CN109741197A - 一种基于深度学习的交通事故自助定损*** - Google Patents
一种基于深度学习的交通事故自助定损*** Download PDFInfo
- Publication number
- CN109741197A CN109741197A CN201910004919.0A CN201910004919A CN109741197A CN 109741197 A CN109741197 A CN 109741197A CN 201910004919 A CN201910004919 A CN 201910004919A CN 109741197 A CN109741197 A CN 109741197A
- Authority
- CN
- China
- Prior art keywords
- server
- accident
- client terminal
- tensorflow
- self
- 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
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001771 impaired effect Effects 0.000 description 2
- 101000804902 Drosophila melanogaster Xaa-Pro aminopeptidase ApepP Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于深度学习的交通事故自助定损***,涉及人工智能应用领域;包括客户终端和服务端,客户终端采集事故信息,发送给服务端,服务端搭建Tensorflow的三层神经网络,获取交通事故图像信息,定义参数,构造隐层网络,构造预测输出层,利用BP算法训练建立事故模型,服务端识别客户终端采集的事故信息利用事故模型进行计算,将计算结果反馈给客户终端,用于交通事故自助定损;利用本发明***可由用户自助操作,只需将事故照片输入***,***即可根据车标以及受损情况,通过深度学习训练好的模型准确计算出车辆损失情况,避免了等待定损人员到现场才能处理的情况,加快了交通事故处理速度,有利于交通秩序的流畅性。
Description
技术领域
本发明公开一种基于深度学习的交通事故自助定损***,涉及人工智能应用领域。
背景技术
现如今,随着私家车数量的不断增长,城市交通压力越来越大,特别是在上下班的早晚高峰期间,堵车也成为了大中城市的常态。然而,在这个快节奏的时代,有些司机往往不能沉下心依次排队通过拥堵路段,而是选择在车流中随意穿插、加塞,有时还会有“路怒”现象。这些行为大大增加了交通事故出现的概率。一旦出现交通事故,如不能及时快速的处理完毕,会使得本就拥堵的道路更加拥堵,形成恶性循环。
鉴于此,本发明提出一种基于深度学习的交通事故自助定损***,该***可由用户自助操作,只需将事故照片输入***,***即可根据车标以及受损情况,通过深度学习训练好的模型准确计算出车辆损失情况,避免了等待定损人员到现场才能处理的情况,加快了交通事故处理速度,有利于交通秩序的流畅性。
发明内容
本发明针对现有技术的问题,提供一种基于深度学习的交通事故自助定损***,***分客户端和服务端。客户端为手机APP,用户拍摄和上传事故照片;服务端为后台云服务器,负责训练事故模型和识别事故照片受损中车辆损失情况,并将计算结果反馈给客户端APP,供保险公司和用户参考。
本发明提出的具体方案是:
一种基于深度学习的交通事故自助定损***:
包括客户终端和服务端,
客户终端采集事故信息,发送给服务端,
服务端搭建Tensorflow的三层神经网络,获取交通事故图像信息,定义参数,构造隐层网络,构造预测输出层,利用BP算法训练建立事故模型,
服务端识别客户终端采集的事故信息利用事故模型进行计算,
将计算结果反馈给客户终端,用于交通事故自助定损。
所述的***中定义参数时,定义超参数和placeholder,
同时定义参数w和b,利用tf.random_normal()生成正态分布的随机数对w和b进行赋值。
所述的***中超参数包括learning_rate、epochs及batch_size。
所述的***中Tensorflow利用BP算法定义loss层,同时利用BP算法优化Tensorflow的优化器。
所述的***中Tensorflow在训练建立事故模型前定义初始化operation和准确率node。
所述的***中将事故模型转化为二进制文本,Tensorflow使用freeze_graph.py工具将客户终端采集的事故信息的参数与事故模型整合到一起,便于进行计算。
一种基于深度学习的交通事故自助定损方法,利用所述的***,
通过客户终端采集事故信息,发送给服务端,
利用服务端搭建Tensorflow的三层神经网络,获取交通事故图像信息,定义参数,构造隐层网络,构造预测输出层,利用BP算法训练建立事故模型,
利用服务端识别客户终端采集的事故信息利用事故模型进行计算,
将计算结果反馈给客户终端,用于交通事故自助定损。
所述的方法中服务端搭建的Tensorflow利用BP算法定义loss层,同时利用BP算法优化Tensorflow的优化器。
本发明的有益之处是:
本发明提供一种基于深度学习的交通事故自助定损***:包括客户终端和服务端,客户终端采集事故信息,发送给服务端,服务端搭建Tensorflow的三层神经网络,获取交通事故图像信息,定义参数,构造隐层网络,构造预测输出层,利用BP算法训练建立事故模型,服务端识别客户终端采集的事故信息利用事故模型进行计算,将计算结果反馈给客户终端,用于交通事故自助定损;利用本发明***可由用户自助操作,只需将事故照片输入***,***即可根据车标以及受损情况,通过深度学习训练好的模型准确计算出车辆损失情况,避免了等待定损人员到现场才能处理的情况,加快了交通事故处理速度,有利于交通秩序的流畅性。
附图说明
图1是本发明***架构示意图;
图2是本发明方法流程示意图。
具体实施方式
本发明提供一种基于深度学习的交通事故自助定损***:
包括客户终端和服务端,
客户终端采集事故信息,发送给服务端,
服务端搭建Tensorflow的三层神经网络,获取交通事故图像信息,定义参数,构造隐层网络,构造预测输出层,利用BP算法训练建立事故模型,
服务端识别客户终端采集的事故信息利用事故模型进行计算,
将计算结果反馈给客户终端,用于交通事故自助定损。
同时提供与上述方法相对应的一种基于深度学习的交通事故自助定损方法,利用所述的***,
通过客户终端采集事故信息,发送给服务端,
利用服务端搭建Tensorflow的三层神经网络,获取交通事故图像信息,定义参数,构造隐层网络,构造预测输出层,利用BP算法训练建立事故模型,
利用服务端识别客户终端采集的事故信息利用事故模型进行计算,
将计算结果反馈给客户终端,用于交通事故自助定损。
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
本发明***分客户终端和服务端,客户端为手机APP,用户拍摄和上传事故照片;服务端为后台云服务器,负责训练事故模型和识别事故照片受损中车辆损失情况,并将计算结果反馈给客户端APP,供保险公司和用户参考。
客户终端采用手机APP对事故现场进行尽量多的角度的拍照,通过客户终端APP上传至后台云服务器,等待后台云服务器返回识别和计算结果,并将结果生成报告供用户参考;
服务端搭建基于Tensorflow的三层神经网络,并对大量事故照片进行训练,生成训练好的模型,利用该模型对用户事故照片进行分析,计算损失,并将结果反馈给客户端,由客户端向用户展示,
其中服务端Tensorflow训练步骤如下:
步骤1:加载数据,调用input_data.read_data_sets接口输入要训练模型的数据来源;
步骤2:定义超参数和placeholder:超参数包括learning_rate、epochs、batch_size等变量;设置placeholder为x=tf.placeholder(tf.float32,[None,784]),表示输入图片为28x 28像素=784;
定义参数w和b:利用tf.random_normal()生成正态分布的随机数对w和b进行赋值,例如W1=tf.Variable(tf.random_normal([784,300],stddev=0.03),name='W1')
b1=tf.Variable(tf.random_normal([300]),name='b1')
步骤3:构造隐层网络:调用接口如下
hidden_out=tf.add(tf.matmul(x,W1),b1)
hidden_out=tf.nn.relu(hidden_out)
步骤4:构造预测输出层:对于单标签多分类任务,输出层的激活函数都是tf.nn.softmax(),调用接口如下
y_=tf.nn.softmax(tf.add(tf.matmul(hidden_out,W2),b2))
步骤5:利用BP算法定义loss层,分为两步:
对n个标签计算交叉熵,如下
y_clipped=tf.clip_by_value(y_,1e-10,0.9999999);
对m个样本取平均,如下
cross_entropy=-tf.reduce_mean(tf.reduce_sum(y*tf.log(y_clipped)+(1-y)*tf.log(1-y_clipped),axis=1))
步骤6:利用BP算法优化优化Tensorflow的优化器:optimizer=tf.train.GradientDescentOptimizer(learning_rate=learning_rate).minimizer(cross_entropy)
步骤7:定义初始化operation和准确率node,
初始化operation:init_op=tf.global_variables_initializer()
创建准确率节点:
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
上述步骤完成后开始训练。
服务端识别客户终端采集的事故信息利用事故模型进行计算,
其中将训练好的事故模型转化为二进制文本,
使用freeze_graph.py工具,命令如下:python freeze_graph.py
--input_graph=../model/nn_model.pbtxt
--input_checkpoint=../ckpt/nn_model.ckpt
--output_graph=../model/nn_model_frozen.pb
--output_node_names=output_node
参数1:./model/nn_model.pbtxt
通过tf.train.write_graph(session.graph_def,FLAGS.model_dir,"nn_model.pbtxt",as_text=True)生成实现,将图中的计算节点保存在事故模型nn_model.pbtxt中
参数2:../ckpt/nn_model.ckpt训练好的参数模型,
参数3:../model/nn_model_frozen.pb设置输出文件名,
参数4:output_node,在图中输出节点的名字,
在输出nn_model_frozen.pb后就可以通过python或者C++直接调用,调用接口为graph=load_graph(args.fz_model_fn)
将计算结果反馈给客户终端,用于交通事故自助定损。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (8)
1.一种基于深度学习的交通事故自助定损***,其特征是
包括客户终端和服务端,
客户终端采集事故信息,发送给服务端,
服务端搭建Tensorflow的三层神经网络,获取交通事故图像信息,定义参数,构造隐层网络,构造预测输出层,利用BP算法训练建立事故模型,
服务端识别客户终端采集的事故信息利用事故模型进行计算,
将计算结果反馈给客户终端,用于交通事故自助定损。
2.根据权利要求1所述的***,其特征是定义参数时,定义超参数和placeholder,
同时定义参数w和b,利用tf.random_normal()生成正态分布的随机数对w和b进行赋值。
3.根据权利要求2所述的***,其特征是超参数包括learning_rate、epochs及batch_size。
4.根据权利要求1-3任一所述的***,其特征是Tensorflow利用BP算法定义loss层,同时利用BP算法优化Tensorflow的优化器。
5.根据权利要求4所述的***,其特征是Tensorflow在训练建立事故模型前定义初始化operation和准确率node。
6.根据权利要求1或5所述的***,其特征是将事故模型转化为二进制文本,Tensorflow使用freeze_graph.py工具将客户终端采集的事故信息的参数与事故模型整合到一起,便于进行计算。
7.一种基于深度学习的交通事故自助定损方法,其特征是利用权利要求1-5任一所述的***,
通过客户终端采集事故信息,发送给服务端,
利用服务端搭建Tensorflow的三层神经网络,获取交通事故图像信息,定义参数,构造隐层网络,构造预测输出层,利用BP算法训练建立事故模型,
利用服务端识别客户终端采集的事故信息利用事故模型进行计算,
将计算结果反馈给客户终端,用于交通事故自助定损。
8.根据权利要求7所述的方法,其特征是服务端搭建的Tensorflow利用BP算法定义loss层,同时利用BP算法优化Tensorflow的优化器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910004919.0A CN109741197A (zh) | 2019-01-03 | 2019-01-03 | 一种基于深度学习的交通事故自助定损*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910004919.0A CN109741197A (zh) | 2019-01-03 | 2019-01-03 | 一种基于深度学习的交通事故自助定损*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109741197A true CN109741197A (zh) | 2019-05-10 |
Family
ID=66363217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910004919.0A Pending CN109741197A (zh) | 2019-01-03 | 2019-01-03 | 一种基于深度学习的交通事故自助定损*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741197A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5696907A (en) * | 1995-02-27 | 1997-12-09 | General Electric Company | System and method for performing risk and credit analysis of financial service applications |
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 |
CN108921068A (zh) * | 2018-06-22 | 2018-11-30 | 深源恒际科技有限公司 | 一种基于深度神经网络的汽车外观自动定损方法及*** |
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 |
-
2019
- 2019-01-03 CN CN201910004919.0A patent/CN109741197A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5696907A (en) * | 1995-02-27 | 1997-12-09 | General Electric Company | System and method for performing risk and credit analysis of financial service applications |
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 |
CN108921068A (zh) * | 2018-06-22 | 2018-11-30 | 深源恒际科技有限公司 | 一种基于深度神经网络的汽车外观自动定损方法及*** |
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 |
Non-Patent Citations (2)
Title |
---|
JGW2008: "Tensorflow入门教程", 《HTTPS://BLOG.CSDN.NET/JGW2008/ARTICLE/DETAILS/84584658》 * |
蓝云风冀: "tensorflow模型封装使用", 《HTTPS://BLOG.CSDN/NET/CHFEILONG0202/ARTICLE/DETAILS/80619155?UTM_SOURCE=BLOGXGWZ0》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069868A (zh) | 一种基于卷积神经网络的无人机实时车辆检测方法 | |
CN112071062B (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
CN109858372A (zh) | 一种车道级精度自动驾驶结构化数据分析方法 | |
WO2016206526A1 (zh) | 用于乘用工具资源共享的方法、装置及*** | |
US20210073345A1 (en) | Systems and methods for inferring simulated data | |
CN111292105B (zh) | 一种业务需求确定方法以及装置 | |
EP3284034A1 (de) | Buchung von anmietbaren fahrzeugen in einem car-sharing system | |
CN102467590A (zh) | 基于微观交通流仿真模型下的驾驶模拟综合仿真方法 | |
CN113420368A (zh) | 一种智能车辆神经网络动力学模型、强化学习网络模型及其自动驾驶训练方法 | |
CN115083175B (zh) | 基于车路协同的信号管控方法、相关装置及程序产品 | |
CN109308538A (zh) | 成交转化率预测方法及装置 | |
CN113793341A (zh) | 一种自动驾驶场景语义分割方法、电子设备及可读介质 | |
CN114418606B (zh) | 基于时空卷积网络的网约车订单需求预测方法 | |
CN115424048A (zh) | 电网作业现场违章识别***及方法 | |
CN109741197A (zh) | 一种基于深度学习的交通事故自助定损*** | |
Sugirtha et al. | Semantic segmentation using modified u-net for autonomous driving | |
CN110310298A (zh) | 一种基于循环条件随机场的道路目标实时三维点云分割方法 | |
CN106776699A (zh) | 在线3d模型的获取方法、提供方法、装置及管理*** | |
CN109191856A (zh) | 基于大数据的车辆跟踪***和跟踪车辆的方法 | |
CN109427013A (zh) | 车辆出险代理业务的处理方法、装置、设备和存储介质 | |
CN114882336B (zh) | 列车制动***故障图像的端到端实时检测方法 | |
CN112116241B (zh) | 一种公共交通智能调度方法 | |
CN113361374B (zh) | 一种人群密度估计方法及*** | |
CN113139469B (zh) | 基于微表情识别的驾驶员道路紧张情绪调节方法及*** | |
Choi et al. | Efficient driving scene image creation using deep neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190510 |
|
RJ01 | Rejection of invention patent application after publication |