CN111881856A - 基于图像的车辆定损方法和装置 - Google Patents
基于图像的车辆定损方法和装置 Download PDFInfo
- Publication number
- CN111881856A CN111881856A CN202010756372.2A CN202010756372A CN111881856A CN 111881856 A CN111881856 A CN 111881856A CN 202010756372 A CN202010756372 A CN 202010756372A CN 111881856 A CN111881856 A CN 111881856A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- damage
- component
- images
- impairment
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及基于图像的车辆定损方法和装置。具体而言,提供了一种车辆定损方法,包括:获取车辆的车损图像集合;确定所述车辆的部件配置类型,所述车辆的部件配置类型对应于所述车辆的部件配置,所述部件配置包括所述车辆的每个外部部件与一个或多个内部部件的映射;以及将所述车辆的部件配置类型和所述车损图像集合输入神经网络模型以确定所述车辆的内部损伤部件及其损伤概率。
Description
技术领域
本申请涉及计算机图像处理技术领域,尤其涉及基于图像的车辆定损方法和装置。
背景技术
在发生交通事故后,往往需要保险公司的理赔员到达现场处理,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,车辆理赔定损业务的处理需要依赖于专业保险工资人员的人力现场处理,成本高、等待周期长、处理效率低。
发明内容
为解决上述技术问题,本公开提供了一种车险全链路自动化理赔方案,使得用户可以快速便捷地完成理赔的全部流程。
本公开提供了一种车辆定损方法,包括:
获取车辆的车损图像集合;
确定所述车辆的部件配置类型,所述车辆的部件配置类型对应于所述车辆的部件配置,所述部件配置包括所述车辆的每个外部部件与一个或多个内部部件的映射;以及
将所述车辆的部件配置类型和所述车损图像集合输入神经网络模型以确定所述车辆的内部损伤部件及其损伤概率。
可任选地,该方法进一步包括:
处理所述车损图像集合以确定所述车辆的外部损伤部件;以及
根据所述车辆的部件配置类型、所述外部损伤部件和所述车损图像集合来确定所述车辆的内部损伤部件及其损伤概率。
可任选地,该方法进一步包括:
处理所述车损图像集合以确定所述车辆的外部损伤部件及其损伤程度;以及
根据所述外部损伤部件及其损伤程度、以及所述内部损伤部件及其损伤概率来确定所述车辆的维修方案。
可任选地,所述车辆的部件配置类型是通过车辆识别码来确定的。
可任选地,该方法进一步包括:如果所述内部损伤部件的损伤概率高于一阈值,则确定将对所述内部损伤部件进行理赔。
可任选地,该方法如权利要求1所述的方法,进一步包括:
使用训练样本对所述神经网络模型进行训练,所述训练样本包括已定损车险的车损图像集合、车辆的部件配置类型、内部损伤部件的标识号。
可任选地,该方法进一步包括:
对所述车辆的图像集合进行扩充,所述扩充包括对所述图像集合中的图像进行旋转、平移、尺度变换、以及颜色变换。
可任选地,该方法进一步包括:
确定所述车损图像集合中的每个图像的质量;以及
根据图像的质量对所述车损图像集合中的图像进行筛选。
本公开的另一方面提供了一种车辆定损装置,包括:
用于获取车辆的车损图像集合的模块;
用于确定所述车辆的部件配置类型的模块,所述车辆的部件配置类型对应于所述车辆的部件配置,所述部件配置包括所述车辆的每个外部部件与一个或多个内部部件的映射;以及
用于将所述车辆的部件配置类型和所述车损图像集合输入神经网络模型以确定所述车辆的内部损伤部件及其损伤概率的模块。
可任选地,该装置进一步包括:
用于处理所述车损图像集合以确定所述车辆的外部损伤部件的模块;以及
用于根据所述车辆的部件配置类型、所述外部损伤部件和所述车损图像集合来确定所述车辆的内部损伤部件及其损伤概率的模块。
可任选地,该装置进一步包括:
用于处理所述车损图像集合以确定所述车辆的外部损伤部件及其损伤程度的模块;以及
用于根据所述外部损伤部件及其损伤程度、以及所述内部损伤部件及其损伤概率来确定所述车辆的维修方案的模块。
可任选地,所述车辆的部件配置类型是通过车辆识别码来确定的。
可任选地,该装置进一步包括:
用于如果所述内部损伤部件的损伤概率高于一阈值,则确定将对所述内部损伤部件进行理赔的模块。
可任选地,该装置进一步包括:
用于使用训练样本对所述神经网络模型进行训练的模块,所述训练样本包括已定损车险的车损图像集合、车辆的部件配置类型、内部损伤部件的标识号。
可任选地,该装置进一步包括:
用于对所述车辆的图像集合进行扩充,所述扩充包括对所述图像集合中的图像进行旋转、平移、尺度变换、以及颜色变换的模块。
可任选地,该装置进一步包括:
用于确定所述车损图像集合中的每个图像的质量的模块;以及
用于根据图像的质量对所述车损图像集合中的图像进行筛选的模块。
本公开的又一方面提供了一种车辆定损装置,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
获取车辆的车损图像集合;
确定所述车辆的部件配置类型,所述车辆的部件配置类型对应于所述车辆的部件配置,所述部件配置包括所述车辆的每个外部部件与一个或多个内部部件的映射;以及
将所述车辆的部件配置类型和所述车损图像集合输入神经网络模型以确定所述车辆的内部损伤部件及其损伤概率。
根据本公开的技术方案,可以基于用户提供的车损图像集合和车辆的部件配置类型,基于构建的损伤识别模型确定车辆的外部部件损伤情况和内部部件损伤情况,进一步自动确定车辆的维修方案和预估理赔价格,在处理过程中无需人工干预,实现了车险的全链路自动化理赔方案。
附图说明
图1是根据本公开的各个方面的基于图像的车辆定损的***的示图。
图2是根据本公开的各方面的用于基于图像的车辆定损的方法的流程图。
图3是根据本公开的一方面的用于预测车辆损伤的装置的示图。
图4是根据本公开的各方面的训练用于车辆定损的神经网络模型的方法的流程图。
图5是根据本公开的各方面的用于基于图像的车辆定损的装置的示图。
具体实施方式
为让本发明的上述目的、特征和优点能更明显易懂,以下结合附图对本发明的具体实施方式作详细说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,因此本发明不受下面公开的具体实施例的限制。
在现有技术中,可以通过用户上传的图像来确定车辆的外部部件(即,从车辆外部可见的部件,例如,保险杠皮、发动机盖等)的损伤和受损程度,但还是需要专业维修人员来确定车辆的内部部件(即,从车辆外部不可见的部件,例如,保险杠骨架、散热器、风扇等)的损伤,这浪费了大量的人力资源,并且延长了理赔的周期,也降低了用户的体验。
本公开针对以上问题,提出了一种改善的基于图像的车辆定损方案,根据车辆的外部车损图像来预测相关内部部件的损伤概率,由此可以自动化车辆定损过程,而无需人的干预,节约了人力资源,缩短了理赔周期,提高了用户体验。
图1是根据本公开的各个方面的用于基于图像的车辆定损的***的示图。
如图1所示,***100可包括多个终端101 1-N、服务器102和数据库103。多个终端101-1-N、服务器102和数据库103之间可以通过有线或无线连接进行通信。
终端101可以是具有网络连接功能的装置。终端101可安装有车险理赔应用客户端。终端101可包括摄像头以拍摄图像(例如,车损图像)。车险理赔应用客户端可引导用户拍摄车损图像。车损图像可包括包含车牌信息的全车图像、车损部位的远景图像、车损部位的近景图像、以及车损细节图像。如果用户的车辆具有不止一处损坏,则可引导用户针对每一处损坏分别拍摄车损部位的远景图像、车损部位的近景图像、以及车损细节图像,以完整地记录全部车损信息。终端101还可以对车辆证件、用户证件进行拍照。在本文中,车损图像集合包括与车辆定损相关的图像,包括车辆图像以及相关的证件图像。终端101还可以接收用户输入的相关信息。
终端101可将车损图像集合以及其它用户输入信息发送给服务器102进行处理。终端101随后可从服务器102接收定损信息以进行确认理赔操作。
服务器102可以是一个服务器,也可以是包括多个服务器的服务器群集。服务器102可以为多个终端101 1-N提供各种业务服务。
服务器102可从终端101接收车损图像集合,对车损图像集合进行处理以提取相关信息,例如,车辆识别码、用户身份信息等。服务器102还可以对车损图像集合进行过滤,例如,基于是否图像质量要求(例如,图像是否足够清晰、是否拍摄到损伤部位等)来过滤掉不符合要求的图像,并且可以通知终端101重新拍摄相应图像。
服务器102可以确定车辆的部件配置类型。例如,服务器102可以根据车辆的识别码来确定车辆的型号、出厂时间和配置级别(例如,高配、中配、低配)。车辆的识别码可以从车损图像集合中的相应图像中获取,也可以由用户输入。
不同型号、出厂时间和配置级别的车辆可具有不同的部件配置。在本文中,部件配置指的是因车辆的各部件的放置位置而导致的外部部件与一个或多个内部部件的损伤映射。例如,在一种部件配置中,特定外部部件A可与内部部件B和内部部件C相邻,由此该特定外部部件A的损伤可能造成内部部件B和内部部件C的损伤;而在另一种部件配置中,该特定外部部件A可与内部部件B和内部部件D相邻,由此该特定外部部件A的损伤可能造成内部部件B和内部部件D的损伤。
外部部件与内部部件的该损伤映射可以是预先配置的。例如,可根据车辆的型号、出厂时间和配置级别的车辆的部件结构配置来确定。例如,可以根据部件结构配置针对每个外部部件来确定与该外部部件相邻,并由此可能因该外部部件受损而受损的一个或多个内部部件,进而建立该外部部件与该一个或多个内部部件的映射。
外部部件与内部部件的该映射也可以根据已结案的车险的相关经验数据(例如,车辆的内部损伤部件和外部损伤部件)来确定。
可以根据车辆的部件配置对其分类,每种部件配置类型的车辆可具有相同的部件配置,即,具有相同的外部部件到一个或多个内部部件的损伤映射集合。
表1示出了一种部件结构配置中的损伤映射集合的示例。
外部部件1 | 内部部件A、内部部件B |
外部部件2 | 内部部件C、内部部件D |
…… | …… |
外部部件n | 内部部件X、内部部件Y、内部部件Z |
表1
请注意,表1中所示的内部部件的个数仅仅是示例性的,一个外部部件可以映射到更多或更少的内部部件,并且两个外部部件也可以映射同一个内部部件。
服务器102可包括定损神经网络模型。该定损神经网络模型可以是卷积神经网络(Convolutional Neural Network,CNN)或区域建议网络(Region Proposal Network,RPN)。
可以通过使用车险已结案的车损信息对模型进行训练来构建定损神经网络模型。例如,可以使用车险已结案的车辆的车损图像集合、车辆的部件配置类型、外部损伤部件的标识号及其损伤程度、内部损伤部件的标识号对神经网络模型进行训练。
如果要确定待定损车辆的损伤情况,则服务器102可将待定损车辆的定损图像集合、部件配置类型输入经训练的定损神经网络模型以确定车辆的外部损伤部件及其损伤程度、内部损伤部件及其损伤概率,从而进行后续理赔操作。
数据库103可存储相关信息。例如,已结案车险的相关理赔信息,包括车辆的车损图像集合、车辆的部件配置类型、车辆外部损伤部件及损伤程度、车辆内部损伤部件等;车辆的型号、出厂时间、配置级别(例如,高配、中配、低配)、部件配置类型;客户上一年度的出险次数、区域、车价、使用性质;车辆部件维修价格等等。
请注意,虽然在图1中服务器102与数据库103被分开示出,但数据库103也可与服务器102集成在一起。
图2是根据本公开的各方面的用于基于图像的车辆定损的方法的流程图。该方法可由图1的服务器102来实现。
在步骤202,可获取车辆的车损图像集合。
服务器可以获取车辆的车损图像集合。可以从移动终端现场拍摄多个图像传输给服务器,也可以从第三方服务平台获取多个图像。车辆的车损图像集合可包括多张拍摄获取的车辆图像或者拍摄的视频(一段视频可被视为连续图像的集合)。车损图像集合可包括包含车牌信息的全车图像、车损部位的远景图像、车损部位的近景图像、以及车损细节图像。如果用户的车辆具有不止一处损坏,则车损图像集合可包括针对每一处损坏分别拍摄的车损部位的远景图像、车损部位的近景图像、以及车损细节图像,以完整地记录全部车损信息。车损图像集合还可以包括车辆证件、用户证件的图像。
服务器可以对车损图像集合中的图像进行筛选。例如,可以确定车损图像集合中的每个图像的质量(例如,清晰度,是否拍摄到车辆损伤部位等)。如果图像质量较低或者未拍摄到损伤部位,则可弃用该图像并且向终端发送消息,要求用户重新拍摄图像。图像质量的判定可以采用模糊度阈值、信息熵值等方式来处理。
在步骤204,可获取车辆的相关信息。
可以获取车辆的识别码、用户身份信息等。
车辆的识别码可以从在步骤202中所获取的车损图像集合中的相应图像中获取。例如,用户可以拍摄车辆的识别码并包括在车损图像集合中传送给服务器。服务器可通过图像处理来识别出图像中的车辆识别码。车辆识别码也可由用户输入在终端中,由终端传送给服务器。车辆识别码可被用来确定车辆的部件配置类型。
服务器还可以获取用户身份信息,进而可以根据用户身份信息来确定用户的相关信息,例如,用户的当年出险次数、用户的信用值等。
在步骤206,可以根据车辆的车损图像集合来确定车辆损伤信息。
车辆损伤信息可以包括车辆的外部部件的损伤信息和内部部件的损伤信息。
可以使用经训练的定损神经网络模型来确定车辆损伤信息。
定损神经网络模型可以是通过使用已定损车险的车辆的相关信息(车损图像集合、部件配置类型、外部部件损伤信息、内部部件损伤信息等)对模型进行训练来获得的。其中外部部件损伤信息可包括外部损伤部件的标识号及其损伤程度,内部部件损伤信息可包括内部损伤部件的标识号。
在一方面,可以使用已定损车险的车损图像集合、部件配置类型、内部部件损伤信息和外部部件损伤信息来训练一个神经网络模型。由此在预测待定损车辆的损伤情况时,该神经网络模型的输入为车损图像集合和部件配置类型,输出为内部部件损伤信息和外部部件损伤信息。
在另一方面,可以构建一个外部损伤预测神经网络模型和多个内部损伤预测神经网络模型,其中每个内部损伤预测神经网络模型对应于一种车辆部件配置类型,即,具有相同的外部部件到内部部件的损伤映射集合。
图3是根据本公开的一方面的用于预测车辆损伤的装置300的示图。
如图3所示,装置300可包括外部损伤预测模型302、多个内部损伤预测模块304 1-N、以及选择器306。
外部损伤预测模型302可根据车辆的车损图像集合来确定车辆的外部损伤部件信息,例如,受损的外部部件及其受损类型和受损程度。
外部损伤预测模型302可以通过使用已定损车险的车损图像集合和外部损伤信息训练模型来获得。随后可将待定损车辆的车损图像集合输入外部损伤预测模型来确定(预测)待定损车辆的外部损伤部件信息。
选择器306可以根据车辆的部件配置类型来选择相应的内部损伤预测模型304。
内部损伤预测模块304 1-N中的每一者对应于一种车辆的部件配置类型。内部损伤预测模型304-i可以通过使用具有其部件配置类型i的已定损车辆的车损图像集合和内部损伤信息训练模型来获得。随后可将具有部件配置类型i的待定损车辆的车损图像集合输入内部损伤预测模型来确定(预测)待定损车辆的内部损伤部件信息,例如,内部受损部件以及受损概率。
图3的用于预测车辆损伤的装置300将内部损伤部件预测划分到各自对应于不同车辆部件配置类型的多个内部损伤部件预测模型中进行,可以降低装置300的神经网络模型的复杂度,进而降低神经网络模型的训练量和计算量。
图4是根据本公开的各方面的使用已定损车险的样本(车损图像集合、车辆部件配置类型和车辆部件损伤信息)来训练车辆定损神经网络模型的方法的流程图。
可以使用大量的已经定损的车险的相关样本数据来训练定损神经网络模型。这些相关样本数据可包括车损图像集合、车辆的部件配置类型、所确定的外部部件损伤信息和内部部件损伤信息,例如由专业维修人员经过对车辆的检查而确定的信息。
在步骤402,可以获取已定损车险的车辆的车损图像集合。
服务器可从存储器中获取已定损车险的车辆的车损图像集合。该车损图像集合可以是该车险定损时用户提交且被使用的图像集合。
附加地,可以对车辆的车损图像集合进行扩充,包括对图像集合中的图像进行旋转、平移、尺度变换、以及颜色变换,由此可提高模型的预测准确性。
在步骤404,可以获取已定损车险的车辆的损伤信息。
该损伤信息可包括外部部件的损伤信息。例如,外部损伤部件的标识号、以及损伤程度(例如,轻度、中度、重度)等。
该损伤信息可进一步包括内部部件的损伤信息,例如,内部损伤部件的标识号、损伤程度等(例如,轻度、中度、重度等)。
在步骤406,可以确定车辆的部件配置类型。
车辆的外部部件的损伤(例如,凹陷、变形)可能导致内部部件的损伤。由此可以在外部部件与其可能影响到的一个或多个内部部件之间建立损伤映射。
在一示例中,前保险杠皮的变形可能导致前保险杠骨架、前保险杠内衬、和散热器框架的损伤。由此可在前保险杠皮与前保险杠骨架、前保险杠内衬、和散热器框架之间建立映射。
在另一示例中,发动机盖的变形可能导致冷凝器、前保险杠内衬、散热器框架、发动机罩铰链、风扇总成的损伤。由此可建立发动机盖与冷凝器、前保险杠内衬、散热器框架、发动机罩铰链、风扇总成之间的映射。
进一步,不同车辆可具有不同的部件配置(放置)。例如,车辆中各个部件的放置位置可能不同。由此在不同类型的车辆中,同一外部部件的损伤可能影响到不同的内部部件。即使是同一车型,也常常因为不同年出厂时间、不同配置级别(例如,高配、中配、低配)而使得各个部件的放置位置不同。
本公开可以根据车辆中各个部件的放置位置来对车辆分类,每种部件配置类型的车辆具有相同的部件配置,即,具有相同的外部部件到一个或多个内部部件的相同映射集合。服务器可以通过车辆的识别码来确定该车辆的型号、出厂时间和配置级别(高配、中配、低配),进而确定该车辆的部件配置类型。各种型号、出厂时间和配置级别的车辆的部件配置类型可以是预先确定的。
一般而言,相同型号、出厂时间、配置级别的车辆将具有相同的映射集合。不同型号、出厂时间、配置级别的车辆也有可能具有相同的映射集合。可根据车辆的配置结构来确定其映射集合,进而确定其部件配置类型。
在步骤408,可以使用已定损车险的车损图像集合、损伤信息和部件配置类型来训练神经网络模型。
在只有一个神经网络模型的情况下,可以将已定损车险的车损图像集合、车辆部件配置类型、损伤信息(外部部件损伤信息和内部部件损伤信息)输入该神经网络模型以进行训练。外部部件损伤信息可包括外部损伤部件标识号及其损伤程度。内部部件损伤信息可包括内部损伤部件标识号。
在使用图3所示的使用外部损伤预测模型和多个内部损伤预测模型来确定车辆损伤情况的示例中,可以使用车损图像集合和外部部件损伤信息来训练外部损伤预测模型;并且根据车辆部件配置类型选择相应的内部损伤预测模型,使用车损图像集合、外部部件损伤信息和内部部件损伤信息来训练该内部损伤预测模型。
回到图2,在步骤208,可以根据所确定的车辆外部部件损伤信息和内部部件损伤信息来确定定损结果。
对于外部部件的损伤,可以设置每种损伤程度对应于一种维修方案。例如,严重变形对应于换件,轻度变形需要钣金,轻微擦伤需要喷漆。对于用户而言,一个损伤部件最终输出的可以为一个维修方案,当一个损伤部件存在多处损伤时,可以按照损伤最严重的部位的维修方式作为整个部件最终的处理方式。通常车辆上的一个部件是一个整体,多处损伤的话,以最严重的损伤的处理较为合理。可以选取一种维修方案能解决损伤部件上的所有损伤,例如,在一个损伤部件中,一个损伤部位的损伤程度为严重损坏,需要换件,另一个损伤部位的损伤程度为中度变形,需要钣金,则此时可以选择换件而无需再进行钣金处理。
对于内部部件的损伤,可以将所确定的内部损伤部件的损伤概率与一阈值进行比较。如果该概率高于阈值,则可确定要对该内部损伤部件进行理赔(例如,进行更换)。如果该概率低于阈值,则可确定该内部损伤部件需要进行人工检查来确定是否有损伤。
进一步,服务器可从数据库获取车辆的部件的维修费用,以预估车辆维修的费用。
具体而言,服务器可以根据车辆部件的损伤部件、损伤程度、维修策略来查询对应于维修策略中车辆部件的维修价格,计算得到该车辆部件的预估维修价格。
例如,可以根据车辆部件所属的车型、选择的车辆部件的维修地、修理厂(例如,4S店还是普通综合修理厂)等的维修策略的信息,调用不同的价格库,生成该车辆部件的包括预维修处理方式和对应的预估维修价格的维修方案。维修策略的信息可以通过用户的选择来确定。例如,用户可以选择维修地点、在4S店还是综合修理厂、输入车辆品牌、型号,然后算法可以根据该车辆部件的维修策略信息和识别出的损伤部件和损伤程度来确定维修方案。
服务器可将所确定的损伤信息和维修方案发回给用户,以供用户查询和确认。
图5是根据本公开的各方面的用于基于图像的车辆定损的装置的示图。
如图5所示,用于基于图像的车辆定损的装置500可包括图像获取模块502、图像处理模块504、部件配置类型确定模块506、外部损伤确定模块508、内部损伤确定模块510、以及理赔模块512。
图像获取模块502可以获取车险的车损图像集合。可以从用户的终端获取车损图像集合。该车损图像集合可包括包含车牌信息的全车图像、车损部位的远景图像、车损部位的近景图像、以及车损细节图像。该车损图像集合还可包括车辆证件、用户证件的照片。
图像处理模块504可以对车损图像集合中的图像进行处理。例如,可以通过对车辆照片的识别来确定车辆的损伤部位;通过对车辆证件的图像进行处理以获取车辆的识别码;通过对用户身份证的图像进行处理以获取用户身份信息,等等。
进一步,可以确定车损图像集合中的每个图像的质量(例如,清晰度,是否拍摄到损伤部位等),并且根据图像的质量对车损图像集合中的图像进行筛选。
部件配置类型确定模块506可以确定车辆的部件配置类型。可使用车辆识别码来确定车辆的型号、出厂时间、配置级别等,由此确定车辆的部件配置类型。例如,可以根据每种型号且出厂时间和配置级别相同的车辆的车辆配置结构图来确定其外部部件与内部部件的损伤映射集合,并由此确定其部件配置类型。具有相同部件配置类型的车辆具有相同的外部部件与内部部件的损伤映射,由此可以有助于通过外部部件的损伤情况来确定内部部件的损伤概率。
外部损伤确定模块508可根据车损图像集合来确定损伤的外部部件、及其损伤程度等。
可以使用经训练的定损神经网络模型来根据车损图像集合确定损伤的外部部件、损伤程度等。该定损神经网络模型可以是卷积神经网络(Convolutional Neural Network,CNN)或区域建议网络(Region Proposal Network,RPN)。
内部损伤确定模块510可根据车损图像集合、车辆的部件配置类型来确定车辆的内部损伤部件及其损伤概率。
可以使用神经网络模型来预测车辆的内部损伤部件及其损伤概率。具体而言,可以使用车险已结案的车辆的车损图像集合、车辆的部件配置类型、外部损伤部件及其损伤程度、内部损伤部件的标识号对神经网络模型进行训练。随后可以使用经训练的定损神经网络模型来根据车损图像集合、车辆的部件配置类型来确定车辆的内部损伤部件及其损伤概率。
在一个示例中,外部损伤确定模块508和内部损伤确定模块510可以进行合并。例如,可以使用已定损车险的车损图像集合、部件配置类型、内部部件损伤信息和外部部件损伤信息来训练一个神经网络模型。由此在预测待定损车辆的损伤情况时,该神经网络模型的输入为车损图像集合和部件配置类型,输出为内部部件损伤信息和外部部件损伤信息。
在另一示例中,外部损伤确定模块508可包括一个外部损伤神经网络模型,并且内部损伤确定模块510可包括多个内部损伤神经网络模型,其中每个内部损伤神经网络模型对应于一种车辆部件配置类型。外部损伤预测模型可根据车辆的车损图像集合来确定车辆的受损的外部部件及其受损程度;每个内部损伤预测模型可以针对其对应的车辆部件配置类型,根据车损图像集合以及外部损伤部件及其受损程度来确定内部受损部件以及受损概率。
理赔模块512可以根据所确定的外部损伤信息和内部损伤信息,结合其它信息来确定维修方案以及理赔金额。
例如,对于外部部件的损伤,可以设置每种损伤程度对应于一种维修方案。
对于内部损伤而言,可以将所确定的内部损伤部件的损伤概率与一阈值进行比较。如果该概率高于阈值,则可确定将对该内部损伤部件进行理赔(例如,进行更换)。如果该概率低于阈值,则可确定该内部损伤部件需要进行人工检查来确定是否有损伤。
请注意,在本文中,用于训练定损神经网络模型的外部部件损伤样本包括外部损伤部件的标识号及其损伤程度,内部部件损伤样本可包括内部损伤部件的标识号,并且定损神经网络模型的输出包括外部损伤部件的标识号及其损伤程度、以及内部损伤部件的标识号及其概率,但本公开并不限于此。用于训练定损神经网络模型的外部部件损伤样本和内部部件损伤样本以及定损神经网络模型的输出可包括更多或更少的信息。例如,用于训练定损神经网络模型的内部部件损伤样本也可以包括内部损伤部件的标识号及其损伤程度,由此定损神经网络模型的输出可包括内部损伤部件的标识号及损伤程度。
根据本公开的方案,可以基于用户提供的车损图像集合和车辆的部件配置类型,基于构建的损伤识别模型确定车辆的外部部件损伤情况和内部部件损伤情况,进一步自动确定车辆的维修方案和预估理赔价格,在处理过程中无需人工干预,实现了车险的全链路自动化理赔方案。
本文结合附图阐述的说明描述了示例配置而不代表可被实现或者落在权利要求的范围内的所有示例。本文所使用的术语“示例性”意指“用作示例、实例或解说”,而并不意指“优于”或“胜过其他示例”。本详细描述包括具体细节以提供对所描述的技术的理解。然而,可以在没有这些具体细节的情况下实践这些技术。在一些实例中,众所周知的结构和设备以框图形式示出以避免模糊所描述的示例的概念。
在附图中,类似组件或特征可具有相同的附图标记。此外,相同部件配置类型的各个组件可通过在附图标记后跟随短划线以及在类似组件之间进行区分的第二标记来加以区分。如果在说明书中仅使用第一附图标记,则该描述可应用于具有相同的第一附图标记的类似组件中的任何一个组件而不论第二附图标记如何。
结合本文中的公开描述的各种解说性框以及模块可以用设计成执行本文中描述的功能的通用处理器、DSP、ASIC、FPGA或其他可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其任何组合来实现或执行。通用处理器可以是微处理器,但在替换方案中,处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可被实现为计算设备的组合(例如,DSP与微处理器的组合、多个微处理器、与DSP核心协同的一个或多个微处理器,或者任何其他此类配置)。
本文中所描述的功能可以在硬件、由处理器执行的软件、固件、或其任何组合中实现。如果在由处理器执行的软件中实现,则各功能可以作为一条或多条指令或代码存储在计算机可读介质上或藉其进行传送。其他示例和实现落在本公开及所附权利要求的范围内。例如,由于软件的本质,以上描述的功能可使用由处理器执行的软件、硬件、固件、硬连线或其任何组合来实现。实现功能的特征也可物理地位于各种位置,包括被分布以使得功能的各部分在不同的物理位置处实现。另外,如本文(包括权利要求中)所使用的,在项目列举(例如,以附有诸如“中的至少一个”或“中的一个或多个”之类的措辞的项目列举)中使用的“或”指示包含性列举,以使得例如A、B或C中的至少一个的列举意指A或B或C或AB或AC或BC或ABC(即,A和B和C)。同样,如本文所使用的,短语“基于”不应被解读为引述封闭条件集。例如,被描述为“基于条件A”的示例性步骤可基于条件A和条件B两者而不脱离本公开的范围。换言之,如本文所使用的,短语“基于”应当以与短语“至少部分地基于”相同的方式来解读。
计算机可读介质包括非瞬态计算机存储介质和通信介质两者,其包括促成计算机程序从一地向另一地转移的任何介质。非瞬态存储介质可以是能被通用或专用计算机访问的任何可用介质。作为示例而非限定,非瞬态计算机可读介质可包括RAM、ROM、电可擦除可编程只读存储器(EEPROM)、压缩盘(CD)ROM或其他光盘存储、磁盘存储或其他磁存储设备、或能被用来携带或存储指令或数据结构形式的期望程序代码手段且能被通用或专用计算机、或者通用或专用处理器访问的任何其他非瞬态介质。任何连接也被正当地称为计算机可读介质。例如,如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来的,则该同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文所使用的盘(disk)和碟(disc)包括CD、激光碟、光碟、数字通用碟(DVD)、软盘和蓝光碟,其中盘常常磁性地再现数据而碟用激光来光学地再现数据。以上介质的组合也被包括在计算机可读介质的范围内。
提供本文的描述是为了使得本领域技术人员能够制作或使用本公开。对本公开的各种修改对于本领域技术人员将是显而易见的,并且本文中定义的普适原理可被应用于其他变形而不会脱离本公开的范围。由此,本公开并非被限定于本文所描述的示例和设计,而是应被授予与本文所公开的原理和新颖特征相一致的最广范围。
Claims (17)
1.一种车辆定损方法,包括:
获取车辆的车损图像集合;
确定所述车辆的部件配置类型,所述车辆的部件配置类型对应于所述车辆的部件配置,所述部件配置包括所述车辆的每个外部部件与一个或多个内部部件的映射;以及
将所述车辆的部件配置类型和所述车损图像集合输入神经网络模型以确定所述车辆的内部损伤部件及其损伤概率。
2.如权利要求1所述的方法,进一步包括:
处理所述车损图像集合以确定所述车辆的外部损伤部件;以及
根据所述车辆的部件配置类型、所述外部损伤部件和所述车损图像集合来确定所述车辆的内部损伤部件及其损伤概率。
3.如权利要求1所述的方法,进一步包括:
处理所述车损图像集合以确定所述车辆的外部损伤部件及其损伤程度;以及
根据所述外部损伤部件及其损伤程度、以及所述内部损伤部件及其损伤概率来确定所述车辆的维修方案。
4.如权利要求1所述的方法,所述车辆的部件配置类型是通过车辆识别码来确定的。
5.如权利要求1所述的方法,进一步包括:
如果所述内部损伤部件的损伤概率高于一阈值,则确定将对所述内部损伤部件进行理赔。
6.如权利要求1所述的方法,进一步包括:
使用训练样本对所述神经网络模型进行训练,所述训练样本包括已定损车险的车损图像集合、车辆的部件配置类型、内部损伤部件的标识号。
7.如权利要求6所述的方法,进一步包括:
对所述车辆的图像集合进行扩充,所述扩充包括对所述图像集合中的图像进行旋转、平移、尺度变换、以及颜色变换。
8.如权利要求1所述的方法,进一步包括:
确定所述车损图像集合中的每个图像的质量;以及
根据图像的质量对所述车损图像集合中的图像进行筛选。
9.一种车辆定损装置,包括:
用于获取车辆的车损图像集合的模块;
用于确定所述车辆的部件配置类型的模块,所述车辆的部件配置类型对应于所述车辆的部件配置,所述部件配置包括所述车辆的每个外部部件与一个或多个内部部件的映射;以及
用于将所述车辆的部件配置类型和所述车损图像集合输入神经网络模型以确定所述车辆的内部损伤部件及其损伤概率的模块。
10.如权利要求9所述的装置,进一步包括:
用于处理所述车损图像集合以确定所述车辆的外部损伤部件的模块;以及
用于根据所述车辆的部件配置类型、所述外部损伤部件和所述车损图像集合来确定所述车辆的内部损伤部件及其损伤概率的模块。
11.如权利要求9所述的装置,进一步包括:
用于处理所述车损图像集合以确定所述车辆的外部损伤部件及其损伤程度的模块;以及
用于根据所述外部损伤部件及其损伤程度、以及所述内部损伤部件及其损伤概率来确定所述车辆的维修方案的模块。
12.如权利要求9所述的装置,所述车辆的部件配置类型是通过车辆识别码来确定的。
13.如权利要求9所述的装置,进一步包括:
用于如果所述内部损伤部件的损伤概率高于一阈值,则确定将对所述内部损伤部件进行理赔的模块。
14.如权利要求9所述的装置,进一步包括:
用于使用训练样本对所述神经网络模型进行训练的模块,所述训练样本包括已定损车险的车损图像集合、车辆的部件配置类型、内部损伤部件的标识号。
15.如权利要求14所述的装置,进一步包括:
用于对所述车辆的图像集合进行扩充,所述扩充包括对所述图像集合中的图像进行旋转、平移、尺度变换、以及颜色变换的模块。
16.如权利要求9所述的装置,进一步包括:
用于确定所述车损图像集合中的每个图像的质量的模块;以及
用于根据图像的质量对所述车损图像集合中的图像进行筛选的模块。
17.一种车辆定损装置,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
获取车辆的车损图像集合;
确定所述车辆的部件配置类型,所述车辆的部件配置类型对应于所述车辆的部件配置,所述部件配置包括所述车辆的每个外部部件与一个或多个内部部件的映射;以及
将所述车辆的部件配置类型和所述车损图像集合输入神经网络模型以确定所述车辆的内部损伤部件及其损伤概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010756372.2A CN111881856B (zh) | 2020-07-31 | 2020-07-31 | 基于图像的车辆定损方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010756372.2A CN111881856B (zh) | 2020-07-31 | 2020-07-31 | 基于图像的车辆定损方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111881856A true CN111881856A (zh) | 2020-11-03 |
CN111881856B CN111881856B (zh) | 2023-01-31 |
Family
ID=73204329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010756372.2A Active CN111881856B (zh) | 2020-07-31 | 2020-07-31 | 基于图像的车辆定损方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881856B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070250A (zh) * | 2020-11-13 | 2020-12-11 | 深圳壹账通智能科技有限公司 | 车辆定损方法、装置、终端设备及存储介质 |
CN114241398A (zh) * | 2022-02-23 | 2022-03-25 | 深圳壹账通科技服务有限公司 | 基于人工智能的车辆定损方法、装置、设备及存储介质 |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170293894A1 (en) * | 2016-04-06 | 2017-10-12 | American International Group, Inc. | Automatic assessment of damage and repair costs in vehicles |
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 |
CN110569697A (zh) * | 2018-08-31 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 车辆的部件检测方法、装置及设备 |
EP3629257A1 (en) * | 2018-09-28 | 2020-04-01 | Mitchell International, Inc. | Methods for estimating repair data utilizing artificial intelligence and devices thereof |
CN111311540A (zh) * | 2020-01-13 | 2020-06-19 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、计算机设备和存储介质 |
-
2020
- 2020-07-31 CN CN202010756372.2A patent/CN111881856B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170293894A1 (en) * | 2016-04-06 | 2017-10-12 | American International Group, Inc. | Automatic assessment of damage and repair costs in vehicles |
CN110569697A (zh) * | 2018-08-31 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 车辆的部件检测方法、装置及设备 |
EP3629257A1 (en) * | 2018-09-28 | 2020-04-01 | Mitchell International, Inc. | Methods for estimating repair data utilizing artificial intelligence and devices thereof |
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 |
CN111311540A (zh) * | 2020-01-13 | 2020-06-19 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、计算机设备和存储介质 |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US12020476B2 (en) | 2017-03-23 | 2024-06-25 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11797304B2 (en) | 2018-02-01 | 2023-10-24 | Tesla, Inc. | Instruction set architecture for a vector computational unit |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11983630B2 (en) | 2018-09-03 | 2024-05-14 | Tesla, Inc. | Neural networks for embedded devices |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11908171B2 (en) | 2018-12-04 | 2024-02-20 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
CN112070250A (zh) * | 2020-11-13 | 2020-12-11 | 深圳壹账通智能科技有限公司 | 车辆定损方法、装置、终端设备及存储介质 |
WO2022100454A1 (zh) * | 2020-11-13 | 2022-05-19 | 深圳壹账通智能科技有限公司 | 车辆定损方法、装置、终端设备及存储介质 |
CN112070250B (zh) * | 2020-11-13 | 2021-05-04 | 深圳壹账通智能科技有限公司 | 车辆定损方法、装置、终端设备及存储介质 |
CN114241398A (zh) * | 2022-02-23 | 2022-03-25 | 深圳壹账通科技服务有限公司 | 基于人工智能的车辆定损方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111881856B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881856B (zh) | 基于图像的车辆定损方法和装置 | |
US11823365B2 (en) | Automatic image based object damage assessment | |
US20210027390A1 (en) | Systems and Methods for Utilizing Machine-Assisted Vehicle Inspection to Identify Insurance Buildup or Fraud | |
TWI710997B (zh) | 車險自動賠付方法和系統 | |
US10430885B1 (en) | Processing insured items holistically with mobile damage assessment and claims processing | |
US20130132166A1 (en) | Smart toll network for improving performance of vehicle identification systems | |
CN112862702A (zh) | 图像增强方法、装置、设备及存储介质 | |
US20210142464A1 (en) | System and method for artificial intelligence based determination of damage to physical structures | |
US11735043B2 (en) | Systems and methods for fraud prevention based on video analytics | |
CN111435446A (zh) | 一种基于LeNet车牌识别方法及装置 | |
CN111444911A (zh) | 车牌识别模型的训练方法及装置、车牌识别方法及装置 | |
DE102020135070A1 (de) | Techniken zur informationsbeschaffung unter verwendung von daten vernetzter fahrzeuge | |
US20220311951A1 (en) | Systems and Methods for Gate-Based Vehicle Image Capture | |
CN115984786A (zh) | 车辆损伤检测方法及装置、终端、存储介质 | |
CN111369373B (zh) | 车辆内部损坏确定方法及装置 | |
CN108876640A (zh) | 一种基于人工智能的图像识别及维修方案估算的定损*** | |
CN113837170A (zh) | 车辆保险理赔申请的自动审核处理方法、装置及设备 | |
CN109635651B (zh) | 一种基于图像识别的车辆定损方法、存储介质及服务器 | |
CN111310652B (zh) | 基于分类回归双域模型的流量识别方法和*** | |
KR102304921B1 (ko) | 견적서 등록을 통한 차량의 정비 이력 관리 방법 | |
CN113784009B (zh) | 一种纸质文本图像处理方法、装置及电子设备 | |
CN113486725A (zh) | 智能车辆定损方法及装置、存储介质及电子设备 | |
CN113807445A (zh) | 案卷复核方法、装置及电子装置、计算机程序产品 | |
CN115620220A (zh) | 一种基于视频的接触者查找方法和*** | |
WO2020260854A1 (en) | Analysis of damage to vehicle glazing panels |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211220 Address after: Room 610, floor 6, No. 618, Wai Road, Huangpu District, Shanghai 200010 Applicant after: Ant Shengxin (Shanghai) Information Technology Co.,Ltd. Address before: 801-11, Section B, 8th floor, No. 556, Xixi Road, Xihu District, Hangzhou City, Zhejiang Province, 310023 Applicant before: Alipay (Hangzhou) Information Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |