CN112435215A - 一种基于图像的车辆定损方法、移动终端、服务器 - Google Patents

一种基于图像的车辆定损方法、移动终端、服务器 Download PDF

Info

Publication number
CN112435215A
CN112435215A CN202011162220.6A CN202011162220A CN112435215A CN 112435215 A CN112435215 A CN 112435215A CN 202011162220 A CN202011162220 A CN 202011162220A CN 112435215 A CN112435215 A CN 112435215A
Authority
CN
China
Prior art keywords
image
damage
processed
damaged
vehicle
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
Application number
CN202011162220.6A
Other languages
English (en)
Other versions
CN112435215B (zh
Inventor
章海涛
徐娟
侯金龙
王剑
郭昕
程丹妮
胡越
吴博坤
陈燕青
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.)
Advanced New Technologies Co Ltd
Original Assignee
Advanced New Technologies Co Ltd
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 Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN202011162220.6A priority Critical patent/CN112435215B/zh
Publication of CN112435215A publication Critical patent/CN112435215A/zh
Application granted granted Critical
Publication of CN112435215B publication Critical patent/CN112435215B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/17—Image acquisition using hand-held instruments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/006—Indicating maintenance
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30156—Vehicle coating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)

Abstract

本申请实施例公开了一种基于图像的车辆定损方法、移动终端、服务器。一些实施例中所述方法包括获取车辆定损的待处理图像；识别所述待处理图像中的车辆部件，并确认所述车辆部件在待处理图像中的部件区域；识别所述待处理图像中的损伤部位和损伤类型；根据所述损伤部位和部件区域确定所述待处理图像中的损伤部件以及确定对应损伤部位和损伤类型；基于包括所述损伤部件、损伤部位、损伤类型的信息生成维修方案。利用本申请各个实施例，可以快速、准确、可靠的检测出车辆部件的多处损伤部位和程度等的具体信息，并且定损结果更准确可靠，提供给用户维修方案信息，快速高效的进行车辆定损处理，大大提高用户服务体验。

Description

一种基于图像的车辆定损方法、移动终端、服务器
本申请是申请号为201710233656.1、申请日为2017年04月11日、发明名称为“一种基于图像的车辆定损方法、装置及电子设备”的发明专利申请的分案申请。
技术领域
本申请属于计算机图像数据处理技术领域，尤其涉及一种基于图像的车辆定损方法、装置及电子设备。
背景技术
在发生交通事故后，常常需要等待保险公司的理赔员到现场处理，通过拍照等获取理赔依据。随着近年来机动车保有量的增加，每年的交通事故数量一直处于高位状。而车辆理赔定损业务的处理常常需要依赖专业保险工作人员的人力现场处理，成本高、等待周期长，处理效率低。
目前业内有一些利用交通事故现场图像进行自动分析得到预设车损部位分类的处理方式。例如申请公布号为“CN105678622A”、发明名称为“车险理赔照片的分析方法及系统”公开一种算法利用常规卷积神经网络(CNN)对移动终端上传的理赔照片进行分析，识别出损伤部位分类，并基于分析结果生成提醒信息。但上述方式仅仅是简单的确定出车损部位的分类，如车前方、车侧面、车尾等，没有识别出具体的损伤类型。识别出的损伤部位的提醒信息主要是用于保险公司的工作人员拿来和人工定损进行人工的对比，作为参考信息帮助保险公司的工作人员进行定损核算。另外其算法只使用CNN通用的物体识别算法，最终车辆定损的结果还是依靠人工核定，人力和时间成本较大，并且不同保险公司车损核定标准不统一，加上人的主观因素影响，车辆定损结果的差异较大，可靠性较低。
发明内容
本申请目的在于提供一种基于图像的车辆定损方法、装置及电子设备，可以快速、准确、可靠的检测出车辆部件的损伤部位和程度等的具体信息，并且定损结果更准确可靠，提供给用户维修方案信息，快速高效的进行车辆定损处理，大大提高用户服务体验。
本申请提供的一种基于图像的车辆定损方法、装置及电子设备是这样实现的：
一种基于图像的车辆定损方法，所述方法包括：
获取车辆定损的待处理图像；
利用构建的部件识别模型检测所述待处理图像，识别所述待处理图像中的车辆部件，并确认所述车辆部件在待处理图像中的部件区域；
利用构建的损伤识别模型检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据所述损伤部位和部件区域确定所述待处理图像中的损伤部件，以及确定所述损伤部件的损伤部位和损伤类型；
基于包括所述损伤部件、损伤部位、损伤类型的信息生成维修方案。
一种基于图像的车辆定损装置，所述装置包括：
图像获取模块，用于获取车辆定损的待处理图像；
第一识别模块，用于利用构建的部件识别模型检测所述待处理图像，识别所述待处理图像中的车辆部件，并确认所述车辆部件在待处理图像中的部件区域；
第二识别模块，用于利用构建的损伤识别模型检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
损伤计算模块，用于基于所述第一识别模块和第二识别模块的处理结果确定所述待处理图像中的损伤部件，以及确定所述损伤部件的损伤部位和损伤类型；
定损处理模块，用于基于包括所述损伤部件、损伤部位、损伤类型的信息生成维修方案。
一种基于图像的车辆定损装置，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
获取车辆定损的待处理图像；
利用构建的部件识别算法检测所述待处理图像，识别所述待处理图像中的车辆部件，并确认所述车辆部件在待处理图像中的部件区域；
利用构建的损伤识别算法检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据所述损伤部位和部件区域确定所述待处理图像中的损伤部件，以及确定所述损伤部件的损伤部位和损伤类型；
基于包括所述损伤部件、损伤部位、损伤类型的信息生成维修方案。
一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现以下步骤：
获取车辆定损的待处理图像；
利用构建的部件识别算法检测所述待处理图像，识别所述待处理图像中的车辆部件，并确认所述车辆部件在待处理图像中的部件区域；
利用构建的损伤识别算法检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据所述损伤部位和部件区域确定所述待处理图像中的损伤部件，以及确定所述损伤部件的损伤部位和损伤类型；
基于包括所述损伤部件、损伤部位、损伤类型的信息生成维修方案。
一种电子设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
获取车辆定损的待处理图像；
利用构建的部件识别算法检测所述待处理图像，识别所述待处理图像中的车辆部件，并确认所述车辆部件在待处理图像中的部件区域；
利用构建的损伤识别算法检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据所述损伤部位和部件区域确定所述待处理图像中的损伤部件，以及确定所述损伤部件的损伤部位和损伤类型；
基于包括所述损伤部件、损伤部位、损伤类型的信息生成维修方案。
本申请提供的一种基于图像的车辆定损方法、装置及电子设备，可以识别出待处理图像中所包含的损伤部件，然后基于构建的损伤识别模型检测出损伤部件的受损部位和每个损伤部位对应的损伤类型，从而得到车辆部件准确、全面、可靠的车辆定损信息。进一步的，本申请实施方案基于这些损伤部件以及损伤部件中的损伤部位、损伤类型、维修策略的信息生成车辆的维修方案，为保险作业人员和车主用户提供更为准确、可靠、有实际参考价值的定损信息。本申请实施方案可以识别出一张或多张图像中的一个或多个受损部件，和所述损伤部件中的一处或多处受损部位及受损程度等，快速的得到更全面、准确的定损信息，然后自动生成维修方案，可以满足保险公司或车主用户快速、全面、准确可靠的车辆定损处理需求，提高车辆定损处理结果的准确性和可靠性，提高用户服务体验。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请所述一种基于图像的车辆定损方法一种实施例的方法流程示意图；
图2是本申请一种实施例中损伤识别模型的网络构架结构示意图；
图3是本申请一种实施例中部件识别模型的网络构架示意图；
图4是本申请一种基于图像的车辆定损方法另一种实施例的方法流程示意；
图5是本申请一种确定损伤部件以及所述损伤部件的损伤部位和损伤类型的实施过程示意图；
图6是本申请提供的一种基于图像的车辆定损装置一种实施例的模块结构示意图；
图7是本申请提供的一种电子设备一种实施例的结构示意图；
图8是利用本申请实施方案进行车辆定损的一个处理场景示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1是本申请所述一种基于图像的车辆定损方法一种实施例的方法流程图。虽然本申请提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本申请实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
在现有的实际交通事故处理中，例如刮擦事故等，常常需要等待保险公司的理赔员到现场拍照后才能撤离现场，因此经常会导致交通堵塞，且浪费大量的时间，并定损结果的信息获取周期较长。而利用本申请实施方案在发生交通事故时，涉事车主往往想要知道自己或对方车辆的损失或理赔情况，此时可以自己拍下交通事故现场的图像，一方面可以作为现场证据，另一方面可以利用拍摄将图像通过终端APP进行自主的车损估算损失、理赔情况等，满足涉事车主用户快速、全面、准确可靠的得到车辆定损处理需求。
为了清楚起见，下述实施例以具体的一个车主用户利用移动终端APP(application，应用)请求车辆定损服务的应用场景进行说明。在本实施例应用场景中，车主用户在交通事故现场可以通过移动终端(如手机)对车辆受损位置以及车辆整体进行拍摄，一些情况下还可以对车辆证件、用户证件等进行拍照，然后通过终端应用上传拍摄获得的照片(图像)。云服务器获取车辆定损的待处理图像后，可以先识别出有哪些损伤的部件以及这些损伤的部件的一处或多处损伤部位和对应的损伤类型。然后可以设计一个规则引擎，根据车型、所在地、修理厂等的维修策略信息，调用不同的价格库，最终生成至少一个维修方案。这个维修方案可以返回给车主用户，车主用户则可以快速获取车辆定损结果。当然，如果用户为保险公司作业人员，则可以返回给保险公司一侧或直接显示维修方案的结果。但是，本领域技术人员能够理解到，可以将本方案的实质精神应用到车辆定损的其他实施场景中，如保险公司或修理厂的自动车辆定损，或者4S门店、其他服务器提供的自助车辆定损服务等。
具体的一种实施例如图1所示，本申请提供的一种基于图像的车辆定损方法的一种实施例中，所述方法可以包括：
S1：获取车辆定损的待处理图像。
服务器可以从客户端或第三方服务器(如保险公司的服务器)获取车辆的待处理图像。所述的待处理图像通常包括用户拍摄的包含了车辆位置的图片信息，当然也可以包括用户上传的车辆证件、用户身份证件、周边环境(信号灯或地标等)信息的图片。本实施中所述的待处理图像可以包括各种图形和影像的总称，通常指具有视觉效果的画面，一般可以包括纸介质上的、底片或照片上的、电视、投影仪或计算机屏幕等上的画面。
可选的实施例中，还可以判断所述待处理图像的图像质量是否达到设定的处理要求，若图像质量较差，如照片模糊无法识别，则可以弃用该部件图像，并反馈到移动终端APP提示用户拍摄图像时注意对焦，光照等影响清晰度因素。图像质量的判定可以采用模糊度阈值、信息熵值等方式进行处理。
S2：利用构建的部件识别模型检测所述待处理图像，识别所述待处理图像中的车辆部件，并确认所述车辆部件在待处理图像中的部件区域。
本实施例场景中，云服务器获取待处理图像后，可以利用预先构建的部件识别模型检测所述待处理图像，找到所述待处理图像中包含的车辆部件。如果检测到一个待处理图像中包括一个或者多个车辆部件，则同时计算确认这些车辆部件在待处理图像中的位置区域(在此可以称为部件区域)的信息。本实施例中所述的车辆部件通常是指车辆上的部件，如前保险杠，左前门，后尾灯等。
在本实施例中，可以预先采用设计的机器学习算法构建用于识别图像中车辆部件的部件识别模型。该部件识别模型经过样本图像的训练后，可以识别出所述部件图像中包含哪些车辆部件。本实施例中，所述的部件识别模型可以采用深度神经网络的网络模型或者变种的网络模型，经过样本图像训练后构建生成。本申请提供的所述方法的另一个实施例中，可以基于卷积神经网络(Convolutional Neural Network，CNN)和区域建议网络(Region Proposal Network，RPN)，结合输入模型训练的损伤样本图像、全连接层等构建生成所述的部件识别模型。因此，本申请所述方法的另一种实施例中，所述部件识别模型包括：
S201：基于卷积层和区域建议层的网络模型，经过样本数据训练后构建生成的深度神经网络。
卷积神经网络一般指以卷积层(CNN)为主要结构并结合其他如激活层等组成的神经网络，主要用于图像识别。本实施例中所述的深度神经网络可以包括卷积层和其他重要的层(如输入模型训练的损伤样本图像，若干归一化层，激活层等)，并结合区域建立网络共同组建生成。卷积神经网络通常是将图像处理中的二维离散卷积运算和人工神经网络相结合。这种卷积运算可以用于自动提取特征。区域建议网络(RPN)可以将一个图像(任意大小)提取的特征作为输入(可以使用卷积神经网络提取的二维特征)，输出矩形目标建议框的集合，每个框有一个对象的得分。为避免混淆，本实施例中可以把使用的卷积神经网络(CNN)称为卷积层(CNN)、区域建议网络(RPN)称为区域建议层(RPN)。本申请其他的实施例中，所述的部件识别模型还可以包括基于所述卷积神经网络改进后的或区域建议网络改进后的变种网络模型，经过样本数据训练后构建生成的深度卷积神经网络。
上述实施例中使用的模型和算法可以选择同类模型或者算法。具体的，例如部件识别模型中，可以使用基于卷积神经网络和区域建议网络的多种模型和变种，如Faster R-CNN、YOLO、Mask-FCN等。其中的卷积神经网络(CNN)可以用任意CNN模型，如ResNet、Inception,VGG等及其变种。通常神经网络中的卷积网络(CNN)部分可以使用在物体识别取得较好效果的成熟网络结构，如Inception、ResNet等网络，如ResNet网络，输入为一张图片，输出为多个部件区域，和对应的部件分类和置信度(这里的置信度为表示识别出来的车辆部件真实性程度的参量)。faster R-CNN、YOLO、Mask-FCN等都是属于本实施例可以使用的包含卷积层的深度神经网络。本实施例使用的深度神经网络结合区域建议层和CNN层能检测出所述待处理图像中的车辆部件，并确认所述车辆部件在待处理图像中的部件区域。
需要说明的是，本申请的一种实施方式中，可以采用单独的算法服务器实施部件识别模型来检测所述待处理图像，识别待处理图像中的车辆部件。如设置一个业务服务器，用于获取用户上传的待处理图像和输出维修方案，同时还可以设置一个算法服务器，存储有构建的部件识别模型，对业务服务器的待处理图像进行检测识别，确定待处理图像中的车辆部件。当然，上述所述的处理也可以由同一服务器执行完成。
S3：利用构建的损伤识别模型检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型。
云服务器一侧获取待处理图像后，可以利用预先构建的损伤识别模型对所述部件图像进行检测，识别出待处理图像中的损伤部位和损伤类型。本实施例中所述的损伤部位通常是指车辆上有损伤的一个部位。一个受损的车辆部件可能包含多个受损部位，每个损伤部位对应有损伤类型(如重度刮擦、轻度变形等)。本实施例可以检测待处理图像中有损伤部位的位置区域(在此可以称为损伤区域，可以理解为一个损伤部位对应着一个具体的损伤区域的图片区域数据，或者损伤区域表达的即为损伤部位的实体数据信息)，可以对该损伤区域进行检测，识别出损伤类型。本实施例中所述的损伤类型可以包括轻度刮擦、重度刮擦、轻度变形、中度变形、重度变形、破损、需拆解检查等类型。
在本实施例中，可以预先采用设计的机器学习算法构建用于识别图像中包含的损伤部位和损伤类型的损伤识别模型。该损伤识别模型经过样本训练后，可以识别出所述待处理图像中的一处或多处损伤部位以及对应的损伤类型。本实施例中，所述的损伤识别模型可以采用深度神经网络的网络模型或者其变种后的网络模型经过样本训练后构建生成。本申请提供的所述方法的另一个实施例中，可以基于卷积神经网络(ConvolutionalNeural Network，CNN)和区域建议网络(Region Proposal Network，RPN)，结合输入模型训练的损伤样本图像、全连接层等构建所述的损伤识别模型。因此，本申请所述方法的另一种实施例中，所述损伤识别模型包括：
301：基于卷积层和区域建议层的网络模型，经过样本数据训练后构建生成的深度神经网络。
卷积神经网络一般指以卷积层(CNN)为主要结构并结合其他如激活层等组成的神经网络，主要用于图像识别。本实施例中所述的深度神经网络可以包括卷积层和其他重要的层(如输入模型训练的损伤样本图像，若干归一化层，激活层等)，并结合区域建议网络(RPN)共同组建生成。卷积神经网络通常是将图像处理中的二维离散卷积运算和人工神经网络相结合。这种卷积运算可以用于自动提取特征。区域建议网络(RPN)可以将一个图像(任意大小)提取的特征作为输入(可以使用卷积神经网络提取的二维特征)，输出矩形目标建议框的集合，每个框有一个对象的得分。同上述所述，为避免混淆，本实施例中可以把使用的卷积神经网络(CNN)称为卷积层(CNN)、区域建议网络(RPN)称为区域建议层(RPN)。本申请其他的实施例中，所述的损伤识别模型还可以包括基于所述卷积神经网络改进后的或区域建议网络改进后的变种网络模型，经过样本数据训练后构建生成的深度卷积神经网络。
上述的实施方式在模型训练时可以识别出单张损伤样本图像上多个损伤部位。具体的在样本训练时，输入为一张图片，输出为多个图片区域，和对应的损伤分类。选取的神经网络的参数通可以过使用打标数据进行小批量梯度下降(mini-batch gradientdescent)训练得到，比如mini-batch＝32时，同时32张训练图片作为输入来训练。打标数据标注了区域和对应类型的图片，可以通过对真实车损图片进行人工打标获得。这个神经网络的输入为一张图片，输出的区域和图片中包含损伤部位个数有关。具体的，例如如果有一个损伤部位，输出一个图片区域；如果有k个损伤部位，则可以输出k个图片区域；如果没有损伤部位，则输出0个图片区域。
上述实施例中使用的模型和算法可以选择同类模型或者算法。具体的，例如部件识别模型中，可以使用基于卷积神经网络和区域建议网络的多种模型和变种，如Faster R-CNN、YOLO、Mask-FCN等。其中的卷积神经网络(CNN)可以用任意CNN模型，如ResNet,、Inception、VGG等及其变种。通常神经网络中的卷积网络(CNN)部分可以使用在物体识别取得较好效果的成熟网络结构，如Inception、ResNet等网络，如ResNet网络，输入为一张图片，输出为多个含有损伤部位的图片区域，和对应的损伤分类(损伤分类用于确定损伤类型)和置信度(这里的置信度为表示损伤类型真实性程度的参量)。faster R-CNN、YOLO、Mask-FCN等都是属于本实施例可以使用的包含卷积层的深度神经网络。本实施例使用的深度神经网络结合区域建议层和CNN层能检测出损伤部位、损伤类型和损伤部位在所述部件图像中所处的位置区域。
需要说明的是，本申请的一种实施方式中，可以采用单独的算法服务器来检测所述待处理图像，识别待处理图像中的损伤部位和损伤类型，如设置一个业务服务器，用于获取用户上传的待处理图像和输出维修方案，同时还可以设置一个算法服务器，存储有构建的损伤识别模型，对业务服务器的待处理图像进行检测识别，确定待处理图像中所述包含的损伤部位和损伤类型以及损伤区域等信息。当然，上述所述的获取待处理图像和识别损伤部位、损伤类型、损伤区域处理也可以由同一服务器执行完成。
在上述所述的部件识别模型和损伤识别模型，可以采用多种的训练数据，如一种实施方式中，所述部件识别模型被设置成，采用含有打标数据的部件样本图像进行训练，所述部件样本图像包括至少一个车辆部件；
所述损伤识别模型被设置成，输入模型训练的损伤样本图像，输出包含至少一个损伤部位和与所述损伤部位对应的损伤类型；以及在使用所述损伤识别模型检测待处理图像时还输出表示所述损伤类型真实性程度的置信度的数据信息。训练数据时损伤识别模型的输出可以不包括置信度，在使用该模型时会有一个模型输出结果的置信度。
需要说明的是，上述S2中利用部件识别模型检测车辆部件的处理和S3中利用损伤识别模型检测损伤部位、损伤类型、损伤区域的处理可以并行进行，即可以使用同一个算法服务器或者分别使用相应的算法服务器对待处理图像进行处理，执行上述S2和S3的图像处理计算。当然，不申请不排除先进行S2识别车辆部件的处理或者先识别损伤部位的处理的实施方式。如图2和图3所示，图2是一种实施例中损伤识别模型的网络构架结构示意图，图3是本申请一种实施例中部件识别模型的网络构架示意图，在实际终端APP实施过程中，所述的部件识别模型和损伤识别模型的网络模型构架基本相同，在部件识别模中，损伤识别模型中的损伤区域变成了部件区域，损伤类型变成了部件类型。基于图2和图3所示的本申请的网络模型结构的基础上，还可以包括其他改进或变形、变换的网络模型，但本申请其他实施例中，所述部件识别模型、损伤识别模型中的至少一个为基于卷积层和区域建议层的网络模型，经过样本数据训练后构建生成的深度神经网络的实施方式均应属于本申请的实施范畴。
S4：根据所述损伤部位和部件区域确定所述待处理图像中的损伤部件，以及确定所述损伤部件的损伤部位和损伤类型。
在前述获取得到了待处理图像中包含的车辆部件信息，以及待处理图像中存在哪些损伤部位、损伤类型、损伤区域的信息后，可以进一步查找检测出车辆部件中的损伤部件有哪些。本实施例的一种实现方式可以通过上述识别处理的过程中计算得到的所述部件区域和损伤区域的分析处理来定位得到损伤部件。具体的，可以根据所述损伤区域和部件区域在待处理图像中的位置区域进行确认，例如在一种图片P1中，若P1中检测出来的损伤区域包含在P1中检测出来的部件区域中(通常识别出的部件区域的面积大于损伤区域的面积)，则可以认为P1中该部件区域对应的车辆部件为损伤部件。或者，图片P2中，若P2中检测出来的损伤区域与P2中检测出来的部件区域有面积重合区域，则也可以认为P2中部件区域对应的车辆部件也为损伤部件。因此，本申请另一个实施例提供的具体的一个实现方式中，所述根据所述损伤部位和部件区域确定所述待处理图像中的损伤部件，可以包括：
S401：在所述部件区域范围内，查询是否存在所述损伤部位的损伤区域；若有，则确定所述部件区域对应的车辆部件为损伤部件。
具体的一个示例中，如一张图片P，S2处理时检测到车辆部件为左前门和左前叶子板，这两个车辆部件分别在图片P中所在的部件区域为(r1，r2)，对应的为置信度(p1，p2)。S3中检测到图片P中存在一个轻度刮擦(损伤类型中的一种)，该轻度刮伤在图片P中所在的损伤区域r3，置信度p3。经过图片位置区域对应关系处理，发现这个轻度刮擦区域r3在左前门所在的部件区域r1中，从而得到损伤部件左前门，损伤部件的损伤部位为r3，在这个单张图片P中的损伤部件的损伤类型为轻度刮擦，置信度采用采用p1*p3。
当然，如果同时检测到左前叶子板处也有损伤，则可以按照上述示例确定出在图片P中损伤部件还有左前叶子板，其损伤部位和损伤类型也可以计算得出。
在定损处理中，待处理图像输入设置的卷积神经网络。如果存在多个损伤部位，则检测到多个包含损伤部位的图片区域，检测所述图片区域，确定所述图片区域的损伤类型，分别输出每个图片区域对应的损伤部位和损伤类型。进一步的，本实施例中可以选取所述损伤类型中表示损伤程度最高的损伤类型所对应的损伤部位作为所述损伤部件的损伤部位。相应的，所述损伤程度最高的损伤类型为确定出的所述损伤部件的损伤类型。
S5：基于包括所述损伤部件、损伤部位、损伤类型的信息生成维修方案。
上述经过对待处理图像的车辆部件识别、受损部件的确认，以及损伤部位、受损类型的识别等处理，获取本实施例进行车辆定损的信息后，可以基于这些信息生成维修方案。所述的维修方案可以是针对一个受损部件对应一个维修方案的定损结果，也可以为整个车辆的多个损伤部件的一个定损结果。
本实施例中，可以设置每个损伤类型对应一种维修方案，如严重变形对应于换件，轻度变形需要钣金，轻微擦伤需要喷漆。对于用户而言，一个损伤部件最终输出的可以为一个维修方案，当一个损伤部件存在多处损伤时，可以以损伤最严重的部位的维修方式作为整个部件最终的处理方式。通常车辆上的一个部件是一个整体，多处损伤的话，以最严重的损伤的处理较为合理。本实施例可以选取一种维修方案能解决损伤部件上的所有损伤，比如一个损伤部件中，一个损伤部位的损伤类型为严重损坏，需要换件，另一个损伤部位的损伤类型为中度变形，需要钣金，则此时可以选择换件而可以不需要在进行钣金处理。
需要理解的是，通常所述的定损可以包括核损和核价两个信息。在本申请的实施例中，输出的维修方案如果不包括维修费用的信息，则可以归属为核损部分，如果包括维修费用的信息，则可以认为核损和核价均做了计算处理。因此，本实施例所述的维修方案均属于车辆定损的维修方案处理结果中的一种。
具体的一个示例中，例如算法服务器在识别出待处理图像中的损伤部件以及损伤部件的损伤部位和损伤类型后，可以根据上述信息按照预设的处理规则生成所述车辆部件的维修方案。如A1厂商2016年B1型号车左前叶子板：轻度变形：需钣金处理；A2厂商2010年B2型号车左前车门：重度刮擦并且重度变形：需更换处理；A3厂商2013年B3型号车前保险杠：轻度刮擦：需喷漆处理；左前灯：需要拆解检查等。
本申请所述方法的另一种实施例中，为满足用户对车辆定损中费用价格的信息需求，所述的维修方案中还可以包括针对车辆部件维修的预估修改价格的信息，以使用户得知修改费用信息，选择更适合的维修处理方式，满足用户需要，提高用户体验。因此，本申请所述方法的另一种实施例中，所述方法还可以包括：
S500：获取所述车辆部件的维修策略的信息；
相应的，所述维修方案还可以包括对应于所述维修策略的预估维修价格；所述预估维修价格根据包括所述车辆部件的损伤部位、损伤类型、维修策略的信息，并查询对应于所述维修策略中车辆部件的产品和/或维修服务的价格数据后，计算得到的所述车辆部件的预估维修价格。
图4是本申请所述方法另一个实施例的方法流程示意图。具体的实现方式上，可以设计一个计算规则，根据车辆部件所述归属的车型、选择的车辆部件的维修地、修理厂(4S点还是普通综合修理厂)等的维修策略的信息，调用不同的价格库，生成所述车辆部件的包括预维修处理方式和对应的预估维修价格的维修方案。所述的维修策略的信息可以通过用户选取确定，例如用户可以选择维修地点(如市级或区级划分)、在4S店还是综合修理厂，输入车品牌、型号，然后算法服务器可以根据该车辆部件的维修策略信息和识别出的损伤部位和损伤类型得到类似如下的维修方案：
A3厂商2013年B3型号车前保险杠，轻度刮擦，需喷漆处理；预估本地4S店维修费用为：600元。
当然，其他的实施方式中，也可以根据传统车险公司理赔经验整理出车辆事故现场受损部件、受损类型、受损程度等信息，结合4S店修复工时、费用等信息建立引擎模块。当实际处理应用识别出车辆部件的受损部位和受损类型时，可以调用引擎模块，输出车辆部件的定损结果。
上述中所述的维修策略的信息可以被修改更换。如用户可以选择在4S店维修，此时对应一个维修策略，相应的会对应一个维修方案。如果用户更换为在综合修理厂维修，则对应另一个维修策略，相应的也会生成另一个维修方案。
本申请还提供一个具体的损伤识别模型样本训练过程的实施方式。具体的所述方法的另一个实施例中如图5所示，所述可以采用下述方式确定损伤部件以及所述损伤部件的损伤部位和损伤类型：
S10：获取含有损伤部位的待处理图像的集合；
S20：利用卷积神经网络提取所述集合中待处理图像的特征向量，基于所述特征向量的进行相同车辆部件的图像聚类处理，确定损伤部件；
S30：将属于同一损伤部件的损伤部位进行合并，获取损伤部位的损伤聚类特征数据；
S40：根据所述损伤聚类特征数据确定所述损伤部件所包含损伤部位和所述损伤部位对应的损伤类型。
具体的一个示例中，对任何一个检测出来的损伤部件p，其对应了一到多张图片中检测到的一到多个损伤部位(包括损伤类型、位置和置信度)。将这些图片聚类，使用图片经过卷积网络提取的特征向量，如使用Ns中卷积网络最后一个输入模型训练的损伤样本图像的输出向量，来计算图片距离。将属于同一聚类t图片内的损伤部位合并(按置信度选top-K，k可以取15)作为特征Ft。选取top-C(C可以取5，按照聚类内的加权受损部位个数排序，权值为受损部位的置信度)的聚类的特征(Ft1,Ft2,…)作为多分类梯度提升决策树GBDT的特征输入，使用一个多分类梯度提升决策树(GBDT)模型最终给出受损类型和程度。此GBDT模型可以通过打标数据梯度下降训练得到。
可以理解的是，所述的损伤图像在模型训练时可以为采用的样本图像。在实际用户使用时，可以为所述待处理图像。上述所述的图像聚类主要是将含有相同部件的图像聚类。聚类的目的是能找到对损伤部件大致相同部位的拍摄图像。根据S2和S3得到的各损伤部件和损伤部位、损伤类型采用上述实施方式确认得到待处理图像的损伤部件和其对应的损伤部位、损伤类型。
进一步的，另一种实施例中，所述将属于同一损伤部件的损伤部位进行合并可以包括：
从图像聚类中属于同一损伤部件的待处理图像中，按照置信度降序选取K个待处理图像的损伤部位进行合并，K≥2。
合并后选择TOPK个置信度的进行处理，尤其是在大量样本图像训练时可提高识别处理速度。本实施例模型训练的实施场景中，K可以取值为10到15。
另一种实施例中，所述获取损伤部位的损伤聚类特征数据可以包括：
从所述合并后的图像聚类中，按照损伤部位的加权值降序选取C个待处理图像的损伤聚类特征数据，C≥2，所述加权值的权重因子为损伤部位的置信度。本实施例模型训练的实施场景中，C可以取值为3到5。
其他的一些实施例中，所述根据所述损伤聚类特征数据确定所述损伤部件所包含损伤部位和所述损伤部位对应的损伤类型包括：
将所述损伤聚类特征数据作为设置的多分类梯度提升决策树模型的输入数据，识别出损伤部位和损伤类型。
可以理解的是，上述所述的待处理图像的处理在模型训练时可以为采用的样本图像。例如上述S10中获取的含有损伤部位的训练样本图像的集合，或者，从图像聚类中属于同一损伤部件的训练样本图像中，按照置信度降序选取K个训练样本图像的损伤部位进行合并等。在模型训练的实施过程参照前述待处理图像的描述，在此不做重复赘述。
上述所述的实施方案，可以提高定损处理结果的可靠性和准确性的同时，进一步的加快处理速度。
可选的，使用车辆三维模型在多角度和光照模型下进行真实感绘制生成图片，同时得到各车辆部件在图片中的位置。绘制生成的图片加入到训练数据中和打标数据一起训练。因此，另一种实施例中，所述部件识别模型或损伤识别模型中的至少一项使用的训练样本图像可以包括：
利用计算机模拟车辆部件受损绘制生成的图片信息。
本申请提供的一种基于图像的车辆定损方法，可以识别出待处理图像中所包含的损伤部件，然后基于构建的损伤识别模型检测出损伤部件的多处受损部位和每个损伤部位对应的损伤类型，从而得到车辆部件准确、全面、可靠的车辆定损信息。进一步的，本申请实施方案基于这些损伤部件以及损伤部件中的损伤部位、损伤类型、维修策略的信息生成车辆的维修方案，为保险作业人员和车主用户提供更为准确、可靠、有实际参考价值的定损信息。本申请实施方案可以识别出一张或多张图像中的一个或多个受损部件，和所述损伤部件中的一处或多处受损部位及受损程度等，快速的得到更全面、准确的定损信息，然后自动生成维修方案，可以满足保险公司或车主用户快速、全面、准确可靠的车辆定损处理需求，提高车辆定损处理结果的准确性和可靠性，提高用户服务体验。
基于上述所述的基于图像的车辆定损方法，本申请还提供一种基于图像的车辆定损装置。所述的装置可以包括使用了本申请所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本申请提供的一种实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本申请具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。具体的，图6是本申请提供的一种基于图像的车辆定损装置一种实施例的模块结构示意图，如图6所示，所述装置可以包括：
图像获取模块101，可以用于获取车辆定损的待处理图像；
第一识别模块102，可以用于利用构建的部件识别模型检测所述待处理图像，识别所述待处理图像中的车辆部件，并确认所述车辆部件在待处理图像中的部件区域；
第二识别模块103，可以用于利用构建的损伤识别模型检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
损伤计算模块104，可以用于基于所述第一识别模块102和第二识别模块103的处理结果确定所述待处理图像中的损伤部件，以及确定所述损伤部件的损伤部位和损伤类型；
定损处理模块105，可以用于基于包括所述损伤部件、损伤部位、损伤类型的信息生成维修方案。
参照前述方法所述，所述装置可以还可以包括其他的实施方式。例如所述损伤识别模型可以为基于卷积层和区域建议层的网络模型，经过样本数据训练后构建生成的深度神经网络。或者，还可以包括维修策略获取模块或者直接通过定损处理模块105实现获取所述车辆部件的维修策略信息，并生成包括预估维修价格的维修方案等。具体的可以参照前述方法实施例的相关描述，在此不做一一列举描述。
本申请上述所述的方法或装置可以通过计算机程序结合必要的硬件实施，可以设置在中的设备的应用中，基于图像的车辆定损结果快速、可靠输出。因此，本申请还提供一种基于图像的车辆定损装置，可以用于服务器一侧，可以包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
获取车辆定损的待处理图像；
利用构建的部件识别算法检测所述待处理图像，识别所述待处理图像中的车辆部件，并确认所述车辆部件在待处理图像中的部件区域；
利用构建的损伤识别算法检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据所述损伤部位和部件区域确定所述待处理图像中的损伤部件，以及确定所述损伤部件的损伤部位和损伤类型；
基于包括所述损伤部件、损伤部位、损伤类型的信息生成维修方案。
上述所述装置具体的实际处理中，还可以包括其他的处理硬件，例如GPU(Graphics Processing Uni，图形处理单元)。如前述方法所述，所述装置的另一种实施例中，所述处理器执行所述指令时还可以实现：
获取所述损伤部件的维修策略的信息；
相应的，所述维修方案还包括对应于所述维修策略的预估维修价格；所述预估维修价格根据包括所述损伤部件、损伤部位、损伤类型、维修策略的信息，并查询对应于所述维修策略中损伤部件的产品和/或维修服务的价格数据后，计算得到的所述损伤部件的预估维修价格。
所述装置的另一种实施例中，所述构建的损伤识别算法的指令可以包括基于卷积层和区域建议层的网络模型，经过样本数据训练后构建生成的深度神经网络的算法处理指令。
所述装置的另一种实施例中，所述处理器执行所述指令时采用下述方式确定损伤部件以及所述损伤部件的损伤部位和损伤类型：
获取含有损伤部位的待处理图像的集合；
利用卷积神经网络提取所述集合中待处理图像的特征向量，基于所述特征向量的进行相同车辆部件的图像聚类处理，确定损伤部件；
将属于同一损伤部件的损伤部位进行合并，获取损伤部位的损伤聚类特征数据；
根据所述损伤聚类特征数据确定所述损伤部件所包含损伤部位和所述损伤部位对应的损伤类型。
利用本申请实施例提供的一种基于图像的车辆定损装置，可以识别出待处理图像中所包含的损伤部件，然后基于构建的损伤识别模型检测出损伤部件的多处受损部位和每个损伤部位对应的损伤类型，从而得到车辆部件准确、全面、可靠的车辆定损信息。进一步的，本申请实施方案基于这些损伤部件以及损伤部件中的损伤部位、损伤类型、维修策略的信息生成车辆的维修方案，为保险作业人员和车主用户提供更为准确、可靠、有实际参考价值的定损信息。本申请实施方案可以识别出一张或多张图像中的一个或多个受损部件，和所述损伤部件中的一处或多处受损部位及受损程度等，快速的得到更全面、准确的定损信息，然后自动生成维修方案，可以满足保险公司或车主用户快速、全面、准确可靠的车辆定损处理需求，提高车辆定损处理结果的准确性和可靠性，提高用户服务体验。
本申请上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本申请实施例所描述方案的效果。因此，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时可以实现以下步骤：
获取车辆定损的待处理图像；
利用构建的部件识别算法检测所述待处理图像，识别所述待处理图像中的车辆部件，并确认所述车辆部件在待处理图像中的部件区域；
利用构建的损伤识别算法检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据所述损伤部位和部件区域确定所述待处理图像中的损伤部件，以及确定所述损伤部件的损伤部位和损伤类型；
基于包括所述损伤部件、损伤部位、损伤类型的信息生成维修方案。
所述计算机可读存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。本实施例所述的计算机可读存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
上述所述的装置或方法可以用于图像处理的电子设备中，实现基于图像的车辆定损快速处理。所述的电子设备器可以是单独的服务器，也可以是多台应用服务器组成的系统集群，也可以是分布式系统中的服务器。图7是本申请提供的一种电子设备一种实施例的结构示意图。一种实施例中，所述电子设备可以包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
获取车辆定损的待处理图像；
利用构建的部件识别算法检测所述待处理图像，识别所述待处理图像中的车辆部件，并确认所述车辆部件在待处理图像中的部件区域；
利用构建的损伤识别算法检测所述待处理图像，识别所述待处理图像中的损伤部位和损伤类型；
根据所述损伤部位和部件区域确定所述待处理图像中的损伤部件，以及确定所述损伤部件的损伤部位和损伤类型；
基于包括所述损伤部件、损伤部位、损伤类型的信息生成维修方案。
图8是利用本申请实施方案进行车辆定损的一个处理场景示意图。图8中的客户端为用户的移动终端，其他的实施场景中也可以为PC或其他终端设备。本申请提供的一种基于图像的车辆定损方法、装置及电子设备，使用深度学习技术检测受损部位和损伤类型，利用图像匹配方法精确定位损伤部位，可以使用多图像检测结果提高定损的准确性。图像检测技术和车辆部件价格库以及维修规则相结合自动生成维修方案和估价。本申请的一些实施方案可以基于更为具体的车损信息、车辆部件价格库以及维修处理方式等自动生成维修方案和预估的维修费用，可以满足保险公司或车主用户快速、全面、准确可靠的车辆定损处理需求，提高车辆定损处理结果的准确性和可靠性，提高用户服务体验。
需要说明的是，虽然上述实施例提供的一些装置、电子设备、计算机可读存储介质的实施例的描述，但基于前述相关方法或装置实施例的描述，所述的装置、电子设备、计算机可读存储介质还可以包括其他的实施方式，具体的可以参照相关方法或装置实施例的描述，在此不再一一举例赘述。
尽管本申请内容中提到图像质量处理、卷积神经网络和区域建议网络以及其组合生成的深度神经网络、预估维修价格的计算方式、利用GBDT模型得到损伤部位和类型处理方式等等之类的数据模型构建、数据获取、交互、计算、判断等描述，但是，本申请并不局限于必须是符合行业通信标准、标准数据模型、计算机处理和存储规则或本申请实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本申请的可选实施方案范围之内。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。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、产品或者设备不仅包括那些要素，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、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (19)

1.一种基于图像的车辆定损方法，所述方法包括：
移动终端获取的定损车辆的待处理图像，所述定损车辆包括通过车主用户一侧的终端在事故现场拍摄得到的图像
移动终端将所述待处理图像上传至服务器，以使服务器基于所述待处理图像识别出包括损伤部位以及损伤部位对应的损伤类型的定损信息，根据所述定损信息生成包含预估维修价格的维修方案，并将所述维修方案返回给所述移动终端；
所述移动终端接收所述服务器返回的维修方案，以使车主用户获取车损估算损伤和/或理赔信息。
2.一种基于图像的车辆定损方法，所述方法包括：
移动终端获取定损车辆的待处理图像，所述待处理图像包括通过保险作业人员一侧的终端在事故现场拍摄得到的图像；
移动终端将所述待处理图像上传至服务器，以使服务器基于所述待处理图像识别出包括损伤部位以及损伤部位对应的损伤类型的定损信息，根据所述定损信息生成包含预估维修价格的维修方案，并将所述维修方案返回给所述移动终端；
所述移动终端接收所述服务器返回的维修方案，以使保险作业人员获取车损估算损伤和/或理赔信息。
3.一种基于图像的车辆定损方法，所述方法包括：
移动终端获取定损车辆的待处理图像，所述待处理图像包括通过车主用户一侧的终端在事故现场拍摄得到的图像或通过保险作业人员一侧的终端在事故现场拍摄得到的图像；
移动终端将所述待处理图像上传至服务器，以使服务器基于所述待处理图像识别出包括损伤部位以及损伤部位对应的损伤类型的定损信息，根据所述定损信息生成包含预估维修价格的维修方案；
所述移动终端接收所述服务器返回的维修方案。
4.一种基于图像的车辆定损方法，所述方法包括：
服务器获取车辆定损的待处理图像，所述待处理图像包括通过车主用户或保险公司作业人员一侧的终端在事故现场拍摄获取图像后上传的图像；
服务器基于所述待处理图像识别出包括损伤部位以及损伤部位对应的损伤类型的定损信息，根据所述定损信息生成包含预估维修价格的维修方案；
所述服务器将所述维修方案返回给车主用户的移动终端或保险公司一侧的终端。
5.如权利要求4所述的方法，所述基于所述待处理图像识别出包括损伤部位以及损伤部位对应的损伤类型包括：
所述的维修方案包括针对一个受损部件对应一个维修方案的定损结果，或者包括整个车辆的多个损伤部件的一个定损结果。
6.如权利要求4所述的方法，其中，所述的维修策略的信息允许被修改或更换，以及在修改或更换后相应的生成新的维修方案。
7.如权利要求4所述的方法，采用下述方式确定包含一个或多个损伤部位的损伤部件：
利用构建的部件识别模型检测所述待处理图像，提取获取含有损伤部位的待处理图像的集合中待处理图像的特征向量，基于所述特征向量的进行相同车辆部件的图像聚类处理，确定损伤部件。
8.如权利要求4所述的方法，采用下述方式识别处理损伤部件的损伤类型：
根据损伤聚类特征数据确定所述损伤部件所包含损伤部位对应的损伤类型，所述损伤部位的损伤聚类特征数据基于将属于同一损伤部件的损伤部位进行合并得到。
9.如权利要求4所述的方法，所述基于所述待处理图像识别出包括损伤部位以及损伤部位对应的损伤类型包括：
利用构建的部件识别模型检测和/或损伤识别模型检测所述待处理图像，确定所述待处理图像中的损伤部位、损伤类型，以及输出损伤类型对应的置信度，所述损伤类型对应的置信度为表示损伤类型真实性程度的参量。
10.如权利要求9所述的方法，所述部件识别模型或损伤识别模型中的至少一项使用的训练样本图像包括：
真实车损图片和利用计算机模拟车辆部件受损绘制生成的图片信息。
11.如权利要求9所述的方法，所述部件识别模型或损伤识别模型中包括：
基于卷积层和区域建议层的网络模型，经过样本数据训练后构建生成的深度神经网络。
12.如权利要求8所述的方法，所述将属于同一损伤部件的损伤部位进行合并包括：
从图像聚类中属于同一损伤样本部件的待处理图像中，按照置信度降序选取K个待处理图像的损伤部位进行合并，K≥2。
13.如权利要求12所述的方法，所述获取损伤部位的损伤聚类特征数据包括：
从合并后的图像聚类中，按照损伤部位的加权值降序选取C个待处理图像的损伤聚类特征数据，C≥2，所述加权值的权重因子为损伤部位的置信度。
14.如权利要求1-4中任意一项所述的方法，其中，所述待处理图像包括周边环境(信号灯或地标等)信息的图片。
15.如权利要求1-4中任意一项所述的方法，在获取待处理图像之后，所述方法还包括：
判断所述待处理图像的图像质量是否达到设定的处理要求；
若否，则弃用不符合处理要求的待处理图像，并在终端提示用户拍摄图像时注意影响清晰度因素的信息。
16.如权利要求4所述的方法，还包括：
利用构建的部件识别模型检测所述待处理图像，确定待处理图像中的车辆部件在待处理图像中的部件区域；
利用预先构建的损伤识别模型检测待处理图像中有损伤部位的损伤区域；
根据所述损伤区域和部件区域在待处理图像中的位置区域进行确认损伤部件，其中损伤部件的损伤类型的置信度基于表示识别出来的车辆部件在部件区域的真实性程度的置信度和表示检测出的损伤类型在损伤区域的置信度确定。
17.一种移动终端，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
移动终端获取定损车辆的待处理图像，所述待处理图像包括通过车主用户一侧的终端在事故现场拍摄得到的图像或通过保险作业人员一侧的终端在事故现场拍摄得到的图像；
移动终端将所述待处理图像上传至服务器，以使服务器基于所述待处理图像识别出包括损伤部位以及损伤部位对应的损伤类型的定损信息，根据所述定损信息生成包含预估维修价格的维修方案；
所述移动终端接收所述服务器返回的维修方案。
18.一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求4-16中任意一项所述的方法。
19.一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被执行时实现权利要求1-3中任意一项所述的方法或者权利要求4-16中任意一项所述的方法。
CN202011162220.6A 2017-04-11 2017-04-11 一种基于图像的车辆定损方法、移动终端、服务器 Active CN112435215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011162220.6A CN112435215B (zh) 2017-04-11 2017-04-11 一种基于图像的车辆定损方法、移动终端、服务器

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710233656.1A CN107403424B (zh) 2017-04-11 2017-04-11 一种基于图像的车辆定损方法、装置及电子设备
CN202011162220.6A CN112435215B (zh) 2017-04-11 2017-04-11 一种基于图像的车辆定损方法、移动终端、服务器

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201710233656.1A Division CN107403424B (zh) 2017-04-11 2017-04-11 一种基于图像的车辆定损方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112435215A true CN112435215A (zh) 2021-03-02
CN112435215B CN112435215B (zh) 2024-02-13

Family

ID=60405205

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202011162220.6A Active CN112435215B (zh) 2017-04-11 2017-04-11 一种基于图像的车辆定损方法、移动终端、服务器
CN201710233656.1A Active CN107403424B (zh) 2017-04-11 2017-04-11 一种基于图像的车辆定损方法、装置及电子设备

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201710233656.1A Active CN107403424B (zh) 2017-04-11 2017-04-11 一种基于图像的车辆定损方法、装置及电子设备

Country Status (7)

Country Link
US (2) US11049334B2 (zh)
EP (1) EP3520044A1 (zh)
KR (1) KR102418446B1 (zh)
CN (2) CN112435215B (zh)
PH (1) PH12019502321A1 (zh)
SG (1) SG11201909420QA (zh)
TW (1) TW201839703A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326954A (zh) * 2021-06-25 2021-08-31 中国平安财产保险股份有限公司 车辆维修任务调度方法、装置、设备及存储介质
CN113705351A (zh) * 2021-07-28 2021-11-26 中国银行保险信息技术管理有限公司 车辆定损方法、装置及设备
CN113781454A (zh) * 2021-09-15 2021-12-10 平安科技（深圳）有限公司 一种车辆损伤检测方法、装置、设备及存储介质
CN113886712A (zh) * 2021-11-04 2022-01-04 杭州以诺行汽车科技股份有限公司 基于erp的人工智能汽车维修推荐方法、系统和存储介质
CN113902045A (zh) * 2021-12-09 2022-01-07 成都车晓科技有限公司 一种基于图像识别的车险现场快速定损方法
CN114092649A (zh) * 2021-11-25 2022-02-25 马上消费金融股份有限公司 基于神经网络的图片生成方法及装置
CN114739293A (zh) * 2022-03-25 2022-07-12 北京博联众睿机器人科技有限公司 车身测量方法、系统、装置以及电子设备
CN116703622A (zh) * 2023-08-02 2023-09-05 凯泰铭科技（北京）有限公司 一种车辆损伤鉴定方法及系统

Families Citing this family (81)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10089396B2 (en) 2014-07-30 2018-10-02 NthGen Software Inc. System and method of a dynamic interface for capturing vehicle data
US10740891B1 (en) * 2016-05-20 2020-08-11 Ccc Information Services Inc. Technology for analyzing images depicting vehicles according to base image models
US10628890B2 (en) * 2017-02-23 2020-04-21 International Business Machines Corporation Visual analytics based vehicle insurance anti-fraud detection
CN112435215B (zh) 2017-04-11 2024-02-13 创新先进技术有限公司 一种基于图像的车辆定损方法、移动终端、服务器
CN107392218B (zh) 2017-04-11 2020-08-04 创新先进技术有限公司 一种基于图像的车辆定损方法、装置及电子设备
US10762385B1 (en) * 2017-06-29 2020-09-01 State Farm Mutual Automobile Insurance Company Deep learning image processing method for determining vehicle damage
CN108242054A (zh) 2018-01-09 2018-07-03 北京百度网讯科技有限公司 一种钢板缺陷检测方法、装置、设备和服务器
CN108171699A (zh) * 2018-01-11 2018-06-15 平安科技（深圳）有限公司 定损理赔方法、服务器及计算机可读存储介质
CN108228863B (zh) * 2018-01-12 2019-05-14 北京百度网讯科技有限公司 情报信息查询的方法、装置、存储介质及终端设备
CN108335217B (zh) * 2018-01-25 2020-11-13 中国平安财产保险股份有限公司 车辆出险的模拟理赔方法、装置、设备和计算机存储介质
KR102579904B1 (ko) * 2018-01-31 2023-09-19 삼성전자주식회사 비전 검사 관리 방법 및 비전 검사 시스템
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
US10997413B2 (en) * 2018-03-23 2021-05-04 NthGen Software Inc. Method and system for obtaining vehicle target views from a video stream
CN110634120B (zh) * 2018-06-05 2022-06-03 杭州海康威视数字技术股份有限公司 一种车辆损伤判别方法及装置
CN108985343B (zh) * 2018-06-22 2020-12-25 深源恒际科技有限公司 基于深度神经网络的汽车损伤检测方法和系统
CN108875648A (zh) * 2018-06-22 2018-11-23 深源恒际科技有限公司 一种基于手机视频流的实时车辆损伤和部件检测的方法
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
CN110570513B (zh) * 2018-08-17 2023-06-20 创新先进技术有限公司 一种展示车损信息的方法和装置
CN109145903A (zh) * 2018-08-22 2019-01-04 阿里巴巴集团控股有限公司 一种图像处理方法和装置
CN110569856B (zh) * 2018-08-24 2020-07-21 阿里巴巴集团控股有限公司 样本标注方法及装置、损伤类别的识别方法及装置
US11262298B2 (en) * 2018-08-30 2022-03-01 Caterpillar Inc. System and method for determining fluid origin
CN110569696A (zh) * 2018-08-31 2019-12-13 阿里巴巴集团控股有限公司 用于车辆部件识别的神经网络系统、方法和装置
CN110570317B (zh) * 2018-08-31 2023-06-20 创新先进技术有限公司 用于车辆核损的方法及装置
CN110570316A (zh) 2018-08-31 2019-12-13 阿里巴巴集团控股有限公司 训练损伤识别模型的方法及装置
CN110570388A (zh) * 2018-08-31 2019-12-13 阿里巴巴集团控股有限公司 车辆的部件检测方法、装置及设备
CN113567149B (zh) * 2018-09-03 2024-05-31 创新先进技术有限公司 用户拍摄意图的识别方法、装置及设备
CN110569864A (zh) * 2018-09-04 2019-12-13 阿里巴巴集团控股有限公司 基于gan网络的车损图像生成方法和装置
CN109215119B (zh) * 2018-09-18 2023-06-20 创新先进技术有限公司 受损车辆的三维模型建立方法及装置
CN110569700B (zh) * 2018-09-26 2020-11-03 创新先进技术有限公司 优化损伤识别结果的方法及装置
CN109410218B (zh) 2018-10-08 2020-08-11 百度在线网络技术（北京）有限公司 用于生成车辆损伤信息的方法和装置
CN109359676A (zh) * 2018-10-08 2019-02-19 百度在线网络技术（北京）有限公司 用于生成车辆损伤信息的方法和装置
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
CN113409382B (zh) * 2018-10-11 2023-06-20 百度在线网络技术（北京）有限公司 车辆损伤区域的测量方法和装置
CN109215027B (zh) * 2018-10-11 2024-05-24 平安科技（深圳）有限公司 一种基于神经网络的车辆定损方法、服务器及介质
CN109900702A (zh) * 2018-12-03 2019-06-18 阿里巴巴集团控股有限公司 车辆损伤检测的处理方法、装置、设备、服务器和系统
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
CN109670545B (zh) * 2018-12-13 2023-08-11 北京深智恒际科技有限公司 由粗到细的车辆图像定损方法
CN109635742A (zh) * 2018-12-13 2019-04-16 深源恒际科技有限公司 一种车辆图像定损中的子部件损伤识别方法
US11037440B2 (en) * 2018-12-19 2021-06-15 Sony Group Corporation Vehicle identification for smart patrolling
DK3709219T3 (da) 2019-03-13 2022-09-05 Ravin Ai Ltd System og fremgangsmåde til automatisk detektering af skader i køretøjer
CN110163761B (zh) * 2019-03-27 2023-05-12 蚂蚁金服（杭州）网络技术有限公司 基于图像处理的可疑项目成员识别方法及装置
US11574366B1 (en) * 2019-04-17 2023-02-07 State Farm Mutual Automobile Insurance Company Method and system for early identification and settlement of total loss claims
CN110135437B (zh) * 2019-05-06 2022-04-05 北京百度网讯科技有限公司 用于车辆的定损方法、装置、电子设备和计算机存储介质
DE102019112289B3 (de) 2019-05-10 2020-06-18 Controlexpert Gmbh Verfahren zur Schadenserfassung bei einem Kraftfahrzeug
CN110427810B (zh) * 2019-06-21 2023-05-30 北京百度网讯科技有限公司 视频定损方法、装置、拍摄端及机器可读存储介质
EP3997658A4 (en) 2019-07-12 2023-06-21 The Nielsen Company (US), LLC DE-DUPLICATION ACROSS MULTIPLE DIFFERENT DATA SOURCES TO IDENTIFY COMMON DEVICES
CN110473418B (zh) * 2019-07-25 2022-05-20 平安科技（深圳）有限公司 危险路段识别方法、装置、服务器及存储介质
CN110503067B (zh) * 2019-08-28 2022-10-25 南阳理工学院 汽车漆面伤痕检测用装置
CN110705590B (zh) * 2019-09-02 2021-03-12 创新先进技术有限公司 通过计算机执行的、用于识别车辆部件的方法及装置
US20210073916A1 (en) * 2019-09-09 2021-03-11 Neural Claim System, Inc. Methods and Systems for Submitting and/or Processing Insurance Claims for Damaged Motor Vehicle Glass
WO2021054416A1 (ja) * 2019-09-19 2021-03-25 住友重機械工業株式会社 ショベル、ショベルの管理装置
US11721010B2 (en) 2019-09-22 2023-08-08 Openlane, Inc. Vehicle self-inspection apparatus and method
CN110738576B (zh) * 2019-10-14 2021-08-06 支付宝(杭州)信息技术有限公司 为受损车辆生成定损文件的方法及装置
CN111123853B (zh) * 2019-11-25 2021-05-14 浙江明泉工业涂装有限公司 一种对汽车内表面喷涂检测与补救的机器人的控制方法
US11676365B2 (en) * 2019-12-16 2023-06-13 Accenture Global Solutions Limited Explainable artificial intelligence (AI) based image analytic, automatic damage detection and estimation system
CN111159818A (zh) * 2019-12-27 2020-05-15 中国航空工业集团公司沈阳飞机设计研究所 一种飞机复合材料结构外场损伤维修方案推送系统及其方法
AU2021204872A1 (en) 2020-01-03 2022-08-04 Tractable Ltd Method of determining damage to parts of a vehicle
US11687778B2 (en) 2020-01-06 2023-06-27 The Research Foundation For The State University Of New York Fakecatcher: detection of synthetic portrait videos using biological signals
US20210241208A1 (en) * 2020-01-31 2021-08-05 Capital One Services, Llc Method and system for identifying and onboarding a vehicle into inventory
US11720969B2 (en) 2020-02-07 2023-08-08 International Business Machines Corporation Detecting vehicle identity and damage status using single video analysis
US11503443B2 (en) 2020-02-12 2022-11-15 Honda Motor Co., Ltd. System and method for providing marine connectivity
CN111489433B (zh) * 2020-02-13 2023-04-25 北京百度网讯科技有限公司 车辆损伤定位的方法、装置、电子设备以及可读存储介质
CN113505624A (zh) * 2020-03-23 2021-10-15 虹软科技股份有限公司 车辆定损方法、车辆定损装置及应用其的电子设备
US11842472B2 (en) * 2020-03-31 2023-12-12 International Business Machines Corporation Object defect correction
US20210375078A1 (en) * 2020-05-28 2021-12-02 Gm Cruise Holdings Llc Automated vehicle body damage detection
CN111667392B (zh) * 2020-06-12 2023-06-16 成都国铁电气设备有限公司 一种基于时空聚类的铁路接触网缺陷热点区域预警方法
US20220058579A1 (en) * 2020-08-20 2022-02-24 Mitchell International, Inc. Vehicle repair workflow automation with natural language processing
CN112348011B (zh) * 2020-09-10 2022-08-09 小灵狗出行科技有限公司 一种车辆定损方法、装置及存储介质
US11769120B2 (en) * 2020-10-14 2023-09-26 Mitchell International, Inc. Systems and methods for improving user experience during damage appraisal
CN112085612B (zh) * 2020-11-13 2021-03-16 深圳壹账通智能科技有限公司 车辆全损检测方法、装置、终端设备及存储介质
CN112446513A (zh) * 2020-12-15 2021-03-05 恒大恒驰新能源汽车研究院(上海)有限公司 车辆零部件检测方法及装置、计算机可读存储介质
CN112287905A (zh) * 2020-12-18 2021-01-29 德联易控科技(北京)有限公司 车辆损伤识别方法、装置、设备及存储介质
US11971953B2 (en) 2021-02-02 2024-04-30 Inait Sa Machine annotation of photographic images
US11544914B2 (en) 2021-02-18 2023-01-03 Inait Sa Annotation of 3D models with signs of use visible in 2D images
JP2024506691A (ja) 2021-02-18 2024-02-14 アイエヌエイアイティ エスエイ ２ｄ画像において視認可能な使用形跡を使用した３ｄモデルの注釈付け
CN112966730A (zh) * 2021-03-01 2021-06-15 创新奇智(上海)科技有限公司 车辆伤损识别方法、装置、设备及存储介质
CN113077513B (zh) * 2021-06-03 2021-10-29 深圳市优必选科技股份有限公司 视觉定位方法、装置和计算机设备
CN113361457A (zh) * 2021-06-29 2021-09-07 北京百度网讯科技有限公司 基于图像的车辆定损方法、装置及系统
CN113640308B (zh) * 2021-08-31 2024-03-29 夏冰心 一种基于机器视觉的轨道异常监测系统
CN118176515A (zh) * 2021-11-09 2024-06-11 阿尔法人工智能科技有限公司 车辆损坏情况评估系统和方便车辆维修或维护服务的平台
CN114596439A (zh) * 2022-03-20 2022-06-07 邦邦汽车销售服务(北京)有限公司 一种基于图像的车险智能定损及核损方法、装置和电子设备

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1166147A (ja) * 1997-08-21 1999-03-09 Tsubasa Syst Kk 事故車修理費用見積システムおよびその記録媒体
JP2001142941A (ja) * 1999-11-15 2001-05-25 Al Formulate Kk 自動車修理統合見積りシステム
JP2012009038A (ja) * 2011-07-26 2012-01-12 Mitsubishi Heavy Ind Ltd 保守計画方法
US8510196B1 (en) * 2012-08-16 2013-08-13 Allstate Insurance Company Feedback loop in mobile damage assessment and claims processing
CN103390150A (zh) * 2012-05-08 2013-11-13 北京三星通信技术研究有限公司 人体部件检测方法和装置
CN103493051A (zh) * 2011-02-25 2014-01-01 奥达特克斯有限责任公司 用于估计对汽车的碰撞损伤的系统和方法
CN103512762A (zh) * 2012-06-29 2014-01-15 北京华兴致远科技发展有限公司 图像处理方法、装置及列车故障检测系统
CN103996041A (zh) * 2014-05-15 2014-08-20 武汉睿智视讯科技有限公司 一种基于匹配的车辆颜色识别方法和系统
JP2014174891A (ja) * 2013-03-12 2014-09-22 Mitsubishi Heavy Ind Ltd 補修業務支援装置、補修業務支援方法およびプログラム
CN104268783A (zh) * 2014-05-30 2015-01-07 翱特信息系统（中国）有限公司 车辆定损估价的方法、装置和终端设备
CN104517442A (zh) * 2013-10-06 2015-04-15 青岛联合创新技术服务平台有限公司 智能汽车定损装置及其工作方法
CN105719188A (zh) * 2016-01-22 2016-06-29 平安科技（深圳）有限公司 基于多张图片一致性实现保险理赔反欺诈的方法及服务器
CN105915853A (zh) * 2016-05-27 2016-08-31 大连楼兰科技股份有限公司 基于红外感知的远程无人定损方法及系统
CN106021548A (zh) * 2016-05-27 2016-10-12 大连楼兰科技股份有限公司 基于分布式人工智能图像识别的远程定损方法及系统
CN106066907A (zh) * 2016-05-27 2016-11-02 大连楼兰科技股份有限公司 基于多零件多模型判断的定损分等级方法
CN106127747A (zh) * 2016-06-17 2016-11-16 史方 基于深度学习的汽车表面损伤分类方法及装置

Family Cites Families (90)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5321784B2 (zh) 1974-04-05 1978-07-05
JP3243065B2 (ja) 1993-06-30 2002-01-07 株式会社東芝 構造部品の劣化・損傷予測装置
US7426437B2 (en) 1997-10-22 2008-09-16 Intelligent Technologies International, Inc. Accident avoidance systems and methods
JPH0981739A (ja) 1995-09-12 1997-03-28 Toshiba Corp 損害額算出システム及び損傷位置検出装置
US6246954B1 (en) 1999-01-28 2001-06-12 International Business Machines Corporation Time multiplexed global positioning system for control of traffic lights
EP1192478A4 (en) 1999-06-14 2006-03-08 Escort Inc RADAR ALERT RECEIVER WITH SENSITIVE POSITION AND SPEED FUNCTIONS
US8525723B2 (en) 1999-06-14 2013-09-03 Escort Inc. Radar detector with navigation function
JP2001344463A (ja) 2000-05-30 2001-12-14 System Location Co Ltd 車両再販価格分析システム
US20020007289A1 (en) 2000-07-11 2002-01-17 Malin Mark Elliott Method and apparatus for processing automobile repair data and statistics
US6636792B2 (en) 2000-09-29 2003-10-21 Siemens Vdo Automotive Corporation Weight classification system
JP2002183338A (ja) 2000-12-14 2002-06-28 Hitachi Ltd 損害評価方法および情報処理装置ならびに記憶媒体
US8280345B2 (en) 2000-12-22 2012-10-02 Google Inc. LPRF device wake up using wireless tag
US20110068954A1 (en) 2006-06-20 2011-03-24 Zonar Systems, Inc. Method and apparatus to collect object identification data during operation of a vehicle and analysis of such data
JP2003132170A (ja) 2001-10-29 2003-05-09 Tsubasa System Co Ltd コンピュータを用いた車輌の修理見積システム
JP2003170817A (ja) 2001-12-05 2003-06-17 Tsubasa System Co Ltd 車輌修理見積方法
JP2003196511A (ja) 2001-12-25 2003-07-11 System Kobo M:Kk 車両修理簡易見積りシステム、車両修理簡易見積りサーバおよびプログラム
JP2003226230A (ja) 2002-02-05 2003-08-12 Mazda Motor Corp 製品の修理支援装置、その方法、及び製品の修理支援用プログラムを記録した記録媒体
JP2003346021A (ja) 2002-05-28 2003-12-05 Tsubasa System Co Ltd 車両部品販売支援方法
US8068036B2 (en) 2002-07-22 2011-11-29 Ohanes Ghazarian Intersection vehicle collision avoidance system
US6826301B2 (en) 2002-10-07 2004-11-30 Infocus Corporation Data transmission system and method
US20040113783A1 (en) 2002-12-11 2004-06-17 Millennium Information Systems, Llc Container integrity management system
US20040183673A1 (en) 2003-01-31 2004-09-23 Nageli Hans Peter Portable detachable self-contained tracking unit for two-way satellite communication with a central server
US6969809B2 (en) 2003-09-22 2005-11-29 Cts Corporation Vehicle seat weight sensor
JP2005107722A (ja) 2003-09-29 2005-04-21 Kureo:Kk 見積支援プログラム、合見積支援プログラム、見積支援方法、合見積支援方法、見積支援装置および合見積支援装置
US20050108065A1 (en) 2003-11-18 2005-05-19 Dorfstatter Walter A. Method and system of estimating vehicle damage
IT1337796B1 (it) * 2004-05-11 2007-02-20 Fausto Siri Procedimento per il riconoscimento, l'analisi e la valutazione delle deformazioni in particolare in automezzi
JP3839822B2 (ja) 2004-08-11 2006-11-01 株式会社損害保険ジャパン 物流工程における物品の損傷状況分析方法、損傷状況分析システム及び記録媒体
US7889931B2 (en) 2004-10-22 2011-02-15 Gb Investments, Inc. Systems and methods for automated vehicle image acquisition, analysis, and reporting
US20060103568A1 (en) 2004-11-18 2006-05-18 Powell Steven W Systems and methods for wirelessly determining vehicle identification, registration, compliance status and location
JP2006164022A (ja) 2004-12-09 2006-06-22 Mitsubishi Electric Corp 維持管理計画システム
CN1658559A (zh) 2005-02-22 2005-08-24 刘波 基于因特网的远程实时监控车辆定损系统及其监控方法
US20060267799A1 (en) 2005-05-09 2006-11-30 Ehud Mendelson Parking detector - a system and method for detecting and navigating to empty parking spaces utilizing a cellular phone application
KR100738194B1 (ko) * 2005-10-17 2007-07-10 에스케이 텔레콤주식회사 단말기를 이용한 차량정비 안내 시스템 및 방법
US7423534B2 (en) 2006-01-13 2008-09-09 Ford Motor Company Electronic method and system for monitoring containers and products
US7701363B1 (en) 2007-01-17 2010-04-20 Milan Zlojutro Vehicle tracking and monitoring system
US20080255887A1 (en) 2007-04-10 2008-10-16 Autoonline Gmbh Informationssysteme Method and system for processing an insurance claim for a damaged vehicle
US20080281658A1 (en) 2007-04-23 2008-11-13 Steven Siessman Systems and methods for creating and reviewing vehicle damage repair estimates, and notifying entities of issues relating to manufacturer's warranty or repair content
US8290705B2 (en) 2007-04-25 2012-10-16 Rio Sisa Idea Farm Mobile navigation system with graphic crime-risk display
JP5321784B2 (ja) 2008-03-05 2013-10-23 富士ゼロックス株式会社 故障診断装置およびプログラム
US8103449B2 (en) 2008-10-24 2012-01-24 GM Global Technology Operations LLC Configurable vehicular time to stop warning system
US8587649B2 (en) 2009-04-21 2013-11-19 Create Electronic Optical Co., Ltd. Lane departure warning system
US9536426B2 (en) 2009-04-23 2017-01-03 Omnitracs, Llc Systems and methods for determining a speed limit violation
KR20110049391A (ko) * 2009-11-05 2011-05-12 주식회사 에이치앤아이피 차량 사고시 보험사 자동 연계서비스 시스템 및 그 방법
JP5057183B2 (ja) 2010-03-31 2012-10-24 アイシン・エィ・ダブリュ株式会社 風景マッチング用参照データ生成システム及び位置測位システム
US9489782B2 (en) 2010-07-28 2016-11-08 Hand Held Products, Inc. Collect vehicle performance with a PDT
US8063797B1 (en) 2010-07-31 2011-11-22 ParkMe LLC Parking information collection system and method
US20120029759A1 (en) 2010-08-02 2012-02-02 Suh Peter Jung-Min Method of providing vehicle maintenance information and service
CN102376071B (zh) 2010-08-20 2015-03-25 深圳市安致兰德科技有限公司 保险定损移动查勘系统
EP2761595A2 (en) * 2011-09-29 2014-08-06 Tata Consultancy Services Limited Damage assessment of an object
US9317983B2 (en) 2012-03-14 2016-04-19 Autoconnect Holdings Llc Automatic communication of damage and health in detected vehicle incidents
KR101425019B1 (ko) * 2012-08-08 2014-08-06 아이오토 주식회사 온라인을 이용한 타이어 교체 서비스 제공 시스템
US10580075B1 (en) 2012-08-16 2020-03-03 Allstate Insurance Company Application facilitated claims damage estimation
US8712893B1 (en) 2012-08-16 2014-04-29 Allstate Insurance Company Enhanced claims damage estimation using aggregate display
US9002719B2 (en) 2012-10-08 2015-04-07 State Farm Mutual Automobile Insurance Company Device and method for building claim assessment
CN103310223A (zh) * 2013-03-13 2013-09-18 四川天翼网络服务有限公司 一种基于图像识别的车辆定损系统及方法
FR3007172B1 (fr) 2013-06-12 2020-12-18 Renault Sas Procede et systeme d'identification d'un degat cause a un vehicule
TWM478859U (zh) 2014-01-09 2014-05-21 Han-Wei Chang 人車路交通事故影音自動分析系統
JP6264132B2 (ja) 2014-03-25 2018-01-24 日産自動車株式会社 車体塗装面の検査装置および検査方法
US20150287130A1 (en) 2014-04-04 2015-10-08 Verc, Inc. Systems and methods for assessing damage of rental vehicle
US9307234B1 (en) 2014-07-23 2016-04-05 American Express Travel Related Services Company, Inc. Interactive latency control with lossless image optimization
KR20160018944A (ko) 2014-08-07 2016-02-18 주식회사 코리아오토시스템 차량의 사고부위를 인식하여 가견적 리스트를 모바일 장치에서 생성하는 방법
US20160239922A1 (en) 2015-02-17 2016-08-18 Raymond Jimenez System and method of real-time imaging and analysis of real-world objects
US10325204B2 (en) * 2015-07-06 2019-06-18 Texas Instruments Incorporated Efficient decision tree traversal in an adaptive boosting (AdaBoost) classifier
WO2017022908A1 (ko) 2015-08-04 2017-02-09 재단법인 아산사회복지재단 심층신경망을 이용한 골 연령 산출방법 및 프로그램
GB2542118B (en) 2015-09-04 2021-05-19 Toshiba Europe Ltd A method, apparatus, system, and computer readable medium for detecting change to a structure
GB201517462D0 (en) 2015-10-02 2015-11-18 Tractable Ltd Semi-automatic labelling of datasets
CN105488576A (zh) 2015-12-03 2016-04-13 小米科技有限责任公司 汽车维修费用确定方法和装置
CN105678622A (zh) 2016-01-07 2016-06-15 平安科技（深圳）有限公司 车险理赔照片的分析方法及系统
US11144889B2 (en) 2016-04-06 2021-10-12 American International Group, Inc. Automatic assessment of damage and repair costs in vehicles
US10692050B2 (en) 2016-04-06 2020-06-23 American International Group, Inc. Automatic assessment of damage and repair costs in vehicles
CN105956667B (zh) 2016-04-14 2018-09-25 平安科技（深圳）有限公司 车险定损理赔审核方法及系统
US9886771B1 (en) * 2016-05-20 2018-02-06 Ccc Information Services Inc. Heat map of vehicle damage
CN106056451A (zh) 2016-05-27 2016-10-26 大连楼兰科技股份有限公司 基于车辆obd传感器的远程无人定损系统
CN106022929A (zh) 2016-05-27 2016-10-12 大连楼兰科技股份有限公司 基于专家系统的碰撞事故定损方法及系统
US9870609B2 (en) 2016-06-03 2018-01-16 Conduent Business Services, Llc System and method for assessing usability of captured images
CN106250812B (zh) 2016-07-15 2019-08-20 汤一平 一种基于快速r-cnn深度神经网络的车型识别方法
CN106296118A (zh) * 2016-08-03 2017-01-04 深圳市永兴元科技有限公司 基于图像识别的车辆定损方法及装置
US20180040039A1 (en) * 2016-08-08 2018-02-08 Audatex North America, Inc. Vehicle Component Partitioner
CN106296126A (zh) * 2016-08-09 2017-01-04 深圳市永兴元科技有限公司 车险理赔费用预测方法和装置
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
CN106372651B (zh) 2016-08-22 2018-03-06 平安科技（深圳）有限公司 图片品质的检测方法及装置
CN106370128A (zh) 2016-11-09 2017-02-01 重庆帅邦机械有限公司 一种汽车零部件定损方法
CN106504248B (zh) * 2016-12-06 2021-02-26 成都通甲优博科技有限责任公司 基于计算机视觉的车辆损伤判别方法
US10354383B2 (en) 2016-12-30 2019-07-16 Skinio, Llc Skin abnormality monitoring systems and methods
US10657707B1 (en) * 2017-01-09 2020-05-19 State Farm Mutual Automobile Insurance Company Photo deformation techniques for vehicle repair analysis
US10296816B2 (en) * 2017-01-11 2019-05-21 Ford Global Technologies, Llc Generating training data for automatic vehicle leak detection
JP6954741B2 (ja) 2017-01-13 2021-10-27 株式会社ブロードリーフ 損傷判断装置、並びにこれを用いた期間・スケジュール演算装置及び修理・補修費用演算装置。
CN107358596B (zh) 2017-04-11 2020-09-18 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
CN107392218B (zh) 2017-04-11 2020-08-04 创新先进技术有限公司 一种基于图像的车辆定损方法、装置及电子设备
CN112435215B (zh) 2017-04-11 2024-02-13 创新先进技术有限公司 一种基于图像的车辆定损方法、移动终端、服务器

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1166147A (ja) * 1997-08-21 1999-03-09 Tsubasa Syst Kk 事故車修理費用見積システムおよびその記録媒体
JP2001142941A (ja) * 1999-11-15 2001-05-25 Al Formulate Kk 自動車修理統合見積りシステム
CN103493051A (zh) * 2011-02-25 2014-01-01 奥达特克斯有限责任公司 用于估计对汽车的碰撞损伤的系统和方法
JP2012009038A (ja) * 2011-07-26 2012-01-12 Mitsubishi Heavy Ind Ltd 保守計画方法
CN103390150A (zh) * 2012-05-08 2013-11-13 北京三星通信技术研究有限公司 人体部件检测方法和装置
CN103512762A (zh) * 2012-06-29 2014-01-15 北京华兴致远科技发展有限公司 图像处理方法、装置及列车故障检测系统
US8510196B1 (en) * 2012-08-16 2013-08-13 Allstate Insurance Company Feedback loop in mobile damage assessment and claims processing
JP2014174891A (ja) * 2013-03-12 2014-09-22 Mitsubishi Heavy Ind Ltd 補修業務支援装置、補修業務支援方法およびプログラム
CN104517442A (zh) * 2013-10-06 2015-04-15 青岛联合创新技术服务平台有限公司 智能汽车定损装置及其工作方法
CN103996041A (zh) * 2014-05-15 2014-08-20 武汉睿智视讯科技有限公司 一种基于匹配的车辆颜色识别方法和系统
CN104268783A (zh) * 2014-05-30 2015-01-07 翱特信息系统（中国）有限公司 车辆定损估价的方法、装置和终端设备
CN105719188A (zh) * 2016-01-22 2016-06-29 平安科技（深圳）有限公司 基于多张图片一致性实现保险理赔反欺诈的方法及服务器
CN105915853A (zh) * 2016-05-27 2016-08-31 大连楼兰科技股份有限公司 基于红外感知的远程无人定损方法及系统
CN106021548A (zh) * 2016-05-27 2016-10-12 大连楼兰科技股份有限公司 基于分布式人工智能图像识别的远程定损方法及系统
CN106066907A (zh) * 2016-05-27 2016-11-02 大连楼兰科技股份有限公司 基于多零件多模型判断的定损分等级方法
CN106127747A (zh) * 2016-06-17 2016-11-16 史方 基于深度学习的汽车表面损伤分类方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ANDRE EBERT, ET.AL: "Segmented and directional impact detection for parked vehicles using mobile devices", 《 INTERNATIONAL CONFERENCE ON SYSTEMS, SIGNALS AND IMAGE PROCESSING (IWSSIP)》, pages 1 - 4 *
赵红丽等: "汽车保险远程定损系统的设计和应用", 《通信管理与技术》, no. 3, pages 50 - 53 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326954A (zh) * 2021-06-25 2021-08-31 中国平安财产保险股份有限公司 车辆维修任务调度方法、装置、设备及存储介质
CN113326954B (zh) * 2021-06-25 2023-07-07 中国平安财产保险股份有限公司 车辆维修任务调度方法、装置、设备及存储介质
CN113705351A (zh) * 2021-07-28 2021-11-26 中国银行保险信息技术管理有限公司 车辆定损方法、装置及设备
CN113705351B (zh) * 2021-07-28 2024-05-14 中国银行保险信息技术管理有限公司 车辆定损方法、装置及设备
CN113781454B (zh) * 2021-09-15 2023-09-08 平安科技（深圳）有限公司 一种车辆损伤检测方法、装置、设备及存储介质
CN113781454A (zh) * 2021-09-15 2021-12-10 平安科技（深圳）有限公司 一种车辆损伤检测方法、装置、设备及存储介质
CN113886712A (zh) * 2021-11-04 2022-01-04 杭州以诺行汽车科技股份有限公司 基于erp的人工智能汽车维修推荐方法、系统和存储介质
CN114092649A (zh) * 2021-11-25 2022-02-25 马上消费金融股份有限公司 基于神经网络的图片生成方法及装置
CN114092649B (zh) * 2021-11-25 2022-10-18 马上消费金融股份有限公司 基于神经网络的图片生成方法及装置
CN113902045A (zh) * 2021-12-09 2022-01-07 成都车晓科技有限公司 一种基于图像识别的车险现场快速定损方法
CN114739293A (zh) * 2022-03-25 2022-07-12 北京博联众睿机器人科技有限公司 车身测量方法、系统、装置以及电子设备
CN116703622B (zh) * 2023-08-02 2023-10-03 凯泰铭科技（北京）有限公司 一种车辆损伤鉴定方法及系统
CN116703622A (zh) * 2023-08-02 2023-09-05 凯泰铭科技（北京）有限公司 一种车辆损伤鉴定方法及系统

Also Published As

Publication number Publication date
CN107403424A (zh) 2017-11-28
US10789786B2 (en) 2020-09-29
SG11201909420QA (en) 2019-11-28
TW201839703A (zh) 2018-11-01
CN112435215B (zh) 2024-02-13
EP3520044A1 (en) 2019-08-07
PH12019502321A1 (en) 2020-07-06
KR20190139938A (ko) 2019-12-18
US20180293806A1 (en) 2018-10-11
KR102418446B1 (ko) 2022-07-07
US11049334B2 (en) 2021-06-29
US20190213804A1 (en) 2019-07-11
CN107403424B (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
CN107403424B (zh) 一种基于图像的车辆定损方法、装置及电子设备
CN107358596B (zh) 一种基于图像的车辆定损方法、装置、电子设备及系统
CN107392218B (zh) 一种基于图像的车辆定损方法、装置及电子设备
CN110569701B (zh) 计算机执行的车辆定损方法及装置
CN108875731B (zh) 目标识别方法、装置、系统及存储介质
US20140169639A1 (en) Image Detection Method and Device
EP3844668A1 (en) System and method for training a damage identification model
CN107918767B (zh) 目标检测方法、装置、电子设备及计算机可读介质
CN109102026B (zh) 一种车辆图像检测方法、装置及系统
CN111222409A (zh) 车辆品牌的标注方法、装置及系统
CN112906483A (zh) 一种目标重识别方法、装置及计算机可读存储介质
WO2020047316A1 (en) System and method for training a damage identification model
CN108875500B (zh) 行人再识别方法、装置、系统及存储介质
CN111144425B (zh) 检测拍屏图片的方法、装置、电子设备及存储介质
CN114155363A (zh) 换流站车辆识别方法、装置、计算机设备和存储介质
CN112132892A (zh) 目标位置标注方法、装置及设备
CN112287905A (zh) 车辆损伤识别方法、装置、设备及存储介质
JP6175904B2 (ja) 照合対象抽出システム、照合対象抽出方法、照合対象抽出プログラム
Chalup et al. A computational approach to fractal analysis of a cityscape's skyline
CN110851640B (zh) 一种图像搜索方法、装置及系统
Vaidya et al. Silhouette-Based Real-Time Object Detection and Tracking
CN115375634A (zh) 螺钉数量检测方法、装置、设备和存储介质
TW202143169A (zh) 動態場景補償的拍照方法及攝像裝置
CN111242054A (zh) 一种检测器的捕获率的检测方法及装置
CN116416147A (zh) 图像处理方法、电子设备和计算机可读介质

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