CN114898155A - 车辆定损方法、装置、设备及存储介质 - Google Patents
车辆定损方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114898155A CN114898155A CN202210544135.9A CN202210544135A CN114898155A CN 114898155 A CN114898155 A CN 114898155A CN 202210544135 A CN202210544135 A CN 202210544135A CN 114898155 A CN114898155 A CN 114898155A
- Authority
- CN
- China
- Prior art keywords
- damage
- vehicle
- image
- network
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 124
- 238000001514 detection method Methods 0.000 claims abstract description 118
- 238000012549 training Methods 0.000 claims abstract description 94
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 45
- 238000007477 logistic regression Methods 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims description 23
- 238000012550 audit Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000006735 deficit Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000037303 wrinkles Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能,提供一种车辆定损方法、装置、设备及存储介质。该方法基于多个预设比例对获取到的历史车损图像进行划分,得到车损训练集,基于每个车损训练集对预设网络进行并行训练,得到车损检测模型,每个车损检测模型包括目标特征提取网络及输出网络,基于每个目标特征提取网络对待定损图像进行特征提取,得到损伤特征向量,基于每个输出网络检测对应的损伤特征向量,得到损伤结果,拼接多个损伤特征向量,得到目标特征向量,对目标特征向量进行逻辑回归处理,得到损伤置信度,根据损伤置信度及损伤结果准确生成定损结果。此外,本发明还涉及区块链技术,所述定损结果可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种车辆定损方法、装置、设备及存储介质。
背景技术
目前,在车辆定损方案中,通常利用相机拍摄受损车辆,再利用深度学习模型在图像中对损伤进行检测和分类,最终依据后处理逻辑形成理赔结果,然而,由于深度学习模型无法准确的对某些形态的图像进行特征提取,造成深度学习模型所输出的定损结果的准确性低下。
发明内容
鉴于以上内容,有必要提供一种车辆定损方法、装置、设备及存储介质,能够提高定损结果的准确性。
一方面,本发明提出一种车辆定损方法,所述车辆定损方法包括:
基于多个预设比例对获取到的历史车损图像进行划分,得到每个预设比例对应的车损训练集;
基于每个车损训练集对预设网络进行并行训练,得到与每个车损训练集对应的车损检测模型,每个车损检测模型包括目标特征提取网络及输出网络;
当接收到车辆定损请求时,根据所述车辆定损请求获取待定损图像;
基于每个目标特征提取网络对所述待定损图像进行特征提取,得到每个车损检测模型所输出的损伤特征向量;
基于每个输出网络检测对应的损伤特征向量,得到每个车损检测模型所输出的损伤结果;
拼接多个所述损伤特征向量,得到目标特征向量;
对所述目标特征向量进行逻辑回归处理,得到多个所述车损检测模型对所述待定损图像的损伤置信度;
根据所述损伤置信度及所述损伤结果生成定损结果。
根据本发明优选实施例,所述基于多个预设比例对获取到的历史车损图像进行划分,得到每个预设比例对应的车损训练集包括:
获取所述历史车损图像的车损类型;
统计所述车损类型的类型总数;
基于所述类型总数设定所述多个预设比例,每个预设比例与每个车损类型相对应;
统计所述历史车损图像中每个车损类型的类型图像数量;
对于每个车损类型,将该车损类型的类型图像数量作为基准数量,并计算所述基准数量与对应的预设比例的乘积,得到筛选数量;
基于所述筛选数量从其余车损类型的历史车损图像中选取第一训练图像,并将与该车损类型对应的历史车损图像确定为第二训练图像;
根据所述第一训练图像及所述第二训练图像生成与该车损类型对应的预设比例的车损训练集。
根据本发明优选实施例,所述目标特征提取网络包括骨干网络、区域候选网络及第一全连接层,所述基于每个目标特征提取网络对所述待定损图像进行特征提取,得到每个车损检测模型所输出的损伤特征向量包括:
基于所述骨干网络对所述待定损图像进行特征提取,得到第一特征图;
基于所述区域候选网络对所述第一特征图进行重新构建,得到第二特征图;
获取所述第一全连接层的预设矩阵及预设偏置值;
基于所述预设矩阵及所述预设偏置值对所述第二特征图进行处理,得到所述损伤特征向量。
根据本发明优选实施例,所述区域候选网络包括区域卷积层、边界框回归层及感兴趣区域对齐层,所述基于所述区域候选网络对所述第一特征图进行重新构建,得到第二特征图包括:
基于所述区域卷积层对所述第一特征图进行卷积处理,得到区域特征;
基于所述边界框回归层对所述区域特征进行回归处理,得到边界框;
基于所述感兴趣区域对齐层对所述边界框进行对齐处理,得到所述第二特征图。
根据本发明优选实施例,所述输出网络包括第二全连接层、边界框回归网络及损伤分类识别网络,所述基于每个输出网络检测对应的损伤特征向量,得到每个车损检测模型所输出的损伤结果包括:
基于所述第二全连接层对所述损伤特征向量进行处理,得到输出向量;
基于所述边界框回归网络对所述输出向量进行回归处理,得到损伤边界框坐标;
基于所述损伤类别识别网络对所述输出向量进行回归处理,得到损伤分类;
根据所述损伤边界框坐标及所述损伤分类生成所述损伤结果。
根据本发明优选实施例,所述对所述目标特征向量进行逻辑回归处理,得到多个所述车损检测模型对所述待定损图像的损伤置信度包括:
根据每个车损检测模型的模型损失值构建模型权值向量;
基于所述模型权值向量及所述目标特征向量计算所述多个车损检测模型对所述待定损图像的图像分值,所述图像分值的计算公式为:y=aT×b,其中,y表征所述图像分值,a表征所述模型权值向量,b表征所述目标特征向量;
对所述图像分值进行归一化处理,得到所述损伤置信度。
根据本发明优选实施例,所述根据所述损伤置信度及所述损伤结果生成定损结果包括:
若所述损伤置信度大于或者等于预设置信度阈值,则从所述损伤结果中选取任一结果作为所述定损结果;或者
若所述损伤置信度小于所述预设置信度阈值,则根据所述待定损图像、所述损伤置信度及所述损伤结果生成审核请求;
当检测到所述审核请求完成审核时,获取与所述审核请求对应的审核结果;
根据所述审核结果提取所述定损结果。
另一方面,本发明还提出一种车辆定损装置,所述车辆定损装置包括:
划分单元,用于基于多个预设比例对获取到的历史车损图像进行划分,得到每个预设比例对应的车损训练集;
训练单元,用于基于每个车损训练集对预设网络进行并行训练,得到与每个车损训练集对应的车损检测模型,每个车损检测模型包括目标特征提取网络及输出网络;
获取单元,用于当接收到车辆定损请求时,根据所述车辆定损请求获取待定损图像;
提取单元,用于基于每个目标特征提取网络对所述待定损图像进行特征提取,得到每个车损检测模型所输出的损伤特征向量;
检测单元,用于基于每个输出网络检测对应的损伤特征向量,得到每个车损检测模型所输出的损伤结果;
拼接单元,用于拼接多个所述损伤特征向量,得到目标特征向量;
回归单元,用于对所述目标特征向量进行逻辑回归处理,得到多个所述车损检测模型对所述待定损图像的损伤置信度;
生成单元,用于根据所述损伤置信度及所述损伤结果生成定损结果。
另一方面,本发明还提出一种电子设备,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现所述车辆定损方法。
另一方面,本发明还提出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计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述车辆定损方法。
由以上技术方案可以看出,本申请通过与每个车损类型对应的预设比例的车损训练集生成对应的车损检测模型,使得每个车损检测模型能够更加关注于对应车损类型的检测,从而能够提取每个车损检测模型对于车损类型的检测能力,同时,通过相应减少其余车损类型的历史车损图像对所述车损检测模型的训练,能够提高车损检测模型的训练效率,进而通过对所述目标特征向量进行逻辑回归处理,能够识别出所述多个车损检测模型对所述待定损图像的损伤置信度,进而基于所述损伤置信度对所述损伤结果进行智能化分流,以确保所述多个车损检测模型在对损伤结果的识别不够确信的情况下,利用审核结果提高所述定损结果的准确性。
附图说明
图1是本发明车辆定损方法的较佳实施例的流程图。
图2是本发明车辆定损装置的较佳实施例的功能模块图。
图3是本发明实现车辆定损方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明车辆定损方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述车辆定损方法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。
所述车辆定损方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的计算机可读指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字信号处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所在的网络包括,但不限于:互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,基于多个预设比例对获取到的历史车损图像进行划分,得到每个预设比例对应的车损训练集。
在本发明的至少一个实施例中,所述多个预设比例的数量与所述历史车损图像的车损类型的类型总数相同。
所述历史车损图像是指由被保险人对损伤车辆进行拍摄后所得到的图像。
所述车损训练集与每个预设比例对应,每个预设比例与每个车损类型对应。
在本发明的至少一个实施例中,所述电子设备基于多个预设比例对获取到的历史车损图像进行划分,得到每个预设比例对应的车损训练集包括:
获取所述历史车损图像的车损类型;
统计所述车损类型的类型总数;
基于所述类型总数设定所述多个预设比例,每个预设比例与每个车损类型相对应;
统计所述历史车损图像中每个车损类型的类型图像数量;
对于每个车损类型,将该车损类型的类型图像数量作为基准数量,并计算所述基准数量与对应的预设比例的乘积,得到筛选数量;
基于所述筛选数量从其余车损类型的历史车损图像中选取第一训练图像,并将与该车损类型对应的历史车损图像确定为第二训练图像;
根据所述第一训练图像及所述第二训练图像生成与该车损类型对应的预设比例的车损训练集。
其中,所述车损类别包括,但不限于:擦伤、凹陷、褶皱、开裂、缺失等。
所述筛选数量小于所述基准数量。
通过将与该车损类型的类型图像数量作为基准数量,能够确保第二训练图像的图像数量足够,避免因第二训练图像的图像数量不足而导致生成的车损检测模型无法关注该车损类型。
S11,基于每个车损训练集对预设网络进行并行训练,得到与每个车损训练集对应的车损检测模型,每个车损检测模型包括目标特征提取网络及输出网络。
在本发明的至少一个实施例中,所述车损检测模型是指基于不同车损训练集对预设网络进行训练完成后所得到的模型。
在本发明的至少一个实施例中,所述目标特征提取网络包括骨干网络、区域候选网络及第一全连接层。其中,所述骨干网络包括卷积层及池化层。所述区域候选网络包括区域卷积层、边界框回归层及感兴趣区域对齐层。
所述输出网络包括第二全连接层、边界框回归网络及损伤分类识别网络。
在本发明的至少一个实施例中,所述电子设备基于每个车损训练集对预设网络进行并行训练,得到与每个车损训练集对应的车损检测模型的方式与所述电子设备基于所述车损检测模型对所述待定损图像进行处理方式互为逆过程,下述已对所述电子设备基于所述车损检测模型对所述待定损图像进行处理的方式进行描述,本发明对所述电子设备基于每个车损训练集对预设网络进行并行训练,得到与每个车损训练集对应的车损检测模型的方式不再赘述。
S12,当接收到车辆定损请求时,根据所述车辆定损请求获取待定损图像。
在本发明的至少一个实施例中,所述车辆定损请求可以是被保险用户在需要报销车险时触发生成的请求。
所述待定损图像是指需要进行车辆损伤识别的图像。
在本发明的至少一个实施例中,所述电子设备根据所述车辆定损请求获取待定损图像包括:
从所述车辆定损请求中提取图像路径;
从所述图像路径中获取所述待定损图像。
S13,基于每个目标特征提取网络对所述待定损图像进行特征提取,得到每个车损检测模型所输出的损伤特征向量。
在本发明的至少一个实施例中,所述损伤特征向量用于表征每个车损检测模型对所述待定损图像所识别出的特征。
在本发明的至少一个实施例中,所述电子设备基于每个目标特征提取网络对所述待定损图像进行特征提取,得到每个车损检测模型所输出的损伤特征向量包括:
基于所述骨干网络对所述待定损图像进行特征提取,得到第一特征图;
基于所述区域候选网络对所述第一特征图进行重新构建,得到第二特征图;
获取所述第一全连接层的预设矩阵及预设偏置值;
基于所述预设矩阵及所述预设偏置值对所述第二特征图进行处理,得到所述损伤特征向量。
其中,所述预设矩阵及所述预设偏置值是指所述车损检测模型中的训练参数。
通过所述区域候选网络对所述第一特征图进行重新构建,能够提高所述第二特征图的准确性,从而提高所述损伤特征向量的表征准确性。
具体地,所述电子设备基于所述骨干网络对所述待定损图像进行特征提取,得到第一特征图包括:
基于所述卷积层对所述待定损图像进行卷积处理,得到图像特征;
基于所述池化层对所述图像特征进行降维处理,得到所述第一特征图。
通过所述池化层对所述图像特征进行降维处理,能够避免因所述第一特征图的维度过高而造成所述损伤特征向量的生成效率低下,同时,还能够避免所述图像特征中的干扰特征对损伤结果的影响。
具体地,所述电子设备基于所述区域候选网络对所述第一特征图进行重新构建,得到第二特征图包括:
基于所述区域卷积层对所述第一特征图进行卷积处理,得到区域特征;
基于所述边界框回归层对所述区域特征进行回归处理,得到边界框;
基于所述感兴趣区域对齐层对所述边界框进行对齐处理,得到所述第二特征图。
通过所述感兴趣区域对齐层对所述边界框进行对齐处理,避免所述第二特征图存在特征位置上的偏差。
S14,基于每个输出网络检测对应的损伤特征向量,得到每个车损检测模型所输出的损伤结果。
在本发明的至少一个实施例中,所述损伤结果包括损伤边界框坐标及损伤分类。
在本发明的至少一个实施例中,所述电子设备基于每个输出网络检测对应的损伤特征向量,得到每个车损检测模型所输出的损伤结果包括:
基于所述第二全连接层对所述损伤特征向量进行处理,得到输出向量;
基于所述边界框回归网络对所述输出向量进行回归处理,得到损伤边界框坐标;
基于所述损伤类别识别网络对所述输出向量进行回归处理,得到损伤分类;
根据所述损伤边界框坐标及所述损伤分类生成所述损伤结果。
通过所述边界框回归网络及所述损伤类别识别网络对所述输出向量进行并行处理,提高了所述损伤结果的确定效率。
S15,拼接多个所述损伤特征向量,得到目标特征向量。
在本发明的至少一个实施例中,所述目标特征向量可以是将所述多个损伤特征向量进行随机拼接后得到的向量。所述目标特征向量可以是向量形式,也可以是矩阵形式。
S16,对所述目标特征向量进行逻辑回归处理,得到多个所述车损检测模型对所述待定损图像的损伤置信度。
在本发明的至少一个实施例中,所述损伤置信度是指所述多个车损检测模型对所述待定损图像的检测准确度的衡量。
在本发明的至少一个实施例中,所述电子设备对所述目标特征向量进行逻辑回归处理,得到多个所述车损检测模型对所述待定损图像的损伤置信度包括:
根据每个车损检测模型的模型损失值构建模型权值向量;
基于所述模型权值向量及所述目标特征向量计算所述多个车损检测模型对所述待定损图像的图像分值,所述图像分值的计算公式为:y=aT×b,其中,y表征所述图像分值,a表征所述模型权值向量,b表征所述目标特征向量;
对所述图像分值进行归一化处理,得到所述损伤置信度。
其中,所述模型损失值是指所述车损检测模型训练完成时所对应的损伤值,通常来讲,所述模型损失值是指所述车损检测模型的最小损失值。
通过所述模型损失值构建所述模型权值向量,进而基于所述模型权值向量及所述目标特征向量计算,能够提高所述损伤置信度的准确性。
S17,根据所述损伤置信度及所述损伤结果生成定损结果。
需要强调的是,为进一步保证上述定损结果的私密和安全性,上述定损结果还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述定损结果包括损伤边界框坐标及损伤分类。
在本发明的至少一个实施例中,所述电子设备根据所述损伤置信度及所述损伤结果生成定损结果包括:
若所述损伤置信度大于或者等于预设置信度阈值,则从所述损伤结果中选取任一结果作为所述定损结果;或者
若所述损伤置信度小于所述预设置信度阈值,则根据所述待定损图像、所述损伤置信度及所述损伤结果生成审核请求;
当检测到所述审核请求完成审核时,获取与所述审核请求对应的审核结果;
根据所述审核结果提取所述定损结果。
其中,所述预设置信度阈值根据实际需求设定。可以理解的是,当所述损伤置信度的取值越高,则多个所述损伤结果越有可能相同,因此在所述损伤置信度大于所述预设置信度阈值时,从所述损伤结果中选取任一结果作为所述定损结果。
所述审核结果可以基于所述审核请求从操作日志中获取。
所述损伤置信度对所述损伤结果进行智能化分流,以确保所述多个车损检测模型在对损伤结果的识别不够确信的情况下,利用审核结果提高所述定损结果的准确性。
由以上技术方案可以看出,本申请通过与每个车损类型对应的预设比例的车损训练集生成对应的车损检测模型,使得每个车损检测模型能够更加关注于对应车损类型的检测,从而能够提取每个车损检测模型对于车损类型的检测能力,同时,通过相应减少其余车损类型的历史车损图像对所述车损检测模型的训练,能够提高车损检测模型的训练效率,进而通过对所述目标特征向量进行逻辑回归处理,能够识别出所述多个车损检测模型对所述待定损图像的损伤置信度,进而基于所述损伤置信度对所述损伤结果进行智能化分流,以确保所述多个车损检测模型在对损伤结果的识别不够确信的情况下,利用审核结果提高所述定损结果的准确性。
如图2所示,是本发明车辆定损装置的较佳实施例的功能模块图。所述车辆定损装置11包括划分单元110、训练单元111、获取单元112、提取单元113、检测单元114、拼接单元115、回归单元116及生成单元117。本发明所称的模块/单元是指一种能够被处理器13所获取,并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
划分单元110基于多个预设比例对获取到的历史车损图像进行划分,得到每个预设比例对应的车损训练集。
在本发明的至少一个实施例中,所述多个预设比例的数量与所述历史车损图像的车损类型的类型总数相同。
所述历史车损图像是指由被保险人对损伤车辆进行拍摄后所得到的图像。
所述车损训练集与每个预设比例对应,每个预设比例与每个车损类型对应。
在本发明的至少一个实施例中,所述划分单元110基于多个预设比例对获取到的历史车损图像进行划分,得到每个预设比例对应的车损训练集包括:
获取所述历史车损图像的车损类型;
统计所述车损类型的类型总数;
基于所述类型总数设定所述多个预设比例,每个预设比例与每个车损类型相对应;
统计所述历史车损图像中每个车损类型的类型图像数量;
对于每个车损类型,将该车损类型的类型图像数量作为基准数量,并计算所述基准数量与对应的预设比例的乘积,得到筛选数量;
基于所述筛选数量从其余车损类型的历史车损图像中选取第一训练图像,并将与该车损类型对应的历史车损图像确定为第二训练图像;
根据所述第一训练图像及所述第二训练图像生成与该车损类型对应的预设比例的车损训练集。
其中,所述车损类别包括,但不限于:擦伤、凹陷、褶皱、开裂、缺失等。
所述筛选数量小于所述基准数量。
通过将与该车损类型的类型图像数量作为基准数量,能够确保第二训练图像的图像数量足够,避免因第二训练图像的图像数量不足而导致生成的车损检测模型无法关注该车损类型。
训练单元111基于每个车损训练集对预设网络进行并行训练,得到与每个车损训练集对应的车损检测模型,每个车损检测模型包括目标特征提取网络及输出网络。
在本发明的至少一个实施例中,所述车损检测模型是指基于不同车损训练集对预设网络进行训练完成后所得到的模型。
在本发明的至少一个实施例中,所述目标特征提取网络包括骨干网络、区域候选网络及第一全连接层。其中,所述骨干网络包括卷积层及池化层。所述区域候选网络包括区域卷积层、边界框回归层及感兴趣区域对齐层。
所述输出网络包括第二全连接层、边界框回归网络及损伤分类识别网络。
在本发明的至少一个实施例中,所述训练单元111基于每个车损训练集对预设网络进行并行训练,得到与每个车损训练集对应的车损检测模型的方式与基于所述车损检测模型对所述待定损图像进行处理方式互为逆过程,下述已对基于所述车损检测模型对所述待定损图像进行处理的方式进行描述,本发明对所述训练单元111基于每个车损训练集对预设网络进行并行训练,得到与每个车损训练集对应的车损检测模型的方式不再赘述。
当接收到车辆定损请求时,获取单元112根据所述车辆定损请求获取待定损图像。
在本发明的至少一个实施例中,所述车辆定损请求可以是被保险用户在需要报销车险时触发生成的请求。
所述待定损图像是指需要进行车辆损伤识别的图像。
在本发明的至少一个实施例中,所述获取单元112根据所述车辆定损请求获取待定损图像包括:
从所述车辆定损请求中提取图像路径;
从所述图像路径中获取所述待定损图像。
提取单元113基于每个目标特征提取网络对所述待定损图像进行特征提取,得到每个车损检测模型所输出的损伤特征向量。
在本发明的至少一个实施例中,所述损伤特征向量用于表征每个车损检测模型对所述待定损图像所识别出的特征。
在本发明的至少一个实施例中,所述提取单元113基于每个目标特征提取网络对所述待定损图像进行特征提取,得到每个车损检测模型所输出的损伤特征向量包括:
基于所述骨干网络对所述待定损图像进行特征提取,得到第一特征图;
基于所述区域候选网络对所述第一特征图进行重新构建,得到第二特征图;
获取所述第一全连接层的预设矩阵及预设偏置值;
基于所述预设矩阵及所述预设偏置值对所述第二特征图进行处理,得到所述损伤特征向量。
其中,所述预设矩阵及所述预设偏置值是指所述车损检测模型中的训练参数。
通过所述区域候选网络对所述第一特征图进行重新构建,能够提高所述第二特征图的准确性,从而提高所述损伤特征向量的表征准确性。
具体地,所述提取单元113基于所述骨干网络对所述待定损图像进行特征提取,得到第一特征图包括:
基于所述卷积层对所述待定损图像进行卷积处理,得到图像特征;
基于所述池化层对所述图像特征进行降维处理,得到所述第一特征图。
通过所述池化层对所述图像特征进行降维处理,能够避免因所述第一特征图的维度过高而造成所述损伤特征向量的生成效率低下,同时,还能够避免所述图像特征中的干扰特征对损伤结果的影响。
具体地,所述提取单元113基于所述区域候选网络对所述第一特征图进行重新构建,得到第二特征图包括:
基于所述区域卷积层对所述第一特征图进行卷积处理,得到区域特征;
基于所述边界框回归层对所述区域特征进行回归处理,得到边界框;
基于所述感兴趣区域对齐层对所述边界框进行对齐处理,得到所述第二特征图。
通过所述感兴趣区域对齐层对所述边界框进行对齐处理,避免所述第二特征图存在特征位置上的偏差。
检测单元114基于每个输出网络检测对应的损伤特征向量,得到每个车损检测模型所输出的损伤结果。
在本发明的至少一个实施例中,所述损伤结果包括损伤边界框坐标及损伤分类。
在本发明的至少一个实施例中,所述检测单元114基于每个输出网络检测对应的损伤特征向量,得到每个车损检测模型所输出的损伤结果包括:
基于所述第二全连接层对所述损伤特征向量进行处理,得到输出向量;
基于所述边界框回归网络对所述输出向量进行回归处理,得到损伤边界框坐标;
基于所述损伤类别识别网络对所述输出向量进行回归处理,得到损伤分类;
根据所述损伤边界框坐标及所述损伤分类生成所述损伤结果。
通过所述边界框回归网络及所述损伤类别识别网络对所述输出向量进行并行处理,提高了所述损伤结果的确定效率。
拼接单元115拼接多个所述损伤特征向量,得到目标特征向量。
在本发明的至少一个实施例中,所述目标特征向量可以是将所述多个损伤特征向量进行随机拼接后得到的向量。所述目标特征向量可以是向量形式,也可以是矩阵形式。
回归单元116对所述目标特征向量进行逻辑回归处理,得到多个所述车损检测模型对所述待定损图像的损伤置信度。
在本发明的至少一个实施例中,所述损伤置信度是指所述多个车损检测模型对所述待定损图像的检测准确度的衡量。
在本发明的至少一个实施例中,所述回归单元116对所述目标特征向量进行逻辑回归处理,得到多个所述车损检测模型对所述待定损图像的损伤置信度包括:
根据每个车损检测模型的模型损失值构建模型权值向量;
基于所述模型权值向量及所述目标特征向量计算所述多个车损检测模型对所述待定损图像的图像分值,所述图像分值的计算公式为:y=aT×b,其中,y表征所述图像分值,a表征所述模型权值向量,b表征所述目标特征向量;
对所述图像分值进行归一化处理,得到所述损伤置信度。
其中,所述模型损失值是指所述车损检测模型训练完成时所对应的损伤值,通常来讲,所述模型损失值是指所述车损检测模型的最小损失值。
通过所述模型损失值构建所述模型权值向量,进而基于所述模型权值向量及所述目标特征向量计算,能够提高所述损伤置信度的准确性。
生成单元117根据所述损伤置信度及所述损伤结果生成定损结果。
需要强调的是,为进一步保证上述定损结果的私密和安全性,上述定损结果还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述定损结果包括损伤边界框坐标及损伤分类。
在本发明的至少一个实施例中,所述生成单元117根据所述损伤置信度及所述损伤结果生成定损结果包括:
若所述损伤置信度大于或者等于预设置信度阈值,则从所述损伤结果中选取任一结果作为所述定损结果;或者
若所述损伤置信度小于所述预设置信度阈值,则根据所述待定损图像、所述损伤置信度及所述损伤结果生成审核请求;
当检测到所述审核请求完成审核时,获取与所述审核请求对应的审核结果;
根据所述审核结果提取所述定损结果。
其中,所述预设置信度阈值根据实际需求设定。可以理解的是,当所述损伤置信度的取值越高,则多个所述损伤结果越有可能相同,因此在所述损伤置信度大于所述预设置信度阈值时,从所述损伤结果中选取任一结果作为所述定损结果。
所述审核结果可以基于所述审核请求从操作日志中获取。
所述损伤置信度对所述损伤结果进行智能化分流,以确保所述多个车损检测模型在对损伤结果的识别不够确信的情况下,利用审核结果提高所述定损结果的准确性。
由以上技术方案可以看出,本申请通过与每个车损类型对应的预设比例的车损训练集生成对应的车损检测模型,使得每个车损检测模型能够更加关注于对应车损类型的检测,从而能够提取每个车损检测模型对于车损类型的检测能力,同时,通过相应减少其余车损类型的历史车损图像对所述车损检测模型的训练,能够提高车损检测模型的训练效率,进而通过对所述目标特征向量进行逻辑回归处理,能够识别出所述多个车损检测模型对所述待定损图像的损伤置信度,进而基于所述损伤置信度对所述损伤结果进行智能化分流,以确保所述多个车损检测模型在对损伤结果的识别不够确信的情况下,利用审核结果提高所述定损结果的准确性。
如图3所示,是本发明实现车辆定损方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令,例如车辆定损程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的,所述计算机可读指令可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如,所述计算机可读指令可以被分割成划分单元110、训练单元111、获取单元112、提取单元113、检测单元114、拼接单元115、回归单元116及生成单元117。
所述存储器12可用于存储所述计算机可读指令和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器,例如:硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
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取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机可读指令包括计算机可读指令代码,所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机可读指令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)、随机存取存储器(RAM,Random Access Memory)。
本发明所指区块链是分布式车辆定损、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。
结合图1,所述电子设备1中的所述存储器12存储计算机可读指令实现一种车辆定损方法,所述处理器13可执行所述计算机可读指令从而实现:
基于多个预设比例对获取到的历史车损图像进行划分,得到每个预设比例对应的车损训练集;
基于每个车损训练集对预设网络进行并行训练,得到与每个车损训练集对应的车损检测模型,每个车损检测模型包括目标特征提取网络及输出网络;
当接收到车辆定损请求时,根据所述车辆定损请求获取待定损图像;
基于每个目标特征提取网络对所述待定损图像进行特征提取,得到每个车损检测模型所输出的损伤特征向量;
基于每个输出网络检测对应的损伤特征向量,得到每个车损检测模型所输出的损伤结果;
拼接多个所述损伤特征向量,得到目标特征向量;
对所述目标特征向量进行逻辑回归处理,得到多个所述车损检测模型对所述待定损图像的损伤置信度;
根据所述损伤置信度及所述损伤结果生成定损结果。
具体地,所述处理器13对上述计算机可读指令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。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,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。
所述计算机可读存储介质上存储有计算机可读指令,其中,所述计算机可读指令被处理器13执行时用以实现以下步骤:
基于多个预设比例对获取到的历史车损图像进行划分,得到每个预设比例对应的车损训练集;
基于每个车损训练集对预设网络进行并行训练,得到与每个车损训练集对应的车损检测模型,每个车损检测模型包括目标特征提取网络及输出网络;
当接收到车辆定损请求时,根据所述车辆定损请求获取待定损图像;
基于每个目标特征提取网络对所述待定损图像进行特征提取,得到每个车损检测模型所输出的损伤特征向量;
基于每个输出网络检测对应的损伤特征向量,得到每个车损检测模型所输出的损伤结果;
拼接多个所述损伤特征向量,得到目标特征向量;
对所述目标特征向量进行逻辑回归处理,得到多个所述车损检测模型对所述待定损图像的损伤置信度;
根据所述损伤置信度及所述损伤结果生成定损结果。
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。
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。
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。所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。第一、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)
1.一种车辆定损方法,其特征在于,所述车辆定损方法包括:
基于多个预设比例对获取到的历史车损图像进行划分,得到每个预设比例对应的车损训练集;
基于每个车损训练集对预设网络进行并行训练,得到与每个车损训练集对应的车损检测模型,每个车损检测模型包括目标特征提取网络及输出网络;
当接收到车辆定损请求时,根据所述车辆定损请求获取待定损图像;
基于每个目标特征提取网络对所述待定损图像进行特征提取,得到每个车损检测模型所输出的损伤特征向量;
基于每个输出网络检测对应的损伤特征向量,得到每个车损检测模型所输出的损伤结果;
拼接多个所述损伤特征向量,得到目标特征向量;
对所述目标特征向量进行逻辑回归处理,得到多个所述车损检测模型对所述待定损图像的损伤置信度;
根据所述损伤置信度及所述损伤结果生成定损结果。
2.如权利要求1所述的车辆定损方法,其特征在于,所述基于多个预设比例对获取到的历史车损图像进行划分,得到每个预设比例对应的车损训练集包括:
获取所述历史车损图像的车损类型;
统计所述车损类型的类型总数;
基于所述类型总数设定所述多个预设比例,每个预设比例与每个车损类型相对应;
统计所述历史车损图像中每个车损类型的类型图像数量;
对于每个车损类型,将该车损类型的类型图像数量作为基准数量,并计算所述基准数量与对应的预设比例的乘积,得到筛选数量;
基于所述筛选数量从其余车损类型的历史车损图像中选取第一训练图像,并将与该车损类型对应的历史车损图像确定为第二训练图像;
根据所述第一训练图像及所述第二训练图像生成与该车损类型对应的预设比例的车损训练集。
3.如权利要求1所述的车辆定损方法,其特征在于,所述目标特征提取网络包括骨干网络、区域候选网络及第一全连接层,所述基于每个目标特征提取网络对所述待定损图像进行特征提取,得到每个车损检测模型所输出的损伤特征向量包括:
基于所述骨干网络对所述待定损图像进行特征提取,得到第一特征图;
基于所述区域候选网络对所述第一特征图进行重新构建,得到第二特征图;
获取所述第一全连接层的预设矩阵及预设偏置值;
基于所述预设矩阵及所述预设偏置值对所述第二特征图进行处理,得到所述损伤特征向量。
4.如权利要求3所述的车辆定损方法,其特征在于,所述区域候选网络包括区域卷积层、边界框回归层及感兴趣区域对齐层,所述基于所述区域候选网络对所述第一特征图进行重新构建,得到第二特征图包括:
基于所述区域卷积层对所述第一特征图进行卷积处理,得到区域特征;
基于所述边界框回归层对所述区域特征进行回归处理,得到边界框;
基于所述感兴趣区域对齐层对所述边界框进行对齐处理,得到所述第二特征图。
5.如权利要求1所述的车辆定损方法,其特征在于,所述输出网络包括第二全连接层、边界框回归网络及损伤分类识别网络,所述基于每个输出网络检测对应的损伤特征向量,得到每个车损检测模型所输出的损伤结果包括:
基于所述第二全连接层对所述损伤特征向量进行处理,得到输出向量;
基于所述边界框回归网络对所述输出向量进行回归处理,得到损伤边界框坐标;
基于所述损伤类别识别网络对所述输出向量进行回归处理,得到损伤分类;
根据所述损伤边界框坐标及所述损伤分类生成所述损伤结果。
6.如权利要求1所述的车辆定损方法,其特征在于,所述对所述目标特征向量进行逻辑回归处理,得到多个所述车损检测模型对所述待定损图像的损伤置信度包括:
根据每个车损检测模型的模型损失值构建模型权值向量;
基于所述模型权值向量及所述目标特征向量计算所述多个车损检测模型对所述待定损图像的图像分值,所述图像分值的计算公式为:y=aT×b,其中,y表征所述图像分值,a表征所述模型权值向量,b表征所述目标特征向量;
对所述图像分值进行归一化处理,得到所述损伤置信度。
7.如权利要求1所述的车辆定损方法,其特征在于,所述根据所述损伤置信度及所述损伤结果生成定损结果包括:
若所述损伤置信度大于或者等于预设置信度阈值,则从所述损伤结果中选取任一结果作为所述定损结果;或者
若所述损伤置信度小于所述预设置信度阈值,则根据所述待定损图像、所述损伤置信度及所述损伤结果生成审核请求;
当检测到所述审核请求完成审核时,获取与所述审核请求对应的审核结果;
根据所述审核结果提取所述定损结果。
8.一种车辆定损装置,其特征在于,所述车辆定损装置包括:
划分单元,用于基于多个预设比例对获取到的历史车损图像进行划分,得到每个预设比例对应的车损训练集;
训练单元,用于基于每个车损训练集对预设网络进行并行训练,得到与每个车损训练集对应的车损检测模型,每个车损检测模型包括目标特征提取网络及输出网络;
获取单元,用于当接收到车辆定损请求时,根据所述车辆定损请求获取待定损图像;
提取单元,用于基于每个目标特征提取网络对所述待定损图像进行特征提取,得到每个车损检测模型所输出的损伤特征向量;
检测单元,用于基于每个输出网络检测对应的损伤特征向量,得到每个车损检测模型所输出的损伤结果;
拼接单元,用于拼接多个所述损伤特征向量,得到目标特征向量;
回归单元,用于对所述目标特征向量进行逻辑回归处理,得到多个所述车损检测模型对所述待定损图像的损伤置信度;
生成单元,用于根据所述损伤置信度及所述损伤结果生成定损结果。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的车辆定损方法。
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中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的车辆定损方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210544135.9A CN114898155B (zh) | 2022-05-18 | 2022-05-18 | 车辆定损方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210544135.9A CN114898155B (zh) | 2022-05-18 | 2022-05-18 | 车辆定损方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114898155A true CN114898155A (zh) | 2022-08-12 |
CN114898155B CN114898155B (zh) | 2024-05-28 |
Family
ID=82724884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210544135.9A Active CN114898155B (zh) | 2022-05-18 | 2022-05-18 | 车辆定损方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114898155B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671330A (zh) * | 2023-11-14 | 2024-03-08 | 平安科技(上海)有限公司 | 车辆定损方法、装置、计算机设备及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050238207A1 (en) * | 2004-04-23 | 2005-10-27 | Clifford Tavares | Biometric verification system and method utilizing a data classifier and fusion model |
WO2019205376A1 (zh) * | 2018-04-26 | 2019-10-31 | 平安科技(深圳)有限公司 | 车损判定方法、服务器及存储介质 |
WO2019227617A1 (zh) * | 2018-06-01 | 2019-12-05 | 平安科技(深圳)有限公司 | 动物种类的分类方法、装置、计算机设备和存储介质 |
CN111667011A (zh) * | 2020-06-08 | 2020-09-15 | 平安科技(深圳)有限公司 | 损伤检测模型训练、车损检测方法、装置、设备及介质 |
KR20200144296A (ko) * | 2019-06-18 | 2020-12-29 | 한국전자통신연구원 | 딥러닝 모델의 병렬 트레이닝 방법 및 장치 |
CN112668573A (zh) * | 2020-12-25 | 2021-04-16 | 平安科技(深圳)有限公司 | 目标检测定位置信度确定方法、装置、电子设备及存储介质 |
US20210150415A1 (en) * | 2018-10-24 | 2021-05-20 | Advanced New Technologies Co., Ltd. | Feature selection method, device and apparatus for constructing machine learning model |
US20210166383A1 (en) * | 2019-08-05 | 2021-06-03 | Ping An Technology (Shenzhen) Co., Ltd. | Method and device for detecting and locating lesion in medical image, equipment and storage medium |
CN112966730A (zh) * | 2021-03-01 | 2021-06-15 | 创新奇智(上海)科技有限公司 | 车辆伤损识别方法、装置、设备及存储介质 |
WO2021135500A1 (zh) * | 2020-06-08 | 2021-07-08 | 平安科技(深圳)有限公司 | 车损检测模型训练、车损检测方法、装置、设备及介质 |
WO2021135477A1 (zh) * | 2020-07-31 | 2021-07-08 | 平安科技(深圳)有限公司 | 基于概率图模型的文本属性抽取方法、装置、计算机设备及存储介质 |
CN113657409A (zh) * | 2021-08-16 | 2021-11-16 | 平安科技(深圳)有限公司 | 车辆损失检测方法、装置、电子设备及存储介质 |
CN113657503A (zh) * | 2021-08-18 | 2021-11-16 | 上海交通大学 | 一种基于多模态数据融合的恶性肝肿瘤分类方法 |
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 |
CN113870259A (zh) * | 2021-12-02 | 2021-12-31 | 天津御锦人工智能医疗科技有限公司 | 多模态医学数据融合的评估方法、装置、设备及存储介质 |
-
2022
- 2022-05-18 CN CN202210544135.9A patent/CN114898155B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050238207A1 (en) * | 2004-04-23 | 2005-10-27 | Clifford Tavares | Biometric verification system and method utilizing a data classifier and fusion model |
WO2019205376A1 (zh) * | 2018-04-26 | 2019-10-31 | 平安科技(深圳)有限公司 | 车损判定方法、服务器及存储介质 |
WO2019227617A1 (zh) * | 2018-06-01 | 2019-12-05 | 平安科技(深圳)有限公司 | 动物种类的分类方法、装置、计算机设备和存储介质 |
US20210150415A1 (en) * | 2018-10-24 | 2021-05-20 | Advanced New Technologies Co., Ltd. | Feature selection method, device and apparatus for constructing machine learning model |
KR20200144296A (ko) * | 2019-06-18 | 2020-12-29 | 한국전자통신연구원 | 딥러닝 모델의 병렬 트레이닝 방법 및 장치 |
US20210166383A1 (en) * | 2019-08-05 | 2021-06-03 | Ping An Technology (Shenzhen) Co., Ltd. | Method and device for detecting and locating lesion in medical image, equipment and storage medium |
CN111667011A (zh) * | 2020-06-08 | 2020-09-15 | 平安科技(深圳)有限公司 | 损伤检测模型训练、车损检测方法、装置、设备及介质 |
WO2021135500A1 (zh) * | 2020-06-08 | 2021-07-08 | 平安科技(深圳)有限公司 | 车损检测模型训练、车损检测方法、装置、设备及介质 |
WO2021135477A1 (zh) * | 2020-07-31 | 2021-07-08 | 平安科技(深圳)有限公司 | 基于概率图模型的文本属性抽取方法、装置、计算机设备及存储介质 |
CN112668573A (zh) * | 2020-12-25 | 2021-04-16 | 平安科技(深圳)有限公司 | 目标检测定位置信度确定方法、装置、电子设备及存储介质 |
CN112966730A (zh) * | 2021-03-01 | 2021-06-15 | 创新奇智(上海)科技有限公司 | 车辆伤损识别方法、装置、设备及存储介质 |
CN113657409A (zh) * | 2021-08-16 | 2021-11-16 | 平安科技(深圳)有限公司 | 车辆损失检测方法、装置、电子设备及存储介质 |
CN113657503A (zh) * | 2021-08-18 | 2021-11-16 | 上海交通大学 | 一种基于多模态数据融合的恶性肝肿瘤分类方法 |
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 |
CN113870259A (zh) * | 2021-12-02 | 2021-12-31 | 天津御锦人工智能医疗科技有限公司 | 多模态医学数据融合的评估方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671330A (zh) * | 2023-11-14 | 2024-03-08 | 平安科技(上海)有限公司 | 车辆定损方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114898155B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113965359B (zh) | 面向联邦学习数据投毒攻击的防御方法及装置 | |
CN112257578B (zh) | 人脸关键点检测方法、装置、电子设备及存储介质 | |
CN114972771B (zh) | 车辆定损理赔方法、装置、电子设备及存储介质 | |
CN112668453B (zh) | 视频识别方法及相关设备 | |
CN115170869A (zh) | 重复车损理赔识别方法、装置、设备及存储介质 | |
CN113450822A (zh) | 语音增强方法、装置、设备及存储介质 | |
CN113689436A (zh) | 图像语义分割方法、装置、设备及存储介质 | |
CN113627576B (zh) | 扫码信息检测方法、装置、设备及存储介质 | |
TWI803243B (zh) | 圖像擴增方法、電腦設備及儲存介質 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
CN114898155B (zh) | 车辆定损方法、装置、设备及存储介质 | |
CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
CN116452802A (zh) | 车损检测方法、装置、设备及存储介质 | |
CN114996109B (zh) | 用户行为识别方法、装置、设备及存储介质 | |
CN115037790B (zh) | 异常注册识别方法、装置、设备及存储介质 | |
CN116205723A (zh) | 基于人工智能的面签风险检测方法及相关设备 | |
CN113486848B (zh) | 文档表格识别方法、装置、设备及存储介质 | |
CN113850632A (zh) | 用户类别确定方法、装置、设备及存储介质 | |
CN112102205B (zh) | 图像去模糊方法、装置、电子设备及存储介质 | |
CN114329095A (zh) | 系统逻辑图生成方法、装置、设备及存储介质 | |
CN114820755A (zh) | 一种深度图估计方法及系统 | |
CN114842205B (zh) | 车损检测方法、装置、设备及存储介质 | |
CN114972093B (zh) | 图像增强方法、装置、设备及存储介质 | |
CN115240095A (zh) | 车辆喷漆方式识别方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |