CN115631002A - 基于计算机视觉的车险智能定损方法及系统 - Google Patents
基于计算机视觉的车险智能定损方法及系统 Download PDFInfo
- Publication number
- CN115631002A CN115631002A CN202211572702.8A CN202211572702A CN115631002A CN 115631002 A CN115631002 A CN 115631002A CN 202211572702 A CN202211572702 A CN 202211572702A CN 115631002 A CN115631002 A CN 115631002A
- Authority
- CN
- China
- Prior art keywords
- damage assessment
- vehicle
- assessment
- damage
- initial
- 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 57
- 238000012423 maintenance Methods 0.000 claims abstract description 34
- 231100000809 Damage Assessment Model Toxicity 0.000 claims abstract description 30
- 230000015654 memory Effects 0.000 claims description 37
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 12
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims 2
- 206010039203 Road traffic accident Diseases 0.000 description 21
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000003190 augmentative effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供的一种基于计算机视觉的车险智能定损方法及系统,涉及计算机技术领域,该方法包括:根据目标车辆对应的理赔请求,获取所述目标车辆的定损图像和定损视频;将所述定损图像输入至车险定损模型,得到所述目标车辆的车型和定损部位;将所述定损视频输入至所述车险定损模型,得到所述目标车辆的定损信息和定损评分;基于所述车型、所述定损部位和所述定损评分,得到初始定损策略和初始定损金额;基于所述目标车辆的维修信息和用户反馈信息,对所述初始定损策略和所述初始定损金额进行调整,得到目标定损策略和目标定损金额。本申请能够提升车辆定损、理赔的准确性和效率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种基于计算机视觉的车险智能定损方法及系统。
背景技术
随着城市交通的发展,驾车出行已成为人们出行的主要方式之一。在对车辆保险进行理赔的过程中,保险公司需要对车辆是否存在损伤和车辆损伤类型等进行判定和识别,以进行责任认定和车险理赔。
然而,保险公司对车辆的车险定损、理赔方面,知识体系尚未成熟,人才培养也才刚起步。因此,不仅专业人员判断相关指标的手段有限,且行业缺乏统一的标准,加上4S店对维修技术的垄断,目前车辆定损、理赔的实际费用确定不准确、效率低、主观性较强,导致车主与保险公司之间容易产生不信任,不利于行业发展。
发明内容
本发明实施例的目的在于提供一种基于计算机视觉的车险智能定损方法及系统,本申请实施例能够提升车辆定损、理赔的准确性和效率。具体技术方案如下:
在本发明实施例的第一方面,提供一种基于计算机视觉的车险智能定损方法,所述方法包括:
根据目标车辆对应的理赔请求,获取所述目标车辆的定损图像和定损视频;
将所述定损图像输入至车险定损模型,得到所述目标车辆的车型和定损部位;
将所述定损视频输入至所述车险定损模型,得到所述目标车辆的定损信息和定损评分;
基于所述车型、所述定损部位和所述定损评分,得到初始定损策略和初始定损金额;
基于所述目标车辆的维修信息和用户反馈信息,对所述初始定损策略和所述初始定损金额进行调整,得到目标定损策略和目标定损金额。
可选地,所述将所述定损图像输入至车险定损模型,得到所述目标车辆的车型和定损部位,包括:
所述车险定损模型根据所述定损图像中显示的所述目标车辆的整体,结合车辆数据库得到第一关键节点,所述第一关键节点用于表征所述目标车辆的初始车型;
所述车险定损模型根据所述定损图像中显示的所述目标车辆的零件,结合所述车辆数据库得到第二关键节点,所述第二关键节点用于表征所述目标车辆的初始零件;
所述车险定损模型根据所述定损图像中显示的所述目标车辆的受损零件,结合所述车辆数据库得到第三关键节点,所述第三关键节点用于表征所述目标车辆的初始定损部位;
将所述第一关键节点、所述第二关键节点和所述第三关键节点相关联并进行新的节点预测,以将所述初始车型、所述初始零件和所述初始定损部位更新为所述目标车辆的车型和定损部位;
可选地,所述将所述定损视频输入至所述车险定损模型,得到所述目标车辆的定损信息和定损评分,包括:
根据所述定损视频,获取所述目标车辆对应的评分特征;
根据所述评分特征,获取所述定损信息;
根据所述定损信息,获取所述定损评分。
可选地,所述根据所述定损信息,获取所述定损评分,包括:
获取所述定损信息中每个定损参数的评分占比,其中,所述定损参数包括所述目标车辆的车速、车辆异常参数、人为异常参数、里程和路况;
根据所述定损参数与所述定损信息的标准值的映射关系,结合所述评分占比,计算所述定损评分。
可选地,所述基于所述车型、所述定损部位和所述定损评分,得到初始定损策略和初始定损金额,包括:
将包含所述定损部位的所述定损图像进行图像分割,得到所述定损部位的分割图像;
对所述分割图像进行分类处理,根据同类所述分割图像的信息,确定所述定损部位的损伤程度;
根据所述损伤程度,确定所述初始定损策略,所述初始定损策略包括所述定损部位是否更换、所述定损部位的损伤类型和所述定损部位的维修类型。
可选地,所述方法还包括:
获取与所述目标车辆定损相关的定损金额因子,所述定损金额因子包括第一基础金额、第二基础金额、单日基准保费和异常合理上报次数;
根据所述定损评分和所述定损金额因子,确定初始定损金额。
可选地,所述基于所述目标车辆的维修信息和用户反馈信息,对所述初始定损策略和所述初始定损金额进行调整,得到目标定损策略和目标定损金额,包括:
将所述初始定损策略和所述初始定损金额发送至第一用户端,得到所述第一用户端发送的维修信息;
将所述初始定损策略和所述初始定损金额发送至第二用户端,得到所述第二用户端发送的用户反馈信息;
对所述维修信息和所述用户反馈信息进行特征融合处理,得到第一融合特征向量;
对所述初始定损策略和所述初始定损金额进行特征融合处理,得到第二融合特征向量;
若所述第一融合特征向量与所述第二融合特征向量的相似度大于预设阈值,则参考所述维修信息和所述用户反馈信息,调整所述初始定损策略和所述初始定损金额,得到目标定损策略和目标定损金额。
在本发明实施例的又一方面,提供一种基于计算机视觉的车险智能定损系统,所述系统包括:
资料获取模块,用于根据目标车辆对应的理赔请求,获取所述目标车辆的定损图像和定损视频;
定位模块,用于将所述定损图像输入至车险定损模型,得到所述目标车辆的车型和定损部位;
评分模块,用于将所述定损视频输入至所述车险定损模型,得到所述目标车辆的定损信息和定损评分;
初始定损模块,用于基于所述车型、所述定损部位和所述定损评分,得到初始定损策略和初始定损金额;
目标定损模块,基于所述目标车辆的维修信息和用户反馈信息,对所述初始定损策略和所述初始定损金额进行调整,得到目标定损策略和目标定损金额。
在本发明实施例的又一方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如上所述方法的步骤。
在本发明实施例的又一方面,提供一种计算机设备,包括处理器、存储器和存储于所述存储器上的计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
由上可知,本申请实施例通过车险定损模型分析定损图像和定损视频两种不同类型的输入数据,对输入数据进行处理,并结合计算机视觉技术对处理的数据进行分析,得到初始定损策略和初始定损金额,并且后续可以继续结合用户给出的维修信息和用户反馈信息对以上初始定损策略和初始定损金额进行调整,来快捷、准确地得到目标车辆定损的目标定损策略和目标定损金额,从而相较于传统的人工车险定损方式,具有车险定损准确性高、效率高、排除人为主观性操纵等优势。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的基于计算机视觉的车险智能定损系统的应用场景示意图;
图2是本申请实施例提供的基于计算机视觉的车险智能定损方法的流程示意图;
图3是本申请实施例提供的基于计算机视觉的车险智能定损系统的结构示意图;
图4是本申请实施例提供的计算机设备的内部结构图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“系统”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本申请一些实施例所示的一种基于计算机视觉的车险智能定损系统的应用场景示意图。该基于计算机视觉的车险智能定损系统100可以用于处理车辆发生交通事0故后的保险事故任务。保险事故任务至少可以包括保险事故任务的创建、保险事故查勘、保险事故定损、保险事故理算、与交通事故相关的涉事车辆维修任务的创建等。在一些实施例中,基于计算机视觉的车险智能定损系统100可以用于或集成于提供互联网服务的线上线下服务平台。例如,该基于计算机视觉的车险智能定损系统100可以用于或集成于提供运输服务的线上线下服务平台,例如,网约车平台等。网约车平台可以提供诸如出租车呼叫、快车呼叫、专车呼叫、小巴呼叫、拼车、公交服务、司机雇佣和接送服务等运输服务。又例如,该基于计算机视觉的车险智能定损系统100还可以用于或集成于提供运输工具租赁服务的线上线下服务平台,例如,租赁车辆平台等。租赁车辆平台可以提供诸如单车、电动车、汽车等车辆租赁服务。为方便描述,下文以共享车辆平台为例来描述基于计算机视觉的车险智能定损系统100的应用。这并不旨在限定,基于计算机视觉的车险智能定损系统100可以应用于任何服务平台。在一些实施例中,基于计算机视觉的车险智能定损系统100可以结合管理信息系统(MIS)和/或供应商管理系统(VMS)以处理一个或多个本申请实施例描述的保险事故任务。关于SIM和/或VMS的更多描述可以参考图4中相关说明。
如图1所示,基于计算机视觉的车险智能定损系统100可以包括服务器110、网络120、服务请求者终端130、存储设备140和数据源150。
在一些实施例中,服务器110可以是一个单个的服务器或者一个服务器群组。所述服务器群组可以是集中式的或分布式的(例如,服务器110可以是一个分布式的系统)。在一些实施例中,服务器110可以是本地的或远程的。例如,服务器110可以通过网络120访问存储在服务请求者终端130、存储设备140和/或数据源150中的信息和/或数据。再例如,服务器110可以直接连接到服务请求者终端130、存储设备140和/或数据源150以访问存储的信息和/或数据。在一些实施例中,服务器110可以从服务请求者终端130、存储设备140和/或数据源150处获取交通事故信息。交通事故信息可以包括但不限于交通事故的类型、出险时间、出险地点、与交通事故相关的图片或视频信息、与交通事故相关的涉事车辆信息(包括涉事车辆车型、涉事车辆车牌号、涉事车辆历史出险信息等)、与交通事故相关的涉事驾驶员信息、人员伤亡信息、物件损失信息、与交通事故相关联的涉事车辆维修任务信息。在一些实施例中,服务器110可以在一个云平台上实现。仅仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多重云等或上述举例的任意组合。
在一些实施例中,服务器110可以包括处理引擎112。处理引擎112可以基于交通事故信息处理一个或多个本申请实施例描述的保险事故任务。例如,处理引擎112可以基于获取的交通事故信息创建交通事故对应的保险事故任务,并对保险事故任务进行查勘、定损和理算等。又例如,处理引擎112可以基于获取的交通事故信息创建与交通事故相关联的涉事车辆的维修任务。
网络120可以促进信息和/或数据的交换。在一些实施例中,基于计算机视觉的车险智能定损系统100中的一个或多个部件(例如,服务器110、服务请求者终端130、存储设备140和/或数据源150等)可以通过网络120向基于计算机视觉的车险智能定损系统100中的其他部件发送信息和/或数据。例如,服务器110可以通过网络120从服务请求者终端130获取交通事故信息(如交通事故的类型、出险时间、出险地点、与交通事故相关的图片或视频信息、人员伤亡信息、物件损失信息)。又例如,服务器110可以通过网络120从存储设备140获取与交通事故相关的涉事车辆信息(例如,行驶证信息等)和/或涉事驾驶员信息(例如,驾驶证信息等)。又例如,服务器110可以通过网络120从数据源150获取与交通事故相关的涉事车辆的历史出险信息等。其中,历史出险信息可以是在过去一段时间内该涉事车辆发生的保险事故信息。在一些实施例中,网络120可以是有线网络或无线网络中的任意一种,或其组合。例如,网络120可以包括电缆网络、有线网络、光纤网络、远程通信网络、内联网、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或上述举例的任意组合。在一些实施例中,网络120可以包括一个或多个网络接入点。例如,网络120可以包括有线或无线网络接入点,如基站和/或互联网交换点120-1、120-2等。通过接入点,违停地点识别系统100的一个或多个部件可以连接到网络120以交换数据和/或信息。
在一些实施例中,服务请求者终端130可以包括用户终端,例如移动装置130-1、平板电脑130-2、膝上型电脑130-3、车辆内建装置130-4等。在一些实施例中,移动装置130-1可以包括智能家居装置、可穿戴装置、智能行动装置、虚拟实境装置、增强实境装置等,或以上任意组合。在一些实施例中,智能家居装置可以包括智能照明装置、智能电器的控制装置、智能监测装置、智能电视、智能摄像机、对讲机等,或以上任意组合。在一些实施例中,可穿戴装置可以包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰等,或以上任意组合。在一些实施例中,智能行动装置可以包括智能电话、个人数位助理(PDA)、游戏装置、导航装置、POS装置等,或其任意组合。在一些实施例中,虚拟实境装置和/或增强实境装置可以包括虚拟实境头盔、虚拟实境眼镜、虚拟实境眼罩、增强实境头盔、增强实境眼镜、增强实境眼罩等,或上述任意组合。在一些实施例中,车辆内建装置130-4可以包括但不限于行车记录仪、监控设备、具有定位功能的装置。在一些实施例中,服务请求者终端130可以获取交通事故信息并将其发送至服务器110。例如,行车记录仪或监控设备可以获取与交通事故有关的图片和/或视频信息并将其发送至服务器110。又例如,具有定位功能的装置可以获取出险地点并将其发送至服务器110。
在一些实施例中,存储设备140可以存储数据和/或信息。在一些实施例中,存储设备140可以存储从服务器110、服务请求者终端130和/或数据源150获得的数据和/或信息。在一些实施例中,存储设备140可以存储供服务器110执行的指令或使用的数据和/或信息,服务器110可以通过执行所述指令或使用所述数据和/或信息以实现本申请描述的示例性方法。在一些实施例中,存储设备140可以与网络120连接以实现与基于计算机视觉的车险智能定损系统100中的一个或多个其他部件(例如,服务器110、服务请求者终端130、数据源150等)之间的通信。基于计算机视觉的车险智能定损系统100中的一个或多个其他部件可以通过网络120访问存储在存储设备140中的数据和/或信息。在一些实施例中,存储设备140可以直接与基于计算机视觉的车险智能定损系统100的一个或多个部件(例如,服务器110、服务请求者终端130、数据源150等)连接或通信。在一些实施例中,服务器110、服务请求者终端130和数据源150中可以分别设有存储设备140,也可以在基于计算机视觉的车险智能定损系统100内单独设置独立的存储设备。例如,服务器110可以有集成的存储设备,也可以有独立设置的存储设备(如大数据服务器)。在一些实施例中,存储设备140可以包括大容量存储器、可移动存储器、挥发性读写存储器、随机存储器、只读存储器(ROM)等或上述举例的任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态硬盘等。示例性的可移动存储器可以包括闪存盘、软盘、光盘、记忆卡、压缩硬盘、磁带等。示例性的挥发性只读存储器可以包括随机存储器(RAM)。示例性的随机存储器可以包括动态随机存储器(DRAM)、双数据率同步动态随机存储器(DDRSDRAM)、静态随机存储器(SRAM)、可控硅随机存储器(T-RAM)和零电容存储器(Z-RAM)等。示例性的只读存储器可以包括掩蔽型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、压缩硬盘只读存储器(CD-ROM)和数字多功能硬盘只读存储器等。在一些实施例中,存储设备140还可以在一个云平台上实现。例如,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、云之间、多重云等或上述举例的任意组合。
在一些实施例中,数据源150可以包括为基于计算机视觉的车险智能定损系统100提供信息的一个或多个来源。例如,数据源150可以用于为基于计算机视觉的车险智能定损系统100提供与交通事故相关的涉事车辆的历史出险信息。数据源150可以是以一个单独的中央服务器的形式存在,也可以是以多个通过网络连接的服务器的形式存在,还可以是以大量的个人服务请求者终端设备的形式存在。当数据源150以大量个人服务请求者终端设备的形式存在时,例如,用户或客服等通过个人服务请求者终端设备上传交通事故信息时,这些服务请求者终端设备可以通过一种用户生成内容(user-generated contents)的方式,例如向云端服务器上传文字、语音、图像、视频等,使云端服务器连通与其连接的多个个人服务请求者终端设备一起组成数据源150。
图2示出了本申请实施例提供的一种基于计算机视觉的车险智能定损方法及系统的流程示意图,如图2所示,一种基于计算机视觉的车险智能定损方法包括如下步骤:
步骤201、根据目标车辆对应的理赔请求,获取所述目标车辆的定损图像和定损视频。
其中,定损图像可以是用户拍摄上传至服务器的图像,也可以是道路监控设备拍摄的图像。相应地,定损视频可以由用户拍摄、录制,也可以由道路监控设备获取。
步骤202、将所述定损图像输入至车险定损模型,得到所述目标车辆的车型和定损部位。
可选地,步骤201可以包括以下步骤:
所述车险定损模型根据所述定损图像中显示的所述目标车辆的整体,结合车辆数据库得到第一关键节点,所述第一关键节点用于表征所述目标车辆的初始车型;
所述车险定损模型根据所述定损图像中显示的所述目标车辆的零件,结合所述车辆数据库得到第二关键节点,所述第二关键节点用于表征所述目标车辆的初始零件;
所述车险定损模型根据所述定损图像中显示的所述目标车辆的受损零件,结合所述车辆数据库得到第三关键节点,所述第三关键节点用于表征所述目标车辆的初始定损部位;
将所述第一关键节点、所述第二关键节点和所述第三关键节点相关联并进行新的节点预测,以将所述初始车型、所述初始零件和所述初始定损部位更新为所述目标车辆的车型和定损部位。
其中,车辆数据库可以是系统通过特殊接口调用的存储有大量车辆数据的数据库。其中,车辆定损模型可以是具有计算机视觉计算识别功能的机器学习模型,例如CNN模型。
具体地,可以通过车辆定损模型对定损图像进行卷积处理,在神经网络各节点的计算中,得到第一、第二和第三关键节点,每个关键节点根据不同的定损图像计算得到。可以理解,将第一、第二和第三关键节点相互关联并执行新一轮的节点预测,例如第一关键节点对应预测了两个初始车型,在第一关键节点与第二关键节点关联后,便可以借助第二关键节点对应的初始零件,在车辆数据库中匹配该初始零件为两个初始车型中的哪一个为正确,以准确地获取目标车辆的车型,相应地,将第一、第二和第三关键节点相互关联并执行新一轮的节点预测,也能够更加准确地得到目标车辆的定损部位,例如,将初始车型的初始零件与初始定损部位进行比较,判断出初始定损部位与初始零件是否吻合以进一步地判断初始定损部位确定的准确性。
步骤203、将所述定损视频输入至所述车险定损模型,得到所述目标车辆的定损信息和定损评分。
可选地,步骤203还可以包括:
根据所述定损视频,获取所述目标车辆对应的评分特征;
根据所述评分特征,获取所述定损信息;
根据所述定损信息,获取所述定损评分。
可选地,步骤“根据所述定损信息,获取所述定损评分”,包括:
获取所述定损信息中每个定损参数的评分占比,其中,所述定损参数包括所述目标车辆的车速、车辆异常参数、人为异常参数、里程和路况;
根据所述定损参数与所述定损信息的标准值的映射关系,结合所述评分占比,计算所述定损评分。
在一些实施例中,定损评分可以表示为:
P=V*40%+F1*20%+F2*20%+M*15%+T*5%;
其中,P为定损评分、V为目标车辆的车速的评分、F1为车辆异常参数的评分、F2为人为异常参数的评分、M为里程的评分、T为路况的评分。
其中,F1和F2较为关键,车辆异常参数是指目标车辆在发生事故前的预设时间段内,是否出现故障、交通违规等行为,例如目标车辆超速、目标车辆发动机漏油等,可以理解,车辆异常情况越多、越严重,则F1的评分越大。
其中,人为异常参数是指目标车辆的司机和乘客的异常行为,例如,司机打盹、乘客未系好安全带等,以上行为均会影响目标车辆行驶的安全性,因此被记入人为异常参数,可以理解,以上人为异常的情况越多、越严重,则F2对应的评分越高。
步骤204、基于所述车型、所述定损部位和所述定损评分,得到初始定损策略和初始定损金额。
可选地,步骤204可以包括以下步骤:
将包含所述定损部位的所述定损图像进行图像分割,得到所述定损部位的分割图像;
对所述分割图像进行分类处理,根据同类所述分割图像的信息,确定所述定损部位的损伤程度;
根据所述损伤程度,确定所述初始定损策略,所述初始定损策略包括所述定损部位是否更换、所述定损部位的损伤类型和所述定损部位的维修类型。
在一些实施例中,可以对目标车辆进行油漆识别、表面损伤程度识别、钣金损伤程度识别等多种识别方式,来准确地确定初始定损策略,例如目标车辆的表面无变形的采用喷漆的维修方式、目标车辆的表面存在撕裂、凹陷等情况时,需要采取修复钣金的维修。
在一些实施例中,可以对定损图片进行清洗,例如对定损图片执行图像增强、归正、模糊提示等处理,以增强定损图片的清晰度。
在一些实施例中,可以对关键的定损部位进行图像分割并分类,以排除目标车辆内部和外部一些不重要物体的干扰,例如目标车辆内部的装饰品、饮品等,均可以排除在分割图像之外。
可选地,本申请实施例的方法还包括:
获取与所述目标车辆定损相关的定损金额因子,所述定损金额因子包括第一基础金额、第二基础金额、单日基准保费和异常合理上报次数;
根据所述定损评分和所述定损金额因子,确定初始定损金额。
在一些实施例中,初始定损金额可以表示为:
M=N+R*P*p+Q*(F1-F2);
其中,M为应缴金额,N为第一基础金额,R为单日基准保费,P为定损评分,p为异常合理上报次数,Q为第二基础金额。
其中,异常合理上报次数是指用户进行目标车辆异常上报时符合异常标准的上报的总次数。例如,用户上报刹车失灵,若目标车辆的刹车系统实际上未失灵,则本次异常上报不计入异常合理上报次数。
其中,对于Q*(F1-F2),由于F1是车辆异常参数的评分,F2是人为异常参数的评分,使得若F2大于F1时,F1-F2的值为复数,使得人为异常参数的评分大于车辆异常参数的评分导致初始定损金额的值变小。可以理解,由于人为异常参数的评分取决于司机和乘客在行驶过程中出现的异常行为,相较于车辆异常更容易被归为用户车主自身的责任,使得定损金额会因此变小。
步骤205、基于所述目标车辆的维修信息和用户反馈信息,对所述初始定损策略和所述初始定损金额进行调整,得到目标定损策略和目标定损金额。
可选地,步骤205还可以包括:
将所述初始定损策略和所述初始定损金额发送至第一用户端,得到所述第一用户端发送的维修信息;
将所述初始定损策略和所述初始定损金额发送至第二用户端,得到所述第二用户端发送的用户反馈信息;
对所述维修信息和所述用户反馈信息进行特征融合处理,得到第一融合特征向量;
对所述初始定损策略和所述初始定损金额进行特征融合处理,得到第二融合特征向量;
若所述第一融合特征向量与所述第二融合特征向量的相似度大于预设阈值,则参考所述维修信息和所述用户反馈信息,调整所述初始定损策略和所述初始定损金额,得到目标定损策略和目标定损金额。
其中,维修信息可以由专业的车辆维修人员或者资深用户来反馈得到。可以理解,若第一融合特征向量与第二融合特征向量的相似度大于预设阈值,则表示初始定损策略和初始定损金额与用户的建议、预期差距较大,则可以进一步地根据维修信息和用户反馈信息来调整初始定损策略和初始定损金额。例如,在初始定损策略中添加1-2条维修信息中的维修策略,或者将初始定损金额靠近用户反馈信息中的金额一些。
由上可知,本申请实施例通过车险定损模型分析定损图像和定损视频两种不同类型的输入数据,对输入数据进行处理,并结合计算机视觉技术对处理的数据进行分析,得到初始定损策略和初始定损金额,并且后续可以继续结合用户给出的维修信息和用户反馈信息对以上初始定损策略和初始定损金额进行调整,来快捷、准确地得到目标车辆定损的目标定损策略和目标定损金额,从而相较于传统的人工车险定损方式,具有车险定损准确性高、效率高、排除人为主观性操纵等优势。
为实现上述方法类实施例,本申请实施例还提供一种基于计算机视觉的车险智能定损系统,图3示出了本申请实施例提供的一种基于计算机视觉的车险智能定损系统的结构示意图,所述系统包括:
资料获取模块301,用于根据目标车辆对应的理赔请求,获取所述目标车辆的定损图像和定损视频;
定位模块302,用于将所述定损图像输入至车险定损模型,得到所述目标车辆的车型和定损部位;
评分模块303,用于将所述定损视频输入至所述车险定损模型,得到所述目标车辆的定损信息和定损评分;
初始定损模块304,用于基于所述车型、所述定损部位和所述定损评分,得到初始定损策略和初始定损金额;
目标定损模块305,基于所述目标车辆的维修信息和用户反馈信息,对所述初始定损策略和所述初始定损金额进行调整,得到目标定损策略和目标定损金额。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述系统中模块/单元/子单元/组件的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
由上可知,本申请实施例通过车险定损模型分析定损图像和定损视频两种不同类型的输入数据,对输入数据进行处理,并结合计算机视觉技术对处理的数据进行分析,得到初始定损策略和初始定损金额,并且后续可以继续结合用户给出的维修信息和用户反馈信息对以上初始定损策略和初始定损金额进行调整,来快捷、准确地得到目标车辆定损的目标定损策略和目标定损金额,从而相较于传统的人工车险定损方式,具有车险定损准确性高、效率高、排除人为主观性操纵等优势。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像采集设备的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于计算机视觉的车险智能定损方法及系统。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入系统。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现基于计算机视觉的车险智能定损方法及系统。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入系统可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一些实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一些实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
综上所述,本申请提供的一种基于计算机视觉的车险智能定损方法,所述方法包括:
根据目标车辆对应的理赔请求,获取所述目标车辆的定损图像和定损视频;
将所述定损图像输入至车险定损模型,得到所述目标车辆的车型和定损部位;
将所述定损视频输入至所述车险定损模型,得到所述目标车辆的定损信息和定损评分;
基于所述车型、所述定损部位和所述定损评分,得到初始定损策略和初始定损金额;
基于所述目标车辆的维修信息和用户反馈信息,对所述初始定损策略和所述初始定损金额进行调整,得到目标定损策略和目标定损金额。
在本申请所提供的实施例中,应该理解到,所揭露系统和方法,可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,系统或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元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。
所述功能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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于计算机视觉的车险智能定损方法,其特征在于,所述方法包括:
根据目标车辆对应的理赔请求,获取所述目标车辆的定损图像和定损视频;
将所述定损图像输入至车险定损模型,得到所述目标车辆的车型和定损部位;
将所述定损视频输入至所述车险定损模型,得到所述目标车辆的定损信息和定损评分;
基于所述车型、所述定损部位和所述定损评分,得到初始定损策略和初始定损金额;
基于所述目标车辆的维修信息和用户反馈信息,对所述初始定损策略和所述初始定损金额进行调整,得到目标定损策略和目标定损金额。
2.根据权利要求1所述的基于计算机视觉的车险智能定损方法,其特征在于,所述将所述定损图像输入至车险定损模型,得到所述目标车辆的车型和定损部位,包括:
所述车险定损模型根据所述定损图像中显示的所述目标车辆的整体,结合车辆数据库得到第一关键节点,所述第一关键节点用于表征所述目标车辆的初始车型;
所述车险定损模型根据所述定损图像中显示的所述目标车辆的零件,结合所述车辆数据库得到第二关键节点,所述第二关键节点用于表征所述目标车辆的初始零件;
所述车险定损模型根据所述定损图像中显示的所述目标车辆的受损零件,结合所述车辆数据库得到第三关键节点,所述第三关键节点用于表征所述目标车辆的初始定损部位;
将所述第一关键节点、所述第二关键节点和所述第三关键节点相关联并进行新的节点预测,以将所述初始车型、所述初始零件和所述初始定损部位更新为所述目标车辆的车型和定损部位。
3.根据权利要求1所述的基于计算机视觉的车险智能定损方法,其特征在于,所述将所述定损视频输入至所述车险定损模型,得到所述目标车辆的定损信息和定损评分,包括:
根据所述定损视频,获取所述目标车辆对应的评分特征;
根据所述评分特征,获取所述定损信息;
根据所述定损信息,获取所述定损评分。
4.根据权利要求3所述的基于计算机视觉的车险智能定损方法,其特征在于,所述根据所述定损信息,获取所述定损评分,包括:
获取所述定损信息中每个定损参数的评分占比,其中,所述定损参数包括所述目标车辆的车速、车辆异常参数、人为异常参数、里程和路况;
根据所述定损参数与所述定损信息的标准值的映射关系,结合所述评分占比,计算所述定损评分。
5.根据权利要求1所述的基于计算机视觉的车险智能定损方法,其特征在于,所述基于所述车型、所述定损部位和所述定损评分,得到初始定损策略和初始定损金额,包括:
将包含所述定损部位的所述定损图像进行图像分割,得到所述定损部位的分割图像;
对所述分割图像进行分类处理,根据同类所述分割图像的信息,确定所述定损部位的损伤程度;
根据所述损伤程度,确定所述初始定损策略,所述初始定损策略包括所述定损部位是否更换、所述定损部位的损伤类型和所述定损部位的维修类型。
6.根据权利要求5所述的基于计算机视觉的车险智能定损方法,其特征在于,所述方法还包括:
获取与所述目标车辆定损相关的定损金额因子,所述定损金额因子包括第一基础金额、第二基础金额、单日基准保费和异常合理上报次数;
根据所述定损评分和所述定损金额因子,确定初始定损金额。
7.根据权利要求5或6所述的基于计算机视觉的车险智能定损方法,其特征在于,所述基于所述目标车辆的维修信息和用户反馈信息,对所述初始定损策略和所述初始定损金额进行调整,得到目标定损策略和目标定损金额,包括:
将所述初始定损策略和所述初始定损金额发送至第一用户端,得到第一用户端发送的维修信息;
将所述初始定损策略和所述初始定损金额发送至第二用户端,得到第二用户端发送的用户反馈信息;
对所述维修信息和所述用户反馈信息进行特征融合处理,得到第一融合特征向量;
对所述初始定损策略和所述初始定损金额进行特征融合处理,得到第二融合特征向量;
若所述第一融合特征向量与所述第二融合特征向量的相似度大于预设阈值,则参考所述维修信息和所述用户反馈信息,调整所述初始定损策略和所述初始定损金额,得到目标定损策略和目标定损金额。
8.一种基于计算机视觉的车险智能定损系统,其特征在于,所述系统包括:
资料获取模块,用于根据目标车辆对应的理赔请求,获取所述目标车辆的定损图像和定损视频;
定位模块,用于将所述定损图像输入至车险定损模型,得到所述目标车辆的车型和定损部位;
评分模块,用于将所述定损视频输入至所述车险定损模型,得到所述目标车辆的定损信息和定损评分;
初始定损模块,用于基于所述车型、所述定损部位和所述定损评分,得到初始定损策略和初始定损金额;
目标定损模块,基于所述目标车辆的维修信息和用户反馈信息,对所述初始定损策略和所述初始定损金额进行调整,得到目标定损策略和目标定损金额。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1~7中任意一项所述方法的步骤。
10.一种计算机设备,包括处理器、存储器和存储于所述存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~7中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211572702.8A CN115631002B (zh) | 2022-12-08 | 2022-12-08 | 基于计算机视觉的车险智能定损方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211572702.8A CN115631002B (zh) | 2022-12-08 | 2022-12-08 | 基于计算机视觉的车险智能定损方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115631002A true CN115631002A (zh) | 2023-01-20 |
CN115631002B CN115631002B (zh) | 2023-11-17 |
Family
ID=84910274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211572702.8A Active CN115631002B (zh) | 2022-12-08 | 2022-12-08 | 基于计算机视觉的车险智能定损方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115631002B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437525A (zh) * | 2023-12-21 | 2024-01-23 | 南京三百云信息科技有限公司 | 用于环车视频的处理方法及处理系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600422A (zh) * | 2016-11-24 | 2017-04-26 | 中国平安财产保险股份有限公司 | 一种车险智能定损方法和系统 |
CN106780048A (zh) * | 2016-11-28 | 2017-05-31 | 中国平安财产保险股份有限公司 | 一种智能车险的自助理赔方法、自助理赔装置及系统 |
CN108665373A (zh) * | 2018-05-08 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 一种车辆定损的交互处理方法、装置、处理设备及客户端 |
CN108961084A (zh) * | 2018-07-07 | 2018-12-07 | 北京精友世纪软件技术有限公司 | 一种支持手机客户端的ai车辆定损理赔系统及方法 |
CN108961082A (zh) * | 2018-07-06 | 2018-12-07 | 北京精友世纪软件技术有限公司 | 一种基于ai图像识别的车险定损系统及方法 |
CN108961085A (zh) * | 2018-07-09 | 2018-12-07 | 北京精友世纪软件技术有限公司 | 一种车险智能定损系统及方法 |
CN109614935A (zh) * | 2018-12-12 | 2019-04-12 | 泰康保险集团股份有限公司 | 车辆定损方法及装置、存储介质及电子设备 |
CN109934543A (zh) * | 2017-12-15 | 2019-06-25 | 中国平安财产保险股份有限公司 | 车险的自助理赔方法、装置、设备和计算机存储介质 |
CN110009508A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种车险自动赔付方法和系统 |
WO2020024407A1 (zh) * | 2018-08-03 | 2020-02-06 | 平安科技(深圳)有限公司 | 电子装置、车险智能理赔方法及存储介质 |
CN111259848A (zh) * | 2020-01-22 | 2020-06-09 | 苏州华兴源创科技股份有限公司 | 一种车辆定损方法、车辆定损系统、计算机设备和介质 |
WO2021012891A1 (zh) * | 2019-07-23 | 2021-01-28 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、设备和存储介质 |
CN112712498A (zh) * | 2020-12-25 | 2021-04-27 | 北京百度网讯科技有限公司 | 移动终端执行的车辆定损方法、装置、移动终端、介质 |
-
2022
- 2022-12-08 CN CN202211572702.8A patent/CN115631002B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600422A (zh) * | 2016-11-24 | 2017-04-26 | 中国平安财产保险股份有限公司 | 一种车险智能定损方法和系统 |
CN106780048A (zh) * | 2016-11-28 | 2017-05-31 | 中国平安财产保险股份有限公司 | 一种智能车险的自助理赔方法、自助理赔装置及系统 |
CN109934543A (zh) * | 2017-12-15 | 2019-06-25 | 中国平安财产保险股份有限公司 | 车险的自助理赔方法、装置、设备和计算机存储介质 |
CN108665373A (zh) * | 2018-05-08 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 一种车辆定损的交互处理方法、装置、处理设备及客户端 |
CN108961082A (zh) * | 2018-07-06 | 2018-12-07 | 北京精友世纪软件技术有限公司 | 一种基于ai图像识别的车险定损系统及方法 |
CN108961084A (zh) * | 2018-07-07 | 2018-12-07 | 北京精友世纪软件技术有限公司 | 一种支持手机客户端的ai车辆定损理赔系统及方法 |
CN108961085A (zh) * | 2018-07-09 | 2018-12-07 | 北京精友世纪软件技术有限公司 | 一种车险智能定损系统及方法 |
WO2020024407A1 (zh) * | 2018-08-03 | 2020-02-06 | 平安科技(深圳)有限公司 | 电子装置、车险智能理赔方法及存储介质 |
CN109614935A (zh) * | 2018-12-12 | 2019-04-12 | 泰康保险集团股份有限公司 | 车辆定损方法及装置、存储介质及电子设备 |
CN110009508A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种车险自动赔付方法和系统 |
WO2021012891A1 (zh) * | 2019-07-23 | 2021-01-28 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、设备和存储介质 |
CN111259848A (zh) * | 2020-01-22 | 2020-06-09 | 苏州华兴源创科技股份有限公司 | 一种车辆定损方法、车辆定损系统、计算机设备和介质 |
CN112712498A (zh) * | 2020-12-25 | 2021-04-27 | 北京百度网讯科技有限公司 | 移动终端执行的车辆定损方法、装置、移动终端、介质 |
Non-Patent Citations (3)
Title |
---|
ATHARVA SHIRODE 等: "Car Damage Detection and Assessment Using CNN", 2022 IEEE DELHI SECTION CONFERENCE (DELCON), pages 109 * |
宓超 等 * |
赵子豪 等: "基于图像识别的车辆智能定损应用研究", 保险职业学院学报 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437525A (zh) * | 2023-12-21 | 2024-01-23 | 南京三百云信息科技有限公司 | 用于环车视频的处理方法及处理系统 |
CN117437525B (zh) * | 2023-12-21 | 2024-03-08 | 南京三百云信息科技有限公司 | 用于环车视频的处理方法及处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115631002B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7110414B2 (ja) | 画像に基づく車両損傷判定方法、装置および電子デバイス | |
US11354899B2 (en) | Visual inspection support using extended reality | |
US11842404B2 (en) | Enhancement using analytics based on vehicle kinematic data | |
US20230256984A1 (en) | Electronics to remotely monitor and control a machine via a mobile personal communication device | |
US10360601B1 (en) | Method for generating a repair estimate through predictive analytics | |
US20140081675A1 (en) | Systems, methods, and apparatus for optimizing claim appraisals | |
JP2022091875A (ja) | データセットの半自動ラベル付け | |
US20200226648A1 (en) | Assessing shared vehicle popularities | |
US10210479B2 (en) | Computerized sysem and method for data acquistion and application of disparate data to two stage bayesian networks to generate centrally maintained portable driving score data | |
US20140095214A1 (en) | Systems and methods for providing a driving performance platform | |
US20180268305A1 (en) | Retrospective event verification using cognitive reasoning and analysis | |
CN110070430A (zh) | 评估还款风险的方法及装置、存储介质、电子设备 | |
CN110520877A (zh) | 维护通知系统及其控制方法以及程序 | |
CN115631002B (zh) | 基于计算机视觉的车险智能定损方法及系统 | |
US20230281722A1 (en) | Smart estimatics methods and systems | |
US20230221134A1 (en) | Machine Learning Platform for Dynamic Device and Sensor Quality Evaluation | |
KR100903016B1 (ko) | 온라인을 통한 자동차 외형 복원 분석 및 견적 산출 방법 | |
CN111260384B (zh) | 服务订单处理方法、装置、电子设备及存储介质 | |
CN111291253A (zh) | 模型训练方法、咨询推荐方法、装置及电子设备 | |
CN112465331A (zh) | 乘车安全控制方法、模型训练方法、装置、设备及介质 | |
CN112053098A (zh) | 订单处理方法、装置、服务器及计算机存储介质 | |
JP7253171B2 (ja) | 情報処理方法、情報処理装置、及び、プログラム | |
CN115593420B (zh) | 一种碳减排量确定方法、装置、电子设备及存储介质 | |
WO2021132149A1 (ja) | 情報処理方法、情報処理装置、及び、プログラム | |
US20230140096A1 (en) | Driver risk management tool, and method for using it |
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 |