CN114201533A - 车辆涉水深度检测方法、装置、电子设备及存储介质 - Google Patents
车辆涉水深度检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114201533A CN114201533A CN202111527147.2A CN202111527147A CN114201533A CN 114201533 A CN114201533 A CN 114201533A CN 202111527147 A CN202111527147 A CN 202111527147A CN 114201533 A CN114201533 A CN 114201533A
- Authority
- CN
- China
- Prior art keywords
- depth
- vehicle
- wading
- detection model
- grade
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 200
- 238000012549 training Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 56
- 238000000605 extraction Methods 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000007906 compression Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000000034 method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 238000002372 labelling Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 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
- 230000035699 permeability Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及人工智能领域,揭露一种车辆涉水深度检测方法,包括:基于第一样本集的第一层深度等级信息训练初始检测模型,得到车辆涉水深度一级检测模型;将第一层深度等级相同的样本集合作为第二样本集,基于第二样本集的第二层深度等级信息训练初始检测模型,得到每个第一层深度等级对应的车辆涉水深度二级检测模型;将基本数据输入车辆涉水深度一级检测模型,得到第一层深度等级识别结果;基于第一层深度等级识别结果确定对应的涉水深度二级检测模型,将基本数据输入确定出的车辆涉水深度二级检测模型,得到目标深度检测结果。本发明还提供一种车辆涉水深度检测装置、电子设备及存储介质。本发明提高了检测准确性及检测效率。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种车辆涉水深度检测方法、装置、电子设备及存储介质。
背景技术
在车险风控场景中,通常希望知道历史上涉水车辆的内涝积水点深度,以用于风控管理。
当前,通常采用水文机理模型进行内涝点的测算,即根据降水量、地表渗透率、地势等入参数据,利用水动力模型模拟水流及下渗情况,以测算内涝点的水淹深度,然而通常难以获取高精度的入参数据,导致测算结果不准确,且水文机理模型泛化性较差,需要针对具体的区域进行超参调整,从而使得操作复杂、测算效率低。
因此,亟需一种车辆涉水深度检测方法,以提高检测准确性及检测效率。
发明内容
鉴于以上内容,有必要提供一种车辆涉水深度检测方法,旨在提高检测准确性及检测效率。
本发明提供的车辆涉水深度检测方法,包括:
从第一数据库获取历史涉水车辆数据,所述历史涉水车辆数据包括涉水车辆的车辆基本信息、零部件损坏信息、理赔信息及内涝点深度信息,对所述历史涉水车辆数据执行数据预处理,得到初始样本集,对所述初始样本集中每个样本执行第一层深度等级、第二层深度等级标注处理,得到携带两层深度等级信息的第一样本集;
构建初始检测模型,基于所述第一样本集的第一层深度等级信息训练所述初始检测模型,得到车辆涉水深度一级检测模型,所述第一层深度等级包括高深度等级及低深度等级;
将所述第一样本集中第一层深度等级相同的样本的集合作为一个第二样本集,得到多个第二样本集,分别基于所述第二样本集的第二层深度等级信息训练所述初始检测模型,得到每个第一层深度等级对应的车辆涉水深度二级检测模型;
接收用户基于客户端发出的待深度检测的目标车辆的基本数据,将所述基本数据输入所述车辆涉水深度一级检测模型,得到第一层深度等级识别结果;
基于所述第一层深度等级识别结果确定所述目标车辆对应的车辆涉水深度二级检测模型,将所述基本数据输入所述确定出的车辆涉水深度二级检测模型,得到所述目标车辆的涉水深度检测结果。
可选的,所述对所述历史涉水车辆数据执行数据预处理,得到初始样本集,包括:
将所述历史涉水车辆数据中一个车辆的数据作为一个初始样本,删除数据不全的车辆对应的初始样本;
对剩余的初始样本中的零部件名称执行语义对齐处理,得到对齐后的样本;
对对齐后的样本中预设指标项的数值执行离散化处理,将离散化处理后的样本的集合作为初始样本集。
可选的,所述对剩余的初始样本中的零部件名称执行语义对齐处理,包括:
从第二数据库获取零部件名称语料,对所述零部件名称语料执行全模式分词处理,得到多个第一分词,将所述第一分词的集合作为第一词袋;
统计所述第一词袋中各个第一分词的词频,将预设数量的词频最高的第一分词的集合作为第二词袋;
对所述剩余的初始样本中的零部件名称执行全模式分词处理,得到每个零部件名称对应的多个第二分词;
将各个零部件名称对应的第二分词与所述第二词袋中的第一分词进行匹配,将匹配成功的第一分词的集合作为对应零部件名称的候选零部件集,将所述候选零部件集中长度最大的第一分词作为对应零部件名称的标准名称;
计算各个标准名称之间的相似度值,基于所述相似度值对所述标准名称分类,基于分类结果对所述标准名称执行名称统一化处理。
可选的,所述构建初始检测模型包括:
构建高阶交叉特征提取网络及分类网络,串联连接嵌入层、高阶交叉特征提取网络及分类网络,得到初始检测模型。
可选的,所述将所述基本数据输入所述车辆涉水深度一级检测模型,得到第一层深度等级识别结果,包括:
将所述基本数据输入所述车辆涉水深度一级检测模型的嵌入层执行特征压缩处理,得到第一特征向量;
将所述第一特征向量输入所述车辆涉水深度一级检测模型的高阶交叉特征提取网络执行高阶交叉特征提取处理,得到第二特征向量;
将所述第二特征向量输入所述车辆涉水深度一级检测模型的分类网络执行分类处理,得到第一层深度等级识别结果。
可选的,所述计算各个标准名称之间的相似度值包括:
将标准名称两两组合,得到多个组合对,选择一个组合对,若选择的组合对中两个标准名称皆为词组,则将选择的组合对的每个标准名称中的各个词语转换为词向量;
将所述选择的组合对中第一个标准名称的各个词语对应的词向量的和,作为第一向量;
将所述选择的组合对中第二个标准名称的各个词语对应的词向量的和,作为第二向量;
计算所述第一向量与第二向量的相似度值。
可选的,所述基于所述第一样本集的第一层深度等级信息训练所述初始检测模型,得到车辆涉水深度一级检测模型,包括:
将所述第一样本集输入所述初始检测模型,得到所述第一样本集中每个样本对应的预测第一层深度等级;
基于所述第一层深度等级信息确定所述第一样本集中每个样本对应的真实第一层深度等级,通过最小化预测第一层深度等级与真实第一层深度等级之间的损失值,确定所述初始检测模型的结构参数,得到车辆涉水深度一级检测模型。
为了解决上述问题,本发明还提供一种车辆涉水深度检测装置,所述装置包括:
标注模块,用于从第一数据库获取历史涉水车辆数据,所述历史涉水车辆数据包括涉水车辆的车辆基本信息、零部件损坏信息、理赔信息及内涝点深度信息,对所述历史涉水车辆数据执行数据预处理,得到初始样本集,对所述初始样本集中每个样本执行第一层深度等级、第二层深度等级标注处理,得到携带两层深度等级信息的第一样本集;
构建模块,用于构建初始检测模型,基于所述第一样本集的第一层深度等级信息训练所述初始检测模型,得到车辆涉水深度一级检测模型,所述第一层深度等级包括高深度等级及低深度等级;
训练模块,用于将所述第一样本集中第一层深度等级相同的样本的集合作为一个第二样本集,得到多个第二样本集,分别基于所述第二样本集的第二层深度等级信息训练所述初始检测模型,得到每个第一层深度等级对应的车辆涉水深度二级检测模型;
接收模块,用于接收用户基于客户端发出的待深度检测的目标车辆的基本数据,将所述基本数据输入所述车辆涉水深度一级检测模型,得到第一层深度等级识别结果;
检测模块,用于基于所述第一层深度等级识别结果确定所述目标车辆对应的车辆涉水深度二级检测模型,将所述基本数据输入所述确定出的车辆涉水深度二级检测模型,得到所述目标车辆的涉水深度检测结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
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车辆涉水深度检测程序,所述车辆涉水深度检测程序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上述车辆涉水深度检测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有车辆涉水深度检测程序,所述车辆涉水深度检测程序可被一个或者多个处理器执行,以实现上述车辆涉水深度检测方法。
相较现有技术,本发明首先对样本执行第一层深度等级、第二层深度等级标注处理,得到第一样本集;接着,基于第一样本集的第一层深度等级信息训练初始检测模型,得到车辆涉水深度一级检测模型;将第一样本集中第一层深度等级相同的样本的集合作为一个第二样本集,基于第二样本集的第二层深度等级信息训练初始检测模型,得到每个第一层深度等级对应的车辆涉水深度二级检测模型;然后,将目标车辆的基本数据输入车辆涉水深度一级检测模型,得到第一层深度等级识别结果;最后,基于第一层深度等级识别结果确定目标车辆对应的涉水深度二级检测模型,将基本数据输入确定出的车辆涉水深度二级检测模型,得到目标深度检测结果。本发明采用两个层级的检测模型检测车辆的涉水深度,提高了检测准确性;本发明数据易收集,检测模型为深度学习模型,使得检测更简单、检测效率更高。因此,本发明提高了检测准确性及检测效率。
附图说明
图1为本发明一实施例提供的车辆涉水深度检测方法的流程示意图;
图2为本发明一实施例提供的初始检测模型的结构示意图;
图3为本发明一实施例提供的车辆涉水深度检测装置的模块示意图;
图4为本发明一实施例提供的实现车辆涉水深度检测方法的电子设备的结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明提供一种车辆涉水深度检测方法。参照图1所示,为本发明一实施例提供的车辆涉水深度检测方法的流程示意图。该方法可以由一个电子设备执行,该电子设备可以由软件和/或硬件实现。
本实施例中,车辆涉水深度检测方法包括:
S1、从第一数据库获取历史涉水车辆数据,所述历史涉水车辆数据包括涉水车辆的车辆基本信息、零部件损坏信息、理赔信息及内涝点深度信息,对所述历史涉水车辆数据执行数据预处理,得到初始样本集,对所述初始样本集中每个样本执行第一层深度等级、第二层深度等级标注处理,得到携带两层深度等级信息的第一样本集。
本实施例中,所述历史涉水车辆数据包括涉水车辆的车辆基本信息、零部件损坏信息、理赔信息及内涝点深度信息。所述车辆基本信息包括车辆型号、车辆使用年限、新车购置价及车辆折旧率,所述零部件损坏信息包括涉水后车辆更换及维修的零部件名称及工时,所述理赔信息包括理赔协商价及理赔金额。
获取到历史涉水车辆数据后,对历史涉水车辆数据执行去噪、离散化处理、语义对齐等预处理,得到初始样本集,再根据内涝点深度信息对初始样本集中的样本执行第一层深度等级、第二层深度等级标注处理,得到携带两层深度等级信息的第一样本集。
本实施例中,先对初始样本集中的样本执行第二层深度等级标注处理,例如,第二层深度等级与内涝点深度信息的关联关系可以是:
等级一:车辆的地板以上、座椅以下涉水;
等级二:车辆的座位以下、仪表台以下涉水;
等级三:车辆的仪表台以上涉水;
等级四:车辆的车顶涉水。
实际场景中,等级三及等级四相关的数据较少,使得样本分布不均衡,若仅采用第二层深度等级标注的样本训练模型,训练得到的模型的分类准确度不高。
为解决样本不均衡导致的分类准确性不高的问题,本实施例对样本进行二层深度等级标注处理,例如,可以将等级一及等级二对应的第一层深度等级设为低深度等级,将等级三及等级四对应的第一层深度等级设为高深度等级,即第一层深度等级包括高深度等级及低深度等级,第二层深度等级包括等级一、等级二、等级三及等级四,其中,等级一及等级二对应低深度等级,等级三及等级四对应高深度等级。
所述对所述历史涉水车辆数据执行数据预处理,得到初始样本集,包括:
A11、将所述历史涉水车辆数据中一个车辆的数据作为一个初始样本,删除数据不全的车辆对应的初始样本;
本实施例中,将一个涉水车辆对应的数据作为一个初始样本,为保证样本的可用性,需将数据不全的涉水车辆对应的初始样本删除,例如,部分涉水车辆是通过大灾打包理赔的,第一数据库中没有对应的零部件损坏信息,因此,可通过“大灾理赔”、“全损”、“一次性”等关键字将这类初始样本删除。
A12、对剩余的初始样本中的零部件名称执行语义对齐处理,得到对齐后的样本;
车辆的零部件名称很多是根据位置来命名的,命名方式不统一,例如,驾驶员座椅安全带、副驾驶员座椅安全带指代的是同一零部件,因此,需对零部件名称执行语义对齐处理,下述步骤B11-B14细化描述了语义对齐处理过程。
A13、对对齐后的样本中预设指标项的数值执行离散化处理,将离散化处理后的样本的集合作为初始样本集。
因部分指标项的数值范围跨度较大,为简化运算,需要将这部分指标项的数值执行离散化处理,本实施例中,将这类指标项作为预设指标项,所述预设指标项包括新车购置价、车辆年限及理赔协商价,例如,针对新车购置价,可按照金额范围小于6万、6万~10万、10万~15万、15万~20万、20万~30万、30万~60万、大于60万划分为一档至七档。
所述对剩余的初始样本中的零部件名称执行语义对齐处理,包括:
B11、从第二数据库获取零部件名称语料,对所述零部件名称语料执行全模式分词处理,得到多个第一分词,将所述第一分词的集合作为第一词袋;
零部件名称很多是由多个词语组成的词组,例如,零部件名称“驾驶员座椅安全带”、“组合仪表总成”都是词组。
本实施例中,采用jieba分词技术对零部件名称语料执行全模式分词处理,全模式分词处理可以将语料中所有可以交叉的词分在一起,从而第一分词可以是词组,也可以是词语。
B12、统计所述第一词袋中各个第一分词的词频,将预设数量的词频最高的第一分词的集合作为第二词袋;
本实施例中,第二词袋由高频的第一分词组成。
B13、对所述剩余的初始样本中的零部件名称执行全模式分词处理,得到每个零部件名称对应的多个第二分词;
同样的,第二分词可以是词组,也可以是词语。
例如,若零部件名称为“驾驶员座椅安全带x”,全模式分词后,得到的第二分词包括“驾驶员”、“座椅”、“安全带”、“驾驶员座椅”、“座椅安全带”、“驾驶员座椅安全带”、“x”、“驾驶员座椅安全带x”。
B14、将各个零部件名称对应的第二分词与所述第二词袋中的第一分词进行匹配,将匹配成功的第一分词的集合作为对应零部件名称的候选零部件集,将所述候选零部件集中长度最大的第一分词作为对应零部件名称的标准名称;
若第二词袋中不含有“x”及“驾驶员座椅安全带x”,则零部件名称为“驾驶员座椅安全带x”对应的候选零部件集包括“驾驶员”、“座椅”、“安全带”、“驾驶员座椅”、“座椅安全带”、“驾驶员座椅安全带”,而其中长度最大的词为“驾驶员座椅安全带”,则将“驾驶员座椅安全带”作为“驾驶员座椅安全带x”的标准名称。
该步骤实现了把样本中形形色色的零部件名称根据高频词袋进行标准化命名。
B15、计算各个标准名称之间的相似度值,基于所述相似度值对所述标准名称分类,基于分类结果对所述标准名称执行名称统一化处理。
本实施例中,将相似度较高的标准名称作为一类零部件,可以减少样本中零部件的维度。
例如,得到的标准名称中有“驾驶座椅安全带”、“副驾驶座椅安全带”、“座椅安全带”,基于相似度比较,可将这三个标准名称作为一类零部件,将同一类零部件的标准名称统一化处理,可以实现在不减少有用信息量的情况下减少特征维度。
所述计算各个标准名称之间的相似度值包括:
C11、将标准名称两两组合,得到多个组合对,选择一个组合对,若选择的组合对中两个标准名称皆为词组,则将选择的组合对的每个标准名称中的各个词语转换为词向量;
本实施例中,通过gensim包的word2vec模块将各个词语转换为词向量。
C12、将所述选择的组合对中第一个标准名称的各个词语对应的词向量的和,作为第一向量;
例如,若选择的组合对中第一个标准名称为“驾驶员座椅安全带”,其包括三个词语“驾驶员”、“座椅”及“安全带”,则将这三个词语的词向量的和作为第一向量。
C13、将所述选择的组合对中第二个标准名称的各个词语对应的词向量的和,作为第二向量;
第二向量的计算方式与第一向量相同。
C14、计算所述第一向量与第二向量的相似度值。
本实施例中,所述相似度值可以是余弦相似度值。
若选择的组合对中第一个标准名称为词语,则将这个词语的词向量作为第一向量;若选择的组合对中第二个标准名称为词语,则将这个词语的词向量作为第二向量。
S2、构建初始检测模型,基于所述第一样本集的第一层深度等级信息训练所述初始检测模型,得到车辆涉水深度一级检测模型,所述第一层深度等级包括高深度等级及低深度等级。
本实施例中,先构建初始检测模型,将第一样本集中各个样本的第一层深度等级信息作为标签,训练初始检测模型,得到的车辆涉水深度一级检测模型用于检测待检测车辆涉水的第一层深度等级(即:用于检测待检测车辆的涉水深度等级是低深度等级或高深度等级)。
所述构建初始检测模型,包括:构建高阶交叉特征提取网络及分类网络,串联连接嵌入层、高阶交叉特征提取网络及分类网络,得到初始检测模型。
如图2所示,为初始检测模型的结构示意图。初始检测模型包括嵌入层、高阶交叉特征提取网络及分类网络,其中,嵌入层用于将高维稀疏特征转换为低维稠密特征;高阶交叉特征提取网络包括多个交互层(Interacting Layer),每个交互层包括多个多头注意力子层(multi-head self-attention layer),多头注意力子层用于将特征映射到不同的空间以获得不同类型的特征交叉,高阶交叉特征提取网络通过叠加多个交互层实现高阶交叉特征的捕获;分类网络包括全连接层及激活层,其中,全连接层用于整合输入的特征,激活层用于分类预测。
所述基于所述第一样本集的第一层深度等级信息训练所述初始检测模型,得到车辆涉水深度一级检测模型,包括:
D11、将所述第一样本集输入所述初始检测模型,得到所述第一样本集中每个样本对应的预测第一层深度等级;
将第一样本集输入初始检测模型,得到第一样本集中各个样本分别在低深度等级和高深度等级的预测概率,将预测概率最大的深度等级作为预测第一层深度等级。
D12、基于所述第一层深度等级信息确定所述第一样本集中每个样本对应的真实第一层深度等级,通过最小化预测第一层深度等级与真实第一层深度等级之间的损失值,确定所述初始检测模型的结构参数,得到车辆涉水深度一级检测模型。
所述损失值的计算公式为:
其中,qi为第一样本集中第i个样本的预测第一层深度等级,pi为第一样本集中第i个样本的真实第一层深度等级,c为第一样本集中样本的总数量,loss(qi,pi)为第一样本集的预测第一层深度等级与真实第一层深度等级之间的损失值。
S3、将所述第一样本集中第一层深度等级相同的样本的集合作为一个第二样本集,得到多个第二样本集,分别基于所述第二样本集的第二层深度等级信息训练所述初始检测模型,得到每个第一层深度等级对应的车辆涉水深度二级检测模型。
本实施例中,第一样本集中的样本以高、低深度等级划分用于训练车辆涉水深度一级检测模型。第一层深度等级包括高深度等级及低深度等级,将第一样本集中第一层深度等级相同的样本的集合作为一个第二样本集,则第一样本集被拆分为两个第二样本集:高深度等级对应的第二样本集中样本的第二层深度等级信息包括等级三及等级四,低深度等级对应的第二样本集中样本的第二层深度等级信息包括等级一及等级二。
采用高深度等级对应的第二样本集训练初始检测模型时,将该第二样本集中每个样本的第二层深度等级信息作为真实第二层深度等级,从而训练得到的高深度等级对应的车辆涉水深度二级检测模型,可检测出待检测车辆的涉水深度是等级三或等级四。
同样的,采用低深度等级对应的第二样本集训练初始检测模型,得到的低深度等级对应的车辆涉水深度二级检测模型,可检测出待检测车辆的涉水深度是等级一或等级二。
车辆涉水深度二级检测模型的训练过程与车辆涉水深度一级检测模型的训练过程相似,在此不再赘述。
S4、接收用户基于客户端发出的待深度检测的目标车辆的基本数据,将所述基本数据输入所述车辆涉水深度一级检测模型,得到第一层深度等级识别结果。
本实施例中,所述基本数据包括目标车辆的车辆基本信息、零部件损坏信息及理赔信息,将所述基本数据输入车辆涉水深度一级检测模型进行识别(输入模型前,对基本数据执行了数据预处理操作),可识别出目标车辆的涉水深度是高深度等级还是低深度等级。
所述将所述基本数据输入所述车辆涉水深度一级检测模型,得到第一层深度等级识别结果,包括:
E11、将所述基本数据输入所述车辆涉水深度一级检测模型的嵌入层执行特征压缩处理,得到第一特征向量;
本实施例中,对于离散型特征和连续型特征采用不同的方式压缩。
离散型特征压缩公式:
其中,ei为第i个离散型特征压缩处理后得到的向量,xi为第i个离散型特征的one-hot编码值,Vi为第i个离散型特征的嵌入矩阵,qi为第i个离散型特征的类别数(例如,新车购置价包括七档,则新车购置价对应的类别数为7)。
连续型特征压缩公式:
em=Vmxm
其中,em为第m个连续型特征压缩处理后得到的向量,xm为第m个连续型特征的one-hot编码值,Vm为第m个连续型特征的嵌入向量。
将各个离散型特征及连续型特征压缩后得到的向量拼接,得到第一特征向量。
E12、将所述第一特征向量输入所述车辆涉水深度一级检测模型的高阶交叉特征提取网络执行高阶交叉特征提取处理,得到第二特征向量;
高阶交叉特征提取网络学习输入的各个特征之间的关联关系,加权后得到对应head的特征向量,将各个head输出的特征向量合并,得到高阶交叉特征。
E13、将所述第二特征向量输入所述车辆涉水深度一级检测模型的分类网络执行分类处理,得到第一层深度等级识别结果。
将第二特征向量输入分类网络,得到目标车辆在高深度等级和低深度等级的预测概率,将预测概率值最大的深度等级作为第一层深度等级识别结果。
S5、基于所述第一层深度等级识别结果确定所述目标车辆对应的车辆涉水深度二级检测模型,将所述基本数据输入所述确定出的车辆涉水深度二级检测模型,得到所述目标车辆的涉水深度检测结果。
若第一层深度等级识别结果为低深度等级,则采用低深度等级对应的车辆涉水深度二级检测模型对目标车辆进行进一步涉水深度识别,以确定目标深度检测结果为等级一或等级二。
由上述实施例可知,本发明提出的车辆涉水深度检测方法,首先,对样本执行第一层深度等级、第二层深度等级标注处理,得到第一样本集;接着,基于第一样本集的第一层深度等级信息训练初始检测模型,得到车辆涉水深度一级检测模型;将第一样本集中第一层深度等级相同的样本的集合作为一个第二样本集,基于第二样本集的第二层深度等级信息训练初始检测模型,得到每个第一层深度等级对应的车辆涉水深度二级检测模型;然后,将目标车辆的基本数据输入车辆涉水深度一级检测模型,得到第一层深度等级识别结果;最后,基于第一层深度等级识别结果确定目标车辆对应的涉水深度二级检测模型,将基本数据输入确定出的车辆涉水深度二级检测模型,得到目标深度检测结果。本发明采用两个层级的检测模型检测车辆的涉水深度,提高了检测准确性;本发明数据易收集,检测模型为深度学习模型,使得检测更简单、检测效率更高。因此,本发明提高了检测准确性及检测效率。
如图3所示,为本发明一实施例提供的车辆涉水深度检测装置的模块示意图。
本发明所述车辆涉水深度检测装置100可以安装于电子设备中。根据实现的功能,所述车辆涉水深度检测装置100可以包括标注模块110、构建模块120、训练模块130、接收模块140及检测模块150。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
标注模块110,用于从第一数据库获取历史涉水车辆数据,所述历史涉水车辆数据包括涉水车辆的车辆基本信息、零部件损坏信息、理赔信息及内涝点深度信息,对所述历史涉水车辆数据执行数据预处理,得到初始样本集,对所述初始样本集中每个样本执行第一层深度等级、第二层深度等级标注处理,得到携带两层深度等级信息的第一样本集。
所述对所述历史涉水车辆数据执行数据预处理,得到初始样本集,包括:
A21、将所述历史涉水车辆数据中一个车辆的数据作为一个初始样本,删除数据不全的车辆对应的初始样本;
A22、对剩余的初始样本中的零部件名称执行语义对齐处理,得到对齐后的样本;
A23、对对齐后的样本中预设指标项的数值执行离散化处理,将离散化处理后的样本的集合作为初始样本集。
所述对剩余的初始样本中的零部件名称执行语义对齐处理,包括:
B21、从第二数据库获取零部件名称语料,对所述零部件名称语料执行全模式分词处理,得到多个第一分词,将所述第一分词的集合作为第一词袋;
B22、统计所述第一词袋中各个第一分词的词频,将预设数量的词频最高的第一分词的集合作为第二词袋;
B23、对所述剩余的初始样本中的零部件名称执行全模式分词处理,得到每个零部件名称对应的多个第二分词;
B24、将各个零部件名称对应的第二分词与所述第二词袋中的第一分词进行匹配,将匹配成功的第一分词的集合作为对应零部件名称的候选零部件集,将所述候选零部件集中长度最大的第一分词作为对应零部件名称的标准名称;
B25、计算各个标准名称之间的相似度值,基于所述相似度值对所述标准名称分类,基于分类结果对所述标准名称执行名称统一化处理。
所述计算各个标准名称之间的相似度值包括:
C21、将标准名称两两组合,得到多个组合对,选择一个组合对,若选择的组合对中两个标准名称皆为词组,则将选择的组合对的每个标准名称中的各个词语转换为词向量;
C22、将所述选择的组合对中第一个标准名称的各个词语对应的词向量的和,作为第一向量;
C23、将所述选择的组合对中第二个标准名称的各个词语对应的词向量的和,作为第二向量;
C24、计算所述第一向量与第二向量的相似度值。
构建模块120,用于构建初始检测模型,基于所述第一样本集的第一层深度等级信息训练所述初始检测模型,得到车辆涉水深度一级检测模型,所述第一层深度等级包括高深度等级及低深度等级。
所述构建初始检测模型,包括:构建高阶交叉特征提取网络及分类网络,串联连接嵌入层、高阶交叉特征提取网络及分类网络,得到初始检测模型。
所述基于所述第一样本集的第一层深度等级信息训练所述初始检测模型,得到车辆涉水深度一级检测模型,包括:
D21、将所述第一样本集输入所述初始检测模型,得到所述第一样本集中每个样本对应的预测第一层深度等级;
D22、基于所述第一层深度等级信息确定所述第一样本集中每个样本对应的真实第一层深度等级,通过最小化预测第一层深度等级与真实第一层深度等级之间的损失值,确定所述初始检测模型的结构参数,得到车辆涉水深度一级检测模型。
训练模块130,用于将所述第一样本集中第一层深度等级相同的样本的集合作为一个第二样本集,得到多个第二样本集,分别基于所述第二样本集的第二层深度等级信息训练所述初始检测模型,得到每个第一层深度等级对应的车辆涉水深度二级检测模型。
接收模块140,用于接收用户基于客户端发出的待深度检测的目标车辆的基本数据,将所述基本数据输入所述车辆涉水深度一级检测模型,得到第一层深度等级识别结果。
所述将所述基本数据输入所述车辆涉水深度一级检测模型,得到第一层深度等级识别结果,包括:
E21、将所述基本数据输入所述车辆涉水深度一级检测模型的嵌入层执行特征压缩处理,得到第一特征向量;
E22、将所述第一特征向量输入所述车辆涉水深度一级检测模型的高阶交叉特征提取网络执行高阶交叉特征提取处理,得到第二特征向量;
E23、将所述第二特征向量输入所述车辆涉水深度一级检测模型的分类网络执行分类处理,得到第一层深度等级识别结果。
检测模块150,用于基于所述第一层深度等级识别结果确定所述目标车辆对应的车辆涉水深度二级检测模型,将所述基本数据输入所述确定出的车辆涉水深度二级检测模型,得到所述目标车辆的涉水深度检测结果。
如图4所示,为本发明一实施例提供的实现车辆涉水深度检测方法的电子设备的结构示意图。
所述电子设备1是一种能够按照事先设定或者存储的指令,自动进行数值计算和/或信息处理的设备。所述电子设备1可以是计算机、也可以是单个网络服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网络服务器构成的云,其中云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。
在本实施例中,电子设备1包括,但不仅限于,可通过系统总线相互通信连接的存储器11、处理器12、网络接口13,该存储器11中存储有车辆涉水深度检测程序10,所述车辆涉水深度检测程序10可被所述处理器12执行。图4仅示出了具有组件11-13以及车辆涉水深度检测程序10的电子设备1,本领域技术人员可以理解的是,图4示出的结构并不构成对电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
其中,存储器11包括内存及至少一种类型的可读存储介质。内存为电子设备1的运行提供缓存;可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等的非易失性存储介质。在一些实施例中,可读存储介质可以是电子设备1的内部存储单元,例如该电子设备1的硬盘;在另一些实施例中,该非易失性存储介质也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。本实施例中,存储器11的可读存储介质通常用于存储安装于电子设备1的操作系统和各类应用软件,例如存储本发明一实施例中的车辆涉水深度检测程序10的代码等。此外,存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作,例如执行与其他设备进行数据交互或者通信相关的控制和处理等。本实施例中,所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据,例如运行车辆涉水深度检测程序10等。
网络接口13可包括无线网络接口或有线网络接口,该网络接口13用于在所述电子设备1与客户端(图中未画出)之间建立通信连接。
可选的,所述电子设备1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选的,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的车辆涉水深度检测程序10是多个指令的组合,在所述处理器12中运行时,可以实现上述车辆涉水深度检测方法。
具体地,所述处理器12对上述车辆涉水深度检测程序10的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是非易失性的,也可以是非易失性的。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
所述计算机可读存储介质上存储有车辆涉水深度检测程序10,所述车辆涉水深度检测程序10可被一个或者多个处理器执行,以实现上述车辆涉水深度检测方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种车辆涉水深度检测方法,其特征在于,所述方法包括:
从第一数据库获取历史涉水车辆数据,所述历史涉水车辆数据包括涉水车辆的车辆基本信息、零部件损坏信息、理赔信息及内涝点深度信息,对所述历史涉水车辆数据执行数据预处理,得到初始样本集,对所述初始样本集中每个样本执行第一层深度等级、第二层深度等级标注处理,得到携带两层深度等级信息的第一样本集;
构建初始检测模型,基于所述第一样本集的第一层深度等级信息训练所述初始检测模型,得到车辆涉水深度一级检测模型,所述第一层深度等级包括高深度等级及低深度等级;
将所述第一样本集中第一层深度等级相同的样本的集合作为一个第二样本集,得到多个第二样本集,分别基于所述第二样本集的第二层深度等级信息训练所述初始检测模型,得到每个第一层深度等级对应的车辆涉水深度二级检测模型;
接收用户基于客户端发出的待深度检测的目标车辆的基本数据,将所述基本数据输入所述车辆涉水深度一级检测模型,得到第一层深度等级识别结果;
基于所述第一层深度等级识别结果确定所述目标车辆对应的车辆涉水深度二级检测模型,将所述基本数据输入所述确定出的车辆涉水深度二级检测模型,得到所述目标车辆的涉水深度检测结果。
2.如权利要求1所述的车辆涉水深度检测方法,其特征在于,所述对所述历史涉水车辆数据执行数据预处理,得到初始样本集,包括:
将所述历史涉水车辆数据中一个车辆的数据作为一个初始样本,删除数据不全的车辆对应的初始样本;
对剩余的初始样本中的零部件名称执行语义对齐处理,得到对齐后的样本;
对对齐后的样本中预设指标项的数值执行离散化处理,将离散化处理后的样本的集合作为初始样本集。
3.如权利要求2所述的车辆涉水深度检测方法,其特征在于,所述对剩余的初始样本中的零部件名称执行语义对齐处理,包括:
从第二数据库获取零部件名称语料,对所述零部件名称语料执行全模式分词处理,得到多个第一分词,将所述第一分词的集合作为第一词袋;
统计所述第一词袋中各个第一分词的词频,将预设数量的词频最高的第一分词的集合作为第二词袋;
对所述剩余的初始样本中的零部件名称执行全模式分词处理,得到每个零部件名称对应的多个第二分词;
将各个零部件名称对应的第二分词与所述第二词袋中的第一分词进行匹配,将匹配成功的第一分词的集合作为对应零部件名称的候选零部件集,将所述候选零部件集中长度最大的第一分词作为对应零部件名称的标准名称;
计算各个标准名称之间的相似度值,基于所述相似度值对所述标准名称分类,基于分类结果对所述标准名称执行名称统一化处理。
4.如权利要求1所述的车辆涉水深度检测方法,其特征在于,所述构建初始检测模型包括:
构建高阶交叉特征提取网络及分类网络,串联连接嵌入层、高阶交叉特征提取网络及分类网络,得到初始检测模型。
5.如权利要求1所述的车辆涉水深度检测方法,其特征在于,所述将所述基本数据输入所述车辆涉水深度一级检测模型,得到第一层深度等级识别结果,包括:
将所述基本数据输入所述车辆涉水深度一级检测模型的嵌入层执行特征压缩处理,得到第一特征向量;
将所述第一特征向量输入所述车辆涉水深度一级检测模型的高阶交叉特征提取网络执行高阶交叉特征提取处理,得到第二特征向量;
将所述第二特征向量输入所述车辆涉水深度一级检测模型的分类网络执行分类处理,得到第一层深度等级识别结果。
6.如权利要求3所述的车辆涉水深度检测方法,其特征在于,所述计算各个标准名称之间的相似度值包括:
将标准名称两两组合,得到多个组合对,选择一个组合对,若选择的组合对中两个标准名称皆为词组,则将选择的组合对的每个标准名称中的各个词语转换为词向量;
将所述选择的组合对中第一个标准名称的各个词语对应的词向量的和,作为第一向量;
将所述选择的组合对中第二个标准名称的各个词语对应的词向量的和,作为第二向量;
计算所述第一向量与第二向量的相似度值。
7.如权利要求1所述的车辆涉水深度检测方法,其特征在于,所述基于所述第一样本集的第一层深度等级信息训练所述初始检测模型,得到车辆涉水深度一级检测模型,包括:
将所述第一样本集输入所述初始检测模型,得到所述第一样本集中每个样本对应的预测第一层深度等级;
基于所述第一层深度等级信息确定所述第一样本集中每个样本对应的真实第一层深度等级,通过最小化预测第一层深度等级与真实第一层深度等级之间的损失值,确定所述初始检测模型的结构参数,得到车辆涉水深度一级检测模型。
8.一种车辆涉水深度检测装置,其特征在于,所述装置包括:
标注模块,用于从第一数据库获取历史涉水车辆数据,所述历史涉水车辆数据包括涉水车辆的车辆基本信息、零部件损坏信息、理赔信息及内涝点深度信息,对所述历史涉水车辆数据执行数据预处理,得到初始样本集,对所述初始样本集中每个样本执行第一层深度等级、第二层深度等级标注处理,得到携带两层深度等级信息的第一样本集;
构建模块,用于构建初始检测模型,基于所述第一样本集的第一层深度等级信息训练所述初始检测模型,得到车辆涉水深度一级检测模型,所述第一层深度等级包括高深度等级及低深度等级;
训练模块,用于将所述第一样本集中第一层深度等级相同的样本的集合作为一个第二样本集,得到多个第二样本集,分别基于所述第二样本集的第二层深度等级信息训练所述初始检测模型,得到每个第一层深度等级对应的车辆涉水深度二级检测模型;
接收模块,用于接收用户基于客户端发出的待深度检测的目标车辆的基本数据,将所述基本数据输入所述车辆涉水深度一级检测模型,得到第一层深度等级识别结果;
检测模块,用于基于所述第一层深度等级识别结果确定所述目标车辆对应的车辆涉水深度二级检测模型,将所述基本数据输入所述确定出的车辆涉水深度二级检测模型,得到所述目标车辆的涉水深度检测结果。
9.一种电子设备,其特征在于,所述电子设备包括:
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车辆涉水深度检测程序,所述车辆涉水深度检测程序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权利要求1至7中任一项所述的车辆涉水深度检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有车辆涉水深度检测程序,所述车辆涉水深度检测程序可被一个或者多个处理器执行,以实现如权利要求1至7任一项所述的车辆涉水深度检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527147.2A CN114201533A (zh) | 2021-12-14 | 2021-12-14 | 车辆涉水深度检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527147.2A CN114201533A (zh) | 2021-12-14 | 2021-12-14 | 车辆涉水深度检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114201533A true CN114201533A (zh) | 2022-03-18 |
Family
ID=80653509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111527147.2A Pending CN114201533A (zh) | 2021-12-14 | 2021-12-14 | 车辆涉水深度检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114201533A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
CN113127975A (zh) * | 2021-04-20 | 2021-07-16 | 前海七剑科技(深圳)有限公司 | 车辆涉水检测方法、系统、电子设备及存储介质 |
CN113178071A (zh) * | 2021-04-22 | 2021-07-27 | 深圳壹账通智能科技有限公司 | 驾驶风险等级识别方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-12-14 CN CN202111527147.2A patent/CN114201533A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
CN113127975A (zh) * | 2021-04-20 | 2021-07-16 | 前海七剑科技(深圳)有限公司 | 车辆涉水检测方法、系统、电子设备及存储介质 |
CN113178071A (zh) * | 2021-04-22 | 2021-07-27 | 深圳壹账通智能科技有限公司 | 驾驶风险等级识别方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592019B (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
Zhang et al. | Simultaneous pixel-level concrete defect detection and grouping using a fully convolutional model | |
CN113178071B (zh) | 驾驶风险等级识别方法、装置、电子设备及可读存储介质 | |
CN114462412B (zh) | 实体识别方法、装置、电子设备及存储介质 | |
CN113435202A (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
CN114970705A (zh) | 基于多传感数据的行驶状态分析方法、装置、设备及介质 | |
CN115081025A (zh) | 基于数字中台的敏感数据管理方法、装置及电子设备 | |
CN113239227A (zh) | 图像数据结构化方法、装置、电子设备及计算机可读介质 | |
CN115170869A (zh) | 重复车损理赔识别方法、装置、设备及存储介质 | |
CN114706985A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN115034315A (zh) | 基于人工智能的业务处理方法、装置、计算机设备及介质 | |
CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
CN111475541A (zh) | 数据决策方法、装置、电子设备及存储介质 | |
CN114281991A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN111402068B (zh) | 基于大数据的保费数据分析方法、装置及存储介质 | |
CN115546743B (zh) | 基于附着系数的车路协同控制方法、装置、设备及介质 | |
CN114708073B (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN114201533A (zh) | 车辆涉水深度检测方法、装置、电子设备及存储介质 | |
CN113806492B (zh) | 基于语义识别的记录生成方法、装置、设备及存储介质 | |
Zhang et al. | A YOLOv3‐Based Industrial Instrument Classification and Reading Recognition Method | |
CN114066664A (zh) | 基于行为画像的风险等级评估方法、装置、设备及介质 | |
CN114722146A (zh) | 基于人工智能的供应链资产校验方法、装置、设备及介质 | |
CN114139530A (zh) | 同义词提取方法、装置、电子设备及存储介质 | |
CN113705692A (zh) | 基于人工智能的情感分类方法、装置、电子设备及介质 |
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 |