KR20190060817A - 이미지 기반의 차량 손상 판정 방법과 장치, 및 전자기기 - Google Patents

이미지 기반의 차량 손상 판정 방법과 장치, 및 전자기기 Download PDF

Info

Publication number
KR20190060817A
KR20190060817A KR1020197012653A KR20197012653A KR20190060817A KR 20190060817 A KR20190060817 A KR 20190060817A KR 1020197012653 A KR1020197012653 A KR 1020197012653A KR 20197012653 A KR20197012653 A KR 20197012653A KR 20190060817 A KR20190060817 A KR 20190060817A
Authority
KR
South Korea
Prior art keywords
damage
image
vehicle
type
automotive part
Prior art date
Application number
KR1020197012653A
Other languages
English (en)
Other versions
KR102270499B1 (ko
Inventor
하이타오 장
주안 쑤
진롱 호우
지안 왕
신 구오
단니 쳉
유에 후
보쿤 우
얀칭 첸
Original Assignee
알리바바 그룹 홀딩 리미티드
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 알리바바 그룹 홀딩 리미티드 filed Critical 알리바바 그룹 홀딩 리미티드
Priority claimed from PCT/US2018/027174 external-priority patent/WO2018191421A1/en
Publication of KR20190060817A publication Critical patent/KR20190060817A/ko
Application granted granted Critical
Publication of KR102270499B1 publication Critical patent/KR102270499B1/ko

Links

Images

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/10—Office automation; Time management
    • 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
    • G06Q50/30—
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • 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)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Technology Law (AREA)
  • Development Economics (AREA)
  • Biodiversity & Conservation Biology (AREA)

Abstract

본 출원은 이미지 기반의 차량 손상 판정 방법과 장치, 및 전자기기를 개시한다. 본 방법은: 자동차 부품에 대응하는 자동차 부품 이미지를 획득하는 단계와; 자동차 부품의 손상 영역과 손상 유형을 판정하기 위해, 구축된 구성부품 손상 식별 모델을 사용하여 자동차 부품 이미지를 체크하는 단계; 및, 자동차 부품의 손상 영역과 손상 유형을 포함하는 정보에 기초하여 자동차 부품에 대한 수리 계획서를 생성하는 단계를 포함한다. 본 출원의 실시예들에 따르면, 차량 손상 판정 처리가 신속하면, 정확하고, 신뢰성있게 수행될 수 있으며, 손상 판정 후에 정비 방안이 사용자에게 신속하게 제공될 수 있음으로 인해, 사용자 서비스 경험이 크게 향상된다.

Description

이미지 기반의 차량 손상 판정 방법과 장치, 및 전자기기
본 출원은 컴퓨터 이미지 데이터 처리 기술에 관한 것으로, 구체적으로는 이미지 기반의 차량 손상 판정 방법, 장치, 및 전자기기에 관한 것이다.
교통사고가 발생하고 나면, 보통 현장에서 처리를 행하고 사진 촬영과 같은 수단에 의해 배상청구(claim)를 위한 증거를 수집하는 보험회사의 조정관(adjuster)을 기다릴 필요가 있다. 최근에는 차량 숫자가 증가함에 따라, 그에 따른 교통사고의 수도 증가하고 있다. 차량에 대한 배상청구 및 손상 판정 서비스는 흔히 현장에서 전문적인 보험회사 직원에 의해 처리될 필요가 있는데, 이는 고비용과, 긴 대기 시간, 및 낮은 효율을 초래할 수 있다.
현재 해당 업계의 소정 처리 방법에서는, 차량의 미리 결정된(旣設定: predetermined) 손상 영역 카테고리를 얻기 위해 교통사고 현장의 이미지를 이용하여 자동 분석이 행해진다. 예를 들어, 출원공개번호가 "CN105678622A"인 "Method and System for Analyzing Vehicle Insurance Claim Picture(차량 보험 배상청구 사진 분석 방법 및 장치)"라는 명칭의 개시에 따르면, 휴대용 단말기에서 업로드된 배상청구 사진을 분석하고, 손상 영역 카테고리를 식별하며, 분석 결과에 기초하여 알림 정보(alert information)를 생성하기 위해 종래의 CNN(convolutional neural network: 컨벌루션 신경망)을 이용하는 알고리즘이 개시되어 있다. 하지만, 이 방법에서는 단지 차량의 전방, 측면, 후방과 같은 손상 영역 카테고리만이 판정될 뿐, 어떠한 구체적인 손상 유형도 식별되지 않는다. 식별된 손상 영역에 대한 알림 정보는 사람이 판정한 손상과 비교를 하고, 보험회사 직원이 손상 판정 및 산정하는데 도움을 줄 수 있는 기준 정보 역할을 할 수 있도록 보험회사 직원에 의해 주로 사용된다. 또한, 이 알고리즘은 CNN(컨벌루션 신경망)에서 통상적으로 사용되는 객체 식별 알고리즘(object identification algorithm)만을 사용한다. 차량 손상에 대한 최종 판정은 여전히 사람에 의해 이루어진다. 그 결과, 노무 및 시간 비용이 상대적으로 높다. 또한, 상이한 보험회사에 따른 차량 손상 승인 기준의 상이성 및 주관성 때문에, 차량 손상 판정 결과가 크게 달라질 수 있으며, 신뢰성이 상대적으로 낮을 수 있다.
본 출원은 손상 영역인 부품 및 자동차 부품의 손상 정도와 같은 구체적인 정보를 신속하면서 정확하고 신뢰성 있게 검출하고, 사용자에게 보다 더 정확하면서 신뢰성 있는 손상 판정 결과와 정비 계획 정보를 제공하며, 신속하면서 효율적으로 차량 손상 판정을 처리함으로써 사용자 서비스 경험을 크게 향상시키기 위한, 이미지 기반의 차량 손상 판정 방법, 장치, 및 전자기기를 제공하는 것을 목적으로 한다.
본 출원에 제시된 이미지 기반의 차량 손상 판정 방법과 장치, 및 전자기기는 이하와 같이 구현된다.
이미지 기반의 차량 손상 판정 방법은: 자동차 부품에 대응하는 자동차 부품 이미지를 획득하는 단계와; 자동차 부품의 손상 영역과 손상 유형을 판정하기 위해, 구축된 구성부품 손상 식별 모델을 사용하여 자동차 부품 이미지를 체크하는 단계; 및, 자동차 부품의 손상 영역과 손상 유형을 포함하는 정보에 기초하여 자동차 부품에 대한 수리 계획서를 생성하는 단계를 포함한다.
제시된 이미지 기반의 차량 손상 판정 장치는: 자동차 부품에 대응하는 자동차 부품 이미지를 획득하도록 구성된 이미지 획득 모듈과; 자동차 부품의 손상 영역과 손상 유형을 판정하기 위해, 구축된 구성부품 손상 식별 모델을 저장하고 이 구성부품 손상 식별 모델을 사용하여 자동차 부품 이미지를 체크하도록 구성된 체크 모듈; 및, 자동차 부품의 손상 영역과 손상 유형을 포함하는 정보에 기초하여 자동차 부품의 수리 계획서를 생성하도록 구성된 손상 판정 처리 모듈을 포함한다.
이미지 기반의 차량 손상 판정 장치가 제시되며, 프로세서 및 이 프로세서에 의해 실행될 수 있는 명령어를 저장하도록 구성된 메모리를 포함하고, 명령어를 실행할 때, 상기 프로세서는: 자동차 부품에 대응하는 자동차 부품 이미지를 획득하는 동작과; 자동차 부품의 손상 영역과 손상 유형을 판정하기 위해, 구축된 구성부품 손상 식별 모델을 사용하여 자동차 부품 이미지를 체크하는 동작; 및, 자동차 부품의 손상 영역과 손상 유형을 포함하는 정보에 기초하여 자동차 부품에 대한 수리 계획서를 생성하는 동작을 구현한다.
컴퓨터 판독 가능 저장 매체가 제시되며, 이 컴퓨터 판독 가능 저장매체는 컴퓨터 명령어를 저장하고, 명령어가 실행될 때: 자동차 부품에 대응하는 자동차 부품 이미지를 획득하는 단계와; 자동차 부품의 손상 영역과 손상 유형을 판정하기 위해, 구축된 구성부품 손상 식별 모델을 사용하여 자동차 부품 이미지를 체크하는 단계; 및, 자동차 부품의 손상 영역과 손상 유형을 포함하는 정보에 기초하여 자동차 부품에 대한 수리 계획서를 생성하는 단계가 구현된다.
전자기기가 제시되며, 프로세서 및 이 프로세서에 의해 실행될 수 있는 명령어를 저장하도록 구성된 메모리를 포함하고, 명령어를 실행할 때, 상기 프로세서는: 자동차 부품에 대응하는 자동차 부품 이미지를 획득하는 동작과; 자동차 부품의 손상 영역과 손상 유형을 판정하기 위해, 구축된 구성부품 손상 식별 모델을 사용하여 자동차 부품 이미지를 체크하는 동작; 및, 자동차 부품의 손상 영역과 손상 유형을 포함하는 정보에 기초하여 자동차 부품에 대한 수리 계획서를 생성하는 동작을 구현한다
본 출원에 제시된 이미지 기반의 차량 손상 판정 방법과 장치, 및 전자기기에 따르면, 보다 포괄적이면서 신뢰성 있게 파손 영역과 파손 유형과 같은 정보를 식별하는 하는 트레이닝 모델(training model)이 구축될 수 있으며, 자동차 부품에 대한 정확하면서 포괄적인 손상 판정에 요구되는 정보를 획득할 수 있도록, 자동차 부품의 손상 영역과 손상 영역에 대응하는 손상 유형이 상기 모델을 이용하여 검출될 수 있다. 또한, 본 출원의 실시예에서는, 보험회사 직원과 차량 소유주에게 현실적인 기준값을 갖는 보다 정확하면서 신뢰성 있는 손상 판정 정보를 제공할 수 있도록, 식별된 손상 영역과 손상 유형을 포함하는 정보를 이용하여 자동차 부품에 대한 수리 계획서가 생성된다. 본 출원의 실시예에서는, 신속하면서, 포괄적이고, 정확하며, 신뢰성 있는 차량 손상 판정 처리에 대한 보험회사 또는 차량 소유주의 요구조건을 충족시키고, 차량 손상 판정 처리 결과의 정확도 및 신뢰도를 향상시키며, 사용자 서비스 경험을 향상시킬 수 있도록, 구체적인 차량 손상 정보, 자동차 부품 가격 라이브러리, 및 정비 처리 방법에 기초하여 수리 계획서가 자동 생성될 수 있다.
본 출원의 실시예에 있어서 또는 기존 기술에 있어서의 기술적 해법을 보다 명료하게 설명하기 위하여, 이하에서는 실시예 또는 기존 기술을 설명하기 위해 첨부된 도면을 간략히 설명한다. 자명하다시피, 이하의 설명의 첨부 도면은 본 출원의 몇몇 실시예를 단지 예시할 뿐이며, 본 기술분야의 통상의 기술자는 별다른 창작 노력 없이 이들 도면에 기초하여 다른 도면들도 또한 유추해 낼 수 있을 것이다.
도 1은 본 출원의 일 실시예에 따른 이미지 기반의 차량 손상 판정 방법의 순서도.
도 2는 본 출원의 다른 실시예에 따른 이미지 기반의 차량 손상 판정 방법의 개략적인 순서도.
도 3은 본 출원의 일 실시예에 따른, 자동차 부품 이미지를 식별하기 위한 신경망(neural network)의 네트워크 구조의 개략도.
도 4는 본 출원의 일 실시예에 따른 이미지 기반의 차량 손상 판정 장치의 개략적인 구조도.
도 5는 본 출원의 일 실시예에 따른 전자기기의 개략적인 구조도.
도 6은 본 출원의 일 실시예에 따른 차량 손상 판정의 처리 시나리오의 개략도.
도 7은 본 개시의 일 실시예에 따른, 차량 수리 계획을 위한 컴퓨터 구현 방법의 일례를 예시하는 순서도.
본 기술분야의 통상의 기술자가 본 출원의 기술적 해법을 보다 잘 이해할 수 있도록 도움을 주기 위해, 이하에서는 본 출원의 실시예에 대한 첨부 도면을 참조하여 본 출원의 실시예에 있어서의 기술적 해법을 명료하면서 온전히 기술한다. 자명하다시피, 설명된 실시예들은 단지 본 출원의 실시예의 일부일 뿐 전부는 아니다. 창작의 노력 없이 본 출원의 실시예들에 기초하여 본 기술분야의 통상의 기술자에 의해 얻어지는 모든 다른 실시예들도 본 출원의 보호 범위 내에 있게 된다.
도 1은 본 출원의 일 실시예에 따른 이미지 기반의 차량 손상 판정 방법의 순서도이다. 본 출원은 이하의 실시예 또는 첨부된 도면에 예시된 방법 동작 단계 또는 장치 구조를 제공하긴 하지만, 본 방법 및 장치는 종래 방식 또는 비창작적인 노력에 기초하여 더 많거나 또는 조합 후에 더 적은 수의 동작 단계 또는 모듈 유닛을 포함할 수도 있다. 논리에 있어서 필수적인 인과관계가 없는 단계들 또는 구조에서는, 이들 단계들의 실행 시퀀스 또는 장치의 모듈 구조가 본 출원의 실시예 또는 첨부된 도면에 예시된 실행 시퀀스 또는 모듈 구조에 국한되지 않는다. 실제 장치, 서버, 또는 단말기 제품 애플리케이션(APPs: 앱)에서는, 본 방법 또는 모듈 구조가 실시예 또는 첨부 도면에 예시된 방법 또는 모듈 구조에 기초하여 순차적으로 또는 병렬로 수행될 수 있다(예를 들면, 병렬 프로세서 또는 멀티 스레드 처리 환경, 또는 심지어는 분산 처리 구현 환경 및 서버 클러스터 구현 환경).
긁힘(scratch) 사고와 같은 기존의 실제 교통사고에서는, 보통 당사자가 현장을 떠날 수 있기 전에 보험회사의 조정관이 현장의 사진을 촬영할 수 있도록 기다릴 필요가 있다. 그래서, 교통체증이 흔히 유발되고, 많은 시간이 소비되며, 손상 판정 결과에 대한 정보를 얻기 위한 시간이 비교적 오래 걸릴 수 있다. 본 출원의 실시예에서는, 교통사고가 발생하면, 관련된 당사자 차량 소유주는 보통 자신의 차량 또는 관련된 다른 차량의 손상 또는 배상청구 상태를 알기를 원한다. 이러한 경우에, 차량 소유주는 증거로서 교통사고 현장의 사진을 촬영할 수 있다. 또한, 신속하면서, 포괄적이고, 정확하며, 신뢰성 있는 손상 판정 처리에 대한 당사자 차량 소유주의 요구를 충족시킬 수 있도록, 촬영한 사진에 기초하여 앱(APP)을 이용하여 차량 손상 및 배상청구 상태 등에 대한 자동 평가가 이루어질 수 있다.
명료함을 위해, 이하의 실시예는 당사자 차량 소유주가 모바일 앱을 사용하여 차량 손상 판정 서비스를 요청하는 특정 적용 시나리오를 이용하여 기술된다. 실시예의 적용 시나리오에서는, 차량 소유주가 교통사고 현장에서 (휴대 전화기와 같은) 모바일 장치를 사용하여 차량의 손상 위치를 사진 촬영하고는, 앱을 사용하여 사진(또는 이미지)을 업로드할 수 있다. 사진을 업로드할 때, 차량 소유주는 차량의 전방 범퍼, 좌측 프런트 도어(좌측 앞쪽 문), 또는 후미등과 같은 자동차 부품에 대한 정보를 선택 또는 입력할 수 있다. 차량 소유주가 업로드한 단일 자동차 부품의 사진을 획득한 후에는, 클라우드 서버(cloud server)가 머신러닝 알고리즘에 기초하여 사진 속의 자동차 부품의 손상 영역 위치 및 손상 유형을 식별할 수 있다. 클라우드 서비스는 그리고 나서 규칙 엔진(rule engine)을 개발하고, 차량 모델, 위치, 및 수리점(repair shop)과 같은 수리 전략 정보에 기초하여 상이한 가격 정책(pricing scheme) 데이터베이스를 호출하고는, 해당 자동차 부품에 대해 적어도 하나의 수리 계획서를 생성한다. 이 수리 계획서는 차량 소유주에게 회신될 수 있으며, 차량 소유주는 차량 손상 판정 결과를 신속하게 획득할 수 있다. 물론, 사용자가 보험회사 직원이면, 수리 계획서는 보험회사로 직접 회신될 수 있거나, 또는 수리 계획서가 곧바로 디스플레이될 수 있다. 하지만, 본 기술분야의 통상의 기술자는 본 해법의 사상이 차량 손상 판정에 대한 다른 구현 시나리오, 예를 들면 보험회사 또는 수리점의 자동 차량 손상 판정이나 4S 가게 또는 다른 서비스 제공업체가 제공하는 셀프서비스 차량 손상 판정 서비스에도 적용할 수 있음을 이해할 것이다.
구체적으로, 일 실시예가 도 1에 도시되어 있다. 본 출원에 따른 이미지 기반의 차량 손상 판정 방법의 일 실시예에서는, 본 방법이 이하의 단계들을 포함할 수 있다.
S1: 자동차 부품에 대응하는 자동차 부품 이미지를 획득한다.
서버가 클라이언트 또는 (보험회사의 서버와 같은) 제3자 서버로부터 단일 자동차 부품의 단일 자동차 부품 이미지를 획득할 수 있다. 본 실시예에서는, 이전의 자동차 부품 이미지들이 자동차 부품의 이미지로 간주될 수 있다. 본 실시예의 자동차 부품 이미지는 시각 효과를 갖는 사진을 일반적으로 지칭하는 다양한 그래픽 또는 이미지의 일반 명칭일 수 있으며, 보통 종이, 음화(negative), 사진, TV, 프로젝터, 또는 컴퓨터 스크린과 같은 매체 상의 사진을 포함할 수 있다. 본 실시예의 적용 시나리오에서는, 자동차 부품 이미지를 업로드할 때, 차량 소유주가 예를 들면 전방 범퍼, 좌측 프런트 도어, 또는 후미등의 자동차 부품 이미지와 같이 자동차 부품 이미지의 구성부품 정보를 지정할 수 있다. 물론, 클라이언트 또는 서버측은 획득된 자동차 부품 이미지에 대응하는 자동차 부품의 정보를 태그(tag)할 수 있다. 자동차 부품은 일반적으로 차량의 구성부품, 예를 들면 전방 범퍼, 좌측 프런트 도어, 또는 후미등이다.
선택적인 실시예에서, 자동차 부품 이미지의 이미지 품질이 미리 결정된 처리 요건에 도달하는지가 또한 판정될 수 있다. 이미지 품질이 상대적으로 낮으면, 예를 들면 사진이 흐릿하고 식별될 수 없으면, 자동차 부품 이미지는 폐기될 수 있으며, 사용자가 사진을 촬영할 때 선명도에 영향을 미치는 초점 및 조명과 같은 요소를 고려하라고 사용자에게 권고하도록 피드백이 모바일 앱에 회신될 수 있다.
S2: 사전 구축된 자동차 부품 손상 식별 모델을 이용하여 자동차 부품 이미지를 파싱(parsing)함으로써 자동차 부품의 손상 영역과 손상 유형을 판정한다.
자동차 부품 이미지를 획득한 후에, 클라우드 서버측은 이미지 내의 자동차 부품의 손상 영역과 손상 유형을 식별하기 위해, 사전 구축된 자동차 부품 손상 식별 모델을 이용하여 자동차 부품 이미지를 파싱할 수 있다. 본 실시예에서의 손상 영역은 일반적으로 자동차에서 손상된 부품이다. 손상된 자동차 부품은 복수의 손상 영역을 포함할 수 있으며, 각각의 손상 영역은 하나의 손상 유형에 대응한다(예를 들면, 심한 긁힘 또는 약간의 변형). 본 실시예에서는, 손상 유형을 식별하기 위해 처리 대상 이미지 내의 손상 영역의 위치 구역이 파싱될 수 있다. 본 실시예의 손상 유형은 가벼운 긁힘, 심한 긁힘, 가벼운 변형, 중간 정도의 변형, 심한 변형, 손상, 및 분해가 요구되는 검사 등과 같은 유형을 포함할 수 있다.
본 실시예에서는, 이미지 내의 자동차 부품의 손상 영역과 손상 유형을 식별하는데 사용되는 구성부품 손상 식별 모델을 사전에 구축하기 위해, 설계된 머신러닝(machine learning) 알고리즘이 사용될 수 있다. 샘플 트레이닝 후에, 구성부품 손상 식별 모델은 자동차 부품 이미지 내의 자동차 부품의 손상 영역과 손상 유형을 식별할 수 있다. 본 실시예에서, 구성부품 손상 식별 모델은 심층 신경망(deep neural network)의 네트워크 모델 또는 변환 네트워크 모델를 사용할 수 있으며, 샘플 이미지 트레이닝 후에 구축된다. 본 출원에 제시된 방법의 다른 실시예에서는, 구성부품 손상 식별 모델이 풀링 계층(pooling layer), 완전 연결 계층(fully connected layer) 등을 참조하여 CNN(convolutional neural network: 컨벌루션 신경망)과 RPN(region proposal network: 지역 제안 네트워크)을 기초로 하여 구축될 수 있다. 그래서, 본 출원의 방법의 다른 실시예에서는, 구성부품 손상 식별 모델이 이하의 것을 포함한다.
S201: 샘플 데이터 트레이닝 후에 컨벌루션 계층과 지역 제안 계층의 네트워크 모델에 기초하여 구축된 심층 신경망.
CNN은 일반적으로 활성화 계층(activation layer)과 같은 다른 계층들을 참조한 컨벌루션 계층을 주로 포함하는 신경망이며, 주로 이미지 식별에 사용된다. 본 실시예의 심층 신경망은 컨벌루션 계층과 (풀링 계층, 데이터 정규화 게층, 및 활성화 계층과 같은) 다른 중요한 계층들을 포함할 수 있으며, RPN을 참조하여 구축된다. CNN은 일반적으로 이미지 처리에 있어서 2차원 이산 컨벌루션 연산(discrete convolution operation)을 인공 신경망과 결합한다. 컨벌루션 연산은 특징을 자동으로 추출하는데 사용될 수 있다. RPN은 (임의의 크기의) 이미지로부터 추출된 특징을 입력으로 사용할 수 있으며(CNN에 의해 추출된 2차원 특징이 사용될 수 있으며), 한 세트의 직사각형 타겟 제안 박스(rectangular target proposal box)를 출력할 수 있다. 각각의 박스는 객체 점수(object score)를 갖는다. 혼동을 피하기 위해, 본 실시예에서는 사용되는 CNN(컨벌루션 신경망)이 컨벌루션 계층(CNN)으로 지칭될 수도 있고, RPN(지역 제안 네트워크)이 지역 제안 계층(RPN)으로 지칭될 수도 있다. 본 출원의 다른 실시예에서는, 구성부품 손상 식별 모델이, 샘플 데이터 트레이닝 후에 CNN 네트워크 또는 RPN 네트워크가 개선된 후에 획득된 변환 네트워크 모델에 기초하여 구축된 심층 CNN을 더 포함할 수 있다.
전술한 실시예에서 사용된 모델과 알고리즘은 동일한 모델 또는 알고리즘을 선택할 수 있다. 구체적으로, 예를 들어 구성부품 손상 식별 모델에서는, CNN과 RPN 기반의 복수의 모델과 변환이 사용될 수 있는데, 예를 들면 고속(Faster) R-CNN, YOLO, 및 Mask-FCN이 있다. CNN은 임의의 CNN 모델, 예를 들면 ResNet, 인셉션(Inception), VGG, 및 이들의 변환을 사용할 수 있다. 일반적으로, 신경망에서의 CNN 부분은 객체 식별에 비교적 우수한 성능을 갖는 개발 네트워크(developed network) 구조, 예를 들면 인셉션 또는 ResNet 네트워크를 사용할 수 있다. ResNet 네트워크를 일례로 사용하는 경우에, 입력이 사진이면, 출력은 손상 카테고리(손상 카테고리는 손상 유형을 판정하는데 사용됨)에 대응하는 손상 영역들을 갖는 복수의 사진 구역들과 신뢰도(신뢰도는 손상 유형의 진본성(authenticity)의 정도를 나타내는 파라미터임)일 수 있다. 고속 R-CNN, YOLO, Mask-FCN 등은 컨벌루션 계층을 포함하는 심층 신경망이며, 본 실시예에 사용될 수 있다. 본 실시예에서 사용된 심층 신경망은 지역 제안 계층과 CNN 계층을 참조하여 자동차 부품 이미지 내에서 손상 영역, 손상 유형, 및 손상 영역의 위치 구역을 검출할 수 있다.
본 출원의 일 실시예에서는, 자동차 부품 이미지 내의 자동차 부품의 손상 영역과 손상 유형을 식별하기 위해 자동차 부품 이미지가 개별 알고리즘 서버를 사용하여 파싱될 수 있음을 주지해야 한다. 예를 들면, 서비스 서버가 자동차 부품의 자동차 부품 이미지를 획득하고 수리 계획서를 출력하도록 구성된다. 알고리즘 서버도 또한 구축된 구성부품 손상 식별 모델을 저장하고, 서비스 서버 상의 자동차 부품 이미지를 파싱 및 식별하며, 자동차 부품의 손상 영역과 손상 유형을 판정하도록 구성될 수 있다. 물론, 전술한 처리는 동일한 서버에 의해서도 또한 행해질 수 있다.
S3: 자동차 부품의 손상 영역과 손상 유형을 포함하는 정보에 기초하여 자동차 부품에 대한 수리 계획서를 생성한다.
자동차 부품의 손상 영역과 손상 유형을 판정하고 난 후에, 알고리즘 서버는 전술한 정보 및 미리 결정된 처리 규칙에 기초하여 자동차 부품에 대한 수리 계획서를 생성할 수 있다. 예를 들면, 제작사 A1의 2016년산 차량 모델 B1의 좌측 전방 패널이 약간 변형되어서 금속 비팅(beating: 가볍게 두드림) 처리가 요구된다; 제작사 A2의 2010년산 차량 모델 B2의 좌측 프런트 도어가 심하게 긁히고 심하게 변형되어 교체 처리가 요구된다; 제작사 A3의 2013년산 차량 모델 B3의 전방 범퍼가 약간 긁혀서 스프레이 페인팅이 요구되고, 검사 등을 위해 좌측 헤드라이트를 분해해야 한다.
본 출원의 방법의 다른 실시예에서는, 차량 손상 판정에 있어서 비용 견적에 대한 사용자의 요구조건을 충족시키기 위해, 사용자가 수리 비용 정보를 알고, 보다 더 적절한 수리 옵션을 선택하며, 사용자 요구조건을 충족하고, 사용자 경험을 향상시킬 수 있도록, 수리 계획서는 자동차 부품 수리에 대한 예상 비용에 관한 정보를 더 포함할 수 있다. 그래서, 본 출원의 방법의 다른 실시예에서는, 본 방법이 이하의 단계를 더 포함할 수 있다.
S300: 자동차 부품의 수리 전략에 대한 정보를 획득한다.
그에 따라, 수리 계획서는 수리 전략에 대응하는 예상 수리 비용을 더 포함할 수 있으며, 예상 수리 비용은 손상 영역, 손상 유형, 자동차 부품의 수리 전략, 수리 전략에 포함된 자동차 부품의 가격, 및 수리 서비스의 비용을 포함하는 정보에 기초하여 산출되는 자동차 부품의 예상 수리 비용이다.
도 2는 본 출원의 방법의 다른 실시예의 개략적인 순서도이다. 구체적인 실시예에서, 계산 규칙은 자동차 부품의 모델, 자동차 부품의 선택된 수리 지점, 수리점(4S 가게 또는 일반 통합 수리점)과 같은 수리 전략에 대한 정보에 기초하여 상이한 가격 라이브러리를 호출하고, 예비 수리 처리 및 그에 따른 예상 수리 비용을 포함하는 자동차 부품에 대한 수리 계획서를 생성하도록 설계될 수 있다. 수리 전략에 대한 정보는 사용자에 의해 선택될 수 있다. 예를 들어, 사용자는 (예를 들면, 시(市) 레벨 또는 지역(district) 레벨의 구분에 기초하여) 수리 지점을 선택하고, 4S 가게 또는 통합 수리점을 선택하며, 자동차 브랜드와 모델을 입력할 수 있다. 그 후에, 알고리즘 서버는 자동차 부픔의 수리 전략 및 식별된 손상 영역과 손상 유형에 대한 정보를 기초로 다음의 수리 계획서를 획득할 수 있다.
제작사 A3의 2013년산 차량 모델 B3의 전방 범퍼가 약간 긁혀서 스프레이 페인팅이 요구되며, 현지 4S 가게에서의 예상 수리 비용은 600 위안 RMB(인민폐)이다.
물론, 다른 실시예에서는 손상된 자동차 부품, 손상 유형, 및 사고 현장의 차량의 손상 정도와 같은 정보가 전통적인 자동차 보험회사의 배상청구 경험에 기초하여 또한 획득될 수 있으며, 4S 가게에서의 수리 시간(hours) 및 비용과 같은 정보를 참조하여 엔진 모듈이 생성된다. 실제 처리에 사용되는 앱(APP)이 자동차 부품의 손상 영역과 손상 유형을 식별하게 되면, 자동차 부품에 대한 손상 판정 결과를 출력하기 위해 엔진 모듈이 호출될 수 있다.
수리 전략에 대한 정보는 수정되거나 대체될 수 있다. 예를 들어, 사용자가 수리를 위해 4S 가게를 선택할 수 있으면, 대응하는 수리 전략과 수리 보고서가 존재하게 된다. 사용자가 수리를 위해 통합 수리점을 선택하게 되면, 다른 대응하는 수리 전략이 존재하며, 다른 수리 보고서가 그에 대응하여 생성된다.
손상 판정은 일반적으로 2가지 정보: 손상 평가와 비용 평가를 포함할 수 있음이 이해되어야 한다. 본 출원의 이 실시예에서는, 자동차 부품에 대한 출력 수리 계획서가 수리 비용에 대한 정보를 포함하지 않으면, 손상 판정은 손상 평가일 수 있다. 자동차 부품에 대한 출력 수리 계획서가 수리 비용에 대한 정보를 포함하면, 손상 평가와 비용 평가 양자 모두가 수행된다. 이들 두 수리 계획서가 차량 손상 판정 처리에 포함된다.
본 출원의 이 실시예에 제시된 이미지 기반의 차량 손상 판정 방법에 따르면, 정확하면서 포괄적인 자동차 부품의 손상 판정에 요구되는 정보를 획득할 수 있도록, 손상 영역 및 손상 유형과 같은 정보를 보다 더 포괄적이면서 신뢰성있게 식별하는 트레이닝 모델이 구축될 수 있으며, 자동차 부품의 손상 영역과 손상 영역에 대응하는 손상 유형이 이 모델을 사용하여 검출될 수 있다. 또한, 본 출원의 이 실시예에서는, 보험회사 직원과 차량 소유주에게 현실적인 기준값을 갖는 보다 정확하면서 신뢰성있는 손상 판정 정보를 제공할 수 있도록, 식별된 손상 영역과 손상 유형을 포함하는 정보를 사용하여 자동차 부품에 대한 수리 계획서가 생성된다. 본 출원의 다른 실시예에서는, 신속하면서, 포괄적이고, 정확하며, 신뢰성있는 차량 손상 판정 처리에 대한 보험회사 또는 차량 소유주의 요구조건을 충족시키고, 차량 손상 판정 처리 결과의 정확도 및 신뢰도를 향상시키며, 사용자 서비스 경험을 향상시킬 수 있도록, 보다 구체적인 차량 손상 정보, 자동차 부품 가격 라이브러리, 및 수리 처리 방법에 기초하여 수리 계획서와 예상 수리 비용이 자동 생성될 수 있다.
다른 실시예의 시나리오에서는, 획득된 자동차 부품 이미지가 복수의 손상 영역들을 포함할 수 있다. 본 출원의 방법의 다른 실시예에서는, 심층 신경망 모델이 각각의 손상 영역과 각 손상 영역의 손상 정도(손상 유형)를 식별하도록 설정될 수 있다. 구체적으로, 일 실시예에서는 현재 처리되는 자동차 부품 이미지가 적어도 2개의 손상 영역들을 포함하면, 구성부품 손상 식별 모델은 다음의 것을 행하도록 구성된다:
S200: 자동차 부품 이미지에 기초하여, 자동차 부품의 손상 영역들 및 이들 손상 영역들에 대응하는 하나 이상의 손상 유형들을 식별한다.
S210: 하나 이상의 손상 유형들 중에서 가장 높은 손상 정도를 갖는 하나의 손상 유형에 대응하는 하나의 손상 영역을 자동차 부품의 손상 영역으로 선택한다. 이에 따라, 가장 높은 손상 정도를 갖는 손상 유형이 자동차 부품의 판정된 손상 유형이 된다.
각 손상 유형은 일반적으로 각각의 수리 계획서에 대응한다. 예를 들어, 심한 변형은 교체에 대응하고, 가벼운 변형은 금속 비팅을 필요로 하며, 가벼운 긁힘은 스프레이 페인팅을 요한다. 사용자에게는, 하나의 구성부품에 대해 결국 하나의 수리 계획서가 출력될 수 있다. 복수의 부품이 손상되었을 때는, 가장 심하게 손상된 부품을 위한 수리 방법이 전체 구성부품에 대한 최종 처리 방법으로 사용된다. 일반적으로, 차량의 자동차 부품은 하나의 온전체로 간주될 수 있다. 자동차 부품의 하나 이상의 영역이 손상되었을 때, 가장 심한 손상을 처리하는 것이 적절하다. 본 실시예에서는, 모든 손상들을 수리하는데 하나의 수리 계획서가 선택될 수 있다. 예를 들면, 하나의 손상 영역의 손상 유형이 심한 손상이면, 교체가 필요하고, 다른 손상 영역의 손상 유형이 가벼운 변형이면, 금속 비팅(metal beating)을 필요로 한다. 이 경우에는, 금속 비팅을 행할 필요없이 교체가 행해질 수 있다.
전술한 실시예에서는, 단일 자동차 부품 이미지 내에서 복수의 손상 영역들이 모델 트레이닝 동안에 식별될 수 있다. 특정 샘플 트레이닝 동안에, 입력으로서 사진이 사용되면, 복수의 사진 구역 및 대응하는 손상 카테고리들이 출력된다. 마킹된 데이터를 사용하여 행해지는 미니 배치 경사 하강법(mini-batch gradient descent) 트레이닝 후에, 선택된 신경망 파라미터가 획득될 수 있다. 예를 들면, mini-batch=32이면, 32개의 트레이닝 사진들이 입력으로 사용된다. 마킹된 데이터는 해당 유형의 구역과 이미지를 마킹하며, 실제 차량 손상 사진을 손으로 마킹함으로써 획득될 수 있다. 신경망의 입력은 사진이며, 출력 구역은 사진 내의 손상 영역들의 숫자와 관련된다. 구체적으로, 예를 들어 하나의 손상 영역이 있으면, 하나의 사진 구역이 출력이 될 수 있고; K개의 손상 영역들이 있으면, K개의 사진 구역들이 출력될 수 있으며; 손상 영역이 없으면, 0개의 사진 구역이 출력된다.
손상 판정 처리에서, 자동차 부품 이미지가 신경망에 입력된다. 복수의 손상 영역들이 있으면, 손상 영역들을 포함하는 복수의 사진 구역들이 검출되고, 사진 구역들이 파싱되며, 사진 구역들의 손상 유형이 판정되고, 사진 구역들에 대응하는 손상 영역들과 손상 유형들이 개별적으로 출력된다. 또한, 본 실시예에서는, 손상 유형들 중에서 가장 높은 손상 정도를 나타내는 손상 유형에 대응하는 손상 영역이 자동차 부품의 손상 영역으로 선택될 수 있다. 따라서, 가장 높은 손상 정도를 갖는 손상 유형이 자동차 부품의 판정된 손상 유형이 된다. 도 3은 본 출원의 일 실시예에 따른 자동차 부품 이미지를 체크하기 위한 신경망의 네트워크 구조를 예시하는 개략도이다.
다른 실시예의 시나리오에서는, 단일 구성부품의 복수의 사진들이 획득되면, 보다 신뢰성있는 결과를 획득할 수 있도록 복수의 사진들의 파싱 결과를 통합할 수 있게, 손상 영역들과 손상 카테고리들이 사진들로부터 개별적으로 검출될 수 있다. 그래서, 본 출원의 방법의 다른 실시예에서는, 자동차 부품의 적어도 2개의 자동차 부품 이미지들이 획득되면, 자동차 부품의 손상 영역과 손상 유형을 판정하기 위한, 구축된 구성부품 손상 식별 모델을 이용한 자동차 부품 이미지의 파싱은 다음의 단계들을 포함한다:
S20: 각 자동차 부품 이미지의 손상 영역과 손상 유형을 판정하기 위해, 구성부품 손상 식별 모델을 사용하여 자동차 부품 이미지들을 개별적으로 체크한다.
S21: 자동차 부품의 손상 영역과 손상 유형을 판정하기 위해, 미리 결정된 규칙에 기초하여, 각 자동차 부품 이미지에 대응한 손상 영역들과 손상 유형들을 파싱한다.
본 방법의 파싱 단계는 맞춤화(customize)될 수 있다. 예를 들면, 각 자동차 부품 이미지의 손상 영역과 손상 유형을 판정하기 위해, 가장 높은 손상 정도를 갖는 손상 유형이 자동차 부품의 출력 손상 유형 및 대응하는 손상 영역으로 선택될 수 있다. 예를 들어, 하나는 측면에서 촬영되고 다른 하나는 정면에서 촬영된, 후방 범퍼의 2개의 사진이 획득되었다고 가정해보자. 정면에서 촬영된 사진을 식별하는 파싱 결과는 후방 범퍼가 그 우측이 가볍게 변형되었다는 것이다. 하지만, 측면에서 촬영된 사진을 식별함으로써 얻어진 파싱 결과는 후방 범퍼가 가벼운 변형보다는 더 심한 손상 유형으로 손상되었다는 것이다. 정면에서 촬영된 사진은 포괄적이지 않으며, 측면에서 촬영된 사진이 후방 범퍼의 보다 더 사실적인 손상 상태를 보여준다. 그래서, 출력 결과가 보다 신뢰성이 있도록, 본 실시예에 제시된 해법을 사용하여 후방 범퍼가 손상되었다는 2개의 사진의 파싱 결과가 통합될 수 있다.
전술한 이미지 기반의 차량 손상 판정 방법에 기초하여, 본 출원은 이미지 기반의 차량 손상 판정 장치를 또한 제시한다. 본 장치는 본 출원에 따른 방법을 사용하는, (분산 시스템을 포함하는) 시스템, 소프트웨어(애플리케이션), 모듈, 컴포넌트, 서버, 클라이언트 등을 포함할 수 있다. 본 장치는 필수 구현 하드웨어를 더 포함할 수 있다. 동일한 발명의 개념에 기초하여, 본 출원의 일 실시예에 따른 장치는 이하의 설명에 기술되어 있다. 문제 해법에 대한 장치의 실시 방식은 방법의 방식과 유사하다. 그래서, 본 출원의 장치의 구체적인 실시예에 대해서는, 방법의 실시예가 참조될 수 있다. 아래에 기술된 "유닛" 또는 "모듈"이라는 용어는 미리 결정된 기능의 소프트웨어 및/또는 하드웨어의 조합으로 구현될 수 있다. 이하의 실시예에 기술된 장치는 바람직하게는 소프트웨어에 의해 구현되지만, 장치는 하드웨어, 또는 소프트웨어와 하드웨어의 조합으로도 또한 구현될 수 있다. 구체적으로, 도 4는 본 출원의 일 실시예에 따른 이미지 기반의 차량 손상 판정 장치의 모듈들의 개략도이다. 도 4에 도시된 바와 같이, 장치는: 자동차 부품에 대응하는 자동차 부품 이미지를 획득하도록 구성된 이미지 획득 모듈(101)과; 자동차 부품의 손상 영역과 손상 유형을 판정하기 위해, 구축된 구성부품 손상 식별 모델을 저장하고 구성부품 손상 식별 모델을 사용하여 자동차 부품 이미지를 체크하도록 구성된 체크 모듈(102); 및, 자동차 부품의 손상 영역과 손상 유형을 포함하는 정보에 기초하여 자동차 부품에 대한 수리 계획서를 생성하도록 구성된 손상 판정 처리 모듈(103)을 포함할 수 있다.
방법을 참조하면, 본 장치는 다른 방식으로도 또한 구현될 수 있다. 예를 들면, 구성부품 손상 식별 모델은 샘플 데이터 트레이닝 후에 컨벌루션 계층과 지역 제안 계층의 네트워크 모델에 기초하여 구축된 심층 신경망일 수 있다. 이와 달리, 본 장치는 수리 전략 획득 모듈을 더 포함할 수 있거나, 자동차 부품의 수리 전략에 대한 정보를 획득하고 예상 수리 비용을 포함하는 수리 계획서를 생성하기 위하여 손상 판정 처리 모듈(103)을 직접 이용할 수 있다. 구체사항에 대해서는, 방법 실시예의 관련 설명을 참조할 수 있으므로, 여기서 다시금 설명되지는 않는다.
본 출원의 방법 또는 장치는 컴퓨터 프로그램과 필수 하드웨어를 사용하여 구현될 수 있으며, 이미지 기반의 차량 손상 판정 결과가 신속하고 신뢰성있게 출력될 수 있도록 디바이스로 구성될 수 있다. 그래서 본 출원은 서버측(server side)에서 사용될 수 있는 이미지 기반의 차량 손상 판정 장치를 또한 제시하며, 프로세서와 이 프로세서에 의해 실행될 수 있는 명령어를 저장하도록 구성된 메모리를 포함할 수 있다. 명령어를 실행할 때, 프로세서는 다음의 동작: 자동차 부품에 대응하는 자동차 부품 이미지를 획득하는 동작과; 자동차 부품의 손상 영역과 손상 유형을 판정하기 위해, 구축된 구성부품 손상 식별 모델을 사용하여 자동차 부품 이미지를 체크하는 동작; 및, 자동차 부품의 손상 영역과 손상 유형을 포함하는 정보에 기초하여 자동차 부품에 대한 수리 계획서를 생성하는 동작을 구현한다.
특정의 실제 처리에서, 본 장치는 GPU(graphics processing unit)와 같은 다른 처리 하드웨어를 더 포함할 수 있다. 전술한 방법에 기술된 바와 같이, 본 장치의 다른 실시예에서는, 명령어를 실행할 때, 프로세서는 다음의 동작: 자동차 부품의 수리 전략에 대한 정보를 획득하는 것을 또한 구현할 수 있다.
그에 따라, 수리 계획서는 수리 전략에 대응하는 예상 수리 비용을 더 포함할 수 있으며, 예상 수리 비용은 자동차 부품의 손상 영역, 손상 유형, 및 수리 전략을 포함하는 정보, 및 수리 전략 내의 자동차 부품의 제품 및/또는 수리 서비스에 대응하는 비용 정보에 기초하여 산출되는 자동차 부품의 예상 수리 비용이다.
본 장치의 다른 실시예에서는, 구축된 구성부품 손상 식별 모델의 명령어가 샘플 데이터 트레이닝 후에 컨벌루션 계층과 지역 제안 계층의 네트워크 모델에 기초하여 구축된 심층 신경망의 명령어를 처리하는 알고리즘을 포함할 수 있다.
본 장치의 다른 실시예에서는, 명령어를 실행할 때, 현재 처리되는 자동차 부품 이미지가 적어도 2개의 손상 영역들을 포함하는 것으로 확인되면, 프로세서는 다음의 동작: 자동차 부품 이미지에 기초하여 자동차 부품의 손상 영역들과 손상 영역들에 대응하는 손상 유형들을 식별하는 동작과; 손상 유형들 중에서 가장 높은 손상 정도를 나타내는 손상 유형에 대응하는 손상 영역을 자동차 부품의 손상 영역으로 선택하는 동작을 구현하도록 구성부품 손상 식별 모델의 명령어를 실행하며, 따라서 가장 높은 손상 정도를 갖는 손상 유형이 자동차 부품의 판정된 손상 유형이 된다.
본 장치의 다른 실시예에서는, 프로세서가 명령어를 실행할 때, 자동차 부품의 적어도 2개의 자동차 부품 이미지들이 획득되면, 자동차 부품의 손상 영역과 손상 유형을 판정하기 위해, 구축된 구성부품 손상 식별 모델을 사용하여 프로세서에 의해 자동차 부품 이미지를 체크하는 단계는: 각 자동차 부품 이미지의 손상 영역과 손상 유형을 판정하기 위해, 구성부품 손상 식별 모델을 이용하여 자동차 부품 이미지들을 개별적으로 체크하는 단계와; 자동차 부품의 손상 영역과 손상 유형의 결과를 판정하기 위해, 미리 결정된 규칙에 기초하여 자동차 부품 이미지들에 대응하는 손상 영역들과 손상 유형들에 대해 통합 선택(combined selection)을 수행하는 단계를 포함한다.
본 출원의 이 실시예에 제시된 이미지 기반의 차량 손상 판정 장치에 따르면, 정확하면서 포괄적인 자동차 부품의 손상 판정에 요구되는 정보를 획득할 수 있도록, 손상 영역 및 손상 유형과 같은 정보를 보다 더 포괄적이면서 신뢰성있게 식별하는 트레이닝 모델이 구축될 수 있으며, 자동차 부품의 손상 영역과 손상 영역에 대응하는 손상 유형이 상기 모델을 사용하여 검출될 수 있다. 또한, 본 출원의 이 실시예에서는, 보험회사 직원과 차량 소유주에게 현실적인 기준값을 갖는 보다 정확하면서 신뢰성있는 손상 판정 정보를 제공할 수 있도록, 식별된 손상 영역과 손상 유형을 포함하는 정보를 사용하여 자동차 부품에 대한 수리 계획서가 생성된다. 본 출원의 다른 실시예에서는, 신속하면서, 포괄적이고, 정확하며, 신뢰성있는 차량 손상 판정 처리에 대한 보험회사 또는 차량 소유주의 요구조건을 충족시키고, 차량 손상 판정 처리 결과의 정확도 및 신뢰도를 향상시키며, 사용자 서비스 경험을 향상시킬 수 있도록, 보다 구체적인 차량 손상 정보, 자동차 부품 가격 라이브러리, 및 수리 처리 방법에 기초하여 수리 계획서와 예상 수리 비용이 자동 생성될 수 있다.
본 출원의 전술한 실시예의 방법 또는 장치는, 본 출원의 실시예들에 기술된 해법의 효과를 실현할 수 있도록, 컴퓨터 프로그램을 사용하여 서비스 로직(service logic)을 구현하고 이 서비스 로직을 저장 매체에 기록할 수 있으며, 저장 매체는 컴퓨터에 의해 판독 및 실행될 수 있다. 그래서 본 출원은 컴퓨터 판독 가능 저장 매체를 또한 제시한다. 컴퓨터 판독 가능 저장 매체는 컴퓨터 명령어를 저장하고, 명령어가 실행될 때 이하의 단계들이 구현된다: 자동차 부품에 대응하는 자동차 부품 이미지를 획득하는 단계; 자동차 부품의 손상 영역과 손상 유형을 판정하기 위해, 구축된 구성부품 손상 식별 모델을 사용하여 자동차 부품 이미지를 체크하는 단계; 및, 자동차 부품의 손상 영역과 손상 유형을 포함하는 정보를 기초로 자동차 부품에 대한 수리 보고서를 생성하는 단계.
컴퓨터 판독 가능 저장 매체는 정보를 저장하도록 구성된 물리적 장치를 포함할 수 있다. 이 장치는 보통 정보가 디지털화된 후에 정보를 전기, 자기, 광 등의 방식으로 저장한다. 본 실시예의 컴퓨터 판독 가능 저장 매체는: 정보를 전기(電氣) 방식으로 저장하는 장치, 예를 들면 RAM 및 ROM과 같은 다양한 메모리와; 정보를 자기(磁氣) 방식으로 저장하는 장치, 예를 들면 하드디스크, 플로피디스크, 자기테이프, 코어 메모리, 버블 메모리, 및 USB 플래시 디스크; 및, 정보를 광(光) 방식으로 저장하는 장치, 예를 들면 CD 또는 DVD를 포함할 수 있다. 물론, 양자(quantum) 메모리 및 그래핀(graphene) 메모리와 같은 다른 판독 가능 저장 매체도 있다.
본 장치와 방법은 신속한 이미지 기반의 차량 손상 판정 처리를 구현하기 위해, 이미지 처리를 위한 전자기기 내에 사용될 수도 있다. 전자기기는 별도의 서버일 수도 있고, 복수의 애플리케이션 서버들을 포함하는 시스템 클러스터일 수도 있고, 또는 분산 시스템의 서버일 수도 있다. 도 5는 본 출원의 일 실시예에 따른 전자기기의 개략적인 구조도이다. 일 실시예에서, 전자기기는 프로세서와 이 프로세서에 의해 실행될 수 있는 명령어를 저장하도록 구성된 메모리를 포함할 수 있다. 명령어를 실행할 때, 프로세서는 다음의 동작: 자동차 부품에 대응하는 자동차 부품 이미지를 획득하는 동작과; 자동차 부품의 손상 영역과 손상 유형을 판정하기 위해, 구축된 구성부품 손상 식별 모델을 사용하여 자동차 부품 이미지를 체크하는 동작; 및, 자동차 부품의 손상 영역과 손상 유형을 포함하는 정보를 기초로 자동차 부품에 대한 수리 계획서를 생성하는 동작을 구현한다.
도 6은 본 출원의 일 실시예에 따른 차량 손상 판정의 처리 시나리오의 개략도이다. 도 6의 클라이언트는 사용자의 휴대용 단말기이며, PC 이거나 다른 구현 시나리오에서는 다른 단말기 디바이스일 수 있다. 본 출원에 제시된 이미지 기반의 차량 손상 판정 방법과 장치 및 전자기기에 따르면, 딥 러닝(deep learning) 기술을 사용하여 손상 영역과 손상 유형이 검출되고, 손상 영역은 이미지 매칭 방법을 사용하여 정확히 위치 파악될 수 있으며, 다중 이미지(multi-image) 체크 결과를 이용함으로써 손상 판정 정확도가 향상될 수 있다. 수리 계획서와 비용 평가를 자동으로 생성할 수 있도록, 이미지 체크 기술, 자동차 부품 가격 라이브러리. 및 수리 규칙이 통합된다. 본 출원의 다른 실시예에서는, 신속하면서, 포괄적이고, 정확하며, 신뢰성있는 차량 손상 판정 처리에 대한 보험회사 또는 차량 소유주의 요구조건을 충족시키고, 차량 손상 판정 처리 결과의 정확도 및 신뢰도를 향상시키며, 사용자 서비스 경험을 향상시킬 수 있도록, 보다 구체적인 차량 손상 정보, 자동차 부품 가격 라이브러리, 및 수리 처리 방법에 기초하여 수리 계획서와 예상 수리 비용이 자동 생성될 수 있다.
전술한 실시예들은 장치, 전자기기, 및 컴퓨터 판독 가능 매체의 몇몇 실시예들을 기술하지만, 방법 또는 장치 실시예들의 관련 설명에 기초하여 다른 방식으로도 또한 구현될 수 있음을 주지해야 한다. 구체사항에 대해서는, 방법 또는 장치 실시예의 관련 설명을 참조하면 된다. 중복을 회피하기 위하여 구체사항은 여기에 기술되지 않는다.
본 출원은 이미지 품질 처리, CNN(convolution neural network), RPN(region proposal network), 및 CNN과 RPN의 조합을 이용하여 생성된 심층 신경망과 같은 데이터 모델 구축 및 데이터 획득, 교환, 계산, 및 판정, 예상 수리 비용의 계산 방법, 및 동일 구성부품의 복수의 자동차 부품 이미지들의 처리 방법에 대한 설명을 포함하지만, 본 출원은 업계 통신 표준, 표준 데이터 모델, 컴퓨터 처리 및 저장 규칙, 또는 본 출원의 실시예들에 기술된 경우를 따르는 것에 국한되지 않는다. 자체 정의 방식으로 또는 실시예들에 기재된 실시예에 기초하여 조금 변경된 몇몇 업계 표준 또는 구현 해법은 동일, 동등, 유사, 또는 변형되지만 예측되는 구현 효과를 또한 구현할 수 있다. 데이터 획득, 저장, 판정, 및 처리의 변경 또는 변형 방법을 이용하여 얻어지는 실시예들도 여전히 본 출원의 선택적인 실시예의 범위 내에 있을 수 있다.
1990년대에는, 기술의 향상이 하드웨어의 향상(예를 들면, 다이오드, 트랜지스터, 또는 스위치와 같은 회로 구조의 향상)인지 소프트웨어의 향상(방법 절차의 향상)인지 명확히 결정지어질 수 있었다. 하지만 기술의 발전에 따라, 오늘날의 많은 방법의 향상은 하드웨어 회로 구조의 직접적인 향상으로 간주될 수 있다. 설계자는 종종 향상된 방법을 하드웨어 회로에 프로그램함으로써 대응하는 하드웨어 회로 구조를 얻는다. 그래서, 방법 절차의 향상이 하드웨어 실체 모듈을 사용하여 구현될 수 없다고 말할 수 없다. 예를 들어, PLD(progrmmable Logic device)(예컨대 FPGA: field programmable gate array)는 일종의 이러한 집적회로이며, 논리 함수(logical function)는 컴포넌트 프로그래밍에 기초하여 사용자에 의해 결정된다. 설계자가 프로그래밍에 의해 디지털 시스템을 PLD에 "통합(integrate)"하며, 그래서 칩 제조업자가 전용 집적회로 칩을 설계 및 제작할 필요가 없다. 또한, 집적회로 칩은 현재 수동으로 제작되지 않으며, 이러한 프로그래밍은 대부분의 경우에 "로직 컴파일러" 소프트웨어를 사용하여 구현된다. 이는 프로그램 개발 및 작성시에 사용되는 소프트웨어 컴파일러와 유사하다. 컴파일링되기를 기다리는 원(original) 코드도 또한 특정 프로그래밍 언어로 작성될 필요가 있다. 이는 HDL(hardware description language: 하드웨어 기술 언어)이라 지칭된다. 단 하나의 HDL이 존재하는 것이 아니라, ABEL(Advanced Boolean Expression Language), AHDL(Altera Hardware Description Language), Confluence(컨플루언스), CUPL(Cornell University Programming Language), HDCal, JHDL(Java Hardware Description Language), Lava, Lola, MyHDL, PALASM, 및 RHDL(Ruby Hardware Description Language)과 같은 복수의 HDL이 있다. VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)과 Verilog(베릴로그)가 현재 가능 흔히 사용된다. 본 기술분야의 통상의 기술자는 논리 방법 절차를 구현하는 하드웨어 회로를 얻기 위해, 방법 절차는 단지 전술한 하드웨어 기술 언어(description language)를 사용하여 논리적으로 프로그램하고 집적회로에 프로그램하면 된다는 것을 또한 이해해야 한다.
컨트롤러는 임의의 적절한 방식으로 구현될 수 있다. 예를 들면, 컨트롤러는 마이크로프로세서, 프로세서, 프로세서(마이크로프로세서)에 의해 실행될 수 있는 컴퓨터 판독 가능 프로그램 코드를 저장한 컴퓨터 판독 가능 매체(예를 들면, 하드웨어 또는 펌웨어), 논리 게이트, 스위치, ASIC(application-specific integrated circuit), PLC(programmable logic controller), 및 임베디드 마이크로컨트롤러의 형태로 구현될 수 있다. 컨트롤러는 다음의 마이크로컨트롤러를 포함하나 이에 국한되지 않는다: ARC 625D, Atmel AT91SAM, Microchip PIC18F26K20, 및 Silicone Labs C8051F320. 메모리 컨트롤러는 메모리의 제어 논리의 일부로 구현될 수 있다. 본 기술분야의 통상의 기술자는 컴퓨터 판독 가능 프로그램 코드만을 사용하여 컨트롤러를 구현하는 것 외에, 컨트롤러가 논리 게이트, 스위치, ASIC, PLC, 임베디드 마이크로컨트롤러 등의 형태로 동일 기능을 구현하도록, 본 방법 단계들이 논리적으로 프로그램될 수 있음을 또한 알고 있다. 그래서, 컨트롤러는 하드웨어 컴포넌트로 간주될 수 있으며, 컨트롤러 내에 포함되어 다양한 기능을 구현하도록 구성된 장치도 또한 하드웨어 컴포넌트의 구조로 간주될 수 있다. 이와 달리, 다양한 기능들을 구현하도록 구성된 장치는 방법을 구현하는 소프트웨어 모듈과 하드웨어 컴포넌트 내의 구조의 양자(兩者) 모두로 간주될 수 있다.
전술한 실시예에 기술된 시스템, 장치, 모듈, 또는 유닛은 컴퓨터 칩 또는 개체에 의해 구체적으로 구현될 수 있거나, 특정 기능을 갖는 제품에 의해 구현될 수 있다. 전형적인 구현 기기는 컴퓨터이다. 구체적으로, 컴퓨터는 PC(personal computer), 랩탑컴퓨터, 차량 탑재 사람-컴퓨터 상호작용 장치, 휴대전화기, 카메라폰, 스마트폰, PDA(personal digital assistant), 미디어 플레이어, 네비게이션 장치, 이메일 장치, 게임콘솔, 태블릿 컴퓨터, 웨어러블 기기, 또는 이들 장치들의 임의의 조합일 수 있다.
본 출원은 실시예 또는 순서도에 기술된 방법 동작 단계들을 제시하지만, 종래의 또는 비창의적인 방법에 따라 더 많거나 더 적은 수의 동작 단계들이 포함될 수도 있다. 실시예에 나열된 단계 시퀀스는 단지 복수의 단계 실행 시퀀스들 중 하나일 뿐이며, 유일한 실행 시퀀스를 나타내지는 않는다. 실제 장치 또는 단말기 제품 실행에 있어서는, 단계들이 실시예 또는 첨부된 도면에 예시된 방법에 기초하여 순차적으로 또는 병렬로 수행될 수 있다(예를 들어, 병렬 프로세서 또는멀티 스레드 처리 환경, 또는 심지어는 분산 데이터 처리 환경). "포함하다(include), "함유하다(contain)"라는 용어 또는 임의의 다른 변형 표현은 일련의 요소들을 포함하는 프로세스, 방법, 제품, 또는 기기가 이들 요소들을 포함할 뿐만 아니라, 명시적으로 열거되지 않은 다른 요소들도 또한 포함하거나, 프로세스, 방법, 제품, 또는 기기에 본질적인 요소들을 더 포함하도록 비배타적으로 포함함을 의미한다. 더 이상의 제한이 없을 때에는, 이들 요소들을 포함하는 프로세스, 방법, 제품, 또는 기기 내에 다른 동일하거나 동등한 요소들이 추가로 포함될 수 있다.
설명의 편의를 위해, 장치를 기능의 측면에서 다양한 모듈들로 나누어 장치가 기술되었다. 물론, 본 출원의 구현시에는 이들 모듈들의 기능들이 하나 이상의 소프트웨어 및/또는 하드웨어로 구현될 수 있거나, 동일 기능을 구현하는 복수의 서브모듈들 또는 서브유닛들이 합동으로 구현될 수 있다. 기술된 장치 실시예는 단지 일례일 뿐이다. 예를 들어, 유닛의 구분은 단지 논리 기능 구분일 뿐이며, 실제 구현에서는 다른 구분일 수도 있다. 예를 들어, 복수의 유닛들 또는 컴포넌트들이 다른 시스템에 결합되거나 통합될 수 있거나, 또는 몇몇 특징은 무시되거나 수행되지 않을 수도 있다. 또한, 도시되거나 논의된 상호 결합 또는 직접 결합 또는 통신 연결은 소정의 인터페이스를 사용하여 구현될 수 있다. 장치들 또는 유닛들 사이의 직접 결합 또는 통신 연결은 전자식, 기계식, 또는 다른 형태로 구현될 수 있다.
본 기술분야의 통상의 기술자는 컴퓨터 판독 가능 프로그램 코드만을 사용하여 컨트롤러를 구현하는 것 외에, 컨트롤러가 논리 게이트, 스위치, ASIC, PLC, 임베디드 마이크로컨트롤러 등의 형태로 동일 기능을 구현하도록, 본 방법 단계들이 논리적으로 프로그램될 수 있음을 또한 알고 있다. 그래서, 컨트롤러는 하드웨어 컴포넌트로 간주될 수 있으며, 컨트롤러 내에 포함되어 다양한 기능을 구현하도록 구성된 장치도 또한 하드웨어 컴포넌트의 구조로 간주될 수 있다. 이와 달리, 다양한 기능들을 구현하도록 구성된 장치는 방법을 구현하는 소프트웨어 모듈과 하드웨어 컴포넌트 내의 구조의 양자 모두로 간주될 수 있다.
본 개시는 본 개시의 실시예들에 따른 방법, 기기(시스템), 및 컴퓨터 판독 가능 제품의 순서도 및/또는 블록도를 참조하여 기술되었다. 컴퓨터 프로그램 명령어들이 순서도들 및/또는 블록도들 내의 각 프로세스 및/또는 블록 및 순서도들 및/또는 블록도들 내의 프로세스들 및/또는 블록들의 조합을 구현하는데 사용될 수 있음을 이해해야 한다. 이들 컴퓨터 프로그램 명령어들은 컴퓨터 또는 임의의 다른 프로그램 가능 데이터 처리기기의 프로세서에 의해 실행되는 명령어들이 순서도들 내의 하나 이상의 프로세스들 및/또는 블록도들 내의 하나 이상의 블록들의 특정 기능을 구현하는 장치를 생성하도록, 범용 컴퓨터, 전용 컴퓨터, 임베디드 프로세서, 또는 머신을 생성하기 위한 임의의 다른 프로그램 가능 데이터 처리기기의 프로세서에 제공될 수 있다.
이들 컴퓨터 프로그램 명령어들은 컴퓨터 판독 가능 메모리에 저장된 명령어들이 명령 장치(instruction apparatus)를 포함하는 아티팩트(artifact)를 생성하도록, 컴퓨터 또는 임의의 다른 프로그램 가능 데이터 처리기기가 특정 방식으로 작동하도록 지시할 수 있는 컴퓨터 판독 가능 메모리에 저장될 수 있다. 명령 장치는 순서도들 내의 하나 이상의 프로세스들 및/또는 블록도들 내의 하나 이상의 블록들의 특정 기능을 구현할 수 있다.
컴퓨터 프로그램 명령어들은 일련의 동작들 또는 단계들이 컴퓨터 또는 다른 프로그램 가능 기기에서 수행되고, 그에 따라 컴퓨터 구현 처리를 생성하도록, 컴퓨터 또는 다른 프로그램 가능 데이터 처리기기에 로딩될 수 있다. 그래서, 컴퓨터 또는 다른 프로그램 가능 기기에서 실행되는 명령어들은 순서도들 내의 하나 이상의 프로세스들 및/또는 블록도들 내의 하나 이상의 블록들의 특정 기능을 구현하는 단계들을 제공한다.
전형적인 구성에서, 컴퓨팅 기기는 하나 이상의 CPU(central processing unit), 입력/출력 인터페이스, 네트워크 인터페이스, 및 메모리를 포함한다.
메모리는 비영구 메모리, RAM(random access memory), 및/또는 컴퓨터 판독 가능 매체의 플래시 메모리(플래시 RAM) 또는 ROM(read-only memory)와 같은 비휘발성 메모리를 포함할 수 있다. 메모리는 컴퓨터 판독 가능 매체의 일례이다.
컴퓨터 판독 가능 매체는 임의의 방식 또는 기술을 사용하여 정보를 저장할 수 있는 영구 매체 및 비영구 매체, 또는 이동형 매체 또는 비이동형 매체를 포함한다. 정보는 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈, 또는 다른 데이터일 수 있다. 컴퓨터 저장 매체는: PRAM(phase change memory), SRAM(static random access memory), DRAM(dynamic random access memory), 다른 유형의 RAM(random access memory), ROM(read-only memory), EEPROM(electrically erasable programmable read-only memory), 플래시 메모리 또는 다른 메모리 기술, CD-ROM(compact disc read-only memory), DVD(digital versatile disc) 또는 광저장장치, 카세트 자기테이프, 테이프 또는 디스크 저장장치 또는 다른 자기 저장장치, 또는 컴퓨팅 기기에 의해 액세스될 수 있는 정보를 저장하도록 구성될 수 있는 임의의 다른 비전송 매체를 포함하나, 이에 국한되지 않는다. 본 명세서에 정의된 바와 같이, 컴퓨터 판독 가능 매체는 일시적 매체(transitory media), 예를 들면 변조 데이터 신호 및 반송파(carrier)는 포함하지 않는다.
본 기술분야의 통상의 기술자는 본 출원의 실시예들이 방법, 시스템, 또는 컴퓨터 프로그램 제품으로 제시될 수 있음을 이해해야 한다. 그래서, 본 출원은 하드웨어 전용 실시예, 소프트웨어 전용 실시예, 또는 소프트웨어와 하드웨어의 조합의 실시예의 형태를 이용할 수 있다. 또한, 본 출원은 컴퓨터 사용 가능 프로그램 코드를 포함하는 하나 이상의 컴퓨터 사용 가능 저장 매체(디스크 메모리, CD-ROM, 광 메모리 등을 포함하나 이에 국한되지 않음)에서 구현되는 컴퓨터 프로그램 제품의 형태를 이용할 수 있다.
본 출원은 컴퓨터에 의해 실행되는 컴퓨터 실행 가능 명령어, 예를 들면 프로그램 모듈의 일반적인 맥락에서 기술될 수 있다. 일반적으로, 프로그램 모듈은 특정 태스크(task)를 실행하거나 또는 특정 추상 데이터 유형을 구현하기 위한, 루틴, 프로그램, 객체, 컴포넌트, 데이터 구조 등을 포함한다. 본 출원은 통신 네트워크를 사용하여 연결된 원격 처리 기기들에 의해 태스크가 수행되는 분산 컴퓨팅 환경에서도 또한 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 저장장치들을 포함하는 로컬 및 원격 컴퓨터 저장 매체 양자 모두에 있을 수 있다.
본 명세서의 실시예들은 모두 실시예들 내의 동일하거나 유사한 부분들에 대해 점진적인 방식으로 기술되고, 이들 실시예들을 참조할 수 있으며, 각 실시예는 다른 실시예들과의 차이점에 초점을 맞추고 있다. 특히, 시스템 실시예는 방법 실시예와 기본적으로 유사하며, 그래서 간략하게 기술된다. 관련 부분에 대해서는, 방법 실시예의 일부 설명을 참조하면 된다. 본 명세서의 설명에서, "일 실시예", "몇몇 실시예", "일례", "구체적인 예" 및 "몇몇 예"와 같은 참조 용어에 대한 기술은, 실시예들 또는 예들을 참조하여 기술된 특정 특징들, 구조들, 재료들, 또는 특성들이 본 출원의 적어도 하나의 실시예 또는 예에 포함되어 있음을 의미한다. 본 명세서에서, 이들 용어의 예시적인 표현은 동일 실시예 또는 예에 대한 것일 필요는 없다. 또한, 기술된 특정 특징들, 구조들, 재료들, 및 특성들은 하나 이상의 실시예 또는 예에서 적절한 방식으로 조합될 수 있다. 게다가, 본 기술분야의 통상의 기술자는 서로 상충되지 않는 한, 본 명세서에 기술된 상이한 실시예들 또는 예들 및 상이한 실시예들 또는 예들의 특성들을 통합하거나 조합할 수 있다.
전술한 설명은 본 출원의 실시예들일 뿐으로, 본 출원을 제한하기 위한 것이 아니다. 본 기술분야의 통상의 기술자에게는, 본 출원이 다양한 수정과 변경을 가질 수 있다. 본 출원의 사상과 원리를 벗어남이 없이 이루어진 임의의 수정, 등가 대체, 및 개선은 본 출원의 특허청구범위의 범위 내에 있게 된다.
도 7은 본 개시의 일 실시예에 따른, 차량 수리 계획서를 생성하기 위한 컴퓨터 구현 방법(700)의 일례를 예시하는 순서도이다. 명료하게 제시하기 위해, 후속 설명은 전체적으로 본 설명의 다른 도면들의 맥락에서 방법(700)을 기술한다. 하지만, 방법(700)은 예를 들어, 임의의 시스템, 환경, 스프트웨어, 및 하드웨어, 또는 시스템, 환경, 소프트웨어, 및 하드웨어의 조합에 의해 적절히 수행될 수 있음이 이해될 것이다. 몇몇 실시예에서는, 방법(700)의 다양한 단계들이 병렬로, 조합 형태로, 루프 형태로, 또는 임의의 순서로 실행될 수 있다.
단계 702에서, 차량 손상 데이터가 수신된다. 차량은 승용차, 트럭, 보트, 열차, 헬리콥터, 및/또는 항공기와 같은 임의의 유형의 개인 또는 공공 차량을 포함할 수 있다. 몇몇 실시예에서는, 차량 손상 데이터가 차량 운전자 또는 차량 소유주 같은 사용자로부터 수신된다. 차량 운전자는 손상 차량이 관련된 사고 현장에서 (휴대 전화기와 같은) 휴대용 기기를 사용하여 차량의 손상 지점의 하나 이상의 사진들(또는 이미지들)을 촬영할 수 있다. 차량 운전자는 사진들을 직접 업로드하거나 또는 사진들을 업로드할 수 있게 차랑 소유주에게 사진들을 전송할 수 있다. 예를 들어, 사용자는 필요한 사진들을 업로드하기 위해 차량 수리를 지원하도록 구성된 애플리케이션에 액세스할 수 있다. 애플리케이션은 대역폭 요건(bandwidth requirements)을 최소화할 수 있도록 전송 데이터의 양을 최소화하기 위해, 이미지들을 자동으로 처리할 수 있도록 구성될 수 있다. 이미지 처리는 손상 식별과 무관한 특징들(예를 들면, 배경 특징)을 삭제하기 위하여 이미지들을 필터링하는 것을 포함할 수 있다. 이미지 처리는 전송 대역폭 요건을 최소화하기 위해 그레이스케일(gray scale) 이미지들로 변환하는 것을 포함할 수 있다. 이미지 처리는 전송 대역폭 요건을 최소화하기 위해 미리 결정된 파일 사이즈로 압축하는 것을 포함할 수 있다. 사진 외에, 사용자는 사용자 식별자(예를 들면, 이름과 패스워드) 및 업로드된 사진들에 연관된 데이터를 제공할 수 있다. 데이터는 손상 자동차 부품의 표시(예를 들면, 차량의 전방 범퍼, 좌측 프런트 도어, 또는 후미등), 차량 소유주, 보험 정보, 손상 차량과 연관된 상대 당사자들의 보험 정보, 사고 상태, 사고 지점 및 시간을 포함할 수 있다. 단계 702에서, 방법(700)은 단계 704로 진행한다.
단계 704에서, 데이터 품질이 허용할만 하며 충분한지 판단하기 위해 차량 손상 데이터가 처리된다. 차량 손상 데이터가 품질 문턱값(threshold) 미만이거나 차량 손상 데이터의 일부가 빠져 있으면, 단계 704로부터 방법은 단계 706으로 진행한다.
사용자에게 추가적인 차량 손상 데이터가 요청된다. 예를 들어, 사용자는 이미지 처리를 가능케 하는 특정 표준에 부합하는 추가적인 사진을 제공하도록 안내받을 수 있다. 몇몇 실시예에서는, 사용자가 업로드된 사진들에 연관된 추가적인 데이터를 제공하도록 안내받을 수 있다. 단계 706에서, 방법(700)은 단계 702로 복귀한다.
자동차 손상 데이터가 품질 문턱값 이상이면, 단계 704로부터 방법은 단계 708로 진행한다. 단계 708에서, 사용자 식별자에 기초하여 사용자 정보를 검색하고, 특정 모델을 기초로 자동차 부품들의 하나 이상의 손상 영역 위치들과 각각의 하나 이상의 손상 유형들을 식별하기 위해, 수신된 차량 손상 데이터가 처리된다. 모델은 이미지 내의 차량 부품의 손상 영역과 손상 유형을 식별하기 위하여, 사전 구축된 차량 부품 손상 식별 모델을 사용하여 차량 이미지를 파싱할 수 있도록, 하나 이상의 이미지 처리 기법을 수행하도록 구성될 수 있다. 손상 영역은 차량의 손상된 부분을 포함한다. 손상된 차량 부품은 복수의 손상 영역들을 포함할 수 있으며, 각 손상 영역은 손상 유형(예를 들면, 심한 긁힘 또는 가벼운 변형)에 대응한다. 몇몇 실시예에서는, 처리 대상 이미지 내의 손상 영역의 위치 구역이 손상 유형을 식별하기 위해 파싱될 수 있다. 손상 유형은 가벼운 긁힘, 심한 긁힘, 가벼운 변형, 중간 정도의 변형, 심한 변형, 손상, 및 분해가 요구되는 검사를 포함할 수 있다. 몇몇 실시예에서는, 가벼운, 중간 정도, 및 심한 손상들을 차별화할 수 있도록 점수(예를 들어, 1, 2, 3)를 사용하여 손상 유형이 정량화될 수 있다. 차량 부품 손상 식별 모델은 도 1 내지 도 3을 참조하여 설명된 바와 같이, 머신러닝 알고리즘, CNN(convolutional neural network), 및 RPN(region proposal network)을 포함할 수 있다. 몇몇 실시예에서는, 손상 식별이 손상의 심각도에 기초하여 손상 랭킹을 생성하는 것을 포함할 수 있다. 예를 들어, 차량이 복수의 손상 영역들을 포함하면, 그 차량의 전체적인 손상은 손상 영역들의 손상 점수를 사용하여 랭킹이 매겨질 수 있다. 단계 708로부터, 방법(700)은 단계 710으로 진행한다.
단계 710에서는, 식별된 손상 영역 위치와 손상 유형에 기초하여 수리 계획서가 생성된다. 수리 계획서는 규칙 엔진을 사용하여 생성될 수 있다. 규칙 엔진은 한 세트의 규칙에 기초하여 식별된 손상을 복원할 수 있는 수리 서비스를 포함하여 손상 차량 부품에 대해 적어도 하나의 수리 계획서를 생성하기 위해, 차량 모델, 위치, 및 이용 가능 수리점에 연관된 수리 전략에 기초하여 상이한 가격 정책 데이터베이스를 호출할 수 있다. 규칙에는 프런트 엔드(front-end) 규칙과 백 엔드(back-end) 규칙이 포함될 수 있다. 프런트 엔드 규칙은 수리 계획서를 결정하는데 필요한 최소 유형의 정보 유형과 같은, 계약 요건을 나타낼 수 있다. 이들 계약 기반의 특징에는 인건비, 특정 작업당 청구 가능 시간, 또는 수리 계획서가 적용되는 임의의 다른 면의 작업이 포함될 수 있다. 백 엔드 규칙은 수리 계획서가 식별된 손상에 부합하는지를 나타낼 수 있다(예를 들면, 전방 충돌의 경우에, 시스템은 수리가 필요한 것으로 표시된 후방 후미등 조립체에는 플래그(flag)를 붙이게 된다). 수리 계획서는 가능한 수리 서비스 및 위치에 대응하는 비용 견적 및 작업시간 견적을 포함할 수 있다. 몇몇 실시예에서, 수리 계획서를 생성하는 것에는 할당 견적서(assignment estimates)를 생성하기 위하여 FNOL(first notice of loss: 손실에 대한 1차 고지) 프로세스의 일부로서 하나 이상의 차량 수리점에 할당 데이터를 전송하는 것이 포함된다. 할당 데이터는 손상 정보, 고객 이름, 연락처 정보, 보험 배상청구 번호, 할당일, 손실 일자, 손실 유형, 손실 유형 상세사항, 현재 차량 위치, 차량이 이송될 장소, 공제 금액, 차량 유형, 연도/메이크/모델, VIN(vehicle identification number), 차량 번호, 견인차 회사 정보, 이전의 손상 정보, 및 차량 안전 상태(운전 가능/운전 불가능)를 포함할 수 있으나 이에 국한되지 않는다. 단계 710에서, 방법(700)은 단계(712)로 진행한다.
단계 712에서, 수리 계획서는 차량과 연관된 사용자 및/또는 보험업자에게 전송된다. 수리 계획서의 전송은 차량 수리를 지원하도록 구성된 애플리케이션에 의해 해석 가능한 수리 계획서 코드를 생성하는 것을 포함할 수 있다. 수리 계획서 코드는 대역폭 요건을 최소화하고 시각화 프로세스의 속도를 높이기 위하여 전송 데이터의 양을 최소화하도록 포맷이 이루어질 수 있다. 애플리케이션은 사용자에게 수리 보고서가 검토 준비가 되었다는 것을 나타내는 알림(alert)을 생성하도록 구성될 수 있다. 애플리케이션은 이 애플리케이션의 GUI(그래픽 사용자 인터페이스) 상에 휴대용 기기의 사용자에게 수리 계획서를 디스플레이하도록 구성될 수 있다. 단계 712에서, 방법(700)은 단계 714로 진행한다.
단계 714에서, 사용자 및/또는 보험업자로부터 수리 계획서의 승인이 수신될 수 있다. 수리 계획서의 승인은 재정상의 책임이 사용자, 보험업자, 및/또는 제3자에 의해 수락되었는지를 보여줄 수 있다. 수리 계획서의 승인은 수리점의 선택 및 제안된 수리 계획서에 열거된 가능한 수리 서비스들 중 적어도 일부를 포함할 수 있다. 수리 계획서의 승인은 수리 계획서를 개시(開始)하기 위한 선호되는 시간을 포함할 수 있다. 단계 714에서, 방법(700)은 단계 716으로 진행한다.
수리 계획서의 승인의 수신에 응답하여, 수리 계획서가 개시된다. 수리 계획서의 개시는 수리 동작을 수행할 수 있도록, 선택된 차량 수리점에 작업 할당 데이터를 전송하는 것을 포함할 수 있다. 차량 수리점과의 통신의 이점은 배상청구 및/또는 수리 동안에 어떠한 정보라도 변경될 때 실시간 업데이트를 제공할 수 있고, 고객을 위해 수리를 신속하게 할 수 있는 능력이다. 단계 716 후에, 방법(700)은 정지한다.
본 개시의 실시예들은 상응하는 데이터 공유 효율을 향상시킬 수 있는 한편, 대역폭 요건을 최소화하고 차량 수리 계획서 생성 프로세스의 속도를 높이기 위하여 전송 데이터의 양을 최소화함으로써 컴퓨팅 리소스(computing resources)를 저감한다.
본 명세서에 기술된 실시예들과 동작들은 본 명세서에 개시된 구조들을 포함하는 디지털 전자 회로로, 또는 컴퓨터 소프트웨어, 펌웨어, 또는 하드웨어로, 또는 이들의 하나 이상의 조합으로 구현될 수 있다. 동작들은 하나 이상의 컴퓨터 판독 가능 저장 장치에 저장되거나 또는 다른 소스들로부터 수신된 데이터에 대해 데이터 처리 장치에 의해 수행되는 동작들로 구현될 수 있다. 데이터 처리 장치, 컴퓨터, 또는 컴퓨팅 기기는, 예로서 프로그램 가능 프로세서, 컴퓨터, SoC(system on a chip), 이들의 복수 또는 조합을 포함하는, 데이터 처리를 위한 장치, 기기, 및 머신을 포함할 수 있다. 본 장치는 전용 논리 회로, 예를 들면, CPU, FPGA(field programmable gate array), 또는 ASIC(application-specific integrated circuit)를 포함할 수 있다. 본 장치는 해당 컴퓨터 프로그램을 위한 실행 환경을 생성하는 코드, 예를 들어 프로세서 펌웨어, 프로토콜 스택, 데이터베이스 관리 시스템, 운영체계(예를 들면, 단일 운영체계 또는 운영체계들의 조합), 크로스 플랫폼 런타임 환경, 버추얼 머신, 이들의 하나 이상의 조합를 구성하는 코드를 또한 포함할 수 있다. 본 장치 및 실행 환경은 웹 서비스, 분산 컴퓨팅 및 그리드 컴퓨팅 인프라스트럭쳐와 같은 다양한 다른 컴퓨팅 모델 인프라스트럭쳐를 실현할 수 있다.
(예를 들면, 프로그램, 소프트웨어, 소프트웨어 애플리케이션, 소프트웨어 모듈, 소프트웨어 유닛, 스크립트, 또는 코드라고도 알려진) 컴퓨터 프로그램은 컴파일러형 또는 해석형 언어, 또는 선언형 또는 절차형 언어를 포함하는 임의의 형태의 프로그램밍 언어로 작성될 수 있으며, 컴퓨팅 환경에서 사용하는데 적합한 독립형 프로그램으로, 또는 모듈, 컴포넌트, 서브루틴, 객체, 또는 다른 유닛으로 포함하는 임의의 형태로 전개(deploy)될 수 있다. 프로그램은 다른 프로그램 또는 데이터를 보유한 파일의 일부(예를 들면, 마크업 언어 문서에 저장된 하나 이상의 스크립트)에, 해당 프로그램 전용의 단일 파일에, 또는 복수의 연계 파일(coordinated files)(예를 들면, 하나 이상의 모듈, 서브프로그램, 또는 코드의 일부를 저장한 파일)에 저장될 수 있다. 컴퓨터 프로그램은 단일 컴퓨터 상에서 또는 한 지점에 배치되거나 또는 복수의 지점에 걸쳐 분산되어 통신 네트워크로 상호 연결된 복수의 컴퓨터 상에서 실행될 수 있다.
컴퓨터 프로그램의 실행을 위한 프로세서는, 예로서 범용 및 전용 마이크로프로세서 양자 모두, 및 임의의 종류의 디지털 컴퓨터의 임의의 하나 이상의 프로세서들을 포함한다. 일반적으로, 프로세서는 ROM 또는 RAM 또는 양자 모두로부터 명령어들과 데이터를 수신하게 된다. 컴퓨터의 필수 요소는 명령어에 따라 동작을 수행하는 프로세서와 명령어와 데이터를 저장하는 하나 이상의 메모리 디바이스이다. 일반적으로, 컴퓨터는 또한 데이터 저장을 위한 하나 이상의 대용량 저장장치를 포함하거나, 이들에 데이터를 송신 또는 수신 또는 송수신하기 위해 동작 가능하게 결합되게 된다. 컴퓨터는 다른 장치, 예를 들면 휴대용 기기, PDA(personal digital assistant), 게임콘솔, GPS 수신기, 또는 휴대용 저장장치에 내장될 수도 있다. 컴퓨터 프로그램 명령어와 데이터를 저장하는데 적합한 디바이스로는, 예로서 반도체 메모리 디바이스, 자기 디스크, 및 자기광 디스크를 포함하는 비휘발성 메모리, 매체, 및 메모리 디바이스가 포함된다. 프로세서와 메모리에는 전용 논리 회로가 부가되거나 또는 프로세서와 메모리가 이에 병합될 수 있다.
휴대용 기기는 핸드셋, UE(user equipment: 사용자 단말기), 휴대 전화기(예를 들면, 스마트폰), 태블릿, 웨어러블 기기(예를 들면, 스마트워치 및 스마트 아이글라스), 인간 신체 내에 임플란트된 기기(예를 들면, 바이오센서, 인공와우 임플란트), 또는 다른 유형의 휴대용 기기를 포함할 수 있다. 휴대용 기기들은 다양한 통신 네트워크(후술함)에 (예를 들면, RF(radio frequency) 신호를 사용하여) 무선으로 통신할 수 있다. 휴대용 기기는 휴대용 기기의 현재 환경의 특성을 판단하는 센서를 포함할 수 있다. 이들 센서들은 카메라, 마이크로폰, 근접 센서, GPS 센서, 동작 센서, 가속도계, 주변광(ambient light) 센서, 수분 센서, 자이로스코프, 나침반, 기압계, 지문 센서, 안면인식 시스템, RF 센서(예를 들면, Wi-Fi 및 휴대전화 무선), 감온 센서, 또는 다른 유형의 센서들을 포함할 수 있다. 예를 들어, 카메라는 이동식 또는 고정식 렌즈를 갖는 전방 또는 후방 카메라와, 플래시, 이미지 센서, 및 이미지 프로세서를 포함할 수 있다. 카메라는 안면 및/또는 홍채 인식을 위해 미세부분을 촬상할 수 있는 메가픽셀 카메라일 수 있다. 카메라는 데이터 프로세서 및 메모리에 저장되거나 원격으로 액세스되는 인증 정보와 함께 안면인식 시스템을 형성한다. 안면인식 시스템 또는 하나 이상의 센서, 예를 들어 마이크로폰, 동작 센서, 가속도계, GPS 센서, 또는 RF 센서가 사용자 인증에 사용될 수 있다.
사용자와의 상호 작용을 제공하기 위해, 실시예들은 디스플레이 장치와 입력 장치, 예를 들면 사용자에게 정보를 디스플레이 하기 위한 LCD(liquid crystal display) 또는 OLED(organic light-emitting diode)/VR(virtual-reality)/AR(augmented reality) 디스플레이, 및 사용자가 컴퓨터에 입력을 제공할 수 있게 해주는 터치스크린, 키보드, 및 포인팅 디바이스를 구비한 컴퓨터 상에서 구현될 수 있다. 다른 종류의 장치도 사용자와의 상호 작용을 제공하는데 사용될 수 있는데: 예를 들어, 사용자에게 제공되는 피드백은 임의의 형태의 감각 피드백, 예를 들면 시각 피드백, 청각 피드백, 또는 촉각 피드백일 수 있으며; 사용자로부터의 입력은 음향, 음성언어(speech), 또는 촉각 입력을 포함하여 임의의 형태로 수신될 수 있다. 또한, 컴퓨터는 사용자에 의해 사용되는 기기에 문서를 송신 및 수신함으로써, 예를 들면 웹 브라우저로부터 수신된 요청에 응답하여 사용자의 클라이언트 기기 상의 웹 브라우저에 웹 페이지를 전송함으로써 사용자와 상호 작용할 수 있다.
실시예들은 임의의 형태 또는 매체의 유선 또는 무선 디지털 데이터 통신(또는 그 조합), 예를 들면 통신 네트워크에 의해 상호 연결된 컴퓨팅 기기를 사용하여 구현될 수 있다. 상호 연결된 기기의 예로는 전형적으로 통신 네트워크를 통하여 상호 작용하며 일반적으로 서로 멀리 떨어진 클라이언트와 서버가 있다. 클라이언트, 예를 들면 휴대용 기기는 그 자체가 서버와, 또는 예를 들면 구매, 판매, 지불, 수여, 송부, 또는 대출 거래(transaction)를 수행하거나 또는 이를 인가하는 서버를 통하여 거래를 수행할 수 있다. 이러한 거래들은 동작과 응답이 시간적으로 근접해 있도록 실시간일 수 있는데; 예를 들어, 개인은 그 동작과 응답이 실질적으로 동시에 발생한다고 인식하며; 개인의 동작에 따른 응답에 걸리는 그 시간차는 1ms(밀리초) 미만이거나 l초 미만이고; 응답은 시스템의 처리 한계를 고려하여 의도적인 지연이 없다.
통신 네트워크의 예로는 LAN(local area network), RAN(radio access network), MAN(metropolitan area network), 및 WAN(wide area network)이 포함된다. 통신 네트워크에는 인터넷 전부 또는 일부, 다른 통신 네트워크, 또는 통신 네트워크들의 조합이 포함될 수 있다. LTE(Long Term Evolution), 5G, IEEE 802, IP(Internet Protocol), 또는 다른 프로토콜 또는 프로토콜들의 조합을 포함하는 다양한 프로토콜 및 표준에 따라 통신 네트워크 상에서 정보가 전송될 수 있다. 통신 네트워크는 연결된 컴퓨팅 기기들 사이에서 음성, 비디오, 바이오메트릭, 또는 인증 데이터, 또는 다른 정보를 전송할 수 있다.
개별 실시예로 기술된 특징들이 조합 형태로 단일 실시예로 구현될 수도 있는 한편, 단일 실시예로 기술된 특징들은 개별적으로 또는 임의의 적절한 하부 조합 형태로 복수의 실시예로 구현될 수도 있다. 특성 순서로 기술되고 청구된 동작들을 그 특정 순서가 필수적이라거나, 또는 예시된 모든 동작들이 수행되어야만 하는 것으로 이해되어서는 안 된다(어떤 동작들은 선택적일 수 있다). 적절한 경우에는, 멀티태스킹 또는 병렬 처리(또는 멀티태스킹과 병렬처리의 조합)가 수행될 수도 있다.

Claims (14)

  1. 이미지 기반의 차량 손상 판정 방법에 있어서,
    자동차 부품에 대응하는 자동차 부품 이미지를 획득하는 단계;
    상기 자동차 부품의 손상 영역과 손상 유형을 판정하기 위해, 구축된(constructed) 구성부품(component) 손상 식별 모델을 사용하여 상기 자동차 부품 이미지를 체크하는 단계; 및,
    상기 자동차 부품의 손상 영역과 손상 유형을 포함하는 정보에 기초하여 상기 자동차 부품에 대한 수리 계획서(repair plan)를 생성하는 단계
    를 포함하는, 이미지 기반의 차량 손상 판정 방법.
  2. 제1항에 있어서,
    상기 자동차 부품의 수리 전략(repair strategy)에 대한 정보를 획득하는 단계를 더 포함하고,
    이에 대응하여, 상기 수리 계획서는 상기 수리 전략에 대응하는 예상 수리 비용을 더 포함하며, 상기 예상 수리 비용은, 상기 자동차 부품의 손상 영역, 손상 유형, 및 수리 전략을 포함하는 정보에 기초하여 그리고 상기 수리 전략 내의 자동차 부품의 제품 및/또는 수리 서비스에 대응하는 비용 데이터의 질의(query) 후에 계산된, 상기 자동차 부품의 예상 수리 비용인 것인, 이미지 기반의 차량 손상 판정 방법.
  3. 제1항에 있어서,
    상기 구성부품 손상 식별 모델은:
    샘플 데이터 트레이닝 후에 그리고 컨벌루션 신경망(convolutional neural network)과 지역 제안 네트워크(region proposal network)를 포함하는 네트워크 모델을 기초로 구축된 심층 신경망(deep neural network)을 포함하는 것인, 이미지 기반의 차량 손상 판정 방법.
  4. 제3항에 있어서,
    상기 구성부품 손상 식별 모델은:
    입력으로서 자동차 부품 이미지를 수신하고;
    손상 영역을 포함하는 하나 이상의 이미지 구역을 검출하며;
    검출된 이미지 구역을 파싱(parsing)하고;
    상기 이미지 구역의 손상 유형을 판정하며;
    출력으로서 상기 이미지 구역에 대응하는 하나 이상의 손상 영역과 손상 유형을 생성하도록 구성되는 것인, 이미지 기반의 차량 손상 판정 방법.
  5. 제4항에 있어서,
    복수의 상기 이미지 구역들의 개수는 상기 자동차 부품 이미지 내의 손상 영역의 개수와 관련되는 것인, 이미지 기반의 차량 손상 판정 방법.
  6. 제3항 내지 제5항 중 어느 한 항에 있어서,
    샘플 데이터 트레이닝은 마킹된 데이터를 사용하여 미니 배치 경사 하강법(mini-batch gradient descent) 트레이닝을 수행하는 것을 포함하고,
    상기 마킹된 데이터는 대응하는 손상 유형의 마킹된 손상 구역을 갖는 이미지를 포함하는 것인, 이미지 기반의 차량 손상 판정 방법.
  7. 제2항 내지 제6항 중 어느 한 항에 있어서,
    현재 처리되는 자동차 부품 이미지가 적어도 2개의 손상 영역을 갖는 것이 확인되면, 구성부품 손상 식별 모델은:
    상기 자동차 부품 이미지에 기초하여, 상기 자동차 부품의 손상 영역과 상기 손상 영역에 대응하는 손상 유형을 식별하고;
    상기 손상 유형 내에 있고 가장 높은 손상 정도를 나타내는 손상 유형에 대응하는 손상 영역을 상기 자동차 부품의 손상 영역으로 선택하도록 구성되며,
    이에 대응하여, 상기 가장 높은 손상 정도를 갖는 손상 유형이 상기 자동차 부품의 판정된 손상 유형이 되는 것인, 이미지 기반의 차량 손상 판정 방법.
  8. 제7항에 있어서,
    상기 자동차 부품의 적어도 2개의 자동차 부품 이미지가 획득되면, 상기 자동차 부품의 손상 영역과 손상 유형을 판정하기 위해, 구축된 구성부품 손상 식별 모델을 사용하여 상기 자동차 부품 이미지를 체크하는 단계는:
    각 자동차 부품 이미지의 손상 영역과 손상 유형을 판정하기 위해, 상기 구성부품 손상 식별 모델을 사용하여 상기 자동차 부품 이미지를 개별적으로 체크하는 단계; 및
    상기 자동차 부품의 손상 영역과 손상 유형의 결과를 판정하기 위해, 미리 결정된 규칙에 기초하여 상기 자동차 부품 이미지에 대응하는 손상 영역과 손상 유형에 대해 통합 선택(combined selection)을 수행하는 단계를 포함하는 것인, 이미지 기반의 차량 손상 판정 방법.
  9. 제8항에 있어서,
    상기 자동차 부품의 손상 영역과 손상 유형의 결과를 판정하는 것은 가장 높은 손상 정도를 갖는 자동차 부품의 손상 유형 및 대응하는 손상 영역을 출력으로 선택하는 것을 포함하는 것인, 이미지 기반의 차량 손상 판정 방법.
  10. 제1항에 있어서,
    획득된 자동차 부품 이미지는 상기 자동차 부품 이미지에 대응하는 자동차 부품의 태그 정보를 포함하며, 상기 태그 정보는 자동차의 구성부품을 지정하는(specifying) 것인, 이미지 기반의 차량 손상 판정 방법.
  11. 제1항에 있어서,
    획득된 자동차 부품 이미지의 품질이 미리 결정된 처리 요건에 도달하는지를 판정하는 단계
    를 더 포함하는, 이미지 기반의 차량 손상 판정 방법.
  12. 제1항에 있어서,
    손상 유형은 가벼운 긁힘, 심한 긁힘, 가벼운 변형, 중간 정도의 변형, 심한 변형, 손상, 및 분해가 요구되는(disassembling-required) 검사를 포함하는 것인, 이미지 기반의 차량 손상 판정 방법.
  13. 차량 손상 판정 장치에 있어서,
    프로세서; 및
    상기 프로세서에 의해 실행될 수 있는 명령어를 저장하도록 구성된 메모리
    를 포함하며,
    상기 명령어를 실행할 때, 상기 프로세서는 제1항 내지 제12항 중 어느 한 항의 방법에 따른 동작을 구현하는 것인, 차량 손상 판정 장치.
  14. 컴퓨터 판독 가능 저장 매체에 있어서,
    컴퓨터 명령어를 저장하며, 상기 컴퓨터 명령어가 실행될 때, 제1항 내지 제12항 중 어느 한 항의 방법에 따른 단계가 구현되는 것인, 컴퓨터 판독 가능 저장 매체.
KR1020197012653A 2017-04-11 2018-04-11 이미지 기반의 차량 손상 판정 방법과 장치, 및 전자기기 KR102270499B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
CN201710233657.6 2017-04-11
CN201710233657.6A CN107392218B (zh) 2017-04-11 2017-04-11 一种基于图像的车辆定损方法、装置及电子设备
US15/950,660 US20180293664A1 (en) 2017-04-11 2018-04-11 Image-based vehicle damage determining method and apparatus, and electronic device
US15/950,660 2018-04-11
PCT/US2018/027174 WO2018191421A1 (en) 2017-04-11 2018-04-11 Image-based vehicle damage determining method, apparatus, and electronic device

Publications (2)

Publication Number Publication Date
KR20190060817A true KR20190060817A (ko) 2019-06-03
KR102270499B1 KR102270499B1 (ko) 2021-06-30

Family

ID=60338712

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197012653A KR102270499B1 (ko) 2017-04-11 2018-04-11 이미지 기반의 차량 손상 판정 방법과 장치, 및 전자기기

Country Status (8)

Country Link
US (2) US20180293664A1 (ko)
EP (1) EP3520051A1 (ko)
JP (2) JP6859505B2 (ko)
KR (1) KR102270499B1 (ko)
CN (1) CN107392218B (ko)
PH (1) PH12019500977A1 (ko)
SG (1) SG11201903836QA (ko)
TW (1) TWI726194B (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021002549A1 (ko) * 2018-12-31 2021-01-07 주식회사 애자일소다 딥러닝 기반의 자동차 부위별 파손정도 자동 판정 시스템 및 방법
KR20210059207A (ko) * 2019-11-15 2021-05-25 주식회사 세븐미어캣 인공지능 기반의 주차장 공유 시스템
WO2021201349A1 (ko) * 2020-04-02 2021-10-07 주식회사 애자일소다 차량의 손상 분석 시스템 및 방법
KR20220029929A (ko) * 2020-09-02 2022-03-10 주식회사 디메타 (D-meta,corp.) 차량 관리 보조 방법 및 차량 관리 보조 장치
KR20220029931A (ko) * 2020-09-02 2022-03-10 주식회사 디메타 (D-meta,corp.) 차량 손상 관리 방법 및 차량 손상 관리 장치
KR102531372B1 (ko) * 2022-05-24 2023-05-10 송현우 차량 수리 정보 제공 시스템
KR102554208B1 (ko) * 2022-03-16 2023-07-10 양석원 차량 오염도 분석 기반 세차 서비스 제공 방법 및 시스템
US11861665B2 (en) 2022-02-28 2024-01-02 Concat Systems, Inc. Artificial intelligence machine learning system for classifying images and producing a predetermined visual output

Families Citing this family (83)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392218B (zh) 2017-04-11 2020-08-04 创新先进技术有限公司 一种基于图像的车辆定损方法、装置及电子设备
CN107403424B (zh) 2017-04-11 2020-09-18 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、装置及电子设备
CN110998655B (zh) * 2017-07-25 2023-10-20 富士胶片株式会社 损伤图创建方法、损伤图创建装置、损伤图创建系统及记录介质
CN107977895A (zh) * 2017-12-08 2018-05-01 北京小米移动软件有限公司 车辆损毁信息的确定方法、装置及用户设备
CN108205758A (zh) * 2017-12-12 2018-06-26 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
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
CN108197658B (zh) * 2018-01-11 2020-08-14 阿里巴巴集团控股有限公司 图像标注信息处理方法、装置、服务器及系统
CN108399382A (zh) * 2018-02-13 2018-08-14 阿里巴巴集团控股有限公司 车险图像处理方法和装置
CN108550080A (zh) * 2018-03-16 2018-09-18 阿里巴巴集团控股有限公司 物品定损方法及装置
CN110634120B (zh) * 2018-06-05 2022-06-03 杭州海康威视数字技术股份有限公司 一种车辆损伤判别方法及装置
CN108985343B (zh) * 2018-06-22 2020-12-25 深源恒际科技有限公司 基于深度神经网络的汽车损伤检测方法和系统
CN109101610A (zh) * 2018-08-03 2018-12-28 百度在线网络技术（北京）有限公司 用于ar场景的车辆定损方法、装置、设备及存储介质
GB201813348D0 (en) * 2018-08-15 2018-09-26 So Sure Ltd Assessing condition of real-world objects
CN110570513B (zh) * 2018-08-17 2023-06-20 创新先进技术有限公司 一种展示车损信息的方法和装置
CN109242006A (zh) * 2018-08-23 2019-01-18 阿里巴巴集团控股有限公司 基于车型分类的识别车辆损伤的方法及装置
CN110569856B (zh) * 2018-08-24 2020-07-21 阿里巴巴集团控股有限公司 样本标注方法及装置、损伤类别的识别方法及装置
CN109062220B (zh) * 2018-08-31 2021-06-29 创新先进技术有限公司 控制终端运动的方法和装置
CN110569696A (zh) * 2018-08-31 2019-12-13 阿里巴巴集团控股有限公司 用于车辆部件识别的神经网络系统、方法和装置
CN110570317B (zh) * 2018-08-31 2023-06-20 创新先进技术有限公司 用于车辆核损的方法及装置
CN110569837B (zh) * 2018-08-31 2021-06-04 创新先进技术有限公司 优化损伤检测结果的方法及装置
CN110567728B (zh) * 2018-09-03 2021-08-20 创新先进技术有限公司 用户拍摄意图的识别方法、装置及设备
CN109271908B (zh) * 2018-09-03 2022-05-13 创新先进技术有限公司 车损检测方法、装置及设备
CN110569864A (zh) * 2018-09-04 2019-12-13 阿里巴巴集团控股有限公司 基于gan网络的车损图像生成方法和装置
CN110570435B (zh) * 2018-09-10 2020-06-26 阿里巴巴集团控股有限公司 用于对车辆损伤图像进行损伤分割的方法及装置
CN110570389B (zh) * 2018-09-18 2020-07-17 阿里巴巴集团控股有限公司 车辆损伤识别方法及装置
JPWO2020071559A1 (ja) * 2018-10-05 2021-10-07 Ａｒｉｔｈｍｅｒ株式会社 車両状態判定装置、その判定プログラムおよびその判定方法
CN109359676A (zh) * 2018-10-08 2019-02-19 百度在线网络技术（北京）有限公司 用于生成车辆损伤信息的方法和装置
CN109900702A (zh) * 2018-12-03 2019-06-18 阿里巴巴集团控股有限公司 车辆损伤检测的处理方法、装置、设备、服务器和系统
CN110045382A (zh) * 2018-12-03 2019-07-23 阿里巴巴集团控股有限公司 车辆损伤检测的处理方法、装置、设备、服务器和系统
US20200194108A1 (en) 2018-12-13 2020-06-18 Rutgers, The State University Of New Jersey Object detection in medical image
CN109670545B (zh) * 2018-12-13 2023-08-11 北京深智恒际科技有限公司 由粗到细的车辆图像定损方法
US11989710B2 (en) 2018-12-19 2024-05-21 Ecoatm, Llc Systems and methods for vending and/or purchasing mobile phones and other electronic devices
US11741763B2 (en) * 2018-12-26 2023-08-29 Allstate Insurance Company Systems and methods for system generated damage analysis
CN110569701B (zh) * 2018-12-29 2020-08-07 阿里巴巴集团控股有限公司 计算机执行的车辆定损方法及装置
CN109741197A (zh) * 2019-01-03 2019-05-10 济南浪潮高新科技投资发展有限公司 一种基于深度学习的交通事故自助定损系统
CN109784489B (zh) * 2019-01-16 2021-07-30 北京大学软件与微电子学院 基于fpga的卷积神经网络ip核
US10430691B1 (en) * 2019-01-22 2019-10-01 StradVision, Inc. Learning method and learning device for object detector based on CNN, adaptable to customers' requirements such as key performance index, using target object merging network and target region estimating network, and testing method and testing device using the same to be used for multi-camera or surround view monitoring
KR20210127199A (ko) * 2019-02-18 2021-10-21 에코에이티엠, 엘엘씨 전자 디바이스의 신경망 기반의 물리적 상태 평가, 및 관련된 시스템 및 방법
CN110033386B (zh) * 2019-03-07 2020-10-02 阿里巴巴集团控股有限公司 车辆事故的鉴定方法及装置、电子设备
CN110263615A (zh) * 2019-04-29 2019-09-20 阿里巴巴集团控股有限公司 车辆拍摄中的交互处理方法、装置、设备及客户端
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
CN110135437B (zh) * 2019-05-06 2022-04-05 北京百度网讯科技有限公司 用于车辆的定损方法、装置、电子设备和计算机存储介质
DE102019112289B3 (de) * 2019-05-10 2020-06-18 Controlexpert Gmbh Verfahren zur Schadenserfassung bei einem Kraftfahrzeug
JP7462386B2 (ja) * 2019-06-14 2024-04-05 株式会社シマノ 検出装置、検出方法、生成方法、コンピュータプログラムおよび記憶媒体
US11631283B2 (en) * 2019-06-27 2023-04-18 Toyota Motor North America, Inc. Utilizing mobile video to provide support for vehicle manual, repairs, and usage
GB201909578D0 (en) * 2019-07-03 2019-08-14 Ocado Innovation Ltd A damage detection apparatus and method
CN110363238A (zh) * 2019-07-03 2019-10-22 中科软科技股份有限公司 智能车辆定损方法、系统、电子设备及存储介质
CN110398377A (zh) * 2019-07-31 2019-11-01 广州小鹏汽车科技有限公司 信息获取方法及装置、车载终端、车辆和存储介质
CN110598880B (zh) * 2019-09-12 2022-04-19 神华铁路货车运输有限责任公司沧州机车车辆维修分公司 一种车辆维修工艺操控方法
US11188853B2 (en) * 2019-09-30 2021-11-30 The Travelers Indemnity Company Systems and methods for artificial intelligence (AI) damage triage and dynamic resource allocation, routing, and scheduling
EP4046004A4 (en) * 2019-10-14 2023-06-14 Siemens Industry Software Ltd. GENERATION OF A THREE-DIMENSIONAL (3D) MODEL OF A FACTORY LAYOUT
JP7390856B2 (ja) * 2019-10-25 2023-12-04 損害保険ジャパン株式会社 修理金額算出システム及び修理金額算出方法
CN110992307A (zh) * 2019-11-04 2020-04-10 华北电力大学（保定） 基于yolo的绝缘子定位识别方法及装置
US10977784B1 (en) * 2019-11-26 2021-04-13 The Toronto-Dominion Bank System and method for photo-based estimation with fraud prevention
EP4070251A4 (en) * 2019-12-02 2023-08-30 Click-Ins, Ltd. SYSTEMS, METHODS AND PROGRAMS FOR GENERATING A DAMAGE IMPRINT IN A VEHICLE
JP7015503B2 (ja) * 2019-12-18 2022-02-03 Ａｒｉｔｈｍｅｒ株式会社 貸与対象物管理システム、貸与対象物管理プログラム及び貸与対象物管理方法。
CN111209957B (zh) * 2020-01-03 2023-07-18 平安科技（深圳）有限公司 车辆部件识别方法、装置、计算机设备及存储介质
US11687778B2 (en) 2020-01-06 2023-06-27 The Research Foundation For The State University Of New York Fakecatcher: detection of synthetic portrait videos using biological signals
CN111259821A (zh) * 2020-01-19 2020-06-09 山西国芯科技有限公司 一种基于深度学习的云计算模型方法
CN111311545A (zh) * 2020-01-19 2020-06-19 上海箱云物流科技有限公司 集装箱检测方法、装置及计算机可读存储介质
CN111259969A (zh) * 2020-01-19 2020-06-09 上海钧正网络科技有限公司 一种报障识别方法、装置、服务器及介质
US20210241208A1 (en) * 2020-01-31 2021-08-05 Capital One Services, Llc Method and system for identifying and onboarding a vehicle into inventory
CN111368752B (zh) * 2020-03-06 2023-06-02 德联易控科技(北京)有限公司 车辆损伤的分析方法和装置
CN113505624A (zh) * 2020-03-23 2021-10-15 虹软科技股份有限公司 车辆定损方法、车辆定损装置及应用其的电子设备
CN113496242A (zh) * 2020-04-07 2021-10-12 华晨宝马汽车有限公司 对车辆的损伤部位进行分类的方法和设备
CN111680746B (zh) * 2020-06-08 2023-08-04 平安科技（深圳）有限公司 车损检测模型训练、车损检测方法、装置、设备及介质
US11922467B2 (en) 2020-08-17 2024-03-05 ecoATM, Inc. Evaluating an electronic device using optical character recognition
CN111932902B (zh) * 2020-08-18 2021-03-26 明觉科技（北京）有限公司 一种车辆维修监控系统及方法
WO2022108844A1 (en) * 2020-11-17 2022-05-27 Fyusion, Inc. Multi-view visual data damage detection
US11494820B2 (en) 2020-12-14 2022-11-08 Toyota Motor North America, Inc. Augmented reality automotive accessory customer collaborative design and manufacturing through 3D printing
CN112446513A (zh) * 2020-12-15 2021-03-05 恒大恒驰新能源汽车研究院(上海)有限公司 车辆零部件检测方法及装置、计算机可读存储介质
US11488371B2 (en) 2020-12-17 2022-11-01 Concat Systems, Inc. Machine learning artificial intelligence system for producing 360 virtual representation of an object
CN112862702B (zh) * 2021-01-18 2023-10-31 平安科技（深圳）有限公司 图像增强方法、装置、设备及存储介质
US11971953B2 (en) 2021-02-02 2024-04-30 Inait Sa Machine annotation of photographic images
WO2022175044A1 (en) 2021-02-18 2022-08-25 Inait Sa Annotation of 3d models with signs of use visible in 2d images
US11544914B2 (en) 2021-02-18 2023-01-03 Inait Sa Annotation of 3D models with signs of use visible in 2D images
CN113326954B (zh) * 2021-06-25 2023-07-07 中国平安财产保险股份有限公司 车辆维修任务调度方法、装置、设备及存储介质
CN113378483A (zh) * 2021-07-12 2021-09-10 广东电网有限责任公司 一种电网数据的预警方法、装置、设备及存储介质
WO2023070154A1 (en) * 2021-10-26 2023-05-04 Cycle Inspect Services Pty Ltd Computer assisted inspection and modelling of fibre-reinforced plastic bicycle frames
US11922378B2 (en) * 2021-12-10 2024-03-05 Tekion Corp Machine learning based vehicle service recommendation system
TWI781074B (zh) * 2022-05-20 2022-10-11 東元電機股份有限公司 利用影像辨識進行側邊跟隨之自動跟隨車
CN114943884B (zh) * 2022-06-10 2022-11-18 慧之安信息技术股份有限公司 基于深度学习的设备保护方法
WO2024106894A1 (ko) * 2022-11-16 2024-05-23 민팃(주) 전자 기기 무인 매입 장치 및 이를 이용한 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003170817A (ja) * 2001-12-05 2003-06-17 Tsubasa System Co Ltd 車輌修理見積方法
JP5321784B2 (ja) * 2008-03-05 2013-10-23 富士ゼロックス株式会社 故障診断装置およびプログラム
KR20160018944A (ko) * 2014-08-07 2016-02-18 주식회사 코리아오토시스템 차량의 사고부위를 인식하여 가견적 리스트를 모바일 장치에서 생성하는 방법
KR20170016778A (ko) * 2015-08-04 2017-02-14 재단법인 아산사회복지재단 심층신경망을 이용한 골 연령 산출방법 및 프로그램

Family Cites Families (77)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7426437B2 (en) * 1997-10-22 2008-09-16 Intelligent Technologies International, Inc. Accident avoidance systems and methods
JPH0981739A (ja) * 1995-09-12 1997-03-28 Toshiba Corp 損害額算出システム及び損傷位置検出装置
US6246954B1 (en) * 1999-01-28 2001-06-12 International Business Machines Corporation Time multiplexed global positioning system for control of traffic lights
US8525723B2 (en) * 1999-06-14 2013-09-03 Escort Inc. Radar detector with navigation function
WO2000077539A1 (en) * 1999-06-14 2000-12-21 Escort Inc. Radar warning receiver with position and velocity sensitive functions
JP2001344163A (ja) 2000-05-31 2001-12-14 Matsushita Electric Ind Co Ltd 信号処理装置、媒体および情報集合体
US20020007289A1 (en) * 2000-07-11 2002-01-17 Malin Mark Elliott Method and apparatus for processing automobile repair data and statistics
US6636792B2 (en) * 2000-09-29 2003-10-21 Siemens Vdo Automotive Corporation Weight classification system
JP2002183338A (ja) * 2000-12-14 2002-06-28 Hitachi Ltd 損害評価方法および情報処理装置ならびに記憶媒体
US8280345B2 (en) * 2000-12-22 2012-10-02 Google Inc. LPRF device wake up using wireless tag
US20110068954A1 (en) * 2006-06-20 2011-03-24 Zonar Systems, Inc. Method and apparatus to collect object identification data during operation of a vehicle and analysis of such data
JP2003132170A (ja) * 2001-10-29 2003-05-09 Tsubasa System Co Ltd コンピュータを用いた車輌の修理見積システム
JP2003346021A (ja) * 2002-05-28 2003-12-05 Tsubasa System Co Ltd 車両部品販売支援方法
US8068036B2 (en) * 2002-07-22 2011-11-29 Ohanes Ghazarian Intersection vehicle collision avoidance system
US6826301B2 (en) 2002-10-07 2004-11-30 Infocus Corporation Data transmission system and method
US20040113783A1 (en) * 2002-12-11 2004-06-17 Millennium Information Systems, Llc Container integrity management system
US20040183673A1 (en) * 2003-01-31 2004-09-23 Nageli Hans Peter Portable detachable self-contained tracking unit for two-way satellite communication with a central server
US6969809B2 (en) * 2003-09-22 2005-11-29 Cts Corporation Vehicle seat weight sensor
JP2005107722A (ja) * 2003-09-29 2005-04-21 Kureo:Kk 見積支援プログラム、合見積支援プログラム、見積支援方法、合見積支援方法、見積支援装置および合見積支援装置
US20050108065A1 (en) 2003-11-18 2005-05-19 Dorfstatter Walter A. Method and system of estimating vehicle damage
IT1337796B1 (it) * 2004-05-11 2007-02-20 Fausto Siri Procedimento per il riconoscimento, l'analisi e la valutazione delle deformazioni in particolare in automezzi
JP3839822B2 (ja) 2004-08-11 2006-11-01 株式会社損害保険ジャパン 物流工程における物品の損傷状況分析方法、損傷状況分析システム及び記録媒体
WO2006047266A1 (en) * 2004-10-22 2006-05-04 Agrios, Inc. Systems and methods for automated vehicle image acquisition, analysis, and reporting
US20060103568A1 (en) * 2004-11-18 2006-05-18 Powell Steven W Systems and methods for wirelessly determining vehicle identification, registration, compliance status and location
CN1658559A (zh) 2005-02-22 2005-08-24 刘波 基于因特网的远程实时监控车辆定损系统及其监控方法
US20060267799A1 (en) * 2005-05-09 2006-11-30 Ehud Mendelson Parking detector - a system and method for detecting and navigating to empty parking spaces utilizing a cellular phone application
US7423534B2 (en) * 2006-01-13 2008-09-09 Ford Motor Company Electronic method and system for monitoring containers and products
US7701363B1 (en) * 2007-01-17 2010-04-20 Milan Zlojutro Vehicle tracking and monitoring system
US20080255887A1 (en) 2007-04-10 2008-10-16 Autoonline Gmbh Informationssysteme Method and system for processing an insurance claim for a damaged vehicle
US20080281658A1 (en) 2007-04-23 2008-11-13 Steven Siessman Systems and methods for creating and reviewing vehicle damage repair estimates, and notifying entities of issues relating to manufacturer's warranty or repair content
US8290705B2 (en) * 2007-04-25 2012-10-16 Rio Sisa Idea Farm Mobile navigation system with graphic crime-risk display
US8103449B2 (en) * 2008-10-24 2012-01-24 GM Global Technology Operations LLC Configurable vehicular time to stop warning system
US8587649B2 (en) * 2009-04-21 2013-11-19 Create Electronic Optical Co., Ltd. Lane departure warning system
US9536426B2 (en) * 2009-04-23 2017-01-03 Omnitracs, Llc Systems and methods for determining a speed limit violation
US9489782B2 (en) * 2010-07-28 2016-11-08 Hand Held Products, Inc. Collect vehicle performance with a PDT
US8063797B1 (en) * 2010-07-31 2011-11-22 ParkMe LLC Parking information collection system and method
US20120029759A1 (en) * 2010-08-02 2012-02-02 Suh Peter Jung-Min Method of providing vehicle maintenance information and service
CN102376071B (zh) 2010-08-20 2015-03-25 深圳市安致兰德科技有限公司 保险定损移动查勘系统
WO2013093932A2 (en) 2011-09-29 2013-06-27 Tata Consultancy Services Limited Damage assessment of an object
US20140309852A1 (en) 2013-04-15 2014-10-16 Flextronics Ap, Llc Automatic vehicle diagnostic detection and communication
US10580075B1 (en) 2012-08-16 2020-03-03 Allstate Insurance Company Application facilitated claims damage estimation
US8712893B1 (en) * 2012-08-16 2014-04-29 Allstate Insurance Company Enhanced claims damage estimation using aggregate display
US9002719B2 (en) 2012-10-08 2015-04-07 State Farm Mutual Automobile Insurance Company Device and method for building claim assessment
CN103310223A (zh) 2013-03-13 2013-09-18 四川天翼网络服务有限公司 一种基于图像识别的车辆定损系统及方法
FR3007172B1 (fr) 2013-06-12 2020-12-18 Renault Sas Procede et systeme d'identification d'un degat cause a un vehicule
CN104517442A (zh) 2013-10-06 2015-04-15 青岛联合创新技术服务平台有限公司 智能汽车定损装置及其工作方法
TWM478859U (zh) * 2014-01-09 2014-05-21 Han-Wei Chang 人車路交通事故影音自動分析系統
JP6264132B2 (ja) * 2014-03-25 2018-01-24 日産自動車株式会社 車体塗装面の検査装置および検査方法
US20150287130A1 (en) 2014-04-04 2015-10-08 Verc, Inc. Systems and methods for assessing damage of rental vehicle
CN104268783B (zh) 2014-05-30 2018-10-26 翱特信息系统（中国）有限公司 车辆定损估价的方法、装置和终端设备
US9307234B1 (en) 2014-07-23 2016-04-05 American Express Travel Related Services Company, Inc. Interactive latency control with lossless image optimization
US20160239922A1 (en) 2015-02-17 2016-08-18 Raymond Jimenez System and method of real-time imaging and analysis of real-world objects
GB201517462D0 (en) 2015-10-02 2015-11-18 Tractable Ltd Semi-automatic labelling of datasets
CN105488576A (zh) * 2015-12-03 2016-04-13 小米科技有限责任公司 汽车维修费用确定方法和装置
CN105678622A (zh) * 2016-01-07 2016-06-15 平安科技（深圳）有限公司 车险理赔照片的分析方法及系统
CN105719188B (zh) 2016-01-22 2017-12-26 平安科技（深圳）有限公司 基于多张图片一致性实现保险理赔反欺诈的方法及服务器
US11144889B2 (en) 2016-04-06 2021-10-12 American International Group, Inc. Automatic assessment of damage and repair costs in vehicles
CN105956667B (zh) 2016-04-14 2018-09-25 平安科技（深圳）有限公司 车险定损理赔审核方法及系统
US9886771B1 (en) 2016-05-20 2018-02-06 Ccc Information Services Inc. Heat map of vehicle damage
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
CN106056451A (zh) * 2016-05-27 2016-10-26 大连楼兰科技股份有限公司 基于车辆obd传感器的远程无人定损系统
CN106021548A (zh) * 2016-05-27 2016-10-12 大连楼兰科技股份有限公司 基于分布式人工智能图像识别的远程定损方法及系统
US9870609B2 (en) * 2016-06-03 2018-01-16 Conduent Business Services, Llc System and method for assessing usability of captured images
CN106127747B (zh) 2016-06-17 2018-10-16 史方 基于深度学习的汽车表面损伤分类方法及装置
CN106250812B (zh) * 2016-07-15 2019-08-20 汤一平 一种基于快速r-cnn深度神经网络的车型识别方法
CN106296118A (zh) 2016-08-03 2017-01-04 深圳市永兴元科技有限公司 基于图像识别的车辆定损方法及装置
US20180040039A1 (en) 2016-08-08 2018-02-08 Audatex North America, Inc. Vehicle Component Partitioner
CN106203644A (zh) 2016-08-09 2016-12-07 深圳市永兴元科技有限公司 车辆定损方法和装置
CN106296126A (zh) 2016-08-09 2017-01-04 深圳市永兴元科技有限公司 车险理赔费用预测方法和装置
CN106372651B (zh) 2016-08-22 2018-03-06 平安科技（深圳）有限公司 图片品质的检测方法及装置
CN106370128A (zh) * 2016-11-09 2017-02-01 重庆帅邦机械有限公司 一种汽车零部件定损方法
CN106504248B (zh) 2016-12-06 2021-02-26 成都通甲优博科技有限责任公司 基于计算机视觉的车辆损伤判别方法
US10354383B2 (en) 2016-12-30 2019-07-16 Skinio, Llc Skin abnormality monitoring systems and methods
JP6954741B2 (ja) * 2017-01-13 2021-10-27 株式会社ブロードリーフ 損傷判断装置、並びにこれを用いた期間・スケジュール演算装置及び修理・補修費用演算装置。
CN107403424B (zh) 2017-04-11 2020-09-18 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、装置及电子设备
CN107358596B (zh) 2017-04-11 2020-09-18 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
CN107392218B (zh) 2017-04-11 2020-08-04 创新先进技术有限公司 一种基于图像的车辆定损方法、装置及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003170817A (ja) * 2001-12-05 2003-06-17 Tsubasa System Co Ltd 車輌修理見積方法
JP5321784B2 (ja) * 2008-03-05 2013-10-23 富士ゼロックス株式会社 故障診断装置およびプログラム
KR20160018944A (ko) * 2014-08-07 2016-02-18 주식회사 코리아오토시스템 차량의 사고부위를 인식하여 가견적 리스트를 모바일 장치에서 생성하는 방법
KR20170016778A (ko) * 2015-08-04 2017-02-14 재단법인 아산사회복지재단 심층신경망을 이용한 골 연령 산출방법 및 프로그램

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021002549A1 (ko) * 2018-12-31 2021-01-07 주식회사 애자일소다 딥러닝 기반의 자동차 부위별 파손정도 자동 판정 시스템 및 방법
US11887064B2 (en) 2018-12-31 2024-01-30 Agilesoda Inc. Deep learning-based system and method for automatically determining degree of damage to each area of vehicle
KR20210059207A (ko) * 2019-11-15 2021-05-25 주식회사 세븐미어캣 인공지능 기반의 주차장 공유 시스템
WO2021201349A1 (ko) * 2020-04-02 2021-10-07 주식회사 애자일소다 차량의 손상 분석 시스템 및 방법
KR20220029929A (ko) * 2020-09-02 2022-03-10 주식회사 디메타 (D-meta,corp.) 차량 관리 보조 방법 및 차량 관리 보조 장치
KR20220029931A (ko) * 2020-09-02 2022-03-10 주식회사 디메타 (D-meta,corp.) 차량 손상 관리 방법 및 차량 손상 관리 장치
US11861665B2 (en) 2022-02-28 2024-01-02 Concat Systems, Inc. Artificial intelligence machine learning system for classifying images and producing a predetermined visual output
KR102554208B1 (ko) * 2022-03-16 2023-07-10 양석원 차량 오염도 분석 기반 세차 서비스 제공 방법 및 시스템
KR102531372B1 (ko) * 2022-05-24 2023-05-10 송현우 차량 수리 정보 제공 시스템

Also Published As

Publication number Publication date
CN107392218B (zh) 2020-08-04
SG11201903836QA (en) 2019-05-30
JP6859505B2 (ja) 2021-04-14
US10817956B2 (en) 2020-10-27
TW201839704A (zh) 2018-11-01
TWI726194B (zh) 2021-05-01
KR102270499B1 (ko) 2021-06-30
JP7110414B2 (ja) 2022-08-01
US20180293664A1 (en) 2018-10-11
JP2020504856A (ja) 2020-02-13
US20190213689A1 (en) 2019-07-11
CN107392218A (zh) 2017-11-24
PH12019500977A1 (en) 2019-11-11
JP2021072133A (ja) 2021-05-06
EP3520051A1 (en) 2019-08-07

Similar Documents

Publication Publication Date Title
KR102270499B1 (ko) 이미지 기반의 차량 손상 판정 방법과 장치, 및 전자기기
KR102418446B1 (ko) 픽쳐 기반의 차량 손해 평가 방법 및 장치, 및 전자 디바이스
KR102151365B1 (ko) 이미지 기반 차량 손실 평가 방법, 장치 및 시스템, 및 전자 디바이스
WO2018191421A1 (en) Image-based vehicle damage determining method, apparatus, and electronic device
CN109410218B (zh) 用于生成车辆损伤信息的方法和装置
EP3719703A1 (en) Vehicle damage identification processing method, processing device, client and server
US20210334548A1 (en) Vehicle damage assessment method, apparatus, and device
CN108323209B (zh) 信息处理方法、系统、云处理设备以及计算机存储介质
WO2019214321A1 (zh) 车辆损伤识别的处理方法、处理设备、客户端及服务器
CN114677848B (zh) 感知预警系统、方法、装置及计算机程序产品
CN114693963A (zh) 基于电力数据特征提取的识别模型训练、识别方法及装置
FR3038094A1 (fr) Gestion documentaire pour la reparation automobile
CN117455689A (zh) 车辆定损方法和装置、电子设备及存储介质
JP7515189B2 (ja) 深層人工ニューラルネットワークを用いたタイヤトレッド面摩耗判断システム及び方法
WO2020044646A1 (ja) 画像処理装置、画像処理方法及びプログラム
US20210095980A1 (en) Enhanced localization
CN117557221A (zh) 一种车辆损伤报告的生成方法、装置、设备和可读介质
CN115482594A (zh) 一种活体检测模型的生成方法、装置及设备

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
N231 Notification of change of applicant
E701 Decision to grant or registration of patent right
GRNT Written decision to grant