CN115810134A - 一种车险反欺诈的图像采集质检方法、系统和装置 - Google Patents
一种车险反欺诈的图像采集质检方法、系统和装置 Download PDFInfo
- Publication number
- CN115810134A CN115810134A CN202310110512.2A CN202310110512A CN115810134A CN 115810134 A CN115810134 A CN 115810134A CN 202310110512 A CN202310110512 A CN 202310110512A CN 115810134 A CN115810134 A CN 115810134A
- Authority
- CN
- China
- Prior art keywords
- quality inspection
- vehicle
- information
- insurance
- image
- 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
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种车险反欺诈的图像采集质检方法、系统和装置,所述方法由车险理赔质检终端和车险理赔质检服务器执行,包括:通过车险理赔质检终端收集并识别分类包括车损情况、车辆信息、场景信息、驾驶员信息、三方信息在内的图像信息,对图像信息进行筛选,并对筛选后的图像信息进行标注;将标注后的图像信息发送至车险理赔质检服务器,以使车险理赔质检服务器执行图像质检,得到质检结果;险理赔质检服务器将质检结果返回至车险理赔质检终端。本发明方法能够在信息收集的过程中,完成车险现场数据的标注和识别,从收集端规范了数据的采集,提高了图像采集的质量。
Description
技术领域
本发明涉及识别保险欺诈的领域,尤其涉及一种车险反欺诈的图像采集质检方法、系统和装置。
背景技术
现有计算机识别技术在车辆保险业的应用,大多针对于保险的定损,现场的记录,少有直接根据多种图片信息对车险欺诈进行风险因子提取的应用。绝大部分根据照片判断欺诈行为是由人工的方式来完成的。对于事故现场生成的图片,文字等信息,现有技术只用于对当下的车辆,驾驶员等信息进行即时处理,并未综合保险流程的各个阶段进行统一分析和风险因子提取。且由于一线查勘人员素质良莠不齐,导致采集的图像等现场数据质量较差,缺失核损或者判定欺诈行为的关键信息,对后续的案件判断造成影响。
因此,亟需设计一种车险反欺诈的图像采集质检方法及系统,辅助一线查勘员能够在查勘环节采集到高质量的图像,为后续基于图像提取关键高风险信息奠定基础。
发明内容
本发明针对现有技术不足,提出了一种车险反欺诈的图像采集质检流程、系统和装置。
本发明的目的是通过以下技术方案来实现的:本发明实施例的第一方面提供了一种车险反欺诈的图像采集质检方法,由车险理赔质检终端和车险理赔质检服务器执行,所述方法包括:
通过车险理赔质检终端收集并识别分类包括车损情况、车辆信息、场景信息、驾驶员信息、三方信息在内的图像信息,对图像信息进行筛选,并对筛选后的图像信息进行标注;
将标注后的图像信息发送至车险理赔质检服务器,以使车险理赔质检服务器执行图像质检,得到质检结果;
车险理赔质检服务器将质检结果返回至车险理赔质检终端。
进一步地,通过车险理赔质检终端收集包括车损情况、车辆信息、场景信息、驾驶员信息、三方信息在内的图像信息包括:
案件信息采集阶段,用于记录包括车辆的保单号、车牌、车主信息、车架号在内的信息;
现场图片采集阶段,用于记录车辆事故包括车现场图及车辆损伤细节图在内的现场信息;
驾驶员信息采集阶段,用于收集保险标的车的驾驶员信息,所述驾驶员信息包括驾驶员的行驶证、驾驶证、身份证;
地点/场景信息采集阶段,用于记录和收集包括事发地的路况、天气、周围环境在内的场景信息;
三方信息采集阶段,用于收集除保险者、被保险者以外的所有因事故所造成损失的对象即三者车辆/人信息。
进一步地,所述案件信息采集阶段中采用OCR自动识别方法识别车牌和车架号;所述驾驶员信息采集阶段中采用OCR自动识别方法识别行驶证、驾驶证和身份证。
进一步地,所述现场图片采集阶段中车现场图、车辆损伤细节图具有以下取景规则:车现场图要求整车露出,且车辆的占比不小于整张图片80%,并从车辆的左前,右前,左侧面,右侧面,左后,右后,六个角度分别对车辆进行拍摄;车辆损伤细节图要求采集出车损伤所在的细节部位。
进一步地,所述步骤(1)中对图像信息进行筛选,并对筛选后的图像信息进行标注的过程包括:信息核准阶段,信息完善阶段,信息简单标注阶段;
所述信息核准阶段用于对案件信息采集阶段,现场图片采集阶段,驾驶员信息采集阶段,地点/场景信息采集阶段,三方信息采集阶段得到的信息进行核准确认无误;
所述信息完善阶段用于对采集的信息进行补充;
所述信息简单标注阶段用于对采集的车现场图及车辆损伤细节图框选出车损部位;并标注出车现场图中车辆的朝向。
进一步地,所述信息核准阶段还包括:通过车险理赔质检终端采集并上传人车合影图片,所述人车合影图片为查勘员的免冠正面照片和事故车辆的正面或后面合影,其中事故车辆的正面或后面需完整,且清晰露出车牌和车标;再通过面部识别方法验证查勘员的免冠正面照片与预先上传的照片是否匹配。
进一步地,将标注后的图像信息发送至车险理赔质检服务器,以使车险理赔质检服务器执行图像质检,得到质检结果的过程包括:
接收车险理赔质检终端发送的标注后的图像信息,并进行分类存储;
对分类存储的图片信息进行识别,自定义设置图片信息评分规则,依据图片信息评分规则对每一图片信息的识别结果进行评分,并自定义设置分数阈值,若评分结果高于分数阈值,则车险理赔质检服务器判定质检结果为通过;还依据评分结果高于分数阈值对应的图片信息对识别过程进行优化。
进一步地,对分类存储的图片信息进行识别的过程还包括一车损二步定位识别过程,具体包括:
通过目标检测算法从车现场图以及车辆损伤细节图中识别对应的识别目标。首先通过目标检测算法识别出车损和车辆部件的位置,其次,根据在信息简单标注阶段通过标注的即车辆的朝向,得到车损的位置位于整车的具体部位,在通过计算距离破损位置最近的车辆部件,进而判断出距离车损位置最近的部件。
本发明实施例的第二方面提供了一种车险反欺诈的图像采集质检系统,用于实现上述的车险反欺诈的图像采集质检方法,包括车险理赔质检终端和车险理赔质检服务器;
所述车险理赔质检终端包括:
数据采集模块,在采集图像的过程中,获取当前采集的图像信息;
数据传输模块,将当前获取的图像信息发送至车险理赔质检服务器,以使车险理赔质检服务器执行图像质检,得到质检结果;
所述车险理赔质检服务器包括:
数据接收模块,接收车险理赔质检终端发送的图像信息;
质检模块,根据接收的图像信息执行质检,所述质检的过程包括对分类存储的图片信息进行识别,自定义设置图片信息评分规则,依据图片信息评分规则对每一图片信息的识别结果进行评分,并自定义设置分数阈值,若评分结果高于分数阈值,则车险理赔质检服务器判定质检结果为通过;并将质检结果返回至车险理赔质检终端。
本发明实施例的第三方面提供了一种车险反欺诈的图像采集质检装置,包括一个或多个处理器,用于实现上述的车险反欺诈的图像采集质检方法。
本发明的有益效果为:本发明提出了一种车险反欺诈的图像采集质检方法、系统和装置,通过车险理赔质检终端收集图像信息,并利用目标检测算法、图像文字信息识别等计算机视觉算法对图像信息进行识别分类,再进行筛选,并对筛选后的图像信息进行标注;对标注后的图像信息进行质检,实现了对图像的高质量采集,实时解决保险查勘环节采集的数据质量较低的问题。所述车险理赔质检终端中的图像识别分类模块还包括了一车损二步定位法,通过判断损伤位置在汽车图片标注轴线的位置,从而识别判断损伤的相对位置。
附图说明
图1为本发明提供的一种车险反欺诈的图像采集质检方法流程图;
图2为本发明提供的一种车险理赔流程终端的拍照示意图;
图3为本发明提供的一种车险理赔流程终端的标注示意图;
图4为本发明系统的示意图;
图5为本发明方法根据图片信息对识别过程进行优化的示意图;
图6为本发明车险理赔质检终端中的图像识别分类模块提供的一种车损二步定位法流程图;
图7为风险因子提取流程图;
图8为本发明提供的一种面向图片数据的车险欺诈行为预测装置的结构图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面结合附图与实施例对本发明的车险反欺诈的图像采集质检方法、系统和装置进一步说明,本发明要求保护的范围包含但不局限于下列实施例所表述的范围。
如图1所示,本发明提出了一种车险反欺诈的图像采集质检方法,车险理赔质检终端和车险理赔质检服务器执行,所述方法具体包括以下步骤:
(1)通过车险理赔质检终端收集并识别分类包括车损情况、车辆信息、场景信息、驾驶员信息、三方信息在内的图像信息,对图像信息进行筛选,并对筛选后的图像信息进行标注。
所述步骤(1)具体包括以下子步骤:
(1.1)收集并识别分类包括车损情况、车辆信息、场景信息、驾驶员信息、三方信息在内的图像信息,包括案件信息采集阶段、现场图片采集阶段、驾驶员信息采集阶段、地点/场景信息采集阶段和三方信息采集阶段。
其中,所述案件信息采集阶段用于记录车辆的包括保单号、车牌、车主信息、车架号在内的车辆信息,并进行建档。其中,其中车牌和车架号可用OCR自动识别。如遇黑天、严重事故等导致无法正常拍摄等情况,可手动输入或暂时留空。
所述现场图片采集阶段用于记录车辆事故的现场图片信息,包括车现场图、车辆损伤细节图在内的车损情况。其中,车现场图、车辆损伤细节图具有以下取景规则:车现场图要求整车露出,且车辆占比不小于整张图片80%,要求从左前,右前,左侧面,右侧面,左后,右后,六个角度分别对车辆进行拍摄,如图2所示。车辆损伤细节图要求照出损伤所在的细节部位。进一步地,在图像采集的过程中,车险理赔质检终端会分类别上传所采集的照片并且提示照相的注意事项,对质量较低,较为模糊的照片要求重拍,保证照片质量。同时,车险理赔质检终端会要求查勘员对现场情况进行简单描述,并按照问题选择相对应的回答,包括:事故类型,事故原因,驾驶状态,责任认定,损伤类型,严重程度等。
所述驾驶员信息采集阶段用于收集保险标的车的驾驶员信息,所述驾驶员信息包括驾驶员的行驶证、驾驶证、身份证。其中,证件信息均可用OCR自动识别相关信息,如遇光线不佳,证件损坏,驾驶员未携带等情况,可手动输入或暂时留空。
所述地点/场景信息采集阶段用于记录和收集包括事发地的路况、天气、周围环境在内的场景信息。在采集图像的过程中,车险理赔质检终端会上传所采集的照片并且提示照相的注意事项,对质量较低,较为模糊的照片要求重拍,保证照片质量。同时,车险理赔质检终端会要求查勘员对现场情况进行简单描述,并按照问题选择相对应的回答,包括:天气情况,路况等信息。采集完毕后终端会自动采集所在地点定位信息和时间信息。
所述三方信息采集阶段用于收集除保险者、被保险者以外的所有因事故所造成损失的对象即三者车辆/人信息;其中,所述三方信息为除保险者、被保险者以外的所有因事故所造成损失的人、车、物。具体地:查勘员拍摄事故车和三者的整体图片,三者相关人员的驾驶证,行驶证,身份证信息。
所述步骤(1.1)中还包括拍摄交互的过程,用于帮助查勘员采集符合取景规则的图像。
(1.2)对步骤(1.1)采集的图像信息进行筛选,并对筛选后的图像信息进行标注。
具体地:所述步骤(1.2)包括信息核准阶段、信息完善阶段、信息简单标注阶段。
所述信息核准阶段用于确认步骤(1.1)中案件信息填写阶段,现场图片采集阶段,驾驶员信息采集阶段,地点/场景信息采集阶段,三方信息采集阶段的输入信息无误。经过查勘员确认信息无误后,需要拍摄一张人车合影图片即查勘员的免冠正面照片和事故车辆的正面(或后面)合影。且经过面部识别(本发明实施例中使用Yolov5算法进行人脸检测识别)后需能够与车险理赔质检终端中查勘员预先上传的照片匹配。车辆要求正面(或后面)完整,清晰露出车牌和车标。
所述信息完善阶段用于补完案件信息,查勘员需将未能填写,未能识别或者补完的必要信息,在五个工作日内跟进并补全。
所述信息简单标注阶段用于辅助车险反欺诈的图像采集质检系统中的图像识别/分类模块对图像进行标注或标签。在车险理赔流程终端中使用labelme工具进行标注用矩形框指出图片的关键分类信息如:车损部位及车部位信息(如表1)。并大致在车险理赔流程终端中用指向型箭头指出车现场图中车的朝向(如图3所示),由车尾至车头。用于辅助图像识别/分类模块对图片的分析、识别和提取风险因子等功能。
表1:车部位分类信息表
(2)将标注后的图像信息发送至车险理赔质检服务器,以使车险理赔质检服务器执行图像质检,得到质检结果。
车险理赔质检服务器执行图像质检的过程具体包括以下子步骤:
(2.1)接收车险理赔质检终端发送的标注后的图像信息,并进行分类存储,其中,分类表如下表2所示。
表2:图片类别分类信息表
(2.2)对分类存储的图片信息进行识别,自定义设置图片信息评分规则,依据图片信息评分规则对每一图片信息的识别结果进行评分,并自定义设置分数阈值,若评分结果高于分数阈值,则车险理赔质检服务器判定质检结果为通过。还依据评分结果高于分数阈值对应的图片信息对识别过程进行优化。
具体地,如图7所示,对分类存储的图片信息进行识别,包括:根据不同的图像分类类别,通过不同的计算机视觉算法进行目标检测识别,得到识别目标。其中,识别目标表如下表3所示:
表3:识别目标表
通过不同的计算机视觉算法进行目标检测识别的过程包括:
在本发明实施例中,利用ResNet或NetVLAD分类算法对场景图片进行识别提取出识别目标。通过图像文字信息的算法(OCR)从驾驶证,行驶证等单证图片中提取出识别目标,并使用NLP算法将该识别目标(即识别出的文本数据)向量化,即将文本数据转换为结构化数据。通过行人重识别的算法(ReID识别算法)从人车合影中提取出识别目标。将上述的识别目标通过唯一案件号ID与车险理赔流程终端产生的结构化数据。
其中,本发明实施例进行目标检测识别的过程还包括:一种车损二步定位识别,具体地,通过目标检测算法(Yolov5)从车现场图以及车辆损伤细节图中识别对应的识别目标。首先通过目标检测算法识别出车损和车辆部件的位置。其次,如图6所示,根据查勘员在信息简单标注阶段通过车险理赔流程终端标注的指向型箭头(即车辆的朝向),得到车损的位置位于整车的具体部位(即得到车损的位置位于整车的前、中或后部),再通过计算距离破损位置最近的车辆部件,进而判断出距离车损位置最近的部件,并抽象为结构数据。示例性地,如图6中的(a)所示,根据车辆的朝向,得到车损的位置位于整车的前部,如图6中的(b)所示,再通过计算距离破损位置最近的车辆部件,进而判断出距离车损位置最近的部件为车灯。具体计算方法如下:
假设图像中标注的车损部位中心坐标为(x1,y1), 图像中不同车部位的中心坐标分别为(x2,y2),(x3,y3),…,(xn,yn)。分别计算车损中心坐标与车部位中心坐标的欧几里得距离,并取距离最小的部位为距离车损位置最近的部件。
自定义设置图片信息评分规则,依据图片信息评分规则对每一图片信息的识别结果进行评分,并自定义设置分数阈值,若评分结果高于分数阈值,则车险理赔质检服务器判定质检结果为通过,具体过程包括:
示例性地,本实例中,自定义设置的图片信息评分规则如下表4所示:
表4:图像自动标注评价规则
示例性地,在本实例中,表4中的依据图片信息评分规则对每一图片信息的识别结果进行评分,对评分结果进行排序,设定分数阈值为排序前20%的图片对应的评分结果,则车险理赔质检服务器判定评分排序前20%的图片的质检结果为通过。并且选取评分排序前20%的图片作为质量较高的标注图片,利用上述质量较高的标注图片以优化图片信息的识别过程。
如图5所示,所述步骤(2.2)还包括依据评分结果高于分数阈值对应的图片信息对识别过程进行反馈优化的过程,具体为:
在本发明实施例中,还包括:利用深度学习算法通过学习汽车欺诈评估报告和相关文献,总结与欺诈行为相关的识别目标。所述识别目标包括:从汽车欺诈评估报告和相关文献中提取的和欺诈行为高度相关的风险因子;从车现场图和车辆损伤细节图中提取的车辆信息及破损信息;从单证图片中提取和事故相关的信息;从场景图片中获得的场景信息;从人车合影中得到的信息等。
将评分结果高于分数阈值对应的图片信息存储至车险理赔云数据库,根据总结的与欺诈行为相关的识别目标,进行车险欺诈行为预测,例如,通过特征工程、深度学习模型、深度优先搜索算法DFS或XGB模型等,构建车险欺诈风险预测模型,通过该车险欺诈风险预测模型计算车险欺诈的概率,从而协助保险从业者进行风险评估和欺诈行为判断。将车险欺诈行为预测结果反馈至车险理赔云数据库,对车险理赔云数据库存储的高质量图片信息进行筛选,每个单位时间更新车险理赔云数据库,并通过车险理赔云数据库优化识别评分过程。
(3)车险理赔质检服务器将质检结果返回至车险理赔质检终端。
若质检结果为不通过,则通过车险理赔质检终端重复上述步骤再次采集图像信息,直至通过质检。
如图4所示,本发明还一种车险反欺诈的图像采集质检系统,用于实现上述的车险反欺诈的图像采集质检方法,包括车险理赔质检终端和车险理赔质检服务器;
所述车险理赔质检终端包括数据采集模块和数据传输模块。
其中,所述数据采集模块,在采集图像的过程中,获取当前采集的图像信息。
数据传输模块,将当前获取的图像信息发送至车险理赔质检服务器,以使车险理赔质检服务器执行图像质检,得到质检结果。
所述车险理赔质检服务器包括:数据接收模块和质检模块。
其中,数据接收模块,接收车险理赔质检终端发送的图像信息。
质检模块,根据接收的图像信息执行质检,所述质检的过程包括对分类存储的图片信息进行识别,自定义设置图片信息评分规则,依据图片信息评分规则对每一图片信息的识别结果进行评分,并自定义设置分数阈值,若评分结果高于分数阈值,则车险理赔质检服务器判定质检结果为通过;并将质检结果返回至车险理赔质检终端。
与前述车险反欺诈的图像采集质检方法实例相对应,本发明还提供了车险反欺诈的图像采集质检装置的实施例。
参见图8,本发明实施例提供的一种车险反欺诈的图像采集质检装置,包括一个或多个处理器,用于实现上述实施例中的车险反欺诈的图像采集质检流程和系统。
本发明面向图片数据的车险反欺诈的图像采集质检装置的实施例可以应用在任意具备数据处理能力的设备上,该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图8所示,为本发明面向图片数据的车险欺诈行为预测装置所在任意具备数据处理能力的设备的一种硬件结构图,除了图8所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的面向图片数据的车险欺诈行为预测方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
综上所述,本发明方法运用了目标检测算法、图像文字信息识别等计算机视觉算法,通过机器学习、特征工程和深度学习模型,利用一个车险理赔流程终端,实现了对图像和结构化数据的高质量采集,实时解决数据质量较低的问题,并且提出了一个车损二步定位法,通过判断损伤位置在汽车图片标注轴线的位置,判断损伤的相对位置,对欺诈行为进行预测,为保险从业者提供汽车保险欺诈行为的预警及保险业务流程的优化建议。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种车险反欺诈的图像采集质检方法,其特征在于,由车险理赔质检终端和车险理赔质检服务器执行,所述方法包括:
通过车险理赔质检终端收集并识别分类包括车损情况、车辆信息、场景信息、驾驶员信息、三方信息在内的图像信息,对图像信息进行筛选,并对筛选后的图像信息进行标注;
将标注后的图像信息发送至车险理赔质检服务器,以使车险理赔质检服务器执行图像质检,得到质检结果;
车险理赔质检服务器将质检结果返回至车险理赔质检终端。
2.根据权利要求1所述的车险反欺诈的图像采集质检方法,其特征在于,通过车险理赔质检终端收集包括车损情况、车辆信息、场景信息、驾驶员信息、三方信息在内的图像信息包括:
案件信息采集阶段,用于记录包括车辆的保单号、车牌、车主信息、车架号在内的信息;
现场图片采集阶段,用于记录车辆事故包括车现场图及车辆损伤细节图在内的现场信息;
驾驶员信息采集阶段,用于收集保险标的车的驾驶员信息,所述驾驶员信息包括驾驶员的行驶证、驾驶证、身份证;
地点/场景信息采集阶段,用于记录和收集包括事发地的路况、天气、周围环境在内的场景信息;
三方信息采集阶段,用于收集除保险者、被保险者以外的所有因事故所造成损失的对象即三者车辆/人信息。
3.根据权利要求2所述的车险反欺诈的图像采集质检方法,其特征在于,所述案件信息采集阶段中采用OCR自动识别方法识别车牌和车架号;所述驾驶员信息采集阶段中采用OCR自动识别方法识别行驶证、驾驶证和身份证。
4.根据权利要求2所述的车险反欺诈的图像采集质检方法,其特征在于,所述现场图片采集阶段中车现场图、车辆损伤细节图具有以下取景规则:车现场图要求整车露出,且车辆的占比不小于整张图片80%,并从车辆的左前,右前,左侧面,右侧面,左后,右后,六个角度分别对车辆进行拍摄;车辆损伤细节图要求采集出车损伤所在的细节部位。
5.根据权利要求2所述的车险反欺诈的图像采集质检方法,其特征在于,对图像信息进行筛选,并对筛选后的图像信息进行标注的过程包括:信息核准阶段,信息完善阶段,信息简单标注阶段;
所述信息核准阶段用于对案件信息采集阶段,现场图片采集阶段,驾驶员信息采集阶段,地点/场景信息采集阶段,三方信息采集阶段得到的信息进行核准确认无误;
所述信息完善阶段用于对采集的信息进行补充;
所述信息简单标注阶段用于对采集的车现场图及车辆损伤细节图框选出车损部位;并标注出车现场图中车辆的朝向。
6.根据权利要求5所述的车险反欺诈的图像采集质检方法,其特征在于,所述信息核准阶段还包括:通过车险理赔质检终端采集并上传人车合影图片,所述人车合影图片为查勘员的免冠正面照片和事故车辆的正面或后面合影,其中事故车辆的正面或后面需完整,且清晰露出车牌和车标;再通过面部识别方法验证查勘员的免冠正面照片与预先上传的照片是否匹配。
7.根据权利要求1所述的车险反欺诈的图像采集质检方法,其特征在于,将标注后的图像信息发送至车险理赔质检服务器,以使车险理赔质检服务器执行图像质检,得到质检结果的过程包括:
接收车险理赔质检终端发送的标注后的图像信息,并进行分类存储;
对分类存储的图片信息进行识别,自定义设置图片信息评分规则,依据图片信息评分规则对每一图片信息的识别结果进行评分,并自定义设置分数阈值,若评分结果高于分数阈值,则车险理赔质检服务器判定质检结果为通过;还依据评分结果高于分数阈值对应的图片信息对识别过程进行优化。
8.根据权利要求6或7所述的车险反欺诈的图像采集质检方法,其特征在于,对分类存储的图片信息进行识别的过程还包括一车损二步定位识别过程,具体包括:
首先通过目标检测算法识别出车损和车辆部件的位置,其次,根据在信息简单标注阶段通过标注的即车辆的朝向,得到车损的位置位于整车的具体部位,在通过计算距离破损位置最近的车辆部件,进而判断出距离车损位置最近的部件。
9.一种车险反欺诈的图像采集质检系统,用于实现权利要求1-8中任一项所述的车险反欺诈的图像采集质检方法,其特征在于,包括车险理赔质检终端和车险理赔质检服务器;
所述车险理赔质检终端包括:
数据采集模块,在采集图像的过程中,获取当前采集的图像信息;
数据传输模块,将当前获取的图像信息发送至车险理赔质检服务器,以使车险理赔质检服务器执行图像质检,得到质检结果;
所述车险理赔质检服务器包括:
数据接收模块,接收车险理赔质检终端发送的图像信息;
质检模块,根据接收的图像信息执行质检,所述质检的过程包括对分类存储的图片信息进行识别,自定义设置图片信息评分规则,依据图片信息评分规则对每一图片信息的识别结果进行评分,并自定义设置分数阈值,若评分结果高于分数阈值,则车险理赔质检服务器判定质检结果为通过;并将质检结果返回至车险理赔质检终端。
10.一种车险反欺诈的图像采集质检装置,其特征在于,包括一个或多个处理器,用于实现权利要求1-8中任一项所述的车险反欺诈的图像采集质检方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310110512.2A CN115810134B (zh) | 2023-02-14 | 2023-02-14 | 一种车险反欺诈的图像采集质检方法、系统和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310110512.2A CN115810134B (zh) | 2023-02-14 | 2023-02-14 | 一种车险反欺诈的图像采集质检方法、系统和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115810134A true CN115810134A (zh) | 2023-03-17 |
CN115810134B CN115810134B (zh) | 2023-07-21 |
Family
ID=85487868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310110512.2A Active CN115810134B (zh) | 2023-02-14 | 2023-02-14 | 一种车险反欺诈的图像采集质检方法、系统和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115810134B (zh) |
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 |
CN116664112A (zh) * | 2023-07-25 | 2023-08-29 | 凯泰铭科技(北京)有限公司 | 用于车损案件的检修扩损决策方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106231551A (zh) * | 2016-07-29 | 2016-12-14 | 深圳市永兴元科技有限公司 | 基于移动通信网络的车险理赔方法及装置 |
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 |
CN107240025A (zh) * | 2017-05-22 | 2017-10-10 | 深圳市中车数联科技有限公司 | 交通事故处理方法、系统和计算机可读存储介质 |
CN107610091A (zh) * | 2017-07-31 | 2018-01-19 | 阿里巴巴集团控股有限公司 | 车险图像处理方法、装置、服务器及系统 |
CN108280769A (zh) * | 2018-02-01 | 2018-07-13 | 阿里巴巴集团控股有限公司 | 理赔业务的数据处理方法、装置、电子设备、服务器 |
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 |
CN110909731A (zh) * | 2019-10-12 | 2020-03-24 | 深圳壹账通智能科技有限公司 | 车辆救援场景质检方法、装置、设备及存储介质 |
CN112348686A (zh) * | 2020-11-24 | 2021-02-09 | 德联易控科技(北京)有限公司 | 理赔图片的采集方法、装置及通讯设备 |
CN113706513A (zh) * | 2021-08-31 | 2021-11-26 | 深圳壹账通智能科技有限公司 | 基于图像检测的车损图像的分析方法、装置、设备及介质 |
CN114283416A (zh) * | 2021-12-10 | 2022-04-05 | 泰康保险集团股份有限公司 | 车险理赔图片的处理方法和装置 |
CN115410174A (zh) * | 2022-11-01 | 2022-11-29 | 之江实验室 | 一种两阶段车险反欺诈图像采集质检方法、装置和系统 |
-
2023
- 2023-02-14 CN CN202310110512.2A patent/CN115810134B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106231551A (zh) * | 2016-07-29 | 2016-12-14 | 深圳市永兴元科技有限公司 | 基于移动通信网络的车险理赔方法及装置 |
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 |
CN107240025A (zh) * | 2017-05-22 | 2017-10-10 | 深圳市中车数联科技有限公司 | 交通事故处理方法、系统和计算机可读存储介质 |
CN107610091A (zh) * | 2017-07-31 | 2018-01-19 | 阿里巴巴集团控股有限公司 | 车险图像处理方法、装置、服务器及系统 |
CN108280769A (zh) * | 2018-02-01 | 2018-07-13 | 阿里巴巴集团控股有限公司 | 理赔业务的数据处理方法、装置、电子设备、服务器 |
WO2019149021A1 (zh) * | 2018-02-01 | 2019-08-08 | 阿里巴巴集团控股有限公司 | 理赔业务的数据处理方法、装置、电子设备、服务器 |
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 |
CN110909731A (zh) * | 2019-10-12 | 2020-03-24 | 深圳壹账通智能科技有限公司 | 车辆救援场景质检方法、装置、设备及存储介质 |
CN112348686A (zh) * | 2020-11-24 | 2021-02-09 | 德联易控科技(北京)有限公司 | 理赔图片的采集方法、装置及通讯设备 |
CN113706513A (zh) * | 2021-08-31 | 2021-11-26 | 深圳壹账通智能科技有限公司 | 基于图像检测的车损图像的分析方法、装置、设备及介质 |
CN114283416A (zh) * | 2021-12-10 | 2022-04-05 | 泰康保险集团股份有限公司 | 车险理赔图片的处理方法和装置 |
CN115410174A (zh) * | 2022-11-01 | 2022-11-29 | 之江实验室 | 一种两阶段车险反欺诈图像采集质检方法、装置和系统 |
Non-Patent Citations (2)
Title |
---|
MATEO GENDE: "Data Extraction in Insurance Photo-Inspections Using Computer Vision", MDPI * |
白玉;: "汽车保险理赔中的欺诈与防范", 常州工学院学报 * |
Cited By (4)
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 |
CN116664112A (zh) * | 2023-07-25 | 2023-08-29 | 凯泰铭科技(北京)有限公司 | 用于车损案件的检修扩损决策方法及系统 |
CN116664112B (zh) * | 2023-07-25 | 2023-11-14 | 凯泰铭科技(北京)有限公司 | 用于车损案件的检修扩损决策方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115810134B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240087102A1 (en) | Automatic Image Based Object Damage Assessment | |
US8447112B2 (en) | Method for automatic license plate recognition using adaptive feature set | |
JP6163344B2 (ja) | ナンバープレート画像の確実なクロッピング | |
Rasheed et al. | Automated number plate recognition using hough lines and template matching | |
US9405988B2 (en) | License plate recognition | |
CN115810134B (zh) | 一种车险反欺诈的图像采集质检方法、系统和装置 | |
CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
US11113582B2 (en) | Method and system for facilitating detection and identification of vehicle parts | |
CN110751012B (zh) | 目标检测评估方法、装置、电子设备及存储介质 | |
CN108323209B (zh) | 信息处理方法、系统、云处理设备以及计算机存储介质 | |
CN111753592B (zh) | 交通标志识别方法、装置、计算机设备和存储介质 | |
CN114627394B (zh) | 一种基于无人机的渣土车套牌识别方法及系统 | |
CN112794274B (zh) | 一种油罐车底部装油口安全监控方法及系统 | |
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 | |
CN113221894A (zh) | 车辆的车牌号识别方法、装置、电子设备和存储介质 | |
CN117173669A (zh) | 一种基于人工智能的图片识别方法和系统 | |
Pinthong et al. | The License Plate Recognition system for tracking stolen vehicles | |
CN111462480A (zh) | 交通图像证据验证方法、装置、计算机设备和存储介质 | |
CN113326831B (zh) | 交通违法数据的筛选方法及装置、电子设备、存储介质 | |
Thaiparnit et al. | Tracking vehicles system based on license plate recognition | |
CN115131564A (zh) | 基于人工智能的车辆部件损伤检测方法及相关设备 | |
CN113807256A (zh) | 票据数据处理方法、装置、电子设备和存储介质 | |
CN112069971A (zh) | 一种基于视频的高速公路标志标线识别方法及识别系统 | |
CN115410105A (zh) | 集装箱标记识别方法、装置、计算机设备和存储介质 | |
Fakhrurroja et al. | Automated License Plate Detection and Recognition using YOLOv8 and OCR With Tello Drone Camera |
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 |