CN112712498A - 移动终端执行的车辆定损方法、装置、移动终端、介质 - Google Patents
移动终端执行的车辆定损方法、装置、移动终端、介质 Download PDFInfo
- Publication number
- CN112712498A CN112712498A CN202011559563.6A CN202011559563A CN112712498A CN 112712498 A CN112712498 A CN 112712498A CN 202011559563 A CN202011559563 A CN 202011559563A CN 112712498 A CN112712498 A CN 112712498A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- damage
- input image
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000006378 damage Effects 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000004590 computer program Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000006735 deficit Effects 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000008439 repair process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0278—Product appraisal
-
- 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
- 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
- G06V10/70—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
- G06V10/82—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- 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
Abstract
本公开的实施例提供了一种由移动终端执行的车辆定损方法、装置、移动终端、介质以及计算机程序产品。本公开涉及人工智能领域,具体涉及计算机视觉和深度学习技术。实现方案为:采集至少一个输入图像;在至少一个输入图像中检测车辆标识信息;在至少一个输入图像中检测车辆损伤信息;基于车辆标识信息和车辆损伤信息确定车辆定损结果。利用本公开的实施例提供的方法,可以在移动终端处离线地执行车辆定损而无需将拍摄的图像发送到云端,从而可以实现定损过程实时性高、网络延迟小、节省网络服务资源、节省网络带宽费用的效果。
Description
技术领域
本公开涉及人工智能领域,具体涉及计算机视觉和深度学习技术,具体涉及一种移动终端执行的车辆定损方法、装置、移动终端、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
发明内容
本公开提供了一种移动终端执行的车辆定损方法、装置、移动终端、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种由移动终端执行的车辆定损方法,所述方法包括:采集至少一个输入图像;在所述至少一个输入图像中检测车辆标识信息;在所述至少一个输入图像中检测车辆损伤信息;基于所述车辆标识信息和所述车辆损伤信息确定车辆定损结果。
根据本公开的另一方面,提供了一种应用于移动终端的车辆定损装置,包括:图像采集单元,配置成采集至少一个输入图像;车辆标识检测单元,配置成在所述至少一个输入图像中检测车辆标识信息;损伤信息检测单元,配置成在所述至少一个输入图像中检测车辆损伤信息;定损单元,配置成基于所述车辆标识信息和所述车辆损伤信息确定车辆定损结果。
根据本公开的另一方面,提供了一种移动终端,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如前所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行如前所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现如前所述的方法。
根据本公开的一个或多个实施例,可以利用移动终端离线地执行针对车辆的智能定损,从而使得用户可以在没有网络连接或网络连接不好的情况下,仍然可以得到车辆损伤的维修方案和维修金额,从而实现定损过程实时性高、网络延迟小、节省网络服务资源、节省网络带宽费用的效果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的车辆定损方法的示意性的流程图;
图3示出了根据本公开的实施例的检测车辆损伤信息的示意性的过程的流程图;
图4示出了根据本公开的实施例的对车辆图像进行检测以得到车辆定损结果的过程的示意性的流程图;
图5示出了根据本公开的实施例的应用于移动终端的车辆定损装置的示意性框图;以及
图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
通过用人工智能技术得到的模型,可以基于静态照片或动态地视频紫铜检测车辆损伤的位置并得到车辆定损结果。在相关技术中,如果用户希望得到车辆定损结果,用户可以拍摄车辆图像或视频,并将所拍摄的图像或视频上传到云端以供云端部署的模型对所拍摄的图像或视频进行处理,以得到车辆定损结果。
然而,由于用户拍摄的每张图像或视频帧都需要上传到云端进行处理,在网络连接不好的时候会有较大的延迟,实时性较差。此外,大量的网络传输也耗费较多的网络带宽资源,花费较多的网络带宽费用。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,可以使用作为客户端设备101、102、103、104、105和106的移动终端运行根据本公开的实施例的车辆定损方法的一个或多个服务或软件应用。尽管本公开提供了利用移动终端以离线地方式执行车辆定损方法,在一些情况下,客户端设备也可以通过网络110连接到服务器120和/或数据库130来获取一些需要的数据。
在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来输入用于车辆定损方法的图像。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS);或包括各种移动操作系统,例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如,由服务器120使用的数据存储库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中,由服务器120使用的数据存储库可以是数据库,例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开的实施例的车辆定损方法的示意性的流程图。图2中示出的方法可以由图1中示出的客户端设备101~106来实施。可以结合安装在移动终端中的应用程序来实现图2中示出的车辆定损方法。
在步骤S202中,可以采集至少一个输入图像。用于执行本公开的实施例的移动终端可以具有图像采集单元,如照相机、摄像机等等。图像采集单元可以用于采集图像或视频用于本公开的实施例的车辆定损方法。
在一些实施例中,至少一个输入图像可以是图像采集单元采集的多张静态照片。在另一些实施例中,至少一个输入图像可以是图像采集单元采集的视频中的连续的视频帧。在又一些实施例中,至少一个输入图像可以是静态照片和动态视频的组合。
在步骤S204中,可以在步骤S202中采集的至少一个输入图像中检测车辆标识信息。利用车辆标识信息可以获得待定损的车辆的基本信息。可以结合车辆的损伤情况和车辆的基本信息得到车辆的定损结果。例如,可以通过车辆标识信息获取车辆的产品型号、使用年限、维修历史等使用信息。车辆的使用信息可能会影响车辆的维修方案和维修费用。
在一些实施例中,可以对步骤S202中采集的至少一个输入图像依次处理,直至检测到车辆标识信息。如果在当前处理的图像中没有成功检测到车辆标识信息,可以读取在当前处理的图像之后采集的下一张照片或下一个图像帧继续尝试进行检测。
在一些实现方式中,可以输出提示,以帮助用户拍摄到更适合用于检测的图像。例如,可以输出提示用户所拍摄的图像中车辆标识信息在图像中占据的比例、提示用户车辆标识信息在车辆上的位置、提示图像亮度不足需要照明等。
在一些实现方式中,可以利用深度神经网络实现的模型对车辆的车辆标识信息进行检测。例如,可以利用支持向量机(SVM)模型实现的深度神经网络实现检测。
在一些实现方式中,可以利用通用的字符检测模型对车辆的车辆标识信息进行检测。例如,可以利用卷积神经网络实现的模型实现检测。
在又一些实现方式中,如果经过超过预定数量的检测次数仍然无法成功检测车辆的标识信息,可以输出提示以提示用户人工输入相关的信息。在一些示例中,可以输出提示以指示用户在车辆的什么位置可以获取到相应的标识信息。
在步骤S206中,可以在步骤S202中采集的至少一个输入图像中检测车辆损伤信息。在一些实施例中,可以通过对至少一个输入图像进行检测以得到车辆的各个部件,并确定车辆的各个部件中哪些部件存在损伤以及损伤的类型。例如,可以通过图像检测确定图像中的车辆的前柱、大灯、车轮、保险杠等部件。通过图像检测,可以识别出车辆板面划损10cm。
在一些实施例中,可以输出提示以提示用户调整车辆的拍摄效果。例如,可以通过文本或语音的输出提示用户以合适的角度或距离进行拍摄。
在步骤S208中,可以基于步骤S204中确定的车辆标识信息和步骤S206中确定的车辆损伤信息确定车辆定损结果。
在一些实施例中,车辆定损结果可以包括车辆的维修方案和维修费用。在一些实现方式中,可以通过网络获取用于所识别的车辆的当前的维修方案和维修费用的信息,并可以基于车辆的损伤类型和损伤程度计算出车辆的维修方案和维修费用。
利用本公开的实施例提供的由移动终端执行的车辆定损方法,可以利用安装在移动终端处的应用程序实现车辆智能定损。用户可以利用移动终端拍摄车辆整体图像以及损失部件的图像,并利用安装在移动终端上的应用程序中部署的模型实现图像识别并获得车辆定损结果,可以实现定损过程延时小、实时性高。由于移动终端可以同时实现图像采集和图像处理的功能,省略了将图像上传到云端进行处理的步骤,因此,可以避免图像传输占用大量的网络资源,节省网络服务资源,节省网络带宽费用。即使当前的网络连接状况不佳,也可以及时获取车辆定损的结果。
图3示出了根据本公开的实施例的检测车辆损伤信息的示意性的过程的流程图。图3中示出的方法300可以是针对至少一个输入图像中的一个输入图像执行的操作。利用方法300,可以通过识别图像中是否存在合格的车辆图像,并进一步引导用户拍摄损伤部位的近景图像,可以获取质量更高的图像用于检测车辆损伤。
如图3所示,在步骤S302中,可以检测该输入图像中存在的合格的车辆图像。
在一些实施例中,可以预先设置用于判断图像中的车辆是否合格的规则,并可以基于预先设置的规则判断输入图像中的车辆图像是否合格。
在一些实施例中,上述预设的规则可以包括确定输入图像中存在车辆。在一些实现方式中,可以利用训练好的图像分类模型或目标检测模型判断输入图像中是否存在车辆。在一些示例中,训练好的图像分类模型或目标检测模型可以输出检测结果以指示图像中“存在”或“不存在”车辆。
在另一些实施例中,上述预设的规则可以包括确定输入图像中存在的车辆与拍摄图像的移动终端的距离满足距离阈值。在一些实现方式中,可以通过所拍摄的图像中存在的车辆的尺寸占图像整体尺寸的比例来判断车辆与拍摄图像的移动终端的距离满足是否距离阈值。在一些示例中,当图像中存在的车辆的尺寸占图像整体尺寸的比例大于预定的比例阈值时,可以认为输入图像中存在的车辆与拍摄图像的移动终端的距离满足距离阈值。在另一些实现方式中,可以利用距离传感器来判断车辆与拍摄图像的移动终端的距离满足是否距离阈值。在一些示例中,图像中存在的车辆与拍摄图像的移动终端的距离小于预定的距离阈值时,可以认为输入图像中存在的车辆与拍摄图像的移动终端的距离满足距离阈值。
在一些实施例中,上述预设的规则可以包括输入图像中存在的车辆是否是静止的。可以通过比较当前处理的图像与之前或之后采集的图像来判断图像中存在的车辆是否是静止的。例如,如果当前处理的图像中的车辆的位置与之前或之后采集的图像中的车辆的位置相比的位置变化小于预定的变化阈值,则可以认为输入图像中存在的车辆是静止的。
在步骤S304中,可以确定所述车辆图像中的损伤部件。
在一些实施例中,为了实现步骤S304,可以对该输入图像中存在的车辆图像进行部件分割,以识别车辆的各个部件的损伤程度。基于各个部件的损伤程度可以确定车辆图像中的损伤部件。通过先在整车中识别出受损伤的部件,再获取部件图像用于识别车损,可以获取包含更多细节的近景照片以提高车损检测的效果。
可以利用各种图像处理方法实现对车辆图像的部件分割。在一些实施例中,可以利用显著性检验的方法对车辆图像进行处理以得到车辆图像中的损伤部件所在的位置。在另一些实施例中,可以利用基于深度神经网络的技术构建图像分割模型。例如,可以使用基于Faster R-CN、YOLO等网络及其变形构建图像分割模型。在一些实现方式中,可以将车辆图像作为模型输入,并配置模型参数使得图像分割模型输出从图像中检测到的车辆部件信息,包括车辆部件掩膜(mask)、部件标签、部件的边界框以及置信度。其中,置信度可以用于表示部件的损伤程度。在一些示例中,可以基于预先设置的损伤阈值,将损伤程度大于损伤阈值的车辆部件确定为损伤部件。通过设置适当的损伤阈值可以获得合理的损伤预测结果。
在步骤S306中,可以基于损伤部件的图像确定车辆损伤信息。在一些实施例中,在步骤S304中确定车辆图像中的损伤部件后,可以输出拍摄损伤部件的图像的提示,用于提示用户改变拍摄图像的角度和距离以获得损伤部件的近景图像,以使得能够获得更多的损伤部件的图像细节信息。
在一些实施例中,可以对损伤部件的图像进行检测,以得到损伤部件的损伤类型。通过对损伤部件的近景图像进行检测,可以更准确地得到损伤部件的损伤类型。
在一些实现方式中,可以利用基于深度神经网络的技术检测损伤部件的损失类型。例如,可以利用由深度神经网络构建的语义分割模型对损伤部件的图像进行检测。
在一些示例中,可以利用基于HRNet或ShuffleNet的神经网络的损伤识别模型对损伤部件的图像进行处理,以得到损伤部件的损伤类型。利用参数较少的HRNet或ShuffleNet实现的模型,可以减少部署在移动终端上的模型的参数,降低运行模型所需的计算资源。
通过适当地配置损伤识别模型的参数,可以利用损伤识别模型对损伤部件的图像进行处理,并输出损伤部件的标签、损伤类型、损伤的边界框以及置信度。
在一些实施例中,可以对损伤识别模型进行优化以减少损伤识别模型使用的参数,从而使得能够减少在移动终端中部署和运行模型所需的资源。
在一些实现方式中,可以将基于HRNet或ShuffleNet的神经网络的损伤识别模型的输入尺寸设置为192*192。可以对移动终端采集的图像进行压缩以使得输入图像满足模型的输入尺寸的要求。在另一些实现方式中,可以通过对神经网络进行量化、剪枝等操作以减少神经网络使用的参数。
图4示出了根据本公开的实施例的对车辆图像进行检测以得到车辆定损结果的过程的示意性的流程图。利用图4中示出的用于确定输入图像中的车辆图像是否合格的规则,可以获取质量更好的图像用于检测车损。
在获取了车辆的标识信息后,可以利用图4中示出的方法得到车辆的定损结果。
如图4所示,在步骤S401中,可以确定用于对其进行检测以进行车辆定损当前图像。
在步骤S402中,可以确定当前图像中是否存在车辆。在当前图像中不存在车辆的情况下,方法400可以前进到步骤S408,读取下一图像用于检测以得到车辆定损结果。
响应于确定当前图像中存在车辆,方法400可以前进到步骤S403。在步骤S403中,可以确定当前图像中存在的车辆与用于采集图像的移动终端之间的距离是否满足距离阈值。
响应于确定当前图像中存在的车辆与移动终端之间的距离不满足距离阈值,方法400可以前进到步骤S408,读取下一图像用于检测以得到车辆定损结果。
响应于确定当前图像中存在的车辆与移动终端之间的距离满足距离阈值,方法400可以前进到步骤S404。在步骤S404中,可以确定当前图像中存在的车辆是否是静止的。
响应于确定当前图像中存在的车辆不是静止的,方法400可以前进到步骤S408,读取下一图像用于检测以得到车辆定损结果。
响应于确定当前图像中存在的车辆是静止的,方法400可以前进到步骤S405。在步骤S405中,可以利用部件分割模型对当前图像进行检测,以确定当前图像中存在的车辆的损伤部件。
在步骤S406中,可以利用损伤识别模型对损伤部件的图像进行检测,以确定损伤部件的损伤类型。
其中,部件分割模型和损伤识别模型可以部署在安装在移动终端上的应用程序中。由此,即使网络连接不佳,移动终端也能够调用安装的应用程序实现车辆智能定损,而无需将用户拍摄的图像上传至云端。
在步骤S407中,可以在移动终端的界面上添加基于步骤S406确定的损伤类型而确定的车辆定损结果。在一些实现方式中,车辆标识信息可以是车辆的车牌号和车架号中的至少一个。利用车牌号和车架号中的至少一个,可以方便地获取车辆的基本信息。
在一些实施例中,移动终端可以基于车辆标识信息获取预先存储在移动终端的存储器内的维修信息获取与车辆损伤信息相关联的维修方案和维修费用作为车辆定损结果。利用步骤S407中获取的维修方案和维修费用,可以方便地向用户提供车辆定损结果。
图5示出了根据本公开的实施例的应用于移动终端的车辆定损装置的示意性框图。如图5所示,车辆定损装置500可以包括图像采集单元510、车辆标识检测单元520、损伤信息检测单元530以及定损单元540。
图像采集单元510可以配置成采集至少一个输入图像。车辆标识检测单元520可以配置成在所述至少一个输入图像中检测车辆标识信息。损伤信息检测单元530可以配置成在所述至少一个输入图像中检测车辆损伤信息。定损单元540可以配置成基于所述车辆标识信息和所述车辆损伤信息确定车辆定损结果。
这里所说的车辆定损装置500的上述各单元510~540的操作分别与前面描述的步骤S202~S208的操作类似,在此不再加以赘述。
利用本公开的实施例提供的由移动终端执行的车辆定损装置,可以利用安装在移动终端处的应用程序实现车辆智能定损。用户可以利用移动终端拍摄车辆整体图像以及损失部件的图像,并利用安装在移动终端上的应用程序中部署的模型实现图像识别并获得车辆定损结果,可以实现定损过程延时小、实时性高。由于移动终端可以同时实现图像采集和图像处理的功能,省略了将图像上传到云端进行处理的步骤,因此,可以避免图像传输占用大量的网络资源,节省网络服务资源,节省网络带宽费用。即使当前的网络连接状况不佳,也可以及时获取车辆定损的结果。
根据本公开的实施例,还提供了一种移动终端,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行结合图1-图4所述的方法。
根据本公开的实施例,还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行结合图1-图4所述的方法。
根据本公开的实施例,还提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现结合图1-图4所述的方法。
参考图6,现将描述可以作为本公开的移动终端的电子设备600的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向设备600输入信息的任何类型的设备,输入单元606可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如根据本公开的实施例的车辆定损方法。例如,在一些实施例中,车辆定损方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车辆定损方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (15)
1.一种由移动终端执行的车辆定损方法,所述方法包括:
采集至少一个输入图像;
在所述至少一个输入图像中检测车辆标识信息;
在所述至少一个输入图像中检测车辆损伤信息;
基于所述车辆标识信息和所述车辆损伤信息确定车辆定损结果。
2.如权利要求1所述的方法,其中,在所述至少一个输入图像中检测车辆损伤信息包括:
针对所述至少一个输入图像中的一个输入图像,
检测该输入图像中存在的合格的车辆图像;
确定所述车辆图像中的损伤部件;
基于所述损伤部件的图像确定所述车辆损伤信息。
3.如权利要求2所述的方法,其中,在确定所述车辆图像中的损伤部件之后,输出拍摄所述损伤部件的图像的提示。
4.如权利要求2所述的方法,其中,确定该输入图像中存在合格的车辆图像包括:
确定该输入图像中是否存在车辆;
响应于确定该输入图像中存在车辆,确定该输入图像中存在的车辆与所述移动终端的距离是否满足距离阈值;
响应于确定该输入图像中存在的车辆与所述移动终端的距离满足距离阈值,确定该输入图像中的存在的车辆是否静止;
响应于确定该输入图像中存在的车辆是静止的,确定该输入图像中存在合格的车辆图像。
5.如权利要求2所述的方法,其中,确定所述车辆图像中的损伤部件包括:
对该输入图像中存在的车辆图像进行部件分割,以识别所述车辆的各个部件的损伤程度;
基于所述各个部件的损伤程度确定所述车辆图像中的损伤部件。
6.如权利要求2所述的方法,其中,基于所述各个部件的损伤程度确定所述车辆图像中的损伤部件包括:
将损伤程度大于损伤阈值的车辆部件确定为所述损伤部件。
7.如权利要求2所述的方法,其中,基于所述损伤部件的图像确定所述车辆损伤信息包括:
对所述损伤部件的图像进行检测,以得到所述损伤部件的损伤类型。
8.如权利要求7所述的方法,其中,对所述损伤部件的图像进行检测,以得到所述损伤部件的损伤类型包括:
利用基于HRNet或ShuffleNet的神经网络对所述损伤部件的图像进行处理,以得到所述损伤部件的损伤类型。
9.如权利要求8所述的方法,其中,所述神经网络的输入尺寸是192*192。
10.如权利要求1所述的方法,其中,所述车辆标识信息包括车辆的车牌号和车架号中的至少一个。
11.如权利要求1所述的方法,其中,基于所述车辆标识信息和所述车辆损伤信息确定车辆定损结果包括:
获取与所述车辆损伤信息相关联的维修方案和维修费用作为所述车辆定损结果。
12.一种应用于移动终端的车辆定损装置,包括:
图像采集单元,配置成采集至少一个输入图像;
车辆标识检测单元,配置成在所述至少一个输入图像中检测车辆标识信息;
损伤信息检测单元,配置成在所述至少一个输入图像中检测车辆损伤信息;
定损单元,配置成基于所述车辆标识信息和所述车辆损伤信息确定车辆定损结果。
13.一种移动终端,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-11中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-11中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011559563.6A CN112712498A (zh) | 2020-12-25 | 2020-12-25 | 移动终端执行的车辆定损方法、装置、移动终端、介质 |
EP21183783.6A EP3869404A3 (en) | 2020-12-25 | 2021-07-05 | Vehicle loss assessment method executed by mobile terminal, device, mobile terminal and medium |
US17/370,665 US20210334540A1 (en) | 2020-12-25 | 2021-07-08 | Vehicle loss assessment |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011559563.6A CN112712498A (zh) | 2020-12-25 | 2020-12-25 | 移动终端执行的车辆定损方法、装置、移动终端、介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112712498A true CN112712498A (zh) | 2021-04-27 |
Family
ID=75546183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011559563.6A Pending CN112712498A (zh) | 2020-12-25 | 2020-12-25 | 移动终端执行的车辆定损方法、装置、移动终端、介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210334540A1 (zh) |
EP (1) | EP3869404A3 (zh) |
CN (1) | CN112712498A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537167A (zh) * | 2021-09-15 | 2021-10-22 | 成都数联云算科技有限公司 | 一种车辆外观识别方法及系统及装置及介质 |
CN115631002A (zh) * | 2022-12-08 | 2023-01-20 | 邦邦汽车销售服务(北京)有限公司 | 基于计算机视觉的车险智能定损方法及系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11705025B2 (en) * | 2020-10-28 | 2023-07-18 | Ford Global Technologies, Llc | Systems and methods for determining a visual appearance quality of an exterior signage area of a vehicle |
CN113743407A (zh) * | 2021-09-08 | 2021-12-03 | 平安科技(深圳)有限公司 | 车辆损伤的检测方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251421A (zh) * | 2016-07-25 | 2016-12-21 | 深圳市永兴元科技有限公司 | 基于移动终端的车辆定损方法、装置及系统 |
CN108632530A (zh) * | 2018-05-08 | 2018-10-09 | 阿里巴巴集团控股有限公司 | 一种车辆定损的数据处理方法、装置、处理设备及客户端 |
CN108647712A (zh) * | 2018-05-08 | 2018-10-12 | 阿里巴巴集团控股有限公司 | 车辆损伤识别的处理方法、处理设备、客户端及服务器 |
CN108921068A (zh) * | 2018-06-22 | 2018-11-30 | 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 |
CN110245552A (zh) * | 2019-04-29 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 车损图像拍摄的交互处理方法、装置、设备及客户端 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10304137B1 (en) * | 2012-12-27 | 2019-05-28 | Allstate Insurance Company | Automated damage assessment and claims processing |
US20170147990A1 (en) * | 2015-11-23 | 2017-05-25 | CSI Holdings I LLC | Vehicle transactions using objective vehicle data |
CN107194323B (zh) * | 2017-04-28 | 2020-07-03 | 阿里巴巴集团控股有限公司 | 车辆定损图像获取方法、装置、服务器和终端设备 |
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 |
CN109784170B (zh) * | 2018-12-13 | 2023-11-17 | 平安科技(深圳)有限公司 | 基于图像识别的车险定损方法、装置、设备及存储介质 |
CN110009508A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种车险自动赔付方法和系统 |
CN109948811A (zh) * | 2019-01-31 | 2019-06-28 | 德联易控科技(北京)有限公司 | 车辆定损的处理方法、装置及电子设备 |
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 |
CN110647853A (zh) * | 2019-09-27 | 2020-01-03 | 支付宝(杭州)信息技术有限公司 | 计算机执行的车辆定损方法及装置 |
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 |
-
2020
- 2020-12-25 CN CN202011559563.6A patent/CN112712498A/zh active Pending
-
2021
- 2021-07-05 EP EP21183783.6A patent/EP3869404A3/en active Pending
- 2021-07-08 US US17/370,665 patent/US20210334540A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251421A (zh) * | 2016-07-25 | 2016-12-21 | 深圳市永兴元科技有限公司 | 基于移动终端的车辆定损方法、装置及系统 |
CN108632530A (zh) * | 2018-05-08 | 2018-10-09 | 阿里巴巴集团控股有限公司 | 一种车辆定损的数据处理方法、装置、处理设备及客户端 |
CN108647712A (zh) * | 2018-05-08 | 2018-10-12 | 阿里巴巴集团控股有限公司 | 车辆损伤识别的处理方法、处理设备、客户端及服务器 |
CN108921068A (zh) * | 2018-06-22 | 2018-11-30 | 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 |
CN110245552A (zh) * | 2019-04-29 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 车损图像拍摄的交互处理方法、装置、设备及客户端 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537167A (zh) * | 2021-09-15 | 2021-10-22 | 成都数联云算科技有限公司 | 一种车辆外观识别方法及系统及装置及介质 |
CN115631002A (zh) * | 2022-12-08 | 2023-01-20 | 邦邦汽车销售服务(北京)有限公司 | 基于计算机视觉的车险智能定损方法及系统 |
CN115631002B (zh) * | 2022-12-08 | 2023-11-17 | 邦邦汽车销售服务(北京)有限公司 | 基于计算机视觉的车险智能定损方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
EP3869404A3 (en) | 2022-01-26 |
US20210334540A1 (en) | 2021-10-28 |
EP3869404A2 (en) | 2021-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112712498A (zh) | 移动终端执行的车辆定损方法、装置、移动终端、介质 | |
CN114511758A (zh) | 图像识别方法及装置、电子设备和介质 | |
CN112749758B (zh) | 图像处理方法、神经网络的训练方法、装置、设备和介质 | |
CN112749685B (zh) | 视频分类方法、设备和介质 | |
CN113256583A (zh) | 图像质量检测方法及装置、计算机设备和介质 | |
CN114445667A (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN113810765A (zh) | 视频处理方法、装置、设备和介质 | |
CN114495103B (zh) | 文本识别方法、装置、电子设备和介质 | |
CN115797660A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN113596011B (zh) | 流量识别方法及装置,计算设备和介质 | |
CN114842476A (zh) | 水印检测方法及装置、模型训练方法及装置 | |
CN114494797A (zh) | 用于训练图像检测模型的方法和装置 | |
CN114071024A (zh) | 图像拍摄方法、神经网络训练方法、装置、设备和介质 | |
CN113486853A (zh) | 视频检测方法及装置、电子设备和介质 | |
CN113627534A (zh) | 识别动态图像的类型的方法、装置及电子设备 | |
CN114511694B (zh) | 图像识别方法、装置、电子设备和介质 | |
CN115512131B (zh) | 图像检测方法和图像检测模型的训练方法 | |
CN114140851B (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN115620271B (zh) | 图像处理、模型训练方法和装置 | |
CN113139542B (zh) | 目标检测方法、装置、设备和计算机可读存储介质 | |
CN114140852B (zh) | 图像检测方法和装置 | |
CN114677691B (zh) | 文本识别方法、装置、电子设备及存储介质 | |
CN115170536B (zh) | 图像检测方法、模型的训练方法和装置 | |
CN114842474B (zh) | 文字识别方法、装置、电子设备和介质 | |
CN114842073A (zh) | 图像数据扩增方法、装置、设备、介质和计算机程序产品 |
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 |