CN116993517A - 一种车险理赔欺诈识别方法、装置、设备及存储介质 - Google Patents
一种车险理赔欺诈识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116993517A CN116993517A CN202311014454.XA CN202311014454A CN116993517A CN 116993517 A CN116993517 A CN 116993517A CN 202311014454 A CN202311014454 A CN 202311014454A CN 116993517 A CN116993517 A CN 116993517A
- Authority
- CN
- China
- Prior art keywords
- image
- case
- preset
- images
- detected
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 85
- 230000006399 behavior Effects 0.000 claims abstract description 14
- 238000013145 classification model Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V2201/07—Target detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种车险理赔欺诈识别方法、装置、设备及存储介质,涉及保险理赔领域,包括:基于图像识别模型识别待检测图像的图像特征,根据图像特征在历史案件图像库中确定满足预设图像相似度条件的历史案件图像;对历史案件图像进行图像分类,去除标签为目标分类标签的目标图像,得到待对比图像;提取待检测图像和待对比图像中的位置信息得到第一检测结果;识别待检测图像的头部信息,判断待检测图像是否存在历史编辑行为,得到第二检测结果,根据第一检测结果和第二检测结果确定欺诈风险。通过图像识别搜索和图像分类,从历史案件中查找与当前案件相似的照片,确定可疑案件,并且通过图像坐标信息与头部信息,进一步核查图像以提示欺诈风险。
Description
技术领域
本发明涉及保险理赔领域,特别涉及一种车险理赔欺诈识别方法、装置、设备及存储介质。
背景技术
目前在车险理赔的案件中,存在一定量的欺诈及舞弊案件,包括同一现场重复报案、理赔照片违规复用等情况。但是现有技术中工作人员针对理赔案件的核查工作,主要是通过人工方式进行的,例如人工进行逐案图片调阅,逐笔人工比对,以发现同一现场出险或照片重复使用的情况,存在较大的局限性。由于需要调阅大量历史案件,进行人工核查,工作量大,审核效率低。并且由于可能存在大量重复、相似的出险背景或出险标的图片,均依靠人脑记忆进行识别比对,存在较大的误差及偶然性。通过人工方式进行案件的核查工作主要依靠审核人员经验,进行抽检,覆盖面低,导致案件核查的精确度低。因此,如何提高车险理赔欺诈识别的有效性以及准确度是本领域有待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种车险理赔欺诈识别方法、装置、设备及存储介质,可以通过图像识别搜索技术和通过图像分类识别技术,减少干扰图片,从历史案件中,查找与当前案件相似背景的照片,发现照片违规复用的可疑案件,并且通过图像拍摄地坐标信息和头部信息分析识别,提高欺诈风险检测的有效性。其具体方案如下:
第一方面,本申请提供了一种车险理赔欺诈识别方法,包括:
基于预先训练好的图像识别模型识别当前车辆理赔案件的待检测图像的图像特征,根据所述待检测图像的图像特征在预设历史案件图像库中进行图像搜索,以确定所述预设历史案件图像库中满足预设图像相似度条件的历史案件图像;
利用预设图像分类模型对所述历史案件图像进行图像分类,以去除所述历史案件图像中标签为目标分类标签的目标图像,得到待对比图像;
提取所述待检测图像和所述待对比图像中的位置信息,并对比所述位置信息,以得到第一检测结果;
识别所述待检测图像的头部信息,根据所述头部信息判断所述待检测图像是否存在历史编辑行为,得到第二检测结果,以根据所述第一检测结果和所述第二检测结果确定所述当前车辆理赔案件欺诈风险。
可选的,所述基于预先训练好的图像识别模型识别当前车辆理赔案件的待检测图像的图像特征之前,还包括:
创建车险理赔图片库,并根据所述车险理赔图片库对残差网络模型进行训练,以利用训练好的残差网络模型识别当前车辆理赔案件的待检测图像的图像特征。
可选的,所述根据所述待检测图像的图像特征在预设历史案件图像库中进行图像搜索之前,还包括:
收集用户案件数据库中预设时间范围内的历史案件图像,并利用所述图像识别模型提取所述历史案件图像的图像特征,以根据提取到的所述图像特征和对应的所述历史案件图像基于预设分支公司维度建立历史案件图像分库,并保存至所述预设历史案件图像库;所述历史案件图像的图像特征为所述历史案件图像的预设维度的向量数据。
可选的,所述确定所述预设历史案件图像库中满足预设图像相似度条件的历史案件图像,包括:
基于所述预先训练好的图像识别模型对所述待检测图像进行图像特征识别,利用预设向量查询算法根据识别到的图像特征确定所述预设历史案件图像库中的图像与所述待检测图像的相似度,以将所述相似度大于预设相似度阈值的预设数量的图像确定为满足预设图像相似度条件的历史案件图像。
可选的,所述提取所述待检测图像和所述待对比图像中的位置信息,并对比所述位置信息,以得到第一检测结果,包括:
提取所述待检测图像和所述待对比图像的拍摄地位置信息,并根据所述当前车辆理赔案件的报案工具确定所述当前车辆理赔案件的报案位置信息,根据所述拍摄地位置信息和所述报案位置信息确定对应的分支公司区域,以便针对所述分支公司区域的分支公司确定第一检测结果。
可选的,所述利用预设图像分类模型对所述历史案件图像进行图像分类之前,还包括:
获取标签为所述目标分类标签的车辆理赔图片,利用所述车辆理赔图片训练基于残差网络构建的图像分类模型,以得到所述预设图像分类模型。
可选的,所述去除所述历史案件图像中标签为目标分类标签的目标图像,得到待对比图像,包括:
基于单阶段目标检测算法构建车辆检测模型,并利用所述预设历史案件图像库对所述车辆检测模型进行训练得到目标车辆检测模型;
去除所述历史案件图像中标签为目标分类标签的目标图像,以得到剩余历史案件图像,并利用所述目标车辆检测模型检测所述剩余历史案件图像,确定所述剩余历史案件图像的置信度,以筛选出所述置信度大于预设置信度阈值的所述剩余历史案件图像作为待对比图像。
第二方面,本申请提供了一种车险理赔欺诈识别装置,包括:
图像确定模块,用于基于预先训练好的图像识别模型识别当前车辆理赔案件的待检测图像的图像特征,根据所述待检测图像的图像特征在预设历史案件图像库中进行图像搜索,以确定所述预设历史案件图像库中满足预设图像相似度条件的历史案件图像;
图像分类模块,用于利用预设图像分类模型对所述历史案件图像进行图像分类,以去除所述历史案件图像中标签为目标分类标签的目标图像,得到待对比图像;
信息提取模块,用于提取所述待检测图像和所述待对比图像中的位置信息,并对比所述位置信息,以得到第一检测结果;
风险确定模块,用于识别所述待检测图像的头部信息,根据所述头部信息判断所述待检测图像是否存在历史编辑行为,得到第二检测结果,以根据所述第一检测结果和所述第二检测结果确定所述当前车辆理赔案件欺诈风险。
第三方面,本申请提供了一种电子设备,所述电子设备包括处理器和存储器;其中,所述存储器用于存储计算机程序,所述计算机程序由所述处理器加载并执行以实现前述的车险理赔欺诈识别方法。
第四方面,本申请提供了一种计算机可读存储介质,用于保存计算机程序,所述计算机程序被处理器执行时实现前述的车险理赔欺诈识别方法。
本申请可以基于预先训练好的图像识别模型识别当前车辆理赔案件的待检测图像的图像特征,根据所述待检测图像的图像特征在预设历史案件图像库中进行图像搜索,以确定所述预设历史案件图像库中满足预设图像相似度条件的历史案件图像;利用预设图像分类模型对所述历史案件图像进行图像分类,以去除所述历史案件图像中标签为目标分类标签的目标图像,得到待对比图像;提取所述待检测图像和所述待对比图像中的位置信息,并对比所述位置信息,以得到第一检测结果;识别所述待检测图像的头部信息,根据所述头部信息判断所述待检测图像是否存在历史编辑行为,得到第二检测结果,以根据所述第一检测结果和所述第二检测结果确定所述当前车辆理赔案件欺诈风险。这样一来,本申请通过神经网络模型对历史理赔图片进行训练学习,形成特定的图片特征提取能力,从历史案件中,查找与当前案件相似背景的照片,可以发现同一现场重复报案的可疑案件以及发现照片违规复用的可疑案件,并基于图像识别搜索等技术对案件图片进行坐标信息、头部信息等多维度的分析,可实现对理赔案件自动化核查,相比人工方式,能够更加高效、精准、全面的开展工作。
附图说明
为了更清楚地说明本发明实施例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地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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为本申请提供的一种车险理赔欺诈识别方法流程图;
图2为本申请提供的一种车险理赔欺诈图像识别流程图;
图3为本申请提供的一种具体的车险理赔欺诈识别方法流程图;
图4为本申请提供的一种图像特征提取以及的比对流程图;
图5为本申请提供的一种车险理赔欺诈识别装置结构示意图;
图6为本申请提供的一种电子设备结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
目前工作人员针对理赔案件的核查工作,主要是通过人工方式进行的,存在较大的局限性,审核效率低。并且由于可能存在大量重复、相似的出险背景或出险标的图片,存在较大的误差及偶然性。而本申请通过神经网络模型对历史理赔图片进行训练学习,形成特定的图片特征提取能力,并基于图像识别搜索等技术对案件图片进行多维度的分析,可实现对理赔案件自动化核查,相比人工方式,能够更加高效、精准、全面的开展工作。
参见图1所示,本发明实施例公开了一种车险理赔欺诈识别方法,包括:
步骤S11、基于预先训练好的图像识别模型识别当前车辆理赔案件的待检测图像的图像特征,根据所述待检测图像的图像特征在预设历史案件图像库中进行图像搜索,以确定所述预设历史案件图像库中满足预设图像相似度条件的历史案件图像。
本实施例中,首先基于预先训练好的图像识别模型识别当前车辆理赔案件的可能存在欺诈风险的待检测图像的图像特征,然后根据检测出的图像特征在预设历史案件图像库中进行图像搜索,以确定满足预设图像相似度条件的历史案件图像。因此,在基于预先训练好的图像识别模型识别图像特征之前,还需要进行模型训练,首先创建车险理赔图片库,然后根据车险理赔图片库对残差网络模型进行训练,以利用训练好的残差网络模型识别当前车辆理赔案件的待检测图像的图像特征。上述残差网络模型可以用于进行图像特征提取,本实施例中可以采用resnet50预训练模型(一种深度为50层的卷积神经网络),首先准备大量车险理赔图片,例如准备每一类车险理赔的典型图片1万张左右,然后基于resnet50预训练模型进行模型训练调优,使其对用户车险理赔的图片具备一定的特征识别能力。这样一来,首先可以筛选出相似度较高的历史案件图像,以便减少后续进行图像分析的工作量。
步骤S12、利用预设图像分类模型对所述历史案件图像进行图像分类,以去除所述历史案件图像中标签为目标分类标签的目标图像,得到待对比图像。
本实施例中,在确定预设历史案件图像库中满足预设图像相似度条件的历史案件图像,可以利用预设图像分类模型对历史案件图像进行图像分类,以去除历史案件图像中标签为目标分类标签的目标图像,得到待对比图像。可以理解的是,本实施例中图像分类也是基于神经网络模型进行的,因此在利用预设图像分类模型对历史案件图像进行图像分类之前,首先获取标签为目标分类标签的车辆理赔图片,利用车辆理赔图片训练基于残差网络构建的图像分类模型,以得到预设图像分类模型进行图像分类。可以理解的是,在进行车险理赔的过程中,用户上传的图片可能存在无效图片,包括但不限于黑夜照片、车损照片、车辆局部照片、文件单证等图片,这些图像对车险理赔欺诈的判断并没有实际效果,因此,可以通过将这些图像的标签设定为目标分类标签,以便去除历史案件图像中标签为目标分类标签的目标图像。例如,本实施例可以准备大量需要过滤的车险理赔图片,包括黑夜照片、车损照片、文件单证等,每类典型的图片1万张左右,基于resnet50预训练模型,进行模型训练调优,使其具备识别以上图片类型并进行过滤。这样一来,通过图像内容识别技术,可以对图像搜索的结果进一步进行优化,过滤掉黑夜照片、车损照片、车辆局部照片、文件单证等非现场照片,减少车险欺诈识别的干扰图片,以提高准确度。
步骤S13、提取所述待检测图像和所述待对比图像中的位置信息,并对比所述位置信息,以得到第一检测结果。
本实施例中,可以提取待检测图像和待对比图像中的位置信息,并对比位置信息得到第一检测结果。通过对待检测图像和待对比图像中的位置信息的对比可以更好地确定待检测图像是否可能和待对比图像出现在同一位置,有助于提高车险欺诈识别的准确度。上述待检测图像也可以根据报案人的报案位置进行确定。
步骤S14、识别所述待检测图像的头部信息,根据所述头部信息判断所述待检测图像是否存在历史编辑行为,得到第二检测结果,以根据所述第一检测结果和所述第二检测结果确定所述当前车辆理赔案件欺诈风险。
本实施例中,识别待检测图像的头部信息,根据头部信息判断待检测图像是否存在历史编辑行为,得到第二检测结果,以根据第一检测结果和第二检测结果确定当前车辆理赔案件欺诈风险。可以理解的是,图片经过编辑后,会在图片头部信息留下软件信息,通过对图片头部信息的分析,可初步核查是否存在人为编辑的行为,提示欺诈风险。进一步地,也可以通过专业的图片防伪软件,发现更高级别的图片伪造情况,从而实现图片伪造识别,进一步确定可疑图像。
通过上述技术方案,如图2所示,本实施例基于预先训练好的图像识别模型识别当前车辆理赔案件的待检测图像的图像特征,根据待检测图像的图像特征在预设历史案件图像库中进行图像搜索,确定预设历史案件图像库中的历史案件图像;利用预设图像分类模型对历史案件图像进行图像分类,去除历史案件图像中标签为目标分类标签的目标图像,得到待对比图像;提取待检测图像和待对比图像中的位置信息并对比,以得到第一检测结果;识别待检测图像的头部信息,根据头部信息判断待检测图像是否存在历史编辑行为,得到第二检测结果,以确定当前车辆理赔案件欺诈风险。这样一来,本申请通过图像识别搜索技术以及分类识别技术,可以从历史案件中查找与当前案件相似背景的照片,发现同一现场重复报案的可疑案件以及照片违规复用的可疑案件。并且图像分类后进行过滤,可以对图像搜索的结果进一步进行优化,减少干扰图片。然后通过图像拍摄地坐标信息,结合报案位置,进一步缩小可疑案件的范围,并且通过图片头信息分析识别,核查是否存在人为编辑的行为,提示欺诈风险,最终能够实现更加高效、精准、全面的欺诈风险检测工作。
基于上一实施例可知,本申请可以通过神经网络模型对历史理赔图片进行图片特征提取后进行分析,进而实现欺诈风险的识别,接下来,本实施例中将对具体的特征识别以及图像筛选的过程进行详细的阐述。参加图3所示,本申请实施例公开了一种具体的车险理赔欺诈识别方法,包括:
步骤S21、收集用户案件数据库中预设时间范围内的历史案件图像,并利用图像识别模型提取所述历史案件图像的图像特征,以根据提取到的所述图像特征和对应的所述历史案件图像基于预设分支公司维度建立历史案件图像分库,并保存至预设历史案件图像库。
本实施例中,进行图像特征提取之前,需要构建对应的历史案件图像库,首先收集用户案件数据库中预设时间范围内的历史案件图像,并利用图像识别模型提取历史案件图像的图像特征,以根据提取到的图像特征和对应的历史案件图像基于预设分支公司维度建立历史案件图像分库,并保存至预设历史案件图像库。上述历史案件图像的图像特征为历史案件图像的预设维度的向量数据。例如,通过3年内的案件图片,使用特征提取模型,批量将每一张图片提取256/512维度的向量数据至图片特征库,同时,每个图片特征库以分公司维度分库分片,以便更好的支持实时的图片搜索。可以理解的是,由于各个分公司的地区可能较大,为了更高效地进行后续的图像分析,可以在构建图像库时,基于分支公司的维度构建对应的分库,以便各个分公司直接使用对应的图像库。
步骤S22、基于预先训练好的所述图像识别模型对待检测图像进行图像特征识别,利用预设向量查询算法根据识别到的图像特征确定所述预设历史案件图像库中的图像与所述待检测图像的相似度,以将所述相似度大于预设相似度阈值的预设数量的图像确定为满足预设图像相似度条件的历史案件图像。
本实施例中,如图4所示,可以基于预先训练好的图像识别模型对待检测图像进行图像特征识别,利用预设向量查询算法根据识别到的图像特征确定预设历史案件图像库中的图像与待检测图像的相似度,并将相似度大于预设相似度阈值的预设数量的图像确定为满足预设图像相似度条件的历史案件图像,以便实时进行图像搜索确定相似、相同图片。将获取到的当前案件的待检测图片提取特征后,使用向量查询算法查找对应的图片库,根据相似度的高低来判别图片的相似程度,检索出相似度最近的N张相似图片清单。并且基于预先训练的模型,相似度为1的图像基本判定位相同图图像。上述预设相似度阈值也可以根据实际情况进行调整,从而识别照片的违规复用,例如可调节相似度0.85以上,可以识别大量背景相似的图片,以用于同一地点重复报案的识别。
步骤S23、基于单阶段目标检测算法构建车辆检测模型,并利用所述预设历史案件图像库对所述车辆检测模型进行训练得到目标车辆检测模型,然后利用预设图像分类模型对所述历史案件图像进行图像分类,去除所述历史案件图像中标签为目标分类标签的目标图像,以得到剩余历史案件图像,并利用所述目标车辆检测模型检测所述剩余历史案件图像,确定所述剩余历史案件图像的置信度,以筛选出所述置信度大于预设置信度阈值的所述剩余历史案件图像作为待对比图像。
本实施例中,基于单阶段目标检测算法构建车辆检测模型,本实施例可以采用yolo5构建,并利用预设历史案件图像库对车辆检测模型进行训练得到目标车辆检测模型,然后利用预设图像分类模型去除目标图像,以得到剩余历史案件图像,并利用目标车辆检测模型检测所述剩余历史案件图像,确定剩余历史案件图像的置信度,以筛选出置信度大于预设置信度阈值的剩余历史案件图像作为待对比图像。本实施例可以使用yolo5通用数据的预训练模型,识别检测图像中是否包括车辆主体,同时可以根据实际的理赔图像,标注车辆图片数据,训练优化车辆检测模型。并且在使用图像分类模型,过滤黑夜照片、车损照片、文件单证等非现场照片时,进一步使用车辆检测模型进行过滤,例如根据置信度的大小,将识别结果中置信度小于0.9的视为车辆局部照片进行过滤。这样一来,可以通过图像搜索、图像内容识别,减少干扰图片,筛选出大量可疑案件的图片集,提高识别车险理赔案件中的欺诈风险的精确度。
步骤S24、提取所述待检测图像和所述待对比图像的拍摄地位置信息,并根据当前车辆理赔案件的报案工具确定所述当前车辆理赔案件的报案位置信息,根据所述拍摄地位置信息和所述报案位置信息确定对应的分支公司区域,以便针对所述分支公司区域的分支公司确定第一检测结果。
本实施例中,提取待检测图像和待对比图像的拍摄地位置信息,并根据当前车辆理赔案件的报案工具确定当前车辆理赔案件的报案位置信息,根据拍摄地位置信息和报案位置信息确定对应的分支公司区域,以便针对分支公司区域的分支公司确定第一检测结果。可以理解的是,本实施例中可以基于分公司维度建立历史案件图像分库,但是由于分公司的地区跨度较大,上一步骤中待对比图像构建的图片集仍然存在较多偏差,因此可以进一步提取图片的拍摄地坐标信息,结合报案工具获取的报案位置信息,通过位置信息的对比进一步缩小可疑案件的范围至分支公司区域,以便更加高效地识别车险理赔案件的欺诈风险。
步骤S25、识别所述待检测图像的头部信息,根据所述头部信息判断所述待检测图像是否存在历史编辑行为,得到第二检测结果,以根据所述第一检测结果和所述第二检测结果确定所述当前车辆理赔案件欺诈风险。
其中,关于上述步骤S25更加具体的处理过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本实施例中,可以根据图像特征和对应的历史案件图像基于预设分支公司维度建立历史案件图像分库,并且利用预设向量查询算法根据识别到的图像特征确定预设历史案件图像库中的图像与待检测图像的相似度,确定满足预设图像相似度条件的历史案件图像。然后基于去除历史案件图像中标签为目标分类标签的目标图像,并利用目标车辆检测模型确定剩余历史案件图像的置信度,筛选出待对比图像。最后提取待检测图像和待对比图像的拍摄地位置信息,并确定当前车辆理赔案件的报案位置信息,进而确定对应的分支公司区域后识别待检测图像的头部信息进行检测。这样一来,可以通过图像搜索、图像内容识别,减少干扰图片,筛选出大量可疑案件的图片集,提高识别车险理赔案件中的欺诈风险的精确度,并且通过图像拍摄地坐标信息,结合报案位置,进一步缩小可疑案件的范围,提高识别车险理赔案件中的欺诈风险的精确度。
参见图5所示,本申请实施例还公开了一种车险理赔欺诈识别装置,包括:
图像确定模块11,用于基于预先训练好的图像识别模型识别当前车辆理赔案件的待检测图像的图像特征,根据所述待检测图像的图像特征在预设历史案件图像库中进行图像搜索,以确定所述预设历史案件图像库中满足预设图像相似度条件的历史案件图像;
图像分类模块12,用于利用预设图像分类模型对所述历史案件图像进行图像分类,以去除所述历史案件图像中标签为目标分类标签的目标图像,得到待对比图像;
信息提取模块13,用于提取所述待检测图像和所述待对比图像中的位置信息,并对比所述位置信息,以得到第一检测结果;
风险确定模块14,用于识别所述待检测图像的头部信息,根据所述头部信息判断所述待检测图像是否存在历史编辑行为,得到第二检测结果,以根据所述第一检测结果和所述第二检测结果确定所述当前车辆理赔案件欺诈风险。
本实施例可以基于预先训练好的图像识别模型识别当前车辆理赔案件的待检测图像的图像特征,根据所述待检测图像的图像特征在预设历史案件图像库中进行图像搜索,以确定所述预设历史案件图像库中满足预设图像相似度条件的历史案件图像;利用预设图像分类模型对所述历史案件图像进行图像分类,以去除所述历史案件图像中标签为目标分类标签的目标图像,得到待对比图像;提取所述待检测图像和所述待对比图像中的位置信息,并对比所述位置信息,以得到第一检测结果;识别所述待检测图像的头部信息,根据所述头部信息判断所述待检测图像是否存在历史编辑行为,得到第二检测结果,以根据所述第一检测结果和所述第二检测结果确定所述当前车辆理赔案件欺诈风险。通过神经网络模型对历史理赔图片进行训练学习,形成特定的图片特征提取能力,从历史案件中,查找与当前案件相似背景的照片,可以发现同一现场重复报案的可疑案件以及发现照片违规复用的可疑案件,并基于图像识别搜索等技术对案件图片进行坐标信息、头部信息等多维度的分析,可实现对理赔案件自动化核查,相比人工方式,能够更加高效、精准、全面的开展工作。
在一些具体实施例中,所述车险理赔欺诈识别装置,还包括:
第一模型训练模块,用于创建车险理赔图片库,并根据所述车险理赔图片库对残差网络模型进行训练,以利用训练好的残差网络模型识别当前车辆理赔案件的待检测图像的图像特征。
在一些具体实施例中,所述图像确定模块11,还包括:
图像库建立单元,用于收集用户案件数据库中预设时间范围内的历史案件图像,并利用所述图像识别模型提取所述历史案件图像的图像特征,以根据提取到的所述图像特征和对应的所述历史案件图像基于预设分支公司维度建立历史案件图像分库,并保存至所述预设历史案件图像库;所述历史案件图像的图像特征为所述历史案件图像的预设维度的向量数据。
在一些具体实施例中,所述图像确定模块11,具体包括:
相似度检测单元,用于基于所述预先训练好的图像识别模型对所述待检测图像进行图像特征识别,利用预设向量查询算法根据识别到的图像特征确定所述预设历史案件图像库中的图像与所述待检测图像的相似度,以将所述相似度大于预设相似度阈值的预设数量的图像确定为满足预设图像相似度条件的历史案件图像。
在一些具体实施例中,所述信息提取模块13,具体包括:
位置确定单元,用于提取所述待检测图像和所述待对比图像的拍摄地位置信息,并根据所述当前车辆理赔案件的报案工具确定所述当前车辆理赔案件的报案位置信息,根据所述拍摄地位置信息和所述报案位置信息确定对应的分支公司区域,以便针对所述分支公司区域的分支公司确定第一检测结果。
在一些具体实施例中,所述车险理赔欺诈识别装置,还包括:
第二模型训练模块,用于获取标签为所述目标分类标签的车辆理赔图片,利用所述车辆理赔图片训练基于残差网络构建的图像分类模型,以得到所述预设图像分类模型。
在一些具体实施例中,所述图像分类模块12,具体包括:
模型训练单元,用于基于单阶段目标检测算法构建车辆检测模型,并利用所述预设历史案件图像库对所述车辆检测模型进行训练得到目标车辆检测模型;
图像筛选单元,用于去除所述历史案件图像中标签为目标分类标签的目标图像,以得到剩余历史案件图像,并利用所述目标车辆检测模型检测所述剩余历史案件图像,确定所述剩余历史案件图像的置信度,以筛选出所述置信度大于预设置信度阈值的所述剩余历史案件图像作为待对比图像。
进一步的,本申请实施例还公开了一种电子设备,图6是根据一示例性实施例示出的电子设备20结构图,图中的内容不能认为是对本申请的使用范围的任何限制。
图6为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的车险理赔欺诈识别方法中的相关步骤。另外,本实施例中的电子设备20具体可以为电子计算机。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源可以包括操作系统221、计算机程序222等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222,其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的车险理赔欺诈识别方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的,本申请还公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的车险理赔欺诈识别方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种车险理赔欺诈识别方法,其特征在于,包括:
基于预先训练好的图像识别模型识别当前车辆理赔案件的待检测图像的图像特征,根据所述待检测图像的图像特征在预设历史案件图像库中进行图像搜索,以确定所述预设历史案件图像库中满足预设图像相似度条件的历史案件图像;
利用预设图像分类模型对所述历史案件图像进行图像分类,以去除所述历史案件图像中标签为目标分类标签的目标图像,得到待对比图像;
提取所述待检测图像和所述待对比图像中的位置信息,并对比所述位置信息,以得到第一检测结果;
识别所述待检测图像的头部信息,根据所述头部信息判断所述待检测图像是否存在历史编辑行为,得到第二检测结果,以根据所述第一检测结果和所述第二检测结果确定所述当前车辆理赔案件欺诈风险。
2.根据权利要求1所述的车险理赔欺诈识别方法,其特征在于,所述基于预先训练好的图像识别模型识别当前车辆理赔案件的待检测图像的图像特征之前,还包括:
创建车险理赔图片库,并根据所述车险理赔图片库对残差网络模型进行训练,以利用训练好的残差网络模型识别当前车辆理赔案件的待检测图像的图像特征。
3.根据权利要求1所述的车险理赔欺诈识别方法,其特征在于,所述根据所述待检测图像的图像特征在预设历史案件图像库中进行图像搜索之前,还包括:
收集用户案件数据库中预设时间范围内的历史案件图像,并利用所述图像识别模型提取所述历史案件图像的图像特征,以根据提取到的所述图像特征和对应的所述历史案件图像基于预设分支公司维度建立历史案件图像分库,并保存至所述预设历史案件图像库;所述历史案件图像的图像特征为所述历史案件图像的预设维度的向量数据。
4.根据权利要求3所述的车险理赔欺诈识别方法,其特征在于,所述确定所述预设历史案件图像库中满足预设图像相似度条件的历史案件图像,包括:
基于所述预先训练好的图像识别模型对所述待检测图像进行图像特征识别,利用预设向量查询算法根据识别到的图像特征确定所述预设历史案件图像库中的图像与所述待检测图像的相似度,以将所述相似度大于预设相似度阈值的预设数量的图像确定为满足预设图像相似度条件的历史案件图像。
5.根据权利要求3所述的车险理赔欺诈识别方法,其特征在于,所述提取所述待检测图像和所述待对比图像中的位置信息,并对比所述位置信息,以得到第一检测结果,包括:
提取所述待检测图像和所述待对比图像的拍摄地位置信息,并根据所述当前车辆理赔案件的报案工具确定所述当前车辆理赔案件的报案位置信息,根据所述拍摄地位置信息和所述报案位置信息确定对应的分支公司区域,以便针对所述分支公司区域的分支公司确定第一检测结果。
6.根据权利要求1所述的车险理赔欺诈识别方法,其特征在于,所述利用预设图像分类模型对所述历史案件图像进行图像分类之前,还包括:
获取标签为所述目标分类标签的车辆理赔图片,利用所述车辆理赔图片训练基于残差网络构建的图像分类模型,以得到所述预设图像分类模型。
7.根据权利要求1至6任一项所述的车险理赔欺诈识别方法,其特征在于,所述去除所述历史案件图像中标签为目标分类标签的目标图像,得到待对比图像,包括:
基于单阶段目标检测算法构建车辆检测模型,并利用所述预设历史案件图像库对所述车辆检测模型进行训练得到目标车辆检测模型;
去除所述历史案件图像中标签为目标分类标签的目标图像,以得到剩余历史案件图像,并利用所述目标车辆检测模型检测所述剩余历史案件图像,确定所述剩余历史案件图像的置信度,以筛选出所述置信度大于预设置信度阈值的所述剩余历史案件图像作为待对比图像。
8.一种车险理赔欺诈识别装置,其特征在于,包括:
图像确定模块,用于基于预先训练好的图像识别模型识别当前车辆理赔案件的待检测图像的图像特征,根据所述待检测图像的图像特征在预设历史案件图像库中进行图像搜索,以确定所述预设历史案件图像库中满足预设图像相似度条件的历史案件图像;
图像分类模块,用于利用预设图像分类模型对所述历史案件图像进行图像分类,以去除所述历史案件图像中标签为目标分类标签的目标图像,得到待对比图像;
信息提取模块,用于提取所述待检测图像和所述待对比图像中的位置信息,并对比所述位置信息,以得到第一检测结果;
风险确定模块,用于识别所述待检测图像的头部信息,根据所述头部信息判断所述待检测图像是否存在历史编辑行为,得到第二检测结果,以根据所述第一检测结果和所述第二检测结果确定所述当前车辆理赔案件欺诈风险。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器;其中,所述存储器用于存储计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的车险理赔欺诈识别方法。
10.一种计算机可读存储介质,其特征在于,用于保存计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的车险理赔欺诈识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311014454.XA CN116993517A (zh) | 2023-08-11 | 2023-08-11 | 一种车险理赔欺诈识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311014454.XA CN116993517A (zh) | 2023-08-11 | 2023-08-11 | 一种车险理赔欺诈识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116993517A true CN116993517A (zh) | 2023-11-03 |
Family
ID=88530003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311014454.XA Pending CN116993517A (zh) | 2023-08-11 | 2023-08-11 | 一种车险理赔欺诈识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993517A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523683A (zh) * | 2024-01-05 | 2024-02-06 | 湖北微模式科技发展有限公司 | 一种基于生物特征识别的欺诈视频检测方法 |
-
2023
- 2023-08-11 CN CN202311014454.XA patent/CN116993517A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523683A (zh) * | 2024-01-05 | 2024-02-06 | 湖北微模式科技发展有限公司 | 一种基于生物特征识别的欺诈视频检测方法 |
CN117523683B (zh) * | 2024-01-05 | 2024-03-29 | 湖北微模式科技发展有限公司 | 一种基于生物特征识别的欺诈视频检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240087102A1 (en) | Automatic Image Based Object Damage Assessment | |
CN115828112B (zh) | 一种故障事件的响应方法、装置、电子设备及存储介质 | |
WO2014138719A1 (en) | Location classification based on license plate recognition information | |
CN112367273B (zh) | 基于知识蒸馏的深度神经网络模型的流量分类方法及装置 | |
CN110288823B (zh) | 一种基于朴素贝叶斯网络的交通违章误判识别方法 | |
CN116993517A (zh) | 一种车险理赔欺诈识别方法、装置、设备及存储介质 | |
CN111753642B (zh) | 一种确定关键帧的方法及装置 | |
CN111798162A (zh) | 基于神经网络的风险监测方法及装置 | |
CN112309126A (zh) | 车牌检测方法、装置、电子设备及计算机可读存储介质 | |
CN113393442A (zh) | 列车零部件异常检测方法、系统、电子设备及存储介质 | |
CN118018330B (zh) | 一种基于人工智能的数据分析方法及其系统 | |
CN115810134A (zh) | 一种车险反欺诈的图像采集质检方法、系统和装置 | |
CN110891071A (zh) | 一种网络流量信息获取方法、装置及其相关设备 | |
Kumar et al. | The Real Time Vehicle License Plate Identification System | |
CN115641694A (zh) | 一种基于智能图像处理的前中后端协同安全管理方法 | |
CN114596439A (zh) | 一种基于图像的车险智能定损及核损方法、装置和电子设备 | |
CN114338346A (zh) | 告警报文处理方法、装置及电子设备 | |
CN111340261B (zh) | 判定订单违规行为的方法、系统、计算机设备及存储介质 | |
CN109635651B (zh) | 一种基于图像识别的车辆定损方法、存储介质及服务器 | |
CN112633163A (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
KR20210031444A (ko) | 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치 | |
CN111507868A (zh) | 一种网络维权系统和方法 | |
Singh et al. | Evaluating the Performance of Ensembled YOLOv8 Variants in Smart Parking Applications for Vehicle Detection and License Plate Recognition under Varying Lighting Conditions | |
CN117171382B (zh) | 一种基于综合特征和自然语言的车辆视频检索方法 | |
CN114821327B (zh) | 电力线和杆塔进行特征提取处理方法、系统及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |