CN109035041A - 电子装置、车险智能理赔方法及存储介质 - Google Patents
电子装置、车险智能理赔方法及存储介质 Download PDFInfo
- Publication number
- CN109035041A CN109035041A CN201810876532.XA CN201810876532A CN109035041A CN 109035041 A CN109035041 A CN 109035041A CN 201810876532 A CN201810876532 A CN 201810876532A CN 109035041 A CN109035041 A CN 109035041A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- amount
- vehicle insurance
- case
- loss settled
- 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.)
- Withdrawn
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种电子装置、车险智能理赔方法及存储介质,所述方法包括:接收到终端用户发送的出险车辆理赔请求后,从所述请求中获取包含有出险车辆基本信息的图像信息以及出险车辆受损部件的图像信息;根据OCR识别方法,从获取的包含有出险车辆基本信息的图像信息中识别出车辆基本信息;基于识别出的车辆基本信息生成对应的保单,基于生成的保单调用预先训练完成的理赔金额分析模型,分析获取的出险车辆受损部件的图像信息,以确定出所述保单对应的理赔金额;将所述理赔金额发送至所述终端用户,以供所述终端用户基于所述理赔金额向保险理赔端发起车险理赔请求。能够提高理赔定损的速度和准确性,提高客户体验效果。
Description
技术领域
本发明涉及车险理赔领域,尤其涉及一种电子装置、车险智能理赔方法及存储介质。
背景技术
在车险领域,对出险车辆进行定损理赔是车险领域的重要部分。目前,保险公司接到出险案件之后,需要专业人员进行手动输入车配号码等出险车辆的基本信息生成保单,然后在通过理赔审核人员或者系统针对该保单对应的出险车辆进行定损以及理赔定额,其需要大量专业人员的参与,导致保险公司在车险理赔环节需要付出较大的人力和运营成本,定损理赔效率低下,且使得客户无法及时了解损失及理赔情况,体验效果不佳。
发明内容
有鉴于此,为了解决上述技术问题,本发明首先提出一种电子装置,所述电子装置包括存储器、及与所述存储器连接的处理器,所述处理器用于执行所述存储器上存储的车险智能理赔程序,所述车险智能理赔程序被所述处理器执行时实现如下步骤:
A1、接收到终端用户发送的出险车辆理赔请求后,从所述请求中获取包含有出险车辆基本信息的图像信息以及出险车辆受损部件的图像信息;
A2、根据OCR识别方法,从获取的包含有出险车辆基本信息的图像信息中识别出车辆基本信息;
A3、基于识别出的车辆基本信息生成对应的保单,基于生成的保单调用预先训练完成的理赔金额分析模型,分析获取的出险车辆受损部件的图像信息,以确定出所述保单对应的理赔金额;
A4、将所述理赔金额发送至所述终端用户,以供所述终端用户基于所述理赔金额向保险理赔端发起车险理赔请求。
优选地,所述步骤A2包括:
定位所述包含有出险车辆基本信息的图像信息中的字符串信息;
获取定位到的字符串信息,并进行字符分割,以将所述字符串分割为多个单字符;
分别识别各个单字符,以识别出车辆基本信息。
优选地,所述预先训练完成的理赔金额分析模型为神经网络模型,所述理赔金额分析模型包括模型的训练过程和测试过程,所述模型的训练过程包括:
E1、获取预设数量的已理赔的与所述车辆基本信息相匹配的车险赔付案件信息样本,从所述信息样本中提取出每个车险赔付案件的车辆受损部件的图像信息集合;
F1、将各个车险赔付案件信息样本对应的车辆受损部件的图像信息集合分为第一比例的训练子集和第二比例的测试子集;
G1、利用所述训练子集中的各个车险赔付案件的车辆受损部件的图像信息训练所述理赔金额分析模型,以得到训练好的理赔金额分析模型;
H1、利用所述测试子集中的各个车险赔付案件的车辆受损部件的图像信息对所述理赔金额分析模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述通过人工审核的车险赔付案件信息样本的数量并重新执行步骤E1、F1、G1及H1。
优选地,所述模型的测试过程:
利用训练好的所述理赔金额分析模型对所述测试子集中的各个车险赔付案件的车辆受损部件的图像信息进行分析,以得出各个车险赔付案件通过人工审核的第一理赔金额与通过理赔金额分析模型自动审核的第二理赔金额相等的概率值;
若有车险赔付案件对应的所述第一理赔金额与所述第二理赔金额相等的概率值大于所述预设的概率阈值,则针对该车险赔付案件进行模型准确性测试,将该车险赔付案件进行人工审核,以得到该车险赔付案件对应的第一理赔金额,并调用理赔金额分析模型自动分析该车险赔付案件,以得到该车险赔付案件对应的第二理赔金额;
计算得到的该车险赔付案件对应的第一理赔金额与第二理赔金额之间的误差值;
若所计算出的误差值小于预设的误差阈值,则确定针对该车险赔付案件的模型准确性测试的结果为正确,或者,若所计算出的误差值大于或等于预设的误差阈值,则确定针对该车险赔付案件的模型准确性测试的结果为错误;
若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述理赔金额分析模型的测试通过,或者,若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述理赔金额分析模型的测试不通过。
优选地,所述车险智能理赔程序被所述处理器执行时还实现如下步骤:
当接收到所述终端用户发送的对所述理赔金额有异议的确认信息时,从所确认信息中获取车辆基本信息;
将所述车辆基本信息以及所述车辆受损部件的图像信息发送至预先确定的理赔审核平台;
接收所述理赔审核平台对所述事故车辆重新进行定损理赔确定之后,得到的最终理赔金额;将所述最终理赔金额发送至所述终端用户。
此外,为了解决上述技术问题,本发明还提出一种车险智能理赔方法,其特征在于,所述方法包括如下步骤:
S1、接收到终端用户发送的出险车辆理赔请求后,从所述请求中获取包含有出险车辆基本信息的图像信息以及出险车辆受损部件的图像信息;
S2、根据OCR识别方法,从获取的包含有出险车辆基本信息的图像信息中识别出车辆基本信息;
S3、基于识别出的车辆基本信息生成对应的保单,基于生成的保单调用预先训练完成的理赔金额分析模型,分析获取的出险车辆受损部件的图像信息,以确定出所述保单对应的理赔金额;
S4、将所述理赔金额发送至所述终端用户,以供所述终端用户基于所述理赔金额向保险理赔端发起车险理赔请求。
优选地,所述步骤S2包括:
定位所述包含有出险车辆基本信息的图像信息中的字符串信息;
获取定位到的字符串信息,并进行字符分割,以将所述字符串分割为多个单字符;
分别识别各个单字符,以识别出车辆基本信息。
优选地,所述预先训练完成的理赔金额分析模型为神经网络模型,所述理赔金额分析模型包括模型的训练过程和测试过程,所述模型的训练过程包括:
E2、获取预设数量的已理赔的与所述车辆基本信息相匹配的车险赔付案件信息样本,从所述信息样本中提取出每个车险赔付案件的车辆受损部件的图像信息集合;
F2、将各个车险赔付案件信息样本对应的车辆受损部件的图像信息集合分为第一比例的训练子集和第二比例的测试子集;
G2、利用所述训练子集中的各个车险赔付案件的车辆受损部件的图像信息训练所述理赔金额分析模型,以得到训练好的理赔金额分析模型;
H2、利用所述测试子集中的各个车险赔付案件的车辆受损部件的图像信息对所述理赔金额分析模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述通过人工审核的车险赔付案件信息样本的数量并重新执行步骤E2、F2、G2及H2。
优选地,所述模型的测试过程:
利用训练好的所述理赔金额分析模型对所述测试子集中的各个车险赔付案件的车辆受损部件的图像信息进行分析,以得出各个车险赔付案件通过人工审核的第一理赔金额与通过理赔金额分析模型自动审核的第二理赔金额相等的概率值;
若有车险赔付案件对应的所述第一理赔金额与所述第二理赔金额相等的概率值大于所述预设的概率阈值,则针对该车险赔付案件进行模型准确性测试,将该车险赔付案件进行人工审核,以得到该车险赔付案件对应的第一理赔金额,并调用理赔金额分析模型自动分析该车险赔付案件,以得到该车险赔付案件对应的第二理赔金额;
计算得到的该车险赔付案件对应的第一理赔金额与第二理赔金额之间的误差值;
若所计算出的误差值小于预设的误差阈值,则确定针对该车险赔付案件的模型准确性测试的结果为正确,或者,若所计算出的误差值大于或等于预设的误差阈值,则确定针对该车险赔付案件的模型准确性测试的结果为错误;
若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述理赔金额分析模型的测试通过,或者,若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述理赔金额分析模型的测试不通过。
此外,为了解决上述技术问题,本发明还提出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车险智能理赔程序,所述车险智能理赔程序可被至少一个处理器执行,以使所述至少一个处理器执行如上任一所述的车险智能理赔方法的步骤。
本发明所提出的电子装置、车险智能理赔及存储介质,首先在接收到终端用户发送的出险车辆理赔请求后,从所述请求中获取包含有出险车辆基本信息的图像信息以及出险车辆受损部件的图像信息;然后根据OCR识别方法,从获取的包含有出险车辆基本信息的图像信息中识别出车辆基本信息;
其次基于识别出的车辆基本信息生成对应的保单,基于生成的保单调用预先训练完成的理赔金额分析模型,分析获取的出险车辆受损部件的图像信息,以确定出所述保单对应的理赔金额;最后将所述理赔金额发送至所述终端用户,以供所述终端用户基于所述理赔金额向保险理赔端发起车险理赔请求。能够在车险理赔过程中减少人工的参与,提高理赔定损的速度和准确性,使客户及时了解理赔情况,提高体验效果。
附图说明
图1是本发明提出的电子装置一可选的硬件架构的示意图;
图2是本发明电子装置一实施例中车险智能理赔程序的程序模块示意图;
图3是本发明车险智能理赔方法较佳实施例的实施流程图。
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
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,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用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参阅图1所示,是本发明提出的电子装置一可选的硬件架构示意图。本实施例中,电子装置10可包括,但不仅限于,可通过通信总线14相互通信连接存储器11、处理器12、网络接口13。需要指出的是,图1仅示出了具有组件11-14的电子装置10,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
其中,存储器11至少包括一种类型的计算机可读存储介质,计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器11可以是电子装置10的内部存储单元,例如电子装置10的硬盘或内存。在另一些实施例中,存储器11也可以是电子装置10的外包存储设备,例如电子装置10上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器11还可以既包括电子装置10的内部存储单元也包括其外包存储设备。本实施例中,存储器11通常用于存储安装于电子装置10的操作系统和各类应用软件,例如车险智能理赔程序等。此外,存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。处理器12通常用于控制电子装置10的总体操作。本实施例中,处理器12用于运行存储器11中存储的程序代码或者处理数据,例如运行的车险智能理赔程序等。
网络接口13可包括无线网络接口或有线网络接口,网络接口13通常用于在电子装置10与其他电子设备之间建立通信连接。
通信总线14用于实现组件11-13之间的通信连接。
图1仅示出了具有组件11-14以及车险智能理赔程序的电子装置10,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
可选地,电子装置10还可以包括用户接口(图1中未示出),用户接口可以包括显示器、输入单元比如键盘,其中,用户接口还可以包括标准的有线接口、无线接口等。
可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED触摸器等。进一步地,显示器也可称为显示屏或显示单元,用于显示在电子装置10中处理信息以及用于显示可视化的用户界面。
可选地,在一些实施例中,电子装置10还可以包括音频单元(音频单元图1中未示出),音频单元可以在电子装置10处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时,将接收的或者存储的音频数据转换为音频信号;进一步地,电子装置10还可以包括音频输出单元,音频输出单元将音频单元转换的音频信号输出,而且音频输出单元还可以提供与电子装置10执行的特定功能相关的音频输出(例如呼叫信号接收声音、消息接收声音等等),音频输出单元可以包括扬声器、蜂鸣器等等。
可选地,在一些实施例中,电子装置10还可以包括警报单元(图中未示出),警报单元可以提供输出已将事件的发生通知给电子装置10。典型的事件可以包括呼叫接收、消息接收、键信号输入、触摸输入等等。除了音频或者视频输出之外,警报单元可以以不同的方式提供输出以通知事件的发生。例如,警报单元可以以震动的形式提供输出,当接收到呼叫、消息或一些其他可以使电子装置10进入通信模式时,警报单元可以提供触觉输出(即,振动)以将其通知给用户。
在一实施例中,存储器11中存储的车险智能理赔程序被处理器12执行时,实现如下操作:
A、接收到终端用户发送的出险车辆理赔请求后,从所述请求中获取包含有出险车辆基本信息的图像信息以及出险车辆受损部件的图像信息;
具体地,在本实施例中,所述终端用户可以通过终端设备上安装运行的车辆定损应用(车险APP),拍摄事故现场的事故车辆的基本信息以及事故车辆的受损部件的照片,并生成图像信息,可选地,在车辆定损应用中可以提供一拍摄引导界面,该界面为基于移动设备的相机的应用,即在移动设备进入拍摄引导界面后,开启相机,该界面上显示一个提示用户拍摄出险车辆基本信息的第一选择框,在用户点击该第一选择框后,生成一个第一预设尺寸的第一浮动框,用户在拍摄出险车辆基本信息的图像时,需要将拍摄的基本信息完全容纳在该第一浮动框内,基于该第一浮动框进行拍摄,以拍摄到符合要求的照片,即得到车辆基本信息的图像信息,进一步地,在用户拍摄完车辆基本信息后,该界面上显示一个提示用户拍摄出险车辆受损部件的第二选择框,在用户点击该第二选择框后,生成一个第二预设尺寸的第二浮动框,用户在拍摄出险车辆受损部件的图像时,需要将受损部件完全容纳在该第二浮动框内,基于该第二浮动框进行拍摄,以拍摄到符合要求的照片,即得到车辆受损部件的图像信息,基于拍摄的所述出险车辆基本信息以及车辆受损部件的图像信息生成出险车辆理赔请求。通过上述方法可以避免出现拍摄的车辆信息或者受损部件不完整而导致无法正常识别的情况。
优选地,所述终端用户还可以通过在已有的应用程序例如微信,中接入车险理赔小程序来完成出险车辆理赔请求的报案操作,具体地,可以通过在接入应用程序的车险理赔小程序中提供一拍摄引导界面,也可以通过坐席直接引导完成车辆的基本信息以及事故车辆的受损部件的照片的拍摄。
可选地,在一些实施例中,根据具体出险案件的需要,还可以在拍摄引导界面或者是通过坐席直接引导出险用户,拍摄出险车辆驾驶员的身份证件、以及银行卡等可识别用户身份的信息。
可以理解的是,出险车辆理赔请求中包含出险车辆基本信息的图像信息以及出险车辆受损部件的图像信息,所述出险车辆基本信息包括车辆类型、车牌号码、车辆识别码(VIN码)等。
B.根据OCR(光学字符)识别方法,从获取的包含有出险车辆基本信息的图像信息中识别出车辆基本信息;
具体地,所述OCR(Optical Character Recognition光学字符识别)技术,是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符,通过检测暗、亮的模式确定其形状,然后用字符识别方法将形状翻译成计算机文字的过程;即,对文本资料进行扫描,然后对图像文件进行分析处理,获取文字及版面信息的过程。在本实施例中,根据OCR识别方法,从获取的包含有出险车辆基本信息的图像信息中识别出车辆基本信息的过程包括:定位所述包含有出险车辆基本信息的图像信息中的字符串信息;获取定位到的字符串信息,并进行字符分割,以将所述字符串分割为多个单字符;分别识别各个单字符,以识别出车辆基本信息。
C.基于识别出的车辆基本信息生成对应的保单,基于生成的保单调用预先训练完成的理赔金额分析模型,分析获取的出险车辆受损部件的图像信息,以确定出所述保单对应的理赔金额;
具体地,预先训练完成的理赔金额分析模型为神经网络模型,所述理赔金额分析模型包括模型的训练过程和测试过程,所述模型的训练过程包括:
E1、获取预设数量的已理赔的与所述车辆基本信息相匹配的车险赔付案件信息样本,从所述信息样本中提取出每个车险赔付案件的车辆受损部件的图像信息集合;
F1、将各个车险赔付案件信息样本对应的车辆受损部件的图像信息集合分为第一比例的训练子集和第二比例的测试子集;
G1、利用所述训练子集中的各个车险赔付案件的车辆受损部件的图像信息训练所述理赔金额分析模型,以得到训练好的理赔金额分析模型;
H1、利用所述测试子集中的各个车险赔付案件的车辆受损部件的图像信息对所述理赔金额分析模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述通过人工审核的车险赔付案件信息样本的数量并重新执行上述步骤E1、F1、G1及H1。
所述模型的测试过程:
利用训练好的所述理赔金额分析模型对所述测试子集中的各个车险赔付案件的车辆受损部件的图像信息进行分析,以得出各个车险赔付案件通过人工审核的第一理赔金额与通过理赔金额分析模型自动审核的第二理赔金额相等的概率值;
若有车险赔付案件对应的所述第一理赔金额与所述第二理赔金额相等的概率值大于所述预设的概率阈值,则针对该车险赔付案件进行模型准确性测试,将该车险赔付案件进行人工审核,以得到该车险赔付案件对应的第一理赔金额,并调用理赔金额分析模型自动分析该车险赔付案件,以得到该车险赔付案件对应的第二理赔金额;
计算得到的该车险赔付案件对应的第一理赔金额与第二理赔金额之间的误差值;
若所计算出的误差值小于预设的误差阈值,则确定针对该车险赔付案件的模型准确性测试的结果为正确,或者,若所计算出的误差值大于或等于预设的误差阈值,则确定针对该车险赔付案件的模型准确性测试的结果为错误;
若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述理赔金额分析模型的测试通过,或者,若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述理赔金额分析模型的测试不通过。
D、将所述理赔金额发送至所述终端用户,以供所述终端用户基于所述理赔金额向保险理赔端发起车险理赔请求。
具体地,终端用户可以基于接收到的理赔金额向保险理赔端,例如各个保险公司,或者保险公司提供的保险服务平台发起理赔请求。
进一步地,所述车险智能理赔程序被所述处理器执行时,还实现如下步骤:
当接收到所述终端用户发送的对所述理赔金额有异议的确认信息时,从所确认信息中获取车辆基本信息;将所述车辆基本信息以及所述车辆受损部件的图像信息发送至预先确定的理赔审核平台;接收所述理赔审核平台对所述事故车辆重新进行定损理赔确定之后,得到的最终理赔金额;将所述最终理赔金额发送至所述终端用户。
由上述事实施例可知,本发明提出的电子装置,首先在接收到终端用户发送的出险车辆理赔请求后,从所述请求中获取包含有出险车辆基本信息的图像信息以及出险车辆受损部件的图像信息;然后根据OCR识别方法,从获取的包含有出险车辆基本信息的图像信息中识别出车辆基本信息;其次基于识别出的车辆基本信息生成对应的保单,基于生成的保单调用预先训练完成的理赔金额分析模型,分析获取的出险车辆受损部件的图像信息,以确定出所述保单对应的理赔金额;最后将所述理赔金额发送至所述终端用户,以供所述终端用户基于所述理赔金额向保险理赔端发起车险理赔请求。能够在车险理赔过程中减少人工的参与,提高理赔定损的速度和准确性,使客户及时了解理赔情况,提高体验效果。
此外,本发明的车险智能理赔程序依据其各部分所实现的功能不同,可用具有相同功能的程序模块进行描述。请参阅图2所示,是本发明电子装置一实施例中车险智能理赔程序的程序模块示意图。本实施例中,车险智能理赔程序依据其各部分所实现的功能的不同,可以被分割成获取模块201、识别模块202、分析模块203以及发送模块204。由上面的描述可知,本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述车险智能理赔程序在电子装置10中的执行过程。所述模块201-204所实现的功能或操作步骤均与上文类似,此处不再详述,示例性地,例如其中:
获取模块201用于接收到终端用户发送的出险车辆理赔请求后,从所述请求中获取包含有出险车辆基本信息的图像信息以及出险车辆受损部件的图像信息;
识别模块202用于根据OCR识别方法,从获取的包含有出险车辆基本信息的图像信息中识别出车辆基本信息;
分析模块203用于基于识别出的车辆基本信息生成对应的保单,基于生成的保单调用预先训练完成的理赔金额分析模型,分析获取的出险车辆受损部件的图像信息,以确定出所述保单对应的理赔金额;
发送模块204用于将所述理赔金额发送至所述终端用户,以供所述终端用户基于所述理赔金额向保险理赔端发起车险理赔请求。
此外,本发明还提出一种车险智能理赔方法,请参阅图3所示,所述车险智能理赔方法包括如下步骤:
S301、接收到终端用户发送的出险车辆理赔请求后,从所述请求中获取包含有出险车辆基本信息的图像信息以及出险车辆受损部件的图像信息;
具体地,在本实施例中,所述终端用户可以通过终端设备上安装运行的车辆定损应用(车险APP),拍摄事故现场的事故车辆的基本信息以及事故车辆的受损部件的照片,并生成图像信息,可选地,在车辆定损应用中可以提供一拍摄引导界面,该界面为基于移动设备的相机的应用,即在移动设备进入拍摄引导界面后,开启相机,该界面上显示一个提示用户拍摄出险车辆基本信息的第一选择框,在用户点击该第一选择框后,生成一个第一预设尺寸的第一浮动框,用户在拍摄出险车辆基本信息的图像时,需要将拍摄的基本信息完全容纳在该第一浮动框内,基于该第一浮动框进行拍摄,以拍摄到符合要求的照片,即得到车辆基本信息的图像信息,进一步地,在用户拍摄完车辆基本信息后,该界面上显示一个提示用户拍摄出险车辆受损部件的第二选择框,在用户点击该第二选择框后,生成一个第二预设尺寸的第二浮动框,用户在拍摄出险车辆受损部件的图像时,需要将受损部件完全容纳在该第二浮动框内,基于该第二浮动框进行拍摄,以拍摄到符合要求的照片,即得到车辆受损部件的图像信息,基于拍摄的所述出险车辆基本信息以及车辆受损部件的图像信息生成出险车辆理赔请求。通过上述方法可以避免出现拍摄的车辆信息或者受损部件不完整而导致无法正常识别的情况。
优选地,所述终端用户还可以通过在已有的应用程序例如微信,中接入车险理赔小程序来完成出险车辆理赔请求的报案操作,具体地,可以通过在接入应用程序的车险理赔小程序中提供一拍摄引导界面,也可以通过坐席直接引导完成车辆的基本信息以及事故车辆的受损部件的照片的拍摄。
可选地,在一些实施例中,根据具体出险案件的需要,还可以在拍摄引导界面或者是通过坐席直接引导出险用户,拍摄出险车辆驾驶员的身份证件、以及银行卡等可识别用户身份的信息。
可以理解的是,出险车辆理赔请求中包含出险车辆基本信息的图像信息以及出险车辆受损部件的图像信息,所述出险车辆基本信息包括车辆类型、车牌号码、车辆识别码(VIN码)等。
S302、根据OCR(光学字符)识别方法,从获取的包含有出险车辆基本信息的图像信息中识别出车辆基本信息;
具体地,所述OCR(Optical Character Recognition光学字符识别)技术,是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符,通过检测暗、亮的模式确定其形状,然后用字符识别方法将形状翻译成计算机文字的过程;即,对文本资料进行扫描,然后对图像文件进行分析处理,获取文字及版面信息的过程。在本实施例中,根据OCR识别方法,从获取的包含有出险车辆基本信息的图像信息中识别出车辆基本信息的过程包括:定位所述包含有出险车辆基本信息的图像信息中的字符串信息;获取定位到的字符串信息,并进行字符分割,以将所述字符串分割为多个单字符;分别识别各个单字符,以识别出车辆基本信息。
S303、基于识别出的车辆基本信息生成对应的保单,基于生成的保单调用预先训练完成的理赔金额分析模型,分析获取的出险车辆受损部件的图像信息,以确定出所述保单对应的理赔金额;
具体地,预先训练完成的理赔金额分析模型为神经网络模型,所述理赔金额分析模型包括模型的训练过程和测试过程,所述模型的训练过程包括:
E2、获取预设数量的已理赔的与所述车辆基本信息相匹配的车险赔付案件信息样本,从所述信息样本中提取出每个车险赔付案件的车辆受损部件的图像信息集合;
F2、将各个车险赔付案件信息样本对应的车辆受损部件的图像信息集合分为第一比例的训练子集和第二比例的测试子集;
G2、利用所述训练子集中的各个车险赔付案件的车辆受损部件的图像信息训练所述理赔金额分析模型,以得到训练好的理赔金额分析模型;
H2、利用所述测试子集中的各个车险赔付案件的车辆受损部件的图像信息对所述理赔金额分析模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述通过人工审核的车险赔付案件信息样本的数量并重新执行上述步骤E2、F2、G2及H2。
所述模型的测试过程:
利用训练好的所述理赔金额分析模型对所述测试子集中的各个车险赔付案件的车辆受损部件的图像信息进行分析,以得出各个车险赔付案件通过人工审核的第一理赔金额与通过理赔金额分析模型自动审核的第二理赔金额相等的概率值;
若有车险赔付案件对应的所述第一理赔金额与所述第二理赔金额相等的概率值大于所述预设的概率阈值,则针对该车险赔付案件进行模型准确性测试,将该车险赔付案件进行人工审核,以得到该车险赔付案件对应的第一理赔金额,并调用理赔金额分析模型自动分析该车险赔付案件,以得到该车险赔付案件对应的第二理赔金额;
计算得到的该车险赔付案件对应的第一理赔金额与第二理赔金额之间的误差值;
若所计算出的误差值小于预设的误差阈值,则确定针对该车险赔付案件的模型准确性测试的结果为正确,或者,若所计算出的误差值大于或等于预设的误差阈值,则确定针对该车险赔付案件的模型准确性测试的结果为错误;
若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述理赔金额分析模型的测试通过,或者,若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述理赔金额分析模型的测试不通过。
S304、将所述理赔金额发送至所述终端用户,以供所述终端用户基于所述理赔金额向保险理赔端发起车险理赔请求。
具体地,终端用户可以基于接收到的理赔金额向保险理赔端,例如各个保险公司,或者保险公司提供的保险服务平台发起理赔请求。
进一步地,所述方法还包括:
当接收到所述终端用户发送的对所述理赔金额有异议的确认信息时,从所确认信息中获取车辆基本信息;将所述车辆基本信息以及所述车辆受损部件的图像信息发送至预先确定的理赔审核平台;接收所述理赔审核平台对所述事故车辆重新进行定损理赔确定之后,得到的最终理赔金额;将所述最终理赔金额发送至所述终端用户。
由上述事实施例可知,本发明提出的车险智能理赔方法,首先在接收到终端用户发送的出险车辆理赔请求后,从所述请求中获取包含有出险车辆基本信息的图像信息以及出险车辆受损部件的图像信息;然后根据OCR识别方法,从获取的包含有出险车辆基本信息的图像信息中识别出车辆基本信息;其次基于识别出的车辆基本信息生成对应的保单,基于生成的保单调用预先训练完成的理赔金额分析模型,分析获取的出险车辆受损部件的图像信息,以确定出所述保单对应的理赔金额;最后将所述理赔金额发送至所述终端用户,以供所述终端用户基于所述理赔金额向保险理赔端发起车险理赔请求。能够在车险理赔过程中减少人工的参与,提高理赔定损的速度和准确性,使客户及时了解理赔情况,提高体验效果。
此外,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有车险智能理赔程序,所述车险智能理赔程序被处理器执行时实现如下操作:
在接收到终端用户发送的出险车辆理赔请求后,从所述请求中获取包含有出险车辆基本信息的图像信息以及出险车辆受损部件的图像信息;
根据OCR识别方法,从获取的包含有出险车辆基本信息的图像信息中识别出车辆基本信息;
基于识别出的车辆基本信息生成对应的保单,基于生成的保单调用预先训练完成的理赔金额分析模型,分析获取的出险车辆受损部件的图像信息,以确定出所述保单对应的理赔金额;
将所述理赔金额发送至所述终端用户,以供所述终端用户基于所述理赔金额向保险理赔端发起车险理赔请求。
本发明计算机可读存储介质具体实施方式与上述电子装置以及车险智能理赔车险智能理赔方法各实施例基本相同,在此不作累述。
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。
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,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。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种电子装置,其特征在于,所述电子装置包括存储器、及与所述存储器连接的处理器,所述处理器用于执行所述存储器上存储的车险智能理赔程序,所述车险智能理赔程序被所述处理器执行时实现如下步骤:
A1、接收到终端用户发送的出险车辆理赔请求后,从所述请求中获取包含有出险车辆基本信息的图像信息以及出险车辆受损部件的图像信息;
A2、根据OCR识别方法,从获取的包含有出险车辆基本信息的图像信息中识别出车辆基本信息;
A3、基于识别出的车辆基本信息生成对应的保单,基于生成的保单调用预先训练完成的理赔金额分析模型,分析获取的出险车辆受损部件的图像信息,以确定出所述保单对应的理赔金额;
A4、将所述理赔金额发送至所述终端用户,以供所述终端用户基于所述理赔金额向保险理赔端发起车险理赔请求。
2.如权利要求1所述的电子装置,其特征在于,所述步骤A2包括:
定位所述包含有出险车辆基本信息的图像信息中的字符串信息;
获取定位到的字符串信息,并进行字符分割,以将所述字符串分割为多个单字符;
分别识别各个单字符,以识别出车辆基本信息。
3.如权利要求1所述的电子装置,其特征在于,所述预先训练完成的理赔金额分析模型为神经网络模型,所述理赔金额分析模型包括模型的训练过程和测试过程,所述模型的训练过程包括:
E1、获取预设数量的已理赔的与所述车辆基本信息相匹配的车险赔付案件信息样本,从所述信息样本中提取出每个车险赔付案件的车辆受损部件的图像信息集合;
F1、将各个车险赔付案件信息样本对应的车辆受损部件的图像信息集合分为第一比例的训练子集和第二比例的测试子集;
G1、利用所述训练子集中的各个车险赔付案件的车辆受损部件的图像信息训练所述理赔金额分析模型,以得到训练好的理赔金额分析模型;
H1、利用所述测试子集中的各个车险赔付案件的车辆受损部件的图像信息对所述理赔金额分析模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述通过人工审核的车险赔付案件信息样本的数量并重新执行步骤E1、F1、G1及H1。
4.如权利要求3所述的电子装置,其特征在于,所述模型的测试过程:
利用训练好的所述理赔金额分析模型对所述测试子集中的各个车险赔付案件的车辆受损部件的图像信息进行分析,以得出各个车险赔付案件通过人工审核的第一理赔金额与通过理赔金额分析模型自动审核的第二理赔金额相等的概率值;
若有车险赔付案件对应的所述第一理赔金额与所述第二理赔金额相等的概率值大于所述预设的概率阈值,则针对该车险赔付案件进行模型准确性测试,将该车险赔付案件进行人工审核,以得到该车险赔付案件对应的第一理赔金额,并调用理赔金额分析模型自动分析该车险赔付案件,以得到该车险赔付案件对应的第二理赔金额;
计算得到的该车险赔付案件对应的第一理赔金额与第二理赔金额之间的误差值;
若所计算出的误差值小于预设的误差阈值,则确定针对该车险赔付案件的模型准确性测试的结果为正确,或者,若所计算出的误差值大于或等于预设的误差阈值,则确定针对该车险赔付案件的模型准确性测试的结果为错误;
若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述理赔金额分析模型的测试通过,或者,若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述理赔金额分析模型的测试不通过。
5.如权利要求1-4任一项所述的电子装置,其特征在于,所述车险智能理赔程序被所述处理器执行时还实现如下步骤:
当接收到所述终端用户发送的对所述理赔金额有异议的确认信息时,从所确认信息中获取车辆基本信息;
将所述车辆基本信息以及所述车辆受损部件的图像信息发送至预先确定的理赔审核平台;
接收所述理赔审核平台对所述事故车辆重新进行定损理赔确定之后,得到的最终理赔金额;将所述最终理赔金额发送至所述终端用户。
6.一种车险智能理赔方法,其特征在于,所述方法包括如下步骤:
S1、接收到终端用户发送的出险车辆理赔请求后,从所述请求中获取包含有出险车辆基本信息的图像信息以及出险车辆受损部件的图像信息;
S2、根据OCR识别方法,从获取的包含有出险车辆基本信息的图像信息中识别出车辆基本信息;
S3、基于识别出的车辆基本信息生成对应的保单,基于生成的保单调用预先训练完成的理赔金额分析模型,分析获取的出险车辆受损部件的图像信息,以确定出所述保单对应的理赔金额;
S4、将所述理赔金额发送至所述终端用户,以供所述终端用户基于所述理赔金额向保险理赔端发起车险理赔请求。
7.如权利要求6所述的车险智能理赔方法,其特征在于,所述步骤S2包括:
定位所述包含有出险车辆基本信息的图像信息中的字符串信息;
获取定位到的字符串信息,并进行字符分割,以将所述字符串分割为多个单字符;
分别识别各个单字符,以识别出车辆基本信息。
8.如权利要求6所述的车险智能理赔方法,其特征在于,所述预先训练完成的理赔金额分析模型为神经网络模型,所述理赔金额分析模型包括模型的训练过程和测试过程,所述模型的训练过程包括:
E2、获取预设数量的已理赔的与所述车辆基本信息相匹配的车险赔付案件信息样本,从所述信息样本中提取出每个车险赔付案件的车辆受损部件的图像信息集合;
F2、将各个车险赔付案件信息样本对应的车辆受损部件的图像信息集合分为第一比例的训练子集和第二比例的测试子集;
G2、利用所述训练子集中的各个车险赔付案件的车辆受损部件的图像信息训练所述理赔金额分析模型,以得到训练好的理赔金额分析模型;
H2、利用所述测试子集中的各个车险赔付案件的车辆受损部件的图像信息对所述理赔金额分析模型进行测试,若测试通过,则训练结束,或者,若测试不通过,则增加所述通过人工审核的车险赔付案件信息样本的数量并重新执行步骤E2、F2、G2及H2。
9.如权利要求6所述的车险智能理赔方法,其特征在于,所述模型的测试过程:
利用训练好的所述理赔金额分析模型对所述测试子集中的各个车险赔付案件的车辆受损部件的图像信息进行分析,以得出各个车险赔付案件通过人工审核的第一理赔金额与通过理赔金额分析模型自动审核的第二理赔金额相等的概率值;
若有车险赔付案件对应的所述第一理赔金额与所述第二理赔金额相等的概率值大于所述预设的概率阈值,则针对该车险赔付案件进行模型准确性测试,将该车险赔付案件进行人工审核,以得到该车险赔付案件对应的第一理赔金额,并调用理赔金额分析模型自动分析该车险赔付案件,以得到该车险赔付案件对应的第二理赔金额;
计算得到的该车险赔付案件对应的第一理赔金额与第二理赔金额之间的误差值;
若所计算出的误差值小于预设的误差阈值,则确定针对该车险赔付案件的模型准确性测试的结果为正确,或者,若所计算出的误差值大于或等于预设的误差阈值,则确定针对该车险赔付案件的模型准确性测试的结果为错误;
若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比大于预设百分比阈值,则确定对所述理赔金额分析模型的测试通过,或者,若为正确的模型准确性测试结果占所有模型准确性测试结果的百分比小于或者等于预设百分比阈值,则确定对所述理赔金额分析模型的测试不通过。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有基于虚拟号码监测查勘程序,所述车险智能理赔程序可被至少一个处理器执行,以使所述至少一个处理器执行如权利要求6-9中任一项所述的车险智能理赔方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810876532.XA CN109035041A (zh) | 2018-08-03 | 2018-08-03 | 电子装置、车险智能理赔方法及存储介质 |
PCT/CN2018/107711 WO2020024407A1 (zh) | 2018-08-03 | 2018-09-26 | 电子装置、车险智能理赔方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810876532.XA CN109035041A (zh) | 2018-08-03 | 2018-08-03 | 电子装置、车险智能理赔方法及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109035041A true CN109035041A (zh) | 2018-12-18 |
Family
ID=64649152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810876532.XA Withdrawn CN109035041A (zh) | 2018-08-03 | 2018-08-03 | 电子装置、车险智能理赔方法及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109035041A (zh) |
WO (1) | WO2020024407A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658270A (zh) * | 2018-12-19 | 2019-04-19 | 前海企保科技(深圳)有限公司 | 一种基于保险产品阅读理解的核赔系统及方法 |
CN110689440A (zh) * | 2019-08-13 | 2020-01-14 | 平安科技(深圳)有限公司 | 基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质 |
CN111524017A (zh) * | 2019-02-01 | 2020-08-11 | 天津幸福生命科技有限公司 | 理赔数据的审核方法、装置及介质 |
CN111861765A (zh) * | 2020-07-29 | 2020-10-30 | 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 |
CN112183022A (zh) * | 2020-09-25 | 2021-01-05 | 北京优全智汇信息技术有限公司 | 一种估损方法和装置 |
WO2021169171A1 (zh) * | 2020-02-25 | 2021-09-02 | 平安国际智慧城市科技股份有限公司 | 事故信息快速采集方法、装置、计算机设备及存储介质 |
CN113344437A (zh) * | 2021-06-29 | 2021-09-03 | 中国平安人寿保险股份有限公司 | 理赔业务处理方法、装置、计算机设备和存储介质 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445058B (zh) * | 2020-03-04 | 2024-05-28 | 中国平安人寿保险股份有限公司 | 数据分析方法、装置、设备及计算机可读存储介质 |
CN111429067A (zh) * | 2020-03-28 | 2020-07-17 | 河南密巴巴货运服务有限公司 | 一种智能物流管理系统 |
CN111813823A (zh) * | 2020-05-25 | 2020-10-23 | 泰康保险集团股份有限公司 | 保险服务策略调整系统、车载记录设备和服务器 |
CN112101902A (zh) * | 2020-09-15 | 2020-12-18 | 京东数字科技控股股份有限公司 | 数据单处理方法及装置 |
CN112418789A (zh) * | 2020-11-18 | 2021-02-26 | 德联易控科技(北京)有限公司 | 理赔评估处理方法及装置、非易失性存储介质、电子设备 |
CN113379555A (zh) * | 2021-06-07 | 2021-09-10 | 北京车与车科技有限公司 | 一种基于深度学习的车险风控定价模型方法 |
CN114357225B (zh) * | 2021-12-09 | 2024-05-24 | 之江实验室 | 基于跨案件图像比对的车险理赔欺诈风险识别方法和系统 |
CN115222546B (zh) * | 2022-07-19 | 2023-12-15 | 北京力众华援技术服务有限公司 | 一种基于大数据的保险业务智能分析管理系统 |
CN115631002B (zh) * | 2022-12-08 | 2023-11-17 | 邦邦汽车销售服务(北京)有限公司 | 基于计算机视觉的车险智能定损方法及系统 |
CN117745454A (zh) * | 2024-02-04 | 2024-03-22 | 中保金服(深圳)科技有限公司 | 一种基于投保的宠物识别理赔方法及相关装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956667B (zh) * | 2016-04-14 | 2018-09-25 | 平安科技(深圳)有限公司 | 车险定损理赔审核方法及系统 |
CN106022929A (zh) * | 2016-05-27 | 2016-10-12 | 大连楼兰科技股份有限公司 | 基于专家系统的碰撞事故定损方法及系统 |
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 |
CN107563893A (zh) * | 2017-08-31 | 2018-01-09 | 济南浪潮高新科技投资发展有限公司 | 一种车险理赔方法、客户端、服务器以及系统 |
CN107679995B (zh) * | 2017-08-31 | 2021-07-13 | 平安科技(深圳)有限公司 | 电子装置、保险案件理赔审核方法及计算机可读存储介质 |
-
2018
- 2018-08-03 CN CN201810876532.XA patent/CN109035041A/zh not_active Withdrawn
- 2018-09-26 WO PCT/CN2018/107711 patent/WO2020024407A1/zh active Application Filing
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658270A (zh) * | 2018-12-19 | 2019-04-19 | 前海企保科技(深圳)有限公司 | 一种基于保险产品阅读理解的核赔系统及方法 |
CN111524017A (zh) * | 2019-02-01 | 2020-08-11 | 天津幸福生命科技有限公司 | 理赔数据的审核方法、装置及介质 |
CN111524017B (zh) * | 2019-02-01 | 2023-09-22 | 北京懿医云科技有限公司 | 理赔数据的审核方法、装置及介质 |
CN110689440A (zh) * | 2019-08-13 | 2020-01-14 | 平安科技(深圳)有限公司 | 基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质 |
WO2021027157A1 (zh) * | 2019-08-13 | 2021-02-18 | 平安科技(深圳)有限公司 | 基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质 |
WO2021169171A1 (zh) * | 2020-02-25 | 2021-09-02 | 平安国际智慧城市科技股份有限公司 | 事故信息快速采集方法、装置、计算机设备及存储介质 |
CN111861765A (zh) * | 2020-07-29 | 2020-10-30 | 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 |
CN112183022A (zh) * | 2020-09-25 | 2021-01-05 | 北京优全智汇信息技术有限公司 | 一种估损方法和装置 |
CN113344437A (zh) * | 2021-06-29 | 2021-09-03 | 中国平安人寿保险股份有限公司 | 理赔业务处理方法、装置、计算机设备和存储介质 |
CN113344437B (zh) * | 2021-06-29 | 2023-02-03 | 中国平安人寿保险股份有限公司 | 理赔业务处理方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020024407A1 (zh) | 2020-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035041A (zh) | 电子装置、车险智能理赔方法及存储介质 | |
CN107977776B (zh) | 信息处理方法、装置、服务器及计算机可读存储介质 | |
CN108734702A (zh) | 车损判定方法、服务器及存储介质 | |
CN111259848A (zh) | 一种车辆定损方法、车辆定损系统、计算机设备和介质 | |
CN109508404B (zh) | 维修教学视频管理方法、装置、终端设备及存储介质 | |
CN108171203A (zh) | 用于识别车辆的方法和装置 | |
CN108090747A (zh) | 车险核保的自助验车方法、装置、设备和计算机存储介质 | |
CN108052920A (zh) | 用于输出信息的方法和装置 | |
CN111415336B (zh) | 一种图像篡改识别方法、装置、服务器及存储介质 | |
CN109685514A (zh) | 用于支付的方法、装置、存储介质及电子设备 | |
CN109145590A (zh) | 一种函数hook检测方法、检测设备及计算机可读介质 | |
CN112883858A (zh) | 报销发票审核方法、装置和存储介质 | |
CN110503089A (zh) | 基于众包技术的ocr识别模型训练方法、装置以及计算机设备 | |
CN112990868A (zh) | 车辆保险自动赔付方法、系统、设备及存储介质 | |
CN108960111B (zh) | 人脸识别方法、系统及终端设备 | |
CN109242005A (zh) | 车辆信息的识别方法及装置、存储介质和电子设备 | |
CN105788056A (zh) | 事件处理方法和装置 | |
CN109117839A (zh) | 一种信息校验方法及装置 | |
CN114356781A (zh) | 软件功能测试方法和装置 | |
CN111914820B (zh) | 资质审核方法及装置 | |
CN110598527B (zh) | 基于机器学习的理赔保单号码识别方法及相关设备 | |
CN111027371A (zh) | 一种智能验车的方法及系统、计算机设备与存储介质 | |
CN112889035A (zh) | 测试方法、测试装置及终端设备 | |
CN112308070A (zh) | 证件信息的识别方法及装置、设备和计算机可读存储介质 | |
CN110599333A (zh) | 基于银行差异性的贷款业务处理方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181218 |