CN114757787A - 基于大数据的车险人伤定损方法、装置、电子设备及介质 - Google Patents
基于大数据的车险人伤定损方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114757787A CN114757787A CN202210282755.XA CN202210282755A CN114757787A CN 114757787 A CN114757787 A CN 114757787A CN 202210282755 A CN202210282755 A CN 202210282755A CN 114757787 A CN114757787 A CN 114757787A
- Authority
- CN
- China
- Prior art keywords
- information
- updated
- damage assessment
- data set
- person
- 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
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
- G06N3/04—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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种基于大数据的车险人伤定损方法，包括：获取待理赔人员的目标信息；查询与目标信息相匹配的历史受伤人员信息对应的历史诊断数据集；获取历史诊断数据集中药品信息对应的更新药品信息，及获取更新药品信息对应的药品价格；利用更新药品信息和药品价格更新历史诊断数据集中的历史定损数据集，得到更新定损数据集；计算更新定损数据集分布的期望和方差；根据期望和方差确定待理赔人员的定损方案信息。此外，本发明还涉及区块链技术，所述定损方案信息可存储在区块链的节点中。本发明还提出一种基于大数据的车险人伤定损方法装置、电子设备以及计算机可读存储介质。本发明可以解决人伤定损效率较低的问题。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于大数据的车险人伤定损方法、装置、电子设备及计算机可读存储介质。
背景技术
人伤理赔是车险人伤理赔中一个部分。目前人伤理赔需要按照伤者先行垫付后再做人伤定损，效率较低。不能像车定损一样，只用拍摄车辆损坏部位照片即可当场报价损失金额，现场直接转账结案。目前涉及车险人伤理赔的案件，由于无法进行快速准确的人伤定损，因此人伤理赔的时效远远大于车险理赔的时效，并且浪费较多理赔人力资源成本。因此，亟需一种提高人伤定损效率的方法。
发明内容
本发明提供一种基于大数据的车险人伤定损方法、装置、电子设备及可读存储介质，其主要目的在于提高人伤定损效率。
为实现上述目的，本发明提供的一种基于大数据的车险人伤定损方法，包括：
获取待理赔人员的目标信息，所述目标信息包括身份信息、受伤部位和受伤程度；
通过预设的相似数据查询模型查询与所述目标信息相匹配的历史受伤人员信息对应的历史诊断数据集；
获取所述历史诊断数据集中药品信息对应的更新药品信息，以及获取所述更新药品信息对应的药品价格；
利用所述更新药品信息和所述药品价格更新所述历史诊断数据集中的历史定损数据集，得到更新定损数据集；
计算所述更新定损数据集分布的期望和方差；
根据所述期望和方差确定所述待理赔人员的定损方案信息。
可选地，所述获取待理赔人员的目标信息，包括：
获取所述待理赔人员的身份图像，通过光学字符识别引擎识别所述身份图像，得到所述待理赔人员的身份信息；
获取所述待理赔人员的实时图像，根据所述实时图像确定所述待理赔人员的受伤部位和受伤程度。
可选地，所述根据所述实时图像确定所述待理赔人员的受伤部位和受伤程度，包括：
利用预训练的VGG卷积神经网络模型的卷积层提取所述实时图像的特征，得到特征向量；
利用所述预训练的VGG卷积神经网络模型的池化层对所述特征向量进行下采样，得到采样特征向量；
利用所述预训练的VGG卷积神经网络模型的全连接层拼接通过池化层得到的所有采样特征向量，得到拼接向量；
将所述拼接向量输入至所述预训练的VGG卷积神经网络模型的激活函数，得到所述待理赔人员的受伤部位和受伤程度。
可选地，所述利用预训练的VGG卷积神经网络模型的卷积层提取所述实时图像的特征，包括：
获取所述实时图像的初始直方图，将所述初始直方图转换为均匀分布的直方图，得到所述实时图像的目标图像；
利用预训练的VGG卷积神经网络模型的卷积层提取所述目标图像的特征。
可选地，所述获取所述实时图像的初始直方图之前，所述方法还包括：
识别所述实时图像的亮度；
当所述实时图像的亮度大于第一亮度时，对所述实时图像进行伽马变换，得到所述实时图像的目标图像；
当所述实时图像的亮度小于所述第一亮度时，执行所述获取所述实时图像的初始直方图的操作。
可选地，所述
计算所述更新定损数据集分布的期望和方差，包括：
计算更新定损数据集中每组更新定损数据的概率值；
将每组更新定损数据的概率值与每组更新定损数据进行乘积计算，得到所述更新定损数据集分布的期望；
计算每组更新定损数据与期望的差值的平方值与每组更新定损数据的概率值，得到更新定损数据集分布的方差。
可选地，所述根据所述期望和方差确定所述待理赔人员的定损方案信息，包括：
根据所述期望和方差确定所有更新定损数据的正态分布，确定所述正态分布中预设范围内的更新定损数据的均值为所述待理赔人员的定损方案信息。
为了解决上述问题，本发明还提供一种基于大数据的车险人伤定损装置，所述装置包括：
信息获取模块，用于获取待理赔人员的目标信息，所述目标信息包括身份信息、受伤部位和受伤程度；
查询模块，用于通过预设的相似数据查询模型查询与所述目标信息相匹配的历史受伤人员信息对应的历史诊断数据集；
计算模块，用于获取所述历史诊断数据集中药品信息对应的更新药品信息，以及获取所述更新药品信息对应的药品价格，利用所述更新药品信息和所述药品价格更新所述历史诊断数据集中的历史定损数据集，得到更新定损数据集，计算所述更新定损数据集分布的期望和方差；
定损方案确定模块，用于根据所述期望和方差确定所述待理赔人员的定损方案信息。
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：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的基于大数据的车险人伤定损方法。
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中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于大数据的车险人伤定损方法。
本发明通过获取待理赔人员的目标信息，所述目标信息包括身份信息、受伤部位和受伤程度；通过预设的相似数据查询模型查询与所述目标信息相匹配的历史受伤人员信息对应的历史诊断数据集；获取所述历史诊断数据集中药品信息对应的更新药品信息，以及获取所述更新药品信息对应的药品价格；利用所述更新药品信息和所述药品价格更新所述历史诊断数据集中的历史定损数据集，得到更新定损数据集；计算所述更新定损数据集分布的期望和方差；根据所述期望和方差确定所述待理赔人员的定损方案信息。无需理赔专员还要花更多的时间到医院或者其他地方去跟进待理赔人员的受伤情况进而进行理赔方案的计算与结算，通过历史诊断数据集就能够得到相似的理赔数据的分布，进而确定待理赔人员的定损方案信息，快捷高效，因此，本发明实现了提高人伤定损效率的的目的。
附图说明
图1为本发明一实施例提供的基于大数据的车险人伤定损方法的流程示意图；
图2为本发明一实施例提供的基于大数据的车险人伤定损装置的功能模块图；
图3为本发明一实施例提供的实现所述基于大数据的车险人伤定损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
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于大数据的车险人伤定损方法。所述基于大数据的车险人伤定损方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于大数据的车险人伤定损方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于大数据的车险人伤定损方法的流程示意图。在本实施例中，所述基于大数据的车险人伤定损方法包括：
S1、获取待理赔人员的目标信息，所述目标信息包括身份信息、受伤部位、和受伤程度。
本实施例中，所述待理赔人员为报车险之后，需要进行人伤理赔的人员。例如，A车与B车发生碰撞，A车主受伤，则A车主为待理赔人员。
本实施例中，身份信息可以包括性别和年龄等信息。
本实施例中，受伤部位具体可以包括受伤部位所属的类别部位，该类别部位可以包括第一类别部位以及第二类别部位，其中，第二类别部位为第一类别部位的子类别。例如，A车主受伤部位的第一类别部位为手部，第二类别部位为某手指。
具体实施时，待理赔人员的目标信息可以是由处理车险的工作人员录入的，则进行车险人伤定损时，直接获取工作人员录入的目标信息即可实现获取待理赔人员的目标信息的操作。
可选的，所述获取待理赔人员的目标信息，包括：
获取所述待理赔人员的身份图像，通过光学字符识别引擎识别所述身份图像，得到所述待理赔人员的身份信息；
获取所述待理赔人员的实时图像，根据所述实时图像确定所述待理赔人员的受伤部位和受伤程度。
本实施例中，所述身份图像可以是处理车险的工作人员通过图像获取装置拍摄的待理赔人员的身份证图像、驾照图像或者是保单图像，则直接通过识别身份图像可以得到待理赔人员的身份信息。
本实施例中，光学字符识别(Optical Character Recognition，OCR)引擎可以为Tesseract-OCR引擎，具体的，Tesseract-OCR引擎为一种开源的光学字符识别引擎，可以对图像中的字符进行识别。
本实施例中，待理赔人员的实时图像为在车险处理现场拍摄到的包含受伤部位的图像，通过对实时图像进行分析，进而确定待理赔人员的受伤部位和受伤程度。
本实施例通过光学字符识别引擎识别身份图像，从而得到待理赔人员的身份信息，可以无需人工输入，提高获取待理赔人员的目标信息，特别是待理赔人员的数量不止一人时，极大的提高了获取待理赔人员的目标信息的效率，进而有利于后续流程的快速处理。同时，通过根据待理赔人员的实时图像确定待理赔人员的受伤部位和受伤程度，可以避免人为判断的主观性，受伤部位和受伤程度的判断更为准确。
本实施例中，受伤程度可以为轻微伤、轻伤、中度受伤、重度受伤之中的任意一个程度。
可选的，所述根据所述实时图像确定所述待理赔人员的受伤部位和受伤程度，包括：
利用预训练的VGG卷积神经网络模型的卷积层提取所述实时图像的特征，得到特征向量；
利用所述预训练的VGG卷积神经网络模型的池化层对所述特征向量进行下采样，得到采样特征向量；
利用所述预训练的VGG卷积神经网络模型的全连接层拼接通过池化层得到的所有采样特征向量，得到拼接向量；
将所述拼接向量输入至所述预训练的VGG卷积神经网络模型的激活函数，得到所述待理赔人员的受伤部位和受伤程度。
本实施例中，预训练的VGG卷积神经网络模型是通过训练样本(如大量不同受伤以及不同受伤程度的图片)训练预构建的VGG卷积神经网络模型得到的，通过训练样本训练预构建的VGG卷积神经网络模型，使得预训练的VGG卷积神经网络模型能够识别图像中的受伤部位和受伤程度。
本实施例中，预构建的VGG卷积神经网络模型是卷积神经网络的一种，具体的，预构建的VGG卷积神经网络模型是一种使用很小的卷积核(3×3)构建各种深度的卷积神经网络结构，同时，预构建的VGG卷积神经网络模型包含卷积层、池化层、全连接层和激活函数。
进一步的，VGG卷积神经网络模型具体可以是VGG-16卷积神经网络模型或VGG-19卷积神经网络模型。VGG-16卷积神经网络模型和VGG-19卷积神经网络模型的区别是卷积层的数量不同。
可选的，所述利用预训练的VGG卷积神经网络模型的卷积层提取所述实时图像的特征，包括：
获取所述实时图像的初始直方图，将所述初始直方图转换为均匀分布的直方图，得到所述实时图像的目标图像；
利用预训练的VGG卷积神经网络模型的卷积层提取所述目标图像的特征。
通过将初始直方图转换为均匀分布的直方图，可以重新分布图像的像素值，使得实时图像中过亮的部分变暗，过暗的部分变量，提高得到高质量的目标图像，进而又有利于实现对图像的准确地识别。
可选的，所述获取所述实时图像的初始直方图之前，所述方法还包括：
识别所述实时图像的亮度；
当所述实时图像的亮度大于第一亮度时，对所述实时图像进行伽马变换，得到所述实时图像的目标图像；
当所述实时图像的亮度小于所述第一亮度时，执行所述获取所述实时图像的初始直方图的操作。
本实施例中，实时图像的亮度是指实时图像的明亮程度。具体的，可以通过获取实时图像在RGB通道中的R值、G值、B值，然后将R值、G值、B值输入至预设的图像亮度计算公式(例如，公式为R*0.3+G*0.5+B*0.2)进行计算，得到实时图像的亮度；或者，还可以基于实时图像的HSV空间中像素点的平均值的平均亮度。
本实施例中，所述第一亮度为预先设置的值，当实时图像的亮度大于第一亮度时，说明此时实时图像的亮度较亮，当实时图像的亮度小于第一亮度时，说明此时实时图像的亮度较暗。
具体实施时，可以通过伽马变换公式对实时图像进行伽马变换。具体的伽马变换公式可以从现有的伽马变换公式中选取。
本实施例中，由于伽马变换对于过曝光图像具有好的增强效果，因此，本实施例中，对实时图像的亮度进行识别，当亮度较大时，对实时图像进行伽马变换可以更好地实现对实时图像的增强，得到高质量的目标图像，有利于进一步实现对图像的准确地识别。
S2、通过预设的相似数据查询模型查询与所述目标信息相匹配的历史受伤人员信息对应的历史诊断数据集。
本实施例中，所述预设的相似数据查询模型为预先训练的可以根据输入数据从图数据库中查找与目标信息相似的一个或者多个受伤人员信息(例如，相似度高于90以上的多个受伤人员信息)，并获取受伤人员信息对应的诊断数据，得到历史诊断数据集。
具体的历史诊断数据集中可以包含历史受伤人员受伤状况、保单信息、理赔方案(包含药品信息、看诊医院、赔付金额、赔付方式)等信息。
S3、获取所述历史诊断数据集中药品信息对应的更新药品信息，以及获取所述更新药品信息对应的药品价格。
本实施例中，历史定损数据集是从历史诊断数据集中选取的与赔付有关的数据，例如，历史定损数据集包含看诊医院、药品信息、赔付金额等。
进一步的，本实施例中，历史诊断数据集中包含历史理赔时的药品信息，即使用了何种药品。本实施例中，药品信息对应的更新药品信息可以根据预设的药品映射关系表获取，更新药品信息可以包含以前的药品信息，也可以包含新的药品信息。
例如，当某历史诊断数据集中m用户使用的药品为n药品，但该药品目前不常用了，而常用的为N药品，则此时，更新药品信息中包含N药品。
例如，当某历史诊断数据集中m用户使用的药品为n药品，但除了该药品，还有常用的N药品，则此时，更新药品信息中包含n药品和N药品。
本实施例中，获取更新药品信息对应的药品价格可以为一段时间内更新药品信息的价格的平均值，从而使得更新药品信息对应的药品价格的准确性更高。
可选的，获取所述更新药品信息对应的药品价格，包括：
通过价格预测模型获取所述更新药品信息对应的药品价格。
本实施例中，价格预测模型可以为预训练的线性回归模型或决策树模型，通过价格预测模型可以预测更新药品信息的价格，更能准确的反应更新药品信息对应的药品价格。
S4、利用所述更新药品信息和所述药品价格更新所述历史诊断数据集中的历史定损数据集，得到更新定损数据集。
S5、计算所述更新定损数据集分布的期望和方差。
本实施例中，计算更新定损数据集分布的方差(δ)和期望(ν)，则得到更新定损数据集的正态分布曲线，正态分布曲线的横坐标可以为不同时间，正态分布曲线的纵坐标可以为更新定损方案(如更新定损金额)。
进一步的，所述计算所述更新定损数据集分布的期望和方差，包括：
计算更新定损数据集中每组更新定损数据的概率值；
将每组更新定损数据的概率值与每组更新定损数据进行乘积计算，得到所述更新定损数据集分布的期望；
计算每组更新定损数据与期望的差值的平方值与每组更新定损数据的概率值，得到更新定损数据集分布的方差。
S6、根据所述期望和方差确定所述待理赔人员的定损方案信息。
本实施例中，若方差为δ，期望为ν，则可以根据N{|X-ν|<2δ}公式确定待理赔人员的定损方案信息，其中N表示正态分布，X表示待理赔人员的定损方案信息。具体的，该公式表示确定正态分布曲线中中轴线(即期望ν)靠左右2δ范围内的数据为定损方案。
进一步的，所述根据所述期望和方差确定所述待理赔人员的定损方案信息，包括：
根据所述期望和方差确定所有更新定损数据的正态分布，确定所述正态分布中预设范围内的更新定损数据的均值为所述待理赔人员的定损方案信息。
进一步的，本实施例中，当确定定损方案信息之后，可以将定损方案信息发送至处理车险的工作人员，或者，可以直接触发在线人伤定损流程根据定损方案信息进行理赔处理。
本发明通过获取待理赔人员的目标信息，所述目标信息包括身份信息、受伤部位和受伤程度；通过预设的相似数据查询模型查询与所述目标信息相匹配的历史受伤人员信息对应的历史诊断数据集；获取所述历史诊断数据集中药品信息对应的更新药品信息，以及获取所述更新药品信息对应的药品价格；利用所述更新药品信息和所述药品价格更新所述历史诊断数据集中的历史定损数据集，得到更新定损数据集；计算所述更新定损数据集分布的期望和方差；根据所述期望和方差确定所述待理赔人员的定损方案信息。无需理赔专员还要花更多的时间到医院或者其他地方去跟进待理赔人员的受伤情况进而进行理赔方案的计算与结算，通过历史诊断数据集就能够得到相似的理赔数据的分布，进而确定待理赔人员的定损方案信息，快捷高效，因此，本发明实施例所述的方法实现了提高人伤定损效率的的目的。
如图2所示，是本发明一实施例提供的基于大数据的车险人伤定损装置的功能模块图。
本发明所述基于大数据的车险人伤定损装置100可以安装于电子设备中。根据实现的功能，所述基于大数据的车险人伤定损装置100可以包括信息获取模块101、查询模块102、计算模块103及定损方案确定模块模块104。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：
信息获取模块101，用于获取待理赔人员的目标信息，所述目标信息包括身份信息、受伤部位和受伤程度；
查询模块102，用于通过预设的相似数据查询模型查询与所述目标信息相匹配的历史受伤人员信息对应的历史诊断数据集；
计算模块103，用于获取所述历史诊断数据集中药品信息对应的更新药品信息，以及获取所述更新药品信息对应的药品价格，利用所述更新药品信息和所述药品价格更新所述历史诊断数据集中的历史定损数据集，得到更新定损数据集，计算所述更新定损数据集分布的期望和方差；
定损方案确定模块104，用于根据所述期望和方差确定所述待理赔人员的定损方案信息。
详细地，所述基于大数据的车险人伤定损装置100各模块的具体实施方式如下：
步骤一、获取待理赔人员的目标信息，所述目标信息包括身份信息、受伤部位、和受伤程度。
本实施例中，所述待理赔人员为报车险之后，需要进行人伤理赔的人员。例如，A车与B车发生碰撞，A车主受伤，则A车主为待理赔人员。
本实施例中，身份信息可以包括性别和年龄等信息。
本实施例中，受伤部位具体可以包括受伤部位所属的类别部位，该类别部位可以包括第一类别部位以及第二类别部位，其中，第二类别部位为第一类别部位的子类别。例如，A车主受伤部位的第一类别部位为手部，第二类别部位为某手指。
具体实施时，待理赔人员的目标信息可以是由处理车险的工作人员录入的，则进行车险人伤定损时，直接获取工作人员录入的目标信息即可实现获取待理赔人员的目标信息的操作。
可选的，所述获取待理赔人员的目标信息，包括：
获取所述待理赔人员的身份图像，通过光学字符识别引擎识别所述身份图像，得到所述待理赔人员的身份信息；
获取所述待理赔人员的实时图像，根据所述实时图像确定所述待理赔人员的受伤部位和受伤程度。
本实施例中，所述身份图像可以是处理车险的工作人员通过图像获取装置拍摄的待理赔人员的身份证图像、驾照图像或者是保单图像，则直接通过识别身份图像可以得到待理赔人员的身份信息。
本实施例中，光学字符识别(Optical Character Recognition，OCR)引擎可以为Tesseract-OCR引擎，具体的，Tesseract-OCR引擎为一种开源的光学字符识别引擎，可以对图像中的字符进行识别。
本实施例中，待理赔人员的实时图像为在车险处理现场拍摄到的包含受伤部位的图像，通过对实时图像进行分析，进而确定待理赔人员的受伤部位和受伤程度。
本实施例通过光学字符识别引擎识别身份图像，从而得到待理赔人员的身份信息，可以无需人工输入，提高获取待理赔人员的目标信息，特别是待理赔人员的数量不止一人时，极大的提高了获取待理赔人员的目标信息的效率，进而有利于后续流程的快速处理。同时，通过根据待理赔人员的实时图像确定待理赔人员的受伤部位和受伤程度，可以避免人为判断的主观性，受伤部位和受伤程度的判断更为准确。
本实施例中，受伤程度可以为轻微伤、轻伤、中度受伤、重度受伤之中的任意一个程度。
可选的，所述根据所述实时图像确定所述待理赔人员的受伤部位和受伤程度，包括：
利用预训练的VGG卷积神经网络模型的卷积层提取所述实时图像的特征，得到特征向量；
利用所述预训练的VGG卷积神经网络模型的池化层对所述特征向量进行下采样，得到采样特征向量；
利用所述预训练的VGG卷积神经网络模型的全连接层拼接通过池化层得到的所有采样特征向量，得到拼接向量；
将所述拼接向量输入至所述预训练的VGG卷积神经网络模型的激活函数，得到所述待理赔人员的受伤部位和受伤程度。
本实施例中，预训练的VGG卷积神经网络模型是通过训练样本(如大量不同受伤以及不同受伤程度的图片)训练预构建的VGG卷积神经网络模型得到的，通过训练样本训练预构建的VGG卷积神经网络模型，使得预训练的VGG卷积神经网络模型能够识别图像中的受伤部位和受伤程度。
本实施例中，预构建的VGG卷积神经网络模型是卷积神经网络的一种，具体的，预构建的VGG卷积神经网络模型是一种使用很小的卷积核(3×3)构建各种深度的卷积神经网络结构，同时，预构建的VGG卷积神经网络模型包含卷积层、池化层、全连接层和激活函数。
进一步的，VGG卷积神经网络模型具体可以是VGG-16卷积神经网络模型或VGG-19卷积神经网络模型。VGG-16卷积神经网络模型和VGG-19卷积神经网络模型的区别是卷积层的数量不同。
可选的，所述利用预训练的VGG卷积神经网络模型的卷积层提取所述实时图像的特征，包括：
获取所述实时图像的初始直方图，将所述初始直方图转换为均匀分布的直方图，得到所述实时图像的目标图像；
利用预训练的VGG卷积神经网络模型的卷积层提取所述目标图像的特征。
通过将初始直方图转换为均匀分布的直方图，可以重新分布图像的像素值，使得实时图像中过亮的部分变暗，过暗的部分变量，提高得到高质量的目标图像，进而又有利于实现对图像的准确地识别。
可选的，所述获取所述实时图像的初始直方图之前，所述执行以下操作：
识别所述实时图像的亮度；
当所述实时图像的亮度大于第一亮度时，对所述实时图像进行伽马变换，得到所述实时图像的目标图像；
当所述实时图像的亮度小于所述第一亮度时，执行所述获取所述实时图像的初始直方图的操作。
本实施例中，实时图像的亮度是指实时图像的明亮程度。具体的，可以通过获取实时图像在RGB通道中的R值、G值、B值，然后将R值、G值、B值输入至预设的图像亮度计算公式(例如，公式为R*0.3+G*0.5+B*0.2)进行计算，得到实时图像的亮度；或者，还可以基于实时图像的HSV空间中像素点的平均值的平均亮度。
本实施例中，所述第一亮度为预先设置的值，当实时图像的亮度大于第一亮度时，说明此时实时图像的亮度较亮，当实时图像的亮度小于第一亮度时，说明此时实时图像的亮度较暗。
具体实施时，可以通过伽马变换公式对实时图像进行伽马变换。具体的伽马变换公式可以从现有的伽马变换公式中选取。
本实施例中，由于伽马变换对于过曝光图像具有好的增强效果，因此，本实施例中，对实时图像的亮度进行识别，当亮度较大时，对实时图像进行伽马变换可以更好地实现对实时图像的增强，得到高质量的目标图像，有利于进一步实现对图像的准确地识别。
步骤二、通过预设的相似数据查询模型查询与所述目标信息相匹配的历史受伤人员信息对应的历史诊断数据集。
本实施例中，所述预设的相似数据查询模型为预先训练的可以根据输入数据从图数据库中查找与目标信息相似的一个或者多个受伤人员信息(例如，相似度高于90以上的多个受伤人员信息)，并获取受伤人员信息对应的诊断数据，得到历史诊断数据集。
具体的历史诊断数据集中可以包含历史受伤人员受伤状况、保单信息、理赔方案(包含药品信息、看诊医院、赔付金额、赔付方式)等信息。
步骤三、获取所述历史诊断数据集中药品信息对应的更新药品信息，以及获取所述更新药品信息对应的药品价格，利用所述更新药品信息和所述药品价格更新所述历史诊断数据集中的历史定损数据集，得到更新定损数据集，计算所述更新定损数据集分布的期望和方差。
本实施例中，历史定损数据集是从历史诊断数据集中选取的与赔付有关的数据，例如，历史定损数据集包含看诊医院、药品信息、赔付金额等。
进一步的，本实施例中，历史诊断数据集中包含历史理赔时的药品信息，即使用了何种药品。本实施例中，药品信息对应的更新药品信息可以根据预设的药品映射关系表获取，更新药品信息可以包含以前的药品信息，也可以包含新的药品信息。
例如，当某历史诊断数据集中m用户使用的药品为n药品，但该药品目前不常用了，而常用的为N药品，则此时，更新药品信息中包含N药品。
例如，当某历史诊断数据集中m用户使用的药品为n药品，但除了该药品，还有常用的N药品，则此时，更新药品信息中包含n药品和N药品。
本实施例中，获取更新药品信息对应的药品价格可以为一段时间内更新药品信息的价格的平均值，从而使得更新药品信息对应的药品价格的准确性更高。
可选的，获取所述更新药品信息对应的药品价格，包括：
通过价格预测模型获取所述更新药品信息对应的药品价格。
本实施例中，价格预测模型可以为预训练的线性回归模型或决策树模型，通过价格预测模型可以预测更新药品信息的价格，更能准确的反应更新药品信息对应的药品价格。
本实施例中，计算更新定损数据集分布的方差(δ)和期望(ν)，则得到更新定损数据集的正态分布曲线，正态分布曲线的横坐标可以为不同时间，正态分布曲线的纵坐标可以为更新定损方案(如更新定损金额)。
进一步的，所述计算所述更新定损数据集分布的期望和方差，包括：
计算更新定损数据集中每组更新定损数据的概率值；
将每组更新定损数据的概率值与每组更新定损数据进行乘积计算，得到所述更新定损数据集分布的期望；
计算每组更新定损数据与期望的差值的平方值与每组更新定损数据的概率值，得到更新定损数据集分布的方差。
步骤四、根据所述期望和方差确定所述待理赔人员的定损方案信息。
本实施例中，若方差为δ，期望为ν，则可以根据N{|X-ν|<2δ}公式确定待理赔人员的定损方案信息，其中N表示正态分布，X表示待理赔人员的定损方案信息。具体的，该公式表示确定正态分布曲线中中轴线(即期望ν)靠左右2δ范围内的数据为定损方案。
进一步的，所述根据所述期望和方差确定所述待理赔人员的定损方案信息，包括：
根据所述期望和方差确定所有更新定损数据的正态分布，确定所述正态分布中预设范围内的更新定损数据的均值为所述待理赔人员的定损方案信息。
进一步的，本实施例中，当确定定损方案信息之后，可以将定损方案信息发送至处理车险的工作人员，或者，可以直接触发在线人伤定损流程根据定损方案信息进行理赔处理。
本发明通过获取待理赔人员的目标信息，所述目标信息包括身份信息、受伤部位和受伤程度；通过预设的相似数据查询模型查询与所述目标信息相匹配的历史受伤人员信息对应的历史诊断数据集；获取所述历史诊断数据集中药品信息对应的更新药品信息，以及获取所述更新药品信息对应的药品价格；利用所述更新药品信息和所述药品价格更新所述历史诊断数据集中的历史定损数据集，得到更新定损数据集；计算所述更新定损数据集分布的期望和方差；根据所述期望和方差确定所述待理赔人员的定损方案信息。无需理赔专员还要花更多的时间到医院或者其他地方去跟进待理赔人员的受伤情况进而进行理赔方案的计算与结算，通过历史诊断数据集就能够得到相似的理赔数据的分布，进而确定待理赔人员的定损方案信息，快捷高效，因此，本发明实施例所述的装置实现了提高人伤定损效率的的目的。
如图3所示，是本发明一实施例提供的实现基于大数据的车险人伤定损方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于大数据的车险人伤定损程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于大数据的车险人伤定损程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如基于大数据的车险人伤定损程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，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中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，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。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，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。
所述电子设备中的所述存储器11存储的基于大数据的车险人伤定损程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取待理赔人员的目标信息，所述目标信息包括身份信息、受伤部位和受伤程度；
通过预设的相似数据查询模型查询与所述目标信息相匹配的历史受伤人员信息对应的历史诊断数据集；
获取所述历史诊断数据集中药品信息对应的更新药品信息，以及获取所述更新药品信息对应的药品价格；
利用所述更新药品信息和所述药品价格更新所述历史诊断数据集中的历史定损数据集，得到更新定损数据集；
计算所述更新定损数据集分布的期望和方差；
根据所述期望和方差确定所述待理赔人员的定损方案信息。
具体地，所述处理器10对上述指令的具体实现方法可参考附图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易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：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)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待理赔人员的目标信息，所述目标信息包括身份信息、受伤部位和受伤程度；
通过预设的相似数据查询模型查询与所述目标信息相匹配的历史受伤人员信息对应的历史诊断数据集；
获取所述历史诊断数据集中药品信息对应的更新药品信息，以及获取所述更新药品信息对应的药品价格；
利用所述更新药品信息和所述药品价格更新所述历史诊断数据集中的历史定损数据集，得到更新定损数据集；
计算所述更新定损数据集分布的期望和方差；
根据所述期望和方差确定所述待理赔人员的定损方案信息。
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。
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)
1.一种基于大数据的车险人伤定损方法，其特征在于，所述方法包括：
获取待理赔人员的目标信息，所述目标信息包括身份信息、受伤部位和受伤程度；
通过预设的相似数据查询模型查询与所述目标信息相匹配的历史受伤人员信息对应的历史诊断数据集；
获取所述历史诊断数据集中药品信息对应的更新药品信息，以及获取所述更新药品信息对应的药品价格；
利用所述更新药品信息和所述药品价格更新所述历史诊断数据集中的历史定损数据集，得到更新定损数据集；
计算所述更新定损数据集分布的期望和方差；
根据所述期望和方差确定所述待理赔人员的定损方案信息。
2.如权利要求1所述的基于大数据的车险人伤定损方法，其特征在于，所述获取待理赔人员的目标信息，包括：
获取所述待理赔人员的身份图像，通过光学字符识别引擎识别所述身份图像，得到所述待理赔人员的身份信息；
获取所述待理赔人员的实时图像，根据所述实时图像确定所述待理赔人员的受伤部位和受伤程度。
3.如权利要求2所述的基于大数据的车险人伤定损方法，其特征在于，所述根据所述实时图像确定所述待理赔人员的受伤部位和受伤程度，包括：
利用预训练的VGG卷积神经网络模型的卷积层提取所述实时图像的特征，得到特征向量；
利用所述预训练的VGG卷积神经网络模型的池化层对所述特征向量进行下采样，得到采样特征向量；
利用所述预训练的VGG卷积神经网络模型的全连接层拼接通过池化层得到的所有采样特征向量，得到拼接向量；
将所述拼接向量输入至所述预训练的VGG卷积神经网络模型的激活函数，得到所述待理赔人员的受伤部位和受伤程度。
4.如权利要求3所述的基于大数据的车险人伤定损方法，其特征在于，所述利用预训练的VGG卷积神经网络模型的卷积层提取所述实时图像的特征，包括：
获取所述实时图像的初始直方图，将所述初始直方图转换为均匀分布的直方图，得到所述实时图像的目标图像；
利用预训练的VGG卷积神经网络模型的卷积层提取所述目标图像的特征。
5.如权利要求4所述的基于大数据的车险人伤定损方法，其特征在于，所述获取所述实时图像的初始直方图之前，所述方法还包括：
识别所述实时图像的亮度；
当所述实时图像的亮度大于第一亮度时，对所述实时图像进行伽马变换，得到所述实时图像的目标图像；
当所述实时图像的亮度小于所述第一亮度时，执行所述获取所述实时图像的初始直方图的操作。
6.如权利要求1至5中任一项所述的基于大数据的车险人伤定损方法，其特征在于，所述计算所述更新定损数据集分布的期望和方差，包括：
计算更新定损数据集中每组更新定损数据的概率值；
将每组更新定损数据的概率值与每组更新定损数据进行乘积计算，得到所述更新定损数据集分布的期望；
计算每组更新定损数据与期望的差值的平方值与每组更新定损数据的概率值，得到更新定损数据集分布的方差。
7.如权利要求1至5中任一项所述的基于大数据的车险人伤定损方法，其特征在于，所述根据所述期望和方差确定所述待理赔人员的定损方案信息，包括：
根据所述期望和方差确定所有更新定损数据的正态分布，确定所述正态分布中预设范围内的更新定损数据的均值为所述待理赔人员的定损方案信息。
8.一种基于大数据的车险人伤定损装置，其特征在于，所述装置包括：
信息获取模块，用于获取待理赔人员的目标信息，所述目标信息包括身份信息、受伤部位和受伤程度；
查询模块，用于通过预设的相似数据查询模型查询与所述目标信息相匹配的历史受伤人员信息对应的历史诊断数据集；
计算模块，用于获取所述历史诊断数据集中药品信息对应的更新药品信息，以及获取所述更新药品信息对应的药品价格，利用所述更新药品信息和所述药品价格更新所述历史诊断数据集中的历史定损数据集，得到更新定损数据集，计算所述更新定损数据集分布的期望和方差；
定损方案确定模块，用于根据所述期望和方差确定所述待理赔人员的定损方案信息。
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计算机程序，所述计算机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中任意一项所述的基于大数据的车险人伤定损方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于大数据的车险人伤定损方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210282755.XA CN114757787A (zh) | 2022-03-22 | 2022-03-22 | 基于大数据的车险人伤定损方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210282755.XA CN114757787A (zh) | 2022-03-22 | 2022-03-22 | 基于大数据的车险人伤定损方法、装置、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114757787A true CN114757787A (zh) | 2022-07-15 |
Family
ID=82327290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210282755.XA Pending CN114757787A (zh) | 2022-03-22 | 2022-03-22 | 基于大数据的车险人伤定损方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114757787A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116503182A (zh) * | 2023-06-25 | 2023-07-28 | 凯泰铭科技（北京）有限公司 | 基于规则引擎实现动态采集车险人伤数据方法和装置 |
-
2022
- 2022-03-22 CN CN202210282755.XA patent/CN114757787A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116503182A (zh) * | 2023-06-25 | 2023-07-28 | 凯泰铭科技（北京）有限公司 | 基于规则引擎实现动态采集车险人伤数据方法和装置 |
| CN116503182B (zh) * | 2023-06-25 | 2023-09-01 | 凯泰铭科技（北京）有限公司 | 基于规则引擎实现动态采集车险人伤数据方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111932562B (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
| CN111932547B (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
| CN111932534B (zh) | 医学影像图片分析方法、装置、电子设备及可读存储介质 | |
| CN112860848B (zh) | 信息检索方法、装置、设备及介质 | |
| CN113657495A (zh) | 基于概率预测模型的保险产品推荐方法、装置、设备 | |
| CN115206512B (zh) | 基于物联网的医院信息管理方法及装置 | |
| CN111931729B (zh) | 基于人工智能的行人检测方法、装置、设备及介质 | |
| CN112885423A (zh) | 疾病标签检测方法、装置、电子设备及存储介质 | |
| CN111933274A (zh) | 疾病分类诊断方法、装置、电子设备及存储介质 | |
| CN113707337A (zh) | 基于多源数据的疾病预警方法、装置、设备及存储介质 | |
| CN115205225A (zh) | 医学图像识别模型的训练方法、装置、设备及存储介质 | |
| CN114757787A (zh) | 基于大数据的车险人伤定损方法、装置、电子设备及介质 | |
| CN114220536A (zh) | 基于机器学习的疾病分析方法、装置、设备及存储介质 | |
| CN112862703B (zh) | 基于移动拍照的图像校正方法、装置、电子设备及介质 | |
| CN114187489A (zh) | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 | |
| CN116741358A (zh) | 问诊挂号推荐方法、装置、设备及存储介质 | |
| CN111652282A (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
| CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN114610854A (zh) | 智能问答方法、装置、设备及存储介质 | |
| CN113505698A (zh) | 基于对抗学习的人脸识别方法、装置、设备及介质 | |
| CN114187476A (zh) | 基于图像分析的车险信息核对方法、装置、设备及介质 | |
| CN113241134A (zh) | 在线问诊医生分配方法和系统、存储介质 | |
| CN111275035B (zh) | 一种识别背景信息的方法及系统 | |
| CN112561893A (zh) | 图片匹配方法、装置、电子设备及存储介质 | |
| CN116630048B (zh) | 基于期货行情k线的交易方法、装置、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 |