CN105678622A - 车险理赔照片的分析方法及*** - Google Patents
车险理赔照片的分析方法及*** Download PDFInfo
- Publication number
- CN105678622A CN105678622A CN201610014000.6A CN201610014000A CN105678622A CN 105678622 A CN105678622 A CN 105678622A CN 201610014000 A CN201610014000 A CN 201610014000A CN 105678622 A CN105678622 A CN 105678622A
- Authority
- CN
- China
- Prior art keywords
- resolution
- resolution photo
- photo
- default
- car
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 118
- 230000006378 damage Effects 0.000 claims description 108
- 238000012549 training Methods 0.000 claims description 46
- 238000000605 extraction Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 14
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 239000012141 concentrate Substances 0.000 claims description 5
- 230000008832 photodamage Effects 0.000 claims description 3
- 230000003760 hair shine Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 17
- 230000009286 beneficial effect Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007596 consolidation process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- VKYKSIONXSXAKP-UHFFFAOYSA-N hexamethylenetetramine Chemical compound C1N(C2)CN3CN1CN2C3 VKYKSIONXSXAKP-UHFFFAOYSA-N 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007557 optical granulometry Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种车险理赔照片的分析方法及***,通过根据预设车损部位分类,从车险理赔数据库中获取各个预设车损部位分类对应的预设数量的理赔照片;基于获取的各个预设车损部位分类对应的所述理赔照片,按照预设模型生成规则,生成用于分析理赔照片所包含的预设车损部位分类的预设分析模型;接收移动终端发送的理赔照片上传请求,获取所述上传请求对应的理赔照片,利用生成的所述预设分析模型对所述理赔照片进行分析;根据分析结果,生成所述分析结果对应的提醒信息;具有自动化上传车险理赔照片的有益效果,提高了车损部位图像采集的效率和准确率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种车险理赔照片的分析方法及***。
背景技术
在交通环境复杂的情况下,及时有效的处理交通事故是缓解交通压力的重要环节。目前在车险行业,现场查勘及车辆定损业务的开展往往需要依赖于专业保险人员的人力投入,成本高且效率低。比如,在现有的交通事故中,例如擦挂事故等,因为需要等待保险公司的理赔员到现场拍照后才能撤离现场,因此经常会导致交通堵塞,且浪费大量的时间。
现阶段,业内部分企业虽然已经开始采用智能图像检测技术对车险现场图片进行自动化处理,但目前这种图像检测技术的准确度不高,***性误差普通存在且误差较大,检测结果常常难以达到业务需求。
发明内容
鉴于以上内容,有必要提供一种车险理赔照片的分析方法及***,用以自动化上传车险理赔照片,提高车损部位图像采集的效率。
本发明公开了一种车险理赔照片的分析方法,包括以下步骤:
根据预设车损部位分类,从车险理赔数据库中获取各个预设车损部位分类对应的预设数量的理赔照片;
基于获取的各个预设车损部位分类对应的所述理赔照片,按照预设模型生成规则,生成用于分析理赔照片所包含的预设车损部位分类的预设分析模型;
接收移动终端发送的理赔照片上传请求,获取所述上传请求对应的理赔照片,利用生成的所述预设分析模型对所述理赔照片进行分析;
根据分析结果,生成所述分析结果对应的提醒信息。
优选地,所述基于获取的各个预设车损部位分类对应的所述理赔照片,按照预设模型生成规则,生成用于分析理赔照片所包含的预设车损部位分类的预设分析模型,包括:
对获取的所述预设车损部位分类对应的所述理赔照片进行预处理,将获取的所述理赔照片的图片格式统一转换为预设格式;
利用预设格式的所述理赔照片,训练预设结构模型,生成所述预设车损部位分类对应的预设分析模型。
优选地,所述利用预设格式的所述理赔照片,训练预设结构模型,生成所述预设车损部位分类对应的预设分析模型,包括:
随机且均匀地生成预设结构模型内各权重的初始值;
采用随机梯度下降法,从训练数据集中随机提取样本数据输入所述预设结构模型中进行计算,得到对应的实际计算结果;计算所述实际计算结果与期望结果的差值,利用误差最小化定位法方向调整各权重的值,同时计算调整所产生的有效误差;
当所述预设结构模型的整体有效误差小于预设阈值时,将得到的预设结构模型作为对应的预设分析模型。
优选地,所述预设结构模型包括:
用于对图像进行关键特征提取的特征提取层,用于识别位移、缩放及扭曲的二维图形特征的特征采样层,以及用于通过采样降低实际特征计算规模的子抽样层;
其中,所述特征提取层、特征采样层和子抽样层按照由前至后的顺序排列。
优选地,所述根据分析结果,生成所述分析结果对应的提醒信息,包括:
若分析出所述理赔照片对应的预设车损部位分类,则生成对应车损部位照片采集的提醒信息;
若未分析出所述理赔照片对应的预设车损部位分类,则生成理赔照片重新采集的提醒信息,并将所述提醒信息发送至所述移动终端。
对应于以上所公开的一种车险理赔照片的分析方法,本发明还公开了一种车险理赔照片的分析***,包括:
获取模块,用于根据预设车损部位分类,从车险理赔数据库中获取各个预设车损部位分类对应的预设数量的理赔照片;
生成模块,用于基于获取的各个预设车损部位分类对应的所述理赔照片,按照预设模型生成规则,生成用于分析理赔照片所包含的预设车损部位分类的预设分析模型;
分析模块,用于接收移动终端发送的理赔照片上传请求,获取所述上传请求对应的理赔照片,利用生成的所述预设分析模型对所述理赔照片进行分析;
提醒模块,用于根据分析结果,生成所述分析结果对应的提醒信息。
优选地,所述分析模块包括:
转换单元,用于对获取的所述预设车损部位分类对应的所述理赔照片进行预处理,将获取的所述理赔照片的图片格式统一转换为预设格式;
训练单元,用于利用预设格式的所述理赔照片,训练预设结构模型,生成所述预设车损部位分类对应的预设分析模型。
优选地,所述训练单元包括:
生成子单元,用于随机且均匀地生成预设结构模型内各权重的初始值;
训练子单元,用于采用随机梯度下降法,从训练数据集中随机提取样本数据输入所述预设结构模型中进行计算,得到对应的实际计算结果;计算所述实际计算结果与期望结果的差值,利用误差最小化定位法方向调整各权重的值,同时计算调整所产生的有效误差;
确定子单元,用于当所述预设结构模型的整体有效误差小于预设阈值时,将得到的预设结构模型作为对应的预设分析模型。
优选地,所述预设结构模型包括:
用于对图像进行关键特征提取的特征提取层,用于识别位移、缩放及扭曲的二维图形特征的特征采样层,以及用于通过采样降低实际特征计算规模的子抽样层;
其中,所述特征提取层、特征采样层和子抽样层按照由前至后的顺序排列。
优选地,所述提醒模块还用于:
若分析出所述理赔照片对应的预设车损部位分类,则生成对应车损部位照片采集的提醒信息;
若未分析出所述理赔照片对应的预设车损部位分类,则生成理赔照片重新采集的提醒信息,并将所述提醒信息发送至所述移动终端。
本发明一种车险理赔照片的分析方法及***可以达到如下有益效果:
通过根据预设车损部位分类,从车险理赔数据库中获取各个预设车损部位分类对应的预设数量的理赔照片;基于获取的各个预设车损部位分类对应的所述理赔照片,按照预设模型生成规则,生成用于分析理赔照片所包含的预设车损部位分类的预设分析模型;接收移动终端发送的理赔照片上传请求,获取所述上传请求对应的理赔照片,利用生成的所述预设分析模型对所述理赔照片进行分析;根据分析结果,生成所述分析结果对应的提醒信息;具有自动化上传车险理赔照片的有益效果,提高了车损部位图像采集的效率和准确率。
附图说明
图1是本发明车险理赔照片的分析方法的一种实施方式的流程示意图;
图2是本发明车险理赔照片的分析方法中,图1所述实施例中步骤S20的一种实施方式的流程示意图;
图3是本发明车险理赔照片的分析方法中,图2所述实施例中步骤S220的一种实施方式的流程示意图;
图4是本发明车险理赔照片的分析***的一种实施方式的框图;
图5是本发明车险理赔照片的分析***中,图4所述实施例中生成模块80的一种实施方式的框图;
图6是本发明车险理赔照片的分析***中,图5所述实施例中训练单元820的一种实施方式的框图。
本发明实施例目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
以下结合说明书附图及具体实施例进一步说明本发明的技术方案。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种车险理赔照片的分析方法,用以自动化上传车险理赔照片,提高车损部位图像采集的效率。如图1所示,本发明车险理赔照片的分析方法可以实施为如下描述的步骤S10-S40:
步骤S10、根据预设车损部位分类,从车险理赔数据库中获取各个预设车损部位分类对应的预设数量的理赔照片;
本发明实施例中,云服务器根据预设车损部位分类,查找车险理赔数据库中存储的相关数据,获取各个预设车损部位分类所分别对应的预设数量的理赔照片。
例如,上述预设车损部位分类包括:车前方、车侧面、车尾部及车整体等;车险理赔数据库中存储了预设车损部位分类与理赔照片的映射关系或者标签数据,基于预设车损部位分类,云服务器即可通过二者的映射关系或者标签数据,获取预设车损部位分类所对应的理赔照片。云服务器获取的上述理赔照片的数量可以根据具体的预设车损部位分类来确定,本发明实施例对上述预设数量不进行具体数值的限定。
步骤S20、基于获取的各个预设车损部位分类对应的所述理赔照片,按照预设模型生成规则,生成用于分析理赔照片所包含的预设车损部位分类的预设分析模型;
根据预设模型生成规则,云服务器基于获取的不同的预设车损部位分类对应的理赔照片,生成预设车损部位分类所分别对应的预设分析模型。例如,基于车前方对应的已发生的预设数量的理赔照片,云服务器生成用于分析理赔照片包含的车损部位为车前方的预设分析模型;基于车侧面对应的已发生的预设数量的理赔照片,云服务器生成用于分析理赔照片包含的车损部位为侧面的预设分析模型;基于车尾部对应的已发生的预设数量理赔照片,云服务器生成用于分析理赔照片包含的车损部位为车尾的预设分析模型;基于整车对应的已发生的预设数量的理赔照片,云服务器生成用于分析理赔照片包含的车损部位为整车的预设分析模型。
步骤S30、接收移动终端发送的理赔照片上传请求,获取所述上传请求对应的理赔照片,利用生成的所述预设分析模型对所述理赔照片进行分析;
当云服务器接收到用户通过移动终端发送的理赔照片的上传请求时,云服务器从该移动终端中获取用户上传的理赔照片,并利用生成的上述预设分析模型,对上传的理赔照片进行分析,以便根据分析结果,识别是否获取到了上述理赔照片所对应的预设车损部位分类。
步骤S40、根据分析结果,生成所述分析结果对应的提醒信息。
云服务器根据分析结果,生成该分析结果对应的提醒信息;例如,若分析得出了上述理赔照片对应的预设车损部位分类,则发送包含分析出的上述预设车损部位分类所对应的提醒信息;若未分析得出上述理赔照片对应的预设车损部位分类,则发送未分析出的上述预设车损部位分类所对应的提醒信息。
在本发明一优选的实施例中,若云服务器分析出所述理赔照片对应的预设车损部位分类,则生成具体的车损部位照片采集的提醒信息;例如,若分析出的预设车损部位分类为车前方,则生成的具体的车损部位照片采集的提醒信息可以为:请采集车前方的具体车损部位照片。
若云服务器未分析出所述理赔照片对应的预设车损部位分类,则生成理赔照片重新采集的提醒信息,并将所述提醒信息发送至所述移动终端。例如,生成的理赔照片重新采集的提醒信息可以为:所上传的理赔照片不符合要求,请重新采集。移动终端接收到上述理赔照片重新采集的提醒信息后,可以进一步地提醒用户;进而在接收到用户重新采集的理赔照片后,再将重新采集的理赔照片上传至云服务器。
本发明车险理赔照片的分析方法通过根据预设车损部位分类,从车险理赔数据库中获取各个预设车损部位分类对应的预设数量的理赔照片;基于获取的各个预设车损部位分类对应的所述理赔照片,按照预设模型生成规则,生成用于分析理赔照片所包含的预设车损部位分类的预设分析模型;接收移动终端发送的理赔照片上传请求,获取所述上传请求对应的理赔照片,利用生成的所述预设分析模型对所述理赔照片进行分析;根据分析结果,生成所述分析结果对应的提醒信息;具有自动化上传车险理赔照片的有益效果,提高了车损部位图像采集的效率和准确率。
基于图1所述实施例的描述,本发明车险理赔照片的分析方法中,云服务器可以通过对预设结构模型进行训练,生成预设车损部位分类所分别对应的预设分析模型。
如图2所示,本发明车险理赔照片的分析方法中,图1所述实施例中,“步骤S20、基于获取的各个预设车损部位分类对应的所述理赔照片,按照预设模型生成规则,生成用于分析理赔照片所包含的预设车损部位分类的预设分析模型”,可以实施为如下描述的步骤S210-S220:
步骤S210、对获取的所述预设车损部位分类对应的所述理赔照片进行预处理,将获取的所述理赔照片的图片格式统一转换为预设格式;
本发明实施例中,由于移动终端采集理赔照片时所使用的图像采集工具可能不同,所以云服务器接收到移动终端上传的理赔照片的图片格式也可能不相同。因此,云服务器需要对获取的上述预设车损部位分类所对应的理赔照片进行预处理;这种预处理主要是将上述理赔照片的格式进行转换,例如,云服务器将移动终端上传的照片格式为JPG、PNG等格式的理赔照片,统一转换为预设格式的理赔照片;比如,统一转换为levelDB格式。
步骤S220、利用预设格式的所述理赔照片,训练预设结构模型,生成所述预设车损部位分类对应的预设分析模型。
利用转换后统一格式的理赔照片,云服务器对预设结构模型进行训练,从而生成预设车损部位分类所对应的预设分析模型。
在本发明一优选的实施例中,所述预设结构模型包括但不限于:卷积神经网络模型(ConvolutionalNeuralNetwork,CNN)模型。进一步地,为了提高预设结构模型例如CNN模型的识别精度,所述预设结构模型对应的结构分为三层:用于对图像进行关键特征提取的特征提取层,用于识别位移、缩放及扭曲的二维图形特征的特征采样层,以及用于通过采样降低实际特征计算规模的子抽样层。其中,上述三层的结构分布为:所述特征提取层、特征采样层和子抽样层按照由前至后的顺序排列;即所述特征采样层设于所述特征提取层的后面,所述子抽样层设于所述特征提取层与特征采样层的后面。
云服务器对预设结构模型进行训练的目的是为了:优化该预设结构模型中各权重的值,从而使得该预设结构模型作为整体,可在实际运用中较好地适用于车损部位分类。
在本发明一优选的实施例中,云服务器可以采用图3实施例所描述的技术手段,来对预设结构模型进行相应的训练。
如图3所示,本发明车险理赔照片的分析方法中,图2所述实施例中,“步骤S220、利用预设格式的所述理赔照片,训练预设结构模型,生成所述预设车损部位分类对应的预设分析模型”,可以实施为如下描述的步骤S221-S223:
步骤S221、随机且均匀地生成预设结构模型内各权重的初始值;
本发明实施例中,以预设结构模型为CNN模型为例进行描述。在对该预设结构模型进行训练开始前,***随机且均匀地生成CNN模型内各权重的初始值,例如,***生成的CNN模型内各权重的初始值的取值范围为:-0.05至0.05。
步骤S222、采用随机梯度下降法,从训练数据集中随机提取样本数据输入所述预设结构模型中进行计算,得到对应的实际计算结果;计算所述实际计算结果与期望结果的差值,利用误差最小化定位法方向调整各权重的值,同时计算调整所产生的有效误差;
步骤S223、当所述预设结构模型的整体有效误差小于预设阈值时,将得到的预设结构模型作为对应的预设分析模型。
***采用随机梯度下降法对CNN模型进行训练,整个训练过程可分为向前传播和向后传播两个阶段。在向前传播阶段,***从训练数据集中,随机提取样本数据,并输入CNN模型进行计算,得到实际的计算结果。在向后传播过程中,***计算实际的技术结果与期望结果(例如标签值)的差值,然后利用误差最小化定位方法,反向调整各权重的值,同时计算该次调整所产生的有效误差。训练过程反复迭代若干次(例如100次),当CNN模型整体有效误差小于预先设定的阈值(例如正负0.01)时,训练结束。***将训练结束时得到的预设结构模型,作为预设车损部位分类所对应的预设分析模型。
本发明车险理赔照片的分析方法通过对获取的所述预设车损部位分类对应的所述理赔照片进行预处理,将获取的所述理赔照片的图片格式统一转换为预设格式;利用预设格式的所述理赔照片,训练预设结构模型,生成所述预设车损部位分类对应的预设分析模型;具有提高预设分析模型的识别精度的有益效果,进一步地,提高了理赔照片分析结果的准确性。
对应于图1、图2和图3所述实施例的描述,本发明还提供了一种车险理赔照片的分析***;所述车险理赔照片的分析***可以运行在图1、图2和图3任一实施例中所描述的云服务器中。
如图4所示,本发明车险理赔照片的分析***包括:获取模块60、生成模块70、分析模块80和提醒模块90;其中:
获取模块60,用于根据预设车损部位分类,从车险理赔数据库中获取各个预设车损部位分类对应的预设数量的理赔照片;
本发明实施例中,获取模块60根据预设车损部位分类,查找车险理赔数据库中存储的相关数据,获取各个预设车损部位分类所分别对应的预设数量的理赔照片。
例如,上述预设车损部位分类包括:车前方、车侧面、车尾部及车整体等;车险理赔数据库中存储了预设车损部位分类与理赔照片的映射关系或者标签数据,基于预设车损部位分类,获取模块60即可通过二者的映射关系或者标签数据,获取预设车损部位分类所对应的理赔照片。获取模块60获取的上述理赔照片的数量可以根据具体的预设车损部位分类来确定,本发明实施例对上述预设数量不进行具体数值的限定。
生成模块70,用于基于获取的各个预设车损部位分类对应的所述理赔照片,按照预设模型生成规则,生成用于分析理赔照片所包含的预设车损部位分类的预设分析模型;
根据预设模型生成规则,生成模块70基于获取模块60获取的不同的预设车损部位分类对应的理赔照片,生成预设车损部位分类所分别对应的预设分析模型。例如,基于车前方对应的已发生的预设数量的理赔照片,生成模块70生成用于分析理赔照片包含的车损部位为车前方的预设分析模型;基于车侧面对应的已发生的预设数量的理赔照片,生成模块70生成用于分析理赔照片包含的车损部位为侧面的预设分析模型;基于车尾部对应的已发生的预设数量理赔照片,生成模块70生成用于分析理赔照片包含的车损部位为车尾的预设分析模型;基于整车对应的已发生的预设数量的理赔照片,生成模块70生成用于分析理赔照片包含的车损部位为整车的预设分析模型。
分析模块80,用于接收移动终端发送的理赔照片上传请求,获取所述上传请求对应的理赔照片,利用生成的所述预设分析模型对所述理赔照片进行分析;
当分析模块80接收到用户通过移动终端发送的理赔照片的上传请求时,分析模块80从该移动终端中获取用户上传的理赔照片,并利用生成的上述预设分析模型,对上传的理赔照片进行分析,以便根据分析结果,识别是否获取到了上述理赔照片所对应的预设车损部位分类。
提醒模块90,用于根据分析结果,生成所述分析结果对应的提醒信息。
提醒模块90根据分析模块80分析结果,生成该分析结果对应的提醒信息;例如,若分析模块80分析得出了上述理赔照片对应的预设车损部位分类,提醒模块90则发送包含分析出的上述预设车损部位分类所对应的提醒信息;若分析模块80未分析得出上述理赔照片对应的预设车损部位分类,提醒模块90则发送未分析出的上述预设车损部位分类所对应的提醒信息。
在本发明一优选的实施例中,若分析模块80分析出所述理赔照片对应的预设车损部位分类,提醒模块90则生成具体的车损部位照片采集的提醒信息;例如,若分析模块80分析出的预设车损部位分类为车前方,则提醒模块90生成的具体的车损部位照片采集的提醒信息可以为:请采集车前方的具体车损部位照片。
若分析模块80未分析出所述理赔照片对应的预设车损部位分类,则提醒模块90生成理赔照片重新采集的提醒信息,并将所述提醒信息发送至所述移动终端。例如,提醒模块90生成的理赔照片重新采集的提醒信息可以为:所上传的理赔照片不符合要求,请重新采集。移动终端接收到上述理赔照片重新采集的提醒信息后,可以进一步地提醒用户;进而在接收到用户重新采集的理赔照片后,再将重新采集的理赔照片上传至云服务器。
本发明车险理赔照片的分析***通过根据预设车损部位分类,从车险理赔数据库中获取各个预设车损部位分类对应的预设数量的理赔照片;基于获取的各个预设车损部位分类对应的所述理赔照片,按照预设模型生成规则,生成用于分析理赔照片所包含的预设车损部位分类的预设分析模型;接收移动终端发送的理赔照片上传请求,获取所述上传请求对应的理赔照片,利用生成的所述预设分析模型对所述理赔照片进行分析;根据分析结果,生成所述分析结果对应的提醒信息;具有自动化上传车险理赔照片的有益效果,提高了车损部位图像采集的效率和准确率。
基于图4所述实施例的描述,如图5所示,本发明车险理赔照片的分析***中,图4所述实施例中所述分析模块80包括:转换单元810和训练单元820;其中:
转换单元810,用于对获取的所述预设车损部位分类对应的所述理赔照片进行预处理,将获取的所述理赔照片的图片格式统一转换为预设格式;
本发明实施例中,由于移动终端采集理赔照片时所使用的图像采集工具可能不同,所以获取模块60接收到移动终端上传的理赔照片的图片格式也可能不相同。因此,分析模块80需要对获取的上述预设车损部位分类所对应的理赔照片进行预处理;这种预处理主要是将上述理赔照片的格式进行转换,例如,分析模块80中的转换单元810将移动终端上传的照片格式为JPG、PNG等格式的理赔照片,统一转换为预设格式的理赔照片;比如,统一转换为levelDB格式。
训练单元820,用于利用预设格式的所述理赔照片,训练预设结构模型,生成所述预设车损部位分类对应的预设分析模型。
利用转换单元810转换后统一格式的理赔照片,训练单元820对预设结构模型进行训练,从而生成预设车损部位分类所对应的预设分析模型。
在本发明一优选的实施例中,所述预设结构模型包括但不限于:卷积神经网络模型(ConvolutionalNeuralNetwork,CNN)模型。进一步地,为了提高预设结构模型例如CNN模型的识别精度,所述预设结构模型对应的结构分为三层:用于对图像进行关键特征提取的特征提取层,用于识别位移、缩放及扭曲的二维图形特征的特征采样层,以及用于通过采样降低实际特征计算规模的子抽样层。其中,上述三层的结构分布为:所述特征提取层、特征采样层和子抽样层按照由前至后的顺序排列;即所述特征采样层设于所述特征提取层的后面,所述子抽样层设于所述特征提取层与特征采样层的后面。
训练单元820对预设结构模型进行训练的目的是为了:优化该预设结构模型中各权重的值,从而使得该预设结构模型作为整体,可在实际运用中较好地适用于车损部位分类。
在本发明一优选的实施例中,如图6所示,图5所述实施例中所述训练单元820包括:生成子单元821、训练子单元822和确定子单元823;其中:
生成子单元821,用于随机且均匀地生成预设结构模型内各权重的初始值;
本发明实施例中,以预设结构模型为CNN模型为例进行描述。在对该预设结构模型进行训练开始前,生成子单元821随机且均匀地生成CNN模型内各权重的初始值,例如,***生成的CNN模型内各权重的初始值的取值范围为:-0.05至0.05。
训练子单元822,用于采用随机梯度下降法,从训练数据集中随机提取样本数据输入所述预设结构模型中进行计算,得到对应的实际计算结果;计算所述实际计算结果与期望结果的差值,利用误差最小化定位法方向调整各权重的值,同时计算调整所产生的有效误差;
确定子单元823,用于当所述预设结构模型的整体有效误差小于预设阈值时,将得到的预设结构模型作为对应的预设分析模型。
训练子单元822采用随机梯度下降法对CNN模型进行训练,整个训练过程可分为向前传播和向后传播两个阶段。在向前传播阶段,训练子单元822从训练数据集中,随机提取样本数据,并输入CNN模型进行计算,得到实际的计算结果。在向后传播过程中,训练子单元822计算实际的技术结果与期望结果(例如标签值)的差值,然后利用误差最小化定位方法,反向调整各权重的值,同时计算该次调整所产生的有效误差。训练过程反复迭代若干次(例如100次),当CNN模型整体有效误差小于预先设定的阈值(例如正负0.01)时,训练结束。确定子单元823将训练结束时得到的预设结构模型,作为预设车损部位分类所对应的预设分析模型。
本发明车险理赔照片的分析***通过对获取的所述预设车损部位分类对应的所述理赔照片进行预处理,将获取的所述理赔照片的图片格式统一转换为预设格式;利用预设格式的所述理赔照片,训练预设结构模型,生成所述预设车损部位分类对应的预设分析模型;具有提高预设分析模型的识别精度的有益效果,进一步地,提高了理赔照片分析结果的准确性。
需要说明的是,在本文中,术语“包括”、“包含”或者任何其他带有非排他性涵盖意义的词语,其作用是表明包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅为本发明的优选实施例,并非因此限制其专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种车险理赔照片的分析方法,其特征在于,包括以下步骤:
根据预设车损部位分类,从车险理赔数据库中获取各个预设车损部位分类对应的预设数量的理赔照片;
基于获取的各个预设车损部位分类对应的所述理赔照片,按照预设模型生成规则,生成用于分析理赔照片所包含的预设车损部位分类的预设分析模型;
接收移动终端发送的理赔照片上传请求,获取所述上传请求对应的理赔照片,利用生成的所述预设分析模型对所述理赔照片进行分析;
根据分析结果,生成所述分析结果对应的提醒信息。
2.如权利要求1所述的方法,其特征在于,所述基于获取的各个预设车损部位分类对应的所述理赔照片,按照预设模型生成规则,生成用于分析理赔照片所包含的预设车损部位分类的预设分析模型,包括:
对获取的所述预设车损部位分类对应的所述理赔照片进行预处理,将获取的所述理赔照片的图片格式统一转换为预设格式;
利用预设格式的所述理赔照片,训练预设结构模型,生成所述预设车损部位分类对应的预设分析模型。
3.如权利要求2所述的方法,其特征在于,所述利用预设格式的所述理赔照片,训练预设结构模型,生成所述预设车损部位分类对应的预设分析模型,包括:
随机且均匀地生成预设结构模型内各权重的初始值;
采用随机梯度下降法,从训练数据集中随机提取样本数据输入所述预设结构模型中进行计算,得到对应的实际计算结果;计算所述实际计算结果与期望结果的差值,利用误差最小化定位法方向调整各权重的值,同时计算调整所产生的有效误差;
当所述预设结构模型的整体有效误差小于预设阈值时,将得到的预设结构模型作为对应的预设分析模型。
4.如权利要求2或3所述的方法,其特征在于,所述预设结构模型包括:
用于对图像进行关键特征提取的特征提取层,用于识别位移、缩放及扭曲的二维图形特征的特征采样层,以及用于通过采样降低实际特征计算规模的子抽样层;
其中,所述特征提取层、特征采样层和子抽样层按照由前至后的顺序排列。
5.如权利要求1或2或3所述的方法,其特征在于,所述根据分析结果,生成所述分析结果对应的提醒信息,包括:
若分析出所述理赔照片对应的预设车损部位分类,则生成对应车损部位照片采集的提醒信息;
若未分析出所述理赔照片对应的预设车损部位分类,则生成理赔照片重新采集的提醒信息,并将所述提醒信息发送至所述移动终端。
6.一种车险理赔照片的分析***,其特征在于,包括:
获取模块,用于根据预设车损部位分类,从车险理赔数据库中获取各个预设车损部位分类对应的预设数量的理赔照片;
生成模块,用于基于获取的各个预设车损部位分类对应的所述理赔照片,按照预设模型生成规则,生成用于分析理赔照片所包含的预设车损部位分类的预设分析模型;
分析模块,用于接收移动终端发送的理赔照片上传请求,获取所述上传请求对应的理赔照片,利用生成的所述预设分析模型对所述理赔照片进行分析;
提醒模块,用于根据分析结果,生成所述分析结果对应的提醒信息。
7.如权利要求6所述的***,其特征在于,所述分析模块包括:
转换单元,用于对获取的所述预设车损部位分类对应的所述理赔照片进行预处理,将获取的所述理赔照片的图片格式统一转换为预设格式;
训练单元,用于利用预设格式的所述理赔照片,训练预设结构模型,生成所述预设车损部位分类对应的预设分析模型。
8.如权利要求7所述的***,其特征在于,所述训练单元包括:
生成子单元,用于随机且均匀地生成预设结构模型内各权重的初始值;
训练子单元,用于采用随机梯度下降法,从训练数据集中随机提取样本数据输入所述预设结构模型中进行计算,得到对应的实际计算结果;计算所述实际计算结果与期望结果的差值,利用误差最小化定位法方向调整各权重的值,同时计算调整所产生的有效误差;
确定子单元,用于当所述预设结构模型的整体有效误差小于预设阈值时,将得到的预设结构模型作为对应的预设分析模型。
9.如权利要求7或8所述的***,其特征在于,所述预设结构模型包括:
用于对图像进行关键特征提取的特征提取层,用于识别位移、缩放及扭曲的二维图形特征的特征采样层,以及用于通过采样降低实际特征计算规模的子抽样层;
其中,所述特征提取层、特征采样层和子抽样层按照由前至后的顺序排列。
10.如权利要求6或7或8所述的***,其特征在于,所述提醒模块还用于:
若分析出所述理赔照片对应的预设车损部位分类,则生成对应车损部位照片采集的提醒信息;
若未分析出所述理赔照片对应的预设车损部位分类,则生成理赔照片重新采集的提醒信息,并将所述提醒信息发送至所述移动终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610014000.6A CN105678622A (zh) | 2016-01-07 | 2016-01-07 | 车险理赔照片的分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610014000.6A CN105678622A (zh) | 2016-01-07 | 2016-01-07 | 车险理赔照片的分析方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105678622A true CN105678622A (zh) | 2016-06-15 |
Family
ID=56299778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610014000.6A Pending CN105678622A (zh) | 2016-01-07 | 2016-01-07 | 车险理赔照片的分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678622A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599093A (zh) * | 2016-11-25 | 2017-04-26 | 中国平安财产保险股份有限公司 | 一种基于车险智能定损平台的数据库调用方法及*** |
CN106780048A (zh) * | 2016-11-28 | 2017-05-31 | 中国平安财产保险股份有限公司 | 一种智能车险的自助理赔方法、自助理赔装置及*** |
CN107085814A (zh) * | 2017-04-11 | 2017-08-22 | 武汉华创欣网科技有限公司 | 一种车险理赔照片的分析方法及*** |
CN107092922A (zh) * | 2017-03-13 | 2017-08-25 | 平安科技(深圳)有限公司 | 车损识别方法及服务器 |
CN107169869A (zh) * | 2017-04-06 | 2017-09-15 | 平安科技(深圳)有限公司 | 信息处理方法和信息处理装置 |
CN107194398A (zh) * | 2017-05-10 | 2017-09-22 | 平安科技(深圳)有限公司 | 车损部位的识别方法及*** |
CN107392218A (zh) * | 2017-04-11 | 2017-11-24 | 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 |
CN107610091A (zh) * | 2017-07-31 | 2018-01-19 | 阿里巴巴集团控股有限公司 | 车险图像处理方法、装置、服务器及*** |
CN107730485A (zh) * | 2017-08-03 | 2018-02-23 | 上海壹账通金融科技有限公司 | 车辆定损方法、电子设备及计算机可读存储介质 |
CN107766807A (zh) * | 2017-09-30 | 2018-03-06 | 平安科技(深圳)有限公司 | 电子装置、投保牲畜识别方法和计算机可读存储介质 |
CN107784594A (zh) * | 2017-06-21 | 2018-03-09 | 平安科技(深圳)有限公司 | 理算过程信息记录方法、计算机可读存储介质及服务器 |
WO2018191435A1 (en) | 2017-04-11 | 2018-10-18 | Alibaba Group Holding Limited | Picture-based vehicle loss assessment method and apparatus, and electronic device |
WO2018191421A1 (en) | 2017-04-11 | 2018-10-18 | Alibaba Group Holding Limited | Image-based vehicle damage determining method, apparatus, and electronic device |
WO2019080257A1 (zh) * | 2017-10-27 | 2019-05-02 | 平安科技(深圳)有限公司 | 电子装置、车祸现场全景图像展示方法和存储介质 |
CN109934543A (zh) * | 2017-12-15 | 2019-06-25 | 中国平安财产保险股份有限公司 | 车险的自助理赔方法、装置、设备和计算机存储介质 |
CN111160289A (zh) * | 2019-12-31 | 2020-05-15 | 欧普照明股份有限公司 | 针对目标用户的意外事故的检测方法、装置及电子设备 |
CN111191400A (zh) * | 2019-12-31 | 2020-05-22 | 上海钧正网络科技有限公司 | 基于用户报障数据的车辆零部件寿命预测方法及*** |
US10789786B2 (en) | 2017-04-11 | 2020-09-29 | Alibaba Group Holding Limited | Picture-based vehicle loss assessment |
CN111914692A (zh) * | 2017-04-28 | 2020-11-10 | 创新先进技术有限公司 | 车辆定损图像获取方法及装置 |
CN112418359A (zh) * | 2021-01-21 | 2021-02-26 | 国汽智控(北京)科技有限公司 | 一种基于道路场景的任务处理方法及*** |
US11544914B2 (en) | 2021-02-18 | 2023-01-03 | Inait Sa | Annotation of 3D models with signs of use visible in 2D images |
US11971953B2 (en) | 2021-02-02 | 2024-04-30 | Inait Sa | Machine annotation of photographic images |
US11983836B2 (en) | 2021-02-18 | 2024-05-14 | Inait Sa | Annotation of 3D models with signs of use visible in 2D images |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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***及方法 |
CN103699594A (zh) * | 2013-12-11 | 2014-04-02 | 深圳先进技术研究院 | 一种信息推送方法及*** |
CN103793697A (zh) * | 2014-02-17 | 2014-05-14 | 北京旷视科技有限公司 | 一种人脸图像的身份标注方法及人脸身份识别方法 |
CN104268783A (zh) * | 2014-05-30 | 2015-01-07 | 翱特信息***(中国)有限公司 | 车辆定损估价的方法、装置和终端设备 |
CN105138963A (zh) * | 2015-07-31 | 2015-12-09 | 小米科技有限责任公司 | 图片场景判定方法、装置以及服务器 |
CN105206059A (zh) * | 2015-10-28 | 2015-12-30 | 重庆邮电大学 | 一种交通事故现场证据采集指导***及其方法 |
-
2016
- 2016-01-07 CN CN201610014000.6A patent/CN105678622A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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***及方法 |
CN103699594A (zh) * | 2013-12-11 | 2014-04-02 | 深圳先进技术研究院 | 一种信息推送方法及*** |
CN103793697A (zh) * | 2014-02-17 | 2014-05-14 | 北京旷视科技有限公司 | 一种人脸图像的身份标注方法及人脸身份识别方法 |
CN104268783A (zh) * | 2014-05-30 | 2015-01-07 | 翱特信息***(中国)有限公司 | 车辆定损估价的方法、装置和终端设备 |
CN105138963A (zh) * | 2015-07-31 | 2015-12-09 | 小米科技有限责任公司 | 图片场景判定方法、装置以及服务器 |
CN105206059A (zh) * | 2015-10-28 | 2015-12-30 | 重庆邮电大学 | 一种交通事故现场证据采集指导***及其方法 |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599093A (zh) * | 2016-11-25 | 2017-04-26 | 中国平安财产保险股份有限公司 | 一种基于车险智能定损平台的数据库调用方法及*** |
CN106780048A (zh) * | 2016-11-28 | 2017-05-31 | 中国平安财产保险股份有限公司 | 一种智能车险的自助理赔方法、自助理赔装置及*** |
CN107092922A (zh) * | 2017-03-13 | 2017-08-25 | 平安科技(深圳)有限公司 | 车损识别方法及服务器 |
WO2018166116A1 (zh) * | 2017-03-13 | 2018-09-20 | 平安科技(深圳)有限公司 | 车损识别方法、电子装置及计算机可读存储介质 |
WO2018184300A1 (zh) * | 2017-04-06 | 2018-10-11 | 平安科技(深圳)有限公司 | 信息处理方法、信息处理装置及计算机可读存储介质 |
CN107169869A (zh) * | 2017-04-06 | 2017-09-15 | 平安科技(深圳)有限公司 | 信息处理方法和信息处理装置 |
US11049334B2 (en) | 2017-04-11 | 2021-06-29 | Advanced New Technologies Co., Ltd. | Picture-based vehicle loss assessment |
CN107392218A (zh) * | 2017-04-11 | 2017-11-24 | 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 |
TWI726194B (zh) * | 2017-04-11 | 2021-05-01 | 開曼群島商創新先進技術有限公司 | 基於圖像的車輛定損方法、裝置及電子設備 |
US10789786B2 (en) | 2017-04-11 | 2020-09-29 | Alibaba Group Holding Limited | Picture-based vehicle loss assessment |
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 |
US10817956B2 (en) | 2017-04-11 | 2020-10-27 | Alibaba Group Holding Limited | Image-based vehicle damage determining method and apparatus, and electronic device |
CN107085814A (zh) * | 2017-04-11 | 2017-08-22 | 武汉华创欣网科技有限公司 | 一种车险理赔照片的分析方法及*** |
WO2018191435A1 (en) | 2017-04-11 | 2018-10-18 | Alibaba Group Holding Limited | Picture-based vehicle loss assessment method and apparatus, and electronic device |
WO2018191437A1 (en) | 2017-04-11 | 2018-10-18 | Alibaba Group Holding Limited | Image-based vehicle loss assessment method, apparatus, and system, and electronic device |
WO2018191421A1 (en) | 2017-04-11 | 2018-10-18 | Alibaba Group Holding Limited | Image-based vehicle damage determining method, apparatus, and electronic device |
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 |
CN111914692A (zh) * | 2017-04-28 | 2020-11-10 | 创新先进技术有限公司 | 车辆定损图像获取方法及装置 |
CN107194398A (zh) * | 2017-05-10 | 2017-09-22 | 平安科技(深圳)有限公司 | 车损部位的识别方法及*** |
WO2018205467A1 (zh) * | 2017-05-10 | 2018-11-15 | 平安科技(深圳)有限公司 | 车损部位的识别方法、***、电子装置及存储介质 |
CN107194398B (zh) * | 2017-05-10 | 2018-09-25 | 平安科技(深圳)有限公司 | 车损部位的识别方法及*** |
CN107784594A (zh) * | 2017-06-21 | 2018-03-09 | 平安科技(深圳)有限公司 | 理算过程信息记录方法、计算机可读存储介质及服务器 |
WO2019024771A1 (zh) * | 2017-07-31 | 2019-02-07 | 阿里巴巴集团控股有限公司 | 车险图像处理方法、装置、服务器及*** |
US10846556B2 (en) | 2017-07-31 | 2020-11-24 | Advanced New Technologies Co., Ltd. | Vehicle insurance image processing method, apparatus, server, and system |
CN107610091A (zh) * | 2017-07-31 | 2018-01-19 | 阿里巴巴集团控股有限公司 | 车险图像处理方法、装置、服务器及*** |
TWI709919B (zh) * | 2017-07-31 | 2020-11-11 | 開曼群島商創新先進技術有限公司 | 車險圖像處理方法、裝置、伺服器及系統 |
CN107730485B (zh) * | 2017-08-03 | 2020-04-10 | 深圳壹账通智能科技有限公司 | 车辆定损方法、电子设备及计算机可读存储介质 |
CN107730485A (zh) * | 2017-08-03 | 2018-02-23 | 上海壹账通金融科技有限公司 | 车辆定损方法、电子设备及计算机可读存储介质 |
CN107766807A (zh) * | 2017-09-30 | 2018-03-06 | 平安科技(深圳)有限公司 | 电子装置、投保牲畜识别方法和计算机可读存储介质 |
WO2019080257A1 (zh) * | 2017-10-27 | 2019-05-02 | 平安科技(深圳)有限公司 | 电子装置、车祸现场全景图像展示方法和存储介质 |
CN109934543A (zh) * | 2017-12-15 | 2019-06-25 | 中国平安财产保险股份有限公司 | 车险的自助理赔方法、装置、设备和计算机存储介质 |
CN111191400A (zh) * | 2019-12-31 | 2020-05-22 | 上海钧正网络科技有限公司 | 基于用户报障数据的车辆零部件寿命预测方法及*** |
CN111160289A (zh) * | 2019-12-31 | 2020-05-15 | 欧普照明股份有限公司 | 针对目标用户的意外事故的检测方法、装置及电子设备 |
CN111191400B (zh) * | 2019-12-31 | 2023-12-29 | 上海钧正网络科技有限公司 | 基于用户报障数据的车辆零部件寿命预测方法及*** |
CN112418359A (zh) * | 2021-01-21 | 2021-02-26 | 国汽智控(北京)科技有限公司 | 一种基于道路场景的任务处理方法及*** |
CN112418359B (zh) * | 2021-01-21 | 2021-04-09 | 国汽智控(北京)科技有限公司 | 一种基于道路场景的任务处理方法及*** |
US11971953B2 (en) | 2021-02-02 | 2024-04-30 | Inait Sa | Machine annotation of photographic images |
US11544914B2 (en) | 2021-02-18 | 2023-01-03 | Inait Sa | Annotation of 3D models with signs of use visible in 2D images |
US11983836B2 (en) | 2021-02-18 | 2024-05-14 | Inait Sa | Annotation of 3D models with signs of use visible in 2D images |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678622A (zh) | 车险理赔照片的分析方法及*** | |
CN110390691B (zh) | 一种基于深度学习的矿石尺度测量方法及应用*** | |
CN109840519B (zh) | 一种自适应的智能单据识别录入装置及其使用方法 | |
CN113591866B (zh) | 基于db与crnn的特种作业证件检测方法及*** | |
CN111428558A (zh) | 一种基于改进YOLOv3方法的车辆检测方法 | |
CN112651966A (zh) | 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 | |
CN113936195B (zh) | 敏感图像识别模型的训练方法、训练装置和电子设备 | |
CN108376257B (zh) | 一种燃气表不完整码字识别方法 | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
CN116523885A (zh) | 一种基于多尺度融合及深度学习的pcb缺陷检测方法 | |
CN114882213A (zh) | 一种基于图片识别的动物体重预测估算*** | |
CN112906672B (zh) | 钢轨缺陷识别方法及*** | |
CN116824274B (zh) | 小样本细粒度图像分类方法及*** | |
CN106484913A (zh) | 一种目标图片确定的方法以及服务器 | |
CN117523449A (zh) | 一种煤矿井下辅助运输机器人车路协同定位***及方法 | |
CN105335758A (zh) | 一种基于视频费舍尔向量描述符的车型识别方法 | |
CN112164040A (zh) | 基于半监督深度学习算法的钢铁表面缺陷识别方法 | |
CN116863122A (zh) | 一种电表抄表处理方法、装置、云端、***及介质 | |
CN110728119A (zh) | 一种海报生成方法及装置 | |
CN115662087A (zh) | 出租车后备箱乘客行李提醒方法、装置及*** | |
CN112686238B (zh) | 一种基于深度学习的航运单识别方法 | |
CN113220880B (zh) | 基于语义分析的交通事件评判方法、***、终端及介质 | |
CN114913232B (zh) | 图像处理方法、装置、设备、介质及产品 | |
CN110738209B (zh) | 一种基于深度学习的车牌侦测方法 | |
CN115272814B (zh) | 一种远距离空间自适应多尺度的小目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160615 |