CN116703622A - 一种车辆损伤鉴定方法及系统 - Google Patents
一种车辆损伤鉴定方法及系统 Download PDFInfo
- Publication number
- CN116703622A CN116703622A CN202310960685.3A CN202310960685A CN116703622A CN 116703622 A CN116703622 A CN 116703622A CN 202310960685 A CN202310960685 A CN 202310960685A CN 116703622 A CN116703622 A CN 116703622A
- Authority
- CN
- China
- Prior art keywords
- damage
- data
- loss
- vehicle
- identification
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 298
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000008439 repair process Effects 0.000 claims abstract description 85
- 238000012423 maintenance Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 56
- 230000006399 behavior Effects 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 230000006735 deficit Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 208000027418 Wounds and injury Diseases 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 208000014674 injury Diseases 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 239000002243 precursor Substances 0.000 claims description 2
- 238000012797 qualification Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 2
- 231100000809 Damage Assessment Model Toxicity 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明公开了一种车辆损伤鉴定方法及系统,应用于数据处理技术领域,该方法包括:通过接收保险公司的案件数据,构建孪生鉴损模型。交互前驱车辆数据,结合事故数据,输入孪生鉴损模型中。基于事故数据,提取预定帧频的图像数据输入扩损鉴定模型,确定扩损三元组。基于扩损三元组,对定损三元组进行校准,生成车损数据。将车损数据输入修复预测模型中,匹配修复方案并进行修复成本预测,输出修复成本数据,修复预测模型中内嵌有维保数据库。基于车损数据与修复成本数据,对定损单数据进行差异化标注,并反馈至保险公司。解决了现有技术中车辆损伤的鉴定人为的主观影响较强,车辆损伤鉴定的准确性较低的技术问题。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种车辆损伤鉴定方法及系统。
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,而实际车辆的事故损伤鉴定多通过维修厂人工进行鉴定,鉴定过程不透明鉴定人为影响因素较高。导致车辆的损伤鉴定结果获取的人为主观性较高,造成损伤鉴定结果存在异常,同时损伤鉴定结果的准确性也较低。
因此,在现有技术中车辆损伤的鉴定人为的主观影响较强,车辆损伤鉴定的准确性较低的技术问题。
发明内容
本申请通过提供一种车辆损伤鉴定方法及系统,解决了在现有技术中车辆损伤的鉴定人为的主观影响较强,车辆损伤鉴定的准确性较低的技术问题。
本申请提供一种车辆损伤鉴定方法,所述方法包括:接收保险公司的案件数据,所述案件数据包括事故数据与定损单数据;构建孪生鉴损模型,所述孪生鉴损模型包括并行配置的第一网络通道与第二网络通道,且后置损伤鉴定层;交互前驱车辆数据,结合所述事故数据,输入所述孪生鉴损模型中,输出表征为损伤配件-损伤类型-损伤等级的定损三元组;基于所述事故数据,提取预定帧频的图像数据输入扩损鉴定模型,确定扩损三元组,其中,扩损鉴定维度包括目标扩大损失与人为后继损失,所述扩损鉴定模型内嵌有判定规则逻辑;基于所述扩损三元组,对所述定损三元组进行校准,生成车损数据;将所述车损数据输入修复预测模型中,匹配修复方案并进行修复成本预测,输出修复成本数据,所述修复预测模型中内嵌有维保数据库;基于所述车损数据与所述修复成本数据,对所述定损单数据进行差异化标注,并反馈至保险公司。
本申请还提供了一种车辆损伤鉴定系统,所述系统包括:数据获取模块,用于接收保险公司的案件数据,所述案件数据包括事故数据与定损单数据;鉴损模型构建模块,用于构建孪生鉴损模型,所述孪生鉴损模型包括并行配置的第一网络通道与第二网络通道,且后置损伤鉴定层;定损确定模块,用于交互前驱车辆数据,结合所述事故数据,输入所述孪生鉴损模型中,输出表征为损伤配件-损伤类型-损伤等级的定损三元组;扩损鉴定模块,用于基于所述事故数据,提取预定帧频的图像数据输入扩损鉴定模型,确定扩损三元组,其中,扩损鉴定维度包括目标扩大损失与人为后继损失,所述扩损鉴定模型内嵌有判定规则逻辑;定损修正模块,用于基于所述扩损三元组,对所述定损三元组进行校准,生成车损数据;修复预测模块,用于将所述车损数据输入修复预测模型中,匹配修复方案并进行修复成本预测,输出修复成本数据,所述修复预测模型中内嵌有维保数据库;反馈处理模块,用于基于所述车损数据与所述修复成本数据,对所述定损单数据进行差异化标注,并反馈至保险公司。
本申请还提供了一种电子设备,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现本申请提供的一种车辆损伤鉴定方法。
本申请提供一种计算机可读存储介质,存储有计算机程序,该程序被处理器执行时,实现本申请提供的一种车辆损伤鉴定方法。
拟通过本申请提出的一种车辆损伤鉴定方法及系统,通过接收保险公司的案件数据,构建孪生鉴损模型。交互前驱车辆数据,结合事故数据,输入孪生鉴损模型中。基于事故数据,提取预定帧频的图像数据输入扩损鉴定模型,确定扩损三元组。基于扩损三元组,对定损三元组进行校准,生成车损数据。将车损数据输入修复预测模型中,匹配修复方案并进行修复成本预测,输出修复成本数据,修复预测模型中内嵌有维保数据库。基于车损数据与修复成本数据,对定损单数据进行差异化标注,并反馈至保险公司。解决了现有技术中车辆损伤的鉴定人为的主观影响较强,车辆损伤鉴定的准确性较低的技术问题。解决了现有技术中数据库检索存在检索速度低,检索进度缓慢的技术问题。
实现了对车辆损伤的鉴定,减少了车辆损伤鉴定过程中的人为主观因素影响,进一步提高了对车辆损伤鉴定的准确性。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请实施例提供的一种车辆损伤鉴定方法的流程示意图;
图2为本申请实施例提供的一种车辆损伤鉴定方法获取孪生鉴损模型的流程示意图;
图3为本申请实施例提供的一种车辆损伤鉴定方法生成维保数据库的流程示意图;
图4为本申请实施例提供的一种车辆损伤鉴定方法的系统的结构示意图;
图5为本发明实施例提供的一种车辆损伤鉴定方法的系统电子设备的结构示意图。
附图标记说明:数据获取模块11,鉴损模型构建模块12,定损确定模块13,扩损鉴定模块14,定损修正模块15,修复预测模块16,反馈处理模块17,处理器31,存储器32,输入装置33,输出装置34。
具体实施方式
实施例一
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上,所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。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。
如图1所示,本申请实施例提供了一种车辆损伤鉴定方法,所述方法包括:
S10:接收保险公司的案件数据,所述案件数据包括事故数据与定损单数据;
S20:构建孪生鉴损模型,所述孪生鉴损模型包括并行配置的第一网络通道与第二网络通道,且后置损伤鉴定层;
S30:交互前驱车辆数据,结合所述事故数据,输入所述孪生鉴损模型中,输出表征为损伤配件-损伤类型-损伤等级的定损三元组;
具体的,接收保险公司的案件数据,所述案件数据包括事故数据与定损单数据。构建孪生鉴损模型,所述孪生鉴损模型包括并行配置的第一网络通道与第二网络通道,且后置损伤鉴定层。随后,交互前驱车辆数据,即获取车辆在事故发生前的前驱车辆数据,结合所述事故数据,输入所述孪生鉴损模型中,输出表征为损伤配件-损伤类型-损伤等级的定损三元组,其中,损伤配件为基于损伤位置以及图像进行确定的具体损伤配件,损伤类型为基于损伤等级而确定的。
如图2所示,本申请实施例提供的方法S20还包括:
S21:连接车险信息平台,检索调用样本事故数据并提取样本车损特征向量,所述样本事故数据包括图片数据与文本数据;
S22:映射关联所述样本事故数据与所述样本车损特征向量,监督训练生成所述第一网络通道;
S23:对所述第一网络通道进行复刻,作为所述第二网络通道;
S24:以定损规则为约束,以特征向量差值为变量,构建车辆定损函数,所述车辆定损函数用于计算所述损伤等级;
S25:将所述车辆定损函数内嵌于所述损伤鉴定层,联合所述第一网络通道与所述第二网络通道,生成所述孪生鉴损模型。
具体的,连接车险信息平台,检索调用样本事故数据并提取样本车损特征向量,所述样本事故数据包括图片数据与文本数据。其中样本车损特征向量为评估车辆损伤程度的特征值。映射关联所述样本事故数据与所述样本车损特征向量,即,映射关联所述样本事故数据与所述样本车损特征向量的对应关系,基于样本事故数据与所述样本车损特征向量进行监督训练生成所述第一网络通道。在进行监督训练时,以样本事故数据作为训练数据,以对应的样本车损特征向量作为监督数据,对神经网络模型进行监督训练,直至模型输出的车损特征向量满足预设准确率时,完成对模型的训练,获取第一网络通道。对所述第一网络通道进行复刻,即采用与第一网络通道相同的训练数据以及训练过程进行神经网络模型训练,获取完成训练的模型作为所述第二网络通道。进一步,以定损规则为约束,以特征向量差值为变量,其中特征向量差值为经过第一网络通道与第二网络通道输出值的平均车损特征向量与定损规则的差值,构建车辆定损函数,其中车辆定损函数为正比例函数,差值越大对应的损伤等级越高,具体比例系数可以根据实际情况进行设定,所述车辆定损函数用于计算所述损伤等级。其中,定损规则为预先设定的车损特征向量的预设阈值,由于不同车辆结构、不同损伤类型对应的损伤判定并不相同,如部分车辆零整比较高,损伤程度较小,但维修成本较高,因此不具备维修的价值,则对应的定损规则的预设阈值相较于其他车辆则较低。最后,将所述车辆定损函数内嵌于所述损伤鉴定层,联合所述第一网络通道与所述第二网络通道,生成所述孪生鉴损模型。
本申请实施例提供的方法S20还包括:
S26:将所述前驱车辆数据与所述事故数据分别输入所述孪生鉴损模型内的所述第一网络通道与所述第二网络通道,获取第一损伤特征向量集与第二损伤特征向量集;
S27:将所述第一损伤特征向量集与所述第二损伤特征向量集流转至所述损伤鉴定层,获取映射匹配结果;
S28:识别所述映射匹配结果,筛选差异化损伤特征向量,结合所述车辆定损函数获取所述损伤等级。
具体的,将所述前驱车辆数据与所述事故数据分别输入所述孪生鉴损模型内的所述第一网络通道与所述第二网络通道,获取第一损伤特征向量集与第二损伤特征向量集。其中,前驱车辆数据为在车辆发生事故之前的车辆数据。通过对事故发生前的车辆数据进行获取,判断车辆损伤是否在损伤前就已经存在。将所述第一损伤特征向量集与所述第二损伤特征向量集流转至所述损伤鉴定层,获取映射匹配结果。进一步,基于获取的映射匹配结果,筛选差异化损伤特征向量,结合所述车辆定损函数获取所述损伤等级。
本申请实施例提供的方法S28还包括:
S281:映射对应所述第一损伤特征向量与所述第二损伤特征向量,确定多个匹配组合;
S282:识别所述多个匹配组合中的单项组合,标识为1;
S283:识别所述多个匹配组合中的一致性组合,标识为0;
S284:识别所述多个匹配组合中的双项差异化组合,标识为x;
其中,标识为0的组合为前驱车辆损伤。
具体的,在第一损伤特征向量集与所述第二损伤特征向量集流转至所述损伤鉴定层之后,映射相同车辆事故后的对应第一损伤特征向量与第二损伤特征向量,确定多个匹配组合。即,匹配相同车辆数据在事故发生前后获取的第一损伤特征向量与第二损伤特征向量的匹配组合,得到多个匹配组合。识别所述多个匹配组合中的单项组合,标识为1,即,在进行匹配时无法匹配到对应的特征向量,此时可能匹配数据存在遗漏。识别所述多个匹配组合中的一致性组合,标识为0,标识为0,即识别第一损伤特征向量与第二损伤特征向量的输出一致,此时则说明事故前后的损伤特征向量一致,车辆不存在损伤或损伤较轻。其中,标识为0的组合为前驱车辆损伤。识别所述多个匹配组合中的双项差异化组合,标识为x,即,识别多个匹配组合中的双项差异化组合,当存在双项差异化组合时则说明车辆事故损伤前后不一致。
S40:基于所述事故数据,提取预定帧频的图像数据输入扩损鉴定模型,确定扩损三元组,其中,扩损鉴定维度包括目标扩大损失与人为后继损失,所述扩损鉴定模型内嵌有判定规则逻辑;
S50:基于所述扩损三元组,对所述定损三元组进行校准,生成车损数据;
S60:将所述车损数据输入修复预测模型中,匹配修复方案并进行修复成本预测,输出修复成本数据,所述修复预测模型中内嵌有维保数据库;
S70:基于所述车损数据与所述修复成本数据,对所述定损单数据进行差异化标注,并反馈至保险公司。
具体的,基于事故数据,提取预定帧频的图像数据输入扩损鉴定模型,其中,预定帧频的图像数据为车辆在维修过程中的图像数据,扩损鉴定模型用于根据预定帧频的图像数据进行多维扩损鉴定,判断在维修过程中是否包含扩损行为。进而,确定扩损三元组,其中,扩损三元组中包含具体的损伤配件-损伤类型-损伤等级,扩损三元组中的数据为维修人员在进行车辆拆解后获取人工标识信息。扩损鉴定维度包括目标扩大损失与人为后继损失,所述扩损鉴定模型内嵌有判定规则逻辑。基于所述扩损三元组,对所述定损三元组进行校准,生成车损数据,由于扩损三元组中的数据是经过维修人员拆解后获取的较为准确的数据,并且该数据经由扩损鉴定判定其是否存在扩损行为后获取的,通过扩损三元组对原本定损三元组进行校准,从而使得获取的车损数据更为精确。当存在个别配件或部位的扩损行为时,可以不采用对应的扩损三元组中的数据进行校准,而直接利用原本定损三元组中的数据作为实际车损数据。进一步,将所述车损数据输入修复预测模型中,其中修复预测模型中内嵌有维保数据库,在维保数据库中记录具体的车损数据对应的修复方案,匹配修复方案并进行修复成本预测,输出修复成本数据,所述修复预测模型中内嵌有维保数据库。最后,基于所述车损数据与所述修复成本数据,对所述定损单数据进行差异化标注,并反馈至保险公司。实现了对车辆损伤的鉴定,减少了车辆损伤鉴定过程中的人为主观因素影响,进一步提高了对车辆损伤鉴定的准确性。
本申请实施例提供的方法S40还包括:
S41:所述判定规则逻辑包括行为与结果的相对性逻辑、前后节点的衔接逻辑;
S42:将预定帧频的图像数据输入扩损鉴定模型,进行动态行为捕捉获取损伤行为;
S43:基于所述判定规则逻辑对所述损伤行为进行筛选,获取扩损行为。
具体的,提取预定帧频的图像数据输入扩损鉴定模型,所述判定规则逻辑包括行为与结果的相对性逻辑、前后节点的衔接逻辑。随后,将预定帧频的图像数据输入扩损鉴定模型,进行动态行为捕捉获取损伤行为,即获取在维修过程中进行的配件损伤行为。基于所述判定规则逻辑对所述损伤行为进行筛选,获取扩损行为。
如图3所示,本申请实施例提供的方法S60还包括:
S61:以损伤配件为第一层级,以损伤类型为第二层级,以损伤等级为第三层级,进行层级映射关联生成车损体系;
S62:调用多源厂商的维修数据,并进行同车损目标的维修数据统计分析,择取最高频次维修方案,集成作为修复方案集;
S63:遍历所述车损体系,进行所述修复方案集的匹配标识,生成所述维保数据库。
具体的,以损伤配件为第一层级,以损伤类型为第二层级,以损伤等级为第三层级,进行层级映射关联生成车损体系。调用多源厂商的维修数据,并进行同车损目标的维修数据统计分析,择取最高频次维修方案,集成作为修复方案集,即统计历史相同损伤配件、损伤类型、损伤等级的多个厂商的维修数据,并进行同车损目标的维修数据统计分析,择取最高频次维修方案,集成作为修复方案集。最后,遍历所述车损体系,进行所述修复方案集的匹配标识,生成所述维保数据库。
本申请实施例提供的方法S70还包括:
S71:基于所述事故数据,提取目标修复方案;
S72:对所述目标修复方案与所述修复方案进行定量差异化分析,作为维保扩损信息;
S73:将所述维保扩损信息添加进所述车损数据。
具体的,根据获取的事故数据,提取对应的目标修复方案,即厂商给定的维保方案。对所述目标修复方案与所述修复方案进行定量差异化分析,作为维保扩损信息,即分析厂商给定方案与当前获取的修复方案的差异。将所述维保扩损信息添加进所述车损数据。
本发明实施例所提供的技术方案,通过接收保险公司的案件数据,所述案件数据包括事故数据与定损单数据。 构建孪生鉴损模型,所述孪生鉴损模型包括并行配置的第一网络通道与第二网络通道,且后置损伤鉴定层。交互前驱车辆数据,结合所述事故数据,输入所述孪生鉴损模型中,输出表征为损伤配件-损伤类型-损伤等级的定损三元组。基于所述事故数据,提取预定帧频的图像数据输入扩损鉴定模型,确定扩损三元组,其中,扩损鉴定维度包括目标扩大损失与人为后继损失,所述扩损鉴定模型内嵌有判定规则逻辑。基于所述扩损三元组,对所述定损三元组进行校准,生成车损数据。将所述车损数据输入修复预测模型中,匹配修复方案并进行修复成本预测,输出修复成本数据,所述修复预测模型中内嵌有维保数据库。基于所述车损数据与所述修复成本数据,对所述定损单数据进行差异化标注,并反馈至保险公司。实现了对车辆损伤的鉴定,减少了车辆损伤鉴定过程中的人为主观因素影响,进一步提高了对车辆损伤鉴定的准确性。解决了现有技术中车辆损伤的鉴定人为的主观影响较强,车辆损伤鉴定的准确性较低的技术问题。
实施例二
基于与前述实施例中一种车辆损伤鉴定方法同样发明构思,本发明还提供了一种车辆损伤鉴定方法的系统,系统可以由硬件和/或软件的方式来实现,一般可集成于电子设备中,用于执行本发明任意实施例所提供的方法。如图4所示,所述系统包括:
数据获取模块11,用于接收保险公司的案件数据,所述案件数据包括事故数据与定损单数据;
鉴损模型构建模块12,用于构建孪生鉴损模型,所述孪生鉴损模型包括并行配置的第一网络通道与第二网络通道,且后置损伤鉴定层;
定损确定模块13,用于交互前驱车辆数据,结合所述事故数据,输入所述孪生鉴损模型中,输出表征为损伤配件-损伤类型-损伤等级的定损三元组;
扩损鉴定模块14,用于基于所述事故数据,提取预定帧频的图像数据输入扩损鉴定模型,确定扩损三元组,其中,扩损鉴定维度包括目标扩大损失与人为后继损失,所述扩损鉴定模型内嵌有判定规则逻辑;
定损修正模块15,用于基于所述扩损三元组,对所述定损三元组进行校准,生成车损数据;
修复预测模块16,用于将所述车损数据输入修复预测模型中,匹配修复方案并进行修复成本预测,输出修复成本数据,所述修复预测模型中内嵌有维保数据库;
反馈处理模块17,用于基于所述车损数据与所述修复成本数据,对所述定损单数据进行差异化标注,并反馈至保险公司。
进一步地,所述鉴损模型构建模块12还用于:
连接车险信息平台,检索调用样本事故数据并提取样本车损特征向量,所述样本事故数据包括图片数据与文本数据;
映射关联所述样本事故数据与所述样本车损特征向量,监督训练生成所述第一网络通道;
对所述第一网络通道进行复刻,作为所述第二网络通道;
以定损规则为约束,以特征向量差值为变量,构建车辆定损函数,所述车辆定损函数用于计算所述损伤等级;
将所述车辆定损函数内嵌于所述损伤鉴定层,联合所述第一网络通道与所述第二网络通道,生成所述孪生鉴损模型。
进一步地,所述鉴损模型构建模块12还用于:
将所述前驱车辆数据与所述事故数据分别输入所述孪生鉴损模型内的所述第一网络通道与所述第二网络通道,获取第一损伤特征向量集与第二损伤特征向量集;
将所述第一损伤特征向量集与所述第二损伤特征向量集流转至所述损伤鉴定层,获取映射匹配结果;
识别所述映射匹配结果,筛选差异化损伤特征向量,结合所述车辆定损函数获取所述损伤等级。
进一步地,所述鉴损模型构建模块12还用于:
映射对应所述第一损伤特征向量与所述第二损伤特征向量,确定多个匹配组合;
识别所述多个匹配组合中的单项组合,标识为1;
识别所述多个匹配组合中的一致性组合,标识为0;
识别所述多个匹配组合中的双项差异化组合,标识为x;
其中,标识为0的组合为前驱车辆损伤。
进一步地,所述扩损鉴定模块14还用于:
所述判定规则逻辑包括行为与结果的相对性逻辑、前后节点的衔接逻辑;
将预定帧频的图像数据输入扩损鉴定模型,进行动态行为捕捉获取损伤行为;
基于所述判定规则逻辑对所述损伤行为进行筛选,获取扩损行为。
进一步地,所述修复预测模块16还用于:
以损伤配件为第一层级,以损伤类型为第二层级,以损伤等级为第三层级,进行层级映射关联生成车损体系;
调用多源厂商的维修数据,并进行同车损目标的维修数据统计分析,择取最高频次维修方案,集成作为修复方案集;
遍历所述车损体系,进行所述修复方案集的匹配标识,生成所述维保数据库。
进一步地,所述反馈处理模块17还用于:
基于所述事故数据,提取目标修复方案;
对所述目标修复方案与所述修复方案进行定量差异化分析,作为维保扩损信息;
将所述维保扩损信息添加进所述车损数据。
所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例三
图5为本发明实施例三提供的电子设备的结构示意图,示出了适于用来实现本发明实施方式的示例性电子设备的框图。图5显示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图5所示,该电子设备包括处理器31、存储器32、输入装置33及输出装置34;电子设备中处理器31的数量可以是一个或多个,图5中以一个处理器31为例,电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的一种车辆损伤鉴定方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述一种车辆损伤鉴定方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种车辆损伤鉴定方法,其特征在于,所述方法包括:
接收保险公司的案件数据,所述案件数据包括事故数据与定损单数据;
构建孪生鉴损模型,所述孪生鉴损模型包括并行配置的第一网络通道与第二网络通道,且后置损伤鉴定层;
交互前驱车辆数据,结合所述事故数据,输入所述孪生鉴损模型中,输出表征为损伤配件-损伤类型-损伤等级的定损三元组;
基于所述事故数据,提取预定帧频的图像数据输入扩损鉴定模型,确定扩损三元组,其中,扩损鉴定维度包括目标扩大损失与人为后继损失,所述扩损鉴定模型内嵌有判定规则逻辑;
基于所述扩损三元组,对所述定损三元组进行校准,生成车损数据;
将所述车损数据输入修复预测模型中,匹配修复方案并进行修复成本预测,输出修复成本数据,所述修复预测模型中内嵌有维保数据库;
基于所述车损数据与所述修复成本数据,对所述定损单数据进行差异化标注,并反馈至保险公司。
2.如权利要求1所述的方法,其特征在于,所述构建孪生鉴损模型,所述方法包括:
连接车险信息平台,检索调用样本事故数据并提取样本车损特征向量,所述样本事故数据包括图片数据与文本数据;
映射关联所述样本事故数据与所述样本车损特征向量,监督训练生成所述第一网络通道;
对所述第一网络通道进行复刻,作为所述第二网络通道;
以定损规则为约束,以特征向量差值为变量,构建车辆定损函数,所述车辆定损函数用于计算所述损伤等级;
将所述车辆定损函数内嵌于所述损伤鉴定层,联合所述第一网络通道与所述第二网络通道,生成所述孪生鉴损模型。
3.如权利要求2所述的方法,其特征在于,所述交互前驱车辆数据,结合所述事故数据,输入所述孪生鉴损模型中,所述方法包括:
将所述前驱车辆数据与所述事故数据分别输入所述孪生鉴损模型内的所述第一网络通道与所述第二网络通道,获取第一损伤特征向量集与第二损伤特征向量集;
将所述第一损伤特征向量集与所述第二损伤特征向量集流转至所述损伤鉴定层,获取映射匹配结果;
识别所述映射匹配结果,筛选差异化损伤特征向量,结合所述车辆定损函数获取所述损伤等级。
4.如权利要求3所述的方法,其特征在于,所述获取映射匹配结果,所述方法包括:
映射对应所述第一损伤特征向量与所述第二损伤特征向量,确定多个匹配组合;
识别所述多个匹配组合中的单项组合,标识为1;
识别所述多个匹配组合中的一致性组合,标识为0;
识别所述多个匹配组合中的双项差异化组合,标识为x;
其中,标识为0的组合为前驱车辆损伤。
5.如权利要求1所述的方法,其特征在于,所述提取预定帧频的图像数据输入扩损鉴定模型,所述方法包括:
所述判定规则逻辑包括行为与结果的相对性逻辑、前后节点的衔接逻辑;
将预定帧频的图像数据输入扩损鉴定模型,进行动态行为捕捉获取损伤行为;
基于所述判定规则逻辑对所述损伤行为进行筛选,获取扩损行为。
6.如权利要求1所述的方法,其特征在于,所述修复预测模型中内嵌有维保数据库,所述方法包括:
以损伤配件为第一层级,以损伤类型为第二层级,以损伤等级为第三层级,进行层级映射关联生成车损体系;
调用多源厂商的维修数据,并进行同车损目标的维修数据统计分析,择取最高频次维修方案,集成作为修复方案集;
遍历所述车损体系,进行所述修复方案集的匹配标识,生成所述维保数据库。
7.如权利要求1所述的方法,其特征在于,所述方法包括:
基于所述事故数据,提取目标修复方案;
对所述目标修复方案与所述修复方案进行定量差异化分析,作为维保扩损信息;
将所述维保扩损信息添加进所述车损数据。
8.一种车辆损伤鉴定系统,其特征在于,所述系统包括:
数据获取模块,用于接收保险公司的案件数据,所述案件数据包括事故数据与定损单数据;
鉴损模型构建模块,用于构建孪生鉴损模型,所述孪生鉴损模型包括并行配置的第一网络通道与第二网络通道,且后置损伤鉴定层;
定损确定模块,用于交互前驱车辆数据,结合所述事故数据,输入所述孪生鉴损模型中,输出表征为损伤配件-损伤类型-损伤等级的定损三元组;
扩损鉴定模块,用于基于所述事故数据,提取预定帧频的图像数据输入扩损鉴定模型,确定扩损三元组,其中,扩损鉴定维度包括目标扩大损失与人为后继损失,所述扩损鉴定模型内嵌有判定规则逻辑;
定损修正模块,用于基于所述扩损三元组,对所述定损三元组进行校准,生成车损数据;
修复预测模块,用于将所述车损数据输入修复预测模型中,匹配修复方案并进行修复成本预测,输出修复成本数据,所述修复预测模型中内嵌有维保数据库;
反馈处理模块,用于基于所述车损数据与所述修复成本数据,对所述定损单数据进行差异化标注,并反馈至保险公司。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至7任一项所述的一种车辆损伤鉴定方法。
10.一种计算机可读介质,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1-7中任一所述的一种车辆损伤鉴定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310960685.3A CN116703622B (zh) | 2023-08-02 | 2023-08-02 | 一种车辆损伤鉴定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310960685.3A CN116703622B (zh) | 2023-08-02 | 2023-08-02 | 一种车辆损伤鉴定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703622A true CN116703622A (zh) | 2023-09-05 |
CN116703622B CN116703622B (zh) | 2023-10-03 |
Family
ID=87832509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310960685.3A Active CN116703622B (zh) | 2023-08-02 | 2023-08-02 | 一种车辆损伤鉴定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703622B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022929A (zh) * | 2016-05-27 | 2016-10-12 | 大连楼兰科技股份有限公司 | 基于专家系统的碰撞事故定损方法及系统 |
CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及系统 |
CN109710654A (zh) * | 2018-10-17 | 2019-05-03 | 青岛腾信汽车网络科技服务有限公司 | 一种车辆碰撞受损等级鉴定方法 |
KR102097120B1 (ko) * | 2018-12-31 | 2020-04-09 | 주식회사 애자일소다 | 딥러닝 기반의 자동차 부위별 파손정도 자동 판정 시스템 및 방법 |
CN111488875A (zh) * | 2020-06-24 | 2020-08-04 | 爱保科技有限公司 | 基于图像识别的车险理赔核损方法、装置和电子设备 |
CN112435215A (zh) * | 2017-04-11 | 2021-03-02 | 创新先进技术有限公司 | 一种基于图像的车辆定损方法、移动终端、服务器 |
CN114359717A (zh) * | 2021-12-17 | 2022-04-15 | 华南理工大学 | 基于多视角相关性深度学习的车辆损伤识别方法 |
-
2023
- 2023-08-02 CN CN202310960685.3A patent/CN116703622B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022929A (zh) * | 2016-05-27 | 2016-10-12 | 大连楼兰科技股份有限公司 | 基于专家系统的碰撞事故定损方法及系统 |
CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及系统 |
CN112435215A (zh) * | 2017-04-11 | 2021-03-02 | 创新先进技术有限公司 | 一种基于图像的车辆定损方法、移动终端、服务器 |
CN109710654A (zh) * | 2018-10-17 | 2019-05-03 | 青岛腾信汽车网络科技服务有限公司 | 一种车辆碰撞受损等级鉴定方法 |
KR102097120B1 (ko) * | 2018-12-31 | 2020-04-09 | 주식회사 애자일소다 | 딥러닝 기반의 자동차 부위별 파손정도 자동 판정 시스템 및 방법 |
CN111488875A (zh) * | 2020-06-24 | 2020-08-04 | 爱保科技有限公司 | 基于图像识别的车险理赔核损方法、装置和电子设备 |
CN114359717A (zh) * | 2021-12-17 | 2022-04-15 | 华南理工大学 | 基于多视角相关性深度学习的车辆损伤识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116703622B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108563214B (zh) | 车辆诊断方法、装置及设备 | |
US11823365B2 (en) | Automatic image based object damage assessment | |
US20080240579A1 (en) | Video discrimination method and video discrimination apparatus | |
CN109060817B (zh) | 人工智能复检系统及其方法 | |
CN112929613B (zh) | 一种基于图像识别进行设备运维的巡检方法及系统 | |
CN110837852A (zh) | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 | |
CN111415336B (zh) | 一种图像篡改识别方法、装置、服务器及存储介质 | |
CN112860676B (zh) | 应用于大数据挖掘和业务分析的数据清洗方法及云服务器 | |
CN115587670A (zh) | 一种基于指标图谱的产品质量诊断方法及装置 | |
CN111159241A (zh) | 一种点击转化预估方法及装置 | |
WO2019176988A1 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
CN110348215A (zh) | 异常对象识别方法、装置、电子设备及介质 | |
CN112256881B (zh) | 用户信息分类方法及装置 | |
CN116703622B (zh) | 一种车辆损伤鉴定方法及系统 | |
CN113919432A (zh) | 一种分类模型构建方法、数据分类方法及装置 | |
CN103913150A (zh) | 智能电能表电子元器件一致性检测方法 | |
CN111754261B (zh) | 一种车辆出租意愿的评估方法、装置及终端设备 | |
US20230325640A1 (en) | Artificial intelligence-based anomaly detection and prediction | |
US20230058076A1 (en) | Method and system for auto generating automotive data quality marker | |
CN112989061B (zh) | 应急资源推荐方法、装置、电子设备及存储介质 | |
CN111754103A (zh) | 企业风险画像方法、装置、计算机设备和可读存储介质 | |
CN112733454A (zh) | 一种基于联合学习的设备预测性维护方法及装置 | |
US11620817B2 (en) | Hardware-accelerated operation of artificial neural networks | |
CN113112160B (zh) | 一种诊断数据处理方法、诊断数据处理装置及电子设备 | |
CN114926154B (zh) | 一种多场景数据识别的保护切换方法及系统 |
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 |