CN110705361A - 车辆智能定损方法、装置、计算机系统及可读存储介质 - Google Patents
车辆智能定损方法、装置、计算机系统及可读存储介质 Download PDFInfo
- Publication number
- CN110705361A CN110705361A CN201910841817.4A CN201910841817A CN110705361A CN 110705361 A CN110705361 A CN 110705361A CN 201910841817 A CN201910841817 A CN 201910841817A CN 110705361 A CN110705361 A CN 110705361A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- damage
- assessment
- neural network
- factory
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 375
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 149
- 230000008439 repair process Effects 0.000 claims abstract description 57
- 238000012423 maintenance Methods 0.000 claims abstract description 49
- 238000012790 confirmation Methods 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 61
- 230000006735 deficit Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 10
- 239000002184 metal Substances 0.000 description 8
- 208000027418 Wounds and injury Diseases 0.000 description 6
- 208000014674 injury Diseases 0.000 description 6
- 239000007921 spray Substances 0.000 description 6
- 239000003814 drug Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000010009 beating Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了车辆智能定损方法、装置、计算机系统及可读存储介质，基于人工智能，包括以下步骤：根据定位信息获得厂方初级推荐表，根据理赔请求从厂方初级推荐表中获取厂方基本信息，并形成厂方推荐表；根据车辆信息从车辆数据库中获得部件列表；对比理赔请求和部件列表，获得车损列表；根据车损列表从定损神经网络集中获取目标定损神经网络；利用目标定损神经网络分析定损图片和车损部位以获得车损级别，并根据修理方式的映射关系确定修理方式；根据修理方式和厂方确认信息获得维修价格，根据修理方式和车损列表获得部件价格，将维修价格和部件价格相加获得定损价格。本发明提高了车辆定损的效率和准确度，避免了定损价格价格不准确的情况出现。
Description
技术领域
本发明涉及通信技术领域，尤其涉及车辆智能定损方法、装置、计算机系统及可读存储介质。
背景技术
目前，对于车险理赔业务来说，车辆发生事故后，通常由查勘员对车辆的受损情况进行查勘，并由定损人员对车损进行定损并确定维修方式，这就对定损人员的定损经验要求较高。
由于当前在定损工作的实际落实中，还容易出现因配件及工时缺乏本地化价格维护而导致信息不全，综修厂维修成本因缺乏标准支持导致，使得定损工作只能依靠人工定损方式来开展，这种方式不仅定损准确度较低，而且其执行效率也十分缓慢，因此无法满足当下因机动车保有量巨大所产生的大量车辆定损需求。
发明内容
本发明的目的是提供一种车辆智能定损方法、装置、计算机系统及可读存储介质，用于解决当前依靠人工定损方式来开展定损工作，定损准确度较低，执行效率缓慢，因此，无法满足当下因机动车保有量巨大所产生的大量车辆定损需求的问题。
为实现上述目的，本发明提供一种车辆智能定损方法，包括以下步骤：
接收由移动端发送的定位信息和理赔请求；根据所述定位信息获得厂方初级推荐表，根据所述理赔请求从厂方初级推荐表中获取厂方基本信息形成厂方推荐表并将其输出至移动端；
接收由所述移动端输出的厂方确认信息和车辆信息，根据所述车辆信息从车辆数据库中获得部件列表；对比所述理赔请求和部件列表，获得与所述理赔请求匹配的车损列表；
根据所述车损列表从定损神经网络集中获取目标定损神经网络，向所述移动端输出摄像指令；
接收由移动端根据所述摄像指令输出的定损图片，利用目标定损神经网络分析所述定损图片和车损部位以获得用于描述所述车损部位损伤程度的车损级别；
根据所述车损部位与车损级别从预设数据库中确定目标修理方式，其中，所述预设数据库中的数据用于描述所述车损部位、所述车损级别以及目标修改方式之间的对应关系；
根据所述目标修理方式和所述厂方确认信息获得维修价格，根据所述目标修理方式和车损列表获得部件价格，将所述维修价格和部件价格相加获得定损价格。
优选的，在所述接收由移动端发送的定位信息和理赔请求之前，包括：
创建用于记录厂方基本信息的厂方数据库，和用于记录车辆基本信息的车辆数据库。
优选的，在所述接收由移动端发送的定位信息和理赔请求之前，还包括：创建初级定损神经网络集和云数据库，利用所述云数据库中的定损训练图片，对所述初级定损神经网络集中的初级定损神经网络进行训练，以获得由定损神经网络组成的定损神经网络集。
优选的，所述对所述初级定损神经网络集中的初级定损神经网络进行训练包括：
从所述初级定损神经网络集中提取初级定损神经网络；从云数据库中，获取各款式信息下各车损部位的定损训练图片，并按照车损部位将所述定损图片分成至少一个部位训练集；所述定损训练图片具有定损标签；
将各部位训练集依次录入所述初级定损神经网络，以对所述初级定损神经网络进行训练并获得定损神经网络；在所述定损神经网络中加入与所述款式信息匹配的款式标记。
优选的，所述根据所述车损列表从定损神经网络集中获取目标定损神经网络，包括：
提取车损列表中的车辆款式，将所述车辆款式依次与所述定损神经网络集中的款式标记比对，获取与所述车辆款式匹配的定损神经网络，并将所述定损神经网络设定为目标定损神经网络。
优选的，所述利用目标定损神经网络分析所述定损图片和车损部位以获得用于描述所述车损部位损伤程度的车损级别，包括：
将定损图片转化成预设尺寸及预设的格式；通过所述预设类型模型对转化为预设尺寸及预设格式的定损图片；
提取理赔请求中的车损部位，根据车辆信息获得款式信息；
将所述定损图片和车损部位录入所述目标定损神经网络，获得车损级别。
优选的，所述根据所述车损部位与车损级别从预设数据库中确定目标修理方式包括：
提取所述预设数据库中用于描述车损部位、车损级别及修理方式映射关系的维修映射关系式；
将所述车损部位和车损级别带入所述维修映射关系式中，获得目标修理方式。
为实现上述目的，本发明还提供一种车辆智能定损装置，包括：
厂方推荐模块，用于接收由移动端发送的定位信息和理赔请求；根据所述定位信息获得厂方初级推荐表，根据所述理赔请求从厂方初级推荐表中获取厂方基本信息形成厂方推荐表并将其输出至移动端；
车损列表模块，用于接收由所述移动端输出的厂方确认信息和车辆信息，根据所述车辆信息从车辆数据库中获得部件列表；对比所述理赔请求和部件列表，获得与所述理赔请求匹配的车损列表；
神经网络提取模块，用于根据所述车损列表从定损神经网络集中获取目标定损神经网络，向所述移动端输出摄像指令；
车损级别判定模块，用于接收由移动端根据所述摄像指令输出的定损图片，利用目标定损神经网络分析所述定损图片和车损部位以获得用于描述所述车损部位损伤程度的车损级别；
修理方式判定模块，用于根据所述车损部位与车损级别从预设数据库中确定目标修理方式；所述预设数据库中的数据用于描述所述车损部位、所述车损级别以及目标修改方式之间的对应关系；
定损价格计算模块，用于根据所述目标修理方式和所述厂方确认信息获得维修价格，根据所述目标修理方式和车损列表获得部件价格，将所述维修价格和部件价格相加获得定损价格。
为实现上述目的，本发明还提供一种计算机系统，其包括多个计算机设备，各计算机设备包括存储器.处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述多个计算机设备的处理器执行所述计算机程序时共同实现上述车辆智能定损方法的步骤。
为实现上述目的，本发明还提供一种计算机可读存储介质，其包括多个存储介质，各存储介质上存储有计算机程序，所述多个存储介质存储的所述计算机程序被处理器执行时共同实现上述车辆智能定损方法的步骤。
本发明提供的车辆智能定损方法、装置、计算机系统及可读存储介质，通过厂方推荐模块将厂家推荐表输出至移动端，移动端只能在厂方推荐表中选择厂方基本信息，避免了定损员或用户肆意选择厂方，导致定损价格偏高，造成保险公司损失的情况出现；
同时，通过厂方推荐模块创设厂方数据库以汇总记录厂方基本信息，以管理不同地区的维修厂家，实现了“一厂一价”进而保证了各地维修厂家的信息的全面性和可靠性，避免了定损员因无法把控当地市场价格，而造成定损价格过高或过低的情况出现；保证了定损精确度，提高了用户体验；
通过车损列表模块制成车损列表，实现了对各车辆款式的部件价格的管控，实现了“一车一价”，提高了对不同车辆款式的汽车进行定损的准确度；
由于定损神经网络集中包括有针对市面上不同车辆款式进行车损识别的定损神经网络，因此通过神经网络提取模块从定损神经网络集中获取目标定损神经网络，再通过车损级别判定模块利用目标定损神经网络分析所述定损图片和车损部位，以获得车损级别；然后通过修理方式判定模块确定修理方式，最后通过定损价格计算模块获得定损价格；
实现了通过人工智能技术对车损进行自动识别及判断的技术效果，不仅提高了车辆定损的效率和准确度，还避免了因人工干预导致定损价格导致价格不准确，造成保险公司出现损失或用户无法根据定损价格将车辆恢复原状的情况出现。
附图说明
图1为本发明车辆智能定损方法实施例一的流程图；
图2为本发明车辆智能定损方法实施例一中车辆智能定损装置与移动端之间的工作流程图；
图3为本发明车辆智能定损装置实施例二的程序模块示意图；
图4为本发明计算机系统实施例三中计算机设备的硬件结构示意图。
附图标记：
1、车辆智能定损装置 2、移动端 3、计算机设备
11、厂方推荐模块 12、车损列表模块 13、神经网络提取模块
14、车损级别判定模块 15、修理方式判定模块 16、定损价格计算模块
10、创建模块 31、存储器 32、处理器
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。
本发明提供的车辆智能定损方法、装置、计算机系统及可读存储介质，适用于通信领域，为提供一种基于厂方推荐模块、车损列表模块、神经网络提取模块、车损级别判定模块、修理方式判定模块、定损价格计算模块和创建模块的车辆智能定损方法。本发明通过厂方推荐模块将厂家推荐表输出至移动端，移动端只能在厂方推荐表中选择厂方基本信息，避免了定损员或用户肆意选择厂方，导致定损价格偏高，造成保险公司损失的情况出现，通过厂方推荐模块创设厂方数据库以汇总记录厂方基本信息，以管理不同地区的维修厂家；
通过车损列表模块制成车损列表，实现了对各车辆款式的部件价格的管控，由于定损神经网络集中包括有针对市面上不同车辆款式进行车损识别的定损神经网络，因此通过神经网络提取模块从定损神经网络集中获取目标定损神经网络，再通过车损级别判定模块利用目标定损神经网络分析所述定损图片和车损部位，以获得车损级别；然后通过修理方式判定模块确定修理方式，最后通过定损价格计算模块获得定损价格。
实施例一
请参阅图1和图2，本实施例的一种车辆智能定损方法，利用车辆智能定损装置1，包括以下步骤：
S1：接收由移动端2发送的定位信息和理赔请求；根据所述定位信息获得厂方初级推荐表，根据所述理赔请求从厂方初级推荐表中获取厂方基本信息形成厂方推荐表并将其输出至移动端2；
S2：接收由所述移动端2输出的厂方确认信息和车辆信息，根据所述车辆信息从车辆数据库中获得部件列表；对比所述理赔请求和部件列表，获得与所述理赔请求匹配的车损列表；
S3：根据所述车损列表从定损神经网络集中获取目标定损神经网络，向所述移动端2输出摄像指令；
S4：接收由移动端2根据所述摄像指令输出的定损图片，利用目标定损神经网络分析所述定损图片和车损部位以获得用于描述所述车损部位损伤程度的车损级别；
S5：根据所述车损部位与车损级别从预设数据库中确定目标修理方式，其中，所述预设数据库中的数据用于描述所述车损部位、所述车损级别以及目标修改方式之间的对应关系；
S6：根据所述目标修理方式和所述厂方确认信息获得维修价格，根据所述目标修理方式和车损列表获得部件价格，将所述维修价格和部件价格相加获得定损价格。
于本实施例中，接收由移动端2根据初始化完成信号发送的定位信息和理赔请求，其中，所述定位信息为移动端2所在城市的位置信息，所述理赔请求包括车损部位和品牌信息，将所述定位信息依次与所述厂方数据库中厂方基本信息的厂方所在城市进行对比，获得与所述定位信息匹配的厂方基本信息，汇总各所述厂方基本信息制成厂方初级推荐表，从所述理赔请求中提取品牌信息，从所述厂方初级推荐表中获得与所述品牌信息匹配的厂方基本信息，并汇总成为厂方推荐表；将所述厂方推荐表输出至移动端2；接收由所述移动端2输出的厂方确认信息和车辆信息，根据所述车辆信息从车辆数据库中获得部件列表；对比所述理赔请求和部件列表，获得与所述理赔请求匹配的车损列表，接收由所述移动端2输出的厂方确认信息和车辆信息，提取所述车辆信息中的款式信息，将所述款式信息与所述车辆数据库中车辆信息列表的车辆款式依次对比，获取与所述款式信息匹配的车辆基本信息，汇总各车辆基本信息获得部件列表，从所述理赔请求中提取车损部位，将所述车损部位与所述部件列表中部件名称依次对比，获取与所述车损部位匹配的车辆基本信息；汇总各车辆基本信息获得车损列表；提取车损列表中的车辆款式，将所述车辆款式依次与所述定损神经网络集中的款式标记比对，获取与所述车辆款式匹配的定损神经网络，并将所述定损神经网络设定为目标定损神经网络，向所述移动端2输出摄像指令；接收由移动端2根据所述摄像指令输出的定损图片，将定损图片转化成预设尺寸及预设的格式，通过所述预设类型模型对转化为预设尺寸及预设格式的定损图片，提取理赔请求中的车损部位，根据车辆信息获得款式信息，将所述定损图片和车损部位录入所述目标定损神经网络，获得用于描述所述车损部位损伤程度车损级别；在预设数据库中存储预设的，用于描述车损部位、车损级别及修理方式映射关系的维修映射关系式，将所述车损部位和车损级别带入所述维修映射关系式中，获得目标修理方式；根据所述目标修理方式和所述厂方确认信息获得维修价格，根据所述目标修理方式和车损列表获得部件价格，将所述维修价格和部件价格相加获得定损价格。
在优选的实施例中，所述S1之前还包括S0，所述S0包括：
创建用于记录厂方基本信息的厂方数据库，和用于记录车辆基本信息的车辆数据库；
创建初级定损神经网络集和云数据库，利用所述云数据库中的定损训练图片，对所述初级定损神经网络集中的初级定损神经网络进行训练，以获得由定损神经网络组成的定损神经网络集；
根据所述厂方数据库、车辆数据库和定损神经网络集向移动端2输出初始化完成信号。
具体的，所述S0包括以下步骤：
S01：创建厂方数据库，并接收由厂方客户端输出的厂方基本信息；将所述厂方基本信息记录在厂方信息列表中；
其中，厂方基本信息包括厂方名称、厂方所在城市、维修品牌和厂方报价；
例如：厂方数据库中厂方基本信息如下：
| 厂方名称 | 北1厂 | 北2厂 | 北3厂 | 上1厂 | 广1厂 | 深1厂 | 苏1厂 |
| 厂方所在城市 | 北京 | 北京 | 北京 | 上海 | 广州 | 深圳 | 苏州 |
| 维修品牌 | 大众 | 丰田 | 大众 | 丰田 | 丰田 | 本田 | 日产 |
| 厂方报价 | 表1 | 表2 | 表3 | 表4 | 表5 | 表6 | 表7 |
S02：创建车辆数据库，并通过数据采集器获得车辆基本信息；将所述车辆基本信息记录在车辆信息列表；
其中，车辆基本信息包括：车辆款式，部件名称，部件报价；
例如，车辆数据库中的车辆基本信息列表如下：
| 车辆款式 | 大众A款 | 大众A款 | 大众B款 | 大众B款 | 丰田A款 | 丰田A款 |
| 部件名称 | 左前门 | 发动机盖 | 左前门 | 发动机盖 | 左前门 | 发动机盖 |
| 部件报价 | 1000 | 2000 | 2000 | 4000 | 1100 | 1900 |
S03：创建初级定损神经网络集和云数据库，利用所述云数据库中的定损训练图片，对所述初级定损神经网络集中的初级定损神经网络进行训练，以获得由定损神经网络组成的定损神经网络集；
本步骤中，从所述初级定损神经网络集中提取初级定损神经网络；从云数据库中，获取各款式信息下各车损部位的定损训练图片，并按照车损部位将所述定损图片分成至少一个部位训练集；所述定损训练图片具有定损标签；
将各部位训练集依次录入所述初级定损神经网络，以对所述初级定损神经网络进行训练并获得定损神经网络；在所述定损神经网络中加入与所述款式信息匹配的款式标记。
进一步的，所述S03中对所述初级定损神经网络集中的初级定损神经网络进行训练包括：
S03-1：创建初级定损神经网络集，所述初级定损神经网络集包括至少一个初级定损神经网络；创建云数据库，在所述云数据库中储存定损训练图片，将所述定损训练图片按照款式信息进行分类并储存；
本步骤中，每一类的定损训练图片预设车损级别分类、车损部位和定损图片三者的映射关系或标签数据。
进一步的，预设车损级别分类主要包括一级损伤、二级损伤、三级损伤及四级损伤。例如，所述一级损伤(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。
进一步的，所述初级定损神经网络可为卷积神经网络；在机器学习中，卷积神经网络是一种深度前馈人工神经网络，人工神经元可以响应周围单元，可以进行大型图像处理，卷积神经网络包括卷积层和池化层，其可成功地应用于图像识别；卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络常应用于序列类的数据处理；二维卷积神经网络常应用于图像类文本的识别；三维卷积神经网络主要应用于医学图像以及视频类数据识别。
S03-2：从所述初级定损神经网络集中提取一个初级定损神经网络；
按照款式信息从云数据库中，获取各款式信息下各车损部位的定损训练图片，并按照各车损部位将所述定损训练图片分成至少一个部位训练集；
其中，所述部位训练集中的定损训练图片具有用于表达定损级别的定损标签，所述定损标签可为一级损伤、二级损伤、三级损伤、四级损伤；
所述部位训练集中的定损训练图片数量应达到预设数量；
本步骤中，所述部位训练集中的定损训练图片，按照车损级别分类，并形成至少一个训练批次。
例如，设定部位训练表，如下：
| 训练名称 | 大众A左一批次 | 大众A左二批次 | 大众A左三批次 | 大众A左四批次 |
| 款式信息 | 大众A款 | 大众A款 | 大众A款 | 大众A款 |
| 预设数量 | 10万张 | 10万张 | 10万张 | 10万张 |
| 车损部位 | 左前门 | 左前门 | 左前门 | 左前门 |
| 车损级别 | 一级损伤 | 二级损伤 | 三级损伤 | 四级损伤 |
按照上述“部位训练表”将从云数据库中，获得款式信息为“大众A款”，车损部位为“左前门”的部位训练集；
同时，在部位训练集中，对定损训练图片按照车损级别进行分批，分别获得车损级别为“一级损伤”、“二级损伤”、“三级损伤”、“四级损伤”的，款式信息为大众A款”的，车损部位为“左前门”的定损训练图片；由于部位训练集因车损级别分批，使得该部位训练集的定损训练图片将分成训练名称分别为“大众A左一批次”、“大众A左二批次”、“大众A左三批次”、“大众A左四批次”的训练图片批次；
按照上述方法，获取该款式信息下的所有车损部位的定损训练图片，并分别获得部位训练集，再按照车损级别对各部位训练集进行分批。
S03-3：将各部位训练集依次录入所述初级定损神经网络，以对所述初级定损神经网络进行训练并获得定损神经网络；在所述定损神经网络中加入与所述款式信息匹配的款式标记；
例如：将车损部位为“左前门”的部位训练集中的定损训练图片，按照“训练名称”依次录入初级定损神经网络，以使所述初级定损神经网络对“大众A款”的“一级损伤”、“二级损伤”、“三级损伤”和“四级损伤”进行学习，获得可识别“大众A款”，“左前门”的车损级别的初级定损神经网络；
按照上述方法，将款式信息为“大众A款”的各部位训练集进行训练，并最终获得款式标记为“大众A款”的定损神经网络。
S03-4：按照所述S03-2和S03-3对所述云数据库中的所有款式信息下的定损训练图片进行训练，并获得与各款式信息匹配的定损神经网络；
本步骤中，再次按照所述S03-2和S03-3中所述方法及举例，获得所有款式信息的各车损部位的部位训练集，并分别对初级定损神经网络集中的各初级定损神经网络进行训练，并分别形成定损神经网络。
S03-5：汇总所述定损神经网络获得定损神经网络集。
S04：根据所述厂方数据库、车辆数据库和定损神经网络集向移动端2输出初始化完成信号。
在优选的实施例中，所述S1还包括将厂方推荐表输出至所述移动端2。
具体的，所述S1包括以下步骤：
S11：接收由移动端2根据初始化完成信号发送的定位信息和理赔请求；其中，所述定位信息为移动端2所在城市的位置信息，所述理赔请求包括车损部位和品牌信息；
S12：将所述定位信息依次与所述厂方数据库中厂方基本信息的厂方所在城市进行对比，获得与所述定位信息匹配的厂方基本信息；汇总各所述厂方基本信息制成厂方初级推荐表；
例如：定位信息为“北京”，且厂方数据库中厂方基本信息如下：
| 厂方名称 | 北1厂 | 北2厂 | 北3厂 | 上1厂 | 广1厂 | 深1厂 | 苏1厂 |
| 厂方所在城市 | 北京 | 北京 | 北京 | 上海 | 广州 | 深圳 | 苏州 |
| 维修品牌 | 大众 | 丰田 | 大众 | 丰田 | 丰田 | 本田 | 日产 |
| 厂方报价 | 表1 | 表2 | 表3 | 表4 | 表5 | 表6 | 表7 |
则获取内容为“北1厂，北京，大众，表1”、“北2厂，北京，丰田，表2”和“北3厂，北京，日产，表3”的厂方基本信息，并制成厂方初级推荐表，如下：
| 厂方名称 | 北1厂 | 北2厂 | 北3厂 |
| 厂方所在城市 | 北京 | 北京 | 北京 |
| 维修品牌 | 大众 | 丰田 | 大众 |
| 厂方报价 | 表1 | 表2 | 表3 |
S13：从所述理赔请求中提取品牌信息，从所述厂方初级推荐表中获得与所述品牌信息匹配的厂方基本信息，并汇总成为厂方推荐表；
例如：品牌信息为“大众”，则从厂方初级推荐表中获得与“大众”匹配的厂方基本信息，并汇总成为厂方推荐表，如下：
| 厂方名称 | 北1厂 | 北3厂 |
| 厂方所在城市 | 北京 | 北京 |
| 维修品牌 | 大众 | 大众 |
| 厂方报价 | 表1 | 表3 |
S14：将所述厂方推荐表输出至移动端2。
本步骤中，移动端2只能在厂方推荐表中选择厂方基本信息，避免了定损员或用户肆意选择厂方，导致定损价格偏高，造成保险公司损失的情况出现。
在优选的实施例中，所述S2包括接收由所述移动端2输出的厂方确认信息和车辆信息，根据所述车辆信息从车辆数据库中获得部件列表；根据所述理赔请求获得车损部位，并从所述部件列表中提取与所述车损部位匹配的列表项，再将各列表项制成车损列表。
具体的，所述步骤S2包括以下步骤：
S21：接收由所述移动端2输出的厂方确认信息和车辆信息，提取所述车辆信息中的款式信息，将所述款式信息与所述车辆数据库中车辆信息列表的车辆款式依次对比，获取与所述款式信息匹配的车辆基本信息；汇总各车辆基本信息获得部件列表；
本步骤中，所述车辆信息为车架号。
例如，厂方确认信息为用户根据厂方推荐列表所选择的厂方基本信息，如下：
| 厂方名称 | 北1厂 |
| 厂方所在城市 | 北京 |
| 维修品牌 | 大众 |
| 厂方报价 | 表1 |
通过提取车辆信息所获得的款式信息为“大众A款”，将所述款式信息与车辆信息列表的车辆款式进行对比，获得与所述款式信息匹配的车辆基本信息并汇总获得部件列表，如下：
| 车辆款式 | 大众A款 | 大众A款 |
| 部件名称 | 左前门 | 发动机盖 |
| 部件报价 | 1000 | 2000 |
S22：从所述理赔请求中提取车损部位，将所述车损部位与所述部件列表中部件名称依次对比，获取与所述车损部位匹配的车辆基本信息；汇总各车辆基本信息获得车损列表；
例如，所述车损部位为“左前门”，将“左前门”与部件列表中的“部件名称”进行对比，并最终获得车损列表，如下：
在优选的实施例中，所述S3包括提取车损列表中的车辆款式，将所述车辆款式依次与所述定损神经网络集中的款式标记比对，获取与所述车辆款式匹配的定损神经网络，并将所述定损神经网络设定为目标定损神经网络。
具体的，所述S3包括以下步骤:
S31：提取车损列表中的车辆款式；
S32：将所述车辆款式依次与所述定损神经网络集中的款式标记比对，获取与所述车辆款式匹配的定损神经网络，并将所述定损神经网络设定为目标定损神经网络；
S33：向所述移动端2输出摄像指令；
例如：
所述车辆款式为“大众A款”，定损神经网络集通过下表表示：
则选择“第一神经网络”作为目标定损神经网络。
具体的，所述S4包括以下步骤：
S41：接收由移动端2根据所述摄像指令输出的定损图片，将定损图片转化成预设尺寸及预设的格式；通过所述预设类型模型对转化为预设尺寸及预设格式的定损图片；
本步骤中，所述预设尺寸可以由根据具体理赔系统进行调整，以看的清定损图片中的车损部分为准。所述预设格式可以是leveldb格式。
S42：提取理赔请求中的车损部位，根据车辆信息获得款式信息；
S43：将所述定损图片和车损部位录入所述目标定损神经网络，获得用于描述所述车损部位损伤程度车损级别。
具体的，所述步骤S5包括以下步骤：
S51：创建预设数据库，在预设数据库中存储预设的，用于描述车损部位、车损级别及修理方式映射关系的维修映射关系式；
根据车损部位从预设数据库中提取用于描述车损部位、车损级别及修理方式映射关系的维修映射关系式；
例如：对于钣金件的车损部位而言，根据其不同的车损级别，在预设数据库中建立的修理方式中至少包括：仅全喷、轻度钣金、轻度钣金+全喷、重度钣金+全喷、更换等，因此对于车损部位为“左前门”的钣金件的维修映射关系式可通过下表表示：
| 车损部位 | 左前门 | 左前门 | 左前门 | 左前门 |
| 车损级别 | 一级损伤 | 二级损伤 | 三级损伤 | 四级损伤 |
| 修理方式 | 全喷、轻度钣金 | 轻度钣金+全喷 | 重度钣金+全喷 | 更换 |
S52：将所述车损部位和车损级别带入所述维修映射关系式中，获得目标修理方式；
例如，若车损部位为“左前门”，车损级别为“四级损伤”，则将“更换”作为目标修理方式。
具体的，所述步骤S6包括以下步骤：
S61：根据所述目标修理方式和所述厂方确认信息获得维修价格；
本步骤中，所述厂方确认信息包括厂方名称、厂方所在城市和厂方报价，所述厂方报价包括报价项目和维修报价，所述报价项目和维修报价一一对应；
将所述维修方式依次与所述厂方报价中的报价项目进行比对，并提取与所述维修方式一致的报价项目所对应的维修报价，将所述维修报价设定为维修价格；
其中，所述维修报价为维修车辆使其恢复原状所需的工时费、设备费等人力及设备成本；
如：厂方报价“表1”可为：
| 报价项目 | 全喷 | 轻度钣金 | 轻度钣金+全喷 | 重度钣金+全喷 | 更换 |
| 维修报价 | 100 | 100 | 200 | 400 | 200 |
S62：根据所述目标修理方式和车损列表获得部件价格；
本步骤中，所述车损列表包括部件名称和部件报价，所述部件名称与部件报价一一对应；
若所述目标修理方式为更换，则将所述车损部位依次与所述车损列表中的部件名称进行比对，
并提取与所述车损部位一致的部件名称所对应的部件报价，将所述部件报价设定为部件价格；
若所述目标修理方式不为更换，则将部件价格设定为0；
如：车损列表可为：
其中，所述部件价格为需更换部件的物料成本。
S63：将所述维修价格和部件价格相加获得定损价格；
例如，根据上述举例，由于车损部件为“左前门”，车损级别为“四级损伤”，且目标修理方式为“更换”，因此，根据厂方报价“表1”得到维修价格为“200”，根据“车损列表”得到部件价格为“1000”，将维修价格和部件价格相加，获得定损价格“1200”。
实施例二
请参阅图3，本实施例的一种车辆智能定损装置1，包括：
厂方推荐模块11，用于接收由移动端2发送的定位信息和理赔请求；根据所述定位信息获得厂方初级推荐表，根据所述理赔请求从厂方初级推荐表中获取厂方基本信息形成厂方推荐表并将其输出至移动端2；
车损列表模块12，用于接收由所述移动端2输出的厂方确认信息和车辆信息，根据所述车辆信息从车辆数据库中获得部件列表；对比所述理赔请求和部件列表，获得与所述理赔请求匹配的车损列表；
神经网络提取模块13，用于根据所述车损列表从定损神经网络集中获取目标定损神经网络，向所述移动端2输出摄像指令；
车损级别判定模块14，用于接收由移动端2根据所述摄像指令输出的定损图片，利用目标定损神经网络分析所述定损图片和车损部位以获得用于描述所述车损部位损伤程度的车损级别；
修理方式判定模块15，用于根据所述车损部位与车损级别从预设数据库中确定目标修理方式；所述预设数据库中的数据用于描述所述车损部位、所述车损级别以及目标修改方式之间的对应关系；
定损价格计算模块16，用于根据所述目标修理方式和所述厂方确认信息获得维修价格，根据所述目标修理方式和车损列表获得部件价格，将所述维修价格和部件价格相加获得定损价格。
进一步地，车辆智能定损装置1还包括：
创建模块10，用于创建用于记录厂方基本信息的厂方数据库，和用于记录车辆基本信息的车辆数据库，以及用于创建初级定损神经网络集和云数据库，利用所述云数据库中的定损训练图片，对所述初级定损神经网络集中的初级定损神经网络进行训练，以获得由定损神经网络组成的定损神经网络集。
本技术方案基于人工智能的智能决策技术，通过车损列表模块制成车损列表，实现了对各车辆款式的部件价格的管控，由于定损神经网络集中包括有针对市面上不同车辆款式进行车损识别的定损神经网络，因此通过神经网络提取模块从定损神经网络集中获取目标定损神经网络，再通过车损级别判定模块利用目标定损神经网络分析所述定损图片和车损部位，以获得车损级别；进而建立了基于车辆的车损部位和车损级别的分类模型，最后通过修理方式判定模块确定修理方式，最后通过定损价格计算模块获得定损价格。
实施例三：
为实现上述目的，本发明还提供一种计算机系统，该计算机系统包括多个计算机设备3，实施例二的车辆智能定损装置1的组成部分可分散于不同的计算机设备中，计算机设备可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器31、处理器32，如图4所示。需要指出的是，图4仅示出了具有组件-的计算机设备，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。
本实施例中，存储器31(即可读存储介质)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31可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器31也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器31还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器31通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例一的车辆智能定损装置的程序代码等。此外，存储器31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32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。该处理器32通常用于控制计算机设备的总体操作。本实施例中，处理器32用于运行存储器31中存储的程序代码或者处理数据，例如运行车辆智能定损装置，以实现实施例一的车辆智能定损方法。
实施例四：
为实现上述目的，本发明还提供一种计算机可读存储系统，其包括多个存储介质，如闪存、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、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器32执行时实现相应功能。本实施例的计算机可读存储介质用于存储车辆智能定损装置，被处理器32执行时实现实施例一的车辆智能定损方法。
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。
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)
1.一种车辆智能定损方法，其特征在于，包括以下步骤：
接收由移动端发送的定位信息和理赔请求；根据所述定位信息获得厂方初级推荐表，根据所述理赔请求从厂方初级推荐表中获取厂方基本信息形成厂方推荐表并将其输出至移动端；
接收由所述移动端输出的厂方确认信息和车辆信息，根据所述车辆信息从车辆数据库中获得部件列表；对比所述理赔请求和部件列表，获得与所述理赔请求匹配的车损列表；
根据所述车损列表从定损神经网络集中获取目标定损神经网络，向所述移动端输出摄像指令；
接收由移动端根据所述摄像指令输出的定损图片，利用目标定损神经网络分析所述定损图片和车损部位以获得用于描述所述车损部位损伤程度的车损级别；
根据所述车损部位与车损级别从预设数据库中确定目标修理方式，其中，所述预设数据库中的数据用于描述所述车损部位、所述车损级别以及目标修改方式之间的对应关系；
根据所述目标修理方式和所述厂方确认信息获得维修价格，根据所述目标修理方式和车损列表获得部件价格，将所述维修价格和部件价格相加获得定损价格。
2.根据权利要求1所述的车辆智能定损方法，其特征在于，在所述接收由移动端发送的定位信息和理赔请求之前，包括：
创建用于记录厂方基本信息的厂方数据库，和用于记录车辆基本信息的车辆数据库。
3.根据权利要求1所述的车辆智能定损方法，其特征在于，在所述接收由移动端发送的定位信息和理赔请求之前，还包括：创建初级定损神经网络集和云数据库，利用所述云数据库中的定损训练图片，对所述初级定损神经网络集中的初级定损神经网络进行训练，以获得由定损神经网络组成的定损神经网络集。
4.根据权利要求3所述的车辆智能定损方法，其特征在于，所述对所述初级定损神经网络集中的初级定损神经网络进行训练包括：
从所述初级定损神经网络集中提取初级定损神经网络；从云数据库中，获取各款式信息下各车损部位的定损训练图片，并按照车损部位将所述定损图片分成至少一个部位训练集；所述定损训练图片具有定损标签；
将各部位训练集依次录入所述初级定损神经网络，以对所述初级定损神经网络进行训练并获得定损神经网络；在所述定损神经网络中加入与所述款式信息匹配的款式标记。
5.根据权利要求1所述的车辆智能定损方法，其特征在于，所述根据所述车损列表从定损神经网络集中获取目标定损神经网络，包括：
提取车损列表中的车辆款式，将所述车辆款式依次与所述定损神经网络集中的款式标记比对，获取与所述车辆款式匹配的定损神经网络，并将所述定损神经网络设定为目标定损神经网络。
6.根据权利要求1所述的车辆智能定损方法，其特征在于，所述利用目标定损神经网络分析所述定损图片和车损部位以获得用于描述所述车损部位损伤程度的车损级别，包括：
将定损图片转化成预设尺寸及预设的格式；通过所述预设类型模型对转化为预设尺寸及预设格式的定损图片；
提取理赔请求中的车损部位，根据车辆信息获得款式信息；
将所述定损图片和车损部位录入所述目标定损神经网络，获得车损级别。
7.根据权利要求1所述的车辆智能定损方法，其特征在于，所述根据所述车损部位与车损级别从预设数据库中确定目标修理方式包括：
提取所述预设数据库中用于描述车损部位、车损级别及修理方式映射关系的维修映射关系式；
将所述车损部位和车损级别带入所述维修映射关系式中，获得目标修理方式。
8.一种车辆智能定损装置，其特征在于，包括：
厂方推荐模块，用于接收由移动端发送的定位信息和理赔请求；根据所述定位信息获得厂方初级推荐表，根据所述理赔请求从厂方初级推荐表中获取厂方基本信息形成厂方推荐表并将其输出至移动端；
车损列表模块，用于接收由所述移动端输出的厂方确认信息和车辆信息，根据所述车辆信息从车辆数据库中获得部件列表；对比所述理赔请求和部件列表，获得与所述理赔请求匹配的车损列表；
神经网络提取模块，用于根据所述车损列表从定损神经网络集中获取目标定损神经网络，向所述移动端输出摄像指令；
车损级别判定模块，用于接收由移动端根据所述摄像指令输出的定损图片，利用目标定损神经网络分析所述定损图片和车损部位以获得用于描述所述车损部位损伤程度的车损级别；
修理方式判定模块，用于根据所述车损部位与车损级别从预设数据库中确定目标修理方式；所述预设数据库中的数据用于描述所述车损部位、所述车损级别以及目标修改方式之间的对应关系；
定损价格计算模块，用于根据所述目标修理方式和所述厂方确认信息获得维修价格，根据所述目标修理方式和车损列表获得部件价格，将所述维修价格和部件价格相加获得定损价格。
9.一种计算机系统，其包括多个计算机设备，各计算机设备包括存储器.处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述多个计算机设备的处理器执行所述计算机程序时共同实现权利要求1至7任一项所述车辆智能定损方法的步骤。
10.一种计算机可读存储介质，其包括多个存储介质，各存储介质上存储有计算机程序，其特征在于，所述多个存储介质存储的所述计算机程序被处理器执行时共同实现权利要求1至7任一项所述车辆智能定损方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910841817.4A CN110705361A (zh) | 2019-09-06 | 2019-09-06 | 车辆智能定损方法、装置、计算机系统及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910841817.4A CN110705361A (zh) | 2019-09-06 | 2019-09-06 | 车辆智能定损方法、装置、计算机系统及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110705361A true CN110705361A (zh) | 2020-01-17 |
Family
ID=69194596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910841817.4A Pending CN110705361A (zh) | 2019-09-06 | 2019-09-06 | 车辆智能定损方法、装置、计算机系统及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110705361A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112085721A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 基于人工智能的水淹车定损方法、装置、设备及存储介质 |
| CN112085610A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 目标物定损方法、装置、电子设备及计算机可读存储介质 |
| CN115994910A (zh) * | 2023-03-24 | 2023-04-21 | 邦邦汽车销售服务(北京)有限公司 | 基于数据处理的汽车损伤程度确定方法及系统 |
| TWI813939B (zh) * | 2020-01-31 | 2023-09-01 | 日商認知遠見股份有限公司 | 報價裝置、報價系統、報價方法及程式 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100036076A (ko) * | 2008-09-29 | 2010-04-07 | 사단법인 보험개발원 | 차량 보험 통합 처리 시스템 및 그 방법 |
| CN105956667A (zh) * | 2016-04-14 | 2016-09-21 | 平安科技（深圳）有限公司 | 车险定损理赔审核方法及系统 |
| CN107977895A (zh) * | 2017-12-08 | 2018-05-01 | 北京小米移动软件有限公司 | 车辆损毁信息的确定方法、装置及用户设备 |
| CN108257021A (zh) * | 2017-04-07 | 2018-07-06 | 平安科技（深圳）有限公司 | 车险理赔方法和装置 |
-
2019
- 2019-09-06 CN CN201910841817.4A patent/CN110705361A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100036076A (ko) * | 2008-09-29 | 2010-04-07 | 사단법인 보험개발원 | 차량 보험 통합 처리 시스템 및 그 방법 |
| CN105956667A (zh) * | 2016-04-14 | 2016-09-21 | 平安科技（深圳）有限公司 | 车险定损理赔审核方法及系统 |
| CN108257021A (zh) * | 2017-04-07 | 2018-07-06 | 平安科技（深圳）有限公司 | 车险理赔方法和装置 |
| CN107977895A (zh) * | 2017-12-08 | 2018-05-01 | 北京小米移动软件有限公司 | 车辆损毁信息的确定方法、装置及用户设备 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI813939B (zh) * | 2020-01-31 | 2023-09-01 | 日商認知遠見股份有限公司 | 報價裝置、報價系統、報價方法及程式 |
| CN112085721A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 基于人工智能的水淹车定损方法、装置、设备及存储介质 |
| CN112085610A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 目标物定损方法、装置、电子设备及计算机可读存储介质 |
| CN112085610B (zh) * | 2020-09-07 | 2023-08-22 | 中国平安财产保险股份有限公司 | 目标物定损方法、装置、电子设备及计算机可读存储介质 |
| CN115994910A (zh) * | 2023-03-24 | 2023-04-21 | 邦邦汽车销售服务(北京)有限公司 | 基于数据处理的汽车损伤程度确定方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705361A (zh) | 车辆智能定损方法、装置、计算机系统及可读存储介质 | |
| CN107730389A (zh) | 电子装置、保险产品推荐方法及计算机可读存储介质 | |
| CN103782309A (zh) | 用于机器学习分类器的自动数据清除 | |
| CN110781381B (zh) | 基于神经网络的数据验证方法、装置、设备及存储介质 | |
| CN112329659A (zh) | 基于车辆图像的弱监督语义分割方法及其相关设备 | |
| CN112632278A (zh) | 一种基于多标签分类的标注方法、装置、设备及存储介质 | |
| CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
| CN110866115B (zh) | 序列标注方法、系统、计算机设备及计算机可读存储介质 | |
| CN111831636A (zh) | 一种数据处理方法、装置、计算机系统及可读存储介质 | |
| CN110414502B (zh) | 图像处理方法及装置、电子设备和计算机可读介质 | |
| CN113626607B (zh) | 异常工单识别方法、装置、电子设备及可读存储介质 | |
| CN111444793A (zh) | 基于ocr的票据识别方法、设备、存储介质及装置 | |
| CN114120299A (zh) | 信息获取方法、装置、存储介质及设备 | |
| CN113516340A (zh) | 一种智能工单的推送方法和装置 | |
| CN112597745A (zh) | 一种智能图表的生成方法、装置、计算机系统及可读存储介质 | |
| CN114550051A (zh) | 一种车损检测方法、装置、计算机设备及存储介质 | |
| CN114386013A (zh) | 学籍自动认证方法、装置、计算机设备及存储介质 | |
| WO2021151270A1 (zh) | 图像结构化数据提取方法、装置、设备及存储介质 | |
| CN115809796B (zh) | 基于用户画像的项目智能派工方法及系统 | |
| CN110766938B (zh) | 路网拓扑结构的构建方法、装置、计算机设备及存储介质 | |
| CN111752958A (zh) | 智能关联标签方法、装置、计算机设备及存储介质 | |
| CN111831817A (zh) | 问卷生成分析方法、装置、计算机设备及可读存储介质 | |
| CN111737962A (zh) | 一种实体修订方法、装置、计算机设备和可读存储介质 | |
| CN115984885A (zh) | 一种用于营销现场作业的工单管理方法及系统 | |
| CN110852893A (zh) | 基于海量数据的风险识别方法、系统、设备及存储介质 |
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 |