CN110287768A - 图像智能识别车辆定损方法 - Google Patents
图像智能识别车辆定损方法 Download PDFInfo
- Publication number
- CN110287768A CN110287768A CN201910372441.7A CN201910372441A CN110287768A CN 110287768 A CN110287768 A CN 110287768A CN 201910372441 A CN201910372441 A CN 201910372441A CN 110287768 A CN110287768 A CN 110287768A
- Authority
- CN
- China
- Prior art keywords
- damaged
- damage
- vehicle
- data
- digital image
- 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.)
- Pending
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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Abstract
本发明公开了一种图像智能识别车辆定损方法,包括以下步骤:客户端获取拍摄视频数据,将所述拍摄视频数据发送至服务器;对所述拍摄视频数据中的视频图像进行检测,识别所述视频图像中的受损部位,按照预设筛选条件从受损部位识别模块中受损图像,存储构建部件损伤识别模型,以及通过所述部件损伤识别模型检测受损部件图像,确定车辆部件的损伤类型;通过海量数据分析、深度学习技术,自动建立车型选择子模型;根据车辆受损部位、受损程度,结合维修数据模型,评估计算费用及维修方案。本发明可通过对图像数据进行分析,识别出受损程度,根据受损车型、受损部位、受损程度等多方面得出预计维修价格,为车主出现小事故时快速提供预估费用。
Description
技术领域
本发明属于图形处理技术领域,具体涉及一种图像智能识别车辆定损方法。
背景技术
目前,针对车辆在低速运动(包括低速道路行驶、车辆停靠等)过程中频发碰撞事故而导致的保险理赔纠纷问题频发,但无论事故大小都需要保险公司人员现场或远程定损后才能得出预估的费用,导致发生交通事故后容易造成交通拥堵,且保险理赔处理效率低下。
发明内容
鉴于以上存在的技术问题,本发明用于提供一种图像智能识别车辆定损方法。
为解决上述技术问题,本发明采用如下的技术方案:
一种图像智能识别车辆定损方法,包括以下步骤:
客户端获取拍摄视频数据,将所述拍摄视频数据发送至服务器;
对所述拍摄视频数据中的视频图像进行检测,识别所述视频图像中的受损部位,按照预设筛选条件从受损部位识别模块中受损图像,存储构建部件损伤识别模型,以及通过所述部件损伤识别模型检测受损部件图像,确定车辆部件的损伤类型;
通过海量数据分析、深度学习技术,自动建立车型选择子模型;
根据车辆受损部位、受损程度,结合维修数据模型,评估计算费用及维修方案。
优选地,所述客户端包括具有视频拍摄功能和数据通信功能的通用或专用设备。
优选地,客户端包括具有数据通信功能的固定计算机设备和与其连接的可移动的视频拍摄设备的组合。
优选地,所述自动建立车型选择子模型中,包括新款车型和小样本参数车型选择子模型,采用度量学习metric learning的方法,用构成每个类的标签样本的原型embedding的中心来表征这个类,进而通过相似度分类KNN Classification进行新款车型和小样本识别。
优选地,所述损伤类型包括轻度刮擦、重度刮擦、轻度变形、中度变形、重度变形、破损以及需拆解检查的类型。
优选地,预先采用设计的机器学习算法构建用于识别视频图像中车辆部件受损部位的损伤检测模型和部件损伤识别模型。
采用本发明具有如下的有益效果:本发明提供的一种图像智能识别车辆定损方法,通过拍摄者对受损车辆的受损部位进行视频拍摄,可以自动、快速的生成符合定损处理需求的高质量的定损图像,根据高质量定损图像抽取事先设计好的特征值,对图像数据进行分析,识别出受损程度,根据受损车型、受损部位、受损程度等多方面得出预计维修价格,为车主出现小事故时快速提供预估费用。
附图说明
图1为本发明实施例的图像智能识别车辆定损方法的步骤流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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。
参照图1,所示为本发明实施例的图像智能识别车辆定损方法的步骤流程图,其包括以下步骤:
S10,客户端获取拍摄视频数据,将所述拍摄视频数据发送至服务器;
具体应用实例中,客户端可以包括具有视频拍摄功能和数据通信功能的通用或专用设备,如手机、平板电脑等的终端设备。本实施例其他的实施场景中,所述的客户端也可以包括具有数据通信功能的固定计算机设备(如PC端)和与其连接的可移动的视频拍摄设备的组合,两者组合后视为本实施例的一种客户端的终端设备。
需要说明的是,本实施例中拍摄者对车辆受损部位进行拍摄获取的拍摄视频数据,可以为一个视频片段,也可以为多个视频片段。如对同一个受损部位进行了多次不同角度和远近距离的拍摄生成的多段拍摄视频数据,或者对不同的受损部位分别进行拍摄得到各个受损部位的拍摄视频数据。当然,一些实施场景下,也可以围绕受损车辆的各个受损部位进行一次完整拍摄,得到一个相对时间较长的视频片段。
S20,对所述拍摄视频数据中的视频图像进行检测,识别所述视频图像中的受损部位,按照预设筛选条件从受损部位识别模块中受损图像,存储构建部件损伤识别模型,以及通过所述部件损伤识别模型检测受损部件图像,确定车辆部件的损伤类型。
在具体应用实例中,服务器可以对拍摄视频数据中的视频图像进行图像检测,识别处理视频图像中车辆的受损部位图像,再对受损位置区域进行检查,识别出损伤类型。本实施例中所述的损伤类型可以包括轻度刮擦、重度刮擦、轻度变形、中度变形、重度变形、破损、需拆解检查的类型。
在具体应用实例中,可以预先采用设计的机器学习算法构建用于识别视频图像中车辆部件受损部位的损伤检测模型和部件损伤识别模型。模型使用深度神经网络检查车辆受损部位、其在图像中的区域和损伤类型。可以基于卷积神经网络(Convolutional NeuralNetwork,CNN)和区域建议网络(Region Proposal Network,RPN)结合池化层、全连接层等构件所述部件受损部位和损伤类型的部件损伤识别模型。
卷积神经网络一般指以卷积层(CNN)为主要结构并结合其他如激活层等组成的神经网络,主要用于图像识别。具体应用实例中所述的深度神经网络可以包括卷积层和其他重要的层(如池化层,数据归一化层,激活层等),并结合区域建议网络(RPN)共同组建生成。卷积神经网络通常是将图像处理中的二维离散卷积运算和人工神经网络相结合。这种卷积运算可以用于自动提取特征。区域建议网络(RPN)可以将一个图像(任意大小)提取的特征作为输入(可以使用卷积神经网络提取的二维特征),输出矩形目标建议框的集合,每个框有一个对象的得分。为避免混淆,可以把使用的卷积神经网络(CNN)称为卷积层、区域建议网络(RPN)称为区域建议层。本申请其他的具体应用实例中,损伤检测模型还可以包括基于所述卷积神经网络改进后的或区域建议网络改进后的变种网络模型,经过样本数据训练后构建生成的深度卷积神经网络。
上述实施例中使用的模型和算法可以选择同类模型或者算法。例如损伤检测模型中,可以使用基于卷积神经网络和区域建议网络的多种模型和变种,如Faster R-CNN、Y0L0、Mask-FCN等。其中的卷积神经网络(CNN)可以用任意CNN模型,如ResNet、Inception、VGG等及其变种。通常神经网络中的卷积网络(CNN)部分可以使用在物体识别取得较好效果的成熟网络结构,如Inception、ResNet等网络,如ResNet网络,输入为一张图片,输出为多个含有损伤部位的图片区域,和对应的损伤分类(损伤分类用于确定损伤类型)和置信度(置信度为表示损伤类型真实性程度的参量)faster R-CNN、Y0L0、Mask-FCN等都是属于本实施例可以使用的包含卷积层的深度神经网络。本实施例使用的深度神经网络结合区域建议层和CNN层能检测出受损部位、受损部位在所述部件图像中所处的位置区域。
S30,通过海量数据分析、深度学习技术,自动建立车型选择子模型。
为了解决新款车型和小样本中自动定损的难题,自动建立车型选择子模型中,包括新款车型和小样本参数车型选择子模型,采用度量学习metric learning的方法,用构成每个类的标签样本的原型embedding的中心来表征这个类,进而通过相似度分类KNNClassification进行新款车型和小样本识别。
S40,根据车辆受损部位、受损程度,结合维修数据模型,评估计算费用及维修方案。
算法服务器(规则引擎)在确定所述车辆部件的损伤部位和损伤类型后,根据车型、所在地、4S点店维修策略信息,调用不同的价格库,最终生成至少一种维修方案。如:左前车门轻度变形:需钣金处理;车前保险杠:轻度刮擦:需喷漆处理;左前灯:需要拆解检查等,除待拆解检查项,其他费用预计2000元(4S店标准仅供参考)。
应当理解,本文所述的示例性实施例是说明性的而非限制性的。尽管结合附图描述了本发明的一个或多个实施例,本领域普通技术人员应当理解,在不脱离通过所附权利要求所限定的本发明的精神和范围的情况下,可以做出各种形式和细节的改变。
Claims (6)
1.一种图像智能识别车辆定损方法,其特征在于,包括以下步骤:
客户端获取拍摄视频数据,将所述拍摄视频数据发送至服务器;
对所述拍摄视频数据中的视频图像进行检测,识别所述视频图像中的受损部位,按照预设筛选条件从受损部位识别模块中受损图像,存储构建部件损伤识别模型,以及通过所述部件损伤识别模型检测受损部件图像,确定车辆部件的损伤类型;
通过海量数据分析、深度学习技术,自动建立车型选择子模型;
根据车辆受损部位、受损程度,结合维修数据模型,评估计算费用及维修方案。
2.如权利要求1所述的图像智能识别车辆定损方法,其特征在于,所述客户端包括具有视频拍摄功能和数据通信功能的通用或专用设备。
3.如权利要求1所述的图像智能识别车辆定损方法,其特征在于,客户端包括具有数据通信功能的固定计算机设备和与其连接的可移动的视频拍摄设备的组合。
4.如权利要求1所述的图像智能识别车辆定损方法,其特征在于,所述自动建立车型选择子模型中,包括新款车型和小样本参数车型选择子模型,采用度量学习metric learning的方法,用构成每个类的标签样本的原型embedding的中心来表征这个类,进而通过相似度分类KNN Classification进行新款车型和小样本识别。
5.如权利要求1至4任一所述的图像智能识别车辆定损方法,其特征在于,所述损伤类型包括轻度刮擦、重度刮擦、轻度变形、中度变形、重度变形、破损以及需拆解检查的类型。
6.如权利要求1至4任一所述的图像智能识别车辆定损方法,其特征在于,预先采用设计的机器学习算法构建用于识别视频图像中车辆部件受损部位的损伤检测模型和部件损伤识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910372441.7A CN110287768A (zh) | 2019-05-06 | 2019-05-06 | 图像智能识别车辆定损方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910372441.7A CN110287768A (zh) | 2019-05-06 | 2019-05-06 | 图像智能识别车辆定损方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110287768A true CN110287768A (zh) | 2019-09-27 |
Family
ID=68001822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910372441.7A Pending CN110287768A (zh) | 2019-05-06 | 2019-05-06 | 图像智能识别车辆定损方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110287768A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738576A (zh) * | 2019-10-14 | 2020-01-31 | 支付宝(杭州)信息技术有限公司 | 为受损车辆生成定损文件的方法及装置 |
CN112036283A (zh) * | 2020-08-25 | 2020-12-04 | 湖北经济学院 | 图像智能识别车辆定损方法 |
CN112465018A (zh) * | 2020-11-26 | 2021-03-09 | 深源恒际科技有限公司 | 一种基于深度学习的车辆视频定损系统的智能截图方法及系统 |
WO2021135499A1 (zh) * | 2020-06-08 | 2021-07-08 | 平安科技(深圳)有限公司 | 损伤检测模型训练、车损检测方法、装置、设备及介质 |
WO2021136940A1 (en) * | 2020-01-03 | 2021-07-08 | Tractable Ltd | Method of determining damage to auxiliary parts of a vehicle |
WO2021143063A1 (zh) * | 2020-01-13 | 2021-07-22 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、计算机设备和存储介质 |
CN113361424A (zh) * | 2021-06-11 | 2021-09-07 | 爱保科技有限公司 | 一种车辆智能定损图像获取方法、装置、介质和电子设备 |
WO2022047736A1 (zh) * | 2020-09-04 | 2022-03-10 | 江苏前沿交通研究院有限公司 | 一种基于卷积神经网络的损伤检测方法 |
CN116012075A (zh) * | 2023-03-29 | 2023-04-25 | 邦邦汽车销售服务(北京)有限公司 | 基于机器学习的车辆修理点的确定方法及系统 |
WO2023083182A1 (en) * | 2021-11-09 | 2023-05-19 | Alpha Ai Technology Limited | A system for assessing a damage condition of a vehicle and a platform for facilitating repairing or maintenance services of a vehicle |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107392218A (zh) * | 2017-04-11 | 2017-11-24 | 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、装置及电子设备 |
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 |
CN109242006A (zh) * | 2018-08-23 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 基于车型分类的识别车辆损伤的方法及装置 |
-
2019
- 2019-05-06 CN CN201910372441.7A patent/CN110287768A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107392218A (zh) * | 2017-04-11 | 2017-11-24 | 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、装置及电子设备 |
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 |
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 |
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 |
CN109242006A (zh) * | 2018-08-23 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 基于车型分类的识别车辆损伤的方法及装置 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021073213A1 (zh) * | 2019-10-14 | 2021-04-22 | 支付宝(杭州)信息技术有限公司 | 为受损车辆生成定损文件的方法及装置 |
CN110738576A (zh) * | 2019-10-14 | 2020-01-31 | 支付宝(杭州)信息技术有限公司 | 为受损车辆生成定损文件的方法及装置 |
CN110738576B (zh) * | 2019-10-14 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 为受损车辆生成定损文件的方法及装置 |
US11244438B2 (en) | 2020-01-03 | 2022-02-08 | Tractable Ltd | Auxiliary parts damage determination |
US11587221B2 (en) | 2020-01-03 | 2023-02-21 | Tractable Limited | Detailed damage determination with image cropping |
WO2021136940A1 (en) * | 2020-01-03 | 2021-07-08 | Tractable Ltd | Method of determining damage to auxiliary parts of a vehicle |
WO2021136945A1 (en) * | 2020-01-03 | 2021-07-08 | Tractable Ltd | Vehicle damage state determination method |
WO2021136944A1 (en) * | 2020-01-03 | 2021-07-08 | Tractable Ltd | Method of universal automated verification of vehicle damage |
WO2021136939A1 (en) * | 2020-01-03 | 2021-07-08 | Tractable Ltd | Method of determining repair operations for a damaged vehicle |
US11636581B2 (en) | 2020-01-03 | 2023-04-25 | Tractable Limited | Undamaged/damaged determination |
US11386543B2 (en) | 2020-01-03 | 2022-07-12 | Tractable Ltd | Universal car damage determination with make/model invariance |
US11361426B2 (en) | 2020-01-03 | 2022-06-14 | Tractable Ltd | Paint blending determination |
US11257204B2 (en) | 2020-01-03 | 2022-02-22 | Tractable Ltd | Detailed damage determination with image segmentation |
US11250554B2 (en) | 2020-01-03 | 2022-02-15 | Tractable Ltd | Repair/replace and labour hours determination |
US11257203B2 (en) | 2020-01-03 | 2022-02-22 | Tractable Ltd | Inconsistent damage determination |
WO2021143063A1 (zh) * | 2020-01-13 | 2021-07-22 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、计算机设备和存储介质 |
WO2021135499A1 (zh) * | 2020-06-08 | 2021-07-08 | 平安科技(深圳)有限公司 | 损伤检测模型训练、车损检测方法、装置、设备及介质 |
CN112036283A (zh) * | 2020-08-25 | 2020-12-04 | 湖北经济学院 | 图像智能识别车辆定损方法 |
WO2022047736A1 (zh) * | 2020-09-04 | 2022-03-10 | 江苏前沿交通研究院有限公司 | 一种基于卷积神经网络的损伤检测方法 |
CN112465018A (zh) * | 2020-11-26 | 2021-03-09 | 深源恒际科技有限公司 | 一种基于深度学习的车辆视频定损系统的智能截图方法及系统 |
CN112465018B (zh) * | 2020-11-26 | 2024-02-02 | 深源恒际科技有限公司 | 一种基于深度学习的车辆视频定损系统的智能截图方法及系统 |
CN113361424A (zh) * | 2021-06-11 | 2021-09-07 | 爱保科技有限公司 | 一种车辆智能定损图像获取方法、装置、介质和电子设备 |
WO2023083182A1 (en) * | 2021-11-09 | 2023-05-19 | Alpha Ai Technology Limited | A system for assessing a damage condition of a vehicle and a platform for facilitating repairing or maintenance services of a vehicle |
CN116012075A (zh) * | 2023-03-29 | 2023-04-25 | 邦邦汽车销售服务(北京)有限公司 | 基于机器学习的车辆修理点的确定方法及系统 |
CN116012075B (zh) * | 2023-03-29 | 2023-05-30 | 邦邦汽车销售服务(北京)有限公司 | 基于机器学习的车辆修理点的确定方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287768A (zh) | 图像智能识别车辆定损方法 | |
CN109389135B (zh) | 一种图像筛选方法及装置 | |
CN107665324B (zh) | 一种图像识别方法及终端 | |
CN109116129B (zh) | 终端检测方法、检测设备、系统及存储介质 | |
US20140064626A1 (en) | Adaptive image processing apparatus and method based in image pyramid | |
CN111723773B (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
CN111935479B (zh) | 一种目标图像确定方法、装置、计算机设备及存储介质 | |
CN111612104B (zh) | 车辆定损图像获取方法、装置、介质和电子设备 | |
CN111462155B (zh) | 移动侦测方法、装置、计算机设备和存储介质 | |
CN109522814B (zh) | 一种基于视频数据的目标追踪方法及装置 | |
CN111382808A (zh) | 一种车辆检测处理方法及装置 | |
CN114005058A (zh) | 粉尘识别方法、装置及终端设备 | |
CN104239309A (zh) | 视频分析检索服务端、系统及方法 | |
CN114299002A (zh) | 一种路面抛洒异常行为智能检测系统与方法 | |
CN110991231B (zh) | 活体检测方法、装置、服务器和人脸识别设备 | |
CN113936252A (zh) | 基于视频监控的电瓶车智能管理系统及方法 | |
CN113920585A (zh) | 行为识别方法及装置、设备和存储介质 | |
CN115690747B (zh) | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 | |
CN110321808B (zh) | 遗留物与盗移物检测方法、设备和存储介质 | |
CN114827464B (zh) | 一种基于移动摄像头的目标追踪方法及系统 | |
CN114417906B (zh) | 微观图像标识的识别方法、装置、设备及存储介质 | |
CN112990156B (zh) | 基于视频的最优目标捕捉方法、装置及相关设备 | |
CN113177917B (zh) | 一种抓拍图像优选方法、系统、设备及介质 | |
CN107818287B (zh) | 一种客流统计装置及系统 | |
CN111027560B (zh) | 文本检测方法以及相关装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190927 |
|
RJ01 | Rejection of invention patent application after publication |