CN111598850A - 一种数据审核方法及*** - Google Patents
一种数据审核方法及*** Download PDFInfo
- Publication number
- CN111598850A CN111598850A CN202010356971.5A CN202010356971A CN111598850A CN 111598850 A CN111598850 A CN 111598850A CN 202010356971 A CN202010356971 A CN 202010356971A CN 111598850 A CN111598850 A CN 111598850A
- Authority
- CN
- China
- Prior art keywords
- detection information
- vehicle
- audit
- rule
- information
- 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 53
- 238000001514 detection method Methods 0.000 claims abstract description 79
- 238000012550 audit Methods 0.000 claims abstract description 65
- 238000012795 verification Methods 0.000 claims abstract description 31
- 238000003745 diagnosis Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000013524 data verification Methods 0.000 abstract 2
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 238000013527 convolutional neural network 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
- 230000006870 function Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- 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
- 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
- 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
- G07C5/085—Registering performance data using electronic data carriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (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
本申请涉及人工智能技术领域,提供了一种数据审核方法,包括:获取检测信息;根据数据审核请求和所述检测信息确定审核项目;根据所述审核项目调用规则校验模型;基于所述规则校验模型的预设规则对所述检测信息进行校验;根据校验结果生成审核提示信息,能够基于车载诊断***生成的检测信息和用户提交的数据审核请求确定审核项目后,自动调用该审核项目的规则校验模型对检测信息进行校验,能够自动基于检测信息和数据审核请求进行损失鉴定,有效地提高了车辆的损失鉴定的效率和准确性,有效地解决了目前车辆的损失鉴定方法存在无法高效地、精准地对车辆进行损失鉴定的问题。
Description
技术领域
本申请属于数据处理技术领域,尤其涉及一种数据审核方法及***。
背景技术
随着汽车电子化程度的不断提升,电子元件不断更新迭代,在车辆查勘定损工作中对于电子元件的损失鉴定工作具有较高的技术性要求,且判断难度较高,需要专业人员进行损失鉴定。且随着社会车辆越来越多,查勘定损的业务量也相应变多,因此目前的车辆定损方法已经无法满足高效地、精准地对车辆进行损失鉴定的要求了。
综上所述,目前车辆的损失鉴定方法存在无法高效地、精准地对车辆进行损失鉴定的问题。
发明内容
本申请实施例提供了一种数据审核方法及***,可以解决目前车辆的损失鉴定方法存在无法高效地、精准地对车辆进行损失鉴定的问题。
第一方面,本申请实施例提供了一种数据审核方法,包括:
获取检测信息;
将数据审核请求和所述检测信息输入至项目确定模型进行处理,得到与所述数据审核请求和所述检测信息对应的审核项目;所述项目确定模型是通过机器学习算法对数据审核请求样本集和检测信息样本集进行训练后得到的;
根据所述审核项目调用与所述审核项目对应的规则校验模型;
基于所述规则校验模型的预设规则对所述检测信息进行校验;
根据校验结果生成审核提示信息。
进一步地,所述获取检测信息,包括:
获取故障信息识别码;所述故障信息识别码是由车载诊断***根据车辆的元件的故障信息生成的识别码;
识别所述故障信息识别码确定车辆的检测信息。
示例性的,通过手持终端扫描故障识别码获取车辆的检测信息。
在第一方面的一种可能的实现方式中,上述检测信息是由手持终端扫描车载诊断***根据车辆的元件故障信息生成的故障识别码而得到的。
进一步地,上述根据数据审核请求和所述检测信息确定审核项目,包括:
根据所述数据审核请求获取车辆图片;所述车辆图片为从多个预设方位对所述车辆进行拍摄得到的图像;
将所述车辆图像和检测信息输入至项目确定模型进行处理,得到所述车辆对于各个预设审核项目的概率;所述项目确定模型是通过机器学习算法对车辆样本集进行训练后得到的;
基于各个审核项目的概率确定所述数据审核请求对应的审核项目。
应理解,通过项目确定模型,根据车辆图片确定审核项目,能够快速且准确的确定与数据审核请求和检测信息对应的审核项目。
进一步地,上述基于所述规则校验模型的预设规则对所述检测信息进行校验,包括:
根据所述检测信息获取信息字段;
获取与所述信息字段对应的校验字段;
根据预设规则将所述信息字段与对应的校验字段进行匹配校验。
在第一方面的一种可能的实现方式中,在所述根据所述审核项目调用规则校验模型之前,还包括:
根据识别因子设定预设规则;
根据各个审核项目对应的识别因子设置规则校验模型。
在第一方面的一种可能的实现方式中,在所述根据校验结果生成审核提示信息之后,还包括:
将生成的审核提示信息发送给终端。
第二方面,本申请实施例提供了一种数据审核***,包括:
获取模块,用于获取检测信息;
确定模块,用于将数据审核请求和所述检测信息输入至项目确定模型进行处理,得到与所述数据审核请求和所述检测信息对应的审核项目;
调用模块,用于根据所述审核项目调用与所述审核项目对应的规则校验模型;
校验模块,用于基于所述规则校验模型的预设规则对所述检测信息进行校验;
提示模块,用于根据校验结果生成审核提示信息。
第三方面,本申请实施例提供了一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前述第一方面所述数据审核方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如前述第一方面所述数据审核方法的步骤。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的数据审核方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例提供的数据审核方法及***,能够基于车载诊断***生成的检测信息和用户提交的数据审核请求确定审核项目后,自动调用该审核项目的规则校验模型对检测信息进行校验,能够自动基于检测信息和数据审核请求进行损失鉴定,有效地提高了车辆的损失鉴定的效率和准确性,有效地解决了目前车辆的损失鉴定方法存在无法高效地、精准地对车辆进行损失鉴定的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例数据审核方法的流程示意图;
图2是本申请一数据审核***的结构示意图;
图3是本申请实施例提供的服务器的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请提到的数据审核方法主要用于对发生事故的车辆进行修复的估损定价的数据审核,即对车辆的查勘定损。车辆的查勘定损是指通过科学、***的专业化检查、测试与勘测手段,对汽车碰撞与事故现场进行综合分析,运用车辆估损资料与维修数据,对车辆碰撞修复进行估损定价。
本申请实施例提供的数据审核方法可以应用于手机、平板电脑、、服务器、可穿戴设备、车载设备、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、个人数字助理(personal digital assistant,PDA)等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
本申请涉及人工智能技术,在本申请所有实施例中,上述数据审核方法可以是基于已有的机器学习模型、神经网络模型以及深度学习网络模型的模型基础上,通过获取到的检测信息和数据审核请求快速确定出对应的审核项目,进而有效地提高损失鉴定的效率,提升计算机运行的效率,减少计算机资源的占用。
请参阅图1,图1示出了本申请提供的数据审核方法的示意性流程图,作为示例而非限定,上述数据审核方法包括:
S101:获取检测信息。
具体地,可以通过终端设置扫描故障信息识别码来获取该车辆的检测信息。
具体地,通过手持终端扫描故障识别码获取车辆的检测信息。
具体地,通过车载诊断***(On-Board Diagnostics,OBD)读取汽车电子元件的故障信息,并根据该故障信息生成对应故障信息识别码。即通过车载诊断***对汽车电子元件进行故障检测,当检测到某一电子元件存在故障时,将该电子元件的故障检测信息以编码的方式进行存储,并将该故障信息识别码存入存储器(例如汽车的控制***的存储器及与汽车通信连接的终端设备的存储模块)。示例性的,将该检测信息以二维码、条形码、AR码等方式进行存储。具体的,可以通过手持设备(含手机、平板电脑等)或电脑PC端扫描存储带有故障信息的编码,扫描信息编码后将编码导入数据审核***,并将该故障信息识别码存储在数据审核***的数据库中。
作为本实施例一种可能实现的方式,上述S101可以包括以下步骤:
获取故障信息识别码;所述故障信息识别码是由车载诊断***根据车辆的元件的故障信息生成的识别码;
识别所述故障信息识别码确定车辆的检测信息。
具体的,故障信息识别码可以由手持设备(例如手机、平板电脑、与电脑连接的扫描枪等)进行扫描,并识别出故障信息识别码中包含的车辆的故障信息。上述故障信息码通过编码的形式进行存储,每一个编码对应一种故障类型。
S102:将数据审核请求和所述检测信息输入至项目确定模型进行处理,得到与所述数据审核请求和所述检测信息对应的审核项目。
具体地,所述项目确定模型是通过机器学习算法对数据审核请求样本集和检测信息样本集进行训练后得到的。
具体地,上述数据审核请求可以是由查勘定损人员在数据审核***发起的请求,该请求包括需要查勘定损的审核项目,即数据审核***能够根据接收到的数据审核请求分析出需要查勘定损的审核项目。其中,上述数据审核***可以安装并运行在服务器中,示例性的,上述服务器可以是保险公司的保险服务器。上述服务器可以与至少一台终端设备通信连接,通过该终端的输入设备输入数据审核请求后,数据审核***就能够接收到该数据审核请求。
具体地,上述数据审核***还能够根据数据审核请求获取到要查勘定损的受损车辆的车辆图片。
作为本实施例一种可能实现的方式,上述S102可以包括以下步骤:
根据所述数据审核请求获取车辆图片;所述车辆图片为从多个预设方位对所述车辆进行拍摄得到的图像;
将所述车辆图像和检测信息输入至项目确定模型进行处理,得到所述车辆对于各个预设审核项目的概率;所述项目确定模型是通过机器学习算法对车辆样本集进行训练后得到的;
基于各个审核项目的概率确定所述数据审核请求对应的审核项目。
具体地,在接收到数据审核请求时,获取数据审核请求中的故障信息识别码以及受损车辆的图像,上述受损车辆的图像为从多个预设方位拍摄对所述受损车辆进行拍摄得到的图像。预设方位可以包括但不限于:正前方、左前方、左侧方、左后方、正后方、右后方、右侧方及右前方。即在对受损车辆进行定损时,需要从受损车辆的正前方、左前方、左侧方、左后方、正后方、右后方、右侧方及右前方分别对受损车辆进行拍照,进而得到受损车辆的正前方图像、左前方图像、左侧方图像、左后方图像、正后方图像、右后方图像、右侧方图像及右前方图像。
将所述多张图像和故障信息识别码输入至预设的审核项目确定模型中进行处理,得到所述受损车辆对于各个预设审核项目的概率,预设的审核项目确定模型是通过机器学习算法对受损车辆样本集以及故障信息识别码样本集进行训练得到的。受损车辆样本集中的每一条样本数据均包括受损车辆的多张图像、故障信息识别码及受损车辆的损伤项目。在对审核项目确定模型进行训练时,将每一样本数据包括的受损车辆的多张图像和故障信息识别码作为审核项目确定模型的输入,将受损车辆的审核项目作为审核项目确定模型的输出。
预设的项目确定模型可以包括依次连接的卷积神经网络(Convolutional NeuralNetwork,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)。其中,CNN用于确定图像的特征向量;LSTM用于基于同一受损车辆的多张图像的特征向量,确定受损车辆对于各个预设审核项目的概率。
基于各个审核项目的概率确定数据审核请求对应的审核项目,将概率最高的预设项目作为该数据审核请求对应的审核项目。因此,基于数据审核请求中的受损车辆的多张图像和OBD检测码就能确定对应的审核项目。
S103:根据所述审核项目调用与所述审核项目对应的规则校验模型。
具体地,可以预先在数据审核***中根据不同的审核项目设定对应的规则校验模型。首先根据审核项目(不同场景、不同项目)确定识别因子,再根据该审核项目的所有识别因子的规则组成该审核项目的规则校验模型。
示例性的,如审核项目为夜间车险,夜间车检的规则校验模型则包括报案时间这个识别因子对应的规则、OBD检测时间这个识别因子对应的规则。再如审核项目为检测气囊电脑是否要更换,则检测气囊电脑是否需要更换的规则校验模型包括车辆型号这个识别因子对应的规则、汽车配件型号这个识别因子对应的规则、故障信息识别码这个识别因子对应的规则。
作为本实施例一种可能实现的方式,上述S103之前还可以包括以下步骤:
根据识别因子设定预设规则;
根据各个审核项目对应的识别因子设置规则校验模型。
具体地,在预先设定规则校验模型时,根据OBD检测信息确定识别因子,根据识别因子设定规则,根据各个审核项目的全部识别因子确定审核项目的规则校验模型。
其中,各个识别因子对应的规则是根据审核项目制定的。通过将不同项目的规则校验模型存储在数据库中,当数据审核***接收到数据审核请求时,根据数据审核请求确定审核项目,再根据审核项目确定通过数据库查找到与该审核项目对应的规则校验模型。
具体地,可以为各个审核项目分配唯一的项目编码,将审核项目的项目编码、项目名称及该审核项目的识别因子进行相关存储,数据审核***在确定了数据审核请求对应的审核项目的项目名称后,通过该项目名称查找对应的项目编码,进而确定相关的识别因子,进而将所有识别因子的规则进行组合,进而得到该审核项目对应的规则校验模型。
具体地,还可以根据不同品牌车型、审核项目、风险形态等多个维度由不同因子组成单/复合规则。
针对不同品牌车型设置不同车型规则、针对不同的审核项目设定不同的项目规则、针对不同的风险形态设定不同的风险规则,并将这多个维度的规则进行组合生成复合规则,则该复合规则为该审核项目的规则校验模型。
S104:基于所述规则校验模型的预设规则对所述检测信息进行校验。
具体地,根据检测信息确定与当前定损项目相关的信息字段,如车辆型号、车辆品牌、故障时间、故障类型、故障元件信息等字段。
具体地,将根据检测信息确定的信息字段与理赔***的对应字段进行匹配,并根据该定损项目的预设规则判断匹配结果,进而确定是否存在风险或渗漏。示例性的,如出险时间和故障时间一致则出险时间这一识别因子没有风险;又如上报的故障元件与故障元件的故障信息匹配一致,则该识别因子存在风险。根据规则校验模型中的预设规则对检测信息的字段进行验证后,将存在风险的识别因子进行显示。
具体的,在理赔***的数据库中存储各种车辆型号、车辆品牌以及车险信息。在接收到检测信息码后,基于定损项目获取理赔***的数据库中与该定损项目相关的字段。并将该字段与检测信息的字段进行匹配校验。
作为本实施例一种可能实现的方式,上述S104可以包括以下步骤:
根据所述检测信息获取信息字段;
获取与所述信息字段对应的校验字段;
根据预设规则将所述信息字段与对应的校验字段进行匹配校验。
S105:根据校验结果生成审核提示信息。
具体地,在所有规则都校验完成后,根据存在风险的识别因子生成审核提示信息,并将该审核提示信息发送给终端,通过终端的显示设备进行显示,便于查勘人员实时查看风险信息。
在一实施例中,上述审核提示信息存储于区块链网络上创建的一个区块内,通过区块链实现信息在不同平台之间的共享,该审核提示信息包括车辆图像信息、检测信息、及对应的校验结果。
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
以上可以看出,本实施例提供的数据审核方法,能够基于车载诊断***生成的检测信息和用户提交的数据审核请求确定审核项目后,自动调用该审核项目的规则校验模型对检测信息进行校验,能够自动基于检测信息和数据审核请求进行损失鉴定,有效地提高了车辆的损失鉴定的效率和准确性,有效地解决了目前车辆的损失鉴定方法存在无法高效地、精准地对车辆进行损失鉴定的问题。
对应于上文实施例所述的数据审核方法,图2示出了本申请实施例提供的数据审核***的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图2,该数据审核***包括获取模块11、确定模块12、调用模块13、校验模块14以及提示模块15。
获取模块11用于获取检测信息。
确定模块12用于将数据审核请求和所述检测信息输入至项目确定模型进行处理,得到与所述数据审核请求和所述检测信息对应的审核项目。
调用模块13用于根据所述审核项目调用与所述审核项目对应的规则校验模型。
校验模块14用于基于所述规则校验模型的预设规则对所述检测信息进行校验。
提示模块15用于根据校验结果生成审核提示信息。
作为本申请一实施例,确定模块12包括图片获取单元、处理单元以及确定单元。
图片获取单元用于根据所述数据审核请求获取车辆图片;所述车辆图片为从多个预设方位对所述车辆进行拍摄得到的图像;
处理单元用于将所述车辆图像和检测信息输入至项目确定模型进行处理,得到所述车辆对于各个预设审核项目的概率;所述项目确定模型是通过机器学习算法对车辆样本集进行训练后得到的;
确定单元用于基于各个审核项目的概率确定所述数据审核请求对应的审核项目。
作为本申请一实施例,上述校验模块14包括:信息字段获取单元、校验字段获取单元以及校验单元。
信息字段获取单元用于根据所述检测信息获取信息字段;
校验字段获取单元用于获取与所述信息字段对应的校验字段;
校验单元用于根据预设规则将所述信息字段与对应的校验字段进行匹配校验。
作为本申请一实施例,上述获取模块11包括识别码获取单元和识别单元。
上述识别码获取单元用于获取故障信息识别码;所述故障信息识别码是由车载诊断***根据车辆的元件的故障信息生成的识别码;
上述识别单元用于识别所述故障信息识别码确定车辆的检测信息。
作为本申请一实施例,上述获取模块11通过手持终端扫描故障识别码获取车辆的检测信息。
作为本申请一实施例,上述数据审核***还包括规则设定模块以及模型设置模块。
上述规则设定模块用于根据识别因子设定预设规则;
上述模型设定模块用于根据各个审核项目对应的识别因子设置规则校验模型。
作为本申请一实施例,上述数据审核***还包括发送模块。
上述发送模块用于将生成的审核提示信息发送给终端。
需要说明的是,上述模块/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上可以看出,本实施例提供的数据审核***,同样能够基于车载诊断***生成的检测信息和用户提交的数据审核请求确定审核项目后,自动调用该审核项目的规则校验模型对检测信息进行校验,能够自动基于检测信息和数据审核请求进行损失鉴定,有效地提高了车辆的损失鉴定的效率和准确性,有效地解决了目前车辆的损失鉴定方法存在无法高效地、精准地对车辆进行损失鉴定的问题。
图3为本申请一实施例提供的服务器的结构示意图。如图3所示,该实施例的服务器3包括:至少一个处理器30(图3中仅示出一个)、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32,所述处理器30执行所述计算机程序32时实现上述任意各个数据审核方法实施例中的步骤。
所述服务器3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该服务器可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是服务器3的举例,并不构成对服务器3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),该处理器30还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31在一些实施例中可以是所述服务器3的内部存储单元,例如服务器3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述服务器3的外部存储设备,例如所述服务器3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述服务器3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种网络设备,该网络设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元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,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
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单元及算法步骤,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申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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,例如多个单元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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种数据审核方法,其特征在于,包括:
获取检测信息;
将数据审核请求和所述检测信息输入至项目确定模型进行处理,得到与所述数据审核请求和所述检测信息对应的审核项目;所述项目确定模型是通过机器学习算法对数据审核请求样本集和检测信息样本集进行训练后得到的;
根据所述审核项目调用与所述审核项目对应的规则校验模型;
基于所述规则校验模型的预设规则对所述检测信息进行校验;
根据校验结果生成审核提示信息。
2.如权利要求1所述的数据审核方法,其特征在于,所述根据数据审核请求和所述检测信息确定审核项目,包括:
根据所述数据审核请求获取车辆图片;所述车辆图片为从多个预设方位对所述车辆进行拍摄得到的图像;
将所述车辆图像和检测信息输入至项目确定模型进行处理,得到所述车辆对于各个预设审核项目的概率;
基于各个审核项目的概率确定所述数据审核请求对应的审核项目。
3.如权利要求1所述的数据审核方法,其特征在于,所述基于所述规则校验模型的预设规则对所述检测信息进行校验,包括:
根据所述检测信息获取信息字段;
获取与所述信息字段对应的校验字段;
根据预设规则将所述信息字段与对应的校验字段进行匹配校验。
4.如权利要求1所述的数据审核方法,其特征在于,所述获取检测信息,包括:
获取故障信息识别码;所述故障信息识别码是由车载诊断***根据车辆的元件的故障信息生成的识别码;
识别所述故障信息识别码确定车辆的检测信息。
5.如权利要求4所述的数据审核方法,其特征在于,所述获取检测信息,包括:
通过手持终端扫描故障识别码获取车辆的检测信息。
6.如权利要求1所述的数据审核方法,其特征在于,在所述根据所述审核项目调用规则校验模型之前,还包括:
根据识别因子设定预设规则;
根据各个审核项目对应的识别因子设置规则校验模型。
7.如权利要求1所述的数据审核方法,其特征在于,将所述审核提示信息存储于区块链网络。
8.一种数据审核***,其特征在于,包括:
获取模块,用于获取检测信息;
确定模块,用于根据数据审核请求和所述检测信息确定审核项目;
调用模块,用于根据所述审核项目调用规则校验模型;
校验模块,用于基于所述规则校验模型的预设规则对所述检测信息进行校验;
提示模块,用于根据校验结果生成审核提示信息。
9.一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010356971.5A CN111598850A (zh) | 2020-04-29 | 2020-04-29 | 一种数据审核方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010356971.5A CN111598850A (zh) | 2020-04-29 | 2020-04-29 | 一种数据审核方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111598850A true CN111598850A (zh) | 2020-08-28 |
Family
ID=72183806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010356971.5A Pending CN111598850A (zh) | 2020-04-29 | 2020-04-29 | 一种数据审核方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598850A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258220A (zh) * | 2020-10-12 | 2021-01-22 | 北京豆牛网络科技有限公司 | 信息采集及分析方法、***、电子设备和计算机可读介质 |
CN113312902A (zh) * | 2021-06-23 | 2021-08-27 | 北京鼎泰智源科技有限公司 | 一种对合同文本的智能审核校验方法及装置 |
CN113553480A (zh) * | 2021-07-28 | 2021-10-26 | 用友汽车信息科技(上海)股份有限公司 | 单据审核方法、单据审核装置和可读存储介质 |
CN115423929A (zh) * | 2022-07-27 | 2022-12-02 | 华建数创(上海)科技有限公司 | 基于智慧建筑操作***的bim模型设备编码审核方法 |
CN116055350A (zh) * | 2023-01-03 | 2023-05-02 | 重庆长安汽车股份有限公司 | 一种基于Json的数据通信质量检测方法 |
CN116228139A (zh) * | 2023-01-10 | 2023-06-06 | 南京田雨企业咨询管理有限公司 | 一种汽车金融风险审核方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931007A (zh) * | 2016-01-13 | 2016-09-07 | 平安科技(深圳)有限公司 | 定损审核方法、服务器及终端 |
CN110210981A (zh) * | 2019-04-16 | 2019-09-06 | 深圳壹账通智能科技有限公司 | 保险业务理赔方法、装置、计算机装置及存储介质 |
-
2020
- 2020-04-29 CN CN202010356971.5A patent/CN111598850A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931007A (zh) * | 2016-01-13 | 2016-09-07 | 平安科技(深圳)有限公司 | 定损审核方法、服务器及终端 |
CN110210981A (zh) * | 2019-04-16 | 2019-09-06 | 深圳壹账通智能科技有限公司 | 保险业务理赔方法、装置、计算机装置及存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258220A (zh) * | 2020-10-12 | 2021-01-22 | 北京豆牛网络科技有限公司 | 信息采集及分析方法、***、电子设备和计算机可读介质 |
CN112258220B (zh) * | 2020-10-12 | 2024-06-07 | 北京豆牛网络科技有限公司 | 信息采集及分析方法、***、电子设备和计算机可读介质 |
CN113312902A (zh) * | 2021-06-23 | 2021-08-27 | 北京鼎泰智源科技有限公司 | 一种对合同文本的智能审核校验方法及装置 |
CN113553480A (zh) * | 2021-07-28 | 2021-10-26 | 用友汽车信息科技(上海)股份有限公司 | 单据审核方法、单据审核装置和可读存储介质 |
CN115423929A (zh) * | 2022-07-27 | 2022-12-02 | 华建数创(上海)科技有限公司 | 基于智慧建筑操作***的bim模型设备编码审核方法 |
CN115423929B (zh) * | 2022-07-27 | 2023-11-17 | 华建数创(上海)科技有限公司 | 基于智慧建筑操作***的bim模型设备编码审核方法 |
CN116055350A (zh) * | 2023-01-03 | 2023-05-02 | 重庆长安汽车股份有限公司 | 一种基于Json的数据通信质量检测方法 |
CN116055350B (zh) * | 2023-01-03 | 2024-05-14 | 重庆长安汽车股份有限公司 | 一种基于Json的数据通信质量检测方法 |
CN116228139A (zh) * | 2023-01-10 | 2023-06-06 | 南京田雨企业咨询管理有限公司 | 一种汽车金融风险审核方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598850A (zh) | 一种数据审核方法及*** | |
US20210383619A1 (en) | Vehicle diagnosis method, user equipment, and server | |
CN109345417B (zh) | 基于身份认证的业务人员的在线考核方法及终端设备 | |
CN110659569B (zh) | 电子签名方法、装置、存储介质及电子设备 | |
US20160092473A1 (en) | Multi-query privacy-preserving parking management system and method | |
CN110852816A (zh) | 基于区块链的自动开具***方法、终端设备及存储介质 | |
CN109582550B (zh) | 一种获取全量业务场景故障集合的方法、装置及服务器 | |
CN113642575A (zh) | 车辆功能检测方法、装置、电子设备及存储介质 | |
CN115237802A (zh) | 基于人工智能的模拟测试方法及相关设备 | |
CN113888860A (zh) | 车辆异常行驶的检测方法、装置、服务器及可读存储介质 | |
CN112671609A (zh) | 一种资产普查与安全检测方法、装置及终端设备 | |
CN112347201B (zh) | 信息处理方法、信息处理装置及终端设备 | |
CN110969723A (zh) | 数据管理方法、检测设备、服务器及计算机可读存储介质 | |
CN113902573A (zh) | 理赔数据的处理方法及装置、存储介质、终端 | |
CN111144526B (zh) | 一种基于二维码实现对数据的维护与核对的方法及装置 | |
CN112990868A (zh) | 车辆保险自动赔付方法、***、设备及存储介质 | |
CN110826550B (zh) | 目标车辆信息校验方法、装置、设备及存储介质 | |
CN114093054A (zh) | 车辆校验方法、装置、设备及存储介质 | |
CN113128440A (zh) | 基于边缘设备的目标物识别方法、装置、设备及存储介质 | |
CN111026954A (zh) | 一种车辆信息推荐方法及装置 | |
CN112541514A (zh) | 事件发布方法、服务器、终端及存储介质 | |
CN111984727A (zh) | 受试者招募方法及装置、终端设备、存储介质 | |
CN111242764A (zh) | 一种基于区块链的***报销方法、装置及可读存储介质 | |
CN117710068B (zh) | 基于人工智能的临时供应商核验方法、装置及设备 | |
CN116506333B (zh) | 交易***生产反演检测方法及设备 |
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 |