CN117252607A - 车损事故管理系统及其方法 - Google Patents

车损事故管理系统及其方法 Download PDF

Info

Publication number
CN117252607A
CN117252607A CN202311265782.7A CN202311265782A CN117252607A CN 117252607 A CN117252607 A CN 117252607A CN 202311265782 A CN202311265782 A CN 202311265782A CN 117252607 A CN117252607 A CN 117252607A
Authority
CN
China
Prior art keywords
feature
vehicle
loss
scale
semantic association
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
Application number
CN202311265782.7A
Other languages
English (en)
Inventor
王�华
胡更欣
艾应伟
周正
高玉良
杨祎
沈利
姜剑峰
朱晓虎
周义军
孙亭
梅杰
王烽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Wanglan Technology Co ltd
Traffic Police Detachment Of Changzhou Public Security Bureau
Original Assignee
Hangzhou Wanglan Technology Co ltd
Traffic Police Detachment Of Changzhou Public Security Bureau
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Wanglan Technology Co ltd, Traffic Police Detachment Of Changzhou Public Security Bureau filed Critical Hangzhou Wanglan Technology Co ltd
Priority to CN202311265782.7A priority Critical patent/CN117252607A/zh
Publication of CN117252607A publication Critical patent/CN117252607A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0278—Product appraisal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种车损事故管理系统及其方法，其通过采集用户提供的车辆损伤图像，并在后端引入图像处理和分析算法来进行该车辆损伤图像的分析，以此来进行车辆损伤的鉴定和维修评估价的自动推荐，这样，能够根据用户提供的车辆损伤图像，快速准确地给出维修评估价，从而节省了人工检测的时间和成本，提高了维修效率和客户满意度。

Description

车损事故管理系统及其方法
技术领域
本申请涉及智能管理领域，且更为具体地，涉及一种车损事故管理系统及其方法。
背景技术
随着车辆数量的增加和道路交通的日益繁忙，车辆损伤事故频繁发生，因此有效管理和评估车辆损伤变得尤为重要。车损事故管理是指对发生的车辆损伤事故进行有效的记录、处理和管理的过程，它包括对车辆损伤进行评估、维修和索赔等方面的工作。车损事故管理的目的是确保车辆损伤事故能够得到及时处理和妥善管理，以减少损失并提供方便的服务。
然而，传统的车损事故管理通常需要依赖于人工操作和主观判断，如目测损伤程度和评估维修费用，这种主观性判断的方式存在效率低下和主观误差大的问题，容易导致不同评估人员之间的差异，造成评估结果的不一致性和不准确性。同时，车辆损伤评估的准确性也是一个挑战，因为进行车损评估需要考虑到多个因素，如车辆的损伤程度、车辆类型和维修成本等。此外，传统的车损事故管理往往依赖于纸质文件和传统的沟通方式，导致信息共享和协作困难。相关的数据和信息分散在不同的部门和系统中，难以实现高效的信息共享和协同工作。
因此，期望一种优化的车损事故管理系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种车损事故管理系统及其方法，其通过采集用户提供的车辆损伤图像，并在后端引入图像处理和分析算法来进行该车辆损伤图像的分析，以此来进行车辆损伤的鉴定和维修评估价的自动推荐，这样，能够根据用户提供的车辆损伤图像，快速准确地给出维修评估价，从而节省了人工检测的时间和成本，提高了维修效率和客户满意度。
根据本申请的一个方面，提供了一种车损事故管理系统，其包括：
车辆损伤图像采集模块，用于获取由用户提供的车辆损伤图像；
车损多尺度特征提取模块，用于通过基于深度神经网络模型的图像特征提取器对所述车辆损伤图像进行多尺度特征提取以得到多个车损特征图，其中，所述多个车损特征图具有不同的特征尺度；
车损特征语义关联模块，用于对所述多个车损特征图进行车损特征语义关联编码以得到车损多尺度语义关联特征；
维修评估价推荐模块，用于基于所述车损多尺度语义关联特征，确定推荐的维修评估价。
根据本申请的另一个方面，提供了一种车损事故管理方法，其包括：
获取由用户提供的车辆损伤图像；
通过基于深度神经网络模型的图像特征提取器对所述车辆损伤图像进行多尺度特征提取以得到多个车损特征图，其中，所述多个车损特征图具有不同的特征尺度；
对所述多个车损特征图进行车损特征语义关联编码以得到车损多尺度语义关联特征；
基于所述车损多尺度语义关联特征，确定推荐的维修评估价。
与现有技术相比，本申请提供的一种车损事故管理系统及其方法，其通过采集用户提供的车辆损伤图像，并在后端引入图像处理和分析算法来进行该车辆损伤图像的分析，以此来进行车辆损伤的鉴定和维修评估价的自动推荐，这样，能够根据用户提供的车辆损伤图像，快速准确地给出维修评估价，从而节省了人工检测的时间和成本，提高了维修效率和客户满意度。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的车损事故管理系统的框图；
图2为根据本申请实施例的车损事故管理系统的系统架构图；
图3为根据本申请实施例的车损事故管理系统的训练阶段的框图；
图4为根据本申请实施例的车损事故管理系统中车损特征语义关联模块的框图；
图5为根据本申请实施例的车损事故管理方法的流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
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用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。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
实施例1
传统的车损事故管理通常需要依赖于人工操作和主观判断，如目测损伤程度和评估维修费用，这种主观性判断的方式存在效率低下和主观误差大的问题，容易导致不同评估人员之间的差异，造成评估结果的不一致性和不准确性。同时，车辆损伤评估的准确性也是一个挑战，因为进行车损评估需要考虑到多个因素，如车辆的损伤程度、车辆类型和维修成本等。此外，传统的车损事故管理往往依赖于纸质文件和传统的沟通方式，导致信息共享和协作困难。相关的数据和信息分散在不同的部门和系统中，难以实现高效的信息共享和协同工作。因此，期望一种优化的车损事故管理系统。
在本申请的技术方案中，提出了一种车损事故管理系统。图1为根据本申请实施例的车损事故管理系统的框图。图2为根据本申请实施例的车损事故管理系统的系统架构图。如图1和图2所示，根据本申请的实施例的车损事故管理系统300，包括：车辆损伤图像采集模块310，用于获取由用户提供的车辆损伤图像；车损多尺度特征提取模块320，用于通过基于深度神经网络模型的图像特征提取器对所述车辆损伤图像进行多尺度特征提取以得到多个车损特征图，其中，所述多个车损特征图具有不同的特征尺度；车损特征语义关联模块330，用于对所述多个车损特征图进行车损特征语义关联编码以得到车损多尺度语义关联特征；维修评估价推荐模块340，用于基于所述车损多尺度语义关联特征，确定推荐的维修评估价。
特别地，所述车辆损伤图像采集模块310，用于获取由用户提供的车辆损伤图像。应可以理解，车辆损伤图像能够反映车辆的损伤程度和车辆类型等，在本申请的技术方案中，通过获取所述车辆损伤图像，进一步对所述车辆损伤图像进行图像分析，以此来进行车辆损伤的鉴定和维修评估价的自动推荐。
特别地，所述车损多尺度特征提取模块320，用于通过基于深度神经网络模型的图像特征提取器对所述车辆损伤图像进行多尺度特征提取以得到多个车损特征图，其中，所述多个车损特征图具有不同的特征尺度。使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述车辆损伤图像的特征挖掘，特别地，考虑到在进行车辆损伤的检测和维修评估价的推荐时，由于车辆损伤在不同部位和程度上可能具有不同的特征尺度。例如，细小的划痕可能需要在像素级别进行分析，而较大的凹陷或破损可能需要在更高的尺度上进行分析。金字塔网络是一种多尺度处理的方法，它通过在不同分辨率下对输入图像进行处理来获取多个尺度的特征表示。因此，在本申请的技术方案中，进一步将所述车辆损伤图像通过基于金字塔网络的图像特征提取器以得到多个车损特征图，其中，所述多个车损特征图具有不同的特征尺度。特别地，在车损事故管理中，通过应用金字塔网络，可以从所述车损图像中提取出所述多个车损特征图，且所述多个车损特征图具有不同的特征尺度。也就是说，通过使用所述基于金字塔网络的图像特征提取器，可以在不同的尺度上提取所述车损图像的特征信息，以同时考虑车损的细节和整体情况，从而更全面地描述和分析车辆损伤。
值得注意的是，金字塔网络(Pyramid Network)是一种计算机视觉中的图像处理方法，旨在通过多尺度信息的融合来提高图像理解和分析的性能。金字塔网络通常用于目标检测和图像分割任务。金字塔网络的基本思想是在不同尺度上构建图像金字塔，然后通过这些金字塔层级进行信息传递和特征融合。每个金字塔层级包含不同尺度的图像，从原始图像开始，通过下采样或上采样等操作得到不同分辨率的图像。通过在不同层级之间传递信息，金字塔网络可以获取来自不同尺度的特征信息，从而提高对目标的感知能力。金字塔网络的优势在于它能够捕捉到不同尺度上的目标信息，从而提高目标检测和图像分割任务的性能。通过多尺度的特征融合，金字塔网络可以处理不同大小和形状的目标，并具有较强的鲁棒性和泛化能力。金字塔网络在计算机视觉领域得到广泛应用，并在许多重要任务中取得了显著的性能提升。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式通过基于深度神经网络模型的图像特征提取器对所述车辆损伤图像进行多尺度特征提取以得到多个车损特征图，其中，所述多个车损特征图具有不同的特征尺度，例如：收集包含车辆损伤图像的数据集，并进行标注，确保每个图像都有相应的车损标签；选择适合图像特征提取的深度神经网络模型，如卷积神经网络。常用的模型包括VGGNet、ResNet、Inception等；对车辆损伤图像进行预处理，包括图像缩放、归一化、裁剪等操作，以确保输入模型的图像具有相同的尺寸和格式；在选择的深度神经网络模型基础上，构建金字塔网络结构，用于多尺度特征提取。金字塔网络通常由自顶向下和自底向上的模块组成；将车辆损伤图像输入金字塔网络，通过自底向上的模块提取多个不同尺度的特征图像。每个特征图像对应一个特定尺度的特征；使用自顶向下的模块将不同尺度的特征图像进行融合，以获取更丰富和综合的特征表示。融合可以通过上采样、连接操作或其他融合技术来实现；将融合后的特征输入到适当的分类器或回归器中，进行车损的分类或定位预测。可以使用全连接层、支持向量机或其他适合任务的分类器进行预测；使用标注的车损图像数据集对特征提取器进行训练，并根据预测结果进行模型优化，如调整网络参数、学习率等。
特别地，所述车损特征语义关联模块330，用于对所述多个车损特征图进行车损特征语义关联编码以得到车损多尺度语义关联特征。特别地，在本申请的一个具体示例中，如图4所示，所述车损特征语义关联模块330，包括：特征全感知单元331，用于将所述多个车损特征图分别通过基于全连接层的特征全感知器以得到多个车损特征全感知特征向量；车损多尺度语义关联编码单元332，用于对所述多个车损特征全感知特征向量进行多尺度语义关联编码以得到多尺度车损特征语义关联特征向量作为所述车损多尺度语义关联特征。
具体地，所述特征全感知单元331，用于将所述多个车损特征图分别通过基于全连接层的特征全感知器以得到多个车损特征全感知特征向量。考虑到所述各个车损特征图中具有着关于车辆损伤的不同尺度的特征信息，并且由于卷积运算的固有局限性，通过纯CNN的方法很难学习明确的全局和远程语义信息交互，导致对于车损的各尺度的特征信息提取的充分性和准确性较低。因此，在本申请的技术方案中，进一步将所述多个车损特征图分别通过基于全连接层的特征全感知器中进行编码，以提取出每个所述车损特征图中有关于车辆损伤的不同尺度特征信息的全感知特征，从而得到多个车损特征全感知特征向量。
相应的，在一种可能的实现方式中，可通过以下步骤将所述多个车损特征图分别通过基于全连接层的特征全感知器以得到多个车损特征全感知特征向量，例如：特征全感知器是一种基于全连接层的神经网络结构，用于将输入的车损特征图转换为特征全感知特征向量。它可以包含一个或多个全连接层，以及激活函数和正则化等组件；将每个车损特征图分别输入到特征全感知器中。确保每个特征图的尺寸和格式与特征全感知器的输入要求相匹配；通过特征全感知器的前向传播过程，对每个车损特征图进行特征提取。这包括将特征图展平为一维向量，并通过全连接层的权重和偏置进行线性变换；对特征全感知器的输出应用激活函数，以引入非线性变换。常见的激活函数包括ReLU、S igmoid和Tanh等；根据需要，可以在特征全感知器中应用正则化技术，如L1或L2正则化，以防止过拟合和提高模型泛化能力；通过特征全感知器的输出，得到每个车损特征图对应的特征全感知特征向量。这些向量具有固定的维度，反映了车损特征图的特征；对于每个车损特征图，重复步骤2至步骤6，以获得多个车损特征全感知特征向量。
具体地，所述车损多尺度语义关联编码单元332，用于对所述多个车损特征全感知特征向量进行多尺度语义关联编码以得到多尺度车损特征语义关联特征向量作为所述车损多尺度语义关联特征。特别地，在本申请的一个具体示例中，所述车损多尺度语义关联编码单元332，包括：第一尺度车损全感知特征语义关联子单元，用于将所述多个车损特征全感知特征向量通过基于双向长短期记忆神经网络模型的第一车损特征间语义关联编码器以得到第一尺度车损特征语义关联特征向量；第二尺度车损全感知特征语义关联子单元，用于将所述多个车损特征全感知特征向量通过基于转换器的第二车损特征间语义关联编码器以得到第二尺度车损特征语义关联特征向量；车损多尺度特征融合单元，用于融合所述第一尺度车损特征语义关联特征向量和所述第二尺度车损特征语义关联特征向量以得到多尺度车损特征语义关联特征向量。
更具体地，所述第一尺度车损全感知特征语义关联子单元，用于将所述多个车损特征全感知特征向量通过基于双向长短期记忆神经网络模型的第一车损特征间语义关联编码器以得到第一尺度车损特征语义关联特征向量。应可以理解，由于每个所述车损特征图中关于车辆损伤的全感知特征之间具有着基于车辆损伤整体的关联关系，其共同对于车辆的损伤检测和维修评估价判断产生影响。也就是说，在车损事故管理中，不同的车损特征之间可能存在着一定的关联和依赖关系，例如，车辆的凹陷和划痕可能会相互影响。因此，为了更好地理解和分析车辆损伤的整体情况，在本申请的技术方案中，进一步将所述多个车损特征全感知特征向量通过基于双向长短期记忆神经网络模型的第一车损特征间语义关联编码器中进行编码，以提取出所述车辆损伤图像中有关于车辆损伤的不同尺度特征间基于中短距离依赖的车损多尺度关联特征信息，从而得到第一尺度车损特征语义关联特征向量。
更具体地，所述第二尺度车损全感知特征语义关联子单元，用于将所述多个车损特征全感知特征向量通过基于转换器的第二车损特征间语义关联编码器以得到第二尺度车损特征语义关联特征向量。也就是，将所述多个车损特征全感知特征向量通过基于转换器的第二车损特征间语义关联编码器中进行编码，以提取出所述车辆损伤图像中有关于车辆损伤的不同尺度特征间基于全局的车损多尺度关联特征信息，从而得到第二尺度车损特征语义关联特征向量。具体地，将所述多个车损特征全感知特征向量进行一维排列以得到全局车损特征全感知特征向量；计算所述全局车损特征全感知特征向量与所述多个车损特征全感知特征向量中各个车损特征全感知特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个车损特征全感知特征向量中各个车损特征全感知特征向量进行加权以得到所述多个上下文语义车损特征全感知特征向量；以及，将所述多个上下文语义车损特征全感知特征向量进行级联以得到所述第二尺度车损特征语义关联特征向量。
更具体地，所述车损多尺度特征融合单元，用于融合所述第一尺度车损特征语义关联特征向量和所述第二尺度车损特征语义关联特征向量以得到多尺度车损特征语义关联特征向量。应可以理解，在车损事故管理中，不同尺度的车损特征可能提供了不同层次和角度的信息。例如，第一尺度可能关注车损的局部细节特征，而第二尺度可能关注车损整体的结构特征。通过融合不同尺度的特征，可以充分利用各个尺度的优势，提高车损识别和评估的准确性。因此，在本申请的技术方案中，进一步融合所述第一尺度车损特征语义关联特征向量和所述第二尺度车损特征语义关联特征向量以得到多尺度车损特征语义关联特征向量，以综合考虑不同尺度的特征信息，这样可以提供更全面和多角度的车损描述，增强对车辆损伤情况的理解，从而更全面和准确地描述车辆损伤情况。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述多个车损特征全感知特征向量进行多尺度语义关联编码以得到多尺度车损特征语义关联特征向量作为所述车损多尺度语义关联特征，例如：选择适合的多尺度语义关联编码方法，用于将多个车损特征全感知特征向量进行编码和关联。常见的方法包括卷积神经网络和循环神经网络等；将多个车损特征全感知特征向量输入到多尺度语义关联编码模型中，通过模型学习特征之间的语义关联。这可以通过卷积操作、注意力机制或其他关联建模技术来实现；对每个特征全感知特征向量进行编码，将其转换为固定维度的特征向量。这可以通过池化操作、全局平均池化或其他特征聚合方法来实现；将编码后的特征向量进行关联，以捕捉不同尺度特征之间的语义关联。可以使用连接、拼接、加权融合等方式进行特征关联；通过特征关联得到的特征向量即为多尺度车损特征语义关联特征向量。这些特征向量包含了不同尺度特征的语义关联信息，用于更全面地描述车损的特征；；将生成的多尺度车损特征语义关联特征向量应用于具体的车损分类、定位或其他相关任务中。可以使用支持向量机、逻辑回归或其他适合任务的分类器进行预测和分析。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述多个车损特征图进行车损特征语义关联编码以得到车损多尺度语义关联特征，例如：选择适合的语义关联编码方法，用于将多个车损特征图进行编码和关联。常见的方法包括卷积神经网络和循环神经网络等；将多个车损特征图输入到语义关联编码模型中，通过模型学习特征之间的语义关联。这可以通过卷积操作、注意力机制或其他关联建模技术来实现；对每个特征图进行编码，将其转换为固定维度的特征向量。这可以通过池化操作、全局平均池化或其他特征聚合方法来实现；将编码后的特征向量进行关联，以捕捉不同尺度特征之间的语义关联。可以使用连接、拼接、加权融合等方式进行特征关联；通过特征关联得到的特征向量即为车损多尺度语义关联特征。这些特征包含了不同尺度特征的语义关联信息，可以更全面地描述车损的特征；如果生成的多尺度语义关联特征维度较高，可以使用降维方法(如主成分分析、线性判别分析等)对特征进行降维，以减少计算复杂度和存储空间；将生成的车损多尺度语义关联特征应用于具体的车损分类、定位或其他相关任务中。可以使用支持向量机、逻辑回归或其他适合任务的分类器进行预测和分析。
特别地，所述维修评估价推荐模块340，用于基于所述车损多尺度语义关联特征，确定推荐的维修评估价。特别地，在一个具体示例中，将所述多尺度车损特征语义关联特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的维修评估价。也就是，利用车辆损伤的多尺度车损语义关联特征信息来进行解码回归，从而进行车辆损伤的鉴定和维修评估价的自动推荐，通过这样的方式，能够根据用户提供的车辆损伤图像，快速准确地给出维修评估价，从而节省了人工检测的时间和成本，提高了维修效率和客户满意度。更具体地，使用所述解码器以如下公式将所述多尺度车损特征语义关联特征向量进行解码回归以获得用于表示推荐的维修评估价的解码值；其中，所述公式为：其中X表示所述多尺度车损特征语义关联特征向量，Y是所述解码值，W是权重矩阵，/>表示矩阵相乘。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述车损多尺度语义关联特征，确定推荐的维修评估价，例如：收集包含车损图像和对应维修评估价值的数据集。确保数据集中的车损图像与多尺度语义关联特征的生成方法相匹配；对于每个车损图像，使用之前所述的金字塔网络和多尺度语义关联编码方法，提取多尺度车损特征语义关联特征向量；使用数据集中的车损图像和对应的维修评估价值，训练一个维修评估价模型。可以使用回归模型(如线性回归、决策树回归等)或深度学习模型(如神经网络)来建立模型；对提取的多尺度车损特征语义关联特征向量进行预处理，例如归一化、标准化或其他必要的处理，以确保特征的统一性和可比性；使用训练好的维修评估价模型，对预处理后的多尺度车损特征语义关联特征向量进行预测，得到推荐的维修评估价；解释推荐的维修评估价，可以通过模型的预测值和实际值之间的差异来评估模型的准确性和性能。
应可以理解，在利用上述神经网络模型进行推断之前，需要对所述基于金字塔网络的图像特征提取器、所述基于全连接层的特征全感知器、所述基于双向长短期记忆神经网络模型的第一车损特征间语义关联编码器、所述基于转换器的第二车损特征间语义关联编码器和所述解码器进行训练。也就是说，根据本申请的车损事故管理系统300，还包括训练阶段400，用于对所述基于金字塔网络的图像特征提取器、所述基于全连接层的特征全感知器、所述基于双向长短期记忆神经网络模型的第一车损特征间语义关联编码器、所述基于转换器的第二车损特征间语义关联编码器和所述解码器进行训练。
图3为根据本申请实施例的车损事故管理系统的训练阶段的框图。如图3所示，根据本申请实施例的车损事故管理系统300，包括：训练阶段400，包括：训练图像采集单元410，用于获取训练数据，所述训练数据包括由用户提供的训练车辆损伤图像，以及，所述推荐的维修评估价的真实值；训练车损图像多尺度特征提取单元420，用于将所述训练车辆损伤图像通过所述基于金字塔网络的图像特征提取器以得到多个训练车损特征图，其中，所述多个训练车损特征图具有不同的特征尺度；训练车损图像特征全感知单元430，用于将所述多个训练车损特征图分别通过所述基于全连接层的特征全感知器以得到多个训练车损特征全感知特征向量；训练第一尺度车损特征语义关联编码单元440，用于将所述多个训练车损特征全感知特征向量通过所述基于双向长短期记忆神经网络模型的第一车损特征间语义关联编码器以得到训练第一尺度车损特征语义关联特征向量；训练第二尺度车损特征语义关联编码单元450，用于将所述多个训练车损特征全感知特征向量通过所述基于转换器的第二车损特征间语义关联编码器以得到训练第二尺度车损特征语义关联特征向量；训练多尺度车损语义特征融合单元460，用于融合所述训练第一尺度车损特征语义关联特征向量和所述训练第二尺度车损特征语义关联特征向量以得到训练多尺度车损特征语义关联特征向量；以及，解码损失单元470，用于将所述训练多尺度车损特征语义关联特征向量通过所述解码器以得到解码损失函数值；训练单元480，用于基于所述解码损失函数值并通过梯度下降的方向传播来对所述基于金字塔网络的图像特征提取器、所述基于全连接层的特征全感知器、所述基于双向长短期记忆神经网络模型的第一车损特征间语义关联编码器、所述基于转换器的第二车损特征间语义关联编码器和所述解码器进行训练，其中，在所述训练的每次迭代时，对所述训练多尺度车损特征语义关联特征向量进行基于尺度表征和反演式恢复的特征精度对齐优化。
特别地，在本申请的技术方案中，将所述多个车损特征全感知特征向量通过基于双向长短期记忆神经网络模型的第一车损特征间语义关联编码器后，得到的所述第一尺度车损特征语义关联特征向量可以获得车损图像特征在中距离上下文尺度上的近程-远程双向关联，而将所述多个车损特征全感知特征向量通过基于转换器的第二车损特征间语义关联编码器后，得到的所述第二尺度车损特征语义关联特征向量可以获得车损图像特征的全局上下文关联，所述多尺度车损特征语义关联特征向量就具有了关于所述车损图像特征的特征上下文的中距离-长距离关联表示，也就是，在中距离尺度和长距离尺度上的上下文关联特征表示。但是，这也会导致在所述多尺度车损特征语义关联特征向量的全局尺度上，由于中距离尺度和长距离尺度上的上下文关联特征之间的精度差异，影响所述多尺度车损特征语义关联特征向量通过解码器进行解码回归的训练时的训练效果，由此，本申请的申请人在训练过程中，对所述多尺度车损特征语义关联特征向量，例如记为V进行基于尺度表征和反演式恢复的特征精度对齐，具体表示为：
其中V是所述训练多尺度车损特征语义关联特征向量，fi是所述训练多尺度车损特征语义关联特征向量的第i个位置的特征值，‖V‖0表示所述训练多尺度车损特征语义关联特征向量的零范数，L是所述训练多尺度车损特征语义关联特征向量的长度，且α是权重超参数，fi′是所述优化训练多尺度车损特征语义关联特征向量的第i个位置的特征值。这里，针对基于尺度的对于单参数的高维特征编码与关联特征语义编辑之间的精度矛盾，所述基于尺度表征和反演式恢复的特征精度对齐通过将关联特征语义编辑视为单参数的高维特征编码的反演式嵌入生成，来通过对作为编码表示的特征值配备尺度表征的稀疏分布均衡，并基于向量计数来进行关联细节的反演式恢复，以实现精度差异在训练过程中的自适应对齐，提升所述多尺度车损特征语义关联特征向量通过解码器进行解码回归训练时的训练效果。这样，能够根据用户提供的车辆损伤图像，快速准确地给出维修评估价，从而节省了人工检测的时间和成本，提高了维修效率和客户满意度。
如上所述，根据本申请实施例的车损事故管理系统300可以实现在各种无线终端中，例如具有车损事故管理算法的服务器等。在一种可能的实现方式中，根据本申请实施例的车损事故管理系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该车损事故管理系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该车损事故管理系统300同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该车损事故管理系统300与该无线终端也可以是分立的设备，并且该车损事故管理系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
进一步地，还提供一种车损事故管理方法。
图5为根据本申请实施例的车损事故管理方法的流程图。如图5所示，根据本申请实施例的车损事故管理方法，包括步骤：S1，获取由用户提供的车辆损伤图像；S2，通过基于深度神经网络模型的图像特征提取器对所述车辆损伤图像进行多尺度特征提取以得到多个车损特征图，其中，所述多个车损特征图具有不同的特征尺度；S3，对所述多个车损特征图进行车损特征语义关联编码以得到车损多尺度语义关联特征；S4，基于所述车损多尺度语义关联特征，确定推荐的维修评估价。
综上，根据本申请实施例的车损事故管理方法被阐明，其通过采集用户提供的车辆损伤图像，并在后端引入图像处理和分析算法来进行该车辆损伤图像的分析，以此来进行车辆损伤的鉴定和维修评估价的自动推荐，这样，能够根据用户提供的车辆损伤图像，快速准确地给出维修评估价，从而节省了人工检测的时间和成本，提高了维修效率和客户满意度。
实施例2
在一个具体示例中，在车损事故当事人操作流程下：打开APP，点击全部应用，在交通出行中找到应用界面，点击跳转应用界面首页；点击“车损事故”，进入车损事故案件列表，点击【发生交通事故请点我】进入报案页面；选择车辆数量后，添加对方当事人手机号，即完成案件创建；用户通过提示，进行事故信息采集；双方当事人信息提交后，后台民警收到案件推送，点击对事故信息进行审核；后台民警审核通过之后，双方用户签名确认，在线生成事故责任认定书；当事人在生成责任认定书后，点击【定损理赔】，选择维修厂后，案件保险公司理赔环节。在车损事故民警操作流程下：民警到达案件现场之后，通过进入龙e处，进入车损事故，点击【发生交通事故请点我】，为当事人创建案件；创建案件后，当事人自己可登录应用界面上传资料，民警也可以帮助双方当事人上传；事故案件上传完成，交警对事故责任进行划分，并选择有责任方的违法行为；民警现场处理的案件，不会到后台审核民警哪里去审核，而是直接现场生成认定书，双方确认签字后，点击生成认定书，生成后，交警的流程结束。更具体地，轻微事故使用流程为：打开APP，点击全部应用，在交通出行中找到应用界面-首页；点击“车损事故”，进入车损事故案件列表，点击【发生交通事故请点我】进入报案页面。选择车辆数量后，添加对方当事人手机号，即完成案件创建；用户通过提示，进行事故信息采集；交警审核通过后，会在线生成责任认定书。用户在选择修理厂之后，会将案件信息推送到保险公司后台；保险公司后台指派车损专员；指派专员后，保险公司专员通过小程序收到案件推送，点击进入小程序，查看案件信息，操作及后续的理赔操作。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (9)

1.一种车损事故管理系统，其特征在于，包括：
车辆损伤图像采集模块，用于获取由用户提供的车辆损伤图像；
车损多尺度特征提取模块，用于通过基于深度神经网络模型的图像特征提取器对所述车辆损伤图像进行多尺度特征提取以得到多个车损特征图，其中，所述多个车损特征图具有不同的特征尺度；
车损特征语义关联模块，用于对所述多个车损特征图进行车损特征语义关联编码以得到车损多尺度语义关联特征；
维修评估价推荐模块，用于基于所述车损多尺度语义关联特征，确定推荐的维修评估价。
2.根据权利要求1所述的车损事故管理系统，其特征在于，所述深度神经网络模型为金字塔网络。
3.根据权利要求2所述的车损事故管理系统，其特征在于，所述车损特征语义关联模块，包括：
特征全感知单元，用于将所述多个车损特征图分别通过基于全连接层的特征全感知器以得到多个车损特征全感知特征向量；
车损多尺度语义关联编码单元，用于对所述多个车损特征全感知特征向量进行多尺度语义关联编码以得到多尺度车损特征语义关联特征向量作为所述车损多尺度语义关联特征。
4.根据权利要求3所述的车损事故管理系统，其特征在于，所述车损多尺度语义关联编码单元，包括：
第一尺度车损全感知特征语义关联子单元，用于将所述多个车损特征全感知特征向量通过基于双向长短期记忆神经网络模型的第一车损特征间语义关联编码器以得到第一尺度车损特征语义关联特征向量；
第二尺度车损全感知特征语义关联子单元，用于将所述多个车损特征全感知特征向量通过基于转换器的第二车损特征间语义关联编码器以得到第二尺度车损特征语义关联特征向量；
车损多尺度特征融合单元，用于融合所述第一尺度车损特征语义关联特征向量和所述第二尺度车损特征语义关联特征向量以得到多尺度车损特征语义关联特征向量。
5.根据权利要求4所述的车损事故管理系统，其特征在于，所述维修评估价推荐模块，用于：将所述多尺度车损特征语义关联特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的维修评估价。
6.根据权利要求5所述的车损事故管理系统，其特征在于，还包括用于对所述基于金字塔网络的图像特征提取器、所述基于全连接层的特征全感知器、所述基于双向长短期记忆神经网络模型的第一车损特征间语义关联编码器、所述基于转换器的第二车损特征间语义关联编码器和所述解码器进行训练的训练模块。
7.根据权利要求6所述的车损事故管理系统，其特征在于，所述训练模块，包括：
训练图像采集单元，用于获取训练数据，所述训练数据包括由用户提供的训练车辆损伤图像，以及，所述推荐的维修评估价的真实值；
训练车损图像多尺度特征提取单元，用于将所述训练车辆损伤图像通过所述基于金字塔网络的图像特征提取器以得到多个训练车损特征图，其中，所述多个训练车损特征图具有不同的特征尺度；
训练车损图像特征全感知单元，用于将所述多个训练车损特征图分别通过所述基于全连接层的特征全感知器以得到多个训练车损特征全感知特征向量；
训练第一尺度车损特征语义关联编码单元，用于将所述多个训练车损特征全感知特征向量通过所述基于双向长短期记忆神经网络模型的第一车损特征间语义关联编码器以得到训练第一尺度车损特征语义关联特征向量；
训练第二尺度车损特征语义关联编码单元，用于将所述多个训练车损特征全感知特征向量通过所述基于转换器的第二车损特征间语义关联编码器以得到训练第二尺度车损特征语义关联特征向量；
训练多尺度车损语义特征融合单元，用于融合所述训练第一尺度车损特征语义关联特征向量和所述训练第二尺度车损特征语义关联特征向量以得到训练多尺度车损特征语义关联特征向量；以及
解码损失单元，用于将所述训练多尺度车损特征语义关联特征向量通过所述解码器以得到解码损失函数值；
训练单元，用于基于所述解码损失函数值并通过梯度下降的方向传播来对所述基于金字塔网络的图像特征提取器、所述基于全连接层的特征全感知器、所述基于双向长短期记忆神经网络模型的第一车损特征间语义关联编码器、所述基于转换器的第二车损特征间语义关联编码器和所述解码器进行训练，其中，在所述训练的每次迭代时，对所述训练多尺度车损特征语义关联特征向量进行基于尺度表征和反演式恢复的特征精度对齐优化。
8.根据权利要求7所述的车损事故管理系统，其特征在于，在所述训练的每次迭代时，以如下优化公式对所述训练多尺度车损特征语义关联特征向量进行基于尺度表征和反演式恢复的特征精度对齐优化以得到优化训练多尺度车损特征语义关联特征向量；
其中，所述优化公式为：
其中V是所述训练多尺度车损特征语义关联特征向量，fi是所述训练多尺度车损特征语义关联特征向量的第i个位置的特征值，‖V‖0表示所述训练多尺度车损特征语义关联特征向量的零范数，L是所述训练多尺度车损特征语义关联特征向量的长度，且α是权重超参数，fi′是所述优化训练多尺度车损特征语义关联特征向量的第i个位置的特征值。
9.一种车损事故管理方法，其特征在于，包括：
获取由用户提供的车辆损伤图像；
通过基于深度神经网络模型的图像特征提取器对所述车辆损伤图像进行多尺度特征提取以得到多个车损特征图，其中，所述多个车损特征图具有不同的特征尺度；
对所述多个车损特征图进行车损特征语义关联编码以得到车损多尺度语义关联特征。
CN202311265782.7A 2023-09-26 2023-09-26 车损事故管理系统及其方法 Pending CN117252607A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311265782.7A CN117252607A (zh) 2023-09-26 2023-09-26 车损事故管理系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311265782.7A CN117252607A (zh) 2023-09-26 2023-09-26 车损事故管理系统及其方法

Publications (1)

Publication Number Publication Date
CN117252607A true CN117252607A (zh) 2023-12-19

Family

ID=89134626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311265782.7A Pending CN117252607A (zh) 2023-09-26 2023-09-26 车损事故管理系统及其方法

Country Status (1)

Country Link
CN (1) CN117252607A (zh)

Similar Documents

Publication Publication Date Title
US11373249B1 (en) Automobile monitoring systems and methods for detecting damage and other conditions
CN111553759A (zh) 一种产品信息推送方法、装置、设备及存储介质
CN110751557B (zh) 一种基于序列模型的异常资金交易行为分析方法及系统
CN110852881B (zh) 风险账户识别方法、装置、电子设备及介质
Khajwal et al. Post‐disaster damage classification based on deep multi‐view image fusion
CN112801063B (zh) 神经网络系统和基于神经网络系统的图像人群计数方法
CN115393690A (zh) 一种轻量化神经网络的空对地观测多目标识别方法
CN115099326A (zh) 基于人工智能的行为预测方法、装置、设备及存储介质
Divya et al. Image enhancement and classification of CIFAR-10 using convolutional neural networks
Zhao et al. Pyramid Bayesian method for model uncertainty evaluation of semantic segmentation in autonomous driving
CN112508684B (zh) 一种基于联合卷积神经网络的催收风险评级方法及系统
Qaddour et al. Automatic damaged vehicle estimator using enhanced deep learning algorithm
CN117078007A (zh) 一种融合尺度标签的多尺度风控系统及其方法
CN112232576A (zh) 判决预测方法、装置、电子设备及可读存储介质
CN116310563A (zh) 一种贵金属库存的管理方法及系统
CN116108363A (zh) 基于标签引导的不完备多视图多标签分类方法和系统
CN117252607A (zh) 车损事故管理系统及其方法
CN114819140A (zh) 模型剪枝方法、装置和计算机设备
CN112905713B (zh) 联合罪名预测的涉案新闻重叠实体关系抽取方法
Nag et al. CNN based approach for post disaster damage assessment
CN113487374A (zh) 一种基于5g网络的区块电商平台交易系统
CN116310764B (zh) 一种路面井盖智能检测方法及系统
CN116977021B (zh) 基于大数据的系统对接自动推单方法
CN117057743B (zh) 建筑工程项目咨询费用管理方法及其系统
CN113538199B (zh) 一种基于多层感知卷积和通道加权的图像隐写检测方法

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