TWI704527B - 車輛損傷識別的處理方法、處理裝置、處理設備、客戶端裝置及處理系統 - Google Patents
車輛損傷識別的處理方法、處理裝置、處理設備、客戶端裝置及處理系統 Download PDFInfo
- Publication number
- TWI704527B TWI704527B TW108105288A TW108105288A TWI704527B TW I704527 B TWI704527 B TW I704527B TW 108105288 A TW108105288 A TW 108105288A TW 108105288 A TW108105288 A TW 108105288A TW I704527 B TWI704527 B TW I704527B
- Authority
- TW
- Taiwan
- Prior art keywords
- damage
- injury
- old
- vehicle
- server
- Prior art date
Links
- 230000006378 damage Effects 0.000 title claims abstract description 282
- 238000012545 processing Methods 0.000 title claims abstract description 77
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 208000027418 Wounds and injury Diseases 0.000 claims abstract description 120
- 208000014674 injury Diseases 0.000 claims abstract description 119
- 238000000034 method Methods 0.000 claims abstract description 99
- 230000015654 memory Effects 0.000 claims description 46
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 18
- 238000012512 characterization method Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000001788 irregular Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 239000000047 product Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
-
- 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
- G06Q30/018—Certifying business or products
-
- 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
- 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
- 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
- G06V10/77—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
- G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- 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
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Technology Law (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
Abstract
本說明書實施例公開了一種車輛損傷識別的處理方法、處理設備、客戶端及伺服器。本方法提供一種在終端設備上自動識別車輛損傷是否為舊傷的實施方案,在照片或視頻拍攝時對損傷是否舊傷進行實時識別,無需人為干預,可有效降低對勘查人員技能的要求。同時,識別出疑似舊傷的資訊可以自動記錄並傳輸到指定的伺服器系統中,如傳輸給保險公司,這樣,即便勘查人員或惡意用戶刪除舊傷的照片或視頻,也無法掩蓋該處損傷曾經被鑒定為舊傷的資訊,可以有效減少詐欺風險,提高損傷識別的可靠性,進而提高定損結果的可靠性。
Description
本說明書實施例方案屬於電腦終端保險業務資料處理的技術領域,尤其涉及一種車輛損傷識別的處理方法、處理設備、客戶端及伺服器。
機動車輛保險即汽車保險(或簡稱車險),是指對機動車輛由於自然災害或意外事故所造成的人身傷亡或財產損失負賠償責任的一種商業保險。隨著經濟的發展,機動車輛的數量不斷增加,當前,車險已成為中國財產保險業務中最大的險種之一。
在車險行業,車主發生車輛事故提出理賠申請時,保險公司需要對車輛的損傷程度進行評估,以確定需要修復的項目清單,以及賠付金額等。目前的評估方式主要包括:通過保險公司或第三方評估機構勘查員,對發生事故的車輛進行現場評估,或由用戶在保險公司人員的指導下,對事故車輛拍照,通過網路傳遞給保險公司,再由定損人員通過照片進行損傷識別。目前需要車險應用中,損傷的識別,如確認損傷程度、損傷類型、是否為舊傷等主
要依靠勘查員的經驗的人工判斷。但實際處理中,由於不同勘查員經驗、判識尺度各不相同,主觀性較強,尤其對於勘查員對定損中惡意的詐欺行為更少難以識別。
因此,業內亟需一種可以更加高效可靠的識別車輛損傷的處理方案。
本說明書實施例目的在於提供一種車輛損傷識別的處理方法、處理設備、客戶端及伺服器,用戶可以在終端設備上自動識別車輛損傷是否為舊傷,能夠在拍攝圖片或視頻時對識別出的舊傷給出即時回饋,降低對勘查員經驗的要求,以及減少保險公司因舊傷索賠帶來的損失。
本說明書實施例提供的一種車輛損傷識別的處理方法、處理設備、客戶端及伺服器是包括以下方式實現的:一種車輛損傷識別的處理方法,該方法包括:獲取車輛的拍攝圖像;若識別出該拍攝圖像中存在損傷,則利用預先訓練的第一深度神經網路判斷該損傷是否為舊傷;若是,則在拍攝視窗中顯示該損傷為疑似舊傷的提示資訊,該提示資訊在該拍攝視窗中以顯著方式呈現。
一種車輛損傷識別的處理方法,該方法包括:接收客戶端發送的損傷為舊傷的判斷結果;利用預設演算法對該損傷是否為舊傷是識別結果,該預設演算法中判斷是否為舊傷使用的資料至少包括車主歷史出險記錄、車主信用記錄、車主與定損關聯方的關係網路資料中的至少一項;
向該客戶端返回識別結果。
一種車輛損傷識別的處理裝置,該裝置包括:
拍攝模組,用於獲取車輛的拍攝圖像;
損傷確定模組,用於若識別出該拍攝圖像中存在損傷,則利用預先訓練的第一深度神經網路判斷該損傷是否為舊傷;
顯著顯示模組,用於確定該損傷為舊傷時,在拍攝視窗中顯示該損傷為疑似舊傷的提示資訊,該提示資訊在該拍攝視窗中以顯著方式呈現。
一種車輛損傷識別的處理裝置,該裝置包括:
結果接收模組,用於接收客戶端發送的損傷為舊傷的判斷結果;
舊傷識別模組,用於利用預設演算法對該損傷是否為舊傷是識別結果,該預設演算法中判斷是否為舊傷使用的資料至少包括車主歷史出險記錄、車主信用記錄、車主與定損關聯方的關係網路資料中的至少一項;
結果回饋模組,用於向該客戶端返回識別結果。
一種車輛損傷識別的處理裝置,包括處理器以及用於儲存處理器可執行指令的記憶體,該處理器執行該指令時實現:
接收客戶端發送的損傷為舊傷的判斷結果;
利用預設演算法對該損傷是否為舊傷是識別結果,該預設演算法中判斷是否為舊傷使用的資料至少包括車主歷史出險記錄、車主信用記錄、車主與定損關聯方的關係網路資料中的至少一項;
向該客戶端返回識別結果。
一種車輛定損的資料處理設備,包括處理器以及用於儲存處理器可執行指令的記憶體,該處理器執行該指令時實現:
獲取車輛的拍攝圖像;
若識別出該拍攝圖像中存在損傷,則利用預先訓練的第一深度神經網路判斷該損傷是否為舊傷;
若是,則在拍攝視窗中顯示該損傷為疑似舊傷的提示資訊,該提示資訊在該拍攝視窗中以顯著方式呈現。
一種客戶端,包括處理器以及用於儲存處理器可執行指令的記憶體,該處理器執行該指令時實現:
獲取車輛的拍攝圖像;
若識別出該拍攝圖像中存在損傷,則利用預先訓練的第一深度神經網路判斷該損傷是否為舊傷;
若是,則在拍攝視窗中顯示該損傷為疑似舊傷的提示資訊,該提示資訊在該拍攝視窗中以顯著方式呈現。
一種伺服器,包括處理器以及用於儲存處理器可執行指令的記憶體,該處理器執行該指令時實現:
接收客戶端發送的損傷為舊傷的判斷結果;
利用預設演算法對該損傷是否為舊傷是識別結果,該預設演算法中判斷是否為舊傷使用的資料至少包括車主歷史出險記錄、車主信用記錄、車主與定損關聯方的關係網路資料中的至少一項;
向該客戶端返回識別結果。
一種定損處理系統,該系統包括客戶端和伺服器,該客戶端的處理器執行儲存處理器可執行指令時實現本說明書任意一個客戶端實施例所述的方法步驟;
該伺服器的處理器執行儲存處理器可執行指令時實現任意一個伺服器一側所述的方法步驟。
本說明書實施例提供的一種車輛損傷識別的處理方法、處理設備、客戶端及伺服器。本方法提供一種在終端設備上自動識別車輛損傷是否為舊傷的實施方案,在照片或視頻拍攝時對損傷是否舊傷進行實時識別,無需人為干預,可有效降低對勘查人員技能的要求。同時,識別出疑似舊傷的資訊可以自動記錄並傳輸到指定的伺服器系統中,如傳輸給保險公司,這樣,即便勘查人員或惡意用戶刪除舊傷的照片或視頻,也無法掩蓋該處損傷曾經被鑒定為舊傷的資訊,可以有效減少詐欺風險,提高損傷識別的可靠性,進而提高定損結果的可靠性。
為了使本技術領域的人員更好地理解本說明書中的技術方案,下面將結合本說明書實施例中的圖式,對本說明書實施例中的技術方案進行清楚、完整地描述,顯然,所描述的實施例僅僅是本說明書中的一部分實施例,而不是全部的實施例。基於本說明書中的一個或多個實施例,本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例,都應當屬於本說明書實施例保護的範圍。
本說明書提供的一種實施方案可以應用到客戶端/伺服器的系統構架中。所述的客戶端可以包括車損現場人員(可以是事故車車主用戶,也可以是保險公司人員或進行定損處理的其他人員)使用的具有拍攝功能的終端設備,如智慧型手機、平板電腦、智慧型穿戴設備、專用定損終端等。所述的客戶端可以具有通信模組,可以與遠程的伺服器進行通信連接,實現與該伺服器的資料傳輸。該伺服器可以包括保險公司一側的伺服器或定損服務方一側的伺服器,其他的實施場景中也可以包括其他服務方的伺服器,例如與定損服務方的伺服器有通信鏈接的配件供應商的終端、車輛維修廠的終端等。所述的伺服器可以包括單台電腦設備,也可以包括多個伺服器組成的伺服器集群,或者分布式系統的伺服器。一些應用場景中,客戶端一側可以將現場拍攝採集的圖像資料實時發送給伺服器,由伺服器一側進行損傷的識別,識別的結果可以回饋給客戶端。伺服器一側的處理的實施方案,損傷識別等處理由伺服器一側執行,處理速度通常高於客戶端一側,可以減少客戶端處理壓力,提高損傷識別速度。當然,本說明書不排除其他的實施例中上述全部或部分處理由客戶端一側實現,如客戶端一側進行損傷的實時檢測和識別。
一般的,車損舊傷在外觀上有一定的視覺特徵,如存在鏽跡,缺少新畫痕,或者附帶的對方車輛或物體的表面油漆、痕跡,等等。本說明書提供的一個或多個實施例中,可以預先建構深度神經網路,利用預先收集的帶有車輛舊傷的訓練樣本圖片進行訓練,這訓練樣本圖片可以預先人工對舊傷進行打標。通過深度神經網路的樣本訓練,可以得到包括預測車損是否為舊傷的分類器的識別模型。所述的深度神經網路可以包括多種網路模型,優選的實施方案中可以使用卷積類神經網路(Convolutional Neural Network,CNN)進行訓練。一般的,卷積類神經網路具有較為強大的圖片分類預測能力,本說明書的一些實施例中可以根據實施場景和設計需求設計網路模型結構,如隱藏層的層數,或者再結合池化層、全連接層等建構訓練模型。圖1是本說明書一個實施例中使用的深度神經網路的模型結構示意圖。需要說明書的是,圖1所示的網路模型可以為客戶端使用的第一深度神經網路,也可以為伺服器一側使用的第二深度神經網路。通過神經網路確定損傷為舊傷後,可以在終端處理的取景窗口中使用顯著的方式進行提示,不但可以明顯的提示用戶該損傷為舊傷,還可以降低惡意用戶利用該舊傷進行索賠的主動性(惡意用戶已經得知該損傷被系統判定為舊傷了,利用價值大幅降低)。
本說明書一個或多個實施例中,所述的第一或第二深度神經網路,可以採用離線預先建構的方式生成,可以預先選取標記有損傷為舊傷的樣本圖像進行訓練,訓練完成後再在線上使用。本說明書不排除該深度神經網路可以採用在線建構或更新/維護的方式,在電腦能力足夠的情況下,客戶端或伺服器一側可以在線建構出深度神經網路,建構出深度神經網路可以即時在線使用,對拍攝圖像識別的圖像是否為舊傷進行識別處理。
下面以一個具體的手機客戶端應用場景為例對本說明書實施方案進行說明。具體的,圖2是本說明書提供的該一種車輛定損的資料處理方法實施例的流程示意圖。雖然本說明書提供了如下述實施例或圖式所示的方法操作步驟或裝置結構,但基於常規或者無需創造性的勞動在該方法或裝置中可以包括更多或者部分合併後更少的操作步驟或模組單元。在邏輯性上不存在必要因果關係的步驟或結構中,這些步驟的執行順序或裝置的模組結構不限於本說明書實施例或圖式所示的執行順序或模組結構。所述的方法或模組結構的在實際中的裝置、伺服器或終端產品應用時,可以按照實施例或者圖式所示的方法或模組結構進行順序執行或者並行執行(例如並行處理器或者多線程處理的環境、甚至包括分布式處理、伺服器集群的實施環境)。當然,下述實施例的描述並不對基於本說明書的其他可擴展到的技術方案構成限制。例如其他的實施場景中。具體的一種實施例如圖1所示,本說明書提供的一種車輛定損的資料處理方法的一種實施例中,該方法可以包括:
S0:獲取車輛的拍攝圖像;
S2:若識別出該拍攝圖像中存在損傷,則利用預先訓練的第一深度神經網路判斷該損傷是否為舊傷;
S4:若是,則在拍攝視窗中顯示該損傷為疑似舊傷的提示資訊,該提示資訊在該拍攝視窗中以顯著方式呈現。
本實施例中用戶一側的客戶端可以為智慧型手機,所述的智慧型手機可以具有拍攝功能。用戶可以在車輛事故現場打開實施了本說明書實施方案的手機應用程式對車輛事故現場進行取景拍攝。客戶端打開應用程式後,可以在客戶端顯示螢幕上展示拍攝視窗,通過拍攝視窗獲取對車輛進行拍攝。所述的拍攝視窗可以為視頻拍攝窗口,可以用於終端對車損現場的取景(圖像採集),通過客戶端集成的拍攝裝置獲取的圖像資訊可以展示在該拍攝視窗中。該拍攝視窗具體的介面結構和展示的相關資訊可以自定義的設計。
車輛拍攝過程中可以獲取車輛的拍攝圖像,可以識別該圖像中是否存在損傷。
本說明書的一些實施例中,損傷識別的處理可以由客戶端一側實施,也可以由伺服器一側進行處理,此時的伺服器可以稱為損傷識別伺服器。在一些應用場景或計算能力允許的情況下,客戶端採集的圖像可以直接在客戶端本地進行損傷識別,或者以及其他的定損資料處理,可以減少網路傳輸開銷。當然,如前該,通常伺服器一側的計算能力強於客戶端。本說明書提供的該方法的另一個實施例中,損傷識別的處理可以由伺服器一側進行處理。具體的,該識別出該拍攝圖像中存在損傷可以包括:
S20:將拍攝獲取的採集圖像發送至損傷識別伺服器;
S22:接收伺服器返回的損傷識別結果,該損傷識別結果包括損傷識別伺服器利用預先建構的損傷識別模型識別該採集圖像是否存在損傷。
上述實施例中,客戶端或伺服器一側可以利用預先或實時訓練建構的深度神經網路來識別圖像中的損傷,如損傷位置、損傷部件、損傷類型等。
深度神經網路能夠用於目標檢測及語義分割,對於輸入的圖片,找到目標在圖片中的位置。圖3是說明書該方法實施例使用的損傷是否存在損傷的深度神經網路模型示意圖。圖3中描述的為一種比較典型的深度神經網路Faster R-CNN,可以通過事先標注好損傷區域的大量圖片,訓練出一個深度神經網路,對於車輛各個方位及光照條件的圖片,給出損傷區域的範圍。另外,本說明書的一些實施例中,可以使用針對移動設備定制的網路結構,如基於典型的MobileNet、SqueezeNet或其改進的網路結構,使得識別是否儲存算的模型能在移動設備較低功耗、較少內部記憶體、較慢處理器的環境下運行,如客戶端的移動終端運行環境。
確定損傷為舊傷後,可以在客戶端的拍攝視窗中顯示該損傷為舊傷的提示資訊。此處識別出的損傷為舊傷是基於拍攝圖像的資料處理得到,一些實施場景下,新傷和舊傷的特徵可能十分接近,造成即使是新傷也可能判識為舊傷的情況。因此,本說明書實施例中此處識別的舊傷在客戶端顯示時可以顯示為疑似舊傷。顯示損傷為舊傷的提示資訊可以採用顯示方式進行呈現後顯示在拍攝視窗。所述的顯著方式呈現,主要是指在拍攝畫面中使用一些特點的呈現方式標出損傷區域,使得該損傷區域容易識別,或較為突出。本實施例中對具體的呈現方式不做限定,具體的可以設置達到顯著方式呈現的約束條件或滿足條件。
本說明書提供的該方法的另一個實施例中,所述的顯著方式呈現可以包括:
S40:採用預設表徵符號標識出該提示資訊,該預設表徵符號包括下述之一:
文字、圓點、引導線、規則圖形方塊、不規則圖形方塊、自定義的圖形。
圖4是本說明書提供一種採用實心原點和紅色文字標識舊傷的常用應用示意圖,圖4中前保險桿和左後葉子板為識別出的新傷,其提示資訊為綠色文本。當然,其他的實施方式中,所述的預設表徵符號還可以包括其他形式,如引導線、規則圖形方塊、不規則圖形方塊、自定義的圖形等,其他的實施例中也可以使用文字、字元、資料等標識出損傷區域,指引用戶對損傷區域進行拍攝。呈現時可以使用一種或多種預設表徵符號。本實施例中採用預設表徵符號來標識出損傷區域,可以在拍攝視窗中更加明顯的展示出損傷所在的位置區域,輔助用戶快速定位以及引導拍攝。
本說明書提供的該方法的另一個實施例中,還可以採用動態呈現效果來標識提示資訊,以更加明顯的方式提示用戶該損傷為舊傷。具體的,另一個實施例中,該顯著方式呈現包括:
S400:對該預設表徵符號進行顏色變換、大小變換、旋轉、跳動中的至少一項動畫展示。
本說明書的一些實施例中,可以集合AR疊加顯示損傷的邊界。所述的擴增實境AR通常是指一種實時地計算攝影機影像的位置及角度並加上相應圖像、視頻、3D模型的技術實現方案,這種方案可以在螢幕上把虛擬世界套在現實世界並進行互動。所述的AR模型可以在該拍攝時長中與真實的車輛位置進行匹配,如將建構的3D輪廓疊加到真實車輛的輪廓位置,當兩者完全匹配或匹配程度達到閾值時可以認為完成匹配。具體的匹配處理中,可以通過對取景方向做引導,用戶通過引導移動拍攝方向或角度,將建構的輪廓與拍攝的真實車輛的輪廓對準。本說明書實施例結合擴增實境技術,不僅展現了用戶實際客戶端拍攝的車輛真實資訊,而且將建構的該車輛的擴增實境空間模型資訊同時顯示出來,兩種資訊相互補充、疊加,可以提供更好的定損服務體驗。
上述實施例描述了通過文字展示的提示資訊的實施方式。可擴展實施例中,所述的提示資訊還可以包括圖像、語音、動畫、震動等的展現方式,通過箭頭或語音提示將當前拍攝畫面對準某個區域。因此,該方法的另一個實施例中,該提示資訊的在該當前拍攝視窗展示的形式包括符號、文字、語音、動畫、視頻、震動中的至少一種。
客戶端應用程式可以將識別為舊傷的判識結果自動回傳到系統後台進行儲存,以便進行後續的人工或自動定損處理。還可以避免或降低用戶利用舊傷進行騙保的風險。因此,本說明書提供的該方法的另一個實施例中,在判斷該損傷為舊傷後,該方法還包括:
S6:將包括識別該損傷為舊傷的資料資訊發送給預定伺服器。
圖5是本說明書提供的該方法的另一個實施例的流程示意圖。該預定伺服器可以包括保險公司一側的伺服器,也可以先換成在客戶端一側,然後以異步傳輸的方式在網路條件允許的情況下回傳到保險公司後端系統,該結果可用於對案件進行進一步審核,即便現場勘查人員刪除該處照片,換其他地方拍攝,在後端系統也看到此次識別結果,進一步提高了造假的難度。
需要說明的,上述實施例中所描述的實時可以包括在獲取或確定某個資料資訊後即刻發送、接收或展示,本領域技術人員可以理解的是,經過緩存或預期的計算、等待時間後的發送、接收或展示仍然可以屬於該實時的定義範圍。本說明書實施例所述的圖像可以包括視頻,視頻可以視為連續的圖像集合。
另外,本說明書實施例方案中確定為舊傷的識別結果可以發送給預定伺服器進行儲存,可以有效防止定損資料被竄改的保險詐欺。因此,本說明書實施例還可以提高定損處理的資料安全性和定損結果的可靠性。
另一個實施例中,由於移動端處理性能有限,後端系統在接收到APP上傳的照片或視頻時,還可進一步利用服務端更強大的處理能力,用精度更高的深度神經網路(在此可以稱為第二深度神經網路)進行分析。前述客戶端或伺服器使用第一深度神經網路的判斷結果,可作為輸入特徵,與保險公司所擁有的,或通過第三方授權合法獲取其他資訊(如車主信用記錄、車輛歷史出險記錄、車主與勘查員、維修廠的關係網路、地理位置資訊等)一起,再通過機器學習的方式,對是否舊傷進行更全面、更精確的判斷。需要說明的是,該伺服器可以使用其他的機器學習演算法來進一步判斷算損傷是否為舊傷,本發明並不僅限於深度神經網路。因此,本說明書提供的該方法的另一個實施例中,在判斷該損傷為舊傷後,該方法還可以包括:
S80:將判斷該損傷為舊傷的判斷結果發送給伺服器;
S82:接收伺服器利用預設演算法對該損傷是否為舊傷是識別結果,該預設演算法中是否為舊傷使用的資料至少包括車主歷史出險記錄、車主信用記錄、車主與定損關聯方的關係網路資料中的至少一項。
如前述該,該預設演算法可以包括深度神經網路,也可以包括其他的機器學習演算法,如也可以為自定義設置的演算法。
上述實施例描述了用戶在手機客戶端進行車輛定損的資料處理方法實施方式。需要說明的是,本說明書實施例上述所述的方法可以在多種處理設備中,如專用定損終端,以及包括客戶端與伺服器架構的實施場景中。
基於前述描述,本說明書還提供一種可以用於伺服器一側的一種車輛損傷識別的處理方法,具體的可以包括:
接收客戶端發送的損傷為舊傷的判斷結果;
利用預設演算法對該損傷是否為舊傷是識別結果,該預設演算法中判斷是否為舊傷使用的資料至少包括車主歷史出險記錄、車主信用記錄、車主與定損關聯方的關係網路資料中的至少一項;
向該客戶端返回識別結果。
本說明書中上述方法的各個實施例均採用遞進的方式描述,各個實施例之間相同相似的部分互相參見即可,每個實施例重點說明的都是與其他實施例的不同之處。相關之處參見方法實施例的部分說明即可。
本發明實施例所提供的方法實施例可以在移動終端、PC終端、專用定損終端、伺服器或者類似的運算裝置中執行。以運行在移動終端上為例,圖6是應用本發明方法或裝置實施例一種車輛定損的交互處理的客戶端的硬體結構方塊圖。如圖6所示,客戶端10可以包括一個或多個(圖中僅示出一個)處理器102(處理器102可以包括但不限於微處理器MCU或可程式化邏輯裝置FPGA等的處理裝置)、用於儲存資料的記憶體104、以及用於通信功能的傳輸模組106。本領域普通技術人員可以理解,圖6所示的結構僅為示意,其並不對上述電子裝置的結構造成限定。例如,客戶端10還可包括比圖6中所示更多或者更少的組件,例如還可以包括其他的處理硬體,如GPU(Graphics Processing Unit,圖像處理器),或者具有與圖6所示不同的配置。
記憶體104可用於儲存應用程式軟體的軟體程式以及模組,如本說明書實施例中的搜索方法對應的程式指令/模組,處理器102通過運行儲存在記憶體104內的軟體程式以及模組,從而執行各種功能應用程式以及資料處理,即實現上述導航交互介面內容展示的處理方法。記憶體104可包括高速隨機記憶體,還可包括非揮發性記憶體,如一個或者多個磁性儲存裝置、快閃記憶體、或者其他非揮發性固態記憶體。在一些實例中,記憶體104可進一步包括相對於處理器102遠程設置的記憶體,這些遠程記憶體可以通過網路連接至客戶端10。上述網路的實例包括但不限於網際網路、企業內部網、區域網路、移動通信網及其組合。
傳輸模組106用於經由一個網路接收或者發送資料。上述的網路具體實例可包括電腦終端10的通信供應商提供的無線網路。在一個實例中,傳輸模組106包括一個網路控制器(Network Interface Controller,NIC),其可通過基站與其他網路設備相連從而可與網際網路進行通訊。在一個實例中,傳輸模組106可以為射頻(Radio Frequency,RF)模組,其用於通過無線方式與網際網路進行通訊。
基於上述所述的圖像物體定位的方法,本說明書還提供一種車輛損傷識別的處理裝置。所述的裝置可以包括使用了本說明書實施例該方法的系統(包括分布式系統)、軟體(應用程式)、模組、組件、伺服器、客戶端等並結合必要的實施硬體的設備裝置。基於同一創新構思,本說明書提供的一種實施例中的處理裝置如下面的實施例該。由於裝置解決問題的實現方案與方法相似,因此本說明書實施例具體的處理裝置的實施可以參見前述方法的實施,重複之處不再贅述。儘管以下實施例所描述的裝置較佳地以軟體來實現,但是硬體,或者軟體和硬體的組合的實現也是可能並被構想的。具體的,如圖7所示,圖7是本說明書提供的一種車輛損傷識別的處理裝置實施例的模組結構示意圖,具體的可以包括:
拍攝模組201,可以用於獲取車輛的拍攝圖像;
損傷確定模組202,可以用於若識別出該拍攝圖像中存在損傷,則利用預先訓練的第一深度神經網路判斷該損傷是否為舊傷;
顯著顯示模組203,可以用於確定該損傷為舊傷時,在拍攝視窗中顯示該損傷為疑似舊傷的提示資訊,該提示資訊在該拍攝視窗中以顯著方式呈現。
基於前述方法實施例描述,還提供可以用於伺服器一側的車輛損傷識別的處理裝置。具體的可以包括:
結果接收模組301,可以用於接收客戶端發送的損傷為舊傷的判斷結果;
舊傷識別模組302,可以用於利用預設演算法對該損傷是否為舊傷是識別結果,該預設演算法中判斷是否為舊傷使用的資料至少包括車主歷史出險記錄、車主信用記錄、車主與定損關聯方的關係網路資料中的至少一項;
結果回饋模組303,可以用於向該客戶端返回識別結果。
需要說明的是,上述實施例上述所述的裝置,根據相關方法實施例的描述還可以包括其他的實施方式,如執行呈現的呈現處理模組、進行AR處理的AR顯示模組等。具體的實現方式可以參照方法實施例的描述,在此不作一一贅述。
本說明書實施例提供的設備型號識別方法可以在電腦中由處理器執行相應的程式指令來實現,如使用windows/Linux操作系統的c++/java語言在PC端/伺服器端實現,或其他例如android、iOS系統相對應的應用程式設計語言集合必要的硬體實現,或者基於量子電腦的處理邏輯實現等。具體的,本說明書提供的一種車輛定損的資料處理設備實現上述方法的實施例中,該處理設備可以包括處理器以及用於儲存處理器可執行指令的記憶體,該處理器執行該指令時實現:
獲取車輛的拍攝圖像;
若識別出該拍攝圖像中存在損傷,則利用預先訓練的第一深度神經網路判斷該損傷是否為舊傷;
若是,則在拍攝視窗中顯示該損傷為疑似舊傷的提示資訊,該提示資訊在該拍攝視窗中以顯著方式呈現。
基於前述方法實施例描述,該處理設備的另一個實施例中,該處理器還執行:
將判斷該損傷為舊傷的判斷結果發送給伺服器;
接收伺服器利用預設演算法對該損傷是否為舊傷是識別結果,該預設演算法中判斷是否為舊傷使用的資料至少包括車主歷史出險記錄、車主信用記錄、車主與定損關聯方的關係網路資料中的至少一項。
基於前述方法實施例描述,該處理設備的另一個實施例中,該顯著方式呈現包括:
採用預設表徵符號標識出該提示資訊,該預設表徵符號包括下述之一:
文字、圓點、引導線、規則圖形方塊、不規則圖形方塊、自定義的圖形。
基於前述方法實施例描述,該處理設備的另一個實施例中,該顯著方式呈現包括:
對該預設表徵符號進行顏色變換、大小變換、旋轉、跳動中的至少一項動畫展示。
基於前述方法實施例描述,該處理設備的另一個實施例中,該處理器還執行:
將包括識別該損傷為舊傷的資料資訊發送給預定伺服器。
基於前述方法實施例描述,該處理設備的另一個實施例中,該提示資訊的形式包括符號、文字、語音、動畫、視頻、震動中的至少一種。
基於前述方法實施例描述,該處理設備的另一個實施例中,該處理設備可以包括處理器以及用於儲存處理器可執行指令的記憶體,該處理器執行該指令時實現:
接收客戶端發送的損傷為舊傷的判斷結果;
利用預設演算法對該損傷是否為舊傷是識別結果,該預設演算法中判斷是否為舊傷使用的資料至少包括車主歷史出險記錄、車主信用記錄、車主與定損關聯方的關係網路資料中的至少一項;
向該客戶端返回識別結果。
需要說明的是,上述實施例上述所述的處理設備,根據相關方法實施例的描述還可以包括其他的可擴展實施方式。具體的實現方式可以參照方法實施例的描述,在此不作一一贅述。
上述的指令可以儲存在多種電腦可讀儲存介質中。該電腦可讀儲存介質可以包括用於儲存資訊的物理裝置,可以將資訊數位化後再以利用電、磁或者光學等方式的媒體加以儲存。本實施例所述的電腦可讀儲存介質有可以包括:利用電能方式儲存資訊的裝置如,各式記憶體,如RAM、ROM等;利用磁能方式儲存資訊的裝置如,硬碟、軟碟、磁帶、磁芯記憶體、磁泡記憶體、隨身碟;利用光學方式儲存資訊的裝置如,CD或DVD。當然,還有其他方式的可讀儲存介質,例如量子記憶體、石墨烯記憶體等等。本說明書實施例中所述的裝置或伺服器或客戶端或系統中的指令同上描述。
上述方法或裝置實施例可以用於用戶一側的客戶端,如智慧型手機。因此,本說明書提供一種客戶端,包括處理器以及用於儲存處理器可執行指令的記憶體,該處理器執行該指令時實現:
獲取車輛的拍攝圖像;
若識別出該拍攝圖像中存在損傷,則利用預先訓練的第一深度神經網路判斷該損傷是否為舊傷;
若是,則在拍攝視窗中顯示該損傷為疑似舊傷的提示資訊,該提示資訊在該拍攝視窗中以顯著方式呈現。
本說明書提供一種伺服器,包括處理器以及用於儲存處理器可執行指令的記憶體,該處理器執行該指令時實現:
接收客戶端發送的損傷為舊傷的判斷結果;
利用預設演算法對該損傷是否為舊傷是識別結果,該預設演算法中判斷是否為舊傷使用的資料至少包括車主歷史出險記錄、車主信用記錄、車主與定損關聯方的關係網路資料中的至少一項;
向該客戶端返回識別結果。
基於前述該,本說明書實施例還提供一種定損處理系統,該系統包括客戶端和伺服器,該客戶端的處理器執行儲存處理器可執行指令時實現本說明書中可實施於客戶端一側的任意一個實施例的方法步驟;
該伺服器的處理器執行儲存處理器可執行指令時實現本說明書中可實施於伺服器一側的任意一個實施例的方法步驟。
本說明書所述的裝置、客戶端、伺服器、系統等的各個實施例均採用遞進的方式描述,各個實施例之間相同相似的部分互相參見即可,每個實施例重點說明的都是與其他實施例的不同之處。尤其,對於硬體+程式類實施例而言,由於其基本相似於方法實施例,所以描述的比較簡單,相關之處參見方法實施例的部分說明即可。
上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下,在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外,在圖式中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中,多任務處理和並行處理也是可以的或者可能是有利的。
雖然本發明提供了如實施例或流程圖所述的方法操作步驟,但基於常規或者無創造性的勞動可以包括更多或者更少的操作步驟。實施例中列舉的步驟順序僅僅為眾多步驟執行順序中的一種方式,不代表唯一的執行順序。在實際中的裝置或客戶端產品執行時,可以按照實施例或者圖式所示的方法順序執行或者並行執行(例如並行處理器或者多線程處理的環境)。
儘管本說明書實施例內容中提到AR技術、CNN網路訓練、客戶端或伺服器執行損傷識別處理、客戶端與伺服器消息交互等之類的資料獲取、位置排列、交互、計算、判斷等操作和資料描述,但是,本說明書實施例並不局限於必須是符合行業通信標準、標準圖像資料處理協議、通信協議和標準資料模型/模板或本說明書實施例所描述的情況。某些行業標準或者使用自定義方式或實施例描述的實施基礎上略加修改後的實施方案也可以實現上述實施例相同、等同或相近、或變形後可預料的實施效果。應用這些修改或變形後的資料獲取、儲存、判斷、處理方式等獲取的實施例,仍然可以屬於本說明書的可選實施方案範圍之內。
在20世紀90年代,對於一個技術的改進可以很明顯地區分是硬體上的改進(例如,對二極體、電晶體、開關等電路結構的改進)還是軟體上的改進(對於方法流程的改進)。然而,隨著技術的發展,當今的很多方法流程的改進已經可以視為硬體電路結構的直接改進。設計人員幾乎都通過將改進的方法流程程式化到硬體電路中來得到相應的硬體電路結構。因此,不能說一個方法流程的改進就不能用硬體實體模組來實現。例如,可程式化邏輯裝置(Programmable Logic Device, PLD)(例如現場可程式化閘陣列(Field Programmable Gate Array,FPGA))就是這樣一種積體電路,其邏輯功能由用戶對裝置程式化來確定。由設計人員自行程式化來把一個數位系統“集成”在一片PLD上,而不需要請晶片製造廠商來設計和製作專用的積體電路晶片。而且,如今,取代手工地製作積體電路晶片,這種程式化也多半改用“邏輯編譯器(logic compiler)”軟體來實現,它與程式開發撰寫時所用的軟體編譯器相類似,而要編譯之前的原始代碼也得用特定的程式化語言來撰寫,此稱之為硬體描述語言(Hardware Description Language,HDL),而HDL也並非僅有一種,而是有許多種,如ABEL(Advanced Boolean Expression Language)、AHDL (Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等,目前最普遍使用的是VHDL (Very-High-Speed Integrated Circuit Hardware Description Language)與Verilog。本領域技術人員也應該清楚,只需要將方法流程用上述幾種硬體描述語言稍作邏輯程式化並程式化到積體電路中,就可以很容易得到實現該邏輯方法流程的硬體電路。
控制器可以按任何適當的方式實現,例如,控制器可以採取例如微處理器或處理器以及儲存可由該(微)處理器執行的電腦可讀程式代碼(例如軟體或韌體)的電腦可讀介質、邏輯閘、開關、專用積體電路(Application Specific Integrated Circuit,ASIC)、可程式化邏輯控制器和嵌入微控制器的形式,控制器的例子包括但不限於以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,記憶體控制器還可以被實現為記憶體的控制邏輯的一部分。本領域技術人員也知道,除了以純電腦可讀程式代碼方式實現控制器以外,完全可以通過將方法步驟進行邏輯程式化來使得控制器以邏輯閘、開關、專用積體電路、可程式化邏輯控制器和嵌入微控制器等的形式來實現相同功能。因此這種控制器可以被認為是一種硬體部件,而對其內包括的用於實現各種功能的裝置也可以視為硬體部件內的結構。或者甚至,可以將用於實現各種功能的裝置視為既可以是實現方法的軟體模組又可以是硬體部件內的結構。
上述實施例闡明的系統、裝置、模組或單元,具體可以由電腦晶片或實體實現,或者由具有某種功能的產品來實現。一種典型的實現設備為電腦。具體的,電腦例如可以為個人電腦、筆記型電腦、車載人機交互設備、蜂巢式電話、相機電話、智慧型電話、個人數位助理、媒體播放器、導航設備、電子郵件設備、遊戲控制台、平板電腦、可穿戴設備或者這些設備中的任何設備的組合。
雖然本說明書實施例提供了如實施例或流程圖所述的方法操作步驟,但基於常規或者無創造性的手段可以包括更多或者更少的操作步驟。實施例中列舉的步驟順序僅僅為眾多步驟執行順序中的一種方式,不代表唯一的執行順序。在實際中的裝置或終端產品執行時,可以按照實施例或者圖式所示的方法順序執行或者並行執行(例如並行處理器或者多線程處理的環境,甚至為分布式資料處理環境)。術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含,從而使得包括一系列要素的過程、方法、產品或者設備不僅包括那些要素,而且還包括沒有明確列出的其他要素,或者是還包括為這種過程、方法、產品或者設備所固有的要素。在沒有更多限制的情況下,並不排除在包括所述要素的過程、方法、產品或者設備中還存在另外的相同或等同要素。
為了描述的方便,描述以上裝置時以功能分為各種模組分別描述。當然,在實施本說明書實施例時可以把各模組的功能在同一個或多個軟體和/或硬體中實現,也可以將實現同一功能的模組由多個子模組或子單元的組合實現等。以上所描述的裝置實施例僅僅是示意性的,例如,該單元的劃分,僅僅為一種邏輯功能劃分,實際實現時可以有另外的劃分方式,例如多個單元或組件可以結合或者可以集成到另一個系統,或一些特徵可以忽略,或不執行。另一點,所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些介面,裝置或單元的間接耦合或通信連接,可以是電性,機械或其它的形式。
本領域技術人員也知道,除了以純電腦可讀程式代碼方式實現控制器以外,完全可以通過將方法步驟進行邏輯程式化來使得控制器以邏輯閘、開關、專用積體電路、可程式化邏輯控制器和嵌入微控制器等的形式來實現相同功能。因此這種控制器可以被認為是一種硬體部件,而對其內部包括的用於實現各種功能的裝置也可以視為硬體部件內的結構。或者甚至,可以將用於實現各種功能的裝置視為既可以是實現方法的軟體模組又可以是硬體部件內的結構。
本發明是參照根據本發明實施例的方法、設備(系統)、和電腦程式產品的流程圖和/或方塊圖來描述的。應理解可由電腦程式指令實現流程圖和/或方塊圖中的每一流程和/或方塊、以及流程圖和/或方塊圖中的流程和/或方塊的結合。可提供這些電腦程式指令到通用電腦、專用電腦、嵌入式處理機或其他可程式化資料處理設備的處理器以產生一個機器,使得通過電腦或其他可程式化資料處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能的裝置。
這些電腦程式指令也可儲存在能引導電腦或其他可程式化資料處理設備以特定方式工作的電腦可讀記憶體中,使得儲存在該電腦可讀記憶體中的指令產生包括指令裝置的製造品,該指令裝置實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能。
這些電腦程式指令也可裝載到電腦或其他可程式化資料處理設備上,使得在電腦或其他可程式化設備上執行一系列操作步驟以產生電腦實現的處理,從而在電腦或其他可程式化設備上執行的指令提供用於實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能的步驟。
在一個典型的配置中,計算設備包括一個或多個處理器(CPU)、輸入/輸出介面、網路介面和內部記憶體。
內部記憶體可能包括電腦可讀介質中的非永久性記憶體,隨機存取記憶體(RAM)和/或非揮發性內部記憶體等形式,如唯讀記憶體(ROM)或快閃記憶體(flash RAM)。內部記憶體是電腦可讀介質的示例。
電腦可讀介質包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存介質的例子包括,但不限於相變內部記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電可擦除可程式化唯讀記憶體(EEPROM)、快閃記憶體或其他內部記憶體技術、唯讀光碟唯讀記憶體(CD-ROM)、數位多功能光碟(DVD)或其他光學儲存、磁盒式磁帶,磁帶磁磁碟儲存或其他磁性儲存設備或任何其他非傳輸介質,可用於儲存可以被計算設備存取的資訊。按照本文中的界定,電腦可讀介質不包括暫存電腦可讀媒體(transitory media),如調變的資料信號和載波。
本領域技術人員應明白,本說明書的實施例可提供為方法、系統或電腦程式產品。因此,本說明書實施例可採用完全硬體實施例、完全軟體實施例或結合軟體和硬體方面的實施例的形式。而且,本說明書實施例可採用在一個或多個其中包含有電腦可用程式代碼的電腦可用儲存介質(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。
本說明書實施例可以在由電腦執行的電腦可執行指令的一般上下文中描述,例如程式模組。一般地,程式模組包括執行特定任務或實現特定抽象資料類型的例程、程式、物件、組件、資料結構等等。也可以在分布式計算環境中實踐本說明書實施例,在這些分布式計算環境中,由通過通信網路而被連接的遠程處理設備來執行任務。在分布式計算環境中,程式模組可以位於包括儲存設備在內的本地和遠程電腦儲存介質中。
本說明書中的各個實施例均採用遞進的方式描述,各個實施例之間相同相似的部分互相參見即可,每個實施例重點說明的都是與其他實施例的不同之處。尤其,對於系統實施例而言,由於其基本相似於方法實施例,所以描述的比較簡單,相關之處參見方法實施例的部分說明即可。在本說明書的描述中,參考術語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結合該實施例或示例描述的具體特徵、結構、材料或者特點包含於本說明書實施例的至少一個實施例或示例中。在本說明書中,對上述術語的示意性表述不必須針對的是相同的實施例或示例。而且,描述的具體特徵、結構、材料或者特點可以在任一個或多個實施例或示例中以合適的方式結合。此外,在不相互矛盾的情況下,本領域的技術人員可以將本說明書中描述的不同實施例或示例以及不同實施例或示例的特徵進行結合和組合。
以上所述僅為本說明書實施例的實施例而已,並不用於限制本說明書實施例。對於本領域技術人員來說,本說明書實施例可以有各種更改和變化。凡在本說明書實施例的精神和原理之內所作的任何修改、等同替換、改進等,均應包含在本說明書實施例的申請專利範圍之內。
S0~S6‧‧‧步驟
10‧‧‧客戶端
102‧‧‧處理器
104‧‧‧非揮發性記憶體
106‧‧‧傳輸模組
201‧‧‧拍攝模組
202‧‧‧損傷確定模組
203‧‧‧顯著顯示模組
301‧‧‧結果接收模組
302‧‧‧舊傷識別模組
303‧‧‧結果回饋模組
為了更清楚地說明本說明書實施例或現有技術中的技術方案,下面將對實施例或現有技術描述中所需要使用的圖式作簡單地介紹,顯而易見地,下面描述中的圖式僅僅是本說明書中記載的一些實施例,對於本領域普通技術人員來講,在不付出創造性勞動性的前提下,還可以根據這些圖式獲得其他的圖式。
圖1是本說明書一個實施例中使用的深度神經網路的模型結構示意圖;
圖2是本說明書提供的該一種車輛定損的資料處理方法實施例的流程示意圖;
圖3是本說明書該方法實施例使用的損傷是否存在損傷的深度神經網路模型示意圖;
圖4是本說明書提供一種採用實心原點和紅色文字標識舊傷的應用場景示意圖;
圖5是本說明書提供的該方法的另一個實施例的流程示意圖;
圖6是應用本發明方法或裝置實施例一種車輛定損的交互處理的客戶端的硬體結構方塊圖;
圖7是本說明書提供的一種車輛損傷識別的處理裝置實施例的模組結構示意圖。
Claims (15)
- 一種車輛損傷識別的處理方法,該方法包括:獲取車輛的拍攝圖像;若識別出該拍攝圖像中存在損傷,則利用預先訓練的第一深度神經網路判斷該損傷是否為舊傷;若是,則在拍攝視窗中顯示該損傷為疑似舊傷的提示資訊,該提示資訊在該拍攝視窗中以顯著方式呈現。
- 如請求項1所述的方法,在判斷該損傷為舊傷後,該方法還包括:將判斷該損傷為舊傷的判斷結果發送給伺服器;接收伺服器利用預設演算法對該損傷是否為舊傷是識別結果,該預設演算法中判斷是否為舊傷使用的資料至少包括車主歷史出險記錄、車主信用記錄、車主與定損關聯方的關係網路資料中的至少一項。
- 如請求項1所述的方法,在判斷該損傷為舊傷後,該方法還包括:將包括識別該損傷為舊傷的資料資訊發送給預定伺服器。
- 如請求項1所述的方法,該顯著方式呈現包括:採用預設表徵符號標識出該提示資訊,該預設表徵符 號包括下述之一:文字、圓點、引導線、規則圖形方塊、不規則圖形方塊、自定義的圖形。
- 如請求項4所述的方法,該顯著方式呈現包括:對該預設表徵符號進行顏色變換、大小變換、旋轉、跳動中的至少一項動畫展示。
- 如請求項1所述的方法,該提示資訊的形式包括符號、文字、語音、動畫、視頻、震動中的至少一種。
- 一種車輛損傷識別的處理裝置,該裝置包括:拍攝模組,用於獲取車輛的拍攝圖像;損傷確定模組,用於若識別出該拍攝圖像中存在損傷,則利用預先訓練的第一深度神經網路判斷該損傷是否為舊傷;顯著顯示模組,用於確定該損傷為舊傷時,在拍攝視窗中顯示該損傷為疑似舊傷的提示資訊,該提示資訊在該拍攝視窗中以顯著方式呈現。
- 一種車輛定損的資料處理設備,包括處理器以及用於儲存處理器可執行指令的記憶體,該處理器執行該指令時實現:獲取車輛的拍攝圖像; 若識別出該拍攝圖像中存在損傷,則利用預先訓練的第一深度神經網路判斷該損傷是否為舊傷;若是,則在拍攝視窗中顯示該損傷為疑似舊傷的提示資訊,該提示資訊在該拍攝視窗中以顯著方式呈現。
- 如請求項8所述的處理設備,該處理器還執行:將判斷該損傷為舊傷的判斷結果發送給伺服器;接收伺服器利用預設演算法對該損傷是否為舊傷是識別結果,該預設演算法中判斷是否為舊傷使用的資料至少包括車主歷史出險記錄、車主信用記錄、車主與定損關聯方的關係網路資料中的至少一項。
- 如請求項8所述的處理設備,該顯著方式呈現包括:採用預設表徵符號標識出該提示資訊,該預設表徵符號包括下述之一:文字、圓點、引導線、規則圖形方塊、不規則圖形方塊、自定義的圖形。
- 如請求項10所述的處理設備,該顯著方式呈現包括:對該預設表徵符號進行顏色變換、大小變換、旋轉、跳動中的至少一項動畫展示。
- 如請求項8所述的處理設備,該處理器還執行:將包括識別該損傷為舊傷的資料資訊發送給預定伺服 器。
- 如請求項8所述的處理設備,該提示資訊的形式包括符號、文字、語音、動畫、視頻、震動中的至少一種。
- 一種客戶端裝置,包括處理器以及用於儲存處理器可執行指令的記憶體並具有拍攝功能以及具有通信模組,可以與遠程的伺服器進行通信連接,實現與該伺服器的資料傳輸,該處理器執行該指令時實現:獲取車輛的拍攝圖像;若識別出該拍攝圖像中存在損傷,則利用預先訓練的第一深度神經網路判斷該損傷是否為舊傷;若是,則在拍攝視窗中顯示該損傷為疑似舊傷的提示資訊,該提示資訊在該拍攝視窗中以顯著方式呈現。
- 一種定損處理系統,該系統包括客戶端和伺服器,該客戶端的處理器執行儲存處理器可執行指令時實現請求項1-6中任意一項所述的方法步驟。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810433919.8 | 2018-05-08 | ||
CN201810433919.8A CN108647712A (zh) | 2018-05-08 | 2018-05-08 | 车辆损伤识别的处理方法、处理设备、客户端及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201947528A TW201947528A (zh) | 2019-12-16 |
TWI704527B true TWI704527B (zh) | 2020-09-11 |
Family
ID=63749422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108105288A TWI704527B (zh) | 2018-05-08 | 2019-02-18 | 車輛損傷識別的處理方法、處理裝置、處理設備、客戶端裝置及處理系統 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20200364802A1 (zh) |
EP (1) | EP3719703A4 (zh) |
CN (1) | CN108647712A (zh) |
SG (1) | SG11202006331RA (zh) |
TW (1) | TWI704527B (zh) |
WO (1) | WO2019214320A1 (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108682010A (zh) * | 2018-05-08 | 2018-10-19 | 阿里巴巴集团控股有限公司 | 车辆损伤识别的处理方法、处理设备、客户端及服务器 |
CN108647712A (zh) * | 2018-05-08 | 2018-10-12 | 阿里巴巴集团控股有限公司 | 车辆损伤识别的处理方法、处理设备、客户端及服务器 |
CN109558858A (zh) * | 2018-12-11 | 2019-04-02 | 北京首汽智行科技有限公司 | 基于深度学习的车内卫生自动识别方法及系统 |
CN110009508A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种车险自动赔付方法和系统 |
CN109919785A (zh) * | 2019-02-22 | 2019-06-21 | 德联易控科技(北京)有限公司 | 车辆定损的评估处理方法、装置、设备及存储介质 |
CN110136009A (zh) * | 2019-04-17 | 2019-08-16 | 阿里巴巴集团控股有限公司 | 事故车辆理赔方法和装置、电子设备 |
CN110245552B (zh) * | 2019-04-29 | 2023-07-18 | 创新先进技术有限公司 | 车损图像拍摄的交互处理方法、装置、设备及客户端 |
CN111340974A (zh) * | 2020-04-03 | 2020-06-26 | 北京首汽智行科技有限公司 | 一种记录共享汽车车辆损坏部位的方法 |
TWI818181B (zh) * | 2020-06-23 | 2023-10-11 | 新局數位科技有限公司 | 車體定損輔助系統及其實施方法 |
CN111612104B (zh) * | 2020-06-30 | 2021-04-13 | 爱保科技有限公司 | 车辆定损图像获取方法、装置、介质和电子设备 |
CN112528887B (zh) * | 2020-12-16 | 2022-10-28 | 蚂蚁胜信(上海)信息技术有限公司 | 审核方法及装置 |
CN112712498A (zh) * | 2020-12-25 | 2021-04-27 | 北京百度网讯科技有限公司 | 移动终端执行的车辆定损方法、装置、移动终端、介质 |
CN113361424A (zh) * | 2021-06-11 | 2021-09-07 | 爱保科技有限公司 | 一种车辆智能定损图像获取方法、装置、介质和电子设备 |
EP4377906A1 (en) * | 2021-07-30 | 2024-06-05 | Swiss Reinsurance Company Ltd. | Optical fraud detector for automated detection of fraud in digital imaginary-based automobile claims, automated damage recognition, and method thereof |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201626046A (zh) * | 2014-10-15 | 2016-07-16 | 精工愛普生股份有限公司 | 頭部配戴型顯示裝置、頭部配戴型顯示裝置之控制方法及電腦程式 |
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 |
US20170322119A1 (en) * | 2016-05-04 | 2017-11-09 | Embraer S.A. | Structural health monitoring system with the identification of the damage through a device based in augmented reality technology |
CN107657047A (zh) * | 2017-10-10 | 2018-02-02 | 民太安财产保险公估股份有限公司 | 保险欺诈侦测方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130173453A1 (en) * | 2007-04-20 | 2013-07-04 | Carfax, Inc. | System and Method for Evaluating Loans and Collections Based Upon Vehicle History |
CN105182535B (zh) * | 2015-09-28 | 2018-04-20 | 大连楼兰科技股份有限公司 | 使用智能眼镜进行汽车维保的方法 |
CN105405054A (zh) * | 2015-12-11 | 2016-03-16 | 平安科技(深圳)有限公司 | 基于理赔照片深度学习实现保险理赔反欺诈的方法及服务器 |
CN107092922B (zh) * | 2017-03-13 | 2018-08-31 | 平安科技(深圳)有限公司 | 车损识别方法及服务器 |
CN107368776B (zh) * | 2017-04-28 | 2020-07-03 | 阿里巴巴集团控股有限公司 | 车辆定损图像获取方法、装置、服务器和终端设备 |
CN111914692B (zh) * | 2017-04-28 | 2023-07-14 | 创新先进技术有限公司 | 车辆定损图像获取方法及装置 |
CN108647712A (zh) * | 2018-05-08 | 2018-10-12 | 阿里巴巴集团控股有限公司 | 车辆损伤识别的处理方法、处理设备、客户端及服务器 |
-
2018
- 2018-05-08 CN CN201810433919.8A patent/CN108647712A/zh active Pending
-
2019
- 2019-02-18 TW TW108105288A patent/TWI704527B/zh active
- 2019-02-25 WO PCT/CN2019/076030 patent/WO2019214320A1/zh unknown
- 2019-02-25 SG SG11202006331RA patent/SG11202006331RA/en unknown
- 2019-02-25 EP EP19799743.0A patent/EP3719703A4/en active Pending
-
2020
- 2020-07-31 US US16/945,038 patent/US20200364802A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201626046A (zh) * | 2014-10-15 | 2016-07-16 | 精工愛普生股份有限公司 | 頭部配戴型顯示裝置、頭部配戴型顯示裝置之控制方法及電腦程式 |
US20170322119A1 (en) * | 2016-05-04 | 2017-11-09 | Embraer S.A. | Structural health monitoring system with the identification of the damage through a device based in augmented reality technology |
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 |
CN107657047A (zh) * | 2017-10-10 | 2018-02-02 | 民太安财产保险公估股份有限公司 | 保险欺诈侦测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2019214320A1 (zh) | 2019-11-14 |
EP3719703A1 (en) | 2020-10-07 |
US20200364802A1 (en) | 2020-11-19 |
EP3719703A4 (en) | 2021-08-18 |
CN108647712A (zh) | 2018-10-12 |
SG11202006331RA (en) | 2020-07-29 |
TW201947528A (zh) | 2019-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI704527B (zh) | 車輛損傷識別的處理方法、處理裝置、處理設備、客戶端裝置及處理系統 | |
TWI713995B (zh) | 車輛定損的交互處理方法、裝置、設備、以及客戶端裝置和電子設備 | |
CN113179368B (zh) | 一种车辆定损的数据处理方法、装置、处理设备及客户端 | |
TWI715932B (zh) | 車輛損傷識別的處理方法及其處理裝置、車輛定損的資料處理設備、定損處理系統、客戶端及伺服器 | |
TWI709919B (zh) | 車險圖像處理方法、裝置、伺服器及系統 | |
KR102677044B1 (ko) | 이미지 처리 방법, 장치 및 디바이스, 및 저장 매체 | |
TWI726194B (zh) | 基於圖像的車輛定損方法、裝置及電子設備 | |
TWI686759B (zh) | 車險定損資料的處理方法、裝置和處理設備 | |
TW201947509A (zh) | 理賠業務的資料處理方法、裝置、設備及伺服器 | |
US11775781B2 (en) | Product verification in a messaging system | |
TW201915829A (zh) | 提升車輛定損圖像識別結果的方法、裝置及伺服器 | |
US20220319127A1 (en) | Facial synthesis in augmented reality content for third party applications | |
TW202004638A (zh) | 票據拍攝互動方法、裝置、處理設備及客戶端 | |
US11875600B2 (en) | Facial synthesis in augmented reality content for online communities | |
US20220319060A1 (en) | Facial synthesis in augmented reality content for advertisements | |
US12003883B2 (en) | Facial synthesis in overlaid augmented reality content | |
CN110781980A (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
CN114510173B (zh) | 基于增强现实的施工作业方法及装置 | |
KR20220036768A (ko) | 이미지 복원에 기반한 상품 검색 방법 및 시스템 | |
CN116883776A (zh) | 样本扩增方法、装置、设备与存储介质 |