CN114596439A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114596439A CN114596439A CN202210273995.3A CN202210273995A CN114596439A CN 114596439 A CN114596439 A CN 114596439A CN 202210273995 A CN202210273995 A CN 202210273995A CN 114596439 A CN114596439 A CN 114596439A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- information
- assessment
- damage
- 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 97
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005516 engineering process Methods 0.000 claims abstract description 21
- 238000012423 maintenance Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000003709 image segmentation Methods 0.000 claims abstract description 14
- 238000007635 classification algorithm Methods 0.000 claims abstract description 7
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000012795 verification Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 abstract description 3
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06Q10/20—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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Accounting & Taxation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及一种基于图像的车险智能定损及核损方法和电子设备。所述方法包括通过图像分类算法对案件图像进行分类;获取系统案件信息并对信息进行分析;通过图像识别技术核实车牌及VIN码信息;通过图像分割技术分割出车辆的前景区域;通过机器学习的方法对含车辆的图像进行分组;通过图像分割技术对车辆部件进行分割;通过损伤检测技术对车辆部件进行损伤检测;依据步骤7的检测结果及维修逻辑匹配维修策略。本发明可用于普通事故的智能定损阶段,实现查勘、定损的无人化,提高准确率、降低定损成本,也可用于核损阶段的风险评估,排除由于多定损、错定损及重定损等定损偏差给保险公司带来的巨大损失。
Description
技术领域
本发明涉及车险智能定损及车险理赔核损技术领域,特别涉及基于图像的车险智能定损及核损方法、装置和电子设备。
背景技术
传统的车险定损及核损以人工处理的方式为主,在车险查勘定损阶段,有定损员现场拍照定损并将案件图像及定损结果一并上传到保险公司的综合处理平台,或有车主自行拍照上传案件图像后由定损员通过浏览案件图像进行定损,然后核算员再次浏览图像对定损结果进行复核,核实定损信息及损伤程度处置是否合理。案件轻重不同每个案件需要拍摄的图像数量也不尽相同,从几十张到几百张不等,每天的案件数量巨大,因此完成此项工作需要投入巨大的人力和物力。此外,由于人工的干预存在多种不可控因素导致多定损、错定损及重定损等定损偏差,给保险公司带来巨大损失,同时人工定损的工作量巨大,保险公司的人力成本也在逐年增加。
现有技术CN111488875B公开了一种基于图像识别的车险理赔核损方法,包括获取定损案件信息,定损案件信息包括定损清单和定损图片集;识别每张定损图片中的车辆外观件信息,车辆外观件信息包括部件类别和部件掩膜位置;识别每张定损图片中的车辆损伤信息,车辆损伤信息包括损伤类别和损伤掩模位置;将部件掩膜和损伤掩膜进行匹配,以确定标准部件损伤列表;根据预设维修逻辑列表将标准部件损伤列表映射为标准部件换修列表;依据标准部件换修列表判断定损清单是否异常。通过自动识别每张定损图片中的车辆外观件信息和车辆损伤信息,有效检出定损中的渗漏虚增案件。
但是上述现有技术仅仅是通过图像识别技术提示定换修清单中可能存在的虚增风险,并未对案件的合规性以及是否存在欺诈行为进行判别。此外,上述技术仅仅是损伤及其掩膜进行损伤的判定,此方法的计算量较大且检测能力及精度有限,对于同一类型的损伤无法判断损伤程度,导致检测的颗粒度不够充足。
如何克服上述现有技术方案的不足,成为本技术领域亟待解决的课题。
发明内容
为克服上述现有技术的不足,针对上述技术问题,本发明提出了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。具体采用如下技术方案:
一种基于图像的车险智能定损及核损方法,包括下列步骤:
步骤1、通过图像分类算法对案件图像进行分类;
步骤2、获取系统案件信息并对信息进行分析;
步骤3、通过图像识别技术核实车牌及VIN码信息;
步骤4、通过图像分割技术分割出车辆的前景区域;
步骤5、通过机器学习的方法对含车辆的图像进行分组;
步骤6、通过图像分割技术对车辆部件进行分割;
步骤7、通过损伤检测技术对车辆部件进行损伤检测;
步骤8、依据步骤7的检测结果及维修逻辑匹配维修策略。
进一步,所述步骤1中,通过图像分类算法对案件图像进行分类的类别具体包括:环境图像、车辆图像、证件图像、人员图像;所述车辆图像包括含车图像、车牌图像、VIN码图像。
进一步,所述步骤2具体包括:
步骤21、信息获取,当只检测到报案信息时,启动车险智能定损模式,返回定损信息;当系统同时获取到报案信息和定损信息时,系统启动车险智能核损模式;
步骤22、信息核对;
步骤23、信息解析,解析事故类型、车辆信息,其中,所述事故类型包含:单车案件、双车案件、多车案件,所述车辆信息包括:车牌信息、车辆品牌、型号信息、车辆VIN码信息。
进一步,所述步骤3具体包括:
步骤31、通过对所述步骤1分类出的所述车牌图像进行车牌识别,对分类出的所述VIN码图像进行VIN码识别;
步骤32、比对所述步骤31的识别结果,核实所述步骤22获取的车牌信息是否准确,若不准确提示欺诈风险,进行人工信息核实,若准确则转到步骤33;
步骤33、通过核实后的车牌信息从保险平台获取车辆VIN码信息并与所述步骤31识别到的VIN码进行核实,若二者信息不符,则提示欺诈风险,进行人工信息核实,若二者信息相符,则转到步骤4。
进一步,所述步骤4具体包括:
步骤41、对所述步骤1分类出的含车图像,通过图像分割算法进行车辆前景区域分割,将车辆区域从图像背景区域中分离;
步骤42、对分割结果进行清洗,每张图像只提取面积最大的车辆区域作为有效区域,以确定本案件的目标车辆;
步骤43、提取车辆有效区域,将非有效区域填充为空白。
进一步,所述步骤5具体包括:
步骤51、通过特征提取网络提取所述步骤42获得的车辆有效区域的特征向量;
步骤52、通过线性判别分析方法对所述步骤51获得的特征向量进行降维,以去除冗余信息;
步骤53、依据所述步骤52得到的特征向量通过聚类算法对含车图像进行聚类,聚类个数为所述步骤22获取的事故类型中涉及的车辆数量数目;
步骤54、依据聚类结果及车牌图像对通过所述步骤4提取了车辆区域后的图像进行分类,确定各组车辆图像所属车辆。
进一步,所述步骤6具体包括:
步骤61、对所述步骤4获得的车辆有效区域进行部件分割,获得图像有效区域中所有的零部件区域及部件名称;
步骤62、若为智能核损模式,则依据定损单详情,对所述步骤61获取的零部件区域只保留定损单所提及的零部件区域;
步骤63、若为智能定损模式,则将所述步骤61获取的零部件区域全部进行保留。
进一步,所述步骤8具体包括:
步骤81、依据所述步骤7的损伤检测结果及预设的维修逻辑列表,自动生成损伤的维修策略;
步骤82、若为智能核损模式,则比对定损单详情及所述步骤81的结果是否匹配,若不匹配则提示风险;
步骤83、若为智能定损模式,则所述步骤81的结果返回,返回内容包含:所属车辆、部件名称、损伤类型及程度、维修策略。
本发明还涉及一种电子设备,包括存储器以及处理器,所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器读取并运行时,执行如上所述的方法。
本发明还涉及一种存储介质,所述存储介质上存储有计算机程序指令,所述计算机程序指令被计算机读取并运行时,执行如上所述的方法。
本发明的技术方案获得了下列有益效果:本发明主要依据计算机视觉技术提供了一种基于图像的车险智能定损及核损方法,其通过对上传的案件图像进行分类、案件信息的分析、车辆信息智能识别、车辆区域分割、车辆图片分组、部件分割、损伤检测、维修策略匹配8个过程。依据案件处理的进度返回定损信息或核损结果。
附图说明
图1为本发明整体技术方案的流程图。
图2为本发明智能定损模式技术流程图。
图3为本发明智能核损模式技术流程图。
图4为本发明不同车辆图像聚类的流程图。
图5为本发明零部件损伤判定技术流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。
除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明的第1实施例涉及一种基于图像的车险智能定损及核损方法,参见附图1,具体包括:
步骤1、通过图像分类算法对案件图像进行分类;
步骤2、获取系统案件信息并对信息进行分析;
步骤3、通过图像识别技术核实车牌及VIN码信息;
步骤4、通过图像分割技术分割出车辆的前景区域;
步骤5、通过机器学习的方法对含车辆的图像进行分组;
步骤6、通过图像分割技术对车辆部件进行分割;
步骤7、通过损伤检测技术对车辆部件进行损伤检测;
步骤8、依据步骤7的检测结果及维修逻辑匹配维修策略。
进一步的,步骤1所述的通过分类算法对案件图像进行分类主要包括:环境图像、含车图像、证件图像、人员图像。其中车辆图像又分为含车图像、车牌图像、VIN码图像。
进一步的,步骤2所述的获取系统案件信息并对信息进行分析,所述的案件信息是指:报案信息和定损信息。该过程主要包括:
步骤21、 信息获取。当系统只检测到报案信息时,系统启动车险智能定损模式,智能定损模式技术流程如图2所示,在步骤8返回定损信息;当系统同时获取到报案信息和定损信息时,系统启动车险智能核损模式,智能核损模式具体技术流程如图3所示。
步骤22、信息核对。主要核对报案信息及定损信息是否完善及内容是否符合要求。
步骤23、信息解析。主要解析事故类型、车辆信息。其中,事故类型包含:单车案件、双车案件、多车案件。车辆信息主要包括:车牌信息、车辆品牌及型号信息。
进一步的,步骤3所述的通过图像识别技术核实车牌及VIN码信息主要包括:
步骤31、通过对步骤1分类出的车牌图像进行车牌识别,VIN码图像进行VIN码识别;
步骤32、比对步骤31识别结果核实步骤22获取的车牌信息是否准确,若不准确提示欺诈风险,进行人工信息核实。
步骤33、通过核实后的车牌信息从保险平台获取车辆VIN码信息并与步骤31识别到的VIN码进行核实,若二者信息不符,则提示欺诈风险,进行人工信息核实。
进一步的,步骤4所述的通过图像分割技术分割出车辆的前景区域的过程包括:
步骤41、对步骤1分类出的含车图像通过图像分割算法进行车辆前景区域分割,准确的将车辆区域从图像背景区域中分离,排除后续处理过程中背景的影响。图像分割算法可以采用基于深度学习的分割算法,如目前口碑较好的Mask-RCNN、Deeplab-V3+、Unet等,通过对含车图像进行mask标注,训练合适的模型,然后使用训练后的分割模型对含车图像进行车辆分割,得到车辆前景区域。下面以Deeplab-V3+为例对具体分割过程及其原理进行阐述。
1)、Deeplab-V3+为Encoder-Decoder结构,通过卷积网络得到特征图,再通过上采样还原尺寸;
2)、Encoder阶段分别在各通道进行可分离卷积计算提取基础图像特征,再经ASPP网络进行多种扩张率的特征信息提取,最后通过1X1卷积对各通道的特征进行压缩得到多尺度的图像特征。
3)、在Decoder阶段对Encoder阶段的对多尺度的特征信息进行双线性插值上采样,然后与基础图像特征进行融合,再通过双线性插值上采样得到分割结果。
步骤42、对分割结果进行清洗,每张图像只提取面积最大的车辆区域作为有效区域,以确定本案件的目标车辆;
步骤43、提取车辆有效区域,将非有效区域填充为空白;
进一步的,步骤5所述的通过机器学习的方法对含车辆的图像及车牌图像进行分组,流程如图4所示,过程主要包括:
步骤51、通过特征提取网络提取步骤4获得的车辆有效区域的特征向量;
步骤52、通过线性判别分析方法对步骤51获得的特征向量进行降维,以去除冗余信息,更突出车辆特征。线性判别分析法的原理阐述如下:
1)、通过训练集训练投影直线,使得相同类别的特征在投影直线上的点尽量集中,不同类别的投影点尽量拉大间隔;
2)、将得到的特征向量投影到训练得到的直线上,依据投影点的位置实现对特征向量进行降维。
步骤53、依据步骤52得到的特征向量通过聚类算法对含车图像进行聚类,聚类个数为所述步骤22获取的事故类型中涉及的车辆数量数目。所述聚类的原理及计算过程阐述如下:
1)、依据涉及的车辆数目确定聚类中心的个数N,并随机选取N个聚类中心;
2)、计算每个特征向量到各聚类中心的距离,选择距离最近的距离中心进行归类;
3)、依据上述步骤2)的聚类结果重新计算聚类中心点,并重复上述步骤2)-步骤3)过程直到聚类结果静止不变化为止,得到最终聚类结果。
步骤54、依据聚类结果及车牌图像对步骤4提取的车辆区域后的图像进行分类,确定各组车辆图像所属车辆;
进一步的,步骤6所述的通过图像分割技术对车辆部件进行分割的过程为:
步骤61、对步骤4获得的车辆有效区域进行部件分割,获得图像有效区域中所有的零部件区域及部件名称。
步骤62、若为智能核损模式则依据定损单详情,步骤61分割的零部件区域只保留定损单所提及的零部件区域;
步骤63、若为智能定损模式则将步骤61所有检测到的零部件区域进行保留;
进一步的,步骤7所述的通过损伤检测技术对车辆部件进行损伤检测,其技术流程图如图5所示,具体的步骤为:
步骤71、通过深度神经网络对步骤6获得的零部件区域进行可疑损伤区域分割;
步骤72、对步骤71获得可疑损伤区域进行图像增强,突出区域主要特征;
步骤73、将步骤72的可疑损伤区域通过分类网络进行分类,分类结果包括:损伤类型、损伤程度。
进一步的,步骤8所述的依据步骤7的检测结果及维修逻辑匹配维修策略的过程为:
步骤81、依据7的损伤检测结果及预设的维修逻辑列表,自动生成损伤的维修策略;
步骤82、若为智能核损模式则比对定损单详情及步骤81的结果是否匹配,若不匹配则提示风险;
步骤83、若为智能定损模式则步骤81的结果返回,返回内容包含:所属车辆、部件名称、损伤类型及程度、维修策略。
本发明的第2实施例涉及一种电子设备,包括存储器以及处理器,所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器读取并运行时,执行如上所述的方法。
本发明的第3实施例涉及一种存储介质,所述存储介质上存储有计算机程序指令,所述计算机程序指令被计算机读取并运行时,执行如上所述的方法。
本发明具备多种用途,可用于普通事故的智能定损阶段,实现查勘、定损的无人化,提高准确率、降低定损成本。同时,也可用于核损阶段的风险评估,排除由于多定损、错定损及重定损等定损偏差给保险公司带来的巨大损失,从而达到降本增效的目的。
如上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于图像的车险智能定损及核损方法,其特征在于,包括下列步骤:
步骤1、通过图像分类算法对案件图像进行分类;
步骤2、获取系统案件信息并对信息进行分析;
步骤3、通过图像识别技术核实车牌及VIN码信息;
步骤4、通过图像分割技术分割出车辆的前景区域;
步骤5、通过机器学习的方法对含车辆的图像进行分组;
步骤6、通过图像分割技术对车辆部件进行分割;
步骤7、通过损伤检测技术对车辆部件进行损伤检测;
步骤8、依据步骤7的检测结果及维修逻辑匹配维修策略。
2.根据权利要求1所述的基于图像的车险智能定损及核损方法,其特征在于,所述步骤1中,通过图像分类算法对案件图像进行分类的类别具体包括:
环境图像、车辆图像、证件图像、人员图像;
所述车辆图像包括含车图像、车牌图像、VIN码图像。
3.根据权利要求2所述的基于图像的车险智能定损及核损方法,其特征在于,所述步骤2具体包括:
步骤21、信息获取,当只检测到报案信息时,启动车险智能定损模式,返回定损信息;当系统同时获取到报案信息和定损信息时,系统启动车险智能核损模式;
步骤22、信息核对;
步骤23、信息解析,解析事故类型、车辆信息,其中,所述事故类型包含:单车案件、双车案件、多车案件,所述车辆信息包括:车牌信息、车辆品牌、型号信息、车辆VIN码信息。
4.根据权利要求3所述的基于图像的车险智能定损及核损方法,其特征在于,所述步骤3具体包括:
步骤31、通过对所述步骤1分类出的所述车牌图像进行车牌识别,对分类出的所述VIN码图像进行VIN码识别;
步骤32、比对所述步骤31的识别结果,核实所述步骤22获取的车牌信息是否准确,若不准确提示欺诈风险,进行人工信息核实,若准确则转到步骤33;
步骤33、通过核实后的车牌信息从保险平台获取车辆VIN码信息并与所述步骤31识别到的VIN码进行核实,若二者信息不符,则提示欺诈风险,进行人工信息核实,若二者信息相符,则转到步骤4。
5.根据权利要求1所述的基于图像的车险智能定损及核损方法,其特征在于,所述步骤4具体包括:
步骤41、对所述步骤1分类出的含车图像,通过图像分割算法进行车辆前景区域分割,将车辆区域从图像背景区域中分离;
步骤42、对分割结果进行清洗,每张图像只提取面积最大的车辆区域作为有效区域,以确定本案件的目标车辆;
步骤43、提取车辆有效区域,将非有效区域填充为空白。
6.根据权利要求5所述的基于图像的车险智能定损及核损方法,其特征在于,所述步骤5具体包括:
步骤51、通过特征提取网络提取所述步骤42获得的车辆有效区域的特征向量;
步骤52、通过线性判别分析方法对所述步骤51获得的特征向量进行降维,以去除冗余信息;
步骤53、依据所述步骤52得到的特征向量通过聚类算法对含车图像进行聚类,聚类个数为所述步骤22获取的事故类型中涉及的车辆数量数目;
步骤54、依据聚类结果及车牌图像对通过所述步骤4提取了车辆区域后的图像进行分类,确定各组车辆图像所属车辆。
7.根据权利要求5所述的基于图像的车险智能定损及核损方法,其特征在于,所述步骤6具体包括:
步骤61、对所述步骤4获得的车辆有效区域进行部件分割,获得图像有效区域中所有的零部件区域及部件名称;
步骤62、若为智能核损模式,则依据定损单详情,对所述步骤61获取的零部件区域只保留定损单所提及的零部件区域;
步骤63、若为智能定损模式,则将所述步骤61获取的零部件区域全部进行保留。
8.根据权利要求5所述的基于图像的车险智能定损及核损方法,其特征在于,所述步骤8具体包括:
步骤81、依据所述步骤7的损伤检测结果及预设的维修逻辑列表,自动生成损伤的维修策略;
步骤82、若为智能核损模式,则比对定损单详情及所述步骤81的结果是否匹配,若不匹配则提示风险;
步骤83、若为智能定损模式,则所述步骤81的结果返回,返回内容包含:所属车辆、部件名称、损伤类型及程度、维修策略。
9.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器读取并运行时,执行如权利要求1-8中任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序指令,所述计算机程序指令被计算机读取并运行时,执行如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210273995.3A CN114596439A (zh) | 2022-03-20 | 2022-03-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210273995.3A CN114596439A (zh) | 2022-03-20 | 2022-03-20 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114596439A true CN114596439A (zh) | 2022-06-07 |
Family
ID=81819906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210273995.3A Pending CN114596439A (zh) | 2022-03-20 | 2022-03-20 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114596439A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670036A (zh) * | 2023-11-14 | 2024-03-08 | 平安科技(上海)有限公司 | 定损机构的质量描述方法、装置、计算机设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403424A (zh) * | 2017-04-11 | 2017-11-28 | 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、装置及电子设备 |
CN108769624A (zh) * | 2018-07-09 | 2018-11-06 | 北京精友世纪软件技术有限公司 | 一种智能车险移动视频查勘系统 |
CN110570317A (zh) * | 2018-08-31 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 用于车辆核损的方法及装置 |
CN111461266A (zh) * | 2020-06-18 | 2020-07-28 | 爱保科技有限公司 | 一种车辆定损异常识别方法、装置、服务器以及存储介质 |
CN111488875A (zh) * | 2020-06-24 | 2020-08-04 | 爱保科技有限公司 | 基于图像识别的车险理赔核损方法、装置和电子设备 |
CN112270313A (zh) * | 2020-12-21 | 2021-01-26 | 德联易控科技(北京)有限公司 | 线上理赔方法、装置、设备及存储介质 |
CN113947690A (zh) * | 2021-10-14 | 2022-01-18 | 中国平安财产保险股份有限公司 | 业务清单数据的生成方法、装置、设备及存储介质 |
-
2022
- 2022-03-20 CN CN202210273995.3A patent/CN114596439A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403424A (zh) * | 2017-04-11 | 2017-11-28 | 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、装置及电子设备 |
CN108769624A (zh) * | 2018-07-09 | 2018-11-06 | 北京精友世纪软件技术有限公司 | 一种智能车险移动视频查勘系统 |
CN110570317A (zh) * | 2018-08-31 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 用于车辆核损的方法及装置 |
CN111461266A (zh) * | 2020-06-18 | 2020-07-28 | 爱保科技有限公司 | 一种车辆定损异常识别方法、装置、服务器以及存储介质 |
CN111488875A (zh) * | 2020-06-24 | 2020-08-04 | 爱保科技有限公司 | 基于图像识别的车险理赔核损方法、装置和电子设备 |
CN112270313A (zh) * | 2020-12-21 | 2021-01-26 | 德联易控科技(北京)有限公司 | 线上理赔方法、装置、设备及存储介质 |
CN113947690A (zh) * | 2021-10-14 | 2022-01-18 | 中国平安财产保险股份有限公司 | 业务清单数据的生成方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
邢福荣 等: "《汽车保险与理赔》", 30 September 2019, 北京理工大学出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670036A (zh) * | 2023-11-14 | 2024-03-08 | 平安科技(上海)有限公司 | 定损机构的质量描述方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240087102A1 (en) | Automatic Image Based Object Damage Assessment | |
CN109784326A (zh) | 一种基于深度学习的车辆底盘检测方法 | |
CN111507147A (zh) | 智能巡检方法、装置、计算机设备和存储介质 | |
CN110969166A (zh) | 一种巡检场景下小目标识别方法和系统 | |
CN110569856B (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
CN110378254B (zh) | 车损图像修改痕迹的识别方法、系统、电子设备及存储介质 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
WO2019144416A1 (zh) | 信息处理方法、系统、云处理设备以及计算机程序产品 | |
CN110909598A (zh) | 一种基于深度学习的非机动车道交通违法行驶识别方法 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN111209923A (zh) | 一种基于深度学习技术的渣土车是否盖盖识别方法 | |
CN115810134B (zh) | 一种车险反欺诈的图像采集质检方法、系统和装置 | |
CN113935988A (zh) | 基于机器视觉的箱体表面缺陷检测识别方法及装置 | |
CN111008554B (zh) | 一种基于深度学习的动态交通斑马线内不礼让行人识别方法 | |
CN114596439A (zh) | 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 | |
CN114821725A (zh) | 一种基于神经网络的矿工人脸识别系统 | |
CN113269234B (zh) | 一种基于目标检测的连接件装配检测方法和系统 | |
Al Nasim et al. | An automated approach for the recognition of bengali license plates | |
CN114140025A (zh) | 面向多模态数据的车险欺诈行为预测系统、方法和装置 | |
CN116524725B (zh) | 一种智能驾驶的交通标志图像数据识别系统 | |
CN113486856A (zh) | 一种基于语义分割和卷积神经网络的驾驶员不规范行为检测方法 | |
CN111310844B (zh) | 车辆识别模型构建方法及装置、识别方法及装置 | |
CN111950556A (zh) | 一种基于深度学习的号牌印刷质量检测方法 | |
CN110766010A (zh) | 一种信息识别方法、模型训练方法和相关装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220607 |
|
RJ01 | Rejection of invention patent application after publication |