CN107092922B - 车损识别方法及服务器 - Google Patents

Abstract

本发明公开了一种车损识别方法及服务器，该方法包括：接收用户通过第一终端发出的定损请求，利用预设的第一预设类型模型对定损照片进行分析，得到对应的第一车损部位分类信息，并将第一车损部位分类信息返回给该第一终端进行显示；若接收到该用户通过该第一终端发出的对第一车损部位分类信息的拒绝指令，则再次利用预设的第一预设类型模型对定损照片进行分析，得到对应的第二车损部位分类信息，并将第二车损部位分类信息返回给该第一终端进行显示；若接收到该用户通过该第一终端发出的对第二车损部位分类信息的拒绝指令，则向预先确定的第二终端发送对定损照片进行车损部位人工识别的指令。本发明提高了车损识别的准确率和查全率。

Description

车损识别方法及服务器

技术领域

本发明涉及计算机技术领域，尤其涉及一种车损识别方法及服务器。

背景技术

目前，车险业务的一个难点在于车险理赔环节需要投入大量的人力物力。为了有效降低车险理赔环节的人力、物力，目前有些保险公司利用图像检测和识别的技术自动对受损部位进行检测。然而，现有的这种自动检测方案有时比较容易对受损部位检测遗漏或者是识别错误，识别的准确率和查全率得不到保障。

发明内容

本发明的主要目的在于提供一种车损识别方法及服务器，旨在提高车损识别的准确率和查全率。

为实现上述目的，本发明提供的一种车损识别方法，所述方法包括以下步骤：

A、服务器接收用户通过第一终端发出的包含定损照片的定损请求，利用预设的第一预设类型模型对所述定损照片进行分析，得到所述定损照片对应的第一车损部位分类信息，并将所述第一车损部位分类信息返回给该第一终端进行显示；

B、若接收到该用户通过该第一终端发出的对所述第一车损部位分类信息的拒绝指令，则再次利用预设的第一预设类型模型对所述定损照片进行分析，得到所述定损照片对应的第二车损部位分类信息，并将所述第二车损部位分类信息返回给该第一终端进行显示；

C、若接收到该用户通过该第一终端发出的对所述第二车损部位分类信息的拒绝指令，则向预先确定的第二终端发送对所述定损照片进行车损部位人工识别的指令，以对车损部位进行人工识别。

优选地，所述步骤B替换为：

B1、若接收到该用户通过该第一终端发出的车损部位人工框定指令，则由该第一终端在所述定损照片的显示区域的预设位置生成预设尺寸和形状的区域选择框，该区域选择框用于供用户向预设方向调整当前区域选择框以框选定损照片特征区域；将所述定损照片特征区域发送给服务器；

B2、服务器接收所述定损照片特征区域，对所述定损照片特征区域进行分析，得到对应的第二车损部位分类信息。

优选地，所述第一预设类型模型的生成步骤包括：根据预设车损部位分类，从预设的车险理赔数据库获取各个预设车损部位分类对应的理赔照片，对各个预设车损部位分类对应的理赔照片进行预处理，以将所述理赔照片的格式转化为预设格式；利用转化后的各个预设车损部位分类对应的预设格式图片，训练预设模型结构的卷积神经网络模型，以生成各个预设车损部位分类对应的卷积神经网络模型。

优选地，在接收到该用户通过第一终端发出的对所述第一车损部位分类信息或第二车损部位分类信息的确认指令后，该方法还包括：

服务器通过预设的第二预设类型模型对所述定损照片进行分析，确定所述定损照片对应的车损级别，根据预存的车损部位、车损级别及修理方式三者间的映射关系，找出确定的车损部位和车损级别对应的修理方式，并将确定的车损部位、车损级别以及对应的修理方式返回给该第一终端进行显示；

若接收到该用户通过该第一终端发出的对所述车损级别或修理方式的拒绝指令，则服务器向预先确定的第二终端发送对所述定损照片进行车损级别人工识别或修理方式人工识别的指令，以对车损级别或修理方式进行人工识别。

优选地，所述第二预设类型模型的生成步骤包括：

根据预设车损级别分类，从预设的车险理赔数据库获取各个车损部位对应各个预设车损级别分类的预设数量定损照片；对获取的各个车损部位对应各个预设车损级别分类的定损照片进行预处理，以将所述定损照片转化为预设尺寸及预设格式；利用转化后的各个车损部位对应各个预设车损级别分类的预设格式图片，训练预设模型结构的卷积神经网络模型，以生成各个车损部位对应各个预设车损级别分类的卷积神经网络模型。

此外，为实现上述目的，本发明还提供一种车损识别服务器，所述车损识别服务器包括：

第一分析模块，用于接收用户通过第一终端发出的包含定损照片的定损请求，利用预设的第一预设类型模型对所述定损照片进行分析，得到所述定损照片对应的第一车损部位分类信息，并将所述第一车损部位分类信息返回给该第一终端进行显示；

第二分析模块，用于若接收到该用户通过该第一终端发出的对所述第一车损部位分类信息的拒绝指令，则再次利用预设的第一预设类型模型对所述定损照片进行分析，得到所述定损照片对应的第二车损部位分类信息，并将所述第二车损部位分类信息返回给该第一终端进行显示；

人工识别模块，用于若接收到该用户通过该第一终端发出的对所述第二车损部位分类信息的拒绝指令，则向预先确定的第二终端发送对所述定损照片进行车损部位人工识别的指令，以对车损部位进行人工识别。

优选地，所述第二分析模块还用于：

接收该第一终端发送的定损照片特征区域，对所述定损照片特征区域进行分析，得到对应的第二车损部位分类信息，其中，所述定损照片特征区域为通过如下方式得到：若接收到该用户通过该第一终端发出的车损部位人工框定指令，则由该第一终端在所述定损照片的显示区域的预设位置生成预设尺寸和形状的区域选择框，该区域选择框用于供用户向预设方向调整当前区域选择框以框选定损照片特征区域。

优选地，所述第一预设类型模型的生成步骤包括：根据预设车损部位分类，从预设的车险理赔数据库获取各个预设车损部位分类对应的理赔照片，对各个预设车损部位分类对应的理赔照片进行预处理，以将所述理赔照片的格式转化为预设格式；利用转化后的各个预设车损部位分类对应的预设格式图片，训练预设模型结构的卷积神经网络模型，以生成各个预设车损部位分类对应的卷积神经网络模型。

优选地，所述车损识别服务器还包括：

第三分析模块，用于在接收到该用户通过第一终端发出的对所述第一车损部位分类信息或第二车损部位分类信息的确认指令后，通过预设的第二预设类型模型对所述定损照片进行分析，确定所述定损照片对应的车损级别，根据预存的车损部位、车损级别及修理方式三者间的映射关系，找出确定的车损部位和车损级别对应的修理方式，并将确定的车损部位、车损级别以及对应的修理方式返回给该第一终端进行显示；

所述人工识别模块还用于若接收到该用户通过该第一终端发出的对所述车损级别或修理方式的拒绝指令，则向预先确定的第二终端发送对所述定损照片进行车损级别人工识别或修理方式人工识别的指令，以对车损级别或修理方式进行人工识别。

优选地，所述第二预设类型模型的生成步骤包括：

根据预设车损级别分类，从预设的车险理赔数据库获取各个车损部位对应各个预设车损级别分类的预设数量定损照片；对获取的各个车损部位对应各个预设车损级别分类的定损照片进行预处理，以将所述定损照片转化为预设尺寸及预设格式；利用转化后的各个车损部位对应各个预设车损级别分类的预设格式图片，训练预设模型结构的卷积神经网络模型，以生成各个车损部位对应各个预设车损级别分类的卷积神经网络模型。

本发明提出的车损识别方法及服务器，通过预设的第一预设类型模型对定损照片进行分析得到第一车损部位分类信息，若用户否定该第一车损部位分类信息，则再次利用预设的第一预设类型模型对所述定损照片进行分析得到第二车损部位分类信息，若用户否定该第二车损部位分类信息，则向预先确定的第二终端发送对所述定损照片进行车损部位人工识别的指令，以对车损部位进行人工识别。由于在与用户进行车损自动识别时，利用第一预设类型模型对定损照片进行两次自动识别，提高了识别精度及通过率，节省了人力物力。而且，在两次自动识别均无法确认车损部位时，对定损照片进行车损部位人工识别，避免了因无法自动识别车损部位导致受损部位检测遗漏或者是识别错误的情况发生，提高了车损识别的准确率和查全率。

附图说明

图1为本发明车损识别方法第一实施例的流程示意图；

图2为本发明车损识别方法第二实施例的流程示意图；

图3为本发明车损识别服务器第一实施例的功能模块示意图；

图4为本发明车损识别服务器第二实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种车损识别方法。

参照图1，图1为本发明车损识别方法第一实施例的流程示意图。

在第一实施例中，该车损识别方法包括：

步骤S10，服务器接收用户通过第一终端发出的包含定损照片的定损请求，利用预设的第一预设类型模型对所述定损照片进行分析，得到所述定损照片对应的第一车损部位分类信息，并将所述第一车损部位分类信息返回给该第一终端进行显示。

本实施例中，服务器接收用户通过第一终端(例如，手机、平板电脑、手持设备等)发出的一个包含用户上传的包括待定损车损部位的定损照片(例如，车损部位的特写照片)的定损请求。在一种实施方式中，可在第一终端中预先安装车险理赔应用程序APP，用户打开该车险理赔应用程序APP并通过该车险理赔应用程序APP向服务器发送定损请求；在另一种实施方式中，第一终端中预先安装有浏览器系统，用户可以通过该浏览器系统访问服务器，并通过该浏览器系统向服务器发送定损请求。

服务器在收到用户发出的包含定损照片的定损请求后，利用预先生成的第一预设类型模型对获取的定损照片进行分析，以分析出所述定损照片对应的第一车损部位分类信息(例如，车前方、侧面、车尾、整体等)，并将分析出的第一车损部位分类信息返回给该第一终端并在该第一终端的预先确定的操作界面进行显示(例如，将分析出的第一车损部位分类信息返回给该第一终端的车险理赔应用程序APP并在该车险理赔应用程序APP生成的操作界面上进行显示)。

步骤S20，若接收到该用户通过该第一终端发出的对所述第一车损部位分类信息的拒绝指令，则再次利用预设的第一预设类型模型对所述定损照片进行分析，得到所述定损照片对应的第二车损部位分类信息，并将所述第二车损部位分类信息返回给该第一终端进行显示。

服务器接收该用户通过该第一终端发出的对所述第一车损部位分类信息的反馈信息，如确认所述第一车损部位分类信息无误的确认指令或否定所述第一车损部位分类信息的拒绝指令。需要说明的是，本实施例中，服务器可以接收用户通过按钮、触摸、按压、摇晃手机、指纹等多种方式发送的指令，如在该第一终端的预先确定的操作界面上显示所述第一车损部位分类信息后，用户可以通过长按该第一终端屏幕或短按该第一终端屏幕的方式向服务器发送对所述第一车损部位分类信息的反馈信息如确认指令、拒绝指令等，在此不做限定，本实施例中仅以用户通过该第一终端上点击按钮的方式向服务器发送反馈信息为例进行具体说明。该第一终端的预先确定的操作界面包括车损部位分类信息显示区域、车损部位分类信息确认按钮及车损部位分类信息拒绝按钮；若该用户通过所述车损部位分类信息确认按钮确认所述第一车损部位分类信息，则服务器结束车损部位识别流程，或者，若该用户通过所述车损部位分类信息拒绝按钮拒绝所述第一车损部位分类信息，则服务器再次利用生成的第一预设类型模型对获取的定损照片进行分析，以分析出所述定损照片对应的第二车损部位分类信息，该第二车损部位分类信息为利用第一预设类型模型对获取的所述定损照片进行重新分析后得到的，该第二车损部位分类信息可与所述第一车损部位分类信息相同，也可与所述第一车损部位分类信息不同。将分析出的第二车损部位分类信息返回给该第一终端并在该第一终端的预先确定的操作界面进行显示。

步骤S30，若接收到该用户通过该第一终端发出的对所述第二车损部位分类信息的拒绝指令，则向预先确定的第二终端发送对所述定损照片进行车损部位人工识别的指令，以对车损部位进行人工识别。

若该用户通过所述车损部位分类信息确认按钮确认所述第二车损部位分类信息，则服务器结束车损部位识别流程，或者，若该用户通过所述车损部位分类信息拒绝按钮拒绝所述第二车损部位分类信息，则服务器向预先确定的第二终端(例如，车险定损人员的终端)发送对所述定损照片进行车损部位人工识别的指令，以对车损部位进行人工识别。

本实施例通过预设的第一预设类型模型对定损照片进行分析得到第一车损部位分类信息，若用户否定该第一车损部位分类信息，则再次利用预设的第一预设类型模型对所述定损照片进行分析得到第二车损部位分类信息，若用户否定该第二车损部位分类信息，则向预先确定的第二终端发送对所述定损照片进行车损部位人工识别的指令，以对车损部位进行人工识别。由于在与用户进行车损自动识别时，利用第一预设类型模型对定损照片进行两次自动识别，提高了识别精度及通过率，节省了人力物力。而且，在两次自动识别均无法确认车损部位时，对定损照片进行车损部位人工识别，避免了因无法自动识别车损部位导致受损部位检测遗漏或者是识别错误的情况发生，提高了车损识别的准确率和查全率。

如图2所示，本发明第二实施例提出一种车损识别方法，在上述实施例的基础上，上述步骤S20替换为：

步骤S201，若接收到该用户通过该第一终端发出的车损部位人工框定指令，则由该第一终端在所述定损照片的显示区域的预设位置生成预设尺寸和形状的区域选择框，该区域选择框用于供用户向预设方向调整当前区域选择框以框选定损照片特征区域；将所述定损照片特征区域发送给服务器；

步骤S202，服务器接收所述定损照片特征区域，对所述定损照片特征区域进行分析，得到对应的第二车损部位分类信息。

本实施例中，该第一终端的预先确定的操作界面还包括定损照片显示区域及车损部位人工框定按钮。若该用户通过所述车损部位分类信息确认按钮确认所述第一车损部位分类信息，则服务器结束车损部位识别流程，或者，若收到用户通过所述车损部位人工框定按钮发出的车损部位人工框定指令或通过所述车损部位分类信息拒绝按钮拒绝所述第一车损部位分类信息，则该第一终端响应该指令(例如，该第一终端的车险理赔应用程序APP响应该指令)，在所述定损照片显示区域的预设位置(例如，几何中心位置)生成预设尺寸和形状(例如，X*Y像素的长方形)的区域选择框，该区域选择框用于供用户人工向预设方向(例如，上、下、左、右)动态调整当前区域选择框所包含的定损照片区域的边界线，以框选出用户选中的定损照片特征区域。该第一终端若收到用户发出的包含基于所述区域选择框选择的定损照片特征区域的二次识别指令，则该第一终端(例如，该第一终端的车险理赔应用程序APP)响应该二次识别指令，并将所述定损照片特征区域发送给服务器。服务器在收到所述定损照片特征区域后，对所述定损照片特征区域进行分析，以分析出所述定损照片对应的第二车损部位分类信息。

本实施例中，在初次对所述定损照片进行分析得到的第一车损部位分类信息被用户认定为错误分类信息而拒绝时，在对所述定损照片进行再次分析之前，先由用户人工框选其认定的定损照片特征区域，再对该定损照片特征区域进行二次分析得到对应的第二车损部位分类信息。由于在二次分析中，是对经用户确认更细化的定损照片特征区域进行分析，有效地提高了二次识别的准确性。

进一步地，在其他实施例中，所述第一预设类型模型的生成步骤包括：根据预设车损部位分类，从预设的车险理赔数据库获取各个预设车损部位分类对应的理赔照片，对各个预设车损部位分类对应的理赔照片进行预处理，以将所述理赔照片的格式转化为预设格式；利用转化后的各个预设车损部位分类对应的预设格式图片，训练预设模型结构的卷积神经网络模型，以生成各个预设车损部位分类对应的卷积神经网络模型。

所述第一预设类型模型为卷积神经网络(CNN)模型，所述第一预设类型模型生成规则为：根据预设车损部位分类，从预设的车险理赔数据库获取各个预设车损部位分类对应的理赔照片，对获取的各个预设车损部位分类对应的理赔照片进行预处理，以将获取的理赔照片的格式转化为预设格式(例如，leveldb格式)；利用转化后的各个预设车损部位分类对应的预设格式图片，训练预设模型结构的CNN模型，以生成各个预设车损部位分类对应的CNN模型。训练的目的是优化CNN模型内各权重的值，使得CNN模型作为整体在实际应用中可较好地适用于车损部位分类识别。具体的训练过程如下：训练开始前，系统随机且均匀地生成CNN模型内各权重的初始值(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，系统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，计算实际结果与期望结果的差值，然后利用误差最小化定位方法反向调整各权重的值，同时计算该次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CNN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。

进一步地，在其他实施例中，在接收到该用户通过第一终端发出的对所述第一车损部位分类信息或第二车损部位分类信息的确认指令后，该方法还包括：

服务器通过预设的第二预设类型模型对所述定损照片进行分析，确定所述定损照片对应的车损级别，根据预存的车损部位、车损级别及修理方式三者间的映射关系，找出确定的车损部位和车损级别对应的修理方式，并将确定的车损部位、车损级别以及对应的修理方式返回给该第一终端进行显示；

若接收到该用户通过该第一终端发出的对所述车损级别或修理方式的拒绝指令，则服务器向预先确定的第二终端发送对所述定损照片进行车损级别人工识别或修理方式人工识别的指令，以对车损级别或修理方式进行人工识别。

本实施例中，该第一终端的预先确定的操作界面还包括车损级别信息显示区域和修理方式信息显示区域，所述车损部位分类信息显示区域、车损级别信息显示区域和修理方式信息显示区域分别对应一个选择项。在该用户通过所述车损部位分类信息确认按钮确认所述第一车损部位分类信息或者第二车损部位分类信息后，服务器通过预先生成的第二预设类型模型对所述定损照片进行分析，以确定所述定损照片对应的车损级别，根据预存的车损部位、车损级别及修理方式三者间的映射关系，找出确定的车损部位和车损级别对应的修理方式(例如，对于钣金件而言，修理方式包括仅全喷、轻度钣金、轻度钣金+全喷、重度钣金+全喷、更换等)，并将确定的第一车损部位分类信息及其对应的车损级别和修理方式返回给该第一终端并在该第一终端的预先确定的操作界面进行显示，或者，将确定的第二车损部位分类信息及其对应的车损级别和修理方式返回给该第一终端并在该第一终端的预先确定的操作界面进行显示。

若用户通过所述车损级别信息显示区域对应的选择项选中确定的车损级别，且该用户通过所述车损部位分类信息拒绝按钮拒绝选中的车损级别，则说明用户认为当前自动识别出的车损级别有误，则服务器向预先确定的第二终端(例如，车险定损人员的终端)发送对所述定损照片进行车损级别识别的指令，以对车损级别进行人工识别。

若用户通过所述修理方式信息显示区域对应的选择项选中确定的修理方式，且该用户通过所述车损部位分类信息拒绝按钮拒绝选中的修理方式，则说明用户认为当前自动识别出的修理方式有误，则服务器向预先确定的第二终端(例如，车险定损人员的终端)发送对所述定损照片进行修理方式识别的指令，以对修理方式进行人工识别。

本实施例中，在正确识别出所述定损照片对应的车损部位之后，进一步地，还能自动识别出确定的该车损部位所对应的车损级别及修理方式，并在识别出的车损级别及修理方式有误时，进行人工识别，能更加全面的进行车损识别，以更加方便、快捷的进行后续的车损处理。

进一步地，在其他实施例中，所述第二预设类型模型的生成步骤包括：

根据预设车损级别分类，从预设的车险理赔数据库获取各个车损部位对应各个预设车损级别分类的预设数量定损照片；对获取的各个车损部位对应各个预设车损级别分类的定损照片进行预处理，以将所述定损照片转化为预设尺寸及预设格式；利用转化后的各个车损部位对应各个预设车损级别分类的预设格式图片，训练预设模型结构的卷积神经网络模型，以生成各个车损部位对应各个预设车损级别分类的卷积神经网络模型。

本实施例中，所述第二预设类型模型为卷积神经网络(CNN)模型，所述第二预设类型模型的生成步骤包括：服务器根据预设车损级别分类，例如，所述预设车损级别分类包括一级损伤(例如，未发生变形、未发生破裂的损伤)、二级损伤(例如，2个以下轻微的可恢复变形、未发生破裂的损伤)、三级损伤(1个以上严重的可恢复变形或者3个以上轻微的可恢复变形、未发生破裂的损伤)、四级损伤(例如，无法人工修复的损伤)等，从预设的车险理赔数据库(例如，所述车险理赔数据库存储有预设车损级别分类、车损部位和定损照片三者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)获取各个车损部位对应各个预设车损级别分类的预设数量(例如，10万张)定损照片，例如，获取10万张对应左前门，且是一级损伤的定损照片。服务器按照预设的模型生成规则，基于获取的各个车损部位对应各个预设车损级别分类的定损照片，生成用于分析定损照片对应的预设车损级别分类的第二预设类型模型(例如，基于一级损伤对应的各车损部位已发生的预设数量定损照片，生成用于分析定损照片对应的车损级别的第二预设类型模型)。

所述预设的模型生成规则为：

对获取的各个车损部位对应各个预设车损级别分类的定损照片进行预处理，以将获取的定损照片转化成预设尺寸，并将转化成预设尺寸的定损照片的格式转化为预设格式(例如，leveldb格式)；利用转化后的各个车损部位对应各个预设车损级别分类的预设格式图片，训练预设模型结构的CNN模型，以生成各个车损部位对应各个预设车损级别分类的CNN模型。训练的目的是优化CNN模型内各权重的值，使得CNN模型作为整体在实际应用中能较好地适用于各个车损部位对应各个预设车损级别的分类。CNN模型可以有七层，分别是五个卷积层、一个降采样层和一个全连接层。其中，卷积层由很多个特征向量构造的特征图形成，而特征图的作用就是利用卷积滤波器提取关键特征。降采样层的作用是通过采样方法，去除重复表达的特征点，减少特征提取的数量，从而提高网络层间数据通信效率，可用的采样方法包括最大采样法、均值采样法、随机采样法。全连接层的作用是连接前面的卷积层与降采样，并计算权重矩阵，用于后续的实际分类。图片进入CNN模型后，在每一层均经过前向迭代与后向迭代两个过程，每一次迭代生成一个概率分布，多次迭代后的概率分布进行叠加，系统选取概率分布中取得最大值的类别作为最终的分类结果。

本发明进一步提供一种车损识别服务器。

参照图3，图3为本发明车损识别服务器第一实施例的功能模块示意图。

在第一实施例中，该车损识别服务器包括：

第一分析模块01，用于接收用户通过第一终端发出的包含定损照片的定损请求，利用预设的第一预设类型模型对所述定损照片进行分析，得到所述定损照片对应的第一车损部位分类信息，并将所述第一车损部位分类信息返回给该第一终端进行显示；

本实施例中，服务器接收用户通过第一终端(例如，手机、平板电脑、手持设备等)发出的一个包含用户上传的包括待定损车损部位的定损照片(例如，车损部位的特写照片)的定损请求。在一种实施方式中，可在第一终端中预先安装车险理赔应用程序APP，用户打开该车险理赔应用程序APP并通过该车险理赔应用程序APP向服务器发送定损请求；在另一种实施方式中，第一终端中预先安装有浏览器系统，用户可以通过该浏览器系统访问服务器，并通过该浏览器系统向服务器发送定损请求。

服务器在收到用户发出的包含定损照片的定损请求后，利用预先生成的第一预设类型模型对获取的定损照片进行分析，以分析出所述定损照片对应的第一车损部位分类信息(例如，车前方、侧面、车尾、整体等)，并将分析出的第一车损部位分类信息返回给该第一终端并在该第一终端的预先确定的操作界面进行显示(例如，将分析出的第一车损部位分类信息返回给该第一终端的车险理赔应用程序APP并在该车险理赔应用程序APP生成的操作界面上进行显示)。

第二分析模块02，用于若接收到该用户通过该第一终端发出的对所述第一车损部位分类信息的拒绝指令，则再次利用预设的第一预设类型模型对所述定损照片进行分析，得到所述定损照片对应的第二车损部位分类信息，并将所述第二车损部位分类信息返回给该第一终端进行显示；

服务器接收该用户通过该第一终端发出的对所述第一车损部位分类信息的反馈信息，如确认所述第一车损部位分类信息无误的确认指令或否定所述第一车损部位分类信息的拒绝指令。需要说明的是，本实施例中，服务器可以接收用户通过按钮、触摸、按压、摇晃手机、指纹等多种方式发送的指令，如在该第一终端的预先确定的操作界面上显示所述第一车损部位分类信息后，用户可以通过长按该第一终端屏幕或短按该第一终端屏幕的方式向服务器发送对所述第一车损部位分类信息的反馈信息如确认指令、拒绝指令等，在此不做限定，本实施例中仅以用户通过该第一终端上点击按钮的方式向服务器发送反馈信息为例进行具体说明。该第一终端的预先确定的操作界面包括车损部位分类信息显示区域、车损部位分类信息确认按钮及车损部位分类信息拒绝按钮；若该用户通过所述车损部位分类信息确认按钮确认所述第一车损部位分类信息，则服务器结束车损部位识别流程，或者，若该用户通过所述车损部位分类信息拒绝按钮拒绝所述第一车损部位分类信息，则服务器再次利用生成的第一预设类型模型对获取的定损照片进行分析，以分析出所述定损照片对应的第二车损部位分类信息，该第二车损部位分类信息为利用第一预设类型模型对获取的所述定损照片进行重新分析后得到的，该第二车损部位分类信息可与所述第一车损部位分类信息相同，也可与所述第一车损部位分类信息不同。将分析出的第二车损部位分类信息返回给该第一终端并在该第一终端的预先确定的操作界面进行显示。

人工识别模块03，用于若接收到该用户通过该第一终端发出的对所述第二车损部位分类信息的拒绝指令，则向预先确定的第二终端发送对所述定损照片进行车损部位人工识别的指令，以对车损部位进行人工识别。

若该用户通过所述车损部位分类信息确认按钮确认所述第二车损部位分类信息，则服务器结束车损部位识别流程，或者，若该用户通过所述车损部位分类信息拒绝按钮拒绝所述第二车损部位分类信息，则服务器向预先确定的第二终端(例如，车险定损人员的终端)发送对所述定损照片进行车损部位人工识别的指令，以对车损部位进行人工识别。

本实施例通过预设的第一预设类型模型对定损照片进行分析得到第一车损部位分类信息，若用户否定该第一车损部位分类信息，则再次利用预设的第一预设类型模型对所述定损照片进行分析得到第二车损部位分类信息，若用户否定该第二车损部位分类信息，则向预先确定的第二终端发送对所述定损照片进行车损部位人工识别的指令，以对车损部位进行人工识别。由于在与用户进行车损自动识别时，利用第一预设类型模型对定损照片进行两次自动识别，提高了识别精度及通过率，节省了人力物力。而且，在两次自动识别均无法确认车损部位时，对定损照片进行车损部位人工识别，避免了因无法自动识别车损部位导致受损部位检测遗漏或者是识别错误的情况发生，提高了车损识别的准确率和查全率。

进一步地，在其他实施例中，上述第二分析模块02还用于：

接收该第一终端发送的定损照片特征区域，对所述定损照片特征区域进行分析，得到对应的第二车损部位分类信息，其中，所述定损照片特征区域为通过如下方式得到：若接收到该用户通过该第一终端发出的车损部位人工框定指令，则由该第一终端在所述定损照片的显示区域的预设位置生成预设尺寸和形状的区域选择框，该区域选择框用于供用户向预设方向调整当前区域选择框以框选定损照片特征区域。

本实施例中，该第一终端的预先确定的操作界面还包括定损照片显示区域及车损部位人工框定按钮。若该用户通过所述车损部位分类信息确认按钮确认所述第一车损部位分类信息，则服务器结束车损部位识别流程，或者，若收到用户通过所述车损部位人工框定按钮发出的车损部位人工框定指令或通过所述车损部位分类信息拒绝按钮拒绝所述第一车损部位分类信息，则该第一终端响应该指令(例如，该第一终端的车险理赔应用程序APP响应该指令)，在所述定损照片显示区域的预设位置(例如，几何中心位置)生成预设尺寸和形状(例如，X*Y像素的长方形)的区域选择框，该区域选择框用于供用户人工向预设方向(例如，上、下、左、右)动态调整当前区域选择框所包含的定损照片区域的边界线，以框选出用户选中的定损照片特征区域。该第一终端若收到用户发出的包含基于所述区域选择框选择的定损照片特征区域的二次识别指令，则该第一终端(例如，该第一终端的车险理赔应用程序APP)响应该二次识别指令，并将所述定损照片特征区域发送给服务器。服务器在收到所述定损照片特征区域后，对所述定损照片特征区域进行分析，以分析出所述定损照片对应的第二车损部位分类信息。

本实施例中，在初次对所述定损照片进行分析得到的第一车损部位分类信息被用户认定为错误分类信息而拒绝时，在对所述定损照片进行再次分析之前，先由用户人工框选其认定的定损照片特征区域，再对该定损照片特征区域进行二次分析得到对应的第二车损部位分类信息。由于在二次分析中，是对经用户确认更细化的定损照片特征区域进行分析，有效地提高了二次识别的准确性。

进一步地，在其他实施例中，所述第一预设类型模型的生成步骤包括：根据预设车损部位分类，从预设的车险理赔数据库获取各个预设车损部位分类对应的理赔照片，对各个预设车损部位分类对应的理赔照片进行预处理，以将所述理赔照片的格式转化为预设格式；利用转化后的各个预设车损部位分类对应的预设格式图片，训练预设模型结构的卷积神经网络模型，以生成各个预设车损部位分类对应的卷积神经网络模型。

所述第一预设类型模型为卷积神经网络(CNN)模型，所述第一预设类型模型生成规则为：根据预设车损部位分类，从预设的车险理赔数据库获取各个预设车损部位分类对应的理赔照片，对获取的各个预设车损部位分类对应的理赔照片进行预处理，以将获取的理赔照片的格式转化为预设格式(例如，leveldb格式)；利用转化后的各个预设车损部位分类对应的预设格式图片，训练预设模型结构的CNN模型，以生成各个预设车损部位分类对应的CNN模型。训练的目的是优化CNN模型内各权重的值，使得CNN模型作为整体在实际应用中可较好地适用于车损部位分类识别。具体的训练过程如下：训练开始前，系统随机且均匀地生成CNN模型内各权重的初始值(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，系统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，计算实际结果与期望结果的差值，然后利用误差最小化定位方法反向调整各权重的值，同时计算该次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CNN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。

如图4所示，本发明第二实施例提出一种车损识别服务器，在上述实施例的基础上，还包括：

第三分析模块04，用于在接收到该用户通过第一终端发出的对所述第一车损部位分类信息或第二车损部位分类信息的确认指令后，通过预设的第二预设类型模型对所述定损照片进行分析，确定所述定损照片对应的车损级别，根据预存的车损部位、车损级别及修理方式三者间的映射关系，找出确定的车损部位和车损级别对应的修理方式，并将确定的车损部位、车损级别以及对应的修理方式返回给该第一终端进行显示；

所述人工识别模块03还用于若接收到该用户通过该第一终端发出的对所述车损级别或修理方式的拒绝指令，则向预先确定的第二终端发送对所述定损照片进行车损级别人工识别或修理方式人工识别的指令，以对车损级别或修理方式进行人工识别。

本实施例中，该第一终端的预先确定的操作界面还包括车损级别信息显示区域和修理方式信息显示区域，所述车损部位分类信息显示区域、车损级别信息显示区域和修理方式信息显示区域分别对应一个选择项。在该用户通过所述车损部位分类信息确认按钮确认所述第一车损部位分类信息或者第二车损部位分类信息后，服务器通过预先生成的第二预设类型模型对所述定损照片进行分析，以确定所述定损照片对应的车损级别，根据预存的车损部位、车损级别及修理方式三者间的映射关系，找出确定的车损部位和车损级别对应的修理方式(例如，对于钣金件而言，修理方式包括仅全喷、轻度钣金、轻度钣金+全喷、重度钣金+全喷、更换等)，并将确定的第一车损部位分类信息及其对应的车损级别和修理方式返回给该第一终端并在该第一终端的预先确定的操作界面进行显示，或者，将确定的第二车损部位分类信息及其对应的车损级别和修理方式返回给该第一终端并在该第一终端的预先确定的操作界面进行显示。

若用户通过所述车损级别信息显示区域对应的选择项选中确定的车损级别，且该用户通过所述车损部位分类信息拒绝按钮拒绝选中的车损级别，则说明用户认为当前自动识别出的车损级别有误，则服务器向预先确定的第二终端(例如，车险定损人员的终端)发送对所述定损照片进行车损级别识别的指令，以对车损级别进行人工识别。

若用户通过所述修理方式信息显示区域对应的选择项选中确定的修理方式，且该用户通过所述车损部位分类信息拒绝按钮拒绝选中的修理方式，则说明用户认为当前自动识别出的修理方式有误，则服务器向预先确定的第二终端(例如，车险定损人员的终端)发送对所述定损照片进行修理方式识别的指令，以对修理方式进行人工识别。

本实施例中，在正确识别出所述定损照片对应的车损部位之后，进一步地，还能自动识别出确定的该车损部位所对应的车损级别及修理方式，并在识别出的车损级别及修理方式有误时，进行人工识别，能更加全面的进行车损识别，以更加方便、快捷的进行后续的车损处理。

进一步地，在其他实施例中，所述第二预设类型模型的生成步骤包括：

根据预设车损级别分类，从预设的车险理赔数据库获取各个车损部位对应各个预设车损级别分类的预设数量定损照片；对获取的各个车损部位对应各个预设车损级别分类的定损照片进行预处理，以将所述定损照片转化为预设尺寸及预设格式；利用转化后的各个车损部位对应各个预设车损级别分类的预设格式图片，训练预设模型结构的卷积神经网络模型，以生成各个车损部位对应各个预设车损级别分类的卷积神经网络模型。

本实施例中，所述第二预设类型模型为卷积神经网络(CNN)模型，所述第二预设类型模型的生成步骤包括：服务器根据预设车损级别分类，例如，所述预设车损级别分类包括一级损伤(例如，未发生变形、未发生破裂的损伤)、二级损伤(例如，2个以下轻微的可恢复变形、未发生破裂的损伤)、三级损伤(1个以上严重的可恢复变形或者3个以上轻微的可恢复变形、未发生破裂的损伤)、四级损伤(例如，无法人工修复的损伤)等，从预设的车险理赔数据库(例如，所述车险理赔数据库存储有预设车损级别分类、车损部位和定损照片三者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)获取各个车损部位对应各个预设车损级别分类的预设数量(例如，10万张)定损照片，例如，获取10万张对应左前门，且是一级损伤的定损照片。服务器按照预设的模型生成规则，基于获取的各个车损部位对应各个预设车损级别分类的定损照片，生成用于分析定损照片对应的预设车损级别分类的第二预设类型模型(例如，基于一级损伤对应的各车损部位已发生的预设数量定损照片，生成用于分析定损照片对应的车损级别的第二预设类型模型)。

所述预设的模型生成规则为：

对获取的各个车损部位对应各个预设车损级别分类的定损照片进行预处理，以将获取的定损照片转化成预设尺寸，并将转化成预设尺寸的定损照片的格式转化为预设格式(例如，leveldb格式)；利用转化后的各个车损部位对应各个预设车损级别分类的预设格式图片，训练预设模型结构的CNN模型，以生成各个车损部位对应各个预设车损级别分类的CNN模型。训练的目的是优化CNN模型内各权重的值，使得CNN模型作为整体在实际应用中能较好地适用于各个车损部位对应各个预设车损级别的分类。CNN模型可以有七层，分别是五个卷积层、一个降采样层和一个全连接层。其中，卷积层由很多个特征向量构造的特征图形成，而特征图的作用就是利用卷积滤波器提取关键特征。降采样层的作用是通过采样方法，去除重复表达的特征点，减少特征提取的数量，从而提高网络层间数据通信效率，可用的采样方法包括最大采样法、均值采样法、随机采样法。全连接层的作用是连接前面的卷积层与降采样，并计算权重矩阵，用于后续的实际分类。图片进入CNN模型后，在每一层均经过前向迭代与后向迭代两个过程，每一次迭代生成一个概率分布，多次迭代后的概率分布进行叠加，系统选取概率分布中取得最大值的类别作为最终的分类结果。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。另外，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明，比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。

Claims (8)

1.一种车损识别方法，其特征在于，所述方法包括以下步骤：

A、服务器接收用户通过第一终端发出的包含定损照片的定损请求，利用预设的第一预设类型模型对所述定损照片进行分析，得到所述定损照片对应的第一车损部位分类信息，并将所述第一车损部位分类信息返回给该第一终端进行显示，其中，该第一终端的操作界面还包括车损部位人工框定按钮；

B、当该用户通过所述车损部位人工框定按钮发出车损部位人工框定指令或通过所述车损部位分类信息拒绝按钮发出拒绝所述第一车损部位分类信息的拒绝指令时，该第一终端响应所述车损部位人工框定指令或所述拒绝指令、通过所述定损照片的区域选择框框选定损照片特征区域并发送给服务器，服务器对所述定损照片特征区域进行分析，得到对应的第二车损部位分类信息并发送给该第一终端，其中，该区域选择框是在所述定损照片的显示区域的预设位置生成的且具有预设尺寸和形状，用于供用户向预设方向调整当前区域选择框以框选定损照片特征区域；

C、当接收到该用户通过该第一终端发出的对所述第二车损部位分类信息的拒绝指令时，向预先确定的第二终端发送对所述定损照片进行车损部位人工识别的指令，以对车损部位进行人工识别。

2.如权利要求1所述的车损识别方法，其特征在于，所述第一预设类型模型的生成步骤包括：根据预设车损部位分类，从预设的车险理赔数据库获取各个预设车损部位分类对应的理赔照片，对各个预设车损部位分类对应的理赔照片进行预处理，以将所述理赔照片的格式转化为预设格式；利用转化后的各个预设车损部位分类对应的预设格式图片，训练预设模型结构的卷积神经网络模型，以生成各个预设车损部位分类对应的卷积神经网络模型。

3.如权利要求1所述的车损识别方法，其特征在于，在接收到该用户通过第一终端发出的对所述第一车损部位分类信息或第二车损部位分类信息的确认指令后，该方法还包括：

服务器通过预设的第二预设类型模型对所述定损照片进行分析，确定所述定损照片对应的车损级别，根据预存的车损部位、车损级别及修理方式三者间的映射关系，找出确定的车损部位和车损级别对应的修理方式，并将确定的车损部位、车损级别以及对应的修理方式返回给该第一终端进行显示；

若接收到该用户通过该第一终端发出的对所述车损级别或修理方式的拒绝指令，则服务器向预先确定的第二终端发送对所述定损照片进行车损级别人工识别或修理方式人工识别的指令，以对车损级别或修理方式进行人工识别。

4.如权利要求3所述的车损识别方法，其特征在于，所述第二预设类型模型的生成步骤包括：

根据预设车损级别分类，从预设的车险理赔数据库获取各个车损部位对应各个预设车损级别分类的预设数量定损照片；对获取的各个车损部位对应各个预设车损级别分类的定损照片进行预处理，以将所述定损照片转化为预设尺寸及预设格式；利用转化后的各个车损部位对应各个预设车损级别分类的预设格式图片，训练预设模型结构的卷积神经网络模型，以生成各个车损部位对应各个预设车损级别分类的卷积神经网络模型。

5.一种车损识别服务器，其特征在于，所述车损识别服务器包括：

第一分析模块，用于接收用户通过第一终端发出的包含定损照片的定损请求，利用预设的第一预设类型模型对所述定损照片进行分析，得到所述定损照片对应的第一车损部位分类信息，并将所述第一车损部位分类信息返回给该第一终端进行显示，其中，该第一终端的操作界面还包括车损部位人工框定按钮；

第二分析模块，用于当该用户通过所述车损部位人工框定按钮发出车损部位人工框定指令或通过所述车损部位分类信息拒绝按钮发出拒绝所述第一车损部位分类信息的拒绝指令时，该第一终端响应所述车损部位人工框定指令或所述拒绝指令、通过所述定损照片的区域选择框框选定损照片特征区域并发送给服务器后，对所述定损照片特征区域进行分析，得到对应的第二车损部位分类信息并发送给该第一终端，其中，该区域选择框是在所述定损照片的显示区域的预设位置生成的且具有预设尺寸和形状，用于供用户向预设方向调整当前区域选择框以框选定损照片特征区域；

人工识别模块，用于当接收到该用户通过该第一终端发出的对所述第二车损部位分类信息的拒绝指令时，向预先确定的第二终端发送对所述定损照片进行车损部位人工识别的指令，以对车损部位进行人工识别。

6.如权利要求5所述的车损识别服务器，其特征在于，所述第一预设类型模型的生成步骤包括：根据预设车损部位分类，从预设的车险理赔数据库获取各个预设车损部位分类对应的理赔照片，对各个预设车损部位分类对应的理赔照片进行预处理，以将所述理赔照片的格式转化为预设格式；利用转化后的各个预设车损部位分类对应的预设格式图片，训练预设模型结构的卷积神经网络模型，以生成各个预设车损部位分类对应的卷积神经网络模型。

7.如权利要求5所述的车损识别服务器，其特征在于，还包括：

第三分析模块，用于在接收到该用户通过第一终端发出的对所述第一车损部位分类信息或第二车损部位分类信息的确认指令后，通过预设的第二预设类型模型对所述定损照片进行分析，确定所述定损照片对应的车损级别，根据预存的车损部位、车损级别及修理方式三者间的映射关系，找出确定的车损部位和车损级别对应的修理方式，并将确定的车损部位、车损级别以及对应的修理方式返回给该第一终端进行显示；

所述人工识别模块还用于若接收到该用户通过该第一终端发出的对所述车损级别或修理方式的拒绝指令，则向预先确定的第二终端发送对所述定损照片进行车损级别人工识别或修理方式人工识别的指令，以对车损级别或修理方式进行人工识别。

8.如权利要求7所述的车损识别服务器，其特征在于，所述第二预设类型模型的生成步骤包括：

根据预设车损级别分类，从预设的车险理赔数据库获取各个车损部位对应各个预设车损级别分类的预设数量定损照片；对获取的各个车损部位对应各个预设车损级别分类的定损照片进行预处理，以将所述定损照片转化为预设尺寸及预设格式；利用转化后的各个车损部位对应各个预设车损级别分类的预设格式图片，训练预设模型结构的卷积神经网络模型，以生成各个车损部位对应各个预设车损级别分类的卷积神经网络模型。