CN111369373A - 车辆内部损坏确定方法及装置 - Google Patents
车辆内部损坏确定方法及装置 Download PDFInfo
- Publication number
- CN111369373A CN111369373A CN202010152936.1A CN202010152936A CN111369373A CN 111369373 A CN111369373 A CN 111369373A CN 202010152936 A CN202010152936 A CN 202010152936A CN 111369373 A CN111369373 A CN 111369373A
- Authority
- CN
- China
- Prior art keywords
- damage
- damaged
- target vehicle
- external
- data
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种车辆内部损坏确定方法及装置。该方法包括:获取目标车辆的外观受损图片;基于目标车辆的外观受损图片,确定目标车辆的外部受损数据,其中,目标车辆的外部受损数据包含外部受损部件以及外部受损部件的受损程度,受损程度至少包括以下之一:轻度受损、中度受损和重度受损;根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据。通过本申请,解决了相关技术中对车辆进行拆卸,人工确定车辆内部受损情况,成本高时效低的问题。
Description
技术领域
本申请涉及机动车损伤确定技术领域,具体而言,涉及一种车辆内部损坏确定方法及装置。
背景技术
在车辆保险理赔流程中,通常分为如下几个环节,被保险人报案,查勘,定损,核损-理算-赔付,通常情况下,查勘环节中,保险公司查勘员会去现场对事故进行查勘,查勘员只能看到车辆外观的受损数据,内部部件是否受损需要到修理厂对车辆拆解后才会知道,而内部部件受损情况的确定时间通常会在两三天之后,对于保险公司工作流程的时效性将会大打折扣。
针对相关技术中对车辆进行拆卸,人工确定车辆内部受损情况,成本高时效低的问题,目前尚未提出有效的解决方案。
发明内容
本申请提供一种车辆内部损坏确定方法及装置,以解决相关技术中对车辆进行拆卸,人工确定车辆内部受损情况,成本高时效低的问题。
根据本申请的一个方面,提供了一种车辆内部损坏确定方法。该方法包括:获取目标车辆的外观受损图片;基于目标车辆的外观受损图片,确定目标车辆的外部受损数据,其中,目标车辆的外部受损数据包含外部受损部件以及外部受损部件的受损程度,受损程度至少包括以下之一:轻度受损、中度受损和重度受损;根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据,其中,车辆受损模型为使用多组数据通过机器学习训练得出的模型,多组数据中的每组数据均包括:至少一个外部受损部件的受损程度数据以及至少一个外部受损部件的受损程度数据对应的至少一个内部受损部件的受损程度数据。
可选地,基于目标车辆的外观受损图片,确定目标车辆的外部受损数据包括:将目标车辆的外观受损图片输入图像识别***;通过图像识别***识别目标车辆的外部受损部件以及外部受损部件的受损程度。
可选地,该方法还包括:至少根据以下之一车辆属性对车辆进行分组:车型、车系;分别为分组后每个组别的车辆建立对应的车辆受损模型;在根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据之前,该方法还包括:根据目标车辆的车辆属性确定目标车辆对应的车辆受损模型。
可选地,根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据包括:按照目标规则对目标车辆的外部受损部件进行排序,并根据排序结果确定每个外部受损部件的序号;将每个序号对应的外部受损部件以及该序号之前的序号对应的外部受损部件组成一组外部受损部件,得到多组外部受损部件;通过车辆受损模型确定每组外部受损部件对应的一组内部受损部件的受损概率,其中,一组内部受损部件的受损概率包括该组内部受损部件中每个类型的内部受损部件的受损概率;基于多组外部受损部件对应的多组内部受损部件的受损概率,确定目标车辆的内部受损部件的受损数据。
可选地,基于多组外部受损部件对应的多组内部受损部件的受损概率,确定目标车辆的内部受损部件的受损数据包括:在多组内部受损部件的受损概率中包含同一内部受损部件的不同受损概率时,将最大受损概率确定为该内部受损部件的受损概率;将每个内部受损部件的受损概率与该内部受损部件对应的概率阈值做比较,在该内部受损部件的受损概率大于概率阈值的情况下,保留该内部受损部件以及该内部受损部件对应的受损概率;基于保留的内部受损部件以及保留的内部受损部件对应的受损概率,确定目标车辆的内部受损部件的受损数据。
可选地,该方法还包括:基于目标车辆的内部受损数据,确定目标车辆待更换的内部受损部件以及待维修的内部受损部件。
根据本申请的另一方面,提供了一种车辆内部损坏确定装置。该装置包括:获取单元,用于获取目标车辆的外观受损图片;第一确定单元,用于基于目标车辆的外观受损图片,确定目标车辆的外部受损数据,其中,目标车辆的外部受损数据包含外部受损部件以及外部受损部件的受损程度,受损程度至少包括以下之一:轻度受损、中度受损和重度受损;第二确定单元,用于根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据,其中,车辆受损模型为使用多组数据通过机器学习训练得出的模型,多组数据中的每组数据均包括:至少一个外部受损部件的受损程度数据以及至少一个外部受损部件的受损程度数据对应的至少一个内部受损部件的受损程度数据。
可选地,第一确定单元包括:输入模块,用于将所述目标车辆的外观受损图片输入图像识别***;识别模块,用于通过图像识别***识别所述目标车辆的外部受损部件以及所述外部受损部件的受损程度。
为了实现上述目的,根据本申请的另一方面,提供了一种存储介质,存储介质包括存储的程序,其中,程序执行上述任意一种车辆内部损坏确定方法。
为了实现上述目的,根据本申请的另一方面,提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述任意一种车辆内部损坏确定方法。
通过本申请,采用以下步骤:获取目标车辆的外观受损图片;基于目标车辆的外观受损图片,确定目标车辆的外部受损数据,其中,目标车辆的外部受损数据包含外部受损部件以及外部受损部件的受损程度,受损程度至少包括以下之一:轻度受损、中度受损和重度受损;根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据,其中,车辆受损模型为使用多组数据通过机器学习训练得出的模型,多组数据中的每组数据均包括:至少一个外部受损部件的受损程度数据以及至少一个外部受损部件的受损程度数据对应的至少一个内部受损部件的受损程度数据,解决了相关技术中对车辆进行拆卸,人工确定车辆内部受损情况,成本高时效低的问题。进而达到了无需对车辆进行拆卸通过车辆的外部受损情况快速确定车内受损情况的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的车辆内部损坏确定方法的流程图;以及
图2是根据本申请实施例提供的车辆内部损坏确定装置的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请的实施例,提供了一种车辆内部损坏确定方法。
图1是根据本申请实施例的车辆内部损坏确定方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,获取目标车辆的外观受损图片。
具体地,获取的方式可以为勘查员在事故现场拍摄得到的车辆外观图片。
步骤S102,基于目标车辆的外观受损图片,确定目标车辆的外部受损数据,其中,目标车辆的外部受损数据包含外部受损部件以及外部受损部件的受损程度,受损程度至少包括以下之一:轻度受损、中度受损和重度受损。
可以采用机器图像识别的方式确定目标车辆的外部受损数据,可选地,在本申请实施例提供的车辆内部损坏确定方法中,基于目标车辆的外观受损图片,确定目标车辆的外部受损数据包括:将目标车辆的外观受损图片输入图像识别***;通过图像识别***识别目标车辆的外部受损部件以及外部受损部件的受损程度。
具体地,查勘员上传车辆外观受损照至图像识别***,图像识别***定位外部受损部件,如,前保险杠损坏,并确定外部受损部件的受损程度,例如,根据前保险杠的变形程度确定前保险杠是轻度损坏、中度损坏还是重度损坏,从而一方面可以确定前保险杠需要维修还是更换,另一方面可以根据前保险杠的具体受损程度确定车辆的内部受损部件。
步骤S103,根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据,其中,车辆受损模型为使用多组数据通过机器学习训练得出的模型,多组数据中的每组数据均包括:至少一个外部受损部件的受损程度数据以及至少一个外部受损部件的受损程度数据对应的至少一个内部受损部件的受损程度数据。
需要说明的是,本申请实施例通过分析历史案件中车辆受损配件中存在的概率关系,结合大数据及关联关系算法由已知的、肉眼可见到到受损的外部部件,预测出不可见的配件的损失情况,例如,通过统计学计算,只要前保险杠损坏,那么散热器就有10.7%的概率会损坏。由于前保险杠是外观件,是可见的,散热器是内部件,需要需将前保险杠拆卸下来才可看到,在识别前保险杠损坏的情况下,通过车辆受损模型可以得到散热器就损坏的概率为10.7%。
根据本实施例,通过外部部件与内部部件受损情况之间的关联关系,可以便捷准确地预测出内部部件的受损情况。
不同的车辆外部受损情况和内部受损情况的关联关系存在差异,可选地,在本申请实施例提供的车辆内部损坏确定方法中,该方法还包括:至少根据以下之一车辆属性对车辆进行分组:车型、车系;分别为分组后每个组别的车辆建立对应的车辆受损模型;在根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据之前,该方法还包括:根据目标车辆的车辆属性确定目标车辆对应的车辆受损模型。
例如,不同车系的坚固程度不同,如日系车,坚固程度较低,所以按照上例所示:日系车前保险杠损坏,散热器可能有40.7%的概率会损坏;而德系车,坚固程度较高,所以德系车前保险杠损坏,散热器可能只有7%的概率会损坏。本申请获取大量数据,对不同车系、车型分别建立模型,提高了车辆内部损坏预测的准确性。
本申请实施例提供的车辆内部损坏确定方法,通过获取目标车辆的外观受损图片;基于目标车辆的外观受损图片,确定目标车辆的外部受损数据,其中,目标车辆的外部受损数据包含外部受损部件以及外部受损部件的受损程度,受损程度至少包括以下之一:轻度受损、中度受损和重度受损;根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据,其中,车辆受损模型为使用多组数据通过机器学习训练得出的模型,多组数据中的每组数据均包括:至少一个外部受损部件的受损程度数据以及至少一个外部受损部件的受损程度数据对应的至少一个内部受损部件的受损程度数据,解决了相关技术中对车辆进行拆卸,人工确定车辆内部受损情况,成本高时效低的问题。进而达到了无需对车辆进行拆卸通过车辆的外部受损情况快速确定车内受损情况的效果。
可选地,在本申请实施例提供的车辆内部损坏确定方法中,根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据包括:按照目标规则对目标车辆的外部受损部件进行排序,并根据排序结果确定每个外部受损部件的序号;将每个序号对应的外部受损部件以及该序号之前的序号对应的外部受损部件组成一组外部受损部件,得到多组外部受损部件;通过车辆受损模型确定每组外部受损部件对应的一组内部受损部件的受损概率,其中,一组内部受损部件的受损概率包括该组内部受损部件中每个类型的内部受损部件的受损概率;基于多组外部受损部件对应的多组内部受损部件的受损概率,确定目标车辆的内部受损部件的受损数据。
需要说明的是,本申请实施例采用Apriori根据外观件的损坏情况推测内部件损坏的概率。
例如,目标车辆损坏部件包括重度受损的前保险杠皮,中度受损的左前大灯,轻度受损的中网,根据车辆事故中外部部件易损坏的概率进行排序,由于在事故发生时前保险杠皮最易损坏,随后是前大灯,中网,因而排序得到保险杠皮(序号为1)、左前大灯(序号为2)、中网(序号为3)。
排序后进行分组,分组得到的第一组外部受损部件包括保险杠皮,第二组外部受损部件包括保险杠皮和左前大灯,第三组外部受损部件包括保险杠皮、左前大灯和中网,并通过车辆受损模型分别预测各组外部受损部件对应的内部受损部件的类型和受损概率,需要说明的是,每组外部受损部件对应的内部受损部件不只是一种,外部受损部件对应的内部受损部件可能出现类型的重合和受损概率的不同。
可选地,在本申请实施例提供的车辆内部损坏确定方法中,基于多组外部受损部件对应的多组内部受损部件的受损概率,确定目标车辆的内部受损部件的受损数据包括:在多组内部受损部件的受损概率中包含同一内部受损部件的不同受损概率时,将最大受损概率确定为该内部受损部件的受损概率;将每个内部受损部件的受损概率与该内部受损部件对应的概率阈值做比较,在该内部受损部件的受损概率大于概率阈值的情况下,保留该内部受损部件以及该内部受损部件对应的受损概率;基于保留的内部受损部件以及保留的内部受损部件对应的受损概率,确定目标车辆的内部受损部件的受损数据。
需要说明的是,在外部受损部件对应的内部受损部件出现类型的重合和受损概率的不同,需要进行数据去重处理,可以将最大受损概率确定为该内部受损部件的受损概率,此外,由于受损概率较小的内部部件受损的可能性较小,为了预测的准确性,可以将受损概率较小的内部部件删除,根据保留的内部受损部件的受损概率确定目标车辆的内部部件受损情况。
可选地,在本申请实施例提供的车辆内部损坏确定方法中,该方法还包括:基于目标车辆的内部受损数据,确定目标车辆待更换的内部受损部件以及待维修的内部受损部件。
例如,目标车辆损坏部件包括重度受损的前保险杠皮,中度受损的左前大灯,轻度受损的中网,得到的内部受损数据为前保险杠骨架重度受损概率为0.12,前保险杠内衬中度受损概率为0.10,得到前保险杠骨架待更换,前保险杠内衬待维修的结论。
通过本申请实施例,查勘员只需上传外观件受损图片,无需对车辆进行拆解,便能预测出内部部件的受损情况,大大的优化了定损流程,有效的解决了保险公司人工定损成本高时效低的问题。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种车辆内部损坏确定装置,需要说明的是,本申请实施例的车辆内部损坏确定装置可以用于执行本申请实施例所提供的用于车辆内部损坏确定方法。以下对本申请实施例提供的车辆内部损坏确定装置进行介绍。
图2是根据本申请实施例的车辆内部损坏确定装置的示意图。如图2所示,该装置包括:获取单元10、第一确定单元20和第二确定单元30。
具体地,获取单元10,用于获取目标车辆的外观受损图片。
第一确定单元20,用于基于目标车辆的外观受损图片,确定目标车辆的外部受损数据,其中,目标车辆的外部受损数据包含外部受损部件以及外部受损部件的受损程度,受损程度至少包括以下之一:轻度受损、中度受损和重度受损。
第二确定单元30,用于根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据,其中,车辆受损模型为使用多组数据通过机器学习训练得出的模型,多组数据中的每组数据均包括:至少一个外部受损部件的受损程度数据以及至少一个外部受损部件的受损程度数据对应的至少一个内部受损部件的受损程度数据。
本申请实施例提供的车辆内部损坏确定装置,通过获取单元10,用于获取目标车辆的外观受损图片;第一确定单元20,用于基于目标车辆的外观受损图片,确定目标车辆的外部受损数据,其中,目标车辆的外部受损数据包含外部受损部件以及外部受损部件的受损程度,受损程度至少包括以下之一:轻度受损、中度受损和重度受损;第二确定单元30,用于根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据,其中,车辆受损模型为使用多组数据通过机器学习训练得出的模型,多组数据中的每组数据均包括:至少一个外部受损部件的受损程度数据以及至少一个外部受损部件的受损程度数据对应的至少一个内部受损部件的受损程度数据,解决了相关技术中对车辆进行拆卸,人工确定车辆内部受损情况,成本高时效低的问题,通过车辆受损模型确定目标车辆的外部受损数据关联的内部受损数据,进而达到了无需对车辆进行拆卸通过车辆的外部受损情况快速确定车内受损情况的效果。
可选地,在本申请实施例提供的车辆内部损坏确定装置中,第一确定单元20包括:输入模块,用于将目标车辆的外观受损图片输入图像识别***;识别模块,用于通过图像识别***识别目标车辆的外部受损部件以及外部受损部件的受损程度。
可选地,在本申请实施例提供的车辆内部损坏确定装置中,该装置还包括:分组单元,用于至少根据以下之一车辆属性对车辆进行分组:车型、车系;创建单元,用于分别为分组后每个组别的车辆建立对应的车辆受损模型;第三确定单元,用于在根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据之前,根据目标车辆的车辆属性确定目标车辆对应的车辆受损模型。
可选地,在本申请实施例提供的车辆内部损坏确定装置中,第二确定单元30包括:排序模块,用于按照目标规则对目标车辆的外部受损部件进行排序,并根据排序结果确定每个外部受损部件的序号;组建模块,用于将每个序号对应的外部受损部件以及该序号之前的序号对应的外部受损部件组成一组外部受损部件,得到多组外部受损部件;第一确定模块,用于通过车辆受损模型确定每组外部受损部件对应的一组内部受损部件的受损概率,其中,一组内部受损部件的受损概率包括该组内部受损部件中每个类型的内部受损部件的受损概率;第二确定模块,用于基于多组外部受损部件对应的多组内部受损部件的受损概率,确定目标车辆的内部受损部件的受损数据。
可选地,在本申请实施例提供的车辆内部损坏确定装置中,第二确定模块包括:第一确定子模块,用于在多组内部受损部件的受损概率中包含同一内部受损部件的不同受损概率时,将最大受损概率确定为该内部受损部件的受损概率;第二子模块,用于将每个内部受损部件的受损概率与该内部受损部件对应的概率阈值做比较,在该内部受损部件的受损概率大于概率阈值的情况下,保留该内部受损部件以及该内部受损部件对应的受损概率;第三确定子模块,用于基于保留的内部受损部件以及保留的内部受损部件对应的受损概率,确定目标车辆的内部受损部件的受损数据。
可选地,在本申请实施例提供的车辆内部损坏确定装置中,该装置还包括:第四确定单元,用于基于目标车辆的内部受损数据,确定目标车辆待更换的内部受损部件以及待维修的内部受损部件。
车辆内部损坏确定装置包括处理器和存储器,上述获取单元10、第一确定单元20和第二确定单元30等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决相关技术中对车辆进行拆卸,人工确定车辆内部受损情况,成本高时效低的问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述车辆内部损坏确定方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述车辆内部损坏确定方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取目标车辆的外观受损图片;基于目标车辆的外观受损图片,确定目标车辆的外部受损数据,其中,目标车辆的外部受损数据包含外部受损部件以及外部受损部件的受损程度,受损程度至少包括以下之一:轻度受损、中度受损和重度受损;根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据,其中,车辆受损模型为使用多组数据通过机器学习训练得出的模型,多组数据中的每组数据均包括:至少一个外部受损部件的受损程度数据以及至少一个外部受损部件的受损程度数据对应的至少一个内部受损部件的受损程度数据。
可选地,基于目标车辆的外观受损图片,确定目标车辆的外部受损数据包括:将目标车辆的外观受损图片输入图像识别***;通过图像识别***识别目标车辆的外部受损部件以及外部受损部件的受损程度。
可选地,该方法还包括:至少根据以下之一车辆属性对车辆进行分组:车型、车系;分别为分组后每个组别的车辆建立对应的车辆受损模型;在根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据之前,该方法还包括:根据目标车辆的车辆属性确定目标车辆对应的车辆受损模型。
可选地,根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据包括:按照目标规则对目标车辆的外部受损部件进行排序,并根据排序结果确定每个外部受损部件的序号;将每个序号对应的外部受损部件以及该序号之前的序号对应的外部受损部件组成一组外部受损部件,得到多组外部受损部件;通过车辆受损模型确定每组外部受损部件对应的一组内部受损部件的受损概率,其中,一组内部受损部件的受损概率包括该组内部受损部件中每个类型的内部受损部件的受损概率;基于多组外部受损部件对应的多组内部受损部件的受损概率,确定目标车辆的内部受损部件的受损数据。
可选地,基于多组外部受损部件对应的多组内部受损部件的受损概率,确定目标车辆的内部受损部件的受损数据包括:在多组内部受损部件的受损概率中包含同一内部受损部件的不同受损概率时,将最大受损概率确定为该内部受损部件的受损概率;将每个内部受损部件的受损概率与该内部受损部件对应的概率阈值做比较,在该内部受损部件的受损概率大于概率阈值的情况下,保留该内部受损部件以及该内部受损部件对应的受损概率;基于保留的内部受损部件以及保留的内部受损部件对应的受损概率,确定目标车辆的内部受损部件的受损数据。
可选地,该方法还包括:基于目标车辆的内部受损数据,确定目标车辆待更换的内部受损部件以及待维修的内部受损部件。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取目标车辆的外观受损图片;基于目标车辆的外观受损图片,确定目标车辆的外部受损数据,其中,目标车辆的外部受损数据包含外部受损部件以及外部受损部件的受损程度,受损程度至少包括以下之一:轻度受损、中度受损和重度受损;根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据,其中,车辆受损模型为使用多组数据通过机器学习训练得出的模型,多组数据中的每组数据均包括:至少一个外部受损部件的受损程度数据以及至少一个外部受损部件的受损程度数据对应的至少一个内部受损部件的受损程度数据。
可选地,基于目标车辆的外观受损图片,确定目标车辆的外部受损数据包括:将目标车辆的外观受损图片输入图像识别***;通过图像识别***识别目标车辆的外部受损部件以及外部受损部件的受损程度。
可选地,该方法还包括:至少根据以下之一车辆属性对车辆进行分组:车型、车系;分别为分组后每个组别的车辆建立对应的车辆受损模型;在根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据之前,该方法还包括:根据目标车辆的车辆属性确定目标车辆对应的车辆受损模型。
可选地,根据车辆受损模型,基于目标车辆的外部受损数据确定目标车辆的内部受损数据包括:按照目标规则对目标车辆的外部受损部件进行排序,并根据排序结果确定每个外部受损部件的序号;将每个序号对应的外部受损部件以及该序号之前的序号对应的外部受损部件组成一组外部受损部件,得到多组外部受损部件;通过车辆受损模型确定每组外部受损部件对应的一组内部受损部件的受损概率,其中,一组内部受损部件的受损概率包括该组内部受损部件中每个类型的内部受损部件的受损概率;基于多组外部受损部件对应的多组内部受损部件的受损概率,确定目标车辆的内部受损部件的受损数据。
可选地,基于多组外部受损部件对应的多组内部受损部件的受损概率,确定目标车辆的内部受损部件的受损数据包括:在多组内部受损部件的受损概率中包含同一内部受损部件的不同受损概率时,将最大受损概率确定为该内部受损部件的受损概率;将每个内部受损部件的受损概率与该内部受损部件对应的概率阈值做比较,在该内部受损部件的受损概率大于概率阈值的情况下,保留该内部受损部件以及该内部受损部件对应的受损概率;基于保留的内部受损部件以及保留的内部受损部件对应的受损概率,确定目标车辆的内部受损部件的受损数据。
可选地,该方法还包括:基于目标车辆的内部受损数据,确定目标车辆待更换的内部受损部件以及待维修的内部受损部件。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种车辆内部损坏确定方法,其特征在于,包括:
获取目标车辆的外观受损图片;
基于所述目标车辆的外观受损图片,确定所述目标车辆的外部受损数据,其中,所述目标车辆的外部受损数据包含外部受损部件以及所述外部受损部件的受损程度,所述受损程度至少包括以下之一:轻度受损、中度受损和重度受损;
根据车辆受损模型,基于所述目标车辆的外部受损数据确定所述目标车辆的内部受损数据,其中,所述车辆受损模型为使用多组数据通过机器学习训练得出的模型,所述多组数据中的每组数据均包括:至少一个外部受损部件的受损程度数据以及所述至少一个外部受损部件的受损程度数据对应的至少一个内部受损部件的受损程度数据。
2.根据权利要求1所述的方法,其特征在于,基于所述目标车辆的外观受损图片,确定所述目标车辆的外部受损数据包括:
将所述目标车辆的外观受损图片输入图像识别***;
通过图像识别***识别所述目标车辆的外部受损部件以及所述外部受损部件的受损程度。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
至少根据以下之一车辆属性对车辆进行分组:车型、车系;
分别为分组后每个组别的车辆建立对应的所述车辆受损模型;
在根据车辆受损模型,基于所述目标车辆的外部受损数据确定所述目标车辆的内部受损数据之前,所述方法还包括:根据所述目标车辆的车辆属性确定所述目标车辆对应的所述车辆受损模型。
4.根据权利要求1所述的方法,其特征在于,根据车辆受损模型,基于所述目标车辆的外部受损数据确定所述目标车辆的内部受损数据包括:
按照目标规则对所述目标车辆的外部受损部件进行排序,并根据排序结果确定每个外部受损部件的序号;
将每个序号对应的外部受损部件以及该序号之前的序号对应的外部受损部件组成一组外部受损部件,得到多组外部受损部件;
通过所述车辆受损模型确定每组外部受损部件对应的一组内部受损部件的受损概率,其中,一组内部受损部件的受损概率包括该组内部受损部件中每个类型的内部受损部件的受损概率;
基于所述多组外部受损部件对应的多组内部受损部件的受损概率,确定所述目标车辆的内部受损部件的受损数据。
5.根据权利要求4所述的方法,其特征在于,基于所述多组外部受损部件对应的多组内部受损部件的受损概率,确定所述目标车辆的内部受损部件的受损数据包括:
在所述多组内部受损部件的受损概率中包含同一内部受损部件的不同受损概率时,将最大受损概率确定为该内部受损部件的受损概率;
将每个内部受损部件的受损概率与该内部受损部件对应的概率阈值做比较,在该内部受损部件的受损概率大于所述概率阈值的情况下,保留该内部受损部件以及该内部受损部件对应的受损概率;
基于保留的内部受损部件以及所述保留的内部受损部件对应的受损概率,确定所述目标车辆的内部受损部件的受损数据。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述目标车辆的内部受损数据,确定所述目标车辆待更换的内部受损部件以及待维修的内部受损部件。
7.一种车辆内部损坏确定装置,其特征在于,包括:
获取单元,用于获取目标车辆的外观受损图片;
第一确定单元,用于基于所述目标车辆的外观受损图片,确定所述目标车辆的外部受损数据,其中,所述目标车辆的外部受损数据包含外部受损部件以及所述外部受损部件的受损程度,所述受损程度至少包括以下之一:轻度受损、中度受损和重度受损;
第二确定单元,用于根据车辆受损模型,基于所述目标车辆的外部受损数据确定所述目标车辆的内部受损数据,其中,所述车辆受损模型为使用多组数据通过机器学习训练得出的模型,所述多组数据中的每组数据均包括:至少一个外部受损部件的受损程度数据以及所述至少一个外部受损部件的受损程度数据对应的至少一个内部受损部件的受损程度数据。
8.根据权利要求7所述的装置,其特征在于,第一确定单元包括:
输入模块,用于将所述目标车辆的外观受损图片输入图像识别***;
识别模块,用于通过图像识别***识别所述目标车辆的外部受损部件以及所述外部受损部件的受损程度。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至6中任意一项所述的车辆内部损坏确定方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至6中任意一项所述的车辆内部损坏确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152936.1A CN111369373B (zh) | 2020-03-06 | 2020-03-06 | 车辆内部损坏确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152936.1A CN111369373B (zh) | 2020-03-06 | 2020-03-06 | 车辆内部损坏确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111369373A true CN111369373A (zh) | 2020-07-03 |
CN111369373B CN111369373B (zh) | 2023-05-05 |
Family
ID=71212352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010152936.1A Active CN111369373B (zh) | 2020-03-06 | 2020-03-06 | 车辆内部损坏确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369373B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994910A (zh) * | 2023-03-24 | 2023-04-21 | 邦邦汽车销售服务(北京)有限公司 | 基于数据处理的汽车损伤程度确定方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1173456A (ja) * | 1997-08-28 | 1999-03-16 | Tsubasa Syst Kk | 車両修理費見積もりシステム及び修理費見積もりプログラムを格納した記録媒体 |
CN105550756A (zh) * | 2015-12-08 | 2016-05-04 | 优易商业管理成都有限公司 | 一种基于模拟车辆受损的汽车快速定损方法 |
WO2017176304A1 (en) * | 2016-04-06 | 2017-10-12 | American International Group, Inc. | Automatic assessment of damage and repair costs in vehicles |
CN107766805A (zh) * | 2017-09-29 | 2018-03-06 | 阿里巴巴集团控股有限公司 | 提升车辆定损图像识别结果的方法、装置及服务器 |
CN108885700A (zh) * | 2015-10-02 | 2018-11-23 | 川科德博有限公司 | 数据集半自动标记 |
US20190095808A1 (en) * | 2017-09-27 | 2019-03-28 | Intel Corporation | Methods and apparatus to dynamically adjust an analytics threshold |
JP2019114059A (ja) * | 2017-12-22 | 2019-07-11 | 三井住友海上火災保険株式会社 | 判定装置、修理費用判定システム、判定方法、および判定プログラム |
CN110033011A (zh) * | 2018-12-14 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 车祸事故处理方法和装置、电子设备 |
US10373262B1 (en) * | 2014-03-18 | 2019-08-06 | Ccc Information Services Inc. | Image processing system for vehicle damage |
-
2020
- 2020-03-06 CN CN202010152936.1A patent/CN111369373B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1173456A (ja) * | 1997-08-28 | 1999-03-16 | Tsubasa Syst Kk | 車両修理費見積もりシステム及び修理費見積もりプログラムを格納した記録媒体 |
US10373262B1 (en) * | 2014-03-18 | 2019-08-06 | Ccc Information Services Inc. | Image processing system for vehicle damage |
CN108885700A (zh) * | 2015-10-02 | 2018-11-23 | 川科德博有限公司 | 数据集半自动标记 |
CN105550756A (zh) * | 2015-12-08 | 2016-05-04 | 优易商业管理成都有限公司 | 一种基于模拟车辆受损的汽车快速定损方法 |
WO2017176304A1 (en) * | 2016-04-06 | 2017-10-12 | American International Group, Inc. | Automatic assessment of damage and repair costs in vehicles |
US20170293894A1 (en) * | 2016-04-06 | 2017-10-12 | American International Group, Inc. | Automatic assessment of damage and repair costs in vehicles |
US20190095808A1 (en) * | 2017-09-27 | 2019-03-28 | Intel Corporation | Methods and apparatus to dynamically adjust an analytics threshold |
CN107766805A (zh) * | 2017-09-29 | 2018-03-06 | 阿里巴巴集团控股有限公司 | 提升车辆定损图像识别结果的方法、装置及服务器 |
JP2019114059A (ja) * | 2017-12-22 | 2019-07-11 | 三井住友海上火災保険株式会社 | 判定装置、修理費用判定システム、判定方法、および判定プログラム |
CN110033011A (zh) * | 2018-12-14 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 车祸事故处理方法和装置、电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994910A (zh) * | 2023-03-24 | 2023-04-21 | 邦邦汽车销售服务(北京)有限公司 | 基于数据处理的汽车损伤程度确定方法及*** |
CN115994910B (zh) * | 2023-03-24 | 2023-06-06 | 邦邦汽车销售服务(北京)有限公司 | 基于数据处理的汽车损伤程度确定方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111369373B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392218B (zh) | 一种基于图像的车辆定损方法、装置及电子设备 | |
CN113468967A (zh) | 基于注意力机制的车道线检测方法、装置、设备及介质 | |
CN109145981B (zh) | 深度学习自动化模型训练方法及设备 | |
US20230384120A1 (en) | Method and Apparatus for Updating High-Precision Map | |
CN109102026B (zh) | 一种车辆图像检测方法、装置及*** | |
CN111369373A (zh) | 车辆内部损坏确定方法及装置 | |
CN112766536A (zh) | 计算公路工程人工单价的模型训练方法、装置及终端 | |
CN117196064A (zh) | 模型训练方法、对象属性值确定方法、装置、设备及介质 | |
CN110163470B (zh) | 事件评估方法及装置 | |
CN109785312B (zh) | 一种图像模糊检测方法、***及电子设备 | |
CN111143424B (zh) | 特征场景数据挖掘方法、装置和终端 | |
CN115147348B (zh) | 基于改进的YOLOv3的轮胎缺陷检测方法及*** | |
CN116228439A (zh) | 基于知识图谱的风险识别方法、装置、设备以及存储介质 | |
CN111950753A (zh) | 一种景区客流预测的方法及装置 | |
CN116311144A (zh) | 车辆转向的预测方法、预测装置与计算机可读存储介质 | |
US20240011792A1 (en) | Method and apparatus for updating confidence of high-precision map | |
CN111368752B (zh) | 车辆损伤的分析方法和装置 | |
CN114781149A (zh) | 一种场景元素信息自动获取方法及*** | |
CN113221907A (zh) | 一种车辆部件分割方法、装置、设备及存储介质 | |
CN112686155A (zh) | 图像识别方法、装置、计算机可读存储介质及处理器 | |
CN115880650B (zh) | 跨视域车辆重识别模型及其构建方法、装置及应用 | |
CN110659170A (zh) | 一种车载t-box测试*** | |
CN110020670B (zh) | 一种模型迭代方法、装置及设备 | |
CN109543736B (zh) | 一种特征对比方法及装置 | |
CN116431503A (zh) | 基于高性能分类器的边缘场景生成方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |