CN110660000A - 数据预测方法、装置、设备及计算机可读存储介质 - Google Patents
数据预测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110660000A CN110660000A CN201910846316.5A CN201910846316A CN110660000A CN 110660000 A CN110660000 A CN 110660000A CN 201910846316 A CN201910846316 A CN 201910846316A CN 110660000 A CN110660000 A CN 110660000A
- Authority
- CN
- China
- Prior art keywords
- vehicle part
- preset
- data prediction
- vehicle
- photographing
- 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
Images
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/61—Control of cameras or camera modules based on recognised objects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/63—Control of cameras or camera modules by using electronic viewfinders
- H04N23/633—Control of cameras or camera modules by using electronic viewfinders for displaying additional information relating to control or operation of the camera
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/63—Control of cameras or camera modules by using electronic viewfinders
- H04N23/633—Control of cameras or camera modules by using electronic viewfinders for displaying additional information relating to control or operation of the camera
- H04N23/635—Region indicators; Field of view indicators
Abstract
本申请涉及人工智能技术领域,公开一种数据预测方法、装置、设备及计算机可读存储介质。数据预测方法包括:当检测到拍照应用启动时,在移动终端上显示拍照预览界面;基于预设的车辆部位识别模型在拍照预览界面中进行车辆部位识别,确定拍照预览界面中的车辆部位;若车辆部位对应的置信度大于或等于预设置信度,当接收到拍照指令时,保存框选的车辆部位图片,并基于预设的车辆损伤识别模型对车辆部位图片进行损伤识别,确定车辆部位的损伤等级;基于车辆部位的损伤等级,确定车辆部位的处理方式,其中,处理方式包括更换和修复;将车辆部位的处理方式推送至所述移动终端。通过本申请,提高了车辆部位的识别准确率和出险现场的定损效率。
Description
技术领域
本申请涉及车险技术领域,尤其涉及一种数据预测方法、装置、设备及计算机可读存储介质。
背景技术
随着社会的发展,交通车辆越来越多,车辆参加保险已经是购买车辆后的第一道手续。随着车辆的增多,车辆交通事故的绝对数量也相应变大,当投保车辆发生交通事故时,保险公司的第一件事就是到现场查勘定损。
目前,数据预测主要是依赖于定损员现场对出险车辆进行拍照,然后将照片传回至后台服务器,通过后台服务器对照片进行检测,以判断出险车辆的损伤程度。但是,这种定损方式对拍摄和网络的要求较高,如果定损员拍摄的照片不全面或角度不准确或者出险现场网络情况不佳,则会导致用于车辆定损的数据不准确,因而现有技术还有待改进和提高。
发明内容
本申请的主要目的在于提供一种数据预测方法、装置、设备及计算机可读存储介质,旨在解决现有的出险车辆定损方式不够准确的技术问题。
为实现上述目的,本申请提供一种数据预测方法,所述数据预测方法包括以下步骤:
当检测到拍照应用启动时,在移动终端上显示拍照预览界面;
基于预设的车辆部位识别模型在所述拍照预览界面中进行车辆部位识别,确定所述拍照预览界面中的车辆部位;
在所述拍照预览界面上用预设颜色的矩形框对所述车辆部位进行框选;
基于所述预设的车辆部位识别模型获取所述车辆部位对应的置信度,并将所述车辆部位对应的置信度显示在所述预设颜色的矩形框内,其中,所述置信度为所述预设的车辆部位识别模型识别出车辆部位的正确率;
若所述车辆部位对应的置信度小于预设置信度,则禁用移动终端的拍照功能,并发出调整摄像头的提示信息;
若所述车辆部位对应的置信度大于或等于预设置信度,当接收到拍照指令时,保存框选的车辆部位图片,并基于预设的车辆损伤识别模型对所述车辆部位图片进行损伤识别,确定所述车辆部位的损伤等级;
基于所述车辆部位的损伤等级,确定所述车辆部位的处理方式,其中,所述处理方式包括更换和修复;
将所述车辆部位的处理方式推送至所述移动终端。
可选地,在所述当检测到拍照应用启动时,在移动终端上显示拍照预览界面之后,在所述基于预设的车辆部位识别模型在所述拍照预览界面中进行车辆部位识别,确定所述拍照预览界面中的车辆部位之前,还包括:
获取预设数量的不同车辆部位的样本图片;
基于所述样本图片,对预设的车辆部位识别模型进行离线训练。
可选地,所述基于所述样本图片,对预设的车辆部位识别模型进行离线训练包括:
对所述样本图片进行预处理;
将预处理后的所述样本图片输入至预设的卷积神经网络中,以便所述预设的卷积神经网络输出所述样本图片的特征图;
基于区域候选网络对所述特征图进行识别,确定所述样本图片对应的车辆部位信息。
可选地,所述基于区域候选网络对所述特征图进行识别,确定所述样本图片对应的车辆部位信息包括:
基于区域候选网络对所述特征图进行检测,确定目标区域;
通过全连接算法对所述目标区域进行检测,确定所述目标区域中对应的车辆部位信息。
可选地,在所述基于所述样本图片,对预设的车辆部位识别模型进行离线训练之后,还包括:
当检测到所述预设的车辆部位识别模型开始收敛时,确认所述预设的车辆部位识别模型离线训练完成;
保存离线训练后的所述预设的车辆部位识别模型。
此外,为实现上述目的,本申请还提供一种数据预测装置,所述数据预测装置包括:
拍照预览模块,用于当检测到拍照应用启动时,在移动终端上显示拍照预览界面;
部位识别模块,用于基于预设的车辆部位识别模型在所述拍照预览界面中进行车辆部位识别,确定所述拍照预览界面中的车辆部位;
框选模块,用于在所述拍照预览界面上用预设颜色的矩形框对所述车辆部位进行框选;
置信度模块,用于基于所述预设的车辆部位识别模型获取所述车辆部位对应的置信度,并将所述车辆部位对应的置信度显示在所述预设颜色的矩形框内,其中,所述置信度为所述预设的车辆部位识别模型识别出车辆部位的正确率;
提示模块,用于若所述车辆部位对应的置信度小于预设置信度,则禁用移动终端的拍照功能,并发出调整摄像头的提示信息;
损伤识别模块,用于若所述车辆部位对应的置信度大于或等于预设置信度,当接收到拍照指令时,保存框选的车辆部位图片,并基于预设的车辆损伤识别模型对所述车辆部位图片进行损伤识别,确定所述车辆部位的损伤等级;
处理模块,用于基于所述车辆部位的损伤等级,确定所述车辆部位的处理方式,其中,所述处理方式包括更换和修复;
推送模块,用于将所述车辆部位的处理方式推送至所述移动终端。
可选地,所述数据预测装置还包括:
获取模块,用于获取预设数量的不同车辆部位的样本图片;
离线训练模块,用于基于所述样本图片,对预设的车辆部位识别模型进行离线训练。
可选地,所述离线训练模块包括:
预处理单元,用于对所述样本图片进行预处理;
特征图单元,用于将预处理后的所述样本图片输入至预设的卷积神经网络中,以便所述预设的卷积神经网络输出所述样本图片的特征图;
识别单元,用于基于区域候选网络对所述特征图进行识别,确定所述样本图片对应的车辆部位信息。
此外,为实现上述目的,本申请还提供一种数据预测设备,所述数据预测设备包括输入输出单元、存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行时实现如上所述的数据预测方法的步骤。
此外,为实现上述目的,本申请还提供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数据预测程序,所述数据预测程序被处理器执行时实现如上所述的数据预测方法的步骤。
本申请提出的数据预测方法,当检测到拍照应用启动时,即在移动终端的拍照预览界面上进行车辆部位的识别,用矩形框对识别出的车辆部位进行框选,并在矩形框内显示车辆部位对应的置信度;若车辆部位对应的置信度小于预设置信度,则禁用移动终端的拍照功能,并发出调整摄像头的提示信息;若车辆部位对应的置信度大于或等于预设置信度,则在接收到拍照指令时,保存框选的车辆部位图片,并基于预设的车辆损伤识别模型对车辆部位图片进行损伤识别,确定车辆部位的损伤等级;根据车辆部位的损伤等级,确定车辆部位的处理方式,并将车辆部位的处理方式推送至移动终端。通过本申请提出的数据预测方法,在移动终端的拍照预览界面上就进行车辆部位的识别及框选,实现车辆定损数据的准确获取,并对框选出的车辆部位进行损伤等级识别,提高了出险现场的定损效率。
附图说明
图1为本申请实施例方案涉及的硬件运行环境的数据预测设备结构示意图;
图2为本申请数据预测方法一实施例的流程示意图;
图3为本申请数据预测装置一实施例的功能模块示意图;
图4为本申请数据预测装置另一实施例的功能模块示意图;
图5为本申请数据预测装置一实施例中离线训练模块的功能单元示意图。
本申请目的的实现、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
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,图1为本申请实施例方案涉及的硬件运行环境的数据预测设备结构示意图。
本申请实施例中的数据预测设备可以是便携计算机、服务器等具有数据处理能力的终端设备。
如图1所示,该数据预测设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选地可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选地还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的数据预测设备结构并不构成对数据预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及数据预测程序。
在图1所示的数据预测设备中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的数据预测程序,并执行以下数据预测方法的各实施例的操作。
参照图2,图2为本申请数据预测方法一实施例的流程示意图,在该实施例中,数据预测方法包括:
步骤S10,当检测到拍照应用启动时,在移动终端上显示拍照预览界面。
为了解决现有的出险车辆定损方式不够准确的问题,本申请提出了一种基于移动终端的数据预测方法,当基于移动终端进行出险车辆现场拍照时,实时地对移动终端的拍照预览界面进行识别,以便在拍照预览界面上对识别出的车辆部位进行框选,并对框选的车辆部位进行损伤等级识别,以便进行车辆定损。
在本实施例中,是通过移动终端对出险车辆进行现场拍摄,具体地,当检测到移动终端的拍照应用启动时,移动终端的界面上显示拍照预览界面,拍照预览界面上显示的是移动终端的摄像头当前所拍摄的画面。可以理解的是,拍照预览界面显示的可以是整个出险车辆,也可以是出险车辆的其中一部分。
步骤S20,基于预设的车辆部位识别模型在拍照预览界面中进行车辆部位识别,确定拍照预览界面中的车辆部位。
进一步地,对拍照预览界面进行识别,具体地,是对拍照预览界面中包含的车辆部位进行识别。可以理解的是,当使用移动终端进行出险车辆的现场拍摄时,拍照预览界面中还可能包括现场的一些其他景物,如树木、路障及指示牌等。因此,通过对拍照预览界面进行识别,确定其中包含的车辆部位,以便进一步地对拍照预览界面上该车辆部位所在的位置进行框选。
具体地,车辆部位可以包括但不限于门把手、车门、轮胎、左前门、右前门、左叶子板、右叶子板、前保险杠及后保险杠等。在本实施例中,是通过预设的车辆部位识别模型对拍照预览界面中的车辆部位进行识别,可以理解的是,该预设的车辆部位识别模型是经过离线训练得到的,具体地,离线训练的过程如下:首先,对输入的不同车辆部位的样本图片进行预处理,以便对样本图片的特征进行加强;进一步地,将预处理后的样本图片输入至预设的卷积神经网络中,进行特征图的提取;最后,利用RPN(Region Proposal Network,区域候选网络)进行车辆部位的识别。可以理解的是,上述用于训练的车辆部位的样本图片均带有对应的车辆部位标签。
基于以上离线训练的过程,利用带有车辆部位标签的样本图片,对预设的车辆部位识别模型进行训练,以便该预设的车辆部位识别模型能进行车辆部位的在线识别。
步骤S30,在拍照预览界面上用预设颜色的矩形框对车辆部位进行框选。
在本实施例中,通过预设的车辆部位识别模型在拍照预览界面中进行车辆部位识别时,具体地识别出包含的车辆部位具体是哪个部位,因此,当识别出拍照预览界面中的车辆部位后,将车辆部位进行框选,即在拍照预览界面上用预设颜色的矩形框将该车辆部位框选起来,以便与拍照预览界面上的其他部分进行区分。
步骤S40,基于预设的车辆部位识别模型获取车辆部位对应的置信度,并将车辆部位对应的置信度显示在预设颜色的矩形框内,其中,置信度为预设的车辆部位识别模型识别出车辆部位的正确率。
同时,对框选出来的车辆部位,可以在该车辆部位的矩形框内显示该车辆部位的名称以及预设的车辆部位识别模型识别该车辆部位的置信度,例如“前叶子板,90%”,表明该矩形框内的车辆部位是前叶子板,预设的车辆部位识别模型识别出该车辆部位是前叶子板的置信度为90%。
步骤S50,若车辆部位对应的置信度小于预设置信度,则禁用移动终端的拍照功能,并发出调整摄像头的提示信息。
可以理解的是,在本实施例中,当通过预设的车辆部位识别模型对拍照预览界面中的车辆部位进行识别时,若识别出的车辆部位对应的置信度低于预设置信度,则可以禁用移动终端的拍照按钮的功能,并发出调整摄像头的提示信息,提示用户调整移动终端的摄像头的位置,以便获取更准确的出险车辆图片,提高出险现场的车辆拍照定损准确度。
步骤S60,若车辆部位对应的置信度大于或等于预设置信度,当接收到拍照指令时,保存框选的车辆部位图片,并基于预设的车辆损伤识别模型对车辆部位图片进行损伤识别,确定车辆部位的损伤等级。
进一步地,若车辆部位对应的置信度大于或等于预设置信度,用户即可点击拍摄按钮进行出险车辆的图片拍摄,即当终端接收到拍照指令时,对拍照预览界面上的图片以及框选出的车辆部位的图片进行保存,以便根据保存的车辆部位图片对该车辆部位的损伤等级进行识别。
具体地,对车辆部位的损伤等级进行识别也是基于预设的车辆损伤识别模型进行在线识别,该预设的车辆损伤识别模型是事先经过离线训练得到的,在本实施例中,对预设的车辆损伤识别模型的离线训练过程不做赘述。
可以理解的是,在通过预设的车辆部位识别模型对拍照预览界面中包含的车辆部位进行识别时,识别并框选出来的车辆部位中可能包括受损的车辆部位,也可能包括未受损的车辆部位。因此,当通过预设的车辆损伤识别模型对保存的车辆部位图片进行损伤等级识别时,对应输出的损伤等级也有所不同。具体地,输出的损伤等级可以通过分数体现,分数越高,表示该车辆部位的损伤越严重,若输出的分数为0或者说小于某个预设值,则将该车辆部位视为未受损部位。
步骤S70,基于车辆部位的损伤等级,确定车辆部位的处理方式,其中,处理方式包括更换和修复。
进一步地,根据识别出的车辆部位的损伤等级,可以确定该车辆部位对应的处理方式,在本实施例中,处理方式可以包括更换及修复,当然,还可以包括其他的处理方式,本实施例中对车辆部位的处理方式不做赘述。针对不同的车辆部位以及不同的损伤等级,可以对应有不同的处理方式。例如,假设损伤等级用分数0-10进行表示,分数越高,表示该车辆部位的损伤越严重,对于前保险杠这一车辆部位,若识别出的损伤等级为“3分”,表明该前保险杠损失较轻,则对应的处理方式为“修复”;若识别出的损伤等级为“8分”,则表明前保险杠损失较严重,则对应的处理方式为“更换”。通过对车辆部位的损伤等级进行识别及判断,可以现场确定对应的处理方案,提高出险车辆定损的效率及出险用户的理赔体验。
步骤S80,将车辆部位的处理方式推送至移动终端。
进一步地,将车辆部位的处理方式推送至移动终端,以便定损员知晓当前出险车辆的处理方式。
在本实施例中,当检测到拍照应用启动时,即在移动终端的拍照预览界面上进行车辆部位的识别,用矩形框对识别出的车辆部位进行框选,并在矩形框内显示车辆部位对应的置信度;若车辆部位对应的置信度小于预设置信度,则禁用移动终端的拍照功能,并发出调整摄像头的提示信息;若车辆部位对应的置信度大于或等于预设置信度,则在接收到拍照指令时,保存框选的车辆部位图片,并基于预设的车辆损伤识别模型对车辆部位图片进行损伤识别,确定车辆部位的损伤等级;根据车辆部位的损伤等级,确定车辆部位的处理方式,并将车辆部位的处理方式推送至移动终端。通过本申请提出的数据预测方法,在移动终端的拍照预览界面上就进行车辆部位的识别及框选,实现车辆定损数据的准确获取,并对框选出的车辆部位进行损伤等级识别,提高了出险现场的定损效率。
进一步地,在步骤S10之后,步骤S20之前,还包括:
步骤S90,获取预设数量的不同车辆部位的样本图片;
步骤S100,基于样本图片,对预设的车辆部位识别模型进行离线训练。
在本实施例中,是通过预设的车辆部位识别模型对拍照预览界面中的车辆部位进行识别,可以理解的是,该预设的车辆部位识别模型是经过离线训练得到的,离线训练的过程如下:
具体地,首先获取预设数量的不同车辆部位的样本图片,可以理解的是,上述用于离线训练的车辆部位的样本图片均带有对应的车辆部位标签,例如,门把手、车门、轮胎、左前门、右前门、左叶子板、右叶子板、前保险杠及后保险杠等,通过带有车辆部位标签的样本图片,对预设的车辆部位识别模型进行离线训练。
首先,对上述样本图片进行预处理,主要包括去均值、归一化及白化处理,去均值的目的是把输入的样本数据中各个维度都中心化为0,即把样本中的中心拉回到坐标系原点上;归一化的目的是将数据的幅度归一化到同样的范围,减少各维度数据取值范围的差异而带来的干扰;白化是对数据各个特征轴上的幅度归一化。通过上述步骤,对待训练的样本图片进行了特征加强。
进一步地,将预处理后的样本图片输入至预设的卷积神经网络中,进行特征图的提取。具体地,在本实施例中,预设的卷积神经网络包括13个卷积层、13个激励层和4个池化层,对于卷积层的卷积核kernel为3*3,填充值为1,填充值的作用是为了使卷积层不改变输入和输出矩阵大小;池化层的卷积核为2*2,步幅为2*2。通过对样本图片进行卷积、激励、池化等操作,可得到一个特征向量,该特征向量即表征了该样本图片对应的特征图的向量信息。
进一步地,将上述获得的特征向量输入至RPN(Region Proposal Network,区域候选网络)中,进行车辆部位的初步定位与识别。具体地,对特征图中的每一个点设置预设个数的ROI(region of interest,感兴趣区域),因此可获得多个ROI;进一步地,利用RPN网络对这多个ROI进行二值分类和Bounding-box regression(边框回归),过滤掉一部分无效的ROI,以获得有效的ROI;进一步地,对有效的ROI进行语义分割,具体地,是使用ROI Align对每一个ROI的区域特征图进行像素校正,根据各ROI的区域特征图对每个ROI进行预测,得到各ROI的类别以及各ROI的边界;最后,通过full connect(全连接)层与soft max计算每个区域具体是属于哪一个类别,例如,门把手、车门、轮胎、左前门、右前门、左叶子板、右叶子板、前保险杠或后保险杠等。
可以理解的是,在本实施例中,在通过full connect(全连接)层进行车辆部位类别的判断时,还采用了SVD(Singular Value Decomposition,奇异值分解)算法进行分解以加速全连接层的计算。
基于以上过程,通过带有车辆部位标签的样本图片对预设的车辆部位识别模型不断地进行离线训练,在离线训练过程中,当检测到预设的车辆部位识别模型开始收敛时,即可判定当前的离线训练完成。具体地,判定预设的车辆部位识别模型收敛可以包括但不限于以下几种情况:训练次数达到了预设次数、训练时间达到了预设时间及训练的损失函数趋近于零,在本实施例中,判断车辆部位识别模型是否收敛的条件可以根据实际情况进行设置。
当确定预设的车辆部位识别模型离线训练完成后,保存离线训练后的车辆部位识别模型,以便预设的车辆部位识别模型能在拍照预览界面中进行车辆部位的在线识别。
在本实施例中,通过带有车辆部位标签的样本图片对预设的车辆部位识别模型进行离线训练,并通过离线训练后的车辆部位识别模型在线识别拍照预览界面中的车辆部位,提高了车辆部位的识别准确率。
参照图3,图3为本申请数据预测装置一实施例的功能模块示意图。
在本实施例中,数据预测装置包括:
拍照预览模块10,用于当检测到拍照应用启动时,在移动终端上显示拍照预览界面;
部位识别模块20,用于基于预设的车辆部位识别模型在所述拍照预览界面中进行车辆部位识别,确定所述拍照预览界面中的车辆部位;
框选模块30,用于在所述拍照预览界面上用预设颜色的矩形框对所述车辆部位进行框选;
置信度模块40,用于基于所述预设的车辆部位识别模型获取所述车辆部位对应的置信度,并将所述车辆部位对应的置信度显示在所述预设颜色的矩形框内,其中,所述置信度为所述预设的车辆部位识别模型识别出车辆部位的正确率;
提示模块50,用于若所述车辆部位对应的置信度小于预设置信度,则禁用移动终端的拍照功能,并发出调整摄像头的提示信息;
损伤识别模块60,用于若所述车辆部位对应的置信度大于或等于预设置信度,当接收到拍照指令时,保存框选的车辆部位图片,并基于预设的车辆损伤识别模型对所述车辆部位图片进行损伤识别,确定所述车辆部位的损伤等级;
处理模块70,用于基于所述车辆部位的损伤等级,确定所述车辆部位的处理方式,其中,所述处理方式包括更换和修复;
推送模块80,用于将所述车辆部位的处理方式推送至所述移动终端。
进一步地,参照图4,数据预测装置还包括:
获取模块90,用于获取预设数量的不同车辆部位的样本图片;
离线训练模块100,用于基于所述样本图片,对预设的车辆部位识别模型进行离线训练
进一步地,参照图5,离线训练模块100包括:
预处理单元101,用于对所述样本图片进行预处理;
特征图单元102,用于将预处理后的所述样本图片输入至预设的卷积神经网络中,以便所述预设的卷积神经网络输出所述样本图片的特征图;
识别单元103,用于基于区域候选网络对所述特征图进行识别,确定所述样本图片对应的车辆部位信息
本申请数据预测装置的具体实施例与上述数据预测方法的各个实施例基本相同,在此不做赘述。
此外,本申请实施例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数据预测程序,所述数据预测程序被处理器执行时实现如上述的数据预测方法的步骤。
本申请计算机可读存储介质的具体实施例与上述数据预测方法的各个实施例基本相同,在此不做赘述。
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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。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、物品或者系统中还存在另外的相同要素。
上述本申请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,本申请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如上所述的一个存储介质(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)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请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,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种数据预测方法,其特征在于,所述数据预测方法包括以下步骤:
当检测到拍照应用启动时,在移动终端上显示拍照预览界面;
基于预设的车辆部位识别模型在所述拍照预览界面中进行车辆部位识别,确定所述拍照预览界面中的车辆部位;
在所述拍照预览界面上用预设颜色的矩形框对所述车辆部位进行框选;
基于所述预设的车辆部位识别模型获取所述车辆部位对应的置信度,并将所述车辆部位对应的置信度显示在所述预设颜色的矩形框内,其中,所述置信度为所述预设的车辆部位识别模型识别出车辆部位的正确率;
若所述车辆部位对应的置信度小于预设置信度,则禁用移动终端的拍照功能,并发出调整摄像头的提示信息;
若所述车辆部位对应的置信度大于或等于预设置信度,当接收到拍照指令时,保存框选的车辆部位图片,并基于预设的车辆损伤识别模型对所述车辆部位图片进行损伤识别,确定所述车辆部位的损伤等级;
基于所述车辆部位的损伤等级,确定所述车辆部位的处理方式,其中,所述处理方式包括更换和修复;
将所述车辆部位的处理方式推送至所述移动终端。
2.如权利要求1所述的数据预测方法,其特征在于,在所述当检测到拍照应用启动时,在移动终端上显示拍照预览界面之后,在所述基于预设的车辆部位识别模型在所述拍照预览界面中进行车辆部位识别,确定所述拍照预览界面中的车辆部位之前,还包括:
获取预设数量的不同车辆部位的样本图片;
基于所述样本图片,对预设的车辆部位识别模型进行离线训练。
3.如权利要求2所述的数据预测方法,其特征在于,所述基于所述样本图片,对预设的车辆部位识别模型进行离线训练包括:
对所述样本图片进行预处理;
将预处理后的所述样本图片输入至预设的卷积神经网络中,以便所述预设的卷积神经网络输出所述样本图片的特征图;
基于区域候选网络对所述特征图进行识别,确定所述样本图片对应的车辆部位信息。
4.如权利要求3所述的数据预测方法,其特征在于,所述基于区域候选网络对所述特征图进行识别,确定所述样本图片对应的车辆部位信息包括:
基于区域候选网络对所述特征图进行检测,确定目标区域;
通过全连接算法对所述目标区域进行检测,确定所述目标区域中对应的车辆部位信息。
5.如权利要求2所述的数据预测方法,其特征在于,在所述基于所述样本图片,对预设的车辆部位识别模型进行离线训练之后,还包括:
当检测到所述预设的车辆部位识别模型开始收敛时,确认所述预设的车辆部位识别模型离线训练完成;
保存离线训练后的所述预设的车辆部位识别模型。
6.一种数据预测装置,其特征在于,所述数据预测装置包括:
拍照预览模块,用于当检测到拍照应用启动时,在移动终端上显示拍照预览界面;
部位识别模块,用于基于预设的车辆部位识别模型在所述拍照预览界面中进行车辆部位识别,确定所述拍照预览界面中的车辆部位;
框选模块,用于在所述拍照预览界面上用预设颜色的矩形框对所述车辆部位进行框选;
置信度模块,用于基于所述预设的车辆部位识别模型获取所述车辆部位对应的置信度,并将所述车辆部位对应的置信度显示在所述预设颜色的矩形框内,其中,所述置信度为所述预设的车辆部位识别模型识别出车辆部位的正确率;
提示模块,用于若所述车辆部位对应的置信度小于预设置信度,则禁用移动终端的拍照功能,并发出调整摄像头的提示信息;
损伤识别模块,用于若所述车辆部位对应的置信度大于或等于预设置信度,当接收到拍照指令时,保存框选的车辆部位图片,并基于预设的车辆损伤识别模型对所述车辆部位图片进行损伤识别,确定所述车辆部位的损伤等级;
处理模块,用于基于所述车辆部位的损伤等级,确定所述车辆部位的处理方式,其中,所述处理方式包括更换和修复;
推送模块,用于将所述车辆部位的处理方式推送至所述移动终端。
7.如权利要求6所述的数据预测装置,其特征在于,所述数据预测装置还包括:
获取模块,用于获取预设数量的不同车辆部位的样本图片;
离线训练模块,用于基于所述样本图片,对预设的车辆部位识别模型进行离线训练。
8.如权利要求7所述的数据预测装置,其特征在于,所述离线训练模块包括:
预处理单元,用于对所述样本图片进行预处理;
特征图单元,用于将预处理后的所述样本图片输入至预设的卷积神经网络中,以便所述预设的卷积神经网络输出所述样本图片的特征图;
识别单元,用于基于区域候选网络对所述特征图进行识别,确定所述样本图片对应的车辆部位信息。
9.一种数据预测设备,其特征在于,所述数据预测设备包括输入输出单元、存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至5中任一项所述的数据预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有数据预测程序,所述数据预测程序被处理器执行时实现如权利要求1至5中任一项所述的数据预测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910846316.5A CN110660000A (zh) | 2019-09-09 | 2019-09-09 | 数据预测方法、装置、设备及计算机可读存储介质 |
PCT/CN2020/099266 WO2021047249A1 (zh) | 2019-09-09 | 2020-06-30 | 数据预测方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910846316.5A CN110660000A (zh) | 2019-09-09 | 2019-09-09 | 数据预测方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110660000A true CN110660000A (zh) | 2020-01-07 |
Family
ID=69036822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910846316.5A Pending CN110660000A (zh) | 2019-09-09 | 2019-09-09 | 数据预测方法、装置、设备及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110660000A (zh) |
WO (1) | WO2021047249A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021047249A1 (zh) * | 2019-09-09 | 2021-03-18 | 平安科技(深圳)有限公司 | 数据预测方法、装置、设备及计算机可读存储介质 |
CN114241180A (zh) * | 2021-12-15 | 2022-03-25 | 平安科技(深圳)有限公司 | 车损理赔的图片检测方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110135155A1 (en) * | 2009-12-09 | 2011-06-09 | Fuji Jukogyo Kabushiki Kaisha | Stop line recognition device |
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 |
CN108446618A (zh) * | 2018-03-09 | 2018-08-24 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、电子设备及存储介质 |
WO2018166116A1 (zh) * | 2017-03-13 | 2018-09-20 | 平安科技(深圳)有限公司 | 车损识别方法、电子装置及计算机可读存储介质 |
WO2018205467A1 (zh) * | 2017-05-10 | 2018-11-15 | 平安科技(深圳)有限公司 | 车损部位的识别方法、系统、电子装置及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10373387B1 (en) * | 2017-04-07 | 2019-08-06 | State Farm Mutual Automobile Insurance Company | Systems and methods for enhancing and developing accident scene visualizations |
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 |
CN108921068B (zh) * | 2018-06-22 | 2020-10-20 | 深源恒际科技有限公司 | 一种基于深度神经网络的汽车外观自动定损方法及系统 |
CN109325488A (zh) * | 2018-08-31 | 2019-02-12 | 阿里巴巴集团控股有限公司 | 用于辅助车辆定损图像拍摄的方法、装置及设备 |
CN109389169A (zh) * | 2018-10-08 | 2019-02-26 | 百度在线网络技术(北京)有限公司 | 用于处理图像的方法和装置 |
CN110660000A (zh) * | 2019-09-09 | 2020-01-07 | 平安科技(深圳)有限公司 | 数据预测方法、装置、设备及计算机可读存储介质 |
-
2019
- 2019-09-09 CN CN201910846316.5A patent/CN110660000A/zh active Pending
-
2020
- 2020-06-30 WO PCT/CN2020/099266 patent/WO2021047249A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110135155A1 (en) * | 2009-12-09 | 2011-06-09 | Fuji Jukogyo Kabushiki Kaisha | Stop line recognition device |
WO2018166116A1 (zh) * | 2017-03-13 | 2018-09-20 | 平安科技(深圳)有限公司 | 车损识别方法、电子装置及计算机可读存储介质 |
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 |
WO2018205467A1 (zh) * | 2017-05-10 | 2018-11-15 | 平安科技(深圳)有限公司 | 车损部位的识别方法、系统、电子装置及存储介质 |
CN108446618A (zh) * | 2018-03-09 | 2018-08-24 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021047249A1 (zh) * | 2019-09-09 | 2021-03-18 | 平安科技(深圳)有限公司 | 数据预测方法、装置、设备及计算机可读存储介质 |
CN114241180A (zh) * | 2021-12-15 | 2022-03-25 | 平安科技(深圳)有限公司 | 车损理赔的图片检测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021047249A1 (zh) | 2021-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009543B (zh) | 一种车牌识别方法及装置 | |
CN110705405B (zh) | 目标标注的方法及装置 | |
WO2021051601A1 (zh) | 利用Mask R-CNN选择检测框的方法及系统、电子装置及存储介质 | |
CN111612104B (zh) | 车辆定损图像获取方法、装置、介质和电子设备 | |
CN110569856B (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
CN108323209B (zh) | 信息处理方法、系统、云处理设备以及计算机存储介质 | |
CN113038018A (zh) | 辅助用户拍摄车辆视频的方法及装置 | |
CN109215119B (zh) | 受损车辆的三维模型建立方法及装置 | |
CN111476275A (zh) | 基于图片识别的目标检测方法、服务器及存储介质 | |
CN110660000A (zh) | 数据预测方法、装置、设备及计算机可读存储介质 | |
CN113657409A (zh) | 车辆损失检测方法、装置、电子设备及存储介质 | |
CN112381092A (zh) | 跟踪方法、装置及计算机可读存储介质 | |
CN111553302A (zh) | 关键帧选取方法、装置、设备及计算机可读存储介质 | |
CN108537990B (zh) | 一体机欺诈判断方法、装置、设备及计算机可读存储介质 | |
CN110291527B (zh) | 信息处理方法、系统、云处理设备以及计算机程序产品 | |
CN111178181B (zh) | 交通场景分割方法及相关装置 | |
JP4057571B2 (ja) | 画像分析システム及び画像分析方法 | |
CN112837404A (zh) | 一种平面对象的三维信息的构建方法及装置 | |
US7519237B2 (en) | Method for characterizing stored information | |
CN116052090A (zh) | 图像质量评估方法、模型训练方法、装置、设备及介质 | |
CN114842198A (zh) | 车辆智能定损方法、装置、设备及存储介质 | |
CN114359789A (zh) | 视频图像的目标检测方法、装置、设备及介质 | |
CN110569865B (zh) | 识别车体方向的方法和装置 | |
CN113298811B (zh) | 智能教室人数的自动计数方法、装置、设备及存储介质 | |
CN113657370B (zh) | 一种文字识别方法及其相关设备 |
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 |