CN116664112B - 用于车损案件的检修扩损决策方法及系统 - Google Patents

Abstract

本发明提供了用于车损案件的检修扩损决策方法及系统，涉及数据处理技术领域，该方法包括：得到第一预定视频流；获取第一点云数据；得到预定车辆模型；在预定车辆模型中对所述预定投保配件进行标注，得到标注区域；得到目标配件信息；得到预定配件信息，结合目标配件信息进行对比得到对比偏差，得到预定投保车辆的损失识别数据；读取检修损失数据，结合损失识别数据进行对比得到第一对比结果，生成预定扩损决策，解决了现有技术中存在保险理赔效率低下、且容易产生漏检和误判的情况，对于车辆检修欺诈行为识别准确度不高的技术问题，实现快速定位损失部位，降低大量人工审核成本与时间，达到提升保险理赔的时效的技术效果。

Description

用于车损案件的检修扩损决策方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及用于车损案件的检修扩损决策方法及系统。

背景技术

随着人们保险意识提高，保险事故频发，保险理赔事件持续增多，车险理赔欺诈是一个保险行业中巨大的问题，保险业长期以来一直在与欺诈作斗争。修理厂保险欺诈是指一些不诚信的修理厂，通过虚报事故维修费用、虚假修理或增加维修项目等手段来骗取保险公司的赔付金额的行为。这种行为不仅侵害了保险公司的权益，也对车主造成不必要的损失。修理厂保险欺诈是汽车保险领域的一项重大问题，也是目前保险行业的一个挑战。

修理厂保险欺诈通常表现为，修理厂会虚报事故维修费用或在维修过程中捏造事故部件，虚构维修工作内容，以获取更高额的维修费用。一些不良修理厂甚至会在无需修理的情况下更换零部件或增加维修项目，使保险公司不得不赔付更高的费用。这些不诚信的行为会导致保险公司的赔付成本不断上升，最终转嫁到车主和保险消费者身上，对他们的利益造成损害。综上，对车损案件中的车辆进行检修扩损分析具有重要的现实意义。

目前，为避免修理厂保险欺诈的出现，保险公司采取了一系列的措施，包括在车险理赔过程中对车辆维修进行审核、建立修理厂黑名单、建立维修质量监督和投诉处理机制等。传统的欺诈检测方法由于受到人工审核的限制，效率较低，且存在漏检和误判的情况，影响了保险公司的稳健发展。人工审核方法是传统的欺诈检测方法之一，其主要依靠人工审核员对保险申请和理赔文件进行审核，判断其中是否存在欺诈行为。这种方法的缺点在于需要耗费大量的人力和时间，且审核员的认知和主观意识容易产生误判和漏检。

综上，现有技术中存在保险理赔效率低下、且容易产生漏检和误判的情况，对于车辆检修欺诈行为识别准确度不高的技术问题。

发明内容

本发明提供了用于车损案件的检修扩损决策方法及系统，用以解决现有技术中存在保险理赔效率低下、且容易产生漏检和误判的情况，对于车辆检修欺诈行为识别准确度不高的技术问题。

根据本发明的第一方面，提供了用于车损案件的检修扩损决策方法，包括：所述智能摄像终端基于预定拍摄方案对报案时的预定投保车辆进行图像信息采集，得到第一预定视频流；提取所述第一预定视频流中的第一预定图像，并获取所述第一预定图像的第一点云数据；在车辆数据库中遍历得到所述预定投保车辆的预定通用模型数据，并结合所述第一点云数据得到预定车辆模型；获取所述预定投保车辆的预定投保配件，并在所述预定车辆模型中对所述预定投保配件进行标注，得到标注区域；分割所述标注区域得到目标配件模型，并识别得到目标配件信息；在车辆配件数据库中遍历得到所述预定投保配件的预定配件信息，结合所述目标配件信息进行对比得到对比偏差，并分析所述对比偏差得到所述预定投保车辆的损失识别数据；读取所述预定投保车辆的检修损失数据，结合所述损失识别数据进行对比得到第一对比结果，并根据所述第一对比结果生成预定扩损决策。

根据本发明的第二方面，提供了用于车损案件的检修扩损决策系统，包括：图像信息采集模块，所述图像信息采集模块用于所述智能摄像终端基于预定拍摄方案对报案时的预定投保车辆进行图像信息采集，得到第一预定视频流；点云数据获取模块，所述点云数据获取模块用于提取所述第一预定视频流中的第一预定图像，并获取所述第一预定图像的第一点云数据；预定车辆模型获取模块，所述预定车辆模型获取模块用于在车辆数据库中遍历得到所述预定投保车辆的预定通用模型数据，并结合所述第一点云数据得到预定车辆模型；投保配件标注模块，所述投保配件标注模块用于获取所述预定投保车辆的预定投保配件，并在所述预定车辆模型中对所述预定投保配件进行标注，得到标注区域；配件信息获取模块，所述配件信息获取模块用于分割所述标注区域得到目标配件模型，并识别得到目标配件信息；损失识别模块，所述损失识别模块用于在车辆配件数据库中遍历得到所述预定投保配件的预定配件信息，结合所述目标配件信息进行对比得到对比偏差，并分析所述对比偏差得到所述预定投保车辆的损失识别数据；预定扩损决策生成模块，所述预定扩损决策生成模块用于读取所述预定投保车辆的检修损失数据，结合所述损失识别数据进行对比得到第一对比结果，并根据所述第一对比结果生成预定扩损决策。

根据本发明提供的一个或者多个技术方案，可达到如下有益效果：

1.通过对报案时的预定投保车辆进行点云建模，获取预定车辆模型，在预定车辆模型中对预定投保配件进行标注，得到标注区域，对标注区域进行损失识别，得到损失识别数据，读取预定投保车辆的检修损失数据，结合损失识别数据进行对比得到第一对比结果，并根据第一对比结果生成预定扩损决策，由此通过对车辆的损失进行识别，进而判断是否存在检修扩损行为，实现快速定位损失部位，降低大量人工审核成本与时间，达到提升保险理赔的时效的技术效果。

2.智能摄像终端基于预定拍摄方案对检修后的预定投保车辆进行图像信息采集，得到第二预定视频流，根据第二预定视频流，识别得到预定投保配件的配件检修信息，对比配件检修信息和预定配件信息，得到第二对比结果，根据第二对比结果进行预定投保车辆的检修效果分析，达到辅助用户及时、准确判断车辆修复情况的技术效果。

3.车辆数据库中包括多组具备车型标识的车辆结构尺寸数据，读取预定投保车辆的预定车型信息，并在车辆数据库中遍历得到预定车辆结构尺寸数据，将预定车辆结构尺寸数据作为预定通用模型数据，并基于预定通用模型数据构建三维结构模型，将第一点云数据配准融合至三维结构模型，得到预定车辆模型，由此通过点云数据分析建立预定车辆模型，达到提升三维模型的准确度，为后续的检修扩损分析提供支持，进而提升检修扩损分析的准确度的技术效果。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其他特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的用于车损案件的检修扩损决策方法的流程示意图；

图2为本发明实施例中得到对比偏差的流程示意图；

图3为本发明实施例中进行检修效果分析的流程示意图；

图4为本发明实施例提供的用于车损案件的检修扩损决策系统的结构示意图。

附图标记说明：图像信息采集模块11，点云数据获取模块12，预定车辆模型获取模块13，投保配件标注模块14，配件信息获取模块15，损失识别模块16，预定扩损决策生成模块17。

具体实施方式

以下结合附图对本发明的示范性实施例作出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

实施例一

图1为本发明实施例提供的用于车损案件的检修扩损决策方法图，所述方法应用于一种用于车损案件的检修扩损决策系统，且所述系统与智能摄像终端通信连接，所述方法包括：

步骤S100：所述智能摄像终端基于预定拍摄方案对报案时的预定投保车辆进行图像信息采集，得到第一预定视频流；

具体而言，本发明实施例提供了用于车损案件的检修扩损决策方法，所述方法应用于一种用于车损案件的检修扩损决策系统，所述系统是用于执行检修扩损决策方法的系统平台，智能摄像终端是用于进行图像拍摄的终端设备，比如智能摄像头，所述系统与智能摄像终端通信连接，连接方式可以是WiFi、蓝牙等连接方式，可实现数据的交互传输。本发明实施例提供的用于车损案件的检修扩损决策方法，可用于车险理赔事件，通过对车损案件中发生事故的车辆进行检修扩损分析，准确评估车辆的损坏情况，预防出现修理厂保险欺诈行为。

预定拍摄方案是指由工作人员自行设定的多角度拍摄方案，预定投保车辆是指待进行检修扩损分析的任意类型的任意车辆，具体来说，可根据预定投保车辆的尺寸和智能摄像终端的可拍摄范围确定多个拍摄角度，保证可以完整采集到预定投保车辆图像，保证后续的检修扩损分析的准确性。所述智能摄像终端基于预定拍摄方案对报案时的预定投保车辆进行图像信息采集，得到第一预定视频流，一预定视频流包括智能摄像终端在多个拍摄角度下获取的图像。

步骤S200：提取所述第一预定视频流中的第一预定图像，并获取所述第一预定图像的第一点云数据；

具体而言，第一预定图像泛指第一预定视频流中的任意一个图像，提取所述第一预定视频流中的第一预定图像，并获取所述第一预定图像的第一点云数据，在计算机中，图像由许多个像素点组成，图像数据存储在每一个像素点中，每一个像素点包含了被测物体的信息，除了常见的RGB信息、灰度信息以外，还可以包含深度信息、坐标等其他信息，在某个坐标系下的点的数据集又被称为点云，点云里的每一个点包含了丰富的信息，包括三维坐标、颜色等。本实施例中，第一点云数据即为第一预定图像中的预定投保车辆一部分的三维点云，包括每一个点的三维坐标、颜色、灰度等信息，比如，第一预定图像是预定投保车辆的车灯照片，其可以还原车灯照片上每一个点的三维坐标，可以反映出车灯的三维结构。点云提取是本领域技术人员常用技术手段，比如可通过深度学习的图像处理技术实现点云的提取，在此不进行展开。

步骤S300：在车辆数据库中遍历得到所述预定投保车辆的预定通用模型数据，并结合所述第一点云数据得到预定车辆模型；

其中，本发明实施例步骤S300还包括：

步骤S310：所述车辆数据库中包括多组具备车型标识的车辆结构尺寸数据；

步骤S320：读取所述预定投保车辆的预定车型信息，并在所述车辆数据库中遍历得到预定车辆结构尺寸数据；

步骤S330：将所述预定车辆结构尺寸数据作为所述预定通用模型数据，并基于所述预定通用模型数据构建三维结构模型；

步骤S340：将所述第一点云数据配准融合至所述三维结构模型，得到所述预定车辆模型。

具体而言，所述车辆数据库中包括多组具备车型标识的车辆结构尺寸数据，简单来说，就是不同型号的车辆的零件尺寸，比如型号为A的车辆的车门、后视镜等的尺寸，具体可基于数据挖掘技术构建车辆数据库，基于数据挖掘技术构建数据库是本领域技术人员常用技术手段，故在此不进行展开。读取所述预定投保车辆的预定车型信息，预定车型信息即为预定投保车辆的型号，可由工作人员自行确定上传，进一步在所述车辆数据库中进行遍历匹配，获取与预定车型信息相同的车型标识对应的车辆结构尺寸数据作为预定车辆结构尺寸数据。

根据预定车型信息可以匹配获取预定车型对应的所有组成预定投保车辆的零件，比如车门、车轮、后视镜、车前灯等零件，预定车辆结构尺寸数据就包括多个零件的尺寸数据，将所述预定车辆结构尺寸数据作为所述预定通用模型数据，并基于所述预定通用模型数据，按照多个零件的尺寸数据，对多个零件进行三维组合，即可得到三维结构模型，优选地，可通过现有的三维建模软件，根据预定通用模型数据实现三维结构模型的构建，比如3DS Max、Maya、Rhino等三维建模软件。

最后将所述第一点云数据配准融合至所述三维结构模型，得到所述预定车辆模型。点云数据配准融合指将多个独立的点云通过配准和配合操作转换到统一坐标系下，从而连接成一个完整的点云整体，第一点云数据泛指从多个不同角度采集到的图像的点云数据，示例性地，检测多个第一点云数据中的共有特征点，如边缘、角点等，计算点云数据之间的变换关系，由此实现点云数据配准融合，将配准融合后的点云数据映射到所述三维结构模型，即可得到所述预定车辆模型。需要说明的是，点云数据配准融合是本领域技术人员常用技术手段，上述只是列举其中一种配准融合方法，实际应用中可自行选取对应方法进行点云数据配准融合，对此不做限制。由此通过点云配准融合实现对预定车辆模型的构建，为后续的车损检修扩损分析提供模型支持。

步骤S400：获取所述预定投保车辆的预定投保配件，并在所述预定车辆模型中对所述预定投保配件进行标注，得到标注区域；

步骤S500：分割所述标注区域得到目标配件模型，并识别得到目标配件信息；

具体而言，购买汽车保险时，不同的用户会对不同的汽车配件进行投保，比如发动机、变速器、底盘、刹车系统等，可通过预定投保车辆的用户获取车辆投保信息并上传，从而提取出投保的汽车配件作为预定投保配件，进而在所述预定车辆模型中对所述预定投保配件进行标注，比如，将其标记为红色，且不同的投保配件可用不同的颜色进行标记，即可得到标注区域。

具体而言，在所述预定车辆模型中将标注区域提取分割出来，分割出的每一个标注区域即为目标配件模型，进而通过图像处理技术对目标配件模型进行尺寸、形状、颜色、纹理等特征进行识别，识别结果即为目标配件信息，图像特征提取识别是本领域技术人员常用技术手段，故在此不进行展开。

步骤S600：在车辆配件数据库中遍历得到所述预定投保配件的预定配件信息，结合所述目标配件信息进行对比得到对比偏差，并分析所述对比偏差得到所述预定投保车辆的损失识别数据；

其中，如图2所示，本发明实施例步骤S600还包括：

步骤S610：读取第一预定角度；

步骤S620：获取所述目标配件模型在所述第一预定角度下的第一配件图像；

步骤S630：对所述第一配件图像进行离散余弦变换，得到第一离散余弦系数，其中，所述第一离散余弦系数包括第一直流系数和第一交流系数；

步骤S640：对所述第一直流系数和所述第一交流系数进行加权计算得到所述第一配件图像的第一特征值；

步骤S650：遍历所述预定配件信息中，所述目标配件模型在所述第一预定角度下的第二配件图像；

步骤S660：计算所述第二配件图像的第二特征值，并与所述第一特征值进行对比分析，得到所述对比偏差。

其中，步骤S660之后还有步骤S670：

步骤S671：若所述对比偏差达到预定偏差阈值，则所述预定投保配件产生损失；

步骤S672：对所述对比偏差中的纹理偏差和颜色偏差依次进行分析，并确定目标偏差对象；

步骤S673：结合历史检修数据记录得到所述目标偏差对象的目标代价估计。

其中，本发明实施例步骤S673还包括：

步骤S6731：提取所述历史检修数据记录中对所述预定投保配件进行检修理赔的第一历史记录；

步骤S6732：其中，所述第一历史记录包括所述预定投保配件的历史偏差对象和历史代价；

步骤S6733：计算所述历史代价的均值，并将其作为所述目标代价估计。

具体而言，在车辆配件数据库中遍历得到所述预定投保配件的预定配件信息，车辆配件数据库中包含合格的，即没有发生任何损坏汽车配件在各种不同角度下的颜色、纹理等信息，具体可根据预定投保车辆的型号，基于数据挖掘技术从互联网大数据中提取获得。进而结合预定配件信息与目标配件信息进行对比得到对比偏差，并分析所述对比偏差得到所述预定投保车辆的损失识别数据，具体过程如下：

具体而言，读取第一预定角度，第一预定角度是指图像拍摄角度，可由本领域技术人员自行设定，通过智能摄像终端获取所述目标配件模型在所述第一预定角度下的第一配件图像，对所述第一配件图像进行离散余弦变换，得到第一离散余弦系数，离散余弦变换是以一组不同频率和幅值的余弦函数和来近似一幅图像，实际上是傅立叶变换的实数部分，离散余弦变换有一个重要的性质，即对于一幅图像，其大部分可视化信息都集中在少数的变换系数上，即第一离散余弦系数，其中，所述第一离散余弦系数包括第一直流系数和第一交流系数，第一直流系数和第一交流系数是用于对离散余弦变换结果进行量化的表达，离散余弦变换是本领域技术人员常用技术手段，在此不进行展开，示例性地，可通过MATLAB、Python等编程软件通过数字图像处理实现，从而得到第一直流系数和第一交流系数。

进一步对所述第一直流系数和所述第一交流系数进行权重设置，优选地，可通过变异系数法获取权重，进而对所述第一直流系数和所述第一交流系数进行加权计算，加权计算结果即为所述第一配件图像的第一特征值。

遍历所述预定配件信息中，所述目标配件模型在所述第一预定角度下的第二配件图像，简单来说，就是筛选出与第一配件图像在相同拍摄角度下的合格的、没有发生任何损坏的目标配件模型的图像，也就是说，第一配件图像和第二配件图像是同一型号的车辆的同一配件在同一角度下的图像，只是第一配件图像是在发生事故后可能已经产生损坏的配件的图像，第二配件图像则是没有发生任何损坏的图像，采用与获取第一特征值相同的方法，对第二配件图像进行离散余弦变换，获得第二交流系数和第二直流系数，然后对第二交流系数和第二直流系数进行加权计算，所得结果即为所述第二配件图像的第二特征值。

最后对所述第一特征值和所述第二特征值进行比较，以两者的差值作为所述对比偏差，由此实现对预定投保车辆的投保配件的损坏分析，为后续的检修扩损分析提供基础。

具体而言，获得所述对比偏差之后，对所述对比偏差进行分析，首先设置预定偏差阈值，预定偏差阈值是指车辆发生事故后，判定车辆发生损坏的偏差范围，简单来说，就是如果对比偏差没有预定偏差阈值范围内，说明该配件无损坏，无需进行更换，自然无需通过保险进行赔付。具体地，可根据实际情况，从历史车辆理赔数据中提取出预定投保配件发生损坏程度不同的多个历史损坏图像，对多个历史损坏图像进行离散余弦变换，计算获得多个历史特征值，进而获取多个历史特征值与第一特征值的多个历史偏差，以多个历史偏差的最小值作为预定偏差阈值，若所述对比偏差达到，即大于等于预定偏差阈值，则判定所述预定投保配件产生损失，进而对所述对比偏差中的纹理偏差和颜色偏差依次进行分析，简单来说，就是在进行离散余弦变换后，对变换后的图像进行二次特征提取，离散余弦变换的原理其实就是矩阵的变换运算，图像中颜色的明视度、亮度、灰度值、色调、饱和度等都可以作为矩阵元素，由此进行离散余弦变换，变换后可以提取出对应的颜色特征和纹理特征，纹理特征可用灰度分布情况表示，基于此得到第一配件图像和第二配件图像中产生纹理偏差和颜色偏差的区域，最后以产生纹理偏差或者颜色偏差的区域作为目标偏差对象。

结合历史检修数据记录得到所述目标偏差对象的目标代价估计，目标代价估计是指对目标偏差对象进行修复对应的代价等级进行估计，比如，只是颜色出现偏差，需要进行补漆；纹理出现偏差，需要更换配件。不同处理方式所需要的人力、物力、时间都不同。

具体地，提取所述历史检修数据记录中对所述预定投保配件进行检修理赔的第一历史记录，其中，所述第一历史记录包括所述预定投保配件的历史偏差对象和历史代价，其中，所述历史偏差对象对目标偏差对象相似，可限定一个相似度阈值，比如90%，就提取与目标偏差对象的相似程度大于等于90%的历史偏差对象，进而计算所述历史代价的均值，并将其作为所述目标代价估计，以所述目标代价估计作为所述预定投保车辆的损失识别数据。由此实现对配件检修处理的损失代价分析，为后续的检修扩散决策的分析提供依据。

步骤S700：读取所述预定投保车辆的检修损失数据，结合所述损失识别数据进行对比得到第一对比结果，并根据所述第一对比结果生成预定扩损决策。

其中，本发明实施例步骤S700还包括：

步骤S710：根据所述检修损失数据得到目标实际代价，并结合所述目标代价估计得到所述第一对比结果；

步骤S720：若所述第一对比结果不符合预定代价阈值，生成检修扩损决策，若所述第一对比结果符合所述预定代价阈值，生成未检修扩损决策。

具体而言，可通过服务端调取修理厂定损单，获取维修预定投保配件所需的材料、新配件、工时等数据作为检修损失数据，根据所述检修损失数据得到目标实际代价，具体来说，对所述检修损失数据进行代价估计，获得对应的代价等级，其代价估计方法与前述获取目标代价估计的方法相同，以检修损失数据对应的代价等级作为目标实际代价。进一步对目标实际代价和目标代价估计进行比较，获得所述第一对比结果，第一对比结果即为两者的代价等级差值，进而设定预定代价阈值，预定代价阈值由本领域技术人员自行设定，若所述第一对比结果不符合预定代价阈值，生成检修扩损决策，若所述第一对比结果符合所述预定代价阈值，生成未检修扩损决策，就是说，在预定代价阈值范围内，认为预定投保配件的检修代价没有超出正常范围，比如预定代价阈值设为1级，只要目标实际代价和目标代价估计的差值不超过1级，就认为修理厂未发生检修扩损行为，此时生成未检修扩损决策，用于向用户表示修理厂对预定投保配件所做的检修处理符合标准；如果目标实际代价和目标代价估计的差值超过1级，就认为修理厂发生了检修扩损行为，比如某一零件不需要更换，但是修理厂对其进行了更换，此时生成检修扩损决策，检修扩损决策包括第一对比结果，用于提醒用户修理厂存在检修扩损行为，辅助用户根据第一对比结果，对修理厂进行检修扩损的赔付，预防保险公司和车主产生不必要的损失，提升车险赔付的合理性，减小损失。

其中，如图3所示，本发明实施例还包括步骤S800：

步骤S810：所述智能摄像终端基于所述预定拍摄方案对检修后的所述预定投保车辆进行图像信息采集，得到第二预定视频流；

步骤S820：根据所述第二预定视频流，识别得到所述预定投保配件的配件检修信息；

步骤S830：对比所述配件检修信息和所述预定配件信息，得到第二对比结果；

步骤S840：根据所述第二对比结果进行所述预定投保车辆的检修效果分析。

具体而言，所述智能摄像终端基于所述预定拍摄方案对检修后的所述预定投保车辆进行图像信息采集，得到第二预定视频流，第二预定视频流中的图像的拍摄角度与第一预定视频流完全相同。根据所述第二预定视频流，识别得到所述预定投保配件的配件检修信息，配件检修信息包括检修后的配件图像的纹理信息、颜色信息，与预定配件信息具有对应关系，基于图像提取颜色、纹理特征，是本领域技术人员常用技术手段，在此不进行赘述。对比所述配件检修信息和所述预定配件信息，得到第二对比结果，第二对比结果包括纹理对比结果、颜色对比结果，根据所述第二对比结果进行所述预定投保车辆的检修效果分析，具体来说，第二对比结果越小，说明检修效果越好，由此实现检修效果分析，便于用户清楚地了解车辆检修结果，判断汽车的修复情况。

基于上述分析可知，本发明提供的一个或者多个技术方案，可达到如下有益效果：

1.通过对报案时的预定投保车辆进行点云建模，获取预定车辆模型，在预定车辆模型中对预定投保配件进行标注，得到标注区域，对标注区域进行损失识别，得到损失识别数据，读取预定投保车辆的检修损失数据，结合损失识别数据进行对比得到第一对比结果，并根据第一对比结果生成预定扩损决策，由此通过对车辆的损失进行识别，进而判断是否存在检修扩损行为，实现快速定位损失部位，降低大量人工审核成本与时间，达到提升保险理赔的时效的技术效果。

2.智能摄像终端基于预定拍摄方案对检修后的预定投保车辆进行图像信息采集，得到第二预定视频流，根据第二预定视频流，识别得到预定投保配件的配件检修信息，对比配件检修信息和预定配件信息，得到第二对比结果，根据第二对比结果进行预定投保车辆的检修效果分析，达到辅助用户及时、准确判断车辆修复情况的技术效果。

3.车辆数据库中包括多组具备车型标识的车辆结构尺寸数据，读取预定投保车辆的预定车型信息，并在车辆数据库中遍历得到预定车辆结构尺寸数据，将预定车辆结构尺寸数据作为预定通用模型数据，并基于预定通用模型数据构建三维结构模型，将第一点云数据配准融合至三维结构模型，得到预定车辆模型，由此通过点云数据分析建立预定车辆模型，达到提升三维模型的准确度，为后续的检修扩损分析提供支持，进而提升检修扩损分析的准确度的技术效果。

实施例二

基于与前述实施例中用于车损案件的检修扩损决策方法同样的发明构思，如图4所示，本发明还提供了用于车损案件的检修扩损决策系统，所述系统包括：

图像信息采集模块11，所述图像信息采集模块11用于所述智能摄像终端基于预定拍摄方案对报案时的预定投保车辆进行图像信息采集，得到第一预定视频流；

点云数据获取模块12，所述点云数据获取模块12用于提取所述第一预定视频流中的第一预定图像，并获取所述第一预定图像的第一点云数据；

预定车辆模型获取模块13，所述预定车辆模型获取模块13用于在车辆数据库中遍历得到所述预定投保车辆的预定通用模型数据，并结合所述第一点云数据得到预定车辆模型；

投保配件标注模块14，所述投保配件标注模块14用于获取所述预定投保车辆的预定投保配件，并在所述预定车辆模型中对所述预定投保配件进行标注，得到标注区域；

配件信息获取模块15，所述配件信息获取模块15用于分割所述标注区域得到目标配件模型，并识别得到目标配件信息；

损失识别模块16，所述损失识别模块16用于在车辆配件数据库中遍历得到所述预定投保配件的预定配件信息，结合所述目标配件信息进行对比得到对比偏差，并分析所述对比偏差得到所述预定投保车辆的损失识别数据；

预定扩损决策生成模块17，所述预定扩损决策生成模块17用于读取所述预定投保车辆的检修损失数据，结合所述损失识别数据进行对比得到第一对比结果，并根据所述第一对比结果生成预定扩损决策。

进一步而言，所述系统还包括检修效果分析模块，所述检修效果分析模块用于：

所述智能摄像终端基于所述预定拍摄方案对检修后的所述预定投保车辆进行图像信息采集，得到第二预定视频流；

根据所述第二预定视频流，识别得到所述预定投保配件的配件检修信息；

对比所述配件检修信息和所述预定配件信息，得到第二对比结果；

根据所述第二对比结果进行所述预定投保车辆的检修效果分析。

进一步而言，所述预定车辆模型获取模块13还用于：

所述车辆数据库中包括多组具备车型标识的车辆结构尺寸数据；

读取所述预定投保车辆的预定车型信息，并在所述车辆数据库中遍历得到预定车辆结构尺寸数据；

将所述预定车辆结构尺寸数据作为所述预定通用模型数据，并基于所述预定通用模型数据构建三维结构模型；

将所述第一点云数据配准融合至所述三维结构模型，得到所述预定车辆模型。

进一步而言，所述损失识别模块16还用于：

读取第一预定角度；

获取所述目标配件模型在所述第一预定角度下的第一配件图像；

对所述第一配件图像进行离散余弦变换，得到第一离散余弦系数，其中，所述第一离散余弦系数包括第一直流系数和第一交流系数；

对所述第一直流系数和所述第一交流系数进行加权计算得到所述第一配件图像的第一特征值；

遍历所述预定配件信息中，所述目标配件模型在所述第一预定角度下的第二配件图像；

计算所述第二配件图像的第二特征值，并与所述第一特征值进行对比分析，得到所述对比偏差。

进一步而言，所述损失识别模块16还用于：

若所述对比偏差达到预定偏差阈值，则所述预定投保配件产生损失；

对所述对比偏差中的纹理偏差和颜色偏差依次进行分析，并确定目标偏差对象；

结合历史检修数据记录得到所述目标偏差对象的目标代价估计。

进一步而言，所述损失识别模块16还用于：

提取所述历史检修数据记录中对所述预定投保配件进行检修理赔的第一历史记录；

其中，所述第一历史记录包括所述预定投保配件的历史偏差对象和历史代价；

计算所述历史代价的均值，并将其作为所述目标代价估计。

进一步而言，所述预定扩损决策生成模块17还用于：

根据所述检修损失数据得到目标实际代价，并结合所述目标代价估计得到所述第一对比结果；

若所述第一对比结果不符合预定代价阈值，生成检修扩损决策，若所述第一对比结果符合所述预定代价阈值，生成未检修扩损决策。

前述实施例一中的用于车损案件的检修扩损决策方法具体实例同样适用于本实施例的用于车损案件的检修扩损决策系统，通过前述对用于车损案件的检修扩损决策方法的详细描述，本领域技术人员可以清楚地知道本实施例中用于车损案件的检修扩损决策系统，所以为了说明书的简洁，在此不再详述。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行，也可以顺序地执行，也可以不同的次序执行，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所做的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (7)

1.用于车损案件的检修扩损决策方法，其特征在于，所述方法应用于一种用于车损案件的检修扩损决策系统，且所述系统与智能摄像终端通信连接，所述方法包括：

所述智能摄像终端基于预定拍摄方案对报案时的预定投保车辆进行图像信息采集，得到第一预定视频流；

提取所述第一预定视频流中的第一预定图像，并获取所述第一预定图像的第一点云数据；

在车辆数据库中遍历得到所述预定投保车辆的预定通用模型数据，并结合所述第一点云数据得到预定车辆模型；

获取所述预定投保车辆的预定投保配件，并在所述预定车辆模型中对所述预定投保配件进行标注，得到标注区域；

分割所述标注区域得到目标配件模型，并识别得到目标配件信息；

在车辆配件数据库中遍历得到所述预定投保配件的预定配件信息，结合所述目标配件信息进行对比得到对比偏差，并分析所述对比偏差得到所述预定投保车辆的损失识别数据；

读取所述预定投保车辆的检修损失数据，结合所述损失识别数据进行对比得到第一对比结果，并根据所述第一对比结果生成预定扩损决策；

其中，所述在车辆配件数据库中遍历得到所述预定投保配件的预定配件信息，结合所述目标配件信息进行对比得到对比偏差，包括：

读取第一预定角度；

获取所述目标配件模型在所述第一预定角度下的第一配件图像；

对所述第一配件图像进行离散余弦变换，得到第一离散余弦系数，其中，所述第一离散余弦系数包括第一直流系数和第一交流系数；

对所述第一直流系数和所述第一交流系数进行加权计算得到所述第一配件图像的第一特征值；

遍历所述预定配件信息中，所述目标配件模型在所述第一预定角度下的第二配件图像；

计算所述第二配件图像的第二特征值，并与所述第一特征值进行对比分析，得到所述对比偏差。

2.根据权利要求1所述方法，其特征在于，所述方法还包括：

所述智能摄像终端基于所述预定拍摄方案对检修后的所述预定投保车辆进行图像信息采集，得到第二预定视频流；

根据所述第二预定视频流，识别得到所述预定投保配件的配件检修信息；

对比所述配件检修信息和所述预定配件信息，得到第二对比结果；

根据所述第二对比结果进行所述预定投保车辆的检修效果分析。

3.根据权利要求1所述方法，其特征在于，所述在车辆数据库中遍历得到所述预定投保车辆的预定通用模型数据，并结合所述第一点云数据得到预定车辆模型，包括：

所述车辆数据库中包括多组具备车型标识的车辆结构尺寸数据；

读取所述预定投保车辆的预定车型信息，并在所述车辆数据库中遍历得到预定车辆结构尺寸数据；

将所述预定车辆结构尺寸数据作为所述预定通用模型数据，并基于所述预定通用模型数据构建三维结构模型；

将所述第一点云数据配准融合至所述三维结构模型，得到所述预定车辆模型。

4.根据权利要求1所述方法，其特征在于，在所述计算所述第二配件图像的第二特征值，并与所述第一特征值进行对比分析，得到所述对比偏差之后，包括：

若所述对比偏差达到预定偏差阈值，则所述预定投保配件产生损失；

对所述对比偏差中的纹理偏差和颜色偏差依次进行分析，并确定目标偏差对象；

结合历史检修数据记录得到所述目标偏差对象的目标代价估计。

5.根据权利要求4所述方法，其特征在于，所述结合历史检修数据记录得到所述目标偏差对象的目标代价估计，包括：

提取所述历史检修数据记录中对所述预定投保配件进行检修理赔的第一历史记录；

其中，所述第一历史记录包括所述预定投保配件的历史偏差对象和历史代价；

计算所述历史代价的均值，并将其作为所述目标代价估计。

6.根据权利要求5所述方法，其特征在于，所述读取所述预定投保车辆的检修损失数据，结合所述损失识别数据进行对比得到第一对比结果，并根据所述第一对比结果生成预定扩损决策，包括：

根据所述检修损失数据得到目标实际代价，并结合所述目标代价估计得到所述第一对比结果；

若所述第一对比结果不符合预定代价阈值，生成检修扩损决策，若所述第一对比结果符合所述预定代价阈值，生成未检修扩损决策。

7.用于车损案件的检修扩损决策系统，其特征在于，用于执行权利要求1-6所述的用于车损案件的检修扩损决策方法中任意一项方法的步骤，所述系统包括：

图像信息采集模块，所述图像信息采集模块用于所述智能摄像终端基于预定拍摄方案对报案时的预定投保车辆进行图像信息采集，得到第一预定视频流；

点云数据获取模块，所述点云数据获取模块用于提取所述第一预定视频流中的第一预定图像，并获取所述第一预定图像的第一点云数据；

预定车辆模型获取模块，所述预定车辆模型获取模块用于在车辆数据库中遍历得到所述预定投保车辆的预定通用模型数据，并结合所述第一点云数据得到预定车辆模型；

投保配件标注模块，所述投保配件标注模块用于获取所述预定投保车辆的预定投保配件，并在所述预定车辆模型中对所述预定投保配件进行标注，得到标注区域；

配件信息获取模块，所述配件信息获取模块用于分割所述标注区域得到目标配件模型，并识别得到目标配件信息；

损失识别模块，所述损失识别模块用于在车辆配件数据库中遍历得到所述预定投保配件的预定配件信息，结合所述目标配件信息进行对比得到对比偏差，并分析所述对比偏差得到所述预定投保车辆的损失识别数据；

预定扩损决策生成模块，所述预定扩损决策生成模块用于读取所述预定投保车辆的检修损失数据，结合所述损失识别数据进行对比得到第一对比结果，并根据所述第一对比结果生成预定扩损决策；

其中，所述损失识别模块还用于：

读取第一预定角度；

获取所述目标配件模型在所述第一预定角度下的第一配件图像；

对所述第一配件图像进行离散余弦变换，得到第一离散余弦系数，其中，所述第一离散余弦系数包括第一直流系数和第一交流系数；

对所述第一直流系数和所述第一交流系数进行加权计算得到所述第一配件图像的第一特征值；

遍历所述预定配件信息中，所述目标配件模型在所述第一预定角度下的第二配件图像；

计算所述第二配件图像的第二特征值，并与所述第一特征值进行对比分析，得到所述对比偏差。