CN111931746B - 一种车损判定方法、装置、计算机设备及可读存储介质 - Google Patents

一种车损判定方法、装置、计算机设备及可读存储介质 Download PDF

Info

Publication number
CN111931746B
CN111931746B CN202011069804.9A CN202011069804A CN111931746B CN 111931746 B CN111931746 B CN 111931746B CN 202011069804 A CN202011069804 A CN 202011069804A CN 111931746 B CN111931746 B CN 111931746B
Authority
CN
China
Prior art keywords
accident
deformation
vehicle
model
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.)
Active
Application number
CN202011069804.9A
Other languages
English (en)
Other versions
CN111931746A (zh
Inventor
蒋磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OneConnect Financial Technology Co Ltd Shanghai
Original Assignee
OneConnect Financial Technology Co Ltd Shanghai
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by OneConnect Financial Technology Co Ltd Shanghai filed Critical OneConnect Financial Technology Co Ltd Shanghai
Priority to CN202011069804.9A priority Critical patent/CN111931746B/zh
Publication of CN111931746A publication Critical patent/CN111931746A/zh
Application granted granted Critical
Publication of CN111931746B publication Critical patent/CN111931746B/zh
Priority to PCT/CN2021/109317 priority patent/WO2022073377A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能的图像检测技术，公开了一种车损判定方法、装置、计算机设备及可读存储介质，包括：接收事故图像，对所述事故图像进行三维建模得到事故模型，所述事故模型反映了车辆在事故状态下的外形和尺寸；识别所述事故模型的形变位置及其形变量，其中，所述形变位置是车辆出现形变的坐标；根据所述形变位置判断所述事故模型的事故部位，其中，所述事故部位是车辆出现形变的部位；根据所述形变量判断所述事故部位中的受损部件。本发明还涉及区块链技术，信息可存储于区块链节点中。本发明实现了自动识别受损部件的技术效果，进而实现对车辆的自动定损，不仅降低了人力成本的投入，还极大的提高了事故车辆定损效率。

Description

一种车损判定方法、装置、计算机设备及可读存储介质
技术领域
本发明涉及人工智能的图像检测技术领域，尤其涉及一种车损判定方法、装置、计算机设备及可读存储介质。
背景技术
目前市面上的车辆定损系统，通常是需要定损员将事故车辆运送至指定区域，并由定损员逐步检查并手动输入车辆的类型及其损坏部件，方可完成车辆定损工作。
然而，发明人意识到，当前的定损工作不仅需要投入大量的人力成本，而且定损工作的效率非常低下。
发明内容
本发明的目的是提供一种车损判定方法、装置、计算机设备及可读存储介质，用于解决现有技术存在的当前的定损工作不仅需要投入大量的人力成本，而且定损工作的效率非常低下的问题；本申请可应用于智慧交通场景中，从而推动智慧城市的建设。
为实现上述目的，本发明提供一种车损判定方法，以识别事故车辆的受损部件，包括：
接收事故图像，对所述事故图像进行三维建模得到事故模型，所述事故模型反映了车辆在事故状态下的外形和尺寸；
识别所述事故模型的形变位置及其形变量，其中，所述形变位置是车辆出现形变的坐标；
根据所述形变位置判断所述事故模型的事故部位，其中，所述事故部位是车辆出现形变的部位；
根据所述形变量判断所述事故部位中的受损部件。
上述方案中，在接收事故图像之前，包括：
获取车辆图像并对其进行三维建模得到正常模型，获取所述车辆图像的车辆信息并与所述正常模型关联，将所述正常模型及其车辆信息保存至模型库；其中，所述正常模型反映了车辆图像在正常状态下的外形和尺寸。
上述方案中，识别所述事故模型的形变位置及其形变量的步骤，包括：
获取所述事故图像的车辆信息，从所述模型库中获取与所述车辆信息对应的正常模型；
调用预设的图像差异识别模块对比所述正常模型与所述事故模型的差异，得到所述事故模型的形变位置及其形变量。
上述方案中，根据所述形变位置判断所述事故模型的事故部位的步骤，包括：
提取用于表征坐标范围与车辆部位之间的映射关系的车辆部位表，其中，所述坐标范围反映了车辆部位在正常模型中的位置和范围；
通过所述车辆部位表判断所述形变位置所属的坐标范围；
获取与所述坐标范围对应的车辆部位并将其设为事故部位。
上述方案中，根据所述形变量判断所述事故部位中的受损部件的步骤，包括：
提取与所述事故部位对应的部件集合，所述部件集合包括了与所述事故部位关联的车辆部件的部件信息；
根据所述部件集合中预设的形变部件表得到与所述形变量对应的形变区间，将所述形变区间对应的部件信息设为受损部件；其中，所述形变部件表表征了形变区间与部件信息之间的映射关系。
上述方案中，根据所述形变量判断所述事故部位中的受损部件之后，包括：
获取与所述受损部件对应的价值信息，根据所述价值信息制定所述事故图像的定损信息，其中，所述价值信息反映了所述受损部件的价值；
根据所述价值信息制定所述事故图像的定损信息之后，还包括：
将所述定损信息上传至区块链中。
上述方案中，获取与所述受损部件对应的价值信息的步骤，包括：
从预设的数据库中识别与所述受损部件及其事故图像的车辆信息对应的产品信息；
判断所述数据库中是否具有所述产品信息；
若是，则将所述产品信息设为价值信息；
若否，则在预设的爬虫中设置所述受损部件及其事故图像的车辆信息，并通过所述爬虫从互联网中爬取与所述受损部件对应的产品信息，并将获得的产品信息设为价值信息。
为实现上述目的，本发明还提供一种车损判定装置，包括：
事故建模模块，用于接收事故图像，对所述事故图像进行三维建模得到事故模型，所述事故模型反映了车辆在事故状态下的外形和尺寸；
形变识别模块，用于识别所述事故模型的形变位置及其形变量，其中，所述形变位置是车辆出现形变的坐标；
部位判断模块，用于根据所述形变位置判断所述事故模型的事故部位，其中，所述事故部位是车辆出现形变的部位；
受损判断模块，用于根据所述形变量判断所述事故部位中的受损部件。
为实现上述目的，本发明还提供一种计算机设备，其包括存储器、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，所述计算机设备的处理器执行所述计算机程序时实现上述车损判定方法的步骤。
为实现上述目的，本发明还提供一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，所述可读存储介质存储的所述计算机程序被处理器执行时实现上述车损判定方法的步骤。
本发明提供的一种车损判定方法、装置、计算机设备及可读存储介质，通过对接收到的事故图像进行三维建模得到事故模型，实现将事故图像转为能够被计算机可识别可测量的数据信息的效果；通过识别出事故模型的形变位置及其形变量，以实现自动识别事故模型的形变位置和形变量，保证进一步的自动识别事故部位和受损部件能够得以实现；通过获得与所述事故部位对应的受损部件，以实现自动识别受损部件的技术效果，进而实现对车辆的自动定损，不仅降低了人力成本的投入，还极大的提高了事故车辆定损效率。
附图说明
图1为本发明车损判定方法实施例一的流程图；
图2是本发明车损判定方法实施例二中车损判定方法的具体方法流程图；
图3是本发明车损判定方法实施例二中识别所述事故模型的形变位置及其形变量的流程图；
图4是本发明车损判定方法实施例二中根据所述形变位置判断所述事故模型的事故部位的流程图；
图5是本发明车损判定方法实施例二中根据所述形变量判断所述事故部位中的受损部件的流程图；
图6是本发明车损判定方法实施例二中获取与所述受损部件对应的价值信息的流程图；
图7为本发明车损判定装置实施例三的程序模块示意图；
图8为本发明计算机设备实施例四中计算机设备的硬件结构示意图。
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。
本发明提供的车损判定方法、装置、计算机设备及可读存储介质，适用于人工智能的图像检测技术领域，为提供一种基于事故建模模块、形变识别模块、部位判断模块和受损判断模块的车损判定方法。本发明通过接收事故图像，对所述事故图像进行三维建模得到事故模型，识别所述事故模型的形变位置及其形变量，根据所述形变位置判断所述事故模型的事故部位，根据所述形变量判断所述事故部位中的受损部件。
实施例一：
请参阅图1，本实施例的一种车损判定方法，以识别事故车辆的受损部件，包括：
S102：接收事故图像，对所述事故图像进行三维建模得到事故模型，所述事故模型反映了车辆在事故状态下的外形和尺寸；
S103：识别所述事故模型的形变位置及其形变量，其中，所述形变位置是车辆出现形变的坐标；其中，所述坐标表达了在三维空间内，所述事故模型的形变位置在X轴、Y轴、Z轴上的位置标度；
S104：根据所述形变位置判断所述事故模型的事故部位，其中，所述事故部位是车辆出现形变的部位；
S105：根据所述形变量判断所述事故部位中的受损部件。
于本实施例中，通过三维建模工具对接收到的事故图像进行三维建模得到事故模型，实现将事故图像转为能够被计算机可识别可测量的数据信息的效果；通过采用图像差异识别模块识别出事故模型的形变位置及其形变量，以实现自动识别事故模型的形变位置和形变量，保证进一步的自动识别事故部位和受损部件能够得以实现；通过能够表征坐标范围与车辆部位之间的映射关系的车辆部位表，获取所述形变位置所属的坐标范围，并将该坐标范围对应的车辆部位设为事故部位，以实现自动识别出车辆出现事故的事故部位；通过从数据库中获得与所述事故部位对应的部件集合并提取其中的形变部件表，从所述形变部件表中获得与所述形变量对应的形变区间，并将与所述形变区间对应的部件信息设为受损部件，以实现自动识别受损部件的技术效果，进而实现对车辆的自动定损，不仅降低了人力成本的投入，还极大的提高了事故车辆定损效率。
本申请可应用于智慧交通场景中，从而推动智慧城市的建设。
实施例二：
本实施例为上述实施例一的一种具体应用场景，通过本实施例，能够更加清楚、具体地阐述本发明所提供的方法。
下面，以在运行有车损判定方法的服务器中，对事故图像进行三维建模得到事故模型，识别事故模型的形变位置及其形变量，根据形变位置判断事故模型的事故部位，根据形变量判断事故部位中的受损部件为例，来对本实施例提供的方法进行具体说明。需要说明的是，本实施例只是示例性的，并不限制本发明实施例所保护的范围。
图2是本发明一个实施例提供的一种车损判定方法的具体方法流程图，该方法具体包括步骤S201至S206。
S201：获取车辆图像并对其进行三维建模得到正常模型，获取所述车辆图像的车辆信息并与所述正常模型关联，将所述正常模型及其车辆信息保存至模型库；其中，所述正常模型反映了车辆图像在正常状态下的外形和尺寸。
为获得车辆在正常情况下的三维模型，作为与事故模型的参考对比，以便于识别出现事故的车辆的事故位置及其形变量，本步骤通过获取反映车辆正常状态的车辆图像，并对其进行三维建模得到作为与事故模型的参考对比的正常模型。
为保证事故车辆对应的事故模型能够得到准确的正常模型与其进行对比，本步骤通过获取所述车辆图像的车辆信息并与所述正常模型关联，将所述正常模型及其车辆信息保存至模型库。
于本实施例中，所述车辆信息反映了所述车辆的品牌、名称及型号，以保证事故模型能够匹配到准确的正常模型并与其对比，例如：车辆信息为：奥迪、A4L、2011款 2.0 TFSI标准型。
S202：接收事故图像，对所述事故图像进行三维建模得到事故模型，所述事故模型反映了车辆在事故状态下的外形和尺寸。
为将事故图像转为能够被计算机可识别可测量的数据信息，本步骤通过三维建模工具对接收到的事故图像进行三维建模得到事故模型。
需要说明的是，可采用AgisoftPhotoScan作为三维建模工具，所述AgisoftPhotoScan是一款基于影响自动生成高质量实景三维模型的优秀软件，其无需设置初始值，无须相机检校，它根据最新的多视图三维重建技术，可对任意照片进行处理，无需控制点，而通过控制点则可以生成真实坐标的三维模型。照片的拍摄位置是任意的，无论是航摄照片还是高分辨率数码相机拍摄的影像都可以使用。整个工作流程无论是影像定向还是三维模型重建过程都是完全自动化的。
同时，AgisoftPhotoScan还内置有三维测量工具，可根据该工具标注确定所述正常模型和事故模型的尺寸。
示例性地，若事故图像是车辆信息为“奥迪、A4L、2011款 2.0 TFSI 标准型”的车辆事故图片，调用三维建模工具对该图片进行三维建模得到事故模型，以反映车辆在事故状态下的外形和尺寸。
S203：识别所述事故模型的形变位置及其形变量，其中，所述形变位置是车辆出现形变的坐标。
为实现自动识别事故模型的形变位置和形变量，以保证进一步的自动识别事故部位和受损部件能够得以实现，本步骤通过采用图像差异识别模块识别出事故模型的形变位置及其形变量，其中，所述形变位置是以坐标的形式表达的，所述坐标表达了在所述事故模型所处的三维空间内，所述形变位置在该三维空间中X轴、Y轴、Z轴上的标度范围。于本实施例中，由于车辆出现形变是某一个范围，而非一个点，因此，以坐标表达形变位置的形式包括：形变位置在X轴上的坐标范围，在Y轴上的坐标范围以及在Z轴上的坐标范围。
需要说明的是，可采用三维CAD软件作为所述图像差异识别模块，其中，CAD是指计算机辅助设计(Computer Aided Design)，即指利用计算机及其图形设备帮助设计人员进行设计工作。于本实施例中，通过三维CAD软件的特征对比模块、几何对比模块和参数对比模块，对比正常模型和事故模型，以识别事故模型的形变位置及其形变量。由于通过三维CAD软件对比两个三维模型，属于现有技术，而本申请所解决的技术问题是如何得到出现事故的车辆的形变位置和形变量，因此，三维CAD软件对比模型的技术原理在此不做赘述。
在一个优选的实施例中，请参阅图3，识别所述事故模型的形变位置及其形变量的步骤，包括：
S31：获取所述事故图像的车辆信息，从所述模型库中获取与所述车辆信息对应的正常模型。
S32：调用预设的图像差异识别模块对比所述正常模型与所述事故模型的差异，得到所述事故模型的形变位置及其形变量。
本步骤中，将所述正常模型和事故模型调节为同比例同角度状态后，以保证图像差异识别模块能够准确对比所述正常模型与所述事故模型的差异，并得到形变位置及其形变量。
示例性地，基于上述举例，根据“奥迪、A4L、2011款 2.0 TFSI 标准型”的车辆信息从模型库中调用其正常模型。通过图像差异识别模块对比该车辆信息的正常模型和事故模型的外形差异，以识别事故模型的形变位置；对比所述正常模型和事故模型在形变位置上的尺寸差异，以得到所述形变位置的形变量。
S204：根据所述形变位置判断所述事故模型的事故部位，其中，所述事故部位是车辆出现形变的部位。
为实现自动识别出车辆出现事故的事故部位，本步骤通过能够表征坐标范围与车辆部位之间的映射关系的车辆部位表，获取所述形变位置所属的坐标范围，并将该坐标范围对应的车辆部位设为事故部位。
在一个优选的实施例中，请参阅图4，根据所述形变位置判断所述事故模型的事故部位的步骤，包括：
S41：提取用于表征坐标范围与车辆部位之间的映射关系的车辆部位表，其中，所述坐标范围反映了车辆部位在正常模型中的位置和范围；
其中，所述位置和范围是指所述车辆部位（例如，车辆前部左侧、车辆前部右侧等）于所述正常模型所在的三维空间内，对应该三维空间中X轴、Y轴、Z轴上的标度范围。S42：通过所述车辆部位表判断所述形变位置所属的坐标范围；
S43：获取与所述坐标范围对应的车辆部位并将其设为事故部位。
示例性地，假设车辆部位表如下所示：
坐标范围 车辆部位
X轴坐标（21-50），Y轴坐标（5-50）Z轴坐标（30-40） 车辆前部左侧
X轴坐标（101-130），Y轴坐标（15-60）Z轴坐标（30-40） 车辆前部右侧
…… ……
其中，所述车辆前部左侧的坐标范围是：X轴坐标（21-50），Y轴坐标（5-50）Z轴坐标（30-40），该坐标范围也就解释了，车辆前部左侧于所述正常模型所在的三维空间内，位于该空间的X轴坐标（21-50），Y轴坐标（5-50）Z轴坐标（30-40）的空间范围之内。
基于上述举例，得到的形变位置的坐标范围为：X轴坐标范围是（13-21），Y轴坐标范围是（20-45），Z轴坐标范围是（33-37），由此可知，所述形变为止的车辆部位为“车辆前部左侧”，并将“车辆前部左侧”设为事故部位。
S205：根据所述形变量判断所述事故部位中的受损部件。
为实现自动识别出车辆受损的部件信息，以便于对车辆进行自动定损，本步骤通过从数据库中获得与所述事故部位对应的部件集合并提取其中的形变部件表，从所述形变部件表中获得与所述形变量对应的形变区间，并将与所述形变区间对应的部件信息设为受损部件，以实现自动识别受损部件的技术效果。
在一个优选的实施例中，请参阅图5，根据所述形变量判断所述事故部位中的受损部件的步骤，包括：
S51：提取与所述事故部位对应的部件集合，所述部件集合包括了与所述事故部位关联的车辆部件的部件信息。
本步骤中，所述部件集合至少具有一个部件信息。
S52：根据所述部件集合中预设的形变部件表得到与所述形变量对应的形变区间，将所述形变区间对应的部件信息设为受损部件；其中，所述形变部件表表征了形变区间与部件信息之间的映射关系。
本步骤中，所述映射关系反映了在形变区间内的形变量将导致该事故部位哪些部件信息受损。
示例性地，“车辆前部左侧”的部件集合的部件信息包括：左侧车灯、左侧钣金、前保险杠、散热器、机油箱、发动机。
所述形变部件表如下：
形变区间 部件信息
0-1 左侧车灯
1-5 左侧车灯、左侧钣金
6-10 左侧车灯、左侧钣金、前保险杠
11-20 左侧车灯、左侧钣金、前保险杠、散热器
21-25 左侧车灯、左侧钣金、前保险杠、散热器、机油箱
25以上 左侧车灯、左侧钣金、前保险杠、散热器、机油箱、发动机
基于上述举例，得到的形变量为7，那么将形变区间“6-10”所对应的部件信息“左侧车灯、左侧钣金、前保险杠”设为受损部件。
S206：获取与所述受损部件对应的价值信息，根据所述价值信息制定所述事故图像的定损信息，其中，所述价值信息反映了所述受损部件的价值。
为自动生成定损额度，为定损工作人员提供定损参考额，以提高定损工作效率，本步骤通过获取与所述受损部件对应的价值信息，并根据所述价值信息制定所述事故图像的定损信息，所述定损信息包括有定损额度，以实现自动化车辆定损。
在一个优选的实施例中，请参阅图6，获取与所述受损部件对应的价值信息的步骤，包括：
S61：从预设的数据库中识别与所述受损部件及其事故图像的车辆信息对应的产品信息；
S62：判断所述数据库中是否具有所述产品信息；
S63：若是，则将所述产品信息设为价值信息；
S64：若否，则在预设的爬虫中设置所述受损部件及其事故图像的车辆信息，并通过所述爬虫从互联网中爬取与所述受损部件对应的产品信息，并将获得的产品信息设为价值信息。
示例性地，基于上述举例，从数据库中能够获得奥迪、A4L、2011款 2.0 TFSI 标准型的“左侧车灯和左侧钣金”的产品信息“左侧车灯：1000元，左侧钣金：20000元”，那么将“左侧车灯：1000元，左侧钣金：20000元”设为价值信息。
如果从数据库中无法获得奥迪、A4L、2011款 2.0 TFSI 标准型的“前保险杠”的产品信息，
那么，将奥迪、A4L、2011款 2.0 TFSI 标准型的、前保险杠，设置在爬虫内，并通过该爬虫从互联网中获取相应的产品信息，如：“奥迪、A4L、2011款 2.0 TFSI 标准型的、前保险杠：20000元”设为价值信息。
优选的，根据所述价值信息制定所述事故图像的定损信息之后，还包括：
将所述定损信息上传至区块链中。
需要说明的是，基于定损信息得到对应的摘要信息，具体来说，摘要信息由定损信息进行散列处理得到，比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证定损信息是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
实施例三：
请参阅图7，本实施例的一种车损判定装置1，包括：
事故建模模块12，用于接收事故图像，对所述事故图像进行三维建模得到事故模型，所述事故模型反映了车辆在事故状态下的外形和尺寸；
形变识别模块13，用于识别所述事故模型的形变位置及其形变量，其中，所述形变位置是车辆出现形变的坐标；
部位判断模块14，用于根据所述形变位置判断所述事故模型的事故部位，其中，所述事故部位是车辆出现形变的部位；
受损判断模块15，用于根据所述形变量判断所述事故部位中的受损部件。
可选的，所述车损判定装置1还包括：
正常建模模块11，用于获取车辆图像并对其进行三维建模得到正常模型，获取所述车辆图像的车辆信息并与所述正常模型关联，将所述正常模型及其车辆信息保存至模型库；其中，所述正常模型反映了车辆图像在正常状态下的外形和尺寸。
可选的，所述车损判定装置1还包括：
价值判定模块16，用于获取与所述受损部件对应的价值信息，根据所述价值信息制定所述事故图像的定损信息，其中，所述价值信息反映了所述受损部件的价值。
本技术方案利用人工智能的图像检测领域的技术，通过图像建模技术对事故图像进行三维建模以建立网格模型并得到事故模型，识别所述事故模型的形变位置及其形变量，根据所述形变位置判断所述事故模型的事故部位，根据所述形变量判断所述事故部位中的受损部件。
实施例四：
为实现上述目的，本发明还提供一种计算机设备2，实施例三的车损判定装置1的组成部分可分散于不同的计算机设备中，计算机设备2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，或者多个应用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21、处理器22，如图8所示。需要指出的是，图8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21（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21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21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21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21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，例如实施例三的车损判定装置的程序代码等。此外，存储器21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22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22通常用于控制计算机设备的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行车损判定装置，以实现实施例一和实施例二的车损判定方法。
实施例五：
为实现上述目的，本发明还提供一种计算机可读存储介质，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22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损判定装置，被处理器22执行时实现实施例一和实施例二的车损判定方法。
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 (9)

1.一种车损判定方法，以识别事故车辆的受损部件，其特征在于，包括：
获取车辆图像并对其进行三维建模得到正常模型，获取所述车辆图像的车辆信息并与所述正常模型关联，将所述正常模型及其车辆信息保存至模型库；其中，所述正常模型反映了车辆图像在正常状态下的外形和尺寸；
接收事故图像，对所述事故图像进行三维建模得到事故模型，所述事故模型反映了车辆在事故状态下的外形和尺寸；
所述对所述事故图像进行三维建模得到事故模型的步骤，包括：
通过三维建模工具对接收到的事故图像进行三维建模得到事故模型；
通过所述三维建模工具内置的三维测量工具标注所述正常模型和事故模型的尺寸；
识别所述事故模型的形变位置及其形变量，其中，所述形变位置是车辆出现形变的坐标；
所述识别所述事故模型的形变位置及其形变量的步骤，包括：
采用图像差异识别模块识别出事故模型的形变位置及其形变量，所述形变位置是以坐标的形式表达的，所述坐标表达了在所述事故模型所处的三维空间内，所述形变位置在该三维空间中X轴、Y轴、Z轴上的标度范围；其中，所述以坐标的形式表达包括：形变位置在X轴上的坐标范围，在Y轴上的坐标范围以及在Z轴上的坐标范围；
根据所述形变位置判断所述事故模型的事故部位，其中，所述事故部位是车辆出现形变的部位；
所述根据所述形变位置判断所述事故模型的事故部位的步骤，包括：
通过能够表征坐标范围与车辆部位之间的映射关系的车辆部位表，获取所述形变位置所属的坐标范围，并将该坐标范围对应的车辆部位设为事故部位；
根据所述形变量判断所述事故部位中的受损部件；
所述根据所述形变量判断所述事故部位中的受损部件的步骤，包括：
通过从数据库中获得与所述事故部位对应的部件集合并提取其中的形变部件表，从所述形变部件表中获得与所述形变量对应的形变区间，并将与所述形变区间对应的部件信息设为受损部件。
2.根据权利要求1所述的车损判定方法，其特征在于，识别所述事故模型的形变位置及其形变量的步骤，包括：
获取所述事故图像的车辆信息，从所述模型库中获取与所述车辆信息对应的正常模型；
调用预设的图像差异识别模块对比所述正常模型与所述事故模型的差异，得到所述事故模型的形变位置及其形变量。
3.根据权利要求1所述的车损判定方法，其特征在于，根据所述形变位置判断所述事故模型的事故部位的步骤，包括：
提取用于表征坐标范围与车辆部位之间的映射关系的车辆部位表，其中，所述坐标范围反映了车辆部位在正常模型中的位置和范围；
通过所述车辆部位表判断所述形变位置所属的坐标范围；
获取与所述坐标范围对应的车辆部位并将其设为事故部位。
4.根据权利要求1所述的车损判定方法，其特征在于，根据所述形变量判断所述事故部位中的受损部件的步骤，包括：
提取与所述事故部位对应的部件集合，所述部件集合包括了与所述事故部位关联的车辆部件的部件信息；
根据所述部件集合中预设的形变部件表得到与所述形变量对应的形变区间，将所述形变区间对应的部件信息设为受损部件；其中，所述形变部件表表征了形变区间与部件信息之间的映射关系。
5.根据权利要求1所述的车损判定方法，其特征在于，根据所述形变量判断所述事故部位中的受损部件之后，包括：
获取与所述受损部件对应的价值信息，根据所述价值信息制定所述事故图像的定损信息，其中，所述价值信息反映了所述受损部件的价值；
根据所述价值信息制定所述事故图像的定损信息之后，还包括：
将所述定损信息上传至区块链中。
6.根据权利要求5所述的车损判定方法，其特征在于，获取与所述受损部件对应的价值信息的步骤，包括：
从预设的数据库中识别与所述受损部件及其事故图像的车辆信息对应的产品信息；
判断所述数据库中是否具有所述产品信息；
若是，则将所述产品信息设为价值信息；
若否，则在预设的爬虫中设置所述受损部件及其事故图像的车辆信息，并通过所述爬虫从互联网中爬取与所述受损部件对应的产品信息，并将获得的产品信息设为价值信息。
7.一种车损判定装置，其特征在于，包括：
正常建模模块，用于获取车辆图像并对其进行三维建模得到正常模型，获取所述车辆图像的车辆信息并与所述正常模型关联，将所述正常模型及其车辆信息保存至模型库；其中，所述正常模型反映了车辆图像在正常状态下的外形和尺寸；
事故建模模块，用于接收事故图像，对所述事故图像进行三维建模得到事故模型，所述事故模型反映了车辆在事故状态下的外形和尺寸；所述对所述事故图像进行三维建模得到事故模型的步骤，包括：通过三维建模工具对接收到的事故图像进行三维建模得到事故模型；通过所述三维建模工具内置的三维测量工具标注所述正常模型和事故模型的尺寸；
形变识别模块，用于识别所述事故模型的形变位置及其形变量，其中，所述形变位置是车辆出现形变的坐标；所述识别所述事故模型的形变位置及其形变量的步骤，包括：采用图像差异识别模块识别出事故模型的形变位置及其形变量，所述形变位置是以坐标的形式表达的，所述坐标表达了在所述事故模型所处的三维空间内，所述形变位置在该三维空间中X轴、Y轴、Z轴上的标度范围；其中，所述以坐标的形式表达包括：形变位置在X轴上的坐标范围，在Y轴上的坐标范围以及在Z轴上的坐标范围；
部位判断模块，用于根据所述形变位置判断所述事故模型的事故部位，其中，所述事故部位是车辆出现形变的部位；所述根据所述形变位置判断所述事故模型的事故部位的步骤，包括：通过能够表征坐标范围与车辆部位之间的映射关系的车辆部位表，获取所述形变位置所属的坐标范围，并将该坐标范围对应的车辆部位设为事故部位；
受损判断模块，用于根据所述形变量判断所述事故部位中的受损部件；所述根据所述形变量判断所述事故部位中的受损部件的步骤，包括：通过从数据库中获得与所述事故部位对应的部件集合并提取其中的形变部件表，从所述形变部件表中获得与所述形变量对应的形变区间，并将与所述形变区间对应的部件信息设为受损部件。
8.一种计算机设备，其包括存储器、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，所述计算机设备的处理器执行所述计算机程序时实现权利要求1至6任一项所述车损判定方法的步骤。
9.一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，其特征在于，所述可读存储介质存储的所述计算机程序被处理器执行时实现权利要求1至6任一项所述车损判定方法的步骤。
CN202011069804.9A 2020-10-09 2020-10-09 一种车损判定方法、装置、计算机设备及可读存储介质 Active CN111931746B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011069804.9A CN111931746B (zh) 2020-10-09 2020-10-09 一种车损判定方法、装置、计算机设备及可读存储介质
PCT/CN2021/109317 WO2022073377A1 (zh) 2020-10-09 2021-07-29 一种车损判定方法、装置、计算机设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011069804.9A CN111931746B (zh) 2020-10-09 2020-10-09 一种车损判定方法、装置、计算机设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111931746A CN111931746A (zh) 2020-11-13
CN111931746B true CN111931746B (zh) 2021-02-12

Family

ID=73334916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011069804.9A Active CN111931746B (zh) 2020-10-09 2020-10-09 一种车损判定方法、装置、计算机设备及可读存储介质

Country Status (2)

Country Link
CN (1) CN111931746B (zh)
WO (1) WO2022073377A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931746B (zh) * 2020-10-09 2021-02-12 深圳壹账通智能科技有限公司 一种车损判定方法、装置、计算机设备及可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101173856A (zh) * 2007-08-30 2008-05-07 上海交通大学 基于摄影测量与车身外轮廓变形的汽车碰撞事故再现方法
KR20140106883A (ko) * 2013-02-27 2014-09-04 한국전자통신연구원 객체간 연관성 분석을 통한 위험 상황 분석 장치 및 방법
CN111311540A (zh) * 2020-01-13 2020-06-19 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

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017220027A1 (de) * 2017-11-10 2019-05-16 Ford Global Technologies, Llc Verfahren zur Schadenkontrolle bei Kraftfahrzeugen
CN108171708B (zh) * 2018-01-24 2021-04-30 北京威远图易数字科技有限公司 车辆定损方法与系统
CN109242112B (zh) * 2018-08-17 2022-02-08 薛辉 车辆智能检测定损的方法及系统
CN109614935B (zh) * 2018-12-12 2021-07-06 泰康保险集团股份有限公司 车辆定损方法及装置、存储介质及电子设备
CN109754326A (zh) * 2019-01-11 2019-05-14 福建工程学院 一种轻微交通事故辅助快速定损的方法及系统
CN111488875B (zh) * 2020-06-24 2021-04-13 爱保科技有限公司 基于图像识别的车险理赔核损方法、装置和电子设备
CN111931746B (zh) * 2020-10-09 2021-02-12 深圳壹账通智能科技有限公司 一种车损判定方法、装置、计算机设备及可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101173856A (zh) * 2007-08-30 2008-05-07 上海交通大学 基于摄影测量与车身外轮廓变形的汽车碰撞事故再现方法
KR20140106883A (ko) * 2013-02-27 2014-09-04 한국전자통신연구원 객체간 연관성 분석을 통한 위험 상황 분석 장치 및 방법
CN111311540A (zh) * 2020-01-13 2020-06-19 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Crop Loss Evaluation Using Digital Surface Models from Unmanned Aerial Vehicles Data;Virginia E et al;《Remote Sensing 》;20200630;第12卷(第6期);第1-10页 *
基于GIS的车险查勘调度客户端的设计与实现;高旋 等;《测绘与空间地理信息》;20150930(第9期);第180-182页 *

Also Published As

Publication number Publication date
CN111931746A (zh) 2020-11-13
WO2022073377A1 (zh) 2022-04-14

Similar Documents

Publication Publication Date Title
CN112699775A (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
CN113705462B (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN110414502B (zh) 图像处理方法及装置、电子设备和计算机可读介质
CN111814664A (zh) 识别图纸中标注的方法、装置、计算机设备及存储介质
CN111161331B (zh) 一种bim模型和gis模型配准方法
CN109683858B (zh) 数据处理方法及装置
CN110544298A (zh) 变电站建模方法、装置、计算机设备和存储介质
CN111931746B (zh) 一种车损判定方法、装置、计算机设备及可读存储介质
CN114241499A (zh) 表格图片识别方法、装置、设备和可读存储介质
CN112668575A (zh) 关键信息提取方法、装置、电子设备及存储介质
CN113936082A (zh) 点云数据渲染方法、装置、设备及存储介质
CN113763307B (zh) 样本数据的获取方法和装置
CN111199086A (zh) 三维几何离散化处理系统
US10459429B2 (en) Highly automated application of digital finish material to 3D data
CN116956837A (zh) 工程量清单的项目确定方法及确定装置
CN113920269A (zh) 工程进度获取方法、装置、电子设备及介质
CN113094786A (zh) 基于图纸poi的施工图结构化组织方法和装置
CN111695441A (zh) 图像文档处理方法、装置及计算机可读存储介质
CN117272758B (zh) 基于三角格网的深度估计方法、装置、计算机设备和介质
CN113536701A (zh) Cfd仿真模型自动设置方法、系统、计算机设备及存储介质
CN111476308A (zh) 基于先验几何约束的遥感影像分类方法、装置和电子设备
CN117649530B (zh) 基于语义级拓扑结构的点云特征提取方法、系统及设备
CN117252993B (zh) 特征点提取算法的验证方法、装置、电子设备及存储介质
CN116452655B (zh) 一种应用于mpis工控主板的贴合定位方法、装置、设备及介质
CN117689799A (zh) 工厂盘点方法、装置、服务器以及计算机可读存储介质

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