TW202025060A - 車險自動賠付方法和系統 - Google Patents

Abstract

本發明揭示了一種用於車險自動賠付的方法。該方法包括引導用戶拍攝車輛圖像並獲取該車輛圖像；對所獲取的車輛圖像進行圖像識別以標識車輛損傷；基於該車輛損傷來產生維修清單；在該用戶接受該維修清單的情況下審查用戶信用；以及在該用戶信用足夠高的情況下自動賠付該用戶。

Description

車險自動賠付方法和系統

本發明涉及金融科技，尤其涉及一種用於車險自動賠付的方法和系統。

據統計，當今中國每年約有4500萬件私家車保險索賠案，其中60%左右為“純外觀損傷”，即2700萬件。目前，每單處理成本約為150元，這為各個保險公司帶來了承重的查勘成本。 而且，車主發生事故時，車主通常會給保險公司打電話報案，由保險公司安排查勘人員到現場進行查勘定損，或由車主對損傷處進行拍照後將照片發給保險公司，在經過現場或遠端查勘後，確定需要維修更換的項目，再由車主去維修廠進行修理，拿到發票或維修清單之後，將這些材料交給保險公司，保險公司對所有相關單據進行審核後，將維修費用賠付給車主。整個過程比較冗長，車主需要關注的事項較多，拿到賠付款的速度也很慢。 另外，為給車主提供便利，部分保險公司提供了代收單據的服務，但也需要保險公司花費相當的人工成本，也無法從根本上縮短車主拿到賠付款的時間。此外，國內保險行業也會採用小額案件快速賠付的方案，對於金額低於一定閾值的案件，提前將費用賠付給車主，之後再審核各類材料，但這又會帶來一定的欺詐風險，對部分案件可能造成不合理賠付。 現有的賠付流程如果希望能夠做到過程嚴謹控制，減少不合理賠付比例，就會使得賠付流程較長，手續繁瑣，車主體驗不好；如果希望減少車主麻煩，簡化流程，快速賠付，又會提高不合理賠付比例。 當前，金融科技(英語：Financial technology，也稱為FinTech)的快速發展使得解決車險行業的高查勘成本、低效賠付流程和理賠欺詐問題成為可能。金融科技是人工智慧(AI)、深度學習等技術在金融產業取得突破性發展的大背景下應運而生的產物。如何在車險場景這片熱土上，最大程度挖掘 AI 技術演算法以及資料的價值和潛力，成為保險行業內一眾玩家努力開墾的新方向。 因此，保險公司或相關企業透過運用科技手段(尤其是AI技術和演算法)來使得理賠流程變得更有效率並且降低查勘成本和不合理賠付率是合乎需要的。

提供本發明內容來以簡化形式介紹將在以下具體實施方式部分中進一步描述的一些概念。本發明內容並不旨在標識出所要求保護的主題的關鍵特徵或必要特徵，也不旨在用於幫助確定所要求保護的主題的範圍。 對保險公司而言，為了根據事故現場做出損傷原因的初步判斷並確認損傷的車零件及損傷程度，往往要雇傭大量的人力長期駐派多地進行重複的拍照作為定損記錄的依據。本發明提供的技術方案則依託深度學習圖像演算法逐步替代定損環節中的重複性人工作業流程，將大大降低車險定損環節中的人力以及時間成本。 具體而言，針對保險理賠領域中的高查勘成本、理賠流程繁瑣和理賠欺詐這些問題，本發明提供了一種車險自動賠付方案以解決上述缺陷。具體地，本發明希望透過圖像識別、人工智慧、深度學習、網際網路支付技術及用戶信用體系，提供一種針對純外觀案件全自動賠付的方法，既能實現賠付款實時到帳，避免車主和查勘員參與的流程或手續過多，又能控制賠付的精准程度以防止欺詐行為。 在本發明的一個實施例中，提供了一種用於車險自動賠付的方法，該方法包括： 獲取車輛圖像； 對所獲取的車輛圖像進行圖像識別以標識車輛損傷； 基於車輛損傷來產生維修清單； 審查用戶信用；以及 自動賠付用戶。 在本發明的一個實施例中，用戶信用是在用戶接受維修清單的情況下審查的，並且該方法還包括在用戶不接受該維修清單的情況下重新獲取車輛圖像。在本發明的一個實施例中，自動賠付是在用戶信用足夠高的情況下執行的並且該方法還包括在用戶信用不夠高的情況下將用戶的本次理賠流程轉為人工處理。 在本發明的一個實施例中，提供了一種用於車險自動賠付的系統，該系統包括： 用於獲取車輛圖像的裝置； 用於對所獲取的車輛圖像進行圖像識別以標識車輛損傷的裝置； 用於基於車輛損傷來產生維修清單的裝置； 用於審查用戶信用的裝置；以及 用於自動賠付用戶的裝置。 在本發明的一個實施例中，用戶信用是在用戶接受維修清單的情況下審查的，並且該系統還包括用於在用戶不接受該維修清單的情況下重新獲取車輛圖像的裝置。在本發明的一個實施例中，自動賠付是在用戶信用足夠高的情況下執行的，並且該系統還包括用於在用戶信用不夠高的情況下將用戶的本次理賠流程轉為人工處理的裝置。 在本發明的一個實施例中，提供了一種儲存用於車險自動賠付的指令的電腦可讀取儲存媒體，這些指令包括： 用於獲取車輛圖像的指令； 用於對所獲取的車輛圖像進行圖像識別以標識車輛損傷的指令； 用於基於車輛損傷來產生維修清單的指令； 用於審查用戶信用的指令；以及 用於自動賠付用戶的指令。 在本發明的一個實施例中，用戶信用是在用戶接受維修清單的情況下審查的，並且該電腦可讀取儲存媒體還包括用於在用戶不接受該維修清單的情況下重新獲取車輛圖像的指令。在本發明的一個實施例中，自動賠付是在用戶信用足夠高的情況下執行的，並且該電腦可讀取儲存媒體還包括用於在用戶信用不夠高的情況下將用戶的本次理賠流程轉為人工處理的指令。 本發明的各方面一般包括如基本上在本文參照圖式所描述並且透過圖式所闡示的方法、裝置、系統、電腦程式產品。 在結合圖式研讀了下文對本發明的具體示例性實施例的描述之後，本發明的其他方面、特徵和實施例對於本領域普通技術人員將是明顯的。儘管本發明的特徵在以下可能是針對某些實施例和圖式來討論的，但本發明的全部實施例可包括本文所討論的有利特徵中的一個或多個。換言之，儘管可能討論了一個或多個實施例具有某些有利特徵，但也可以根據本文討論的本發明的各種實施例使用此類特徵中的一個或多個特徵。以類似方式，儘管示例性實施例在下文可能是作為設備、系統或方法實施例進行討論的，但是應當領會，此類示例性實施例可以在各種設備、系統、和方法中實現。

以下將參考形成本發明一部分並示出各具體示例性實施例的圖式更詳盡地描述各個實施例。然而，各實施例可以以許多不同的形式來實現，並且不應將其解釋為限制此處所闡述的各實施例；相反地，提供這些實施例以使得本發明變得透徹和完整，並且將這些實施例的範圍完全傳達給本領域普通技術人員。各實施例可按照方法、系統或設備來實施。因此，這些實施例可採用硬體實現形式、全軟體實現形式或者結合軟體和硬體方面的實現形式。因此，以下具體實施方式並非是局限性的。 圖1A、1B、2及相關聯的描述提供了其中可實施本發明的各實施例的各種操作環境的討論。然而，關於圖1A、1B、2所示出和討論的設備和系統是用於示例和說明的目的，而非對可被用於實施本文所述的本發明的各實施例的大量計算設備配置的限制。 圖1A和1B示出可用來實施本發明的各實施例的合適的行動計算環境，例如行動電話、智慧型電話、輸入板個人電腦、膝上型電腦等。參考圖1A，示出了用於實現各實施例的示例行動計算設備100。在一基本配置中，行動計算設備100是具有輸入元件和輸出元件兩者的手持式電腦。輸入元件可包括允許用戶將資訊輸入到行動計算設備100中的觸控螢幕顯示器105和輸入按鈕110。行動計算設備100還可結合允許進一步的用戶輸入的可選的側面輸入元件115。可選的側面輸入元件115可以是旋轉開關、按鈕、或任何其他類型的手動輸入元件。在替代實施例中，行動計算設備100可結合更多或更少的輸入元件。例如，在某些實施例中，顯示器105可以不是觸控螢幕。在又一替代實施例中，行動計算設備是可攜式電話系統，如具有顯示器105和輸入按鈕110的蜂巢式電話。行動計算設備100還可包括可選的小鍵盤135。可選的小鍵盤135可以是實體小鍵盤或者在觸控螢幕顯示器上產生的“軟”小鍵盤。 行動計算設備100結合輸出元件，如可顯示圖形用戶介面(GUI)的顯示器105。其他輸出元件包括揚聲器125和LED 120。另外，行動計算設備100可包含振動模組(未示出)，該振動模組使得行動計算設備100振動以將事件通知給用戶。在又一實施例中，行動計算設備100可結合耳機插孔(未示出)，用於提供另一手段來提供輸出信號。 儘管此處組合行動計算設備100來描述，但在替代實施例中，本發明還可組合任何數量的電腦系統來被使用，如在台式環境中、膝上型或筆記本電腦系統、多處理器系統、基於微處理器或可程式化消費電子產品、網路PC、小型電腦、大型電腦等。本發明的實施例也可在分布式計算環境中實踐，其中任務由分布式計算環境中透過通信網路鏈接的遠端處理設備來執行；程式可位於本機和遠端記憶體儲存設備中。總而言之，具有多個環境傳感器、向用戶提供通知的多個輸出元件和多個通知事件類型的任何電腦系統可結合本發明的實施例。 圖1B是示出在一個實施例中使用的諸如圖1A中所示的計算設備之類的行動計算設備的組件的方塊圖。即，行動計算設備100可結合系統102以實現某些實施例。例如，系統102可被用於實現可運行與台式或筆記本電腦的應用程式類似的一個或多個應用程式的“智慧型電話”，這些應用程式例如演示文稿應用程式、瀏覽器、電子郵件、日程安排、即時訊息收發、以及媒體播放器應用程式。在某些實施例中，系統102被集成為計算設備，諸如集成的個人數位助理(PDA)和無線電話。 一個或多個應用程式166可被加載到記憶體162中並在作業系統164上或與作業系統164相關聯地運行。應用程式的示例包括電話撥號程式、電子郵件程式、PIM(個人資訊管理)程式、文字處理程式、電子表格程式、網際網路瀏覽器程式、訊息通信程式等等。系統102還包括記憶體168內的非揮發性儲存162。非揮發性儲存168可被用於儲存在系統102斷電時不會丟失的持久資訊。應用程式166可使用資訊並將資訊儲存在非揮發性儲存168中，如電子郵件應用程式使用的電子郵件或其他訊息等。同步應用程式(未示出)也可駐留在系統102上並被程式化為與駐留在主機電腦上的對應同步應用程式進行交互，以保持儲存在非揮發性儲存168中的資訊與儲存在主機電腦上的對應資訊相同步。如應被理解的，其他應用程式可被加載到記憶體162中且在設備100上運行，包括車險理賠應用程式26。 系統102具有可被實現為一個或多個電池的電源170。電源170還可包括外部功率源，如補充電池或對電池重新充電的AC適配器或加電對接托架。 系統102還可包括執行發射和接收無線電頻率通信的功能的無線電172。無線電172透過通信營運商或服務供應商方便了系統102與“外部世界”之間的無線連接。來往無線電172的傳輸是在作業系統164的控制下進行的。換言之，無線電172接收的通信可透過作業系統164傳播到應用程式166，反之亦然。 無線電172允許系統102例如透過網路與其他計算設備通信。無線電172是通信媒體的一個示例。通信媒體由諸如載波或其他傳輸機制等已調變資料信號中的電腦可讀取指令、資料結構、程式模組或其他資料來體現，並包括任何資訊傳遞媒體。術語“已調變資料信號”是指使得以在信號中編碼資訊的方式來設置或改變其一個或多個特性的信號。作為示例而非限制，通信媒體包括諸如有線網路或直接線連接之類的有線媒體，以及諸如聲學、RF、紅外及其他無線媒體之類的無線媒體。如此處所使用的術語電腦可讀取媒體包括儲存媒體和通信媒體兩者。 系統102的該實施例是以兩種類型的通知輸出設備來示出的：可被用於提供視覺通知的LED 120，以及可被用於揚聲器125提供音頻通知的音頻介面174。這些設備可直接耦合到電源170，使得當被激活時，即使為了節省電池功率而可能關閉處理器160和其他組件，它們也在一段由通知機制指示的持續時間保持通電。LED 120可被程式化為無限地保持通電，直到用戶採取行動指示該設備的通電狀態。音頻介面174用於向用戶提供聽覺信號並從用戶接收聽覺信號。例如，除被耦合到揚聲器125以外，音頻介面174還可被耦合到話筒以接收聽覺輸入，諸如便於電話對話。根據各本發明的各實施例，話筒也可充當音頻傳感器來便於對通知的控制，如下文將描述的。系統102可進一步包括允許板載相機130的操作來記錄靜止圖像、視頻流等的視頻介面176。 行動計算設備實現系統102可具有附加特徵或功能。例如，該設備還可包括附加資料儲存設備(可移動的/或不可移動的)，諸如磁盤、光盤或磁帶。此類附加儲存在圖1B中由儲存168示出。電腦儲存媒體可包括以用於儲存諸如電腦可讀取指令、資料結構、程式模組、或其他資料等資訊的任何方法或技術實現的揮發性和非揮發性、可移動和不可移動媒體。 設備100產生或捕捉的且經系統102儲存的資料/資訊可如上所述本地儲存在設備100上，或資料可被儲存在可由設備透過無線電172或透過設備100和與設備100相關聯的分開的計算設備之間的有線連接存取的任何數量的儲存媒體上，該分開的計算設備如例如網際網路之類的分布式計算網路中的伺服器電腦。如應理解的，此類資料/資訊可經設備100、經無線電172或經分布式計算網路來被存取。類似地，這些資料/資訊可根據已知的資料/資訊傳送和儲存手段來容易地在計算設備之間傳送以儲存和使用，這些手段包括電子郵件和協作資料/資訊共享系統。 圖2示出了其中可實現本發明的各實施例的聯網環境。用戶持有平板計算設備204或者行動計算設備206，平板計算設備204或者行動計算設備206中的每一者都包括本文描述的車險理賠應用程式客戶端202。用戶可操作車險理賠應用程式客戶端202並透過包括但不限於網際網路的網路208來與車險理賠應用程式伺服器端212通信。 車險理賠應用程式伺服器端212在伺服器210中實現並且包括用於為用戶提供車險理賠服務，具體而言用於進行圖像分析、車損決策、理賠金額計算等操作的定損模型214。車險理賠應用程式伺服器端212還包括用於儲存各種操作資料或模型資料的儲存216。 車險理賠應用程式伺服器端212還與N個保險公司218對接以便從各個保險公司接收各種保險資料(包括但不限於零配件資料、車型資料、賠付率資料、出險記錄資料、維修資料等等)以及向保險公司反饋理賠決策。 圖3示出了根據本發明的一個實施例的車險理賠應用程式300的方塊圖。該車險理賠應用程式300用於快速地為用戶的車損事故提供定損方案，該功能透過車險理賠應用程式客戶端302和車險理賠應用程式伺服器端310的組合來實現。車險理賠應用程式300的示例包括但不限於螞蟻金服公司開發的“定損寶”。 車險理賠應用程式客戶端302作為一個應用程式(APP)被安裝在用戶擁有的行動計算設備或平板計算設備上，並且該車險理賠應用程式客戶端302也可以是用戶的行動計算設備或平板計算設備上已安裝的現有應用程式的插件。 車險理賠應用程式客戶端302包括UI呈現模組304、圖像獲取模組306、以及通信模組308。UI呈現模組304透過用戶的行動計算設備或平板計算設備的顯示器來向用戶呈現圖形用戶介面以引導用戶拍攝車損圖像並上傳車損圖像、獲得定損資訊以及確認理賠資訊。 圖像獲取模組306用於獲取車損圖像資訊，具體而言該圖像獲取模組306可透過UI呈現模組來引導用戶透過安裝有車險理賠應用程式客戶端302的行動計算設備或平板計算設備來拍攝車損圖像，包括包含車牌資訊的全車圖像、車損部位的遠景圖像、車損部位的近景圖像、以及車損細節圖像。如果用戶的車輛具有不止一處損壞，則可引導用戶針對每一處損壞分別拍攝車損部位的遠景圖像、車損部位的近景圖像、以及車損細節圖像，以完整地記錄全部車損資訊。 另外，圖像獲取模組306還能夠確定用戶拍攝的圖像是否滿足自動損傷識別的要求，即確定用戶拍攝的圖像是否可供車險理賠應用程式自動識別車損資訊。如果確定用戶拍攝的圖像不滿足自動損傷識別的要求，則引導用戶重新拍攝相應圖像以達到自動損傷識別的要求。 在本發明的一個實施例中，圖像獲取模組306還能夠引導用戶拍攝車損視頻，以使得能夠獲取更豐富的車損資訊以便於自動定損。 通信模組308使得車險理賠應用程式客戶端302能夠與車險理賠應用程式伺服器端310通信，以便將透過圖像獲取模組306獲取的圖像傳送到車險理賠應用程式伺服器端310以供進行進一步處理。 車險理賠應用程式伺服器端310駐留在車險自動理賠服務提供商的伺服器處，在本發明的一個實施例中，該車險自動理賠服務由螞蟻金服公司提供。但在其他實施例中，該車險自動理賠服務也可由其他公司提供。 車險理賠應用程式伺服器端310包括通信模組312、圖像識別模組314、定損模組316、信用審查模組318、賠付模組320、以及定損模型322。 通信模組312用於從車險理賠應用程式客戶端302接收車損圖像資料並將這些資料傳遞至圖像識別模組314。 圖像識別模組314用於對所接收到的車損圖像進行圖像識別。具體而言，首先對接收到的車損圖像進行過濾，即基於是否滿足自動損傷識別要求來過濾掉不符合要求的圖像，並且透過通信模組312來通知車險理賠應用程式客戶端302以引導用戶重新拍攝相應圖像。圖像識別模組314在接收到所有必需的車損圖像後對這些車損圖像進行雜訊去除、零件識別、損傷檢測、原因判斷、以及程度判定。這些功能將在下文中更詳細地描述，並且這些功能都基於車險理賠應用程式伺服器端310所包含的定損模型322。 然而，在使用定損模型322來進行圖像識別之前，該定損模型322的訓練和學習是一項重大挑戰。近年來，深度學習以及電腦視覺技術獲得了長足發展，在部分簡單的任務上(比如ImageNet分類)甚至達到了比人更高的精確度，但是面對車險定損這樣一個複雜的現實場景，演算法的攻堅道路仍是困難重重，在車險定損領域依然鮮見有效的技術方案落地。在現實場景中，演算法需要應對多種複雜光照條件、污漬、水滴、車型構造等多種干擾因素，並從海量資料中學習到對定損有效的關鍵資訊。 為此，在本發明的一個實施例中，首先對來自各個保險公司的千萬級雜亂無章的車險定損歷史圖片進行結構化規整、資料整理、清洗以及必要的標注，這個龐大圖像資料庫的照片數量以及標簽的複雜程度對比現有的ImageNet都要高出一個數量級。隨後，將經整理、清洗和標注的車險定損歷史圖片提供給定損模型322以供在基於ASIC、FPGA、GPU等晶片技術的軟硬一體化異構機器學習平台上進行學習和訓練。該定損模型322利用已有的沉澱的大量歷史定損資料, 針對不同的車型、顏色和光照條件進行模型迭代學習，最終能夠輸出較為精准的零件識別結果以及針對多種程度的刮擦、變形、零件的開裂和脫落等損傷的定損結論。 具體而言，定損模型322使用深度神經網路檢測車輛受損部位及其在圖像中的區域。在本發明的一個示例性且非限制性實施例中，可以基於卷積神經網路(Convolutional Neural Network，CNN)和區域建議網路(Region Proposal Network，RPN)，結合池化層、全連接層等來預先構建該定損模型322，然後透過來自各保險公司的大量經整理、清洗和標注的車險定損歷史圖片來訓練該定損模型322以產生深度神經網路。在其它實施例中，還可結合全連接層(Fully-Connected Layer，FC)、池化層、資料歸一化層等。在另一實施例中，如果需要對受損部位進行分類，還可以在定損模型322中加入概率輸出層(Softmax)等。 卷積神經網路一般指以卷積層為主要結構並結合其他如激活層等組成的神經網路，主要用於圖像識別。本實施例中所述的深度神經網路可以包括卷積層和其他重要的層(如池化層，資料歸一化層，激活層等)，並結合區域建議網路(RPN)共同組建產生。卷積神經網路通常是將圖像處理中的二維離散卷積運算和人工神經網路相結合。這種卷積運算可以用於自動提取特徵。區域建議網路(RPN)可以將一個圖像(任意大小)提取的特徵作為輸入(可以使用卷積神經網路提取的二維特徵)，輸出矩形目標建議方塊的集合，每個方塊有一個對象的得分。在另一實施例中，可以將所使用的卷積神經網路(CNN)稱為卷積層(CNN)、將區域建議網路(RPN)稱為區域建議層(RPN)。在本發明的其它實施例中，定損模型322還可以結合基於該卷積神經網路改進後的或區域建議網路改進後的變種網路模型，經過樣本資料訓練後構建所產生的深度卷積神經網路，即定損模型322。 上述實施例中使用的模型和演算法可以選擇同類模型或者演算法。具體地，例如在定損模型322中，可以使用基於卷積神經網路和區域建議網路的多種模型和變種，如Faster R-CNN、Y0L0、Mask-FCN等。其中的卷積神經網路(CNN)可以用任意CNN模型，如ResNet、Inception、VGG等及其變種。通常神經網路中的卷積網路部分可以使用在物體識別取得較好效果的成熟網路結構，如Inception、ResNet等網路。在ResNet網路中，輸入為一張圖片，輸出為多個含有損傷部位的圖片區域以及對應的損傷分類(損傷分類用於確定損傷類型)和置信度(置信度為表示損傷類型真實性程度的參量)。Faster R-CNN、Y0L0、Mask-FCN 等都是屬於本實施例可以使用的包含卷積層的深度神經網路。本文描述的定損模型322能夠結合區域建議層和CNN層檢測出受損部位、損傷類型和程度、以及受損部位在該零件圖像中所處的位置區域。 回到圖3，隨後圖像識別模組314將識別結果傳遞至定損模組316，該定損模組316進而將定損結果或定損明細資訊傳送到相應的保險公司，即用戶購買其車險的保險公司，以便由該保險公司基於車輛識別碼(VIN碼)(基於車牌號獲取)去各自的資料庫中查找受損零件的OE碼，然後根據OE碼就能找到當地的零件維修和更換的價格，並結合來自圖像識別模組314的定損明細資訊來產生相應的維修清單。隨後保險公司將相應的維修清單傳送回定損模組316。每個保險公司的報價可能不一樣，最後出的價格也可能不一樣。 定損模組316然後將維修清單透過通信模組312傳遞至車險理賠應用程式客戶端302，車險理賠應用程式客戶端302透過UI呈現模組304向用戶呈現該維修清單。 圖4示出了由UI呈現模組304呈現給用戶的圖形用戶介面400的示例。可以理解，本發明的各實施例不限於該示例性用戶介面400。如圖所示，UI呈現模組304向用戶顯示本地事故定損總金額以及維修清單，如果用戶認可該維修清單，則該用戶可激活“接受”按鈕404以繼續至下一步驟，即信用審查步驟。如果用戶不認可該維修清單(例如有損傷未識別，或覺得應該進行花費更高的維修)，則可選擇重新拍攝，即該用戶可激活“重新拍攝”按鈕406以返回到車損圖像拍攝步驟以用於重新拍攝車損圖像並重新定損。或者，用戶可放棄自動理賠，轉入人工處理，如同傳統車險報案和理賠流程。 另外，用戶還可激活定損總金額右側的“來年保費預測”按鈕402，以基於本地出險、本年度出險次數、理賠金額、個人信用等因素來透過車險理賠應用程式預測下一年度的保費。此處的個人信用可以由第三方信用服務提供商來給出，可以理解第三方信用服務提供商包括但不限於螞蟻金服公司，且個人信用包括但不限於由螞蟻金服公司開發的車險分，這將在下文中更詳細地描述。如本領域技術人員可以理解的，圖4所示的用戶介面400僅僅是出於闡示的目的而是示例性且非限制性的。 在用戶認可所呈現的維修清單，即在用戶激活“接受”按鈕404的情況下，信用審查模組318審查用戶的個人信用以確定是進行自動即時賠付還是轉人工處理。在本發明的一個實施例中，車險理賠應用程式伺服器端310採用由螞蟻金服公司開發的車險分來確定用戶的個人信用分，但應理解，還可以採用其他信用體系或等級，諸如螞蟻金服公司開發的芝麻信用等。 傳統上，要預測客戶下一年的保險金額或賠付率，車險行業一般的做法是基於客戶上一年度的出險次數、區域、車型、車價、使用性質等因素來計算，這些因素都屬於車因素。而車險分還能夠基於人(比如性別、年齡、職業、身份)、行為(諸如違章次數、是否經常上高速、信用歷史、消費習慣、駕駛習慣)和使用環境(比如道路類型、道路擁擠狀況)三大方面的因素來更精准地預測客戶下一年的保險金額或賠付率，從而極大地豐富了車險中“與人相關的”資料維度。車險分透過對車主進行精准畫像和風險分析得出例如300-700不等的分數，分數越高，風險越低。低風險的車主一般都有良好的駕駛習慣、信用行為。 保險公司在獲得用戶授權的情況下，可以查詢用戶的車險標準分，或是結合自身資料對標簽進行加工建模，得到自己的車險專用分，從而依據車險分進行更為公平的車險定價。具體地，透過快速進行海量資料標簽挖掘以及用於提升預測性能的機器學習演算法來以提高的模型迭代速度融合保險公司累積的車險理賠資料以及信用服務提供商累積的用戶畫像資料(都經過脫敏處理)以產生用戶的車險分。 回到對信用審查模組318的描述，當確定用戶的信用足夠高時，信用審查模組318可通知賠付模組320進行自動即時賠付，即在沒有人工審核的情況下自動將定損總金額匯入用戶指定的銀行帳戶或線上帳戶。作為示例而非限制，信用足夠高可以指信用或其某一表現形式達到或超過特定閾值或等級，諸如車險分超過600分。 在本發明的一個實施例中，如果完成自動賠付，但事後在審核材料階段發現車主有欺詐行為，則保險公司將降低車主的信用，以防止車主持續進行欺詐。而且，保險公司也可與第三方中立平台合作，將此次索賠相關資訊經過符合法律要求的脫敏處理後，傳送到第三方平台以進行跨保險公司的信用記錄徵集，並在多個保險公司之間共享，以防止車主在多家保險公司進行欺詐索賠。此處描述的第三方平台包括但不限於中國保信。 如果確定用戶信用分不夠高，則信用審查模組318通知賠付模組320將用戶本次理賠流程轉為人工處理，如同傳統的車險理賠流程。 圖5示出了根據本發明的另一實施例的車險理賠應用程式的另一示例。在本發明的該另一實施例中，不同於拍攝車損圖像並將其傳送到伺服器端做技術處理再返回到客戶端，還可以引導用戶圍繞車輛拍攝視頻以提供更豐富的車輛圖像資訊，並且得益於近年來智慧型手機的處理器性能和圖像處理能力的大幅提高，可以將車險理賠應用程式伺服器端310的功能整合到車險理賠應用程式客戶端302以使得客戶端302能夠自動對車出現的損傷做出即時分析。具體而言，可以在用戶拍攝視頻時透過AR(增強實境)技術實時疊加損傷判定和維修資訊，從而直接且即時地告訴用戶損傷的程度，向用戶自動推薦維修清單，從而能大幅提高拍攝引導、反饋的時效性，甚至做到實時定損。如圖5中的圖示502所示，在用戶拍攝視頻時車險理賠應用程式能夠實時地引導用戶拍攝更高質量的視頻圖像，諸如引導用戶更靠近損傷部位以便做出更精確的車損判定。另外，如圖5中的圖示504所示，在用戶拍攝視頻時做出實時定損判斷之際還能夠結合損傷原因判斷做出諸如“疑似非本案損傷”等更高階的智能判定。而且，由於不將用戶車輛圖像資訊上傳至伺服器端而是利用用戶持有的行動計算設備或平板計算設備的本地CPU和GPU的能力，因此能一定程度上解決用戶隱私、資訊安全等方面的問題。 圖6示出了根據本發明的一個實施例的圖像識別模組314的詳細功能方塊圖。在本發明的一個實施例中，圖像識別模組314首先透過圖像過濾組件602對接收到的車損圖像進行過濾，即基於是否滿足自動損傷識別要求來過濾掉不符合要求的圖像，並且透過通信模組312來通知車險理賠應用程式客戶端302以引導用戶重新拍攝相應圖像。例如，當用戶拍攝了車輛全景圖像並上傳後，圖像識別模組314中的圖像過濾組件602可確定該全景圖像是否包括車牌、是否取景過遠，等等。作為另一示例，當用戶拍攝了車損細節圖像並上傳後，圖像過濾組件602可確定該車損細節圖像是否完整地包括車損細節、細節是否清晰可見，等等。如果上傳的圖像不符合自動損傷識別要求，則圖像過濾組件602過濾掉該圖像並透過UI呈現模組304引導用戶重新拍攝相應圖像。 當已經接收到自動損傷識別所必需的所有圖像後，圖像識別模組314中的雜訊去除組件604使用定損模型322來標識並排除諸如光反射、陰影、倒影、污漬、水滴、車型構造等多種雜訊干擾因素。定損模型322已經透過所沉澱的大量歷史定損資料(尤其是帶雜訊的圖像資料)進行訓練和學習，並由此能夠準確地標識出各種干擾因素並將其排除。如圖7中的圖示702所示，示出了基於定損模型322的反光雜訊去除，在經過雜訊去除組件604的處理後，車輛左前葉子板上的反光被去除。 然後，零件識別組件606基於車損部位的遠景圖像透過定損模型322來識別車輛的各個零件，包括受損零件。具體地，零件識別指的是從一輛車的圖像中檢測出各個零件的類別和位置，如識別圖片中哪裡是前機蓋、左前大燈、保險桿、格柵等等。在本發明的一個實施例中，基於定損模型322結合Faster R-CNN(更快的區域性卷積神經網路)等網路技術來完成零件識別，但應理解在其他實施例中還可以結合其他技術來完成零件標識。 在標識出車輛的各個零件後，損傷檢測組件608透過經大量樣本訓練的定損模型322來檢測損傷部位和類別。損傷部位指的是受損的具體零件，損傷類別包括例如刮擦、變形、開裂、脫落等。如果包含損傷部位的圖像的拍攝角度不佳，對角度進行矯正。具體地，由於用戶一般不會經過專業訓練，自然不可能保證每一張上傳的照片都拍得端正明晰，因此有時需要對圖像進行矯正，從而能夠更好地進行損傷檢測、原因判斷和損傷程度判定。矯正技術包括但不限於基於投影的方法、基於Hough變換、基於線性擬合，以及傅裡葉變換。圖7中的圖示704示出了包含損傷部位的圖像的矯正示例。 隨後原因判斷組件610透過經大量樣本訓練的定損模型322來判斷損傷原因，諸如單車刮擦、銳器損傷、雙車刮擦、雙車碰撞等。另外，原因判斷組件610還能識別出疑似非本案損傷，例如基於損傷顏色顯著不同或者損傷部位與碰撞部位不符，等等。 最後，程度判定組件612透過經大量樣本訓練的定損模型322來判定受損程度，諸如輕微刮擦(不露底漆)、嚴重刮擦(露底漆)、輕微變形、嚴重變形、輕微開裂、嚴重開裂、報廢，等等，以便產生相應的維修清單。此處描述的定損模型322已經在上文中詳細描述，因此在此不再贅述。本發明的實施例不限於上述受損程度。 圖8示出了根據本發明的一個實施例的用於車險自動賠付的方法800的流程圖。在各實施例中，圖8所示的步驟可透過硬體(例如，處理器、引擎、記憶體、電路)、軟體(例如，作業系統、應用程式、驅動器、機器/處理器可執行指令)或其組合來執行。如本領域普通技術人員將理解的，各實施例可以包括比示出的更多或更少的步驟。 在802，引導用戶拍攝車輛圖像並獲取車輛圖像。可透過車險理賠應用程式客戶端302內的UI呈現模組來引導用戶透過安裝有車險理賠應用程式客戶端302的行動計算設備或平板計算設備來拍攝車損圖像，包括包含車牌資訊的全車圖像、車損部位的遠景圖像、車損部位的近景圖像、以及車損細節圖像。另外，還能夠確定用戶拍攝的圖像是否滿足自動損傷識別的要求，並且在確定用戶拍攝的圖像不滿足自動損傷識別要求的情況下引導用戶重新拍攝相應圖像以達到自動損傷識別要求。在本發明的另一實施例中，還能夠引導用戶拍攝車損視頻，以使得能夠獲取更豐富的車損資訊以便於自動實時定損。 在方塊804，對所獲取的車輛圖像進行圖像識別以標識車輛損傷。圖像識別包括圖像過濾、雜訊去除、零件識別、損傷檢測、原因判斷、以及程度判定，這些功能步驟將在圖9中更詳細地描述。在本發明的一個實施例中，這些圖像識別功能透過基於深度神經網路的經大量樣本訓練的定損模型來完成。 在方塊806，基於車輛損傷來產生維修清單。車輛損傷包括損傷部位、損傷類別和損傷程度。針對零件輕度刮擦可採用噴漆維修，針對零件變形可採用板金維修，針對零件開裂、脫落等嚴重損傷可直接更換零件。在將定損結果或定損明細資訊傳送到相應的保險公司後，該保險公司基於車輛識別碼(VIN碼)(基於車牌號獲取)去各自的資料庫中查找受損零件的OE碼，然後根據OE碼就能找到當地的零件維修和更換的價格，並產生相應的維修清單。 在方塊808，詢問用戶是否接受所產生的維修清單。如果用戶接受，則流程繼續至方塊810，否則流程返回至方塊802以重新引導用戶拍攝車輛圖像。 在方塊810，審查用戶的個人信用。個人信用可結合保險公司提供的理賠資料以及由第三方公司提供的個人信用資料。在本發明的一個實施例中，用戶的個人信用可採取由螞蟻金服公司開發的車險分的形式，但應理解可採取其它信用評估形式。 在方塊812，確定用戶信用是否足夠高以做出是進行自動即時賠付還是轉人工處理的判斷。如果確定用戶信用足夠高，則流程繼續至方塊814，自動賠付用戶。否則，流程繼續至方塊816，將本次理賠專由按照傳統理賠流程的人工處理。 圖9示出了根據本發明的一個實施例的用於圖像識別的方法900的流程圖。在各實施例中，圖9所示的步驟可透過硬體(例如，處理器、引擎、記憶體、電路)、軟體(例如，作業系統、應用程式、驅動器、機器/處理器可執行指令)或其組合來執行。如本領域普通技術人員將理解的，各實施例可以包括比示出的更多或更少的步驟。 在902，對接收到的車損圖像進行過濾。換言之，基於是否滿足自動損傷識別要求來過濾掉不符合要求的圖像，並且在確定圖像不符合要求的情況下過濾掉該圖像並引導用戶重新拍攝相應圖像。 在904，對經過濾的車損圖像進行雜訊去除。具體地，諸如光反射、陰影、倒影、污漬、水滴、車型構造等多種雜訊干擾因素被標識並排除。 在906，標識車輛的各個零件，包括受損零件。該標識基於車損部位的遠景圖像，並且從一輛車的圖像中檢測出各個零件的類別和位置，如識別圖片中哪裡是前機蓋、左前大燈、保險桿、格柵等等。 在908，檢測車損圖像中的損傷部位和類別以確定具體受損零件以及受損類別。在本發明的一個實施例中，如果包含損傷部位的圖像的拍攝角度不佳，對角度進行矯正以使得能夠更好地進行損傷檢測、原因判斷和損傷程度判定。 在910，確定損傷原因。損傷原因包括單車刮擦、銳器損傷、雙車刮擦、雙車碰撞等。另外，還能識別出疑似非本案損傷，例如基於損傷顏色顯著不同或者損傷部位與碰撞部位不符，等等。 在912，判定受損程度以便產生相應的維修清單。受損程度包括輕微刮擦、嚴重刮擦、輕微變形、嚴重變形、輕微開裂、嚴重開裂、報廢，等等。 以上參考根據本發明的實施例的方法、系統和電腦程式產品的方塊圖和/或操作說明描述了本發明的實施例。方塊中所注明的各功能/動作可以按不同於任何流程圖所示的次序出現。例如，取決於所涉及的功能/動作，連續示出的兩個方塊實際上可以基本上同時執行，或者這些方塊有時可以按相反的次序來執行。 以上說明、示例和資料提供了對本發明的組成部分的製造和使用的全面描述。因為可以在不背離本發明的精神和範圍的情況下做出本發明的許多實施例，所以本發明落在所附申請專利範圍的範圍內。

100:行動計算設備 102:系統 105:觸控螢幕顯示器 110:輸入按鈕 115:側面輸入元件 120:LED 125:揚聲器 130:板載相機 135:小鍵盤 160:處理器 162:記憶體 164:作業系統 166:應用程式 168:儲存 170:電源 172:無線電介面層 174:音頻介面 176:視頻介面 26:車險理賠應用程式 202:車險理賠應用程式客戶端 204:平板計算設備 206:行動計算設備 208:網路 210:伺服器 212:車險理賠應用程式伺服器端 214:定損模型 216:儲存 218:保險公司 300:車險理賠應用程式 302:車險理賠應用程式客戶端 304:UI呈現模組 306:圖像獲取模組 308:通信模組 310:車險理賠應用程式伺服器端 312:通信模組 314:圖像識別模組 316:定損模組 318:信用審查模組 320:賠付模組 322:定損模型 400:用戶介面 402、404、406:按鈕 502、504、702、704:圖示 602:圖像過濾組件 604:雜訊去除組件 606:零件識別組件 608:損傷檢測組件 610:原因判斷組件 612:程度判定組件 800、900:方法 802~816:步驟 902~912:步驟

為了能詳細理解本發明的以上陳述的特徵所用的方式，可參照各方面來對以上簡要概述的內容進行更具體的描述，其中一些方面在圖式中闡示。然而應該注意，圖式僅闡示了本發明的某些典型方面，故不應被認為限定其範圍，因為本描述可允許有其他等同有效的方面。 圖1A、圖1B和圖2示出了其中可實施本發明的各實施例的各種操作環境。 圖3示出了根據本發明的一個實施例的車險理賠應用程式的一個示例的方塊圖。 圖4示出了根據本發明的一個實施例的由UI呈現模組呈現給用戶的圖形用戶介面的示例。 圖5示出了根據本發明的另一實施例的車險理賠應用程式的另一示例。 圖6示出了根據本發明的一個實施例的圖像識別模組的詳細功能方塊圖。 圖7示出了根據本發明的一個實施例的圖像識別中的反光去除和角度矯正的示例。 圖8示出了根據本發明的一個實施例的用於車險自動賠付的方法的流程圖。 圖9示出了根據本發明的一個實施例的用於圖像識別的方法的流程圖。

204:平板計算設備

206:行動計算設備

208:網路

210:伺服器

212:車險理賠應用程式伺服器端

214:定損模型

216:儲存

218:保險公司

Claims (23)

1. 一種用於車險自動賠付的方法，該方法包括： 獲取車輛圖像； 對所獲取的車輛圖像進行圖像識別以標識車輛損傷； 基於該車輛損傷來產生維修清單； 審查用戶信用；以及 自動賠付用戶。
2. 如請求項1所述的方法，其中，該車輛圖像透過引導該用戶拍攝該車輛圖像來獲取。
3. 如請求項1所述的方法，其中，該用戶信用在該用戶接受該維修清單的情況下審查，並且該方法還包括在該用戶不接受該維修清單的情況下重新獲取車輛圖像。
4. 如請求項1所述的方法，其中，該自動賠付是在該用戶信用足夠高的情況下執行的，並且該方法還包括在該用戶信用不夠高的情況下將該用戶的本次理賠流程轉為人工處理。
5. 如請求項1所述的方法，其中，該方法由包括車險理賠應用程式客戶端和車險理賠應用程式伺服器端的車險理賠應用程式來執行。
6. 如請求項1所述的方法，其中，該方法由包括只包括車險理賠應用程式客戶端的車險理賠應用程式來執行。
7. 如請求項1所述的方法，其中，該車輛損傷的標識也能基於該用戶拍攝的車輛視頻。
8. 如請求項1所述的方法，其中，該圖像識別基於定損模型，該定損模型透過深度神經網路來實現。
9. 如請求項8所述的方法，其中，該圖像識別包括圖像過濾、圖像去雜訊、零件識別、損傷檢測、原因判斷、以及程度判定。
10. 如請求項1所述的方法，其中，如果在完成該自動賠付後在審核材料階段發現該用戶有欺詐行為，則降低該用戶信用，並且將該資訊傳送到第三方平台以進行跨保險公司的信用記錄徵集並在多個保險公司之間共享。
11. 如請求項1所述的方法，其中，該用戶信用基於來自保險公司的理賠資料以及來自第三方信用服務提供商的個人信用資料兩者。
12. 一種用於車險自動賠付的系統，該系統包括： 用於獲取車輛圖像的裝置； 用於對所獲取的車輛圖像進行圖像識別以標識車輛損傷的裝置； 用於基於該車輛損傷來產生維修清單的裝置； 用於審查用戶信用的裝置；以及 用於自動賠付用戶的裝置。
13. 如請求項12所述的系統，其中，該車輛圖像透過引導該用戶拍攝該車輛圖像來獲取。
14. 如請求項12所述的系統，其中，該用戶信用在該用戶接受該維修清單的情況下審查，並且該系統還包括用於在該用戶不接受該維修清單的情況下重新獲取車輛圖像的裝置。
15. 如請求項12所述的系統，其中，該自動賠付是在該用戶信用足夠高的情況下執行的，並且該系統還包括用於在該用戶信用不夠高的情況下將該用戶的本次理賠流程轉為人工處理的裝置。
16. 如請求項12所述的系統，其中，該系統包括車險理賠應用程式客戶端和車險理賠應用程式伺服器端。
17. 如請求項12所述的系統，其中，該系統只包括車險理賠應用程式客戶端。
18. 如請求項12所述的系統，其中，該車輛損傷的標識也能基於該用戶拍攝的車輛視頻。
19. 如請求項12所述的系統，其中，用於圖像識別的裝置基於定損模型，該定損模型透過深度神經網路來實現。
20. 如請求項19所述的系統，其中，該用於圖像識別的裝置包括用於圖像過濾的裝置、用於圖像去雜訊的裝置、用於零件識別的裝置、用於損傷檢測的裝置、用於原因判斷的裝置、以及用於程度判定的裝置。
21. 如請求項12所述的系統，其中，如果在完成該自動賠付後在審核材料階段發現該用戶有欺詐行為，則將降低該用戶信用，並且將該資訊傳送到第三方平台以進行跨保險公司的信用記錄徵集並在多個保險公司之間共享。
22. 如請求項12所述的系統，其中，該用戶信用基於來自保險公司的理賠資料以及來自第三方信用服務提供商的個人信用資料兩者。
23. 一種包含指令的電腦可讀取儲存媒體，該指令用於執行如請求項1-11中的任一項所述的方法。

Images