CN111507854A - 基于历史赔案的车辆定损方法、装置、介质和电子设备 - Google Patents
基于历史赔案的车辆定损方法、装置、介质和电子设备 Download PDFInfo
- Publication number
- CN111507854A CN111507854A CN202010600384.6A CN202010600384A CN111507854A CN 111507854 A CN111507854 A CN 111507854A CN 202010600384 A CN202010600384 A CN 202010600384A CN 111507854 A CN111507854 A CN 111507854A
- Authority
- CN
- China
- Prior art keywords
- historical
- data
- case
- image
- damage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 22
- 230000002159 abnormal effect Effects 0.000 description 12
- 230000006735 deficit Effects 0.000 description 8
- 238000012795 verification Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种基于历史赔案的车辆定损方法、装置、介质和电子设备,涉及车险理赔领域。该方法包括:获取待处理案件的定损图像和事故信息;根据定损图像得到待处理案件的第一定损数据;基于第一定损数据调取预定数据库中与第一定损数据相似度高于预设值的至少一个历史案件对应的历史理赔数据,历史理赔数据包括第二定损数据以及历史赔案数据;根据历史理赔数据对待处理案件进行理赔。本发明的上述技术不需要业务人员具备专业的定损知识即可发现问题,提高了效率,节省了人力、时间成本。
Description
技术领域
本发明的实施方式涉及电子信息领域,具体涉及基于历史赔案的车辆定损方法、装置、介质和电子设备。
背景技术
在发生交通事故后,常常需要等待保险公司的理赔员到现场处理,通过拍照等获取理赔依据。随着近年来机动车保有量的增加,每年的交通事故数量一直处于高位状。而车辆理赔定损业务的处理常常需要依赖专业保险工作人员的人力现场处理,成本高、等待周期长,处理效率低。
人工定损的定损结果完全由定损人员鉴定得出,存在较大的主观性和片面性,容易出现定损结果的偏差,不能客观、准确地反应车辆损坏情况。目前保险公司已经积累了大量的历史赔案数据,且多数为人工定损的结果,可以通过机器和人工清洗的方式获得干净的样本,用于修正机器定损结果。
现有技术中存在一些利用交通事故现场图像进行自动分析得到赔案的技术方案。但现有技术中仍然存在着一些问题:
现有技术中仅仅根据待处理案件中的定损图像确定出预设的车损部位的损伤情况,并给出相应的损失清单及赔偿方案。由于当前技术的限制、交通事故和定损规则的高度复杂性,难以避免的会出现一些自动分析出的定损数据及赔案数据与实际情况出入较大的,这种情况往往需要定损人员人工复核才能够发现,处理效率较低,并且较为消耗人力资源。
发明内容
为解决背景技术中存在的至少一个问题,本发明提出一种基于历史赔案的车辆定损方法、装置、介质和电子设备,可以实现通过比对至少一个历史案件对应的定损数据以及历史赔案数据来确定待处理案件的赔案数据。
根据本发明的一个方面,一种基于历史赔案的车辆定损方法,包括:获取待处理案件的定损图像和事故信息;根据所述定损图像和所述事故信息得到所述待处理案件的第一定损数据;基于所述第一定损数据调取预定数据库中与所述第一定损数据相似度高于预设值的至少一个历史案件对应的历史理赔数据,所述历史理赔数据包括第二定损数据以及历史赔案数据;根据所述历史理赔数据对所述待处理案件进行理赔。
进一步可选的,所述第一定损数据和所述第二定损数据包括至少一种子数据,所述子数据包括:定损图像数据、定损图像中提取的图像特征数据、基于定损图像确定的车辆受损部位和基于所述车辆受损部位识别出的损伤类型和/或损伤程度中的至少一种;和/或,所述待处理案件对应的车辆信息、所述待处理案件发生的地点信息、所述待处理案件的事故类型信息、以及所述待处理案件的事故发生时的天气信息中的至少一种。
进一步可选的,所述基于所述第一定损数据调取预定数据库中与所述第一定损数据相似度高于预设值的至少一个历史案件对应的历史理赔数据包括:分别计算所述待处理案件对应的子数据与所述预定数据库中每一历史案件对应的子数据的子相似度;基于所述子相似度计算确定所述历史案件对应的历史理赔数据与所述待处理案件的所述第一定损数据之间的相似度;判断所述相似度是否大于预设值;当所述相似度大于预设值时,调取所述历史案件的所述历史理赔数据对应的第二定损数据以及历史理赔数据。
进一步可选的,所述根据所述历史赔案数据对所述待处理案件进行理赔包括:在所述相似度大于预设值的历史案件中选择相似度最高的历史案件;将所述相似度最高的历史案件的历史赔案数据作为所述待处理案件赔案的参考数据。
进一步可选的,所述根据所述历史理赔数据对所述待处理案件进行理赔还包括:在所述相似度大于预设值的历史案件中选择多个历史案件;将所述多个历史案件的历史赔案数据的平均值作为所述待处理案件赔案的参考数据。
进一步可选的,所述将所述多个历史案件的赔案数据的平均值作为所述待处理案件赔案的参考数据包括:按照所述历史案件的类别分别在不同的一个或多个历史案件中选择对应的历史理赔数据;综合选择的各种类别的所述历史案件的历史理赔数据,将所述历史理赔数据对应的历史赔案数据作为待处理案件赔案的参考数据。
进一步可选的,所述根据所述历史理赔数据对所述待处理案件进行理赔还包括:利用所述历史理赔数据对所述参考数据进行校验。
进一步可选的,所述获取待处理案件的定损图像包括:显示第一提示信息,获取定损图像,所述第一提示信息用于表示获取所述定损图像对应的需求内容;判断已获取的定损图像是否符合拍摄参考值,若是则判定所述已获取的定损图像为所述待处理案件的定损图像;若否,则显示第二提示信息,重新获取定损图像,所述第二提示信息用于表示获取所述定损图像需要调整的内容。
进一步可选的,所述根据所述定损图像和所述事故信息得到所述待处理案件的第一定损数据之前,所述方法还包括:识别出所述定损图像中受损区域的面积与未受损区域的面积;计算所述定损图像中所述受损区域的面积与所述未受损区域的面积的比值和所述受损区域的个数;判断所述定损图像中受损区域的面积与未受损区域的面积的比值是否达到预设阈值和/或判断所述定损图像中的所述受损区域的个数是否达到阈值;若所述定损图像中受损区域的面积与未受损区域的面积的比值达到预设阈值或所述定损图像中的所述受损区域的个数达到阈值,则所述定损图像为中景图像,根据所述中景图像和所述事故信息得到所述待处理案件的第一定损数据;若所述定损图像中受损区域的面积与未受损区域的面积的比值未达到预设阈值且所述定损图像中的所述受损区域的个数未达到阈值,则所述定损图像为近景图像,根据所述近景图像和所述事故信息得到所述待处理案件的第一定损数据。
根据本发明的另一方面,一种基于历史赔案的车辆定损装置,包括:获取模块,用于获取待处理案件的定损图像和事故信息;计算模块,用于根据所述定损图像和所述事故信息得到所述待处理案件的第一定损数据;调取模块,用于基于所述第一定损数据调取预定数据库中与所述第一定损数据相似度高于预设值的至少一个历史案件对应的历史理赔数据,所述历史理赔数据包括第二定损数据以及历史赔案数据;赔案模块,用于根据所述历史理赔数据对所述待处理案件进行理赔。
进一步可选的,所述获取模块还包括:显示第一提示信息子模块,其用于显示第一提示信息,获取定损图像,所述第一提示信息用于表示获取所述定损图像对应的需求内容;判断定损图像子模块,其用于判断已获取的定损图像是否符合拍摄参考值,若是则判定所述已获取的定损图像为所述待处理案件的定损图像;显示第二提示信息子模块,其用于若否则显示第二提示信息,重新获取定损图像,所述第二提示信息用于表示获取所述定损图像需要调整的内容。
进一步可选的,所述装置还包括:识别定损图像模块,其用于识别出所述定损图像中受损区域的面积与未受损区域的面积;计算受损区域模块,其用于计算所述定损图像中所述受损区域的面积与所述未受损区域的面积的比值和所述受损区域的个数;判断受损区域模块,其用于判断所述定损图像中受损区域的面积与未受损区域的面积的比值是否达到预设阈值和/或判断所述定损图像中的所述受损区域的个数是否达到阈值;若所述定损图像中受损区域的面积与未受损区域的面积的比值达到预设阈值和/或所述定损图像中的所述受损区域的个数达到阈值,则所述定损图像为中景图像,根据所述中景图像和所述事故信息得到所述待处理案件的第一定损数据;若所述定损图像中受损区域的面积与未受损区域的面积的比值达到预设阈值和/或所述定损图像中的所述受损区域的个数未达到阈值,则所述定损图像为近景图像,根据所述近景图像和所述事故信息得到所述待处理案件的第一定损数据。
进一步可选的,所述调取模块还包括:子相似度计算子模块,其用于分别计算所述待处理案件对应的子数据与所述预定数据库中每一历史案件对应的子数据的子相似度;相似度计算子模块,其用于基于所述子相似度计算确定所述历史案件与所述待处理案件的所述第一定损数据之间的相似度;判断子模块,其用于判断所述相似度是否大于预设值;调取子模块,其用于当所述相似度大于预设值时,调取所述历史案件的所述历史理赔数据对应的第二定损数据以及历史理赔数据。
进一步可选的,所述赔案模块包括:最高相似度子模块,其用于在所述相似度大于预设值的历史案件中选择相似度最高的历史案件;将所述相似度最高的历史案件的历史赔案数据作为所述待处理案件赔案的参考数据。最高相似度子模块还包括:类别选择单元,其用于按照所述历史案件的类别分别在不同的一个或多个历史案件中选择对应的历史赔案数据;综合单元,其用于综合选择的各种类别的所述历史案件的历史理赔数据,将所述历史理赔数据对应的历史赔案数据作为待处理案件赔案的参考数据;校验单元,其用于利用所述历史理赔数据对所述参考数据进行校验。
进一步可选的,所述赔案模块包括:平均值相似度子模块,其用于在所述相似度大于预设值的历史案件中选择多个历史案件;将所述多个历史案件的历史赔案数据的平均值作为所述待处理案件赔案的参考数据。类别选择单元,其用于按照所述历史案件的类别分别在不同的一个或多个历史案件中选择对应的历史赔案数据;综合单元,其用于综合选择的各种类别的所述历史案件的历史赔案数据,将所述历史理赔数据对应的历史赔案数据作为待处理案件赔案的参考数据。校验单元,其用于利用所述历史赔案数据对所述参考数据进行校验。
根据本发明的另一个方面,一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于历史赔案的车辆定损方法。
根据本发明的另一个方面,一种非暂态存储介质,所述非暂态存储介质存储有计算机指令,所述计算机指令用于使计算机执行所述的基于历史赔案的车辆定损方法。
本发明的有益效果在于:
1.本发明通过与历史案件进行相似度比对,进而提取历史案件中的赔案数据为定损做参考,降低了出现误识别的风险,提升了识别的准确率。
2.本发明针对现有技术中出现的一些自动分析出的定损数据及赔案数据与实际情况出入较大的情况,提供了相似度最高的历史案件赔案数据和相似度高于阈值的历史案件赔案数据的平均值作为参考数据,进一步提高了案件处理效率,降低了人力资源的投入。
附图说明
图1示出了本发明实施例中一种基于历史赔案的车辆定损方法流程图;
图2示出了本发明实施例中另一种基于历史赔案的车辆定损方法流程图;
图3、图4、图5、图6分别示出了本发明实施例2中步骤201、步骤206、步骤207方式一、步骤207方式二的一种实现方式的流程示意图;
图7示出了本发明一种基于历史赔案的车辆定损装置的功能结构示意图。
具体实施方式
现在将参照若干示例性实施例来论述本发明的内容。应当理解,论述了这些实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容,而不是暗示对本发明的范围的任何限制。
如本文中所使用的,术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”。术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。术语“另一个实施例”要被解读为“至少一个其他实施例”。
实施例1:
如图1所示,本发明的实施例提供了一种基于历史赔案的车辆定损方法,其包括:
101、获取待处理案件的定损图像和事故信息;
作为示例性的实施例,定损图像例如包括中景图像和/或近景图像。中景图像例如可以通过驱动图像采集设备进行图像采集而获得,或者通过在存储设备中根据用户的选择操作来选择已存储的图像而获得。中景图像是指能够反映受损部位的中景图像,例如是能够看到事故车辆全貌的图像,例如距离车辆第一预定距离(如3米)所拍摄的车辆图像。
近景图像是指能够清晰地反映受损部位的近景图像,例如能够看到至少部分受损部位的清晰图片,比如,距离车辆第二预定距离(0.5米或1米或其他距离)拍摄的车辆图像。其中,近景图像例如可以通过驱动图像采集设备进行图像采集而获得,或者通过在存储设备中根据用户的选择操作来选择已存储的图像而获得。
第一和第二预定距离例如可以根据经验值设定,或者通过试验的方法确定,这里不再赘述。
102、根据定损图像和事故信息得到待处理案件的第一定损数据;
103、基于第一定损数据调取预定数据库中与第一定损数据相似度高于预设值的至少一个历史案件对应的历史理赔数据,历史理赔数据包括第二定损数据以及历史赔案数据;
在本实施例中,既可以在预定数据库中调取相似度最高的历史案件的赔案数据作为参考数据,也可以将预定数据库中调取相似度高于阈值的多个历史案件的历史赔案数据平均值作为参考数据。
104、根据历史理赔数据对待处理案件进行理赔。
本实施例的有益效果在于:
1.通过与历史案件进行相似度比对,进而提取历史案件中的赔案数据为定损做参考,降低了出现误识别的风险,提升了识别的准确率。
2.本发明针对现有技术中出现的一些自动分析出的定损数据及赔案数据与实际情况出入较大的情况,提供了相似度最高的历史案件赔案数据和相似度高于阈值的历史案件赔案数据的平均值作为参考数据,进一步提高了案件处理效率,降低了人力资源的投入。
实施例2
如图2所示,本发明的实施例提供了一种基于历史赔案的车辆定损方法,其包括:
201、获取待处理案件的定损图像和事故信息;
一些实施例中,如图3所示,步骤201可以但不限于通过以下过程实现:
2011、显示第一提示信息,获取定损图像,第一提示信息用于表示获取定损图像对应的需求内容;
2012、判断已获取的定损图像是否符合拍摄参考值,若是则执行步骤2013;若否,则执行步骤2014;
2013、判定已获取的定损图像为待处理案件的定损图像;
2014、显示第二提示信息,重新获取定损图像,第二提示信息用于表示获取定损图像需要调整的内容。
202、识别出定损图像中受损区域的面积与未受损区域的面积;
203、计算图像中受损区域的面积与未受损区域的面积的比值和受损区域的个数;
204、判断定损图像中受损区域的面积与未受损区域的面积的比值是否达到预设阈值和/或判断定损图像中的受损区域的个数是否达到阈值;在本实施例中,优选地判断方式为:若是,即定损图像中受损区域的面积与未受损区域的面积的比值达到预设阈值或者定损图像中的所述受损区域的个数达到阈值,则执行步骤2041;若否,即定损图像中受损区域的面积与未受损区域的面积的比值达到预设阈值或定损图像中的受损区域的个数未达到阈值,则执行步骤2042;
2041、确定定损图像为中景图像,根据中景图像和事故信息得到待处理案件的第一定损数据;
2042、确定定损图像为近景图像,根据近景图像和事故信息得到待处理案件的第一定损数据。
作为示例性的实施例,定损图像例如包括中景图像和/或近景图像。中景图像例如可以通过驱动图像采集设备进行图像采集而获得,或者通过在存储设备中根据用户的选择操作来选择已存储的图像而获得。中景图像是指能够反映受损部位的中景图像,例如是能够看到事故车辆全貌的图像,例如距离车辆第一预定距离(如3米)所拍摄的车辆图像。
近景图像是指能够清晰地反映受损部位的近景图像,例如能够看到至少部分受损部位的清晰图片,比如,距离车辆第二预定距离(0.5米或1米或其他距离)拍摄的车辆图像。其中,近景图像例如可以通过驱动图像采集设备进行图像采集而获得,或者通过在存储设备中根据用户的选择操作来选择已存储的图像而获得。
第一和第二预定距离例如可以根据经验值设定,或者通过试验的方法确定,这里不再赘述。
在本实施例中,中景图像和近景图像的区分方法例如如下步骤:在采集时会有引导过程,比如在屏幕上提示用户采集中景/近景图像,用户根据提示采集到的合格的图像就相应的为中景/近景图像;判定图像是否合格分为很多方面,比如图像的清晰度、质量、角度等。
其中,在判断从视频中抽取的定损图像是否为中景图像时,可以通过以下方式判断是否为中景图像:识别出图像中受损区域的面积与未受损区域的面积;计算图像中受损区域的面积与未受损区域的面积的比值;确认图像中受损区域的面积与未受损区域的面积的比值是否达到预设阈值;达到预设阈值即认为图像为中景图像。
或者,可以根据定损图像中的受损区域的个数区分中景图像和近景图像,具体步骤包括:根据边界检测算法识别出图像中的受损区域和未受损区域;若定损图像中的受损区域有多个(比如两个及两个以上),则认为定损图像属于中景图像。
这样,将本次事故后采集到的所有定损图像(可以按照中景/近景类别或识别出的车辆部位分别)和历史数据中的案例作对比,例如可以通过以下步骤进行对比:提取本次事故后采集到的所有定损图像的特征;根据提取到的特征与历史案例中的所有案例的图像作特征匹配;这里可以考虑只与相同或相似车型的历史案例作对比。
205、根据定损图像和事故信息得到待处理案件的第一定损数据;
根据定损图像和事故信息得到待处理案件的第一定损数据。第一定损数据和第二定损数据可以包括至少一种子数据,该至少一种子数据可以包括以下一种或多种:待处理案件的定损图像数据;从待处理案件的定损图像中提取的图像特征数据;基于待处理案件的定损图像确定的该案件中的车辆受损部位;以及基于待处理案件的定损图像确定的该案件中的每个车辆受损部位的损伤类型和/或损伤程度。
例如,基于待处理案件的定损图像确定的该案件中的车辆受损部位:确定定损图像中的中景图像中的至少一个完整的受损区域,识别至少一个完整的受损区域各自对应的车辆受损部位并合并相同的识别结果,以根据合并后的结果确定中景图像中的至少一个车辆受损部位。
此外,上述至少一种子数据还可以选择性地包括以下一种或多种:待处理案件的相关车辆信息;待处理案件的地点信息;待处理案件的事故类型信息;以及待处理案件的事故发生时的天气信息。
其中,相关车辆信息例如包括该相关车辆的车型、品牌和/或型号;地点信息包括该案件的相关车辆所属地和/或事故发生地。
206、基于第一定损数据调取预定数据库中与第一定损数据相似度高于预设值的至少一个历史案件对应的历史理赔数据,历史理赔数据包括第二定损数据以及历史赔案数据;
一些实施例中,如图4所示,步骤206可以但不限于通过以下过程实现:
2061、分别计算待处理案件对应的子数据与预定数据库中每一历史案件对应的子数据的子相似度;
2062、基于子相似度计算确定该历史案件的第一定损数据与待处理案件的历史理赔数据之间的相似度;
2063、判断相似度是否大于预设值;若是,则调取历史案件对应的历史理赔数据,该历史理赔数据包括第二定损数据以及历史赔案数据。
207、根据历史理赔数据对待处理案件进行理赔。
在本实施例中,根据历史理赔数据对待处理案件进行理赔有多种可选方式,多种可选方式中的两种如下:
一些实施例中,如图5所示,步骤207可以但不限于通过以下过程实现:
方式一:
A2071、按照历史案件的类别分别在不同的一个或多个历史案件中选择对应的历史理赔数据;
A2072、在相似度大于预设值的历史案件中选择相似度最高的历史案件;
A2073、将相似度最高的历史案件的历史赔案数据作为待处理案件赔案的参考数据;
A2074、利用历史理赔数据对参考数据进行校验。
一些实施例中,如图6所示,步骤207可以但不限于通过以下过程实现:
方式二:
B2071、按照历史案件的类别分别在不同的一个或多个历史案件中选择对应的历史理赔数据;
B2072、在相似度大于预设值的历史案件中选择多个历史案件,综合选择的各种类别的历史案件所对应的历史理赔数据;
B2073、将多个历史理赔数据的历史赔案数据的平均值作为待处理案件赔案的参考数据;
B2074、利用历史理赔数据对参考数据进行校验。
需要说明的是,在本实施例中,根据历史理赔数据对待处理案件进行理赔的方式既可以使用方式一,亦可以使用方式二,还可以是方式一和方式二共同使用的形式。通过以上方式能够得到更准确的历史理赔数据。
为了更为准确处理待处理案件,需要利用历史案件对待处理案件赔案的参考数据进行校验,该历史赔案数据与所有历史案件比对,相似度最大值小于某一阈值时,说明历史上出现该定损结果的概率较低,标记为疑似定损错误案件。
为了更为准确处理待处理案件,需要利用历史案件对待处理案件赔案的参考数据进行校验,在校验步骤开始之前,需要先对历史案件进行清洗。
保险公司已经积累了大量的历史案件,然而一部分案件数据质量不高,尤其是人工定损结果中存在误判、多判、漏判等情况。这些案件应该定义为异常案件而排除在历史案件之外。因此需要对历史案件进行清洗加工,去掉异常数据,得到干净的历史案件库,作为后续比对之用。确定异常案件的方法,可以有以下几种:
1)人工筛选方式:通过人工逐个对每个案件进行标记,异常的案件标记为异常。但需要人工经验比较丰富,且需要大量人力。
2)人工筛选加机器识别的方式:将人工标记的结果送入机器学***滑、神经网络LSTM等算法,训练出异常案件检测模型。并用新的数据不断验证模型准确性,保证模型迭代的结果不断被优化。
本实施例的有益效果在于:
1.通过与历史案件进行相似度比对,进而提取历史案件中的赔案数据为定损做参考,降低了出现误识别的风险,提升了识别的准确率。
2.本发明针对现有技术中出现的一些自动分析出的定损数据及赔案数据与实际情况出入较大的情况,提供了相似度最高的历史案件赔案数据和相似度高于阈值的历史案件赔案数据的平均值作为参考数据,进一步提高了案件处理效率,降低了人力资源的投入。
实施例3
本发明的实施例提供了一种基于历史赔案的车辆定损方法,包括:获取待处理案件的定损图像,以根据该定损图像获得待处理案件的定损数据;基于预定数据库中各历史案件的定损数据与待处理案件的定损数据之间的相似性,在预定数据库中选择与待处理案件最相似的至少一个历史案件,作为待处理案件的匹配案件,其中预定数据库包括多个历史案件的定损数据和历史赔案数据;以及根据待处理案件的匹配案件的历史赔案数据,对待处理案件进行理赔处理。
根据本公开实施例的基于历史赔案的车辆定损方法的一种示例性的处理流程,可以包括如下步骤:
301、获取待处理案件的定损图像和事故信息。
作为示例,获取待处理案件的定损图像和事故信息的步骤包括图像获取阶段和图像分类阶段;
作为示例性的实施例,定损图像例如包括中景图像和/或近景图像。中景图像例如可以通过驱动图像采集设备进行图像采集而获得,或者通过在存储设备中根据用户的选择操作来选择已存储的图像而获得。中景图像是指能够反映受损部位的中景图像,例如是能够看到事故车辆全貌的图像,例如距离车辆第一预定距离(如3米)所拍摄的车辆图像。
近景图像是指能够清晰地反映受损部位的近景图像,例如能够看到至少部分受损部位的清晰图片,比如,距离车辆第二预定距离(0.5米或1米或其他距离)拍摄的车辆图像。其中,近景图像例如可以通过驱动图像采集设备进行图像采集而获得,或者通过在存储设备中根据用户的选择操作来选择已存储的图像而获得。
第一和第二预定距离例如可以根据经验值设定,或者通过试验的方法确定,这里不再赘述。
302、根据定损图像和事故信息得到待处理案件的第一定损数据。
第一定损数据和第二定损数据可以包括至少一种子数据,该至少一种子数据可以包括以下一种或多种:对应案件的定损图像;从对应案件的定损图像中提取的图像特征数据;基于对应案件的定损图像确定的该案件中的车辆受损部位;以及基于对应案件的定损图像确定的该案件中的每个车辆受损部位的损伤类型和/或损伤程度。
例如,基于对应案件的定损图像确定的该案件中的车辆受损部位:确定定损图像中的中景图像中的至少一个完整的受损区域,识别至少一个完整的受损区域各自对应的车辆受损部位并合并相同的识别结果,以根据合并后的结果确定中景图像中的至少一个车辆受损部位。
此外,上述至少一种子数据还可以选择性地包括以下一种或多种:对应案件的相关车辆信息;对应案件的地点信息;对应案件的事故类型信息;以及对应案件的事故发生时的天气信息。
其中,相关车辆信息例如包括该相关车辆的车型、品牌和/或型号;地点信息包括该案件的相关车辆所属地和/或事故发生地
303、基于第一定损数据调取预定数据库中与第一定损数据相似度高于预设值的至少一个历史案件对应的历史理赔数据,历史理赔数据包括第二定损数据以及历史赔案数据。
作为示例性的实施例,分别计算待处理案件对应的子数据与预定数据库中每一历史案件对应的子数据的子相似度;基于子相似度计算确定该历史案件与待处理案件之间的相似度;判断相似度是否大于预设值;当相似度大于预设值时,调取历史案件对应的第二定损数据以及历史理赔数据。
304、根据历史理赔数据对待处理案件进行处理赔案。
具体的,根据历史赔案数据对待处理案件进行理赔包括:在相似度大于预设值的历史案件中选择相似度最高的历史案件,将相似度最高的历史案件的赔案数据作为待处理案件赔案的参考数据。示例性的,在待处理案件的匹配案件中选择与待处理案件最相似的一个案件,将该案件的历史赔案数据作为待处理案件的参考赔案数据。这样,利用与当前案件(即待处理案件)最相似的案件的赔案数据来处理当前案件。
为提高待处理案件的赔***性,作为示例性的实施例,根据历史赔案数据对待处理案件进行理赔还可以采用参考多个历史案件的赔案数据,具体的,在相似度大于预设值的历史案件中选择多个历史案件;将多个历史案件的赔案数据的平均值作为待处理案件赔案的参考数据。例如,采用多个(如10个、5个等)匹配案件的历史赔案数据的平均值来作为当前案件的参考赔案数据。
此外,在一些情况下,当前案件与匹配案件的赔案数据的种类可能不完全相同,比如,当前案件需要A、B两种赔案数据,而匹配案件可能包含有A、B、C三种数据或更多种,也可能部分匹配案件包含A、另一部分包含B,因此,可以在不同的历史案件中选择不同的赔案数据,将来自不同的赔案数据综合后,得到参考赔案数据,具体的,按照赔案数据的类别分别在不同的一个或多个历史案件中选择对应的历史赔案数据;综合选择的各种类型的历史赔案数据作为待处理案件赔案的参考数据。针对待处理案件所需的每一项赔案数据,在至少部分匹配案件中,选出具有该项赔案数据的一个或多个案件,以根据该一个或多个案件的该项赔案数据来获得待处理案件的该项赔案数据;以及利用已获得的待处理案件的每一项赔案数据,形成待处理案件的参考赔案数据。作为示例,根据该一个或多个案件的该项赔案数据来获得待处理案件的该项赔案数据例如包括:将该一个或多个案件的该项赔案数据的平均值作为待处理案件的该项赔案数据。
为了更为准确处理待处理案件,需要利用历史案件对待处理案件赔案的参考数据进行校验,在校验步骤开始之前,需要先对历史案件进行清洗。
保险公司已经积累了大量的历史案件,然而一部分案件数据质量不高,尤其是人工定损结果中存在误判、多判、漏判等情况。这些案件应该定义为异常案件而排除在历史案件之外。因此需要对历史案件进行清洗加工,去掉异常数据,得到干净的历史案件库,作为后续比对之用。确定异常案件的方法,可以有以下几种:
1)人工筛选方式:通过人工逐个对每个案件进行标记,异常的案件标记为异常。但需要人工经验比较丰富,且需要大量人力。
2)人工筛选加机器识别的方式:将人工标记的结果送入机器学***滑、神经网络LSTM等算法,训练出异常案件检测模型。并用新的数据不断验证模型准确性,保证模型迭代的结果不断被优化。
该历史赔案数据与所有历史案件比对,相似度最大值小于某一阈值时,说明历史上出现该历史赔案数据的概率较低,标记为疑似定损错误案件。
作为示例,获取待处理案件的定损图像的步骤包括图像获取阶段和图像分类阶段;其中,在图像获取阶段,接收或获取针对待处理案件相关车辆所采集的多个图像;在图像分类阶段,在图像获取阶段接收或获取的多个图像之中确定待处理案件相关车辆的中景图像和近景图像。
作为示例,图像获取阶段例如包括:通过驱动图像采集设备进行图像采集或视频采集来获得待处理案件相关车辆的中景图像和近景图像,或者通过在存储设备中根据用户的选择操作来选择已存储的图像或已存储的视频中的对应帧作为待处理案件相关车辆的中景图像和近景图像。
作为示例,图像获取阶段例如包括:中景图像获取子阶段,适于获取待处理案件相关车辆的中景图像;以及近景图像获取子阶段,适于获取待处理案件相关车辆的近景图像。
作为示例,中景图像获取子阶段例如包括:判断获取的待处理案件相关车辆的中景图像是否符合定损需求:若符合定损需求,执行近景图像获取子阶段的处理;否则,重新获取待处理案件相关车辆的中景图像,直到该中景图像符合定损需求。
例如,若中景图像完整,判定该中景图像符合定损需求;或若中景图像完整,且中景图像的清晰度高于或等于第一预设阈值,判定该中景图像符合定损需求。
第一预设阈值例如可以根据经验值设定,或者通过试验的方法确定,这里不再赘述。
作为示例,可以通过如下方式来判定中景图像是否完整:识别该中景图像中的受损区域与未受损区域;计算该中景图像中所有受损区域的面积与所有未受损区域的第一面积之比;以及若第一面积之比小于或等于第二预设阈值,判定该中景图像完整。
第二预设阈值例如可以根据经验值设定,或者通过试验的方法确定,这里不再赘述。
例如,当中景图像满足以下任一个或多个条件时,判定该中景图像完整:该中景图像中的受损区域的数量大于1;该中景图像包括至少一个完整的受损区域;该中景图像所包括的每个受损区域均完整;以及该中景图像中的车辆区域的所有边缘外侧均为环境图像区域。
作为示例,例如可以通过如下方式来判定中景图像中的受损区域是否完整:针对中景图像中的部分或全部受损区域中的每一个,判断该受损区域的边缘之外是否为未受损区域:若是,判定该受损区域完整;否则,判定该受损区域不完整。
作为示例,例如可以通过如下方式来判定中景图像中的受损区域是否完整:针对中景图像中的部分或全部受损区域中的每一个,判断该受损区域的边缘是否至少部分地与中景图像的图像边界重合:若是,判定该受损区域不完整;否则,判定该受损区域完整。
作为示例,近景图像获取子阶段例如包括:判断获取的待处理案件相关车辆的近景图像是否符合定损需求:若符合定损需求,执行图像分类阶段的处理;否则,重新获取待处理案件相关车辆的近景图像,直到该近景图像符合定损需求。
作为示例,判断获取的待处理案件相关车辆的近景图像是否符合定损需求例如包括:针对获取的待处理案件相关车辆的每个近景图像,基于待处理案件相关车辆的至少一个车辆受损部位,判定该近景图像所对应的车辆受损部位:若该至少一个车辆受损部位之中不存在与该近景图像对应的车辆受损部位,判定该近景图像不符合定损需求。
作为示例,判断获取的待处理案件相关车辆的近景图像是否符合定损需求例如包括:若近景图像的清晰度低于预设的第三预设阈值,判定该近景图像不符合定损需求。
第三预设阈值例如可以根据经验值设定,或者通过试验的方法确定,这里不再赘述。
作为示例,图像分类阶段例如包括:针对图像获取阶段接收或获取的多个图像之中的每一个:识别该图像中的受损区域与未受损区域;计算该图像中所有受损区域的面积与所有未受损区域的第二面积之比;以及若第二面积之比达到第二预设阈值,判定该图像为待处理案件相关车辆的中景图像。
作为示例,图像分类阶段例如包括:针对图像获取阶段接收或获取的多个图像之中的每一个:识别该图像中的受损区域与未受损区域;以及若识别的该图像中受损区域的数量大于1,判定该图像为待处理案件相关车辆的中景图像。
作为示例,上述方法例如还可以包括:判定图像分类阶段确定的待处理案件相关车辆的中景图像和/或近景图像是否符合定损需求。
例如,在图像获取阶段,可以输出第一提示信息,以通过第一提示信息提示用户采集或选择符合定损需求的图像作为对应的定损图像;第一提示信息包括显示信息和/或声音信息,其中显示信息包括图像、文字、视频和动画中的任一种或多种。
作为示例,例如可以采用预定显示屏显示图像采集设备所采集的实时图像,并在预定显示屏的预定区域显示显示信息。
作为示例,例如在预定显示屏的全部显示区域显示图像采集设备所采集的实时图像,并在该实时图像的对应位置显示浮于该实时图像上方的显示信息。
例如,第一提示信息的内容可以包括:用于表示定损图像对应的定损需求的内容;和/或用于指示操作图像采集设备的用户的拍摄位置参考值和/或拍摄参数参考值的内容,其中,拍摄参数参考值包括对应的拍摄角度参考值、光圈参考值和快门参考值中的任一种或多种。
作为示例,若已获取的定损图像不符合定损需求,可以输出第二提示信息,以通过第二提示信息提示用户调整拍摄位置和/或拍摄参数以重新采集所需要的定损图像;其中,拍摄参数包括对应的拍摄角度、光圈和快门中的任一种或多种。
作为示例,通过第二提示信息提示用户调整拍摄位置和/或拍摄参数以重新采集所需要的定损图像的步骤例如包括:获得已获取的定损图像的拍摄位置和/或拍摄参数;以及根据已获取的定损图像的拍摄位置和/或拍摄参数以及对应的拍摄位置参考值和/或拍摄参数参考值,确定用户所需的调整操作。
作为示例,在图像采集设备采集所需要的定损图像期间,例如可以实时获取当前的拍摄位置和/或拍摄参数;以及根据当前的拍摄位置和/或拍摄参数以及所需要的定损图像所对应的拍摄位置参考值和/或拍摄参数参考值,实时地确定当前所需的调整操作以指示用户进行相应的调整。
作为示例,在图像采集设备采集所需要的定损图像期间,例如可以实时获取当前的拍摄位置和/或拍摄参数;以及根据当前的拍摄位置和/或拍摄参数以及所需要的定损图像所对应的拍摄位置参考值和/或拍摄参数参考值,实时地确定当前所需的调整操作以进行相应的自动调整,直到当前的拍摄位置和/或拍摄参数与所需要的定损图像所对应的拍摄位置参考值和/或拍摄参数参考值之间的距离小于预设差值。
预设差值例如可以根据经验值设定,或者通过试验的方法确定,这里不再赘述。
作为示例,调整操作例如包括:拍摄位置和/或拍摄参数的调整趋向;以及/或调整操作还包括拍摄位置和/或拍摄参数的调整量。
作为示例,对待处理案件进行理赔处理的步骤例如包括显示如下信息:待处理案件的匹配案件的相关信息,该相关信息至少包括赔案数据。
本实施例的有益效果在于:
1.通过与历史案件进行相似度比对,进而提取历史案件中的赔案数据为定损做参考,降低了出现误识别的风险,提升了识别的准确率。
2.本发明针对现有技术中出现的一些自动分析出的定损数据及赔案数据与实际情况出入较大的情况,提供了相似度最高的历史案件赔案数据和相似度高于阈值的历史案件赔案数据的平均值作为参考数据,进一步提高了案件处理效率,降低了人力资源的投入。
实施例4
根据本公开实施例的基于历史赔案的车辆定损方法的一种示例性的处理装置,如图7所示,可以包括如下装置:
一种基于历史赔案的车辆定损装置,包括:
获取模块401,用于获取待处理案件的定损图像和事故信息;获取模块还包括:
显示第一提示信息子模块4011,其用于获取定损图像,第一提示信息用于表示获取定损图像对应的需求内容;
判断定损图像子模块4012,判断已获取的定损图像是否符合拍摄参考值,若是则判定已获取的定损图像为待处理案件的定损图像;
显示第二提示信息子模块4013,重新获取定损图像,第二提示信息用于表示获取定损图像需要调整的内容。
识别定损图像模块402,其用于识别出定损图像中受损区域的面积与未受损区域的面积;
计算受损区域模块403,其用于计算图像中受损区域的面积与未受损区域的面积的比值和受损区域的个数;
判断受损区域模块404,其用于判断定损图像中受损区域的面积与未受损区域的面积的比值是否达到预设阈值和/或判断定损图像中的受损区域的个数是否达到阈值;若是,则定损图像为中景图像,根据中景图像和事故信息得到待处理案件的第一定损数据;若否,则定损图像为近景图像,根据近景图像和事故信息得到待处理案件的第一定损数据。
计算模块405,用于根据定损图像和事故信息得到待处理案件的第一定损数据;即根据中景图像和事故信息得到待处理案件的第一定损数据或根据近景图像和事故信息得到待处理案件的第一定损数据。
调取模块406,用于基于第一定损数据调取预定数据库中与第一定损数据相似度高于预设值的至少一个历史案件对应的第二定损数据以及历史赔案数据;调取模块还包括:
子相似度计算子模块4061,其用于分别计算待处理案件对应的子数据与预定数据库中每一历史案件对应的子数据的子相似度;
相似度计算子模块4062,其用于基于子相似度计算确定该历史案件与待处理案件之间的相似度;
判断子模块4063,其用于判断相似度是否大于预设值;
调取子模块4064,其用于当相似度大于预设值时,调取历史案件对应的第二定损数据以及历史理赔数据。
赔案模块407,用于根据历史赔案数据对待处理案件进行理赔。赔案模块包括:
最高相似度子模块4071,其用于在相似度大于预设值的历史案件中选择相似度最高的历史案件;将相似度最高的历史案件的赔案数据作为待处理案件赔案的参考数据。最高相似度子模块还包括:
校验单元40711,其用于利用历史赔案数据对参考数据进行校验。
赔案模块407还包括:平均值相似度子模块4072,其用于在相似度大于预设值的历史案件中选择多个历史案件;将多个历史案件的赔案数据的平均值作为待处理案件赔案的参考数据。平均值相似度子模块包括:
类别选择单元40721,其用于按照赔案数据的类别分别在不同的一个或多个历史案件中选择对应的历史赔案数据;
综合单元40722,其用于综合选择的各种类型的历史赔案数据作为待处理案件赔案的参考数据。
校验单元40723,其用于利用历史赔案数据对参考数据进行校验。
理赔模块408,其用于显示理赔数据。
本实施例的有益效果在于:
1.通过与历史案件进行相似度比对,进而提取历史案件中的赔案数据为定损做参考,降低了出现误识别的风险,提升了识别的准确率。
2.本发明针对现有技术中出现的一些自动分析出的定损数据及赔案数据与实际情况出入较大的情况,提供了相似度最高的历史案件赔案数据和相似度高于阈值的历史案件赔案数据的平均值作为参考数据,进一步提高了案件处理效率,降低了人力资源的投入。
实施例5
根据本公开实施例的基于历史赔案的车辆定损方法的一种示例性的处理装置,可以包括如下装置:一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本发明所述的基于历史赔案的车辆定损方法。
实施例6
根据本公开实施例的基于历史赔案的车辆定损方法的一种示例性的处理装置,可以包括如下装置:一种非暂态存储介质,该非暂态存储介质存储有计算机指令,计算机指令用于使计算机执行本发明所述的基于历史赔案的车辆定损方法。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解,本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
Claims (12)
1.一种基于历史赔案的车辆定损方法,其特征在于,包括:
获取待处理案件的定损图像和事故信息;
根据所述定损图像和所述事故信息得到所述待处理案件的第一定损数据;
基于所述第一定损数据调取预定数据库中与所述第一定损数据相似度高于预设值的至少一个历史案件对应的历史理赔数据,所述历史理赔数据包括第二定损数据以及历史赔案数据;
根据所述历史理赔数据对所述待处理案件进行理赔。
2.根据权利要求1所述基于历史赔案的车辆定损方法,其特征在于,所述第一定损数据和所述第二定损数据包括至少一种子数据,所述子数据包括:
定损图像数据、定损图像中提取的图像特征数据、基于所述定损图像确定的车辆受损部位和基于所述车辆受损部位识别出的损伤类型和/或损伤程度中的至少一种;
和/或,
所述待处理案件对应的车辆信息、所述待处理案件发生的地点信息、所述待处理案件的事故类型信息、以及所述待处理案件的事故发生时的天气信息中的至少一种。
3.根据权利要求2所述基于历史赔案的车辆定损方法,其特征在于,所述基于所述第一定损数据调取预定数据库中与所述第一定损数据相似度高于预设值的至少一个历史案件对应的历史理赔数据包括:
分别计算所述待处理案件对应的子数据与所述预定数据库中每一历史案件对应的子数据的子相似度;
基于所述子相似度计算确定所述历史案件对应的历史理赔数据与所述待处理案件的所述第一定损数据之间的相似度;
判断所述相似度是否大于预设值;
当所述相似度大于预设值时,调取所述历史案件的所述历史理赔数据对应的第二定损数据以及历史赔案数据。
4.根据权利要求1所述基于历史赔案的车辆定损方法,其特征在于,所述根据所述历史理赔数据对所述待处理案件进行理赔包括:
在所述相似度大于预设值的历史案件中选择相似度最高的历史案件;
将所述相似度最高的历史案件的历史赔案数据作为所述待处理案件赔案的参考数据。
5.根据权利要求1所述基于历史赔案的车辆定损方法,其特征在于,所述根据所述历史理赔数据对所述待处理案件进行理赔还包括:
在所述相似度大于预设值的历史案件中选择多个历史案件;
将所述多个历史案件的历史赔案数据的平均值作为所述待处理案件赔案的参考数据。
6.根据权利要求5所述基于历史赔案的车辆定损方法,其特征在于,所述将所述多个历史案件的历史赔案数据的平均值作为所述待处理案件赔案的参考数据包括:
按照所述历史案件的类别分别在不同的一个或多个历史案件中选择对应的历史理赔数据;
综合选择的各种类别的所述历史案件的历史理赔数据,将所述历史理赔数据对应的历史赔案数据作为待处理案件赔案的参考数据。
7.根据权利要求4-6任意一项所述基于历史赔案的车辆定损方法,其特征在于,所述根据所述历史理赔数据对所述待处理案件进行理赔还包括:
利用所述历史理赔数据对所述参考数据进行校验。
8.根据权利要求1-6任一项所述基于历史赔案的车辆定损方法,其特征在于,所述获取待处理案件的定损图像包括:
显示第一提示信息,获取定损图像,所述第一提示信息用于表示获取所述定损图像对应的需求内容;
判断已获取的定损图像是否符合拍摄参考值;
若是,则判定所述已获取的定损图像为所述待处理案件的定损图像;
若否,则显示第二提示信息,重新获取定损图像,所述第二提示信息用于表示获取所述定损图像需要调整的内容。
9.根据权利要求1所述基于历史赔案的车辆定损方法,其特征在于,所述根据所述定损图像和所述事故信息得到所述待处理案件的第一定损数据之前,所述方法还包括:
识别出所述定损图像中受损区域的面积与未受损区域的面积;
计算所述定损图像中所述受损区域的面积与所述未受损区域的面积的比值和所述受损区域的个数;
判断所述定损图像中受损区域的面积与未受损区域的面积的比值是否达到预设阈值或判断所述定损图像中的所述受损区域的个数是否达到阈值;
若所述定损图像中受损区域的面积与未受损区域的面积的比值达到预设阈值或所述定损图像中的所述受损区域的个数达到阈值,则所述定损图像为中景图像,根据所述中景图像和所述事故信息得到所述待处理案件的第一定损数据;
若所述定损图像中受损区域的面积与未受损区域的面积的比值未达到预设阈值且所述定损图像中的所述受损区域的个数未达到阈值,则所述定损图像为近景图像,根据所述近景图像和所述事故信息得到所述待处理案件的第一定损数据。
10.一种基于历史赔案的车辆定损装置,其特征在于,包括:
获取模块,用于获取待处理案件的定损图像和事故信息;
计算模块,用于根据所述定损图像和所述事故信息得到所述待处理案件的第一定损数据;
调取模块,用于基于所述第一定损数据调取预定数据库中与所述第一定损数据相似度高于预设值的至少一个历史案件对应的历史理赔数据,所述历史理赔数据包括第二定损数据以及历史赔案数据;
赔案模块,用于根据所述历史理赔数据对所述待处理案件进行理赔。
11.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-9任一项所述的基于历史赔案的车辆定损方法。
12.一种非暂态存储介质,其特征在于,所述非暂态存储介质存储有计算机指令,所述计算机指令用于使计算机执行如权利要求1-9任一项所述的基于历史赔案的车辆定损方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010600384.6A CN111507854A (zh) | 2020-06-29 | 2020-06-29 | 基于历史赔案的车辆定损方法、装置、介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010600384.6A CN111507854A (zh) | 2020-06-29 | 2020-06-29 | 基于历史赔案的车辆定损方法、装置、介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111507854A true CN111507854A (zh) | 2020-08-07 |
Family
ID=71878813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010600384.6A Pending CN111507854A (zh) | 2020-06-29 | 2020-06-29 | 基于历史赔案的车辆定损方法、装置、介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507854A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418009A (zh) * | 2020-11-06 | 2021-02-26 | 中保车服科技服务股份有限公司 | 一种图像质量检测方法、终端设备及存储介质 |
CN113362189A (zh) * | 2021-06-11 | 2021-09-07 | 爱保科技有限公司 | 一种车辆赔案处理方法及装置、介质及电子设备 |
CN113486725A (zh) * | 2021-06-11 | 2021-10-08 | 爱保科技有限公司 | 智能车辆定损方法及装置、存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614935A (zh) * | 2018-12-12 | 2019-04-12 | 泰康保险集团股份有限公司 | 车辆定损方法及装置、存储介质及电子设备 |
CN110363669A (zh) * | 2018-03-26 | 2019-10-22 | 苏州山水树儿信息技术有限公司 | 基于非技术因素的车辆碰撞自动定损方法及*** |
CN110363670A (zh) * | 2018-03-26 | 2019-10-22 | 苏州山水树儿信息技术有限公司 | 基于历史案例的车辆碰撞定损方法及*** |
CN110689443A (zh) * | 2019-09-02 | 2020-01-14 | 中国平安财产保险股份有限公司 | 出险数据处理方法、装置及存储介质、服务器 |
CN111259848A (zh) * | 2020-01-22 | 2020-06-09 | 苏州华兴源创科技股份有限公司 | 一种车辆定损方法、车辆定损***、计算机设备和介质 |
-
2020
- 2020-06-29 CN CN202010600384.6A patent/CN111507854A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363669A (zh) * | 2018-03-26 | 2019-10-22 | 苏州山水树儿信息技术有限公司 | 基于非技术因素的车辆碰撞自动定损方法及*** |
CN110363670A (zh) * | 2018-03-26 | 2019-10-22 | 苏州山水树儿信息技术有限公司 | 基于历史案例的车辆碰撞定损方法及*** |
CN109614935A (zh) * | 2018-12-12 | 2019-04-12 | 泰康保险集团股份有限公司 | 车辆定损方法及装置、存储介质及电子设备 |
CN110689443A (zh) * | 2019-09-02 | 2020-01-14 | 中国平安财产保险股份有限公司 | 出险数据处理方法、装置及存储介质、服务器 |
CN111259848A (zh) * | 2020-01-22 | 2020-06-09 | 苏州华兴源创科技股份有限公司 | 一种车辆定损方法、车辆定损***、计算机设备和介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418009A (zh) * | 2020-11-06 | 2021-02-26 | 中保车服科技服务股份有限公司 | 一种图像质量检测方法、终端设备及存储介质 |
CN112418009B (zh) * | 2020-11-06 | 2024-03-22 | 中保车服科技服务股份有限公司 | 一种图像质量检测方法、终端设备及存储介质 |
CN113362189A (zh) * | 2021-06-11 | 2021-09-07 | 爱保科技有限公司 | 一种车辆赔案处理方法及装置、介质及电子设备 |
CN113486725A (zh) * | 2021-06-11 | 2021-10-08 | 爱保科技有限公司 | 智能车辆定损方法及装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11580605B2 (en) | Feedback loop in mobile damage assessment and claims processing | |
US10803532B1 (en) | Processing insured items holistically with mobile damage assessment and claims processing | |
US11823365B2 (en) | Automatic image based object damage assessment | |
CN111507854A (zh) | 基于历史赔案的车辆定损方法、装置、介质和电子设备 | |
US11915321B2 (en) | Configuration and transfer of image data using a mobile device | |
KR101851265B1 (ko) | 진단분석 서비스를 제공하는 기능을 가지는 단말장치와, 진단분석 서비스를 제공하기 위한 프로그램 및 그 프로그램이 기록된 컴퓨터 판독 가능 기록매체 | |
CN112434178A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN111079687A (zh) | 证件伪装识别方法、装置、设备及存储介质 | |
CN109451297A (zh) | 音视频通话质量分析方法及装置、电子设备、存储介质 | |
CN110991434B (zh) | 自助终端证件识别方法及装置 | |
CN113362189A (zh) | 一种车辆赔案处理方法及装置、介质及电子设备 | |
CN115713501B (zh) | 适用于摄像头模糊画面的检测处理方法及*** | |
CN114548442B (zh) | 一种基于互联网技术的腕表维修管理*** | |
CN117809066B (zh) | 一种卷烟交付目的地一致性检验***、方法、设备及介质 | |
CN116259091B (zh) | 一种静默活体检测的方法和装置 | |
CN113486725A (zh) | 智能车辆定损方法及装置、存储介质及电子设备 | |
CN113240822A (zh) | 一种基于移动端的自动考勤方法及装置 | |
CN118115284A (zh) | 一种基于远程可视化的车险理赔分析管理方法和*** | |
CN117455841A (zh) | 面板检测判断方法及*** | |
CN111784281A (zh) | 一种基于ai的资产识别方法及*** | |
CN110738137A (zh) | 一种人流量统计方法及装置 | |
CN116033194A (zh) | 基于移动终端的非法内容管控方法及*** | |
CN113361424A (zh) | 一种车辆智能定损图像获取方法、装置、介质和电子设备 | |
CN114155442A (zh) | 一种病理样本包埋监测*** | |
CN112465018A (zh) | 一种基于深度学习的车辆视频定损***的智能截图方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200807 |