同角度的图片，并进行空间变换，对比受损部位是否一致，从而执行定损照片是否被篡改的检验。
本实施例中，为了进行针对多张定损照片中的受损部位的篡改检测，所述保险理赔反欺诈系统10需要实现以下功能，即图片收集和标注，深度学习训练，照片相同部位归类，关键点检测，立体重建，对比损失部位并给出反馈。
所述图片收集和标注需要收集不同的车辆图片并标注相关部位，如车头、车尾、左右侧面等几个大类。本实施例中，可以从一与服务器1连接的车险理赔数据库3中收集不同的车辆图片。所述车险理赔数据库3可以存储各个修理厂在对车辆进行定损时拍摄的照片，并存储有车辆预设部位分类与定损照片的映射关系或标签数据。
所述深度学习训练主要利用卷积神经网络(CNN)对已经标注出的汽车具体部位的图片进行训练，从而能够准确判断出一张图片属于车辆的具体部位。在训练过程中，可以采用cross-validation的方法，分多次，如五次，进行训练和评估，每次从已经标注出的汽车具体部位的图片中抽取20％作为测试数据，另外的80％作为训练数据。通过cross-validation，可以确保在数据量相对较少的情况下，获得更为客观的评价指标。
所述照片相同部位归类是对照片相同部位的归类，即当接收到用户传送的定损照片时，利用上述通过深度学习训练好的分析模型，判断每张图片属于车辆的具体部位，并将相同的部位分类在一起。
所述关键点检测是SIFT(Scale-invariantfeaturetransform)关键点检测。SIFT是一个局部特征描述子，具备大小、方向、关照特征无关性。由于图像的拍摄角度、距离不同，会导致图片大小、方向特征不同，利用SIFT关键点，可以有效的检测出不同照片的相同部位，如车灯、车门等，而不受关照、拍摄角度等因素影响。
所述立体重建(StereoReconstruction)首先将每个车辆部位的照片两两分组，然后利用上述检测出的SIFT关键点进行匹配，选出与每个车辆部位最匹配的关键点，然后根据所述关键点的相关性计算出一转换矩阵FundamentalMatrixF。
所述对比损失部位并给出反馈是利用上述计算出来的转换矩阵，将两两分组中的一张图片转换到另一张图片的角度，并且匹配两张照片的颜色、纹理等特征，如果发现较大程度的不吻合，则证明两张图片中至少一张是PS过的，将其反馈给工作人员，从而避免车险欺诈事件发生。
参阅图2所示，是本发保险理赔反欺诈系统较佳实施例的功能模块图。
本发明所述保险理赔反欺诈系统10的程序代码根据其不同的功能，可以划分为多个功能模块。本发明较佳实施例中，所述保险理赔反欺诈系统10可以包括模型训练模块100、照片接收模块101、分类模块102、关键点检测模块103、重建模块104及验证模块105。
所述模型训练模块100用于从一车险理赔数据库3获取车辆各个部位的预设数量的照片，按照预设的模型生成规则，基于获取的车辆各个部位的照片，生成用于分析车辆各个部位照片的分析模型，并存储上述分析模型。
本实施例中，所述模型训练模块100根据车辆预设部位分类(例如，所述车辆预设部位分类包括车前方、侧面、车尾、整体等)，从车险理赔数据库3(例如，所述车险理赔数据库3存储有车辆预设部位分类与定损照片的映射关系或标签数据，所述定损照片指的是修理厂在定损时拍摄的照片)获取各个预设部位对应的预设数量(例如，10万张)的照片(例如，获取10万张车前方的照片)。
进一步，所述模型训练模块100按照预设的模型生成规则，基于获取的车辆各个预设部位分类对应的照片，生成用于分析车辆各个部位照片的分析模型(例如，基于车前方对应的预设数量的定损照片，生成用于分析定损照片包含的车损部位为车前方的分析模型；基于侧面对应的预设数量定损照片，生成用于分析定损照片包含车损部位为侧面的分析模型；基于车尾对应的预设数量定损照片，生成用于分析定损照片包含车损部位为车尾的分析模型；基于整车对应的预设数量定损照片，生成用于分析定损照片包含车损部位为整车的分析模型)。
其中，所述分析模型为卷积神经网络(CNN)模型，所述预设的模型生成规则为：对获取的车辆各个部位的预设数量的照片进行预处理，以将获取的照片的格式转化为预设格式(例如，leveldb格式)；利用格式转化后的照片，训练CNN模型。
具体的训练过程如下：训练开始前，随机且均匀地生成CNN网络内各权重的初始值(例如-0.05至0.05；采用随机梯度下降法对CNN模型进行训练。整个训练过程可分为向前传播和向后传播两个阶段。在向前传播阶段，模型训练模块100从训练数据集中随机提取样本，输入CNN网络进行计算，并得到实际计算结果。在向后传播过程中，模型训练模块100计算实际结果与期望结果(即标签值)的差值，然后利用误差最小化定位方法反向调整各权重的值，同时计算该调整产生的有效误差。训练过程反复迭代若干次(例如，100次)，当模型整体有效误差小于预先设定的阈值(例如正负0.01)时，训练结束。
优选地，为了保证CNN模型的识别精度，所述模型结构分为六层，分别是用于对照片进行基本特征(例如，线条、颜色等)提取的特征提取层，用于结构特征提取的特征组合层，用于识别位移、缩放及扭曲的二维图形特征的特征采样层，及三层用于通过采样降低实际特征计算规模的子抽样层；所述特征组合层设于所述特征提取层的后面，特征采样层设于特征组合层后面，所述子抽样层分别设于所述特征提取层、特征组合层和特征采样层的后面。
所述照片接收模块101用于在车辆发生车祸在修理厂进行损失核定时，接收用户，如车主和修理厂，通过终端2上传的定损照片，分析上传的各个定损照片的拍摄角度是否相同，并在角度相同时，生成并发送从不同角度继续采集定损照片的提醒信息给所述终端2。所述提醒信息可以是，例如，当前上传的定损照片有Y张拍摄角度相同，请继续从其他角度采集Y-1张定损照片。本实施例可以通过下述方法分析照片的拍摄角度：识别出照片中物体的阴影，物体阴影方向的正前方即是镜头方向，镜头方向与物体平面所呈的夹角即作为拍摄角度。
所述分类模块102用于利用上述模型训练模块100训练出来的分析模型，分析出各个定损照片对应的车辆部位，并对所述定损照片进行分类，以将相同车辆部位的定损照片分为同一照片集合，并在一照片集合中的定损照片的数量小于预设数量时，生成并发送从不同角度继续采集该照片集合对应的车辆部位的定损照片的提醒信息给所述终端2。所述提醒信息可以是，例如，当前定损部位X的定损照片缺少Z张，请继续从其他角度采集Z张定损部位X的定损照片。
所述关键点检测模块103用于对各个照片集合中的定损照片执行关键点检测，获得各个照片集合对应的车辆部位的关键点特征。本实施例中，所述(关键点检测可以采用SIFT(Scale-invariantfeaturetransform，尺度不变特征变换)关键点特征检测方法。所述SIFT是一个局部特征描述子，SIFT关键点特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。
所述重建模块104用于利用预设的重建方法，对各个照片集合的定损照片分别进行两两分组，根据一关键点匹配算法，将各个集合对应的关该键点特征与该集合的各分组中的照片进行关键点匹配，为各个分组中的定损照片分别匹配出至少一组相关关键点，并根据各个分组对应的相关关键点，利用一线性方程计算出各个分组对应的特征点变换矩阵。
本实施例中，所述重建方法可以是StereoReconstruction(立体重构)方法。所述关键点匹配算法可以是，例如，RANSAC(RandomSampleConsensus)算法。
实施例中，所述重建模块104为各个分组中的定损照片分别对应匹配出至少一组预设数量(例如，8个)的相关关键点。例如，B1和B2两张照片被分为一组，B1和B2各有至少一组预设数量的关键点被匹配出来，B1被匹配出的关键点与B2被匹配出的关键点相关且一一对应，例如，对应同一位置的多个关键点相互之间是相关关系且一一对应。
实施例中，所述重建模块104根据各个分组对应的各组相关关键点，利用预设的线性方程计算出各个分组对应的特征点变换矩阵。例如，根据B1，B2两张照片相关关键点计算出从照片B1转换到照片B2对应的特征点变换矩阵，从而能够完成立体重构(例如，StereoReconstruction)。所述特征点变换矩阵可以是FundamentalMatrix。FundamentalMatrix的作用是将一副图像的特征点通过矩阵变换，转换成为另一幅图像的相关特征点。
本实施例中，所述线性方程可以是：
X i m , A T FX i m , B = 0 ,
展开可得:
u ′ v ′ 1 f 11 f 12 f 13 f 21 f 22 f 23 f 31 f 32 f 33 u v 1 = 0 ,
经过数学变换，可得特征点变换矩阵F，特征点变换矩阵F需满足以下条件：
u , 1 u 1 u , 2 v 1 u , 1 v , 1 u 1 v , 1 v 1 v , 1 u 1 v 1 1 f 11 f 12 f 13 f 21 f 22 f 23 f 31 f 32 f 33 = 0.
该线性方程可以通过上述匹配出来的8个的相关关键点解出，从而求得两幅图像之间的空间变换关系F。
所述验证模块105用于对每一分组的两张定损照片进行参数验证。所述参数验证包括：选择一分组，利用该分组对应的特征点变换矩阵，将该分组中的其中一张照片转换成与该组另一张照片具有相同拍摄角度的待验证照片，将所述待验证照片与该分组中的另一张照片进行特征参数匹配，所述参数包括颜色、纹理等特征，当有参数不匹配，例如，若有相同特征的颜色值差异大于预设颜色阈值，则判定颜色特征参数不匹配；若有相同特征的纹理的相似度小于预设相似度阈值“例如，90％”，则判定纹理特征参数不匹配等，则该分组中的两张照片验证不通过，并生成欺诈风险提醒信息，并发送给预先确定的终端2。例如，所述欺诈风险提醒信息可以为：该终端上传的照片B1和B2验证不通过，请注意伪造风险。
参阅图3所示，是本发明基于多张图片一致性实现保险理赔反欺诈的方法较佳实施例的方法实施流程图。本实施例所述基于多张图片一致性实现保险理赔反欺诈的方法并不限于流程图中所示步骤，此外流程图中所示步骤中，某些步骤可以省略、步骤之间的顺序可以改变。
步骤S10，在车辆发生车祸在修理厂进行损失核定时，照片接收模块101接收用户，如车主和修理厂，通过终端2上传的定损照片。
步骤S11，照片接收模块101分析上传的各个定损照片的拍摄角度是否相同。本实施例可以通过下述方法分析照片的拍摄角度：识别出照片中物体的阴影，物体阴影方向的正前方即是镜头方向，镜头方向与物体平面所呈的夹角即作为拍摄角度。
当拍摄角度相同时，执行步骤S12，及在拍摄角度不相同时，执行步骤S13。
步骤S12，照片接收模块101生成并发送从不同角度继续采集定损照片的提醒信息给所述终端2。所述提醒信息可以是，例如，当前上传的定损照片有Y张拍摄角度相同，请继续从其他角度采集Y-1张定损照片。
步骤S13，分类模块102利用一分析模型，分析出各个定损照片对应的车辆部位，并对所述定损照片进行分类，以将相同车辆部位的定损照片分为同一照片集合。
步骤S14，分类模块102判断任意一照片集合中的定损照片的数量是否小于预设数量，如3张。当一照片集合中的定损照片的数量小于预设数量时，执行步骤S15，及当任意一照片集合中的定损照片的数量都没有小于预设数量时，执行步骤S16。
步骤S15，分类模块102生成并发送从不同角度继续采集该照片集合对应的车辆部位的定损照片的提醒信息给所述终端2。所述提醒信息可以是，例如，当前定损部位X的定损照片缺少Z张，请继续从其他角度采集Z张定损部位X的定损照片。
步骤S16，关键点检测模块103对各个照片集合中的定损照片执行关键点检测，获得各个照片集合对应的车辆部位的关键点特征。
本实施例中，所述(关键点检测可以采用SIFT(Scale-invariantfeaturetransform，尺度不变特征变换)关键点特征检测方法。所述SIFT是一个局部特征描述子，SIFT关键点特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。
步骤S17，重建模块104对各个照片集合的定损照片分别进行两两分组。
步骤S18，重建模块104根据一关键点匹配算法，将各个集合对应的关该键点特征与该集合的各分组中的照片进行关键点匹配，为各个分组中的定损照片分别匹配出至少一组相关关键点。
所述关键点匹配算法可以是，例如，RANSAC(RandomSampleConsensus)算法。
实施例中，所述重建模块104为各个分组中的定损照片分别对应匹配出至少一组预设数量(例如，8个)的相关关键点。例如，B1和B2两张照片被分为一组，B1和B2各有至少一组预设数量的关键点被匹配出来，B1被匹配出的关键点与B2被匹配出的关键点相关且一一对应，例如，对应同一位置的多个关键点相互之间是相关关系且一一对应。
步骤S19，重建模块104根据各个分组对应的相关关键点，利用一线性方程计算出各个分组对应的特征点变换矩阵。例如，根据B1，B2两张照片相关关键点计算出从照片B1转换到照片B2对应的特征点变换矩阵，从而能够完成立体重构(例如，StereoReconstruction)。
所述特征点变换矩阵可以是FundamentalMatrix。FundamentalMatrix的作用是将一副图像的特征点通过矩阵变换，转换成为另一幅图像的相关特征点。
本实施例中，所述线性方程可以是：
X i m , A T FX i m , B = 0 ,
展开可得:
u ′ v ′ 1 f 11 f 12 f 13 f 21 f 22 f 23 f 31 f 32 f 33 u v 1 = 0
经过数学变换，可得特征点变换矩阵F，特征点变换矩阵F需满足以下条件：
u , 1 u 1 u , 2 v 1 u , 1 v , 1 u 1 v , 1 v 1 v , 1 u 1 v 1 1 f 11 f 12 f 13 f 21 f 22 f 23 f 31 f 32 f 33 = 0.
该线性方程可以通过上述匹配出来的8个的相关关键点解出，从而求得两幅图像之间的空间变换关系F。
步骤S20，验证模块105选择其中一分组，利用对应的特征点变换矩阵，将该分组中的其中一张照片转换成与该组另一张照片具有相同拍摄角度的待验证照片。
步骤S21，验证模块105将所述待验证照片与该分组中的另一张照片进行特征参数匹配。所述参数包括颜色、纹理等特征。
步骤S22，验证模块105判断是否有参数不匹配。例如，若有相同特征的颜色值差异大于预设颜色阈值，则判定颜色特征参数不匹配；若有相同特征的纹理的相似度小于预设相似度阈值“例如，90％”，则判定纹理特征参数不匹配等。
当有参数不匹配时，执行步骤S23。当没有参数不匹配时，执行步骤S24。
步骤S23，验证模块105生成欺诈风险提醒信息，并将该欺诈风险提醒信息发送给预先确定的终端2。例如，所述欺诈风险提醒信息可以为：该终端上传的照片B1和B2验证不通过，请注意伪造风险。
步骤S24，验证模块105判断是否存在没有进行验证的分组照片。若存在没有进行验证的分组照片，则返回上述的步骤20。否则，若不存在没有进行验证的分组照片，则结束流程。
参阅图4所述，是本发明基于多张图片一致性实现保险理赔反欺诈的方法较佳实施例中分析车辆各个部位照片的分析模型的方法流程图。本实施例所述分析车辆各个部位照片的分析模型的方法流程图并不限于流程图中所示步骤，此外流程图中所示步骤中，某些步骤可以省略、步骤之间的顺序可以改变。
步骤S00，模型训练模块100从一车险理赔数据库3获取车辆各个部位的预设数量的照片。本实施例中，所述模型训练模块100根据车辆预设部位分类(例如，所述车辆预设部位分类包括车前方、侧面、车尾、整体等)，从车险理赔数据库3(例如，所述车险理赔数据库3存储有车辆预设部位分类与定损照片的映射关系或标签数据，所述定损照片指的是修理厂在定损时拍摄的照片)获取各个预设部位对应的预设数量(例如，10万张)的照片(例如，获取10万张车前方的照片)。
步骤S01，模型训练模块100按照预设的模型生成规则，基于获取的车辆各个部位的照片，生成用于分析车辆各个部位照片的分析模型。例如，基于车前方对应的预设数量的定损照片，生成用于分析定损照片包含的车损部位为车前方的分析模型；基于侧面对应的预设数量定损照片，生成用于分析定损照片包含车损部位为侧面的分析模型；基于车尾对应的预设数量定损照片，生成用于分析定损照片包含车损部位为车尾的分析模型；基于整车对应的预设数量定损照片，生成用于分析定损照片包含车损部位为整车的分析模型等。
其中，所述分析模型为卷积神经网络(CNN)模型，所述预设的模型生成规则为：对获取的车辆各个部位的预设数量的照片进行预处理，以将获取的照片的格式转化为预设格式(例如，leveldb格式)；利用格式转化后的照片，训练CNN模型。
具体的训练过程如下：训练开始前，随机且均匀地生成CNN网络内各权重的初始值(例如-0.05至0.05；采用随机梯度下降法对CNN模型进行训练。整个训练过程可分为向前传播和向后传播两个阶段。在向前传播阶段，模型训练模块100从训练数据集中随机提取样本，输入CNN网络进行计算，并得到实际计算结果。在向后传播过程中，模型训练模块100计算实际结果与期望结果(即标签值)的差值，然后利用误差最小化定位方法反向调整各权重的值，同时计算该调整产生的有效误差。训练过程反复迭代若干次(例如，100次)，当模型整体有效误差小于预先设定的阈值(例如正负0.01)时，训练结束。
优选地，为了保证CNN模型的识别精度，所述模型结构分为六层，分别是用于对照片进行基本特征(例如，线条、颜色等)提取的特征提取层，用于结构特征提取的特征组合层，用于识别位移、缩放及扭曲的二维图形特征的特征采样层，及三层用于通过采样降低实际特征计算规模的子抽样层；所述特征组合层设于所述特征提取层的后面，特征采样层设于特征组合层后面，所述子抽样层分别设于所述特征提取层、特征组合层和特征采样层的后面。
步骤S02，模型训练模块100存储上述分析模型。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于多张图片一致性实现保险理赔反欺诈的方法，其特征在于，该方法包括：
接收用户通过终端上传的多张从不同拍摄角度拍摄的车辆的定损照片；
利用一分析模型，分析出各个定损照片对应的车辆部位，并对所述定损照片进行分类，以将相同车辆部位的定损照片分为同一照片集合；
对各个照片集合中的定损照片执行关键点检测，获得各个照片集合对应的车辆部位的关键点特征；
对各个照片集合的定损照片分别进行两两分组，根据一关键点匹配算法，将各个集合对应的关该键点特征与该集合的各分组中的照片进行关键点匹配，为各个分组中的定损照片分别匹配出至少一组相关关键点；
根据各个分组对应的相关关键点，利用一线性方程计算出各个分组对应的特征点变换矩阵，并利用对应的特征点变换矩阵，将每一个分组中的其中一张照片转换成与该组另一张照片具有相同拍摄角度的待验证照片；
将所述待验证照片与该分组中的另一张照片进行特征参数匹配；及
在待验证照片与该分组中的另一张照片进行特征参数不匹配时，生成提醒信息以提醒接收的图片存在欺诈行为。
2.如权利要求1所述的方法，其特征在于，所述接收用户通过终端上传的多张从不同拍摄角度拍摄的车辆的定损照片的步骤包括：
识别出所接收的车辆的定损照片中物体的阴影，根据该阴影分析出照片的拍摄角度，其中，物体阴影方向的正前方即是镜头方向，镜头方向与物体平面所呈的夹角为拍摄角度；及
当所接收的车辆的定损照片的拍摄角度相同时，生成并发送从不同角度继续采集定损照片的提醒信息给所述终端。
3.如权利要求1所述的方法，其特征在于，该方法还包括通过下述方法生成所述分析模型：
收集车辆不同部位的照片并标注相关部位，其中，所述车辆部位包括车头、车尾、及左右侧面；及
利用卷积神经网络对已经标注出的汽车具体部位的图片进行训练，得到所述能够准确判断出一张图片属于车辆的具体部位的分析模型，其中，在模型训练过程中，采用cross-validation的方法，分多次进行训练和评估，每次从已经标注出的汽车具体部位的图片中抽取预设数量的图片作为测试数据，另外的数量的图片作为训练数据。
4.如权利要求1所述的方法，其特征在于，所述关键点检测采用SIFT关键点特征检测方法。
5.如权利要求1所述的方法，其特征在于，所述关键点匹配算法为RANSAC算法。
6.一种适用于权利要求1至5任一项所述方法的服务器，其特征在于，该服务器包括存储设备以及处理器，其中：
所述存储设备，存储有一个基于多张图片一致性实现保险理赔反欺诈的系统；
所述处理器，用于调用并执行所述基于多张图片一致性实现保险理赔反欺诈的系统，以执行如下步骤：
接收用户通过终端上传的多张从不同拍摄角度拍摄的车辆的定损照片；
利用一分析模型，分析出各个定损照片对应的车辆部位，并对所述定损照片进行分类，以将相同车辆部位的定损照片分为同一照片集合；
对各个照片集合中的定损照片执行关键点检测，获得各个照片集合对应的车辆部位的关键点特征；
对各个照片集合的定损照片分别进行两两分组，根据一关键点匹配算法，将各个集合对应的关该键点特征与该集合的各分组中的照片进行关键点匹配，为各个分组中的定损照片分别匹配出至少一组相关关键点；
根据各个分组对应的相关关键点，利用一线性方程计算出各个分组对应的特征点变换矩阵，并利用对应的特征点变换矩阵，将每一个分组中的其中一张照片转换成与该组另一张照片具有相同拍摄角度的待验证照片；
将所述待验证照片与该分组中的另一张照片进行特征参数匹配；及
在待验证照片与该分组中的另一张照片进行特征参数不匹配时，生成提醒信息以提醒接收的图片存在欺诈行为。
7.如权利要求6所述的服务器，其特征在于，所述接收用户通过终端上传的多张从不同拍摄角度拍摄的车辆的定损照片的步骤包括：
识别出所接收的车辆的定损照片中物体的阴影，根据该阴影分析出照片的拍摄角度，其中，物体阴影方向的正前方即是镜头方向，镜头方向与物体平面所呈的夹角为拍摄角度；及
当所接收的车辆的定损照片的拍摄角度相同时，生成并发送从不同角度继续采集定损照片的提醒信息给所述终端。
8.如权利要求6所述的服务器，其特征在于，所述处理器还执行通过下述方法生成所述分析模型：
收集车辆不同部位的照片并标注相关部位，其中，所述车辆部位包括车头、车尾、及左右侧面；及
利用卷积神经网络对已经标注出的汽车具体部位的图片进行训练，得到所述能够准确判断出一张图片属于车辆的具体部位的分析模型，其中，在模型训练过程中，采用cross-validation的方法，分多次进行训练和评估，每次从已经标注出的汽车具体部位的图片中抽取预设数量的图片作为测试数据，另外的数量的图片作为训练数据。
9.如权利要求6所述的服务器，其特征在于，所述关键点检测采用SIFT关键点特征检测方法。
10.如权利要求6所述的服务器，其特征在于，所述关键点匹配算法为RANSAC算法。
CN201610046584.5A 2016-01-22 2016-01-22 基于多张图片一致性实现保险理赔反欺诈的方法及服务器 Active CN105719188B (zh)

Priority Applications (8)

Application Number Priority Date Filing Date Title
CN201610046584.5A CN105719188B (zh) 2016-01-22 2016-01-22 基于多张图片一致性实现保险理赔反欺诈的方法及服务器
EP17741021.4A EP3407229A4 (en) 2016-01-22 2017-01-16 A METHOD, SYSTEM, DEVICE, AND READABLE STORAGE MEDIUM FOR REALIZING FRAUD PREVENTION DURING A CLAIM DECLARATION BASED ON COHERENCE BETWEEN MULTIPLE IMAGES
JP2018524765A JP6452186B2 (ja) 2016-01-22 2017-01-16 複数の写真の一致性に基づく保険賠償詐欺防止方法、システム、装置及び読み取り可能な記録媒体
US15/736,352 US10410292B2 (en) 2016-01-22 2017-01-16 Method, system, apparatus, and storage medium for realizing antifraud in insurance claim based on consistency of multiple images
SG11201800342XA SG11201800342XA (en) 2016-01-22 2017-01-16 Method, system, apparatus, and storage medium for realizing antifraud in insurance claim based on consistency of multiple images
PCT/CN2017/071318 WO2017124990A1 (zh) 2016-01-22 2017-01-16 基于多张图片一致性实现保险理赔反欺诈的方法、系统、设备及可读存储介质
AU2017209231A AU2017209231B2 (en) 2016-01-22 2017-01-16 Method, system, device and readable storage medium for realizing insurance claim fraud prevention based on consistency between multiple images
KR1020187019505A KR102138082B1 (ko) 2016-01-22 2017-01-16 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610046584.5A CN105719188B (zh) 2016-01-22 2016-01-22 基于多张图片一致性实现保险理赔反欺诈的方法及服务器

Publications (2)

Publication Number Publication Date
CN105719188A true CN105719188A (zh) 2016-06-29
CN105719188B CN105719188B (zh) 2017-12-26

Family

ID=56153895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610046584.5A Active CN105719188B (zh) 2016-01-22 2016-01-22 基于多张图片一致性实现保险理赔反欺诈的方法及服务器

Country Status (8)

Country Link
US (1) US10410292B2 (zh)
EP (1) EP3407229A4 (zh)
JP (1) JP6452186B2 (zh)
KR (1) KR102138082B1 (zh)
CN (1) CN105719188B (zh)
AU (1) AU2017209231B2 (zh)
SG (1) SG11201800342XA (zh)
WO (1) WO2017124990A1 (zh)

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372651A (zh) * 2016-08-22 2017-02-01 平安科技（深圳）有限公司 图片品质的检测方法及装置
CN106600421A (zh) * 2016-11-21 2017-04-26 中国平安财产保险股份有限公司 一种基于图片识别的车险智能定损方法及系统
CN106780048A (zh) * 2016-11-28 2017-05-31 中国平安财产保险股份有限公司 一种智能车险的自助理赔方法、自助理赔装置及系统
CN106803205A (zh) * 2016-12-27 2017-06-06 北京量子保科技有限公司 一种用于保险自动核赔的系统和方法
WO2017124990A1 (zh) * 2016-01-22 2017-07-27 平安科技（深圳）有限公司 基于多张图片一致性实现保险理赔反欺诈的方法、系统、设备及可读存储介质
CN107085814A (zh) * 2017-04-11 2017-08-22 武汉华创欣网科技有限公司 一种车险理赔照片的分析方法及系统
CN107194398A (zh) * 2017-05-10 2017-09-22 平安科技（深圳）有限公司 车损部位的识别方法及系统
CN107194323A (zh) * 2017-04-28 2017-09-22 阿里巴巴集团控股有限公司 车辆定损图像获取方法、装置、服务器和终端设备
CN107358596A (zh) * 2017-04-11 2017-11-17 阿里巴巴集团控股有限公司 一种基于图像的车辆定损方法、装置、电子设备及系统
CN107368776A (zh) * 2017-04-28 2017-11-21 阿里巴巴集团控股有限公司 车辆定损图像获取方法、装置、服务器和终端设备
CN108090838A (zh) * 2017-11-21 2018-05-29 阿里巴巴集团控股有限公司 识别车辆受损部件的方法、装置、服务器、客户端及系统
CN108269371A (zh) * 2017-09-27 2018-07-10 缤果可为（北京）科技有限公司 商品自动结算方法、装置、自助收银台
CN108320404A (zh) * 2017-09-27 2018-07-24 缤果可为（北京）科技有限公司 基于神经网络的商品识别方法、装置、自助收银台
CN108323209A (zh) * 2018-01-29 2018-07-24 深圳前海达闼云端智能科技有限公司 信息处理方法、系统、云处理设备以及计算机程序产品
CN108491821A (zh) * 2018-04-02 2018-09-04 深圳市亚来科技有限公司 基于图像处理和深度学习的车险事故鉴别方法、系统及存储介质
CN108573286A (zh) * 2018-05-10 2018-09-25 阿里巴巴集团控股有限公司 一种理赔业务的数据处理方法、装置、设备及服务器
CN108734702A (zh) * 2018-04-26 2018-11-02 平安科技（深圳）有限公司 车损判定方法、服务器及存储介质
CN108875648A (zh) * 2018-06-22 2018-11-23 深源恒际科技有限公司 一种基于手机视频流的实时车辆损伤和部件检测的方法
CN109410270A (zh) * 2018-09-28 2019-03-01 百度在线网络技术（北京）有限公司 一种定损方法、设备和存储介质
CN109635824A (zh) * 2018-12-14 2019-04-16 深源恒际科技有限公司 一种图像匹配深度学习方法及系统
CN109697429A (zh) * 2018-12-27 2019-04-30 睿驰达新能源汽车科技（北京）有限公司 一种确定车损的方法及装置
WO2019144690A1 (zh) * 2017-12-18 2019-08-01 上海云拿智能科技有限公司 基于影像监测的货品感知系统及货品感知方法
TWI690874B (zh) * 2018-10-24 2020-04-11 富邦產物保險股份有限公司 用於遠端現場事故影像與身份驗證的系統與方法
CN111193868A (zh) * 2020-01-09 2020-05-22 中保车服科技服务股份有限公司 车险查勘的拍照方法、装置、计算机设备和可读存储介质
CN111489433A (zh) * 2020-02-13 2020-08-04 北京百度网讯科技有限公司 车辆损伤定位的方法、装置、电子设备以及可读存储介质
JP2020525871A (ja) * 2017-07-31 2020-08-27 アリババ グループ ホウルディング リミテッド 車両保険画像処理方法、装置、サーバ、及びシステム
US10789786B2 (en) 2017-04-11 2020-09-29 Alibaba Group Holding Limited Picture-based vehicle loss assessment
US10817956B2 (en) 2017-04-11 2020-10-27 Alibaba Group Holding Limited Image-based vehicle damage determining method and apparatus, and electronic device
CN113627252A (zh) * 2021-07-07 2021-11-09 浙江吉利控股集团有限公司 一种车辆定损方法、装置、存储介质及电子设备
CN114462553A (zh) * 2022-04-12 2022-05-10 之江实验室 一种面向车险反欺诈的图像标注及要素抽取方法与系统
TWI770420B (zh) * 2019-03-07 2022-07-11 開曼群島商創新先進技術有限公司 車輛事故的鑑定方法及裝置、電子設備
CN114943908A (zh) * 2022-06-20 2022-08-26 平安科技（深圳）有限公司 基于人工智能的车身损伤取证方法、装置、设备及介质
US11544914B2 (en) 2021-02-18 2023-01-03 Inait Sa Annotation of 3D models with signs of use visible in 2D images
US11971953B2 (en) 2021-02-02 2024-04-30 Inait Sa Machine annotation of photographic images
US11983836B2 (en) 2021-02-18 2024-05-14 Inait Sa Annotation of 3D models with signs of use visible in 2D images
CN114943908B (zh) * 2022-06-20 2024-07-16 平安科技（深圳）有限公司 基于人工智能的车身损伤取证方法、装置、设备及介质

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2554361B8 (en) * 2016-09-21 2022-07-06 Emergent Network Intelligence Ltd Automatic image based object damage assessment
KR101916347B1 (ko) * 2017-10-13 2018-11-08 주식회사 수아랩 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램
CN108062712B (zh) * 2017-11-21 2020-11-06 创新先进技术有限公司 一种车险定损数据的处理方法、装置和处理设备
CN108268619B (zh) 2018-01-08 2020-06-30 阿里巴巴集团控股有限公司 内容推荐方法及装置
CN108446817B (zh) 2018-02-01 2020-10-02 阿里巴巴集团控股有限公司 确定业务对应的决策策略的方法、装置和电子设备
CN108921811B (zh) * 2018-04-03 2020-06-30 阿里巴巴集团控股有限公司 检测物品损伤的方法和装置、物品损伤检测器
US11389131B2 (en) 2018-06-27 2022-07-19 Denti.Ai Technology Inc. Systems and methods for processing of dental images
JP6578607B1 (ja) * 2018-07-18 2019-09-25 ゼアーウィンスリーサービス株式会社 タイヤパンク修理判定システム、タイヤパンクの保証申請の可否を判断する装置及び、タイヤパンクの保証申請の可否を判断する装置の作動方法
CN110569856B (zh) 2018-08-24 2020-07-21 阿里巴巴集团控股有限公司 样本标注方法及装置、损伤类别的识别方法及装置
CN110570316A (zh) 2018-08-31 2019-12-13 阿里巴巴集团控股有限公司 训练损伤识别模型的方法及装置
CN110569695B (zh) * 2018-08-31 2021-07-09 创新先进技术有限公司 基于定损图像判定模型的图像处理方法和装置
CN110569696A (zh) 2018-08-31 2019-12-13 阿里巴巴集团控股有限公司 用于车辆部件识别的神经网络系统、方法和装置
CN110569864A (zh) 2018-09-04 2019-12-13 阿里巴巴集团控股有限公司 基于gan网络的车损图像生成方法和装置
CN109635742A (zh) * 2018-12-13 2019-04-16 深源恒际科技有限公司 一种车辆图像定损中的子部件损伤识别方法
US11379967B2 (en) * 2019-01-18 2022-07-05 Kla Corporation Methods and systems for inspection of semiconductor structures with automatically generated defect features
US11710097B2 (en) 2019-03-22 2023-07-25 BlueOwl, LLC Systems and methods for obtaining incident information to reduce fraud
CN112017058A (zh) * 2019-05-30 2020-12-01 深圳市聚蜂智能科技有限公司 一种保险定损方法、装置、计算机设备和存储介质
CN110427367B (zh) * 2019-07-05 2023-02-14 中国平安财产保险股份有限公司 基于评残参数的定损方法、装置、设备及存储介质
US11676701B2 (en) 2019-09-05 2023-06-13 Pearl Inc. Systems and methods for automated medical image analysis
US10984529B2 (en) 2019-09-05 2021-04-20 Pearl Inc. Systems and methods for automated medical image annotation
US11417208B1 (en) 2019-10-29 2022-08-16 BlueOwl, LLC Systems and methods for fraud prevention based on video analytics
US11388351B1 (en) 2019-10-29 2022-07-12 BlueOwl, LLC Systems and methods for gate-based vehicle image capture
US20230012230A1 (en) * 2019-12-02 2023-01-12 Click-Ins, Ltd. Systems, methods and programs for generating damage print in a vehicle
US11055789B1 (en) 2020-01-17 2021-07-06 Pearl Inc. Systems and methods for insurance fraud detection
CN111368752B (zh) * 2020-03-06 2023-06-02 德联易控科技(北京)有限公司 车辆损伤的分析方法和装置
CN111861765B (zh) * 2020-07-29 2024-07-12 贵州力创科技发展有限公司 一种车辆保险理赔智能反欺诈方法
US11508080B2 (en) * 2020-09-15 2022-11-22 Toyota Research Institute, Inc. Systems and methods for generic visual odometry using learned features via neural camera models
US11615544B2 (en) 2020-09-15 2023-03-28 Toyota Research Institute, Inc. Systems and methods for end-to-end map building from a video sequence using neural camera models
US11494927B2 (en) 2020-09-15 2022-11-08 Toyota Research Institute, Inc. Systems and methods for self-supervised depth estimation
US11776677B2 (en) 2021-01-06 2023-10-03 Pearl Inc. Computer vision-based analysis of provider data
CN113158928B (zh) * 2021-04-27 2023-09-19 浙江云奕科技有限公司 一种基于图像识别的混凝土试块防造假方法
EP4377906A1 (en) * 2021-07-30 2024-06-05 Swiss Reinsurance Company Ltd. Optical fraud detector for automated detection of fraud in digital imaginary-based automobile claims, automated damage recognition, and method thereof

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101467153A (zh) * 2006-06-08 2009-06-24 创伤科学有限责任公司 用于获取摄影测量数据来估计碰撞严重性的方法和设备
CN101630407A (zh) * 2009-06-05 2010-01-20 天津大学 基于两视几何和图分割的伪造区域定位方法
US20130124414A1 (en) * 2008-01-18 2013-05-16 Mitek Systems Systems and methods for mobile automated clearing house enrollment
US20140229207A1 (en) * 2011-09-29 2014-08-14 Tata Consultancy Services Limited Damage assessment of an object
CN104680515A (zh) * 2014-12-30 2015-06-03 中国航天科工集团第二研究院七〇六所 一种图像真实性鉴定方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3342677B2 (ja) * 1999-06-22 2002-11-11 インターナショナル・ビジネス・マシーンズ・コーポレーション コンテンツデータ鑑定装置
JP2002198958A (ja) * 2000-10-20 2002-07-12 Fuji Photo Film Co Ltd 画像の改竄防止方法
US20020051577A1 (en) * 2000-10-20 2002-05-02 Naoto Kinjo Method of preventing falsification of image
JP2003187015A (ja) * 2001-12-20 2003-07-04 Seiko Instruments Inc 電子データ出力機器及び電子データ公証システム
JP4208561B2 (ja) * 2002-12-12 2009-01-14 キヤノン株式会社 協定支援システム及びその制御方法、プログラム
US8112325B2 (en) * 2005-09-15 2012-02-07 Manheim Investments, Inc. Method and apparatus for automatically capturing multiple images of motor vehicles and other items for sale or auction
TW200718785A (en) * 2005-11-10 2007-05-16 Toyo Boseki A process for improving the thermal stability of a composition containing a soluble coenzyme conjugated glucose dehydrogenase (GDH)
GB2440171A (en) * 2006-07-17 2008-01-23 Univ Warwick Improvements in data visualisation systems
JP4435867B2 (ja) * 2008-06-02 2010-03-24 パナソニック株式会社 法線情報を生成する画像処理装置、方法、コンピュータプログラム、および、視点変換画像生成装置
US8004576B2 (en) * 2008-10-31 2011-08-23 Digimarc Corporation Histogram methods and systems for object recognition
US20110058048A1 (en) * 2009-02-27 2011-03-10 Picosmos IL, Ltd. Apparatus, method and system for collecting and utilizing digital evidence
KR101086243B1 (ko) * 2009-06-24 2011-12-01 대한민국 디지털사진 위조 검출 방법
US8510196B1 (en) * 2012-08-16 2013-08-13 Allstate Insurance Company Feedback loop in mobile damage assessment and claims processing
US8712893B1 (en) * 2012-08-16 2014-04-29 Allstate Insurance Company Enhanced claims damage estimation using aggregate display
EP2911112B1 (en) * 2014-02-21 2019-04-17 Wipro Limited Methods for assessing image change and devices thereof
CN105719188B (zh) * 2016-01-22 2017-12-26 平安科技（深圳）有限公司 基于多张图片一致性实现保险理赔反欺诈的方法及服务器

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101467153A (zh) * 2006-06-08 2009-06-24 创伤科学有限责任公司 用于获取摄影测量数据来估计碰撞严重性的方法和设备
US20130124414A1 (en) * 2008-01-18 2013-05-16 Mitek Systems Systems and methods for mobile automated clearing house enrollment
CN101630407A (zh) * 2009-06-05 2010-01-20 天津大学 基于两视几何和图分割的伪造区域定位方法
US20140229207A1 (en) * 2011-09-29 2014-08-14 Tata Consultancy Services Limited Damage assessment of an object
CN104680515A (zh) * 2014-12-30 2015-06-03 中国航天科工集团第二研究院七〇六所 一种图像真实性鉴定方法

Cited By (62)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10410292B2 (en) 2016-01-22 2019-09-10 Ping An Technology (Shenzhen) Co., Ltd. Method, system, apparatus, and storage medium for realizing antifraud in insurance claim based on consistency of multiple images
WO2017124990A1 (zh) * 2016-01-22 2017-07-27 平安科技（深圳）有限公司 基于多张图片一致性实现保险理赔反欺诈的方法、系统、设备及可读存储介质
CN106372651A (zh) * 2016-08-22 2017-02-01 平安科技（深圳）有限公司 图片品质的检测方法及装置
CN106372651B (zh) * 2016-08-22 2018-03-06 平安科技（深圳）有限公司 图片品质的检测方法及装置
WO2018036276A1 (zh) * 2016-08-22 2018-03-01 平安科技（深圳）有限公司 图片品质的检测方法、装置、服务器及存储介质
CN106600421A (zh) * 2016-11-21 2017-04-26 中国平安财产保险股份有限公司 一种基于图片识别的车险智能定损方法及系统
CN106780048A (zh) * 2016-11-28 2017-05-31 中国平安财产保险股份有限公司 一种智能车险的自助理赔方法、自助理赔装置及系统
CN106803205A (zh) * 2016-12-27 2017-06-06 北京量子保科技有限公司 一种用于保险自动核赔的系统和方法
CN107358596A (zh) * 2017-04-11 2017-11-17 阿里巴巴集团控股有限公司 一种基于图像的车辆定损方法、装置、电子设备及系统
US10817956B2 (en) 2017-04-11 2020-10-27 Alibaba Group Holding Limited Image-based vehicle damage determining method and apparatus, and electronic device
US10789786B2 (en) 2017-04-11 2020-09-29 Alibaba Group Holding Limited Picture-based vehicle loss assessment
CN107085814A (zh) * 2017-04-11 2017-08-22 武汉华创欣网科技有限公司 一种车险理赔照片的分析方法及系统
CN112435215A (zh) * 2017-04-11 2021-03-02 创新先进技术有限公司 一种基于图像的车辆定损方法、移动终端、服务器
US11049334B2 (en) 2017-04-11 2021-06-29 Advanced New Technologies Co., Ltd. Picture-based vehicle loss assessment
CN112435215B (zh) * 2017-04-11 2024-02-13 创新先进技术有限公司 一种基于图像的车辆定损方法、移动终端、服务器
CN107368776A (zh) * 2017-04-28 2017-11-21 阿里巴巴集团控股有限公司 车辆定损图像获取方法、装置、服务器和终端设备
CN107194323A (zh) * 2017-04-28 2017-09-22 阿里巴巴集团控股有限公司 车辆定损图像获取方法、装置、服务器和终端设备
CN107368776B (zh) * 2017-04-28 2020-07-03 阿里巴巴集团控股有限公司 车辆定损图像获取方法、装置、服务器和终端设备
CN107194323B (zh) * 2017-04-28 2020-07-03 阿里巴巴集团控股有限公司 车辆定损图像获取方法、装置、服务器和终端设备
WO2018196837A1 (zh) * 2017-04-28 2018-11-01 阿里巴巴集团控股有限公司 车辆定损图像获取方法、装置、服务器和终端设备
WO2018196815A1 (zh) * 2017-04-28 2018-11-01 阿里巴巴集团控股有限公司 车辆定损图像获取方法、装置、服务器和终端设备
CN111914692B (zh) * 2017-04-28 2023-07-14 创新先进技术有限公司 车辆定损图像获取方法及装置
JP2020518078A (ja) * 2017-04-28 2020-06-18 アリババ・グループ・ホールディング・リミテッドＡｌｉｂａｂａ Ｇｒｏｕｐ Ｈｏｌｄｉｎｇ Ｌｉｍｉｔｅｄ 車両損失査定画像を取得するための方法および装置、サーバ、ならびに端末デバイス
CN111797689A (zh) * 2017-04-28 2020-10-20 创新先进技术有限公司 车辆定损图像获取方法、装置、服务器和客户端
US11151384B2 (en) 2017-04-28 2021-10-19 Advanced New Technologies Co., Ltd. Method and apparatus for obtaining vehicle loss assessment image, server and terminal device
CN111797689B (zh) * 2017-04-28 2024-04-16 创新先进技术有限公司 车辆定损图像获取方法、装置、服务器和客户端
TWI677252B (zh) * 2017-04-28 2019-11-11 香港商阿里巴巴集團服務有限公司 車輛損害圖像獲取方法、裝置、伺服器和終端設備
CN111914692A (zh) * 2017-04-28 2020-11-10 创新先进技术有限公司 车辆定损图像获取方法及装置
CN107194398A (zh) * 2017-05-10 2017-09-22 平安科技（深圳）有限公司 车损部位的识别方法及系统
CN107194398B (zh) * 2017-05-10 2018-09-25 平安科技（深圳）有限公司 车损部位的识别方法及系统
JP2020525871A (ja) * 2017-07-31 2020-08-27 アリババ グループ ホウルディング リミテッド 車両保険画像処理方法、装置、サーバ、及びシステム
JP7118082B2 (ja) 2017-07-31 2022-08-15 アドバンスド ニュー テクノロジーズ カンパニー リミテッド 車両保険画像処理方法、装置、サーバ、及びシステム
CN108269371A (zh) * 2017-09-27 2018-07-10 缤果可为（北京）科技有限公司 商品自动结算方法、装置、自助收银台
CN108320404A (zh) * 2017-09-27 2018-07-24 缤果可为（北京）科技有限公司 基于神经网络的商品识别方法、装置、自助收银台
CN108090838A (zh) * 2017-11-21 2018-05-29 阿里巴巴集团控股有限公司 识别车辆受损部件的方法、装置、服务器、客户端及系统
CN108090838B (zh) * 2017-11-21 2020-09-29 阿里巴巴集团控股有限公司 识别车辆受损部件的方法、装置、服务器、客户端及系统
WO2019144690A1 (zh) * 2017-12-18 2019-08-01 上海云拿智能科技有限公司 基于影像监测的货品感知系统及货品感知方法
US11501523B2 (en) 2017-12-18 2022-11-15 Shanghai Cloudpick Smart Technology Co., Ltd. Goods sensing system and method for goods sensing based on image monitoring
CN108323209A (zh) * 2018-01-29 2018-07-24 深圳前海达闼云端智能科技有限公司 信息处理方法、系统、云处理设备以及计算机程序产品
WO2019144416A1 (zh) * 2018-01-29 2019-08-01 深圳前海达闼云端智能科技有限公司 信息处理方法、系统、云处理设备以及计算机程序产品
CN108323209B (zh) * 2018-01-29 2023-10-31 达闼机器人股份有限公司 信息处理方法、系统、云处理设备以及计算机存储介质
CN108491821A (zh) * 2018-04-02 2018-09-04 深圳市亚来科技有限公司 基于图像处理和深度学习的车险事故鉴别方法、系统及存储介质
WO2019205376A1 (zh) * 2018-04-26 2019-10-31 平安科技（深圳）有限公司 车损判定方法、服务器及存储介质
CN108734702A (zh) * 2018-04-26 2018-11-02 平安科技（深圳）有限公司 车损判定方法、服务器及存储介质
WO2019214308A1 (zh) * 2018-05-10 2019-11-14 阿里巴巴集团控股有限公司 一种理赔业务的数据处理方法、装置、设备及服务器
CN108573286A (zh) * 2018-05-10 2018-09-25 阿里巴巴集团控股有限公司 一种理赔业务的数据处理方法、装置、设备及服务器
CN108875648A (zh) * 2018-06-22 2018-11-23 深源恒际科技有限公司 一种基于手机视频流的实时车辆损伤和部件检测的方法
CN109410270A (zh) * 2018-09-28 2019-03-01 百度在线网络技术（北京）有限公司 一种定损方法、设备和存储介质
TWI690874B (zh) * 2018-10-24 2020-04-11 富邦產物保險股份有限公司 用於遠端現場事故影像與身份驗證的系統與方法
CN109635824A (zh) * 2018-12-14 2019-04-16 深源恒际科技有限公司 一种图像匹配深度学习方法及系统
CN109697429A (zh) * 2018-12-27 2019-04-30 睿驰达新能源汽车科技（北京）有限公司 一种确定车损的方法及装置
TWI770420B (zh) * 2019-03-07 2022-07-11 開曼群島商創新先進技術有限公司 車輛事故的鑑定方法及裝置、電子設備
CN111193868A (zh) * 2020-01-09 2020-05-22 中保车服科技服务股份有限公司 车险查勘的拍照方法、装置、计算机设备和可读存储介质
CN111489433A (zh) * 2020-02-13 2020-08-04 北京百度网讯科技有限公司 车辆损伤定位的方法、装置、电子设备以及可读存储介质
US11971953B2 (en) 2021-02-02 2024-04-30 Inait Sa Machine annotation of photographic images
US11544914B2 (en) 2021-02-18 2023-01-03 Inait Sa Annotation of 3D models with signs of use visible in 2D images
US11983836B2 (en) 2021-02-18 2024-05-14 Inait Sa Annotation of 3D models with signs of use visible in 2D images
CN113627252A (zh) * 2021-07-07 2021-11-09 浙江吉利控股集团有限公司 一种车辆定损方法、装置、存储介质及电子设备
CN114462553B (zh) * 2022-04-12 2022-07-15 之江实验室 一种面向车险反欺诈的图像标注及要素抽取方法与系统
CN114462553A (zh) * 2022-04-12 2022-05-10 之江实验室 一种面向车险反欺诈的图像标注及要素抽取方法与系统
CN114943908A (zh) * 2022-06-20 2022-08-26 平安科技（深圳）有限公司 基于人工智能的车身损伤取证方法、装置、设备及介质
CN114943908B (zh) * 2022-06-20 2024-07-16 平安科技（深圳）有限公司 基于人工智能的车身损伤取证方法、装置、设备及介质

Also Published As

Publication number Publication date
EP3407229A1 (en) 2018-11-28
EP3407229A4 (en) 2019-08-28
AU2017209231B2 (en) 2019-09-26
KR102138082B1 (ko) 2020-07-28
KR20180104609A (ko) 2018-09-21
WO2017124990A1 (zh) 2017-07-27
CN105719188B (zh) 2017-12-26
SG11201800342XA (en) 2018-02-27
US20180182039A1 (en) 2018-06-28
JP6452186B2 (ja) 2019-01-16
AU2017209231A1 (en) 2017-11-23
US10410292B2 (en) 2019-09-10
JP2018537772A (ja) 2018-12-20

Similar Documents

Publication Publication Date Title
CN105719188A (zh) 基于多张图片一致性实现保险理赔反欺诈的方法及服务器
US11475660B2 (en) Method and system for facilitating recognition of vehicle parts based on a neural network
Ukhwah et al. Asphalt pavement pothole detection using deep learning method based on YOLO neural network
CN110969166A (zh) 一种巡检场景下小目标识别方法和系统
CN112801146B (zh) 一种目标检测方法及系统
CN110728209A (zh) 一种姿态识别方法、装置、电子设备及存储介质
CN105005760A (zh) 一种基于有限混合模型的行人再识别方法
CN110390308B (zh) 一种基于时空对抗生成网络的视频行为识别方法
CN103093243B (zh) 高分辨率全色遥感图像云判方法
CN115561243B (zh) 锂电池制备中极片质量监测系统及其方法
CN117197763A (zh) 基于交叉注意引导特征对齐网络的道路裂缝检测方法和系统
CN111275070B (zh) 一种基于局部特征匹配的签名验证方法及设备
Lechgar et al. Detection of cities vehicle fleet using YOLO V2 and aerial images
CN109145752A (zh) 用于评估对象检测和跟踪算法的方法、装置、设备和介质
CN103714340A (zh) 基于图像分块的自适应特征提取方法
CN117475236B (zh) 用于矿产资源勘探的数据处理系统及其方法
CN110909656A (zh) 一种雷达与摄像机融合的行人检测方法和系统
Shit et al. An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection
CN105224941A (zh) 对象辨识与定位方法
CN110738194A (zh) 一种基于点云有序编码的三维物体识别方法
Alzamil Image Forgery Detection with Machine Learning
US12033218B2 (en) Assessing damages on vehicles
CN115700821B (zh) 一种基于图像处理的细胞识别方法及系统
CN117152083B (zh) 一种基于类别激活映射的探地雷达道路病害图像预测可视化方法
US20230245240A1 (en) Assessing damages on vehicles

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant