CN110781381A - 基于神经网络的数据验证方法、装置、设备及存储介质 - Google Patents
基于神经网络的数据验证方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110781381A CN110781381A CN201910860773.XA CN201910860773A CN110781381A CN 110781381 A CN110781381 A CN 110781381A CN 201910860773 A CN201910860773 A CN 201910860773A CN 110781381 A CN110781381 A CN 110781381A
- Authority
- CN
- China
- Prior art keywords
- repair
- damaged
- picture
- data
- scheme
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013524 data verification Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 230000008439 repair process Effects 0.000 claims abstract description 383
- 238000012423 maintenance Methods 0.000 claims abstract description 86
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000012795 verification Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 15
- 238000013502 data validation Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 239000000243 solution Substances 0.000 description 45
- 238000010586 diagram Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010422 painting Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于人工智能技术领域,涉及一种基于神经网络的数据的验证方法,用于汽车维修,包括步骤:获取用户发送的待验证的汽车维修数据,并提取汽车维修数据中的汽车受损图片以及修理方案,基于修理方案从修理方案数据库中匹配出相应的标准修理方案及其对应的历史受损图片,通过零部件受损程度分析模型分别对受损图片和历史受损图片进行受损程度分析,计算二者反应的受损程度的差值,根据差值验证汽车维修数据。当修理方案数据库中不存在相应的标准修理方案时,通过维修数据验证模型根据受损程度调取目标修理方案,根据目标修理方案验证汽车维修数据。若验证结果为不正确,则以标准修理方案或目标修理方案替换修理方案,提供可靠的汽车维修数据。
Description
技术领域
本申请涉及大数据服务技术领域,具体涉及投诉预警技术领域,尤其涉及一种基于神经网络数据验证方法、装置、计算机设备和存储介质。
背景技术
随着我国生产力的发展,经济水平的提高,汽车保有量的急剧增长,轿车快速地进入普通百姓家庭,城市道路上的车辆密度越来越大,车辆之间发生交通事故也越来越频繁。目前常用的汽车维修方法大多是车主将待维修车辆开到维修厂,维修厂的工作人员通过对待维修车辆进行检查,对汽车零配件损坏的修换依据于修理厂商/4S店根据相关的经验或者规章确定出的维修方案,进而对车辆进行维修。然而,汽车技术复杂,零配件数量众多,零配件称谓不规范,维修厂的工作人员的技术水平良莠不齐,这种采用人工判断的方式对汽车零配件的损耗进行判断,并拟定修理方案的方式无法确保维修方式的准确性,往往存在判断误差、修理方案可靠性偏低与修理效果不理想的问题,而不恰当的维修容易带来潜在的安全隐患。
发明内容
本申请实施例的目的在于提出一种基于神经网络的数据验证方法、装置、计算机设备以及存储介质,用于对修复汽车的受损零部件的方式进行验证,根据验证结果提前对用户进行预警,以减少安全隐患。
为了解决上述技术问题,本申请实施例提供一种基于神经网络的数据验证方法,采用了如下所述的技术方案:
一种基于神经网络数据验证方法,用于汽车维修,包括下述步骤:
获取用户发送的待验证的汽车维修数据,并提取所述汽车维修数据中的汽车受损图片以及修理方案;
将修理方案与修理方案数据库中的标准修理方案进行数据匹配,判断所述修理方案数据库中是否存在与所述修理方案一致的标准修理方案;
若存在,则从所述修理方案数据库中获取所述标准修理方案对应的历史维修数据,并提取所述历史维修数据中的历史受损图片,再通过预设的零部件受损程度分析模型分别对所述受损图片和所述历史受损图片进行受损程度分析,计算所述受损图片反应的受损程度与所述历史受损图片反应的受损程度的差值,并根据所述差值验证待验证的所述汽车维修数据是否正确;
若不存在,则通过维修数据验证模型分析所述汽车受损图片的受损程度,并根据受损程度调取对应的目标修理方案,根据目标修理方案与所述修理方案验证待验证的所述汽车维修数据是否正确;
若验证所述汽车维修数据为不正确,则以所述标准修理方案或者所述目标修理方案更新所述维修数据中的所述修理方案;
向所述用户反馈验证结果。
进一步的,所述修理方案数据库中设置关键词列表,所述关键词列表对关键词进行分类,且属于同一类的关键词集合映射给同一标准修理方案;所述将修理方案与修理方案数据库中的标准修理方案进行数据匹配,判断所述修理方案数据库中是否存在与所述修理方案一致的标准修理方案的步骤具体包括:
将所述修理方案与所述修理方案数据库进行关键词比对,以获取所述关键词的分类;
若比对成功,根据所述类别获取所述类别匹配对应的所述标准修理方案;
若比对不成功,则确定修理方案数据库中不存在与所述修理方案一致的标准修理方案。
进一步的,将所述修理方案与所述修理方案数据库进行关键词比对,以获取所述关键词的分类包括以下步骤:
提取所述修理方案中的第一关键词;
以所述第一关键词为过滤条件在所述关键词列表中检索,判断所述第一关键词是否与所述关键词列表中的任意第二关键词匹配;
若是,获取所述第一关键词对应的分类;
若否,则将所述第一关键词和所述关键词列表输入到深度语义匹配模型中,从所述关键词列表中查找与所述第一关键词语义相匹配的第二关键词,并根据所述第二关键词获取分类;
根据所述分类获取对应的标准修理方案。
进一步的,所述通过零部件受损程度分析模型分别对所述受损图片和所述历史受损图片进行受损程度分析,计算所述受损图片反应的受损程度与所述历史受损图片反应的受损程度的差值,并根据所述差值验证待验证的所述汽车维修数据是否正确的步骤包括:
获取所述零部件的未受损图片,将所述受损图片、所述历史受损图片以及所述未受损图片进行图片处理,以获取标准形式的图片;
将处理后的所述未受损图片、所述受损图片和所述历史受损图片分别输入到所述零部件受损程度分析模型中的卷积神经网络中;
基于所述未受损图片,通过所述卷积神经网络分别分析识别出所述受损零部件的受损图片反应的受损程度以及所述历史受损图片反应的受损程度,并计算二者的差值;
当所述差值在预设的阈值范围内时,判定所述修理方案通过验证。
进一步的,所述基于所述未受损图片,通过所述卷积神经网络分别分析识别出所述受损图片反应的受损程度以及所述历史受损图片反应的受损程度,并计算二者的差值的步骤包括:
通过所述卷积神经网络分析所述受损图片与所述未受损图片的相似程度以及所述历史受损图片与所述未受损图片的相似程度,基于所述相似程度计算所述受损图片反应的受损程度以及所述历史受损图片反应的受损程度;
将所述受损图片反应的受损程度和所述历史受损图片反应的受损程度数值化并进行差值计算。
进一步的,所述图片处理包括图像分割、去均值和图像归一化处理;所述获取所述零部件的未受损图片,将所述受损图片、所述历史受损图片以及所述未受损图片进行图片处理,以获取标准形式的图片的步骤包括:
对所述未受损图片、所述受损图片和所述历史受损图片进行图像分割,以使所述受损图片和所述历史受损图片中的零部件从图片背景中分割出来;
对分割后的所述未受损图片、所述受损图片和所述历史受损图片进行去均值,将所述未受损图片、所述受损图片和所述历史受损图片各个维度的特征都中心化为零;
对去均值后的所述未受损图片、受损图片和所述历史受损图片进行归一化,利用图像的不变矩寻找并确定变换函数的参数,再利用所述变换函数把所述未受损图片、所述受损图片和所述历史受损图片变换为标准形式的图片。
进一步地,所述维修数据验证模型包括所述零部件受损程度分析模型,所述通过维修数据验证模型根据受损程度调取对应的目标修理方案,并根据目标修理方案验证待验证的所述汽车维修数据是否正确的步骤包括:
通过所述零部件受损程度分析模型分别对所述受损图片反应的受损程度进行分析,得出所述受损图片反应的受损程度;
将得出的所述受损程度与预设的受损程度阈值进行比较;
所述维修数据验证模型根据比较结果调取对应的目标修理方案;
将所述目标修理方案和所述修理方案进行比对,根据比对结果判断所述修理方案是否合理。
为了解决上述技术问题,本申请实施例还提供一种基于神经网络的数据验证装置,采用了如下所述的技术方案:
一种基于神经网络的数据验证装置,包括:
获取模块,用于获取用户发送的待验证的汽车维修数据,并从所述汽车维修数据中提取所述汽车的受损图片以及修理方案;
匹配模块,用于修理方案与修理方案数据库中的标准修理方案进行数据匹配;
标准方案处理模块,用于在修理方案数据库中匹配出与修理方案对应的标准修理方案时,从所述修理方案数据库中获取所述标准修理方案对应的历史维修数据,并提取所述历史维修数据中的历史受损图片,并通过预设的零部件受损程度分析模型分别对所述受损图片和所述历史受损图片进行受损程度分析,计算所述受损图片反应的受损程度与所述历史受损图片反应的受损程度的差值,并根据所述差值验证待验证的所述汽车维修数据是否正确,若验证所述汽车维修数据为不正确,则以所述标准修理方案更新所述汽车维修数据中的所述修理方案;
非标方案处理模块,用于在修理方案数据库中不存在与修理方案对应的标准修理方案时,通过维修数据验证模型根据受损程度调取对应的目标修理方案,并根据目标修理方案与所述修理方案验证待验证的所述汽车维修数据是否正确,若验证所述汽车维修数据为不正确,则以所述目标修理方案更新所述维修数据中的所述修理方案;
反馈模块,用于向所述用户反馈验证结果。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的基于神经网络的数据验证方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
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计算机程序,所述计算机程序被处理器执行时实现上述中任一项所述的基于神经网络的数据验证方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本实施例提供一种基于神经网络的数据验证方法、装置、计算机设备以及存储介质,通过维修数据中的修理方案匹配出与之对应的标准修理方案,进而获取对应的历史受损图片,然后再通过基于神经网络的零部件受损程度分析模型分别对所述受损图片和所述历史受损图片进行受损程度分析,根据二者受损程度的差别验证待验证的所述汽车维修数据是否正确,或者通过维修数据验证模型根据受损程度调取对应的目标修理方案,并根据目标修理方案与所述修理方案验证待验证的所述汽车维修数据是否正确,本方案能够基于针对汽车修理方案进行的数据化验证,判断汽车维修数据的正确性,并在验证汽车维修数据不正确的情况下,提供正确的汽车维修数据,利于克服人工判断造成的主观误差,确保修理方案的可靠性,避免不恰当的维修导致的安全隐患。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2是申请的基于神经网络的数据验证方法的一个实施例的流程图;
图3是图2中步骤203的一种具体实施方式的流程图;
图4是图2中步骤204的一种具体实施方式的流程图;
图5是本申请的基于神经网络的数据验证方法的另一个实施例的流程图;
图6是本申请的基于神经网络的数据验证装置的一个实施例的结构示意图;
图7是本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于用户设备、网络设备或用户设备与网络设备通过网络相集成所构成的设备。所述用户设备其包括但不限于任何一种可与用户通过触摸板进行人机交互的移动电子产品,例如智能手机、平板电脑等,所述移动电子产品可以采用任意操作系统,如android操作系统、IOS操作系统等。其中,所述网络设备包括一种能够按照事先设定或存储的指令,自动进行数值计算和信息处理的电子设备,其硬件包括但不限于微处理器、专用集成电路(ASIC)、可编程门阵列(FPGA)、数字处理器(DSP)、嵌入式设备等。所述网络设备其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云;在此,云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个虚拟超级计算机。所述网络包括但不限于互联网、广域网、城域网、局域网、VPN网络、无线自组织网络(Ad Hoc网络)等。当然,本领域技术人员应能理解上述终端设备仅为举例,其他现有的或今后可能出现的终端设备如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
服务器105可以是一台服务器,或者由若干台服务器组成的服务器集群,或者是一个云计算服务中心。其也可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于神经网络的数据验证方法一般由服务器105执行,相应地,基于神经网络的数据验证装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了本申请的基于神经网络的数据验证方法的一个实施例的流程图。所述基于神经网络的数据验证方法,用于汽车维修,包括以下步骤:
步骤201,获取用户发送的待验证的汽车维修数据,并从汽车维修数据中提取汽车的受损图片以及修理方案。
在本实施例中,用于汽车维修的基于神经网络的数据验证方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取用户发送的待验证的汽车维修数据,并从所述汽车维修数据中提取所述汽车的受损图片以及修理方案。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其它现在已知或将来开发的无线连接方式。
需要说明的是,所述受损图片和所述修理方案以关系型数据库的方式进行存储。通过所述受损图片可以映射寻找到所述修理方案。同样的,通过所述修理方案可以映射寻找到所述受损图片。当所述零部件包括多张所述受损图片时,每一张所述受损图片均与所述修理方案形成映射关系,或者多张所述受损图片以图片集合的形式与所述修理方案形成映射关系。
进一步地,如下表1所示,所述修理方案中包括汽车受损零件及其对应的修理方式。根据所述受损零部件的受损图片反应的定损程度,所述修理方案包括但不限于更换、钣金修理、机修、电子修理、喷漆等修理方式。
表1
零部件 | 修理方式 |
喷油嘴 | 更换 |
底盘 | 机修 |
左前车门 | 钣金修理、喷漆 |
步骤202,判修理方案数据库中是否存在与修理方案一致的标准修理方案,若是,执行步骤203,否则,执行步骤205。
在本实施例中,所述标准修理方案包括存储在修理方案数据库中的同样的零部件已经实施过的合理的修理方案以及没有被实施过但合理存在的修理方案。进一步地,本实施例通过将所述修理方案数据库中的修理方案与受损汽车的修理方案进行数据匹配以查找所述修理方案对应的标准修理方案。
需要说明的是,所述修理方案数据库通过数据清洗排除不合理的修理方案。例如,排除零部件的受损程度只需简单修理但却进行了零部件替换的修理方案。
步骤203:获取所述标准修理方案对应的历史维修数据,并提取所述历史维修数据中的历史受损图片。
在本实施例中,根据所述历史受损图片和所述标准修理方案的映射关系,从所述关系型数据库中查找到对应的所述历史受损图片。
需要说明的是,所述历史受损图片指的是存储在修理方案数据库中的同样的零部件的受损图片。具体的,所述历史受损图片包括所述零部件的一张或者多张对应所述标准修理方案的受损图片,每一张所述受损图片均与所述标准修理方案形成映射关系,或者多张所述受损图片以图片集合的形式与所述标准修理方案形成映射关系。
步骤204:通过基于神经网络的零部件受损程度分析模型分别对受损图片和历史受损图片进行受损程度分析,计算所述受损图片反应的受损程度与历史受损图片反应的受损程度的差值,并根据差值验证待验证的所述汽车维修数据是否正确。
在本实施例中,通过所述零部件受损程度分析模型分别将所述受损图片和所述历史受损图片反应的受损程度数值化,并计算所述受损图片反应的受损程度与所述历史受损图片反应的受损程度的差值,判断所述受损图片反应的受损程度与所述历史受损图片反应的受损程度的差值是否在阈值范围内,当所述差值在阈值范围内,判定所述修理方案合理,待验证的所述汽车维修数据的验证结果为正确,否则,判定所述修理方案不合理,待验证的所述汽车维修数据的验证结果为不正确。
具体的,所述零部件受损程度分析模型包括:
输入层:用于将所述受损图片和所述历史受损图片输入所述零部件受损程度分析模型中。
隐藏层:用于将所述输入层输入的所述受损图片和所述历史受损图片,对所述未受损图片、所述受损图片和所述历史受损图片进行图像分割、去均值图像归一化处理和滤波等处理,抽象出归一化处理后的所述未受损图片、所述受损图片和所述历史受损图片的局部特征。
输出层:在所述隐藏层计算得出的局部特征的基础上,通过权值矩阵重新组装所述未受损图片、受损图片和所述历史受损图片。并基于未受损图片,对所述受损图片和所述历史受损图片进行受损程度分析并数值化以计算二者受损程度的差值,针对所述差值判断所述修理方案是否合理,若所述修理方案合理,则待验证的所述汽车维修数据的验证结果为正确,否则,待验证的所述汽车维修数据的验证结果为不正确。
步骤205:通过维修数据验证模型分析所述汽车受损图片的受损程度,并根据受损程度调取对应的目标修理方案,根据目标修理方案判修理方案是否合理,若所述修理方案合理,则待验证的所述汽车维修数据的验证结果为正确,否则,待验证的所述汽车维修数据的验证结果为不正确。
在本实施例中,当所述修理方案数据库中不存在所述标准修理方案时,通过所述维修数据验证模型对所述受损图片进行受损程度分析,并根据受损程度调取对应的目标修理方案,并对所述修理方案和所述目标修理方案进行匹配,当所述目标修理方案与所述修理方案相匹配时,判定所述修理方案合理,否则,判断所述修理方案不合理。
具体的,所述维修数据验证模型包括所述零部件受损程度分析模型,通过所述零部件受损程度分析模型对零部件反应的受损程度进行分析,获得所述受损图片反应的受损程度,将其受损程度与预设的受损程度阈值进行比较,再通过所述维修数据验证模型根据比较结果调取目标修理方案。具体的,本实施例所述维修数据验证模型将所述目标修理方案简化为“修理”和“更换”。当所述受损图片反应的受损程度大于受损程度阈值时,判断所述受损图片中的零部件应采用“更换”的目标修理方案。当所述受损图片反应的受损程度小于受损程度阈值时,判断所述受损图片中的零部件应采用“修理”的目标修理方案。
进一步地,将所述目标修理方案和所述修理方案进行比对,当二者修理方案一致时,判定所述修理方案合理,否则,判定所述修理方案不合理。
需要说明的是,在本申请的一些实施方式中,对所述修理方案中记录的“钣金修理”、“机修”、“电子修理”、“喷漆”等修理方式与所述目标修理方案中的“对应”对应,当修理方案为上述修理方式时,在比对时将其修理方式用“代替”代替。
步骤206:若待验证的所述汽车维修数据的验证结果为不正确,则以所述标准修理方案或者所述目标修理方案更新所述维修数据中的所述修理方案。
在本实施例中,当待验证的所述汽车维修数据的验证结果为正确时,将所述维修数据中的修理方案保留;当待验证的所述汽车维修数据的验证结果为不正确时,基于原修理方案不合理,将所述汽车维修数据中原有的修理方案删除,并以所述标准修理方案或者所述目标修理方案作为合理方案,替代原修理方案,完成所述汽车维修数据的更新,确保所述汽车维修数据的正确性。
步骤207:向所述用户反馈验证结果。
在本实施例中,在所述汽车维修数据的验证完成后,输出所述验证结果。若所述验证结果为所述汽车维修数据正确,则保留具有原修理方案的汽车维修数据;若所述验证结果为所述汽车维修数据不正确,则输出的验证结果中包括更新后的所述汽车维修数据。进而在验证所述汽车维修数据为不正确时,提供可靠的维修数据,以确保汽车维修的质量。
本实施例通过汽车维修数据中的修理方案匹配出与之对应的标准修理方案,进而获取对应的历史受损图片,然后再通过零部件受损程度分析模型分别对所述受损图片和所述历史受损图片进行受损程度分析,根据二者受损程度的差别判断所述修理方案是否合理,或者通过维修数据验证模型根据受损程度调取对应的目标修理方案,进而根据目标修理方案判断所述修理方案是否合理,完成汽车维修数据的验证,并且,若汽车维修数据的验证结果为不正确时,以标准修理方案或者目标修理方案更新维修数据中的修理方案,不仅能验证汽车维修数据的正确性,还能在汽车维修数据不正确的情况下提供可靠的维修数据,实现克服人工评判造成的主观误差、确保汽车维修数据的正确性,避免不恰当的维修方案带来潜在的安全隐患。
请参阅图3,其示出步骤202的一个实施例的流程图。步骤202,判修理方案数据库中是否存在与修理方案一致的标准修理方案,具体包括以下步骤:
步骤301:将修理方案与修理方案数据库进行关键词比对,以获取关键词的分类,若比对成功,执行步骤302,否则,执行步骤303。
步骤302:根据分类匹配出对应的标准修理方案。
步骤303:确定修理方案数据库中不存在与所述修理方案一致的标准修理方案。
在本实施例中,所述修理方案数据库中设置关键词列表,所述关键词列表对关键词进行分类,且属于同一类的关键词集合映射给同一标准修理方案。通过所述关键词比对,查找出关键词对应的分类,以根据分类在所述修理方案数据库中检索出与所述修理方案一致的标准修理方案。否则,所述修理方案数据库中不存在所述修理方案对应的标准修理方案,需要通过所述维修数据验证模型对所述受损图片进行受损程度分析,并根据受损程度调取对应的目标修理方案,对所述目标修理方案和所述修理方案进行比对,根据比对结果判断所述修理方案是否合理,进而得到针对所述汽车维修数据是否正确的验证结果。
具体的,所述第一关键词为所述修理方案中所述受损零部件的修理方式,可直接从所述修理方式中提取所述第一关键词。
需要说明的是,在本申请的一些实施方式中,当所述修理方案中并没有记录“钣金修理”、“机修”、“电子修理”、“喷漆”等关键词,并且所述修理方案也不是“更换”时,引入关键词“修理”作为所述修理方案的关键词。
请参阅图4,图中示出步骤301的一个实施方式流程图,步骤301,将修理方案与修理方案数据库进行关键词比对,以获取关键词的分类包括以下步骤:
步骤3011:提取修理方案中的第一关键词。
步骤3012:以第一关键词为过滤条件向关键词列表发起检索,判断第一关键词是否对应关键词列表中的任意第二关键词,若是,执行步骤3013,否者,执行步骤3014。
步骤3013:获取第一关键词对应的分类。
步骤3014:将第一关键词和关键词列表输入到深度语义匹配模型中,从关键词列表中查找与第一关键词语义相匹配的第二关键词,并根据第二关键词获取分类。
在本实施例中,在对所述修理方案与修理方案数据库进行关键词比对时,首先提取所述修理方案中的第一关键词,并以所述第一关键词为过滤条件在所述修理方案数据库中检索,然后判断所述第一关键词是否与所述关键词列表中的任意第二关键词匹配,若是,获取该关键词对应的类别,然后根据该类别与标准修理方案的映射关系匹配出对应的所述标准修理方案。当所述第一关键词不在所述关键词列表时,将所述第一关键词和所述关键词列表数据输入深度语义匹配模型中,从所述关键词列表中与查找与所述第一关键词语义相匹配的第二关键词,并根据所述第二关键词对应的类别获取所述标准修理方案。
具体的,所述深度语义匹配模型包括:
输入层,所述输入层将所述修理方案中的第一关键词和所述关键词列表以字符向量(one-hot)的形式输入。
表示层,所述表示层由至少一个卷积神经网络组成。所述卷积神经网络包括:卷积层、池化层以及全连接层。其中,所述卷积层用于提取上下文特征。所述池化层用于为所述修理方案中的第一关键词和所述关键词列表找到全局的上下文特征。所述全连接层用于将所述修理方案中的第一关键词和所述关键词列表的高纬度的语义向量转化成低纬度的语义向量。
匹配层,所述匹配层用所述修理方案中的第一关键词的低纬度的语义向量与所述关键词列表各低纬度的语义向量的cosine距离来表示所述修理方案中的第一关键词与所述关键词列表各关键词的语义相似度。然后通过softmax函数将所述语义相似度转化为一个后验概率。通过所述后验概率判断所述修理方案中的第一关键词是否与所述关键词列表中的任意第二关键词的语义相匹配。
需要说明的是,在执行步骤3014后,可将所述第一关键词存储在关键词列表中,以扩展所述关键词列表,从而减少对深度语义匹配模型的依赖,提高匹配效率。
请参阅图5,示出步骤204的一个实施例的流程图。步骤204:通过零部件受损程度分析模型分别对所述受损图片和所述历史受损图片进行受损程度分析,计算所述受损图片反应的受损程度与所述历史受损图片反应的受损程度的差值,并根据差值验证待验证的所述汽车维修数据是否正确,具体包括以下步骤:
步骤501:获取所述受损部件的未受损图片,将所述受损图片、所述历史受损图片以及所述未受损图片进行图片处理,以获取标准形式的图片;
步骤502:将处理后的未受损图片、受损图片和历史受损图片分别输入到零部件受损程度分析模型中的卷积神经网络中;
步骤503:基于受损零部件的未受损图片,通过卷积神经网络分别分析识别出受损零部件的受损图片反应的受损程度以及历史受损图片反应的受损程度,并计算二者的差值;
步骤504:当差值在预设的阈值范围内时,判定修理方案合理,待验证的所述汽车维修数据的验证结果为正确,否则,判定修理方案不合理,待验证的所述汽车维修数据的验证结果为不正确。
在本实施例中,在步骤501中,所述图片处理包括图像分割、去均值和图像归一化处理,以降低图像噪声,增强图像效果。具体的,本实施例通过对所述未受损图片、受损图片和所述历史受损图片进行图像分割,以使所述未受损图片、所述受损图片和所述历史受损图片中的零部件从图片背景中分割出来。然后对分割后的所述未受损图片、所述受损图片和所述历史受损图片进行去均值,将所述未受损图片、所述受损图片和所述历史受损图片各个维度的特征都中心化为零。对去均值后的所述未受损图片、所述受损图片和所述历史受损图片进行归一化处理,以加快训练卷积神经网络时的收敛性。具体的,本实施例利用所述未受损图片、所述受损图片和所述历史受损图片中对仿射变换具有不变性的矩来确定变换函数的参数,即利用图像的不变矩寻找一组参数使其能够消除其他变换函数对图像变换的影响,再利用所述变换函数把所述未受损图片、所述受损图片和所述历史受损图片变换为标准形式的图片。
在步骤502中,所述零部件受损程度分析模型基于零部件的正常图片(未受损图片)对所述受损图片和所述历史受损图片进行受损程度分析,并受损程度数值化,以计算二者受损程度的差值,从而根据所述差值判所述修理方案是否合理,得到所述汽车维修数据的验证结果。具体的,所述零部件受损程度分析模型通过卷积神经网络对所述受损图片和所述历史受损图片进行受损程度分析,分别判断二者与零部件的未受损图片的相似程度。
在本实施例中,零部件受损程度分析模型包括:
数据输入层,所述输入层用于实现步骤501;
卷积计算层,所述卷积计算层用于对归一化处理后的所述受损图片和所述历史受损图片分别进行滤波,抽象出归一化处理后的所述受损图片和所述历史受损图片的局部特征;
池化层,所述池化层用于降低所述局部特征的分辨率以减少计算量,并增强所述卷积神经网络的robustness(鲁棒性);
全连接层,所述全连接层用于将所述受损图片的局部特征重新通过权值矩阵组装成完整的所述受损图片,以及将所述历史受损图片的局部特征重新通过权值矩阵组装成完整的所述历史受损图片。并基于未受损图片,对所述受损图片和所述历史受损图片进行受损程度分析并数值化以计算二者受损程度的差值,针对所述差值判断所述修理方案合理性,进而验证所述汽车维修数据是否正确。
需要说明的是,本实施例通过输入不同零部件的受损图片和未受损图片对所述卷积神经网络进行训练,使得所述卷积神经网络能够准确识别所述受损图片反应的受损程度以及所述历史受损图片反应的受损程度。当所述受损图片中的零部件受损程度越大时,反应在所述卷积神经网络中为所述受损图片与所述未受损图片的相似程度越低。同样的,当所述历史受损图片的零部件受损程度越大时,反应在所述卷积神经网络中为所述历史受损图片与所述未受损图片的相似程度越低。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图6,作为对上述图2所示方法的实现,本申请提供了一种基于神经网络的数据验证装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例所述的基于神经网络的数据验证装置600包括:
获取模块601,用于获取用户发送的待验证的汽车维修数据,并从所述汽车维修数据中提取所述汽车的受损图片以及修理方案;
匹配模块602,用于修理方案与修理方案数据库中的标准修理方案进行数据匹配;
标准方案处理模块603,用于在修理方案数据库中匹配出与修理方案对应的标准修理方案时,从所述修理方案数据库中获取所述标准修理方案对应的历史维修数据,并提取历史维修数据中的历史受损图片,再通过预设的零部件受损程度分析模型分别对所述受损图片和所述历史受损图片进行受损程度分析,计算所述受损图片反应的受损程度与所述历史受损图片反应的受损程度的差值,并根据所述差值验证待验证的所述汽车维修数据是否正确,若验证所述汽车维修数据为不正确,则以所述标准修理方案更新所述汽车维修数据中的所述修理方案;
非标方案处理模块604,用于在修理方案数据库中不存在与修理方案对应的标准修理方案时,通过维修数据验证模型根据受损程度调取对应的目标修理方案,并根据目标修理方案与所述修理方案验证待验证的汽车维修数据是否正确,若验证所述汽车维修数据为不正确,则以所述目标修理方案更新所述汽车维修数据中的所述修理方案;
反馈模块605,用于向所述用户输出验证结果。
在本实施例中,所述通过维修数据中的修理方案匹配出与之对应的标准修理方案,进而获取对应的历史受损图片,然后再通过零部件受损程度分析模型分别对所述受损图片和所述历史受损图片进行受损程度分析,根据二者受损程度的差别判断所述汽车维修数据是否正确,或者通过维修数据验证模型根据受损程度调取对应的目标修理方案,并根据目标修理方案与所述修理方案验证待验证的所述汽车维修数据是否正确,并且在验证待验证的所述汽车维修数据为不正确时,提供更为可靠的修理方案,确保所述汽车维修数据的正确性,不仅有利于克服人工判断造成的主观误差,为用户提供预警,还能在汽车维修数据不正确的情况下向客户可靠的修理方案,避免不恰当的维修带来的潜在安全隐患。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图7,图7为本实施例计算机设备基本结构框图。
所述计算机设备7包括通过系统总线相互通信连接存储器71、处理器72、网络接口73。需要指出的是,图中仅示出了具有组件71-73的计算机设备7,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,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器71至少包括一种类型的可读存储介质,所述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,所述存储器71可以是所述计算机设备7的内部存储单元,例如该计算机设备7的硬盘或内存。在另一些实施例中,所述存储器71也可以是所述计算机设备7的外部存储设备,例如该计算机设备7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(FlashCard)等。当然,所述存储器71还可以既包括所述计算机设备7的内部存储单元也包括其外部存储设备。本实施例中,所述存储器71通常用于存储安装于所述计算机设备7的操作系统和各类应用软件,例如汽车零部件维修的基于神经网络的数据验证方法的程序代码等。此外,所述存储器71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。
所述处理器72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72通常用于控制所述计算机设备7的总体操作。本实施例中,所述处理器72用于运行所述存储器71中存储的程序代码或者处理数据,例如运行用于汽车维修的所述基于神经网络的数据验证方法的程序代码。
所述网络接口73可包括无线网络接口或有线网络接口,该网络接口73通常用于在所述计算机设备7与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供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用于汽车维修的基于神经网络的数据验证程序,用于汽车维修的所述基于神经网络的数据验证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述的基于神经网络的数据验证方法的步骤。
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。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于神经网络的数据验证方法,用于汽车维修,其特征在于,包括下述步骤:
接收用户发送的待验证的汽车维修数据,并提取所述汽车维修数据中的汽车受损图片以及修理方案;
将所述修理方案与修理方案数据库中的标准修理方案进行数据匹配,判断所述修理方案数据库中是否存在与所述修理方案一致的标准修理方案;
若存在,则从所述修理方案数据库中获取所述标准修理方案对应的历史维修数据,并提取所述历史维修数据中的历史受损图片,再通过预设的零部件受损程度分析模型分别对所述受损图片和所述历史受损图片进行受损程度分析,计算所述受损图片反应的受损程度与所述历史受损图片反应的受损程度的差值,并根据所述差值验证待验证的所述汽车维修数据是否正确;
若不存在,则通过维修数据验证模型分析所述汽车受损图片的受损程度,并根据受损程度调取对应的目标修理方案,根据所述目标修理方案与所述修理方案验证待验证的所述汽车维修数据是否正确;
若验证所述维修数据为不正确,则以所述标准修理方案或者所述目标修理方案更新所述维修数据中的所述修理方案;
向所述用户反馈验证结果。
2.根据权利要求1所述的基于神经网络的数据验证方法,其特征在于,所述修理方案数据库中设置关键词列表,所述关键词列表对关键词进行分类,且属于同一类的关键词集合映射给同一标准修理方案;所述将修理方案与修理方案数据库中的标准修理方案进行数据匹配,判断所述修理方案数据库中是否存在与所述修理方案一致的标准修理方案的步骤具体包括:
将所述修理方案与所述修理方案数据库进行关键词比对,以获取所述关键词的分类;
若比对成功,根据所述类别获取所述类别匹配对应的所述标准修理方案;
若比对不成功,则确定修理方案数据库中不存在与所述修理方案一致的标准修理方案。
3.根据权利要求2所述的基于神经网络的数据验证方法,其特征在于,所述将所述修理方案与所述修理方案数据库进行关键词比对,以获取所述关键词的分类包括以下步骤:
提取所述修理方案中的第一关键词;
以所述第一关键词为过滤条件在所述关键词列表中检索,判断所述第一关键词是否与所述关键词列表中的任意第二关键词匹配;
若是,获取所述第一关键词对应的分类;
若否,则将所述第一关键词和所述关键词列表输入到深度语义匹配模型中,从所述关键词列表中查找与所述第一关键词语义相匹配的第二关键词,并根据所述第二关键词获取分类;
根据所述分类获取对应的标准修理方案。
4.根据权利要求1所述的基于神经网络的数据验证方法,其特征在于,所述通过零部件受损程度分析模型分别对所述受损图片和所述历史受损图片进行受损程度分析,计算所述受损图片反应的受损程度与所述历史受损图片反应的受损程度的差值,并根据所述差值验证待验证的所述汽车维修数据是否正确的步骤包括:
获取受损零部件的未受损图片,将所述受损图片、所述历史受损图片以及所述未受损图片进行图片处理,以获取标准形式的图片;
将处理后的所述未受损图片、所述受损图片和所述历史受损图片分别输入到所述零部件受损程度分析模型中的卷积神经网络中;
基于所述未受损图片,通过所述卷积神经网络分别分析识别出所述零部件的受损图片反应的受损程度以及所述历史受损图片反应的受损程度,并计算二者的差值;
当所述差值在预设的阈值范围内时,判定所述修理方案通过验证。
5.根据权利要求4所述的基于神经网络的数据验证方法,其特征在于,所述基于所述未受损图片,通过所述卷积神经网络分别分析识别出所述受损图片反应的受损程度以及所述历史受损图片反应的受损程度,并计算二者的差值的步骤包括:
通过所述卷积神经网络分析所述受损图片与所述未受损图片的相似程度以及所述历史受损图片与所述未受损图片的相似程度,基于所述相似程度计算所述受损图片反应的受损程度以及所述历史受损图片反应的受损程度;
将所述受损图片反应的受损程度和所述历史受损图片反应的受损程度数值化并进行差值计算。
6.根据权利要求4所述的基于神经网络的数据验证方法,其特征在于,所述图片处理包括图像分割、去均值和图像归一化处理;所述获取所述零部件的未受损图片,将所述受损图片、所述历史受损图片以及所述未受损图片进行图片处理,以获取标准形式的图片的步骤包括:
对所述未受损图片、所述受损图片和所述历史受损图片进行图像分割,以使所述受损图片和所述历史受损图片中的零部件从图片背景中分割出来;
对分割后的所述未受损图片、所述受损图片和所述历史受损图片进行去均值,将所述未受损图片、所述受损图片和所述历史受损图片各个维度的特征都中心化为零;
对去均值后的所述未受损图片、所述受损图片和所述历史受损图片进行归一化,利用图像的不变矩寻找并确定变换函数的参数,再利用所述变换函数把所述未受损图片、所述受损图片和所述历史受损图片变换为标准形式的图片。
7.根据权利要求1所述的基于神经网络的数据验证方法,其特征在于,所述维修数据验证模型包括所述零部件受损程度分析模型,所述通过维修数据验证模型根据受损程度调取对应的目标修理方案,并根据所述目标修理方案与所述修理方案验证待验证的所述汽车维修数据是否正确的步骤包括:
通过所述零部件受损程度分析模型分别对所述受损图片反应的受损程度进行分析,得出所述受损图片反应的受损程度;
将得出的所述受损程度与预设的受损程度阈值进行比较;
所述维修数据验证模型根据比较结果调取目标修理方案;
将所述目标修理方案和所述修理方案进行比对,根据比对结果判断所述修理方案是否通过验证。
8.一种基于神经网络的数据验证装置,其特征在于,包括:
获取模块,用于获取用户发送的待验证的汽车维修数据,并提取所述汽车维修数据中的汽车受损图片以及修理方案;
匹配模块,用于修理方案与修理方案数据库中的标准修理方案进行数据匹配,判断所述修理方案数据库中是否存在与所述修理方案一致的标准修理方案;
标准方案处理模块,用于在修理方案数据库中匹配出与修理方案对应的标准修理方案时,从所述修理方案数据库中获取所述标准修理方案对应的历史维修数据,并提取所述历史维修数据中的历史受损图片,再通过预设的零部件受损程度分析模型分别对所述受损图片和所述历史受损图片进行受损程度分析,计算所述受损图片反应的受损程度与所述历史受损图片反应的受损程度的差值,并根据所述差值验证待验证的所述汽车维修数据是否正确,若验证所述汽车维修数据为不正确,则以所述标准修理方案更新所述汽车维修数据中的所述修理方案;
非标方案处理模块,用于在修理方案数据库中不存在与修理方案对应的标准修理方案时,通过维修数据验证模型根据受损程度调取对应的目标修理方案,并根据所述目标修理方案与所述修理方案验证待验证的所述汽车维修数据是否正确,若验证所述汽车维修数据为不正确,则以所述目标修理方案更新所述维修数据中的所述修理方案;
反馈模块,用于向所述用户反馈验证结果。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于神经网络的数据验证方法的步骤。
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计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于神经网络的数据验证方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910860773.XA CN110781381B (zh) | 2019-09-11 | 2019-09-11 | 基于神经网络的数据验证方法、装置、设备及存储介质 |
PCT/CN2020/093590 WO2021047211A1 (zh) | 2019-09-11 | 2020-05-30 | 基于神经网络的数据验证方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910860773.XA CN110781381B (zh) | 2019-09-11 | 2019-09-11 | 基于神经网络的数据验证方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110781381A true CN110781381A (zh) | 2020-02-11 |
CN110781381B CN110781381B (zh) | 2023-09-01 |
Family
ID=69383496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910860773.XA Active CN110781381B (zh) | 2019-09-11 | 2019-09-11 | 基于神经网络的数据验证方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110781381B (zh) |
WO (1) | WO2021047211A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274158A (zh) * | 2020-02-27 | 2020-06-12 | 北京首汽智行科技有限公司 | 一种数据验证方法 |
CN111444340A (zh) * | 2020-03-10 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 文本分类和推荐方法、装置、设备及存储介质 |
CN112200543A (zh) * | 2020-10-28 | 2021-01-08 | 中国华电科工集团有限公司 | 新能源工程建设的管理方法及管理系统 |
CN112348799A (zh) * | 2020-11-11 | 2021-02-09 | 德联易控科技(北京)有限公司 | 车辆定损方法、装置、终端设备及存储介质 |
WO2021047211A1 (zh) * | 2019-09-11 | 2021-03-18 | 平安科技(深圳)有限公司 | 基于神经网络的数据验证方法、装置、设备及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5099436A (en) * | 1988-11-03 | 1992-03-24 | Allied-Signal Inc. | Methods and apparatus for performing system fault diagnosis |
CN104850114B (zh) * | 2014-12-19 | 2017-10-10 | 北汽福田汽车股份有限公司 | 一种车辆故障分析方法及系统 |
CN105955243B (zh) * | 2016-06-08 | 2018-08-21 | 中国商用飞机有限责任公司 | 一种基于故障案例的飞机诊断维修方法及其装置 |
CN106203644A (zh) * | 2016-08-09 | 2016-12-07 | 深圳市永兴元科技有限公司 | 车辆定损方法和装置 |
CN107766805A (zh) * | 2017-09-29 | 2018-03-06 | 阿里巴巴集团控股有限公司 | 提升车辆定损图像识别结果的方法、装置及服务器 |
CN108563214B (zh) * | 2018-04-25 | 2021-07-06 | 深圳市道通科技股份有限公司 | 车辆诊断方法、装置及设备 |
CN108985466A (zh) * | 2018-06-19 | 2018-12-11 | 深圳市元征科技股份有限公司 | 一种车辆维修方法、装置及服务器 |
CN108983748B (zh) * | 2018-06-27 | 2021-06-11 | 深圳市轱辘车联数据技术有限公司 | 一种车辆故障检测方法及终端设备 |
CN110781381B (zh) * | 2019-09-11 | 2023-09-01 | 平安科技(深圳)有限公司 | 基于神经网络的数据验证方法、装置、设备及存储介质 |
-
2019
- 2019-09-11 CN CN201910860773.XA patent/CN110781381B/zh active Active
-
2020
- 2020-05-30 WO PCT/CN2020/093590 patent/WO2021047211A1/zh active Application Filing
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021047211A1 (zh) * | 2019-09-11 | 2021-03-18 | 平安科技(深圳)有限公司 | 基于神经网络的数据验证方法、装置、设备及存储介质 |
CN111274158A (zh) * | 2020-02-27 | 2020-06-12 | 北京首汽智行科技有限公司 | 一种数据验证方法 |
CN111444340A (zh) * | 2020-03-10 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 文本分类和推荐方法、装置、设备及存储介质 |
CN111444340B (zh) * | 2020-03-10 | 2023-08-11 | 腾讯科技(深圳)有限公司 | 文本分类方法、装置、设备及存储介质 |
CN112200543A (zh) * | 2020-10-28 | 2021-01-08 | 中国华电科工集团有限公司 | 新能源工程建设的管理方法及管理系统 |
CN112348799A (zh) * | 2020-11-11 | 2021-02-09 | 德联易控科技(北京)有限公司 | 车辆定损方法、装置、终端设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021047211A1 (zh) | 2021-03-18 |
CN110781381B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781381B (zh) | 基于神经网络的数据验证方法、装置、设备及存储介质 | |
TWI703510B (zh) | 車輛損壞識別方法、裝置及計算設備 | |
CN111343161B (zh) | 异常信息处理节点分析方法、装置、介质及电子设备 | |
US20130132166A1 (en) | Smart toll network for improving performance of vehicle identification systems | |
CN110033018B (zh) | 图形相似度判断方法、装置及计算机可读存储介质 | |
CN111460250B (zh) | 用于画像的数据的清洗方法、装置、介质及电子设备 | |
CN112329659A (zh) | 基于车辆图像的弱监督语义分割方法及其相关设备 | |
CN111861463A (zh) | 基于区块链和人工智能的信息智能识别方法及大数据平台 | |
CN111145006A (zh) | 基于用户画像的汽车金融反欺诈模型训练方法和装置 | |
CN114780746A (zh) | 基于知识图谱的文档检索方法及其相关设备 | |
CN112765003B (zh) | 一种基于app行为日志的风险预测方法 | |
CN112181835A (zh) | 自动化测试方法、装置、计算机设备及存储介质 | |
CN112446209A (zh) | 一种意图标签的设置方法、设备、装置及存储介质 | |
CN114386013A (zh) | 学籍自动认证方法、装置、计算机设备及存储介质 | |
CN112347201A (zh) | 信息处理方法、信息处理装置及终端设备 | |
CN114463656A (zh) | 检测模型训练方法、装置、设备及存储介质 | |
CN112801489A (zh) | 诉讼案件风险检测方法、装置、设备和可读存储介质 | |
CN110569383A (zh) | 店铺信息处理方法、装置、存储介质及计算机设备 | |
CN110852893A (zh) | 基于海量数据的风险识别方法、系统、设备及存储介质 | |
CN112699245A (zh) | 预算管理知识图谱的构建方法、装置及应用方法、装置 | |
CN116246287A (zh) | 目标对象识别方法、训练方法、装置以及存储介质 | |
CN115565046A (zh) | 一种用于图像对象识别的方法、系统、装置和介质 | |
CN115050042A (zh) | 一种理赔资料录入方法、装置、计算机设备及存储介质 | |
CN108985950B (zh) | 电子装置、用户骗保风险预警方法及存储介质 | |
CN113469237A (zh) | 用户意图识别方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |