CN116012075A - 基于机器学习的车辆修理点的确定方法及系统 - Google Patents
基于机器学习的车辆修理点的确定方法及系统 Download PDFInfo
- Publication number
- CN116012075A CN116012075A CN202310314663.XA CN202310314663A CN116012075A CN 116012075 A CN116012075 A CN 116012075A CN 202310314663 A CN202310314663 A CN 202310314663A CN 116012075 A CN116012075 A CN 116012075A
- Authority
- CN
- China
- Prior art keywords
- repair
- vehicle
- points
- neural network
- network model
- 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
Classifications
-
- 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
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的车辆修理点的确定方法及系统,涉及机器学习技术领域,基于多个修理点的服务信息对多个修理点进行服务评分得到多个修理点的服务评分,基于卷积神经网络模型对所述车辆损伤配件的外观图像进行处理判断损伤紧急程度,最后基于所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离确定车辆修理点,从而能够准确的确定合适的车辆修理点。
Description
技术领域
本发明涉及机器学习技术领域,具体涉及基于机器学习的车辆修理点的确定方法及系统。
背景技术
随着车辆工业的迅速发展,车辆在人们的日常生活中已经变得越来越普遍。同时,车辆的结构也变得越来越复杂,自动化程度也越来越高,整车的电子控制系统变得越来越复杂,而车辆的配件在日常运行过程中也容易出现损坏或失效。而车主在车辆配件失效后,需要对车辆配件进行维修。传统的维修方法大多是车主通过导航或人工随机寻找车辆修理点进行车辆配件的维修,而对车辆修理点的信息一无所知,在修理时容易由于修理点的报价、修理点的专业程度、修理员工的服务等产生纠纷,这会大大降低车主的修理体验。
因此,如何选择合适的车辆修理点、减少修理纠纷是当前亟待解决的问题。
发明内容
本发明主要解决的技术问题是如何选择合适的车辆修理点。
根据第一方面,本发明提供一种基于机器学习的车辆修理点的确定方法,包括:S1、拍摄车辆损伤配件的外观图像;S2、发送所述车辆损伤配件的外观图像到车辆修理平台;S3、接收所述车辆修理平台中多个修理点的服务信息,所述服务信息包括配件修理报价、更换配件信息、修理点历史订单量、修理点资质、修理点规模、修理点服务保障数据;S4、基于所述多个修理点的服务信息对所述多个修理点进行服务评分得到所述多个修理点的服务评分;S5、基于卷积神经网络模型对所述车辆损伤配件的外观图像进行处理判断损伤紧急程度,其中所述卷积神经网络模型的输入为所述车辆损伤配件的外观图像,所述卷积神经网络模型的输出为所述损伤紧急程度;S6、基于所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离确定车辆修理点。
更进一步地,所述基于所述多个修理点的服务信息对所述多个修理点进行服务评分得到多个修理点的服务评分,包括:基于第一深度神经网络模型对所述多个修理点进行服务评分得到所述多个修理点的服务评分,其中所述第一深度神经网络模型的输入为所述多个修理点的服务信息,所述第一深度神经网络模型的输出为所述多个修理点的服务评分。
更进一步地,所述基于所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离确定车辆修理点,包括:基于第二深度神经网络模型对所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离进行处理确定车辆修理点,其中所述第二深度神经网络模型的输入包括所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离,所述第二深度神经网络模型的输出为车辆修理点。
更进一步地,所述卷积神经网络模型通过梯度下降法训练得到。
更进一步地,所述卷积神经网络模型通过训练过程获取,所述训练过程包括:获取多个训练样本,所述训练样本包括样本输入数据和所述样本输入数据对应的标签,所述样本输入数据为样本车辆损伤配件的外观图像,所述标签为样本损伤紧急程度;基于所述多个训练样本训练初始的卷积神经网络模型,得到所述卷积神经网络模型。
更进一步地,所述方法还包括:获取车辆历史维修记录,将所述历史维修记录中距离所述车辆最近的维修点作为参考维修点,并将所述参考维修点发送到车辆显示屏。
根据第二方面,本发明提供基于机器学习的车辆修理点的确定系统,其特征在于,包括:拍摄模块,用于拍摄车辆损伤配件的外观图像;发送模块,用于发送所述车辆损伤配件的外观图像到车辆修理平台;接收模块,用于接收所述车辆修理平台中多个修理点的服务信息,所述服务信息包括配件修理报价、更换配件信息、修理点历史订单量、修理点资质、修理点规模、修理点服务保障数据;评分模块,用于基于所述多个修理点的服务信息对所述多个修理点进行服务评分得到所述多个修理点的服务评分;紧急程度输出模块,用于基于卷积神经网络模型对所述车辆损伤配件的外观图像进行处理判断损伤紧急程度,其中所述卷积神经网络模型的输入为所述车辆损伤配件的外观图像,所述卷积神经网络模型的输出为所述损伤紧急程度;车辆修理点确定模块,用于基于所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离确定车辆修理点。
更进一步地,所述基于所述多个修理点的服务信息对所述多个修理点进行服务评分得到多个修理点的服务评分,包括:基于第一深度神经网络模型对所述多个修理点进行服务评分得到所述多个修理点的服务评分,其中所述第一深度神经网络模型的输入为所述多个修理点的服务信息,所述第一深度神经网络模型的输出为所述多个修理点的服务评分。
根据第三方面,本发明提供一种电子设备,包括:存储器;处理器;以及计算机程序;其中,所述计算机程序存储在所述存储器中,并配置为由所述处理器执行以实现上述的方法。
根据第四方面,本发明提供一种计算机可读存储介质,所述介质上存储有程序,所述程序能够被处理器执行以实现如上述方面中任一项所述的方法。
依据上述实施例提供的基于机器学习的车辆修理点的确定方法及系统,基于多个修理点的服务信息对多个修理点进行服务评分得到多个修理点的服务评分,基于卷积神经网络模型对所述车辆损伤配件的外观图像进行处理判断损伤紧急程度,最后基于所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离确定车辆修理点,从而能够准确的确定合适的车辆修理点。
附图说明
图1为本发明实施例提供的一种基于机器学习的车辆修理点的确定方法的流程示意图;
图2为本发明实施例提供的一种基于机器学习的车辆修理点的确定系统的示意图;
图3为本发明实施例提供的一种电子设备的示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本发明能被更好的理解。
本发明实施例中,提供了如图1所示的一种基于机器学习的车辆修理点的确定方法,包括步骤S1~S6:
步骤S1,拍摄车辆损伤配件的外观图像。
车辆损伤后的外观图像表示车辆配件发生损伤后对车辆配件的外观进行拍照得到的外观图像。在一些实施例中,可以通过全景照相机对车辆配件进行拍照得到所述车辆损伤配件的外观图像。车辆损伤配件的外观图像包含了配件的类型、损伤程度等信息。
在一些实施例中,车辆配件包括发动机配件、传动系配件、制动系配件、转向系配件、行走系配件、电气仪表配件、汽车灯具、汽车改装配件、安全防盗配件。发动机配件主要包括发动机、发动机总成、节气门体、气缸体、涨紧轮等。传动系配件主要包括离合器、变速器、变速换挡操纵杆总成、减速器、磁性材料等。制动系配件主要包括制动总泵、制动分泵、制动器总成、制动踏板总成、压缩机、刹车盘、刹车鼓等。转向系配件主要包括主销、转向机、转向节、球头销等。行走系配件主要包括后桥、空气悬架系统、平衡块、钢板等。电气仪表配件主要包括传感器、汽车灯具、火花塞、蓄电池等。汽车灯具主要包括装饰灯、雾灯、吸顶灯、前照灯、刹车灯、倒车灯、转向灯、仪表灯、指示灯、探照灯具等各种汽车灯。汽车改装配件主要包括轮胎打气泵、汽车顶箱、汽车顶架、电动绞盘等。安全防盗配件主要包括方向盘锁、车轮锁、安全带、摄像头等。
步骤S2,发送所述车辆损伤配件的外观图像到车辆修理平台。
车辆修理平台表示聚合了多个修理点的车辆维修服务平台。车辆修理平台可以提供多个修理点的信息。车主只需要发送修理需求,则车辆修理平台会将所述修理需求发送给多个修理点,多个修理点根据修理需求提供服务信息。例如,车主可以发送所述车辆损伤配件的外观图像到车辆修理平台,车辆修理平台将所述车辆损伤配件的外观图像转发给车辆修理平台的多个修理点,车辆修理平台的多个修理点会根据车辆损伤配件的外观图像进行判断,给出维修方案。
步骤S3,接收所述车辆修理平台中多个修理点的服务信息,所述服务信息包括配件修理报价、更换配件信息、修理点历史订单量、修理点资质、修理点规模、修理点服务保障数据。
多个修理点的服务信息表示多个修理点根据车辆损伤配件的外观图像提供的维修服务信息。所述服务信息包括配件修理报价、更换配件信息、修理点历史订单量、修理点资质、修理点规模、修理点服务保障数据。
配件修理报价表示更换当前车辆损伤配件的报价,配件修理报价包括拆卸原车辆损伤配件费用、人工费用、新更换配件费用等。
更换配件信息表示替换车辆损伤配件的新配件信息。在一些实施例中,更换配件信息包括配件类别、配件大小、配件形状等。在一些实施例中,配件类别包括原厂件、正厂件、副厂件、拆车件等。
修理点历史订单量表示当前修理点历史维修的订单总量,一般来说,修理点历史订单量越高,则说明修理点的服务品质越高。
修理点资质表示当前修理点具备的修理资质。例如修理点资质分为三类,具体为:1.从事汽车大修和总成修理,也可从事汽车维修、小修和专项修理,其中汽车维修是指为使汽车保持良好的技术状况或工作能力而进行的操作,汽车小修是指通过更换或修理个别零部件来保证或恢复汽车工作能力的运行性修理。2.从事汽车的一、二级维护和小修。3.从事汽车专项维修保养,如车身、喷漆、装饰座垫、水箱、轮胎、曲轴研磨、镗缸、电器等专项保养。
修理点规模包括当前修理点的人员规模、占地面积规模、资金规模等。
修理点服务保障数据表示修理点所能提供的维修服务保障,例如维修服务保障包括假一赔三、极速退款、一年保修、售后咨询等。
步骤S4,基于所述多个修理点的服务信息对所述多个修理点进行服务评分得到所述多个修理点的服务评分。
修理点的服务评分可以为0-1的数值,数值越大,则修理点的服务评分越高,表示修理点的综合评价越高,更能符合车主的维修需求。
修理点的服务评分表示基于所述修理点的服务信息进行的服务评分。在一些实施例中,可以通过服务评分的对照表来对所述修理点的服务信息进行一一对照,确定服务评分。例如,修理点的服务信息的每一项都对应一个评分,最终可以基于对照表确定最终服务评分。在一些实施例中,还可以通过加权求和的方式对所述修理点的服务信息中的每一项进行处理得到服务评分。例如,对修理点的服务信息的每一项设置一个权重和分值,最终基于权重和分值进行加权求和得到所述服务评分。
在一些实施例中,还可以通过第一深度神经网络模型确定修理点的服务评分。
第一深度神经网络模型可以包括深度神经网络,第一深度神经网络模型包括多个处理层,每个处理层由多个神经元组成,每个神经元对数据做矩阵变换。矩阵所使用的参数可以通过训练获得。第一深度神经网络模型还可以是任意能够实现对多个特征进行处理的现有神经网络模型,例如,RNN、CNN、DNN等。第一深度神经网络模型还可以是根据需求自定义的神经网络模型。所述第一深度神经网络模型的输入为所述多个修理点的服务信息,所述第一深度神经网络模型的输出为所述多个修理点的服务评分。
第一深度神经网络模型可以通过多个训练样本来训练得到。所述训练样本包括样本输入数据和所述样本输入数据对应的标签,所述样本输入数据为样本修理点的服务信息,所述标签为样本修理点的服务评分。训练样本的样本输出标签可以通过工作人员进行手动标注得到,例如工作人员可以根据样本修理点的服务信息和车主维修后的评价,进行手动标注打分。
步骤S5,基于卷积神经网络模型对所述车辆损伤配件的外观图像进行处理判断损伤紧急程度,其中所述卷积神经网络模型的输入为所述车辆损伤配件的外观图像,所述卷积神经网络模型的输出为所述损伤紧急程度。
损伤紧急程度表示车辆损伤配件损伤后需要去维修的紧急程度。例如刹车完全失灵的损伤紧急程度为0.98,表示刹车完全失灵后情况特别紧急,需要立即去维修。又例如,刹车片磨损严重的损伤紧急程度为0.7,表示刹车磨损严重后情况较为紧急,需要4小时内去维修。又例如蓄电池的老化的损伤紧急程度为0.5,需要12小时内去维修。又例如,空气悬架系统密封失效的损伤紧急程度为0.3,则需要24小时去维修。又例如,装饰灯失效的损伤紧急程度为0.1,需要72小时去维修。在一些实施例中,可以通过卷积神经网络模型基于所述车辆损伤配件的外观图像中判定车辆损伤配件的类别和车辆损伤配件的损伤程度,最终综合得到车辆损伤配件的损伤紧急程度。
卷积神经网络模型包括卷积神经网络。卷积神经网络(CNN)可以是多层神经网络(例如,包括至少两个层)。所述至少两个层可以包括卷积层(CONV)、修正线性单元(ReLU)层、池化层(POOL)或全连接层(FC)中的至少一个。卷积神经网络(CNN)的至少两个层可以对应于以三维排列的神经元:宽度、高度、深度。在一些实施例中,卷积神经网络(CNN)可以具有[输入层-卷积层-修正线性单元层-池化层-全连接层]的架构。卷积层可以计算连接到输入中局部区域的神经元的输出,计算每个神经元的权重与其在输入体积中连接的小区域之间的点积。所述卷积神经网络模型的输入为所述车辆损伤配件的外观图像,所述卷积神经网络模型的输出为所述损伤紧急程度。
卷积神经网络模型可以通过多个训练样本来训练得到。所述训练样本包括样本输入数据和所述样本输入数据对应的标签,所述样本输入数据为样本车辆损伤配件的外观图像,所述标签为样本损伤紧急程度。训练样本的样本输出标签可以通过工作人员进行手动标注得到,在一些实施例中,基于多个训练样本训练初始的卷积神经网络模型,得到所述卷积神经网络模型。在一些实施例中,所述卷积神经网络模型通过梯度下降法训练得到。
在一些实施例中,卷积神经网络模型包括第一卷积神经网络模型、第二卷积神经网络模型、第三卷积神经网络模型。第一卷积神经网络模型基于所述车辆损伤配件的外观图像中判定车辆损伤配件的类别,第二卷积神经网络模型基于所述车辆损伤配件的外观图像中判定车辆损伤配件的损伤程度,第三卷积神经网络模型基于所述车辆损伤配件的类别和所述车辆损伤配件的损伤程度确定所述车辆损伤配件的损伤紧急程度。车辆损伤配件的类别表示车辆损伤配件是属于哪一种配件,例如离合器、变速器、变速换挡操纵杆总成等。
步骤S6,基于所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离确定车辆修理点。
所述多个修理点到车辆的直线距离表示地图上多个修理点到当前车辆的直接距离。由于车辆出现配件损伤,车主通常不愿意开太远去修车,而希望找一个近一点的维修点。所以第二深度神经网络模型可以综合考虑所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离并最终确定合适的车辆修理点。
在一些实施例中,可以基于第二深度神经网络模型确定车辆修理点,其中所述第二深度神经网络模型的输入包括所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离,所述第二深度神经网络模型的输出为车辆修理点。
第二深度神经网络模型可以为与第一深度神经网络模型相同的模型。第二深度神经网络模型可以包括深度神经网络,第二深度神经网络模型包括多个处理层,每个处理层由多个神经元组成,每个神经元对数据做矩阵变换。矩阵所使用的参数可以通过训练获得。第二深度神经网络模型还可以是任意能够实现对多个特征进行处理的现有神经网络模型,例如,RNN、CNN、DNN等。第二深度神经网络模型还可以是根据需求自定义的神经网络模型。所述第二深度神经网络模型的输入包括所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离,所述第二深度神经网络模型的输出为车辆修理点。第二深度神经网络模型可以通过多个训练样本来训练得到。所述训练样本包括样本输入数据和所述样本输入数据对应的标签,所述样本输入数据为样本损伤紧急程度、样本多个修理点的服务评分、样本多个修理点到车辆的直线距离,所述标签为样本车辆修理点。训练样本的样本输出标签可以通过工作人员进行手动标注得到。
在一些实施例中,还可以获取车辆历史维修记录,并将所述历史维修记录中距离所述车辆最近的维修点作为参考维修点,并将所述参考维修点发送到车辆显示屏以供用户进行参考。
基于同一发明构思,图2为本发明的实施例提供的一种基于机器学习的车辆修理点的确定系统示意图,所述基于机器学习的车辆修理点的确定系统包括:
拍摄模块21,用于拍摄车辆损伤配件的外观图像;
发送模块22,用于发送所述车辆损伤配件的外观图像到车辆修理平台;
接收模块23,用于接收所述车辆修理平台中多个修理点的服务信息,所述服务信息包括配件修理报价、更换配件信息、修理点历史订单量、修理点资质、修理点规模、修理点服务保障数据;
评分模块24,用于基于所述多个修理点的服务信息对所述多个修理点进行服务评分得到所述多个修理点的服务评分;
紧急程度输出模块25,用于基于卷积神经网络模型对所述车辆损伤配件的外观图像进行处理判断损伤紧急程度,其中所述卷积神经网络模型的输入为所述车辆损伤配件的外观图像,所述卷积神经网络模型的输出为所述损伤紧急程度;
车辆修理点确定模块26,用于基于所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离确定车辆修理点。
基于同一发明构思,本发明的实施例提供了一种电子设备,如图3所示,包括:
处理器31;用于存储处理器31中可执行程序指令的存储器32;其中,处理器31被配置为执行以实现如前述提供的一种基于机器学习的车辆修理点的确定方法,所述方法包括:
S1、获取车辆损伤后的外观图像;S2、基于所述车辆损伤后的外观图像使用卷积神经网络模型确定车辆损伤度;S3、获取维修人员信息;S4、基于所述维修人员信息使用深度神经网络模型确定所述维修人员的熟练度;S5、获取车辆维修监控视频;S6、基于所述车辆损伤度、所述维修人员的熟练度和所述车辆维修监控视频使用长短期神经网络模型确定所述车辆剩余维修时间。。
基于同一发明构思,本实施例提供了一种非临时性计算机可读存储介质,当存储介质中的指令由电子设备的处理器31执行时,使得电子设备能够执行实现如前述提供的基于机器学习的车辆修理点的确定方法,所述方法包括: S1、获取车辆损伤后的外观图像;S2、基于所述车辆损伤后的外观图像使用卷积神经网络模型确定车辆损伤度;S3、获取维修人员信息;S4、基于所述维修人员信息使用深度神经网络模型确定所述维修人员的熟练度;S5、获取车辆维修监控视频;S6、基于所述车辆损伤度、所述维修人员的熟练度和所述车辆维修监控视频使用长短期神经网络模型确定所述车辆剩余维修时间。
本发明实施例提供的基于机器学习的车辆修理点的确定方法,可以应用于终端设备(比如手机)、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personalcomputer,UMPC)、手持计算机、上网本、个人数字助理(personal digital assistant,PDA)、可穿戴设备(如智能手表、智能眼镜或者智能头盔等)、增强现实(augmentedreality,AR)\虚拟现实(virtualreality,VR)设备、智能家居设备、车载电脑等电子设备中,本发明实施例对此不做任何限制。
以手机100为上述电子设备举例,图4示出了手机100的结构示意图。
如图4所示,手机100可以包括处理模块110,外部存储器接口120,内部存储器121,通用串行总线(universal serial bus,USB)接口130,充电管理模块140,电源管理模块141,电池142,天线1,天线2,移动通信模块150,无线通信模块160,音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,传感器模块180,按键190,马达191,指示器192,摄像头193,显示屏194,以及用户标识模块(subscriber identification module,SIM)卡接口195等。
其中,上述传感器模块180可以包括距离传感器,接近光传感器,指纹传感器,温度传感器,触摸传感器,环境光传感器等传感器。
可以理解的是,本实施例示意的结构并不构成对手机100的具体限定。在本申请另一些实施例中,手机100可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
处理模块110可以包括一个或多个处理单元,例如:处理模块110可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphicsprocessingunit,GPU),图像信号处理器(image signal processor,ISP),控制器,存储器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(neural-network processing unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。
其中,控制器可以是手机100的神经中枢和指挥中心,是指挥手机100的各个部件按照指令协调工作的决策者。控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
应用处理器上可以安装有手机100的操作系统,用于管理手机100的硬件与软件资源。比如,管理与配置内存、决定系统资源供需的优先次序、管理文件系统、管理驱动程序等。操作系统也可以用于提供一个让用户与系统交互的操作界面。其中,操作系统内可以安装各类软件,比如,驱动程序,应用程序(application,App)等。示例性的,手机100的操作系统可以是Android系统,Linux系统等。
处理模块110中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理模块110中的存储器为高速缓冲存储器。该存储器可以保存处理模块110刚用过或循环使用的指令或数据。如果处理模块110需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了处理模块110的等待时间,因而提高了系统的效率。
本发明实施例中,处理模块110可以接收所述车辆修理平台中多个修理点的服务信息。处理模块110还可以基于所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离确定车辆修理点。
在一些实施例中,处理模块110可以包括一个或多个接口。接口可以包括集成电路(inter-integrated circuit,I2C)接口,集成电路内置音频(inter-integratedcircuitsound,I2S)接口,脉冲编码调制(pulse code modulation,PCM)接口,通用异步收发传输器(universal asynchronous receiver/transmitter,UART)接口,移动产业处理器接口(mobile industry processor interface,MIPI),通用输入输出(general-purposeinput/output,GPIO)接口,用户标识模块(subscriber identity module,SIM)接口,和/或通用串行总线(universal serial bus,USB)接口等。
充电管理模块140用于从充电器接收充电输入。其中,充电器可以是无线充电器,也可以是有线充电器。在一些有线充电的实施例中,充电管理模块140可以通过USB接口130接收有线充电器的充电输入。在一些无线充电的实施例中,充电管理模块140可以通过手机100的无线充电线圈接收无线充电输入。充电管理模块140为电池142充电的同时,还可以通过电源管理模块141为电子设备供电。
电源管理模块141用于连接电池142,充电管理模块140与处理模块110。电源管理模块141接收电池142和/或充电管理模块140的输入,为处理模块110,内部存储器121,外部存储器,显示屏194,摄像头193,和无线通信模块160等供电。电源管理模块141还可以用于监测电池容量,电池循环次数,电池健康状态(漏电,阻抗)等参数。在其他一些实施例中,电源管理模块141也可以设置于处理模块110中。在另一些实施例中,电源管理模块141和充电管理模块140也可以设置于同一个器件中。
手机100的无线通信功能可以通过天线1,天线2,移动通信模块150,无线通信模块160,调制解调处理器以及基带处理器等实现。
天线1和天线2用于发射和接收电磁波信号。手机100中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用,以提高天线的利用率。例如:可以将天线1复用为无线局域网的分集天线。在另外一些实施例中,天线可以和调谐开关结合使用。
移动通信模块150可以提供应用在手机100上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块150可以包括至少一个滤波器,开关,功率放大器,低噪声放大器(lownoise amplifier,LNA)等。移动通信模块150可以由天线1接收电磁波,并对接收的电磁波进行滤波,放大等处理,传送至调制解调处理器进行解调。移动通信模块150还可以对经调制解调处理器调制后的信号放大,经天线1转为电磁波辐射出去。在一些实施例中,移动通信模块150的至少部分功能模块可以被设置于处理模块110中。在一些实施例中,移动通信模块150的至少部分功能模块可以与处理模块110的至少部分模块被设置在同一个器件中。
调制解调处理器可以包括调制器和解调器。其中,调制器用于将待发送的低频基带信号调制成中高频信号。解调器用于将接收的电磁波信号解调为低频基带信号。随后解调器将解调得到的低频基带信号传送至基带处理器处理。低频基带信号经基带处理器处理后,被传递给应用处理器。应用处理器通过音频设备(不限于扬声器170A,受话器170B等)输出声音信号,或通过显示屏194显示图像或视频。在一些实施例中,调制解调处理器可以是独立的器件。在另一些实施例中,调制解调处理器可以独立于处理模块110,与移动通信模块150或其他功能模块设置在同一个器件中。
无线通信模块160可以提供应用在手机100上的包括无线局域网(wirelesslocalarea networks,WLAN)(如无线保真(wireless fidelity,Wi-Fi)网络),蓝牙(bluetooth,BT),全球导航卫星系统(global navigation satellite system,GNSS),调频(frequencymodulation,FM),近距离无线通信技术(near field communication,NFC),红外技术(infrared,IR)等无线通信的解决方案。无线通信模块160可以是集成至少一个通信处理模块的一个或多个器件。无线通信模块160经由天线2接收电磁波,将电磁波信号调频以及滤波处理,将处理后的信号发送到处理模块110。无线通信模块160还可以从处理模块110接收待发送的信号,对其进行调频,放大,经天线2转为电磁波辐射出去。
在一些实施例中,手机100的天线1和移动通信模块150耦合,天线2和无线通信模块160耦合,使得手机100可以通过无线通信技术与网络以及其他设备通信。所述无线通信技术可以包括全球移动通讯系统(global system for mobile communications,GSM),通用分组无线服务(general packet radio service,GPRS),码分多址接入(codedivisionmultiple access,CDMA),宽带码分多址(wideband code division multipleaccess,WCDMA),时分码分多址(time-division code division multiple access,TD-SCDMA),长期演进(long term evolution,LTE),BT,GNSS,WLAN,NFC ,FM,和/或IR技术等。所述GNSS可以包括全球卫星定位系统(global positioning system ,GPS),全球导航卫星系统(global navigation satellite system,GLONASS),北斗卫星导航系统(beidounavigation satellite system,BDS),准天顶卫星系统(quasi-zenithsatellitesystem,QZSS)和/或星基增强系统(satellite based augmentation systems,SBAS)。
手机100通过GPU,显示屏194,以及应用处理器等实现显示功能。GPU为图像处理的微处理器,连接显示屏194和应用处理器。GPU用于执行数学和几何计算,用于图形渲染。处理模块110可包括一个或多个GPU,其执行程序指令以生成或改变显示信息。
显示屏194用于显示图像,视频等。显示屏194包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display,LCD),有机发光二极管(organic light-emittingdiode,OLED),有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrixorganic light emitting diode的,AMOLED),柔性发光二极管(flex light-emittingdiode,FLED),Miniled,MicroLed,Micro-oLed,量子点发光二极管(quantum dotlightemitting diodes,QLED)等。在一些实施例中,手机100可以包括1个或N个显示屏194,N为大于1的正整数。
本发明实施例中,显示屏194可以用于显示车辆损伤配件的外观图像。
手机100可以通过ISP,摄像头193,视频编解码器,GPU,显示屏194以及应用处理器等实现拍摄功能。在一些实施例中,手机100可以通过ISP,摄像头193,视频编解码器,GPU以及应用处理器对实现视频通信功能。
ISP 用于处理摄像头193反馈的数据。例如,拍照时,打开快门,光线通过镜头被传递到摄像头感光元件上,光信号转换为电信号,摄像头感光元件将所述电信号传递给ISP处理,转化为肉眼可见的图像。ISP还可以对图像的噪点,亮度,肤色进行算法优化。ISP还可以对拍摄场景的曝光,色温等参数优化。在一些实施例中,ISP可以设置在摄像头193中。
摄像头193用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device,CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor,CMOS)光电晶体管。感光元件把光信号转换成电信号,之后将电信号传递给ISP转换成数字图像信号。ISP将数字图像信号输出到DSP加工处理。DSP将数字图像信号转换成标准的RGB,YUV等格式的图像信号。在一些实施例中,手机100可以包括1个或N个摄像头193,N为大于1的正整数。
本发明实施例中,摄像头193可以拍摄车辆损伤配件以得到车辆损伤配件的外观图像。
数字信号处理器用于处理数字信号,除了可以处理数字图像信号,还可以处理其他数字信号。例如,当手机100在频点选择时,数字信号处理器用于对频点能量进行傅里叶变换等。
视频编解码器用于对数字视频压缩或解压缩。手机100可以支持一种或多种视频编解码器。这样,手机100可以播放或录制多种编码格式的视频,例如:动态图像专家组(moving picture experts group,MPEG)1,MPEG2,MPEG3,MPEG4等。
NPU为神经网络(neural-network ,NN)计算处理器,通过借鉴生物神经网络结构,例如借鉴人脑神经元之间传递模式,对输入信息快速处理,还可以不断的自学习。通过NPU可以实现手机100的智能认知等应用,例如:图像识别,人脸识别,语音识别,文本理解等。
本发明实施例中,NPU计算处理器可以运行卷积神经网络模型对所述车辆损伤配件的外观图像进行处理判断损伤紧急程度。
外部存储器接口120可以用于连接外部存储卡,例如Micro SD卡,实现扩展手机100的存储能力。外部存储卡通过外部存储器接口120与处理模块110通信,实现数据存储功能。例如将音乐,视频等文件保存在外部存储卡中。
内部存储器121可以用于存储计算机可执行程序代码,所述可执行程序代码包括指令。处理模块110通过运行存储在内部存储器121的指令,从而执行手机100的各种功能应用以及数据处理。内部存储器121可以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。存储数据区可存储手机100使用过程中所创建的数据(比如音频数据,电话本等)等。此外,内部存储器121可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件,通用闪存存储器(universal flash storage,UFS)等。
手机100可以通过音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,以及应用处理器等实现音频功能。例如音乐播放,录音等。
音频模块170用于将数字音频信息转换成模拟音频信号输出,也用于将模拟音频输入转换为数字音频信号。音频模块170还可以用于对音频信号编码和解码。在一些实施例中,音频模块170可以设置于处理模块110中,或将音频模块170的部分功能模块设置于处理模块110中。
扬声器170A,也称“喇叭”,用于将音频电信号转换为声音信号。手机100可以通过扬声器170A收听音乐,或收听免提通话。
受话器170B,也称“听筒”,用于将音频电信号转换成声音信号。当手机100接听电话或语音信息时,可以通过将受话器170B靠近人耳接听语音。
麦克风170C,也称“话筒”,“传声器”,用于将声音信号转换为电信号。当拨打电话或发送语音信息时,用户可以通过人嘴靠近麦克风170C发声,将声音信号输入到麦克风170C。手机100可以设置至少一个麦克风170C。在另一些实施例中,手机100可以设置两个麦克风170C,除了采集声音信号,还可以实现降噪功能。在另一些实施例中,手机100还可以设置三个,四个或更多麦克风170C,实现采集声音信号,降噪,还可以识别声音来源,实现定向录音功能等。
耳机接口170D用于连接有线耳机。耳机接口170D可以是USB接口130,也可以是3.5mm的开放移动电子设备平台(open mobile terminal platform,OMTP)标准接口,美国蜂窝电信工业协会(cellular telecommunications industry association of the USA,CTIA)标准接口。
按键190包括开机键,音量键等。按键190可以是机械按键。也可以是触摸式按键。手机100可以接收按键输入,产生与手机100的用户设置以及功能控制有关的键信号输入。
马达191可以产生振动提示。马达191可以用于来电振动提示,也可以用于触摸振动反馈。例如,作用于不同应用(例如拍照,音频播放等)的触摸操作,可以对应不同的振动反馈效果。作用于显示屏194不同区域的触摸操作,马达191也可对应不同的振动反馈效果。不同的应用场景(例如:时间提醒,接收信息,闹钟,游戏等)也可以对应不同的振动反馈效果。触摸振动反馈效果还可以支持自定义。
指示器192可以是指示灯,可以用于指示充电状态,电量变化,也可以用于指示消息,未接来电,通知等。
SIM卡接口195用于连接SIM卡。SIM卡可以通过插入SIM卡接口195,或从SIM卡接口195拔出,实现和手机100的接触和分离。手机100可以支持1个或N个SIM卡接口,N为大于1的正整数。SIM卡接口195可以支持Nano SIM卡,Micro SIM卡,SIM卡等。同一个SIM卡接口195可以同时插入多张卡。所述多张卡的类型可以相同,也可以不同。SIM卡接口195也可以兼容不同类型的SIM卡。SIM卡接口195也可以兼容外部存储卡。手机100通过SIM卡和网络交互,实现通话以及数据通信等功能。在一些实施例中,手机100采用eSIM,即:嵌入式SIM卡。eSIM卡可以嵌在手机100中,不能和手机100分离。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种基于机器学习的车辆修理点的确定方法,其特征在于,包括:
S1、拍摄车辆损伤配件的外观图像;
S2、发送所述车辆损伤配件的外观图像到车辆修理平台;
S3、接收所述车辆修理平台中多个修理点的服务信息,所述服务信息包括配件修理报价、更换配件信息、修理点历史订单量、修理点资质、修理点规模、修理点服务保障数据;
S4、基于所述多个修理点的服务信息对所述多个修理点进行服务评分得到所述多个修理点的服务评分;
S5、基于卷积神经网络模型对所述车辆损伤配件的外观图像进行处理判断损伤紧急程度,其中所述卷积神经网络模型的输入为所述车辆损伤配件的外观图像,所述卷积神经网络模型的输出为所述损伤紧急程度;
S6、基于所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离确定车辆修理点。
2.如权利要求1所述的基于机器学习的车辆修理点的确定方法,其特征在于,所述基于所述多个修理点的服务信息对所述多个修理点进行服务评分得到多个修理点的服务评分,包括:基于第一深度神经网络模型对所述多个修理点进行服务评分得到所述多个修理点的服务评分,其中所述第一深度神经网络模型的输入为所述多个修理点的服务信息,所述第一深度神经网络模型的输出为所述多个修理点的服务评分。
3.如权利要求1所述的基于机器学习的车辆修理点的确定方法,其特征在于,所述基于所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离确定车辆修理点,包括:基于第二深度神经网络模型对所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离进行处理确定车辆修理点,其中所述第二深度神经网络模型的输入包括所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离,所述第二深度神经网络模型的输出为车辆修理点。
4.如权利要求1所述的基于机器学习的车辆修理点的确定方法,其特征在于,所述卷积神经网络模型通过梯度下降法训练得到。
5.如权利要求1所述的基于机器学习的车辆修理点的确定方法,所述卷积神经网络模型通过训练过程获取,所述训练过程包括:
获取多个训练样本,所述训练样本包括样本输入数据和所述样本输入数据对应的标签,所述样本输入数据为样本车辆损伤配件的外观图像,所述标签为样本损伤紧急程度;
基于所述多个训练样本训练初始的卷积神经网络模型,得到所述卷积神经网络模型。
6.如权利要求1所述的基于机器学习的车辆修理点的确定方法,其特征在于,所述方法还包括:获取车辆历史维修记录,将所述历史维修记录中距离所述车辆最近的维修点作为参考维修点,并将所述参考维修点发送到车辆显示屏。
7.一种基于机器学习的车辆修理点的确定系统,其特征在于,包括:
拍摄模块,用于拍摄车辆损伤配件的外观图像;
发送模块,用于发送所述车辆损伤配件的外观图像到车辆修理平台;
接收模块,用于接收所述车辆修理平台中多个修理点的服务信息,所述服务信息包括配件修理报价、更换配件信息、修理点历史订单量、修理点资质、修理点规模、修理点服务保障数据;
评分模块,用于基于所述多个修理点的服务信息对所述多个修理点进行服务评分得到所述多个修理点的服务评分;
紧急程度输出模块,用于基于卷积神经网络模型对所述车辆损伤配件的外观图像进行处理判断损伤紧急程度,其中所述卷积神经网络模型的输入为所述车辆损伤配件的外观图像,所述卷积神经网络模型的输出为所述损伤紧急程度;
车辆修理点确定模块,用于基于所述损伤紧急程度、所述多个修理点的服务评分、所述多个修理点到车辆的直线距离确定车辆修理点。
8.如权利要求7所述的基于机器学习的车辆修理点的确定系统,其特征在于,所述基于所述多个修理点的服务信息对所述多个修理点进行服务评分得到多个修理点的服务评分,包括:基于第一深度神经网络模型对所述多个修理点进行服务评分得到所述多个修理点的服务评分,其中所述第一深度神经网络模型的输入为所述多个修理点的服务信息,所述第一深度神经网络模型的输出为所述多个修理点的服务评分。
9.一种电子设备,其特征在于,包括:存储器;处理器;以及计算机程序;其中,所述计算机程序存储在所述存储器中,并配置为由所述处理器执行以实现如权利要求1至6任一项所述的基于机器学习的车辆修理点的确定方法的步骤。
10.一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,该程序被处理器执行时实现如权利要求1至6任一项所述的基于机器学习的车辆修理点的确定方法对应的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310314663.XA CN116012075B (zh) | 2023-03-29 | 2023-03-29 | 基于机器学习的车辆修理点的确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310314663.XA CN116012075B (zh) | 2023-03-29 | 2023-03-29 | 基于机器学习的车辆修理点的确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116012075A true CN116012075A (zh) | 2023-04-25 |
CN116012075B CN116012075B (zh) | 2023-05-30 |
Family
ID=86021437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310314663.XA Active CN116012075B (zh) | 2023-03-29 | 2023-03-29 | 基于机器学习的车辆修理点的确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012075B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103676923A (zh) * | 2012-09-25 | 2014-03-26 | 佛山市天地行科技有限公司 | 一种汽车故障诊断处理方法 |
CN108234604A (zh) * | 2017-12-12 | 2018-06-29 | 北京好修科技有限公司 | 一种信息获取方法及其应用服务器、系统 |
CN109657716A (zh) * | 2018-12-12 | 2019-04-19 | 天津卡达克数据有限公司 | 一种基于深度学习的车辆外观损伤识别方法 |
CN110287768A (zh) * | 2019-05-06 | 2019-09-27 | 浙江君嘉智享网络科技有限公司 | 图像智能识别车辆定损方法 |
US20200357029A1 (en) * | 2019-05-10 | 2020-11-12 | Controlexpert Gmbh | Method For Assessing Damage to a Motor Vehicle |
US20210134076A1 (en) * | 2019-11-06 | 2021-05-06 | Toyota Jidosha Kabushiki Kaisha | Information processing apparatus, information processing system, information processing method, and information processing program |
CN113159336A (zh) * | 2021-04-02 | 2021-07-23 | 赵雪聪 | 一种汽车智能维修保养系统 |
-
2023
- 2023-03-29 CN CN202310314663.XA patent/CN116012075B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103676923A (zh) * | 2012-09-25 | 2014-03-26 | 佛山市天地行科技有限公司 | 一种汽车故障诊断处理方法 |
CN108234604A (zh) * | 2017-12-12 | 2018-06-29 | 北京好修科技有限公司 | 一种信息获取方法及其应用服务器、系统 |
CN109657716A (zh) * | 2018-12-12 | 2019-04-19 | 天津卡达克数据有限公司 | 一种基于深度学习的车辆外观损伤识别方法 |
CN110287768A (zh) * | 2019-05-06 | 2019-09-27 | 浙江君嘉智享网络科技有限公司 | 图像智能识别车辆定损方法 |
US20200357029A1 (en) * | 2019-05-10 | 2020-11-12 | Controlexpert Gmbh | Method For Assessing Damage to a Motor Vehicle |
US20210134076A1 (en) * | 2019-11-06 | 2021-05-06 | Toyota Jidosha Kabushiki Kaisha | Information processing apparatus, information processing system, information processing method, and information processing program |
CN113159336A (zh) * | 2021-04-02 | 2021-07-23 | 赵雪聪 | 一种汽车智能维修保养系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116012075B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020244622A1 (zh) | 一种通知的提示方法、终端及系统 | |
CN110769394B (zh) | 一种视频通话的方法及电子设备 | |
CN110716776A (zh) | 一种显示用户界面的方法及车载终端 | |
US20220036236A1 (en) | Ai model development method and apparatus | |
CN111030719B (zh) | 车载装置和数据处理的方法 | |
CN111368765A (zh) | 车辆位置的确定方法、装置、电子设备和车载设备 | |
CN113935898A (zh) | 图像处理方法、系统、电子设备及计算机可读存储介质 | |
CN112923943A (zh) | 辅助导航方法和电子设备 | |
CN111078376A (zh) | 一种进程管理方法及设备 | |
CN116128484B (zh) | 基于神经网络的汽车剩余维修时间确定方法及系统 | |
CN116612458B (zh) | 基于深度学习的泊车路径确定方法与系统 | |
WO2022022319A1 (zh) | 一种图像处理方法、电子设备、图像处理系统及芯片系统 | |
CN116012075B (zh) | 基于机器学习的车辆修理点的确定方法及系统 | |
WO2024001940A1 (zh) | 寻车的方法、装置和电子设备 | |
CN115965448B (zh) | 基于图像处理的车辆维修配件推荐方法及系统 | |
CN115994910B (zh) | 基于数据处理的汽车损伤程度确定方法及系统 | |
US20230342301A1 (en) | Method for Determining Physical Address and Chip System | |
CN116032942A (zh) | 跨设备的导航任务的同步方法、装置、设备及存储介质 | |
CN111111188B (zh) | 游戏音效的控制方法及相关装置 | |
CN111323042B (zh) | 目标物体的预警方法、装置和电子设备 | |
CN116261124A (zh) | 数据传输方法、装置、电子设备和智能终端 | |
CN113282632A (zh) | 一种数据传输方法及设备 | |
CN114327198A (zh) | 控制功能推送方法及设备 | |
CN116843583B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115841099B (zh) | 基于数据处理的页面填充词的智能推荐方法 |
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 |