CN112017065A - 车辆定损理赔方法、装置及计算机可读存储介质 - Google Patents
车辆定损理赔方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112017065A CN112017065A CN202010879303.0A CN202010879303A CN112017065A CN 112017065 A CN112017065 A CN 112017065A CN 202010879303 A CN202010879303 A CN 202010879303A CN 112017065 A CN112017065 A CN 112017065A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- damaged
- map
- model
- segmentation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000011218 segmentation Effects 0.000 claims abstract description 122
- 238000001514 detection method Methods 0.000 claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 65
- 238000005457 optimization Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000003993 interaction Effects 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 230000000750 progressive effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/21—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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种人工智能,提供一种车辆定损理赔方法、装置及计算机可读存储介质,其中方法包括:获取损伤车辆图;通过HTC模型对所述损伤车辆图进行检测分割,获取损伤车辆的车面检测分割图;通过PSENet分割网络模型对所述车面检测分割图进行处理,确定所述损伤车辆的损伤部位和损伤信息;根据所述损伤部位和所述损伤信息,按照预设赔偿规则确定损伤车辆的赔偿。本发明通过HTC模型和PSENet分割网络模型相互作用下对损伤车辆图进行处理,确定损伤部位、损伤数量和损伤面积,进而确定损伤车辆的赔偿,从而提高提高车辆损失程度评定的准确性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种车辆智能自动定损理赔方法、装置、电子设备及计算机可读存储介质。
背景技术
在现代保险行业中,汽车保险是很重要的险种,目前保险行业的车险投保流程主要包括以下几步:
1.用户录入承保标的车辆照片及车辆车主信息;
2.保险核保人员核查用户上传照片是否符合要求;
3.要求合格车辆照片进行存档,车辆资料录入;
4.不合格照片返回,用户重新提供合格照片。
在理赔阶段,理赔查勘员到出险现场查勘车辆损失情况,对车辆损失区域进行拍照,同时测量破损尺寸大小(包括破损区域的长度和面积),查勘人员根据测量结果确定损失程度赔付,但是在定损赔付过程中,存在如下问题:
第一:由于是人工测量,测量结果存在一定的偏差,进而影响赔付金额;
第二:由于人工评判,车辆损失程度评定具有主观性,存在伪造图片欺诈骗保风险,并且人工理赔存在理赔时间长以及人工成本高的问题。
发明内容
本发明提供一种车辆定损理赔方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高车辆损失程度评定的准确性。
为实现上述目的,本发明提供的一种车辆定损理赔方法,所述方法包括:
获取损伤车辆图;
通过HTC模型对所述损伤车辆图进行检测分割,获取损伤车辆的车面检测分割图;
通过PSENet分割网络模型对所述车面检测分割图进行处理,确定所述损伤车辆的损伤部位和损伤信息;
根据所述损伤部位和所述损伤信息,按照预设赔偿规则确定损伤车辆的赔偿。
可选地,所述通过HTC模型对所述损伤车辆图进行检测分割,获取损伤车辆的车面检测分割图,包括如下步骤:
通过RPN网络模型对所述损伤车辆图进行处理,获取损伤车辆的损伤部位为车面的概率;
通过HTC模型对所述损伤车辆的损伤部位为车面的概率进行逐步级联优化处理,获取损伤车辆的车面检测分割图。
可选地,通过RPN网络模型对所述损伤车辆图进行处理,获取损伤车辆的损伤部位为车面的概率,包括如下步骤:
通过RPN网络模型对所述损伤车辆图进行特征处理,获取损伤车辆特征图;
在所述损伤车辆特征图上的每个点选取候选区域;
对选取候选区域的损伤车辆特征图进行卷积处理,获取每个点的选取候选区域为车面的概率以及每个点的选取候选区域的坐标。
可选地,所述通过HTC模型对所述损伤车辆的损伤部位为车面的概率进行逐步级联优化处理,获取损伤车辆的车面检测分割图,包括如下步骤:
在所述HTC模型中预先加载COCO数据集训练好的模型参数;
对加载有所述模型参数的所述HTC模型进行训练;
将所述RPN网络模型对所述损伤车辆图处理的结果输入到训练好的HTC模型中进行逐步级联优化处理,获取损伤车辆的车面检测分割图。
可选地,所述通过PSENet分割网络模型对所述车面检测分割图进行处理,确定所述损伤车辆的损伤部位和损伤信息,包括如下步骤:
通过BCELoss损失函数对PSENet分割网络模型进行训练;
通过训练好的PSENet分割网络模型对所述车面检测分割图进行特征提取、特征融合以及分割预测,获取多个预测尺度的分割结果,从而确定所述损伤车辆的损伤部位和损伤信息。
可选地,所述损伤信息包括损伤数量和损伤面积。
为了解决上述问题,本发明还提供一种车辆定损理赔装置,所述装置包括:
损伤车辆图获取模块,用于获取损伤车辆图;
车面检测分割图获取模块,用于通过HTC模型对所述损伤车辆图进行检测分割,获取损伤车辆的车面检测分割图;
损伤信息获取模块,用于通过PSENet分割网络模型对所述车面检测分割图进行处理,确定所述损伤车辆的损伤部位和损伤信息;
赔偿确定模块,用于根据所述损伤部位和所述损伤信息,按照预设赔偿规则确定损伤车辆的赔偿。
可选地,所述车面检测分割图获取模块包括车面的概率获取模块和HTC模型处理模块,其中,
所述车面的概率获取模块,用于通过RPN网络模型对输入的所述损伤车辆图进行处理,获取损伤车辆的损伤部位为车面的概率;
所述HTC模型处理模块,用于通过HTC模型对获取的损伤车辆的损伤部位为车面的概率进行逐步级联优化处理,获取损伤车辆的车面检测分割图。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的车辆定损理赔方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的车辆定损理赔方法。
本发明实施例通过HTC模型对损伤车辆图进行检测分割,获取损伤车辆的车面检测分割图;通过PSENet分割网络模型对车面检测分割图进行处理,确定损伤车辆的损伤部位和损伤信息;根据损伤部位和损伤信息,按照预设赔偿规则确定损伤车辆的赔偿。本发明通过HTC模型和PSENet分割网络模型相互作用下对损伤车辆图进行处理,确定损伤部位、损伤数量和损伤面积,进而确定损伤车辆的赔偿,从而提高提高车辆损失程度评定的准确性。
附图说明
图1为本发明一实施例提供的车辆定损理赔方法的流程示意图;
图2为本发明一实施例提供的车辆定损理赔装置的模块示意图;
图3为本发明一实施例提供的实现车辆定损理赔方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种车辆定损理赔方法。参照图1所示,为本发明一实施例提供的车辆定损理赔方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,车辆定损理赔方法包括:
S1:获取损伤车辆图;
S2:通过HTC模型对所述损伤车辆图进行检测分割,获取损伤车辆的车面检测分割图;
S3:通过PSENet分割网络模型对所述车面检测分割图进行处理,确定所述损伤车辆的损伤部位和损伤信息;
S4:根据所述损伤部位和所述损伤信息,按照预设赔偿规则确定损伤车辆的赔偿。;
上述为本发明人工智能的车辆损伤理赔的基本过程,查勘员上传出险车辆图片到智能定损***,由HTC(Hybrid Task Cascade,中文含义:多阶段混合任务级联)检测车辆车面及分割分类,在分割分类车面的基础,采用改进版PSENet(Shape Robust TextDetection with Progressive Scale Expansion Network,中文含义:渐进式的尺度扩张网络)检测损伤部位及统计损伤数量和面积,并把车面信息,完成车辆定损理赔过程。
S1:获取损伤车辆图。其中,理赔查勘员通过移动设备在车辆维修现场拍照上传至车辆智能理赔***,智能理赔***直接校验图片质量,尺寸大小是否合格。其中,校验图片质量的要求如下:通常不合格的图片,比如:最大边如果小于640pixel的图片,因为分辨率太低可能会影响识别的精度,质量判定目前就是过滤掉分辨率过低的图像,获取损伤车辆图片就是将分辨率过低的图片过滤掉。
S2:通过HTC模型对所述损伤车辆图进行检测分割,获取损伤车辆的车面检测分割图。采用Hybrid Task Cascade对输入的图片进行处理,其中包括两个详细的步骤,具体如下步骤:
S21:通过RPN网络模型对所述损伤车辆图进行处理,获取损伤车辆的损伤部位为车面的概率;
S22:通过HTC模型对所述损伤车辆的损伤部位为车面的概率进行逐步级联优化处理,获取损伤车辆的车面检测分割图。
其中,在步骤S21中,通过RPN网络来区分图像部分的物体是前景还是背景,也就是初步的区分图像部分的物体是车面还是非车面。通过RPN网络模型对所述损伤车辆图进行处理,获取损伤车辆的损伤部位为车面的概率,包括如下步骤:
S211:通过RPN网络模型对所述损伤车辆图进行特征处理,获取损伤车辆特征图;
S212:在所述损伤车辆特征图上的每个点选取候选区域;
S213:对选取候选区域的损伤车辆特征图进行卷积处理,获取每个点的选取候选区域为车面的概率以及每个点的选取候选区域的坐标。
具体地,将损伤车辆图输入到RPN网络模型中,输出一张特征图,对feature map(特征图)上的每个点选取了K个anchor(候选区域)(K=9),feature map(特征图)的大小为H*W*C(C=1,一个类别即车面),那么再对这个feature map(特征图)做两次卷积操作,输出分别是H*W*C*K和H*W*4*K,维度4表示回归的坐标框的偏移与缩放,最后得到分别对应每个点每个anchor(候选区域)属于前景(即车面)的概率以及它所对应的物体的坐标。
在步骤S22中,再经过HTC模型的三个在B分支和M分支逐步级联优化分别得到最终具体十三个面的车面检测图和分割图。通过HTC模型对损伤车辆的损伤部位为车面的概率进行逐步级联优化处理,获取损伤车辆的车面检测分割图,包括如下步骤:
S221:在所述HTC模型中预先加载COCO(Common Objects in Context,中文含义:上下文中的公共对象)数据集训练好的模型参数;
S222:对加载有所述模型参数的所述HTC模型进行训练;
S223:将所述RPN网络模型对所述损伤车辆图处理的结果输入到训练好的HTC模型中进行逐步级联优化处理,获取损伤车辆的车面检测分割图。
具体地,HTC模型有三个串行的mask分支(预测车面mask)和box(预测车面box和类别),将RPN产生的结果(回归过的框)作为输入,进入这级联的三个分支,然后预测新的框和mask,也就是三个mask box分支逐级接受上个分支得到的结果,逐步优化然后的到最后的分割面与类别。
其中,Hybrid Task Cascade***框架中的F输入图像,B、M分别代表物体box框及mask掩模预测分支,用于实现车辆车面检测及分割分类,多阶段混合任务级联HTC的检测分割算法,应用于车辆智能定损理赔***中,融合了一个语义分割的分支来增强空间上下文信息来进一步提高检测准确性。
其中,HTC模型为一个渐进式细化的级联管道,在每个阶段,车面、分割检测边界框回归和掩模预测都以多任务方式并行进行;此外,并虑到不同阶段的掩模分支图像特征的融合(每个阶段的掩模特征将被嵌入并馈送到下一个阶段),多任务之间跨阶段的信息流,确保每个阶段的更好优化和对所有任务的更准确的预测,即对车面检测、车面分割分类有准确的预测。
本发明的实施例中,多阶段混合任务级联HTC目标检测分割网络应用于车辆不同车面检测及分割,并且采用在COCO的预训练模型迁移训练,提高模型泛化能力。
其中,HTC模型的模型参数是预先加载了已经在COCO数据集训练好的模型参数,加载完之后再在HTC模型上进行训练,然后对HTC模型进行该参数的赋值,然后继续在数据训练即可。
在本发明的实施例中,采用多阶段混合任务级联HTC(Hybrid Task Cascade),实现车辆损伤区域检测分割,分类不同车面。基于级联(cascade)框架的多阶段混合任务级联HTC网络具有强大的检测分割性能,其在COCO的预训练模型上的检测效果最高水平,可以实现快速处理图片分割任务。在理赔阶段,理赔查勘员对出险车辆进行拍照,上传到***进行自动检测分割,得到不同类型车面分割结果。
S3:通过PSENet分割网络模型对所述车面检测分割图进行处理,获取所述损伤车辆的损伤部位和损伤信息。即:在分割出的车面上,采用特定分割网络(PSEnet)检测出不同类型车面上的破损,采用改进的PSENET来检测上述确定的车面(具体的损伤面积和位置),然后通过损伤位置在车面分割的区域来判定最后的损伤面从而确定理赔。
其中,通过PSENet分割网络模型对所述车面检测分割图进行处理,获取所述损伤车辆的损伤部位和损伤信息,包括如下步骤:
S31:通过BCELoss损失函数对PSENet分割网络模型进行训练;
S32:通过训练好的PSENet分割网络模型对所述车面检测分割图进行特征提取、特征融合以及分割预测,获取多个预测尺度的分割结果,从而确定所述损伤车辆的损伤部位和损伤信息。
在本发明的实施例中,PSENet为一个纯粹的分割模型,输入为一张图片,经过卷积层会得到H*W*C的特征图,C代表类别(扩损的类别),每个pixel的值表示概率;取大于某个阈值(取0.7)的为损伤的pixel,小于该阈值实为背景,最后会得到一个0,1组成的mask图,1的区域即为损伤的图像的位置,得到具体的位置以及相应的面积,即:通过得到1位置的坐标以及1的个数,其中,BCELoss是模型训练所使用的损失函数。
在本发明的实施例中,不同类型车面上的破损(包括但不局限于腻子,划痕等损伤类型),进一步地统计出损伤类型及数量和损伤面积大小,同时损伤车面、部位、损伤类型及数量输入自动定价***,完成定损及赔付。
本发明采用改进版PSENet(Shape Robust Text Detection with ProgressiveScale Expansion Network)检测不同车面的损伤面积和具***置,是一种高效的物体分割网络,可以支持任意形状的物体检测,通过增加BCE Loss(Binary Cross Entropy Loss)分支,获得了额外的监督信息,改进了PSENet假阳性误判的缺陷,降低了腻子的误检情况。
也就是说,在基础的PSENet加上了BCELoss的损失函数,可以针对一些负样本进行更好的学习,从而抑制模型的假阳性的预测。在训练样本中加上一些没有任何扩损的车辆图片,然后BCELoss分支会对这些样本进行学习,可以避免模型过拟合,将一些不是破损的区域误以为破损区域(即假阳性)。
本发明实施例通过HTC模型对损伤车辆图进行检测分割,获取损伤车辆的车面检测分割图;通过PSENet分割网络模型对车面检测分割图进行处理,获取损伤车辆的损伤部位和损伤信息;根据损伤部位和损伤信息,确定损伤车辆的赔偿。本发明通过HTC模型和PSENet分割网络模型相互作用下对损伤车辆图进行处理,确定损伤部位、损伤数量和损伤面积,进而确定损伤车辆的赔偿,从而提高提高车辆损失程度评定的准确性。
如图2所示,是本发明车辆定损理赔装置的功能模块图。
本发明所述车辆定损理赔装置100可以安装于电子设备中。根据实现的功能,所述车辆定损理赔装置可以包括损伤车辆图获取模块101、车面检测分割图获取模块102、损伤信息获取模块103和赔偿确定模块104。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
损伤车辆图获取模块101,用于获取损伤车辆图;
车面检测分割图获取模块102,用于通过HTC模型对所述损伤车辆图进行检测分割,获取损伤车辆的车面检测分割图;
损伤信息获取模块103,用于通过PSENet分割网络模型对所述车面检测分割图进行处理,确定所述损伤车辆的损伤部位和损伤信息;
赔偿确定模块104,用于根据所述损伤部位和所述损伤信息,按照预设赔偿规则确定损伤车辆的赔偿。
其中,损伤车辆图获取模块101中,理赔查勘员通过移动设备在车辆维修现场拍照上传至车辆智能理赔***,智能理赔***直接校验图片质量,尺寸大小是否合格。其中,校验图片质量的要求如下:通常不合格的图片,比如:最大边如果小于640pixel的图片,因为分辨率太低可能会影响识别的精度,质量判定目前就是过滤掉分辨率过低的图像,获取损伤车辆图片就是将分辨率过低的图片过滤掉。
车面检测分割图获取模块102,用于通过HTC模型对所述损伤车辆图进行检测分割,获取损伤车辆的车面检测分割图。车面检测分割图获取模块包括车面的概率获取模块和HTC模型处理模块,其中,
所述车面的概率获取模块,用于通过RPN网络模型对输入的所述损伤车辆图进行处理,获取损伤车辆的损伤部位为车面的概率;
所述HTC模型处理模块,用于通过HTC模型对损伤车辆的损伤部位为车面的概率进行逐步级联优化处理,获取损伤车辆的车面检测分割图。
在车面的概率获取模块中,通过RPN网络来区分图像部分的物体是前景还是背景,也就是初步的区分图像部分的物体是车面还是非车面。通过RPN网络模型对输入的所述损伤车辆图进行处理,获取损伤车辆的损伤部位为车面的概率,包括如下步骤:
第一步:通过RPN网络模型对所述损伤车辆图进行特征处理,获取损伤车辆特征图;
第二步:在所述损伤车辆特征图上的每个点选取候选区域;
第三步:对选取候选区域的损伤车辆特征图进行卷积处理,获取每个点的选取候选区域为车面的概率以及每个点的选取候选区域的坐标。
具体地,将损伤车辆图输入到RPN网络模型中,输出一张特征图,对feature map(特征图)上的每个点选取了K个anchor(候选区域)(K=9),feature map(特征图)的大小为H*W*C(C=1,一个类别即车面),那么再对这个feature map(特征图)做两次卷积操作,输出分别是H*W*C*K和H*W*4*K,维度4表示回归的坐标框的偏移与缩放,最后得到分别对应每个点每个anchor(候选区域)属于前景(即车面)的概率以及它所对应的物体的坐标。
在HTC模型处理模块中,图片再经过HTC模型的三个在B分支和M分支逐步级联优化分别得到最终具体十三个面的车面检测图和分割图。通过HTC模型对获取的损伤车辆的损伤部位为车面的概率进行逐步级联优化处理,获取损伤车辆的车面检测分割图,包括如下步骤:
第一步:在所述HTC模型中预先加载COCO(Common Objects in Context,中文含义:上下文中的公共对象)数据集训练好的模型参数;
第二步:对加载有模型参数的所述HTC模型进行训练;
第三步:将所述RPN网络模型对所述损伤车辆图处理的结果输入到训练好的HTC模型中进行逐步级联优化处理,获取损伤车辆的车面检测分割图。
具体地,HTC模型有三个串行的mask分支(预测车面mask)和box(预测车面box和类别),将RPN产生的结果(回归过的框)作为输入,进入这级联的三个分支,然后预测新的框和mask,也就是三个mask box分支逐级接受上个分支得到的结果,逐步优化然后的到最后的分割面与类别。
其中,Hybrid Task Cascade***框架中的F输入图像,B、M分别代表物体box框及mask掩模预测分支,用于实现车辆车面检测及分割分类,多阶段混合任务级联HTC的检测分割算法,应用于车辆智能定损理赔***中,融合了一个语义分割的分支来增强空间上下文信息来进一步提高检测准确性。
其中,HTC模型为一个渐进式细化的级联管道,在每个阶段,车面、分割检测边界框回归和掩模预测都以多任务方式并行进行;此外,并虑到不同阶段的掩模分支图像特征的融合(每个阶段的掩模特征将被嵌入并馈送到下一个阶段),多任务之间跨阶段的信息流,确保每个阶段的更好优化和对所有任务的更准确的预测,即对车面检测、车面分割分类有准确的预测。
本发明的实施例中,多阶段混合任务级联HTC目标检测分割网络应用于车辆不同车面检测及分割,并且采用在COCO的预训练模型迁移训练,提高模型泛化能力。
其中,HTC模型的模型参数是预先加载了已经在COCO数据集训练好的模型参数,加载完之后再在HTC模型上进行训练,然后对HTC模型进行该参数的赋值,然后继续在数据训练即可。
在本发明的实施例中,采用多阶段混合任务级联HTC(Hybrid Task Cascade),实现车辆损伤区域检测分割,分类不同车面。基于级联(cascade)框架的多阶段混合任务级联HTC网络具有强大的检测分割性能,其在COCO的预训练模型上的检测效果最高水平,可以实现快速处理图片分割任务。在理赔阶段,理赔查勘员对出险车辆进行拍照,上传到***进行自动检测分割,得到不同类型车面分割结果。
其中,损伤信息获取模块103,在分割出的车面上,采用特定分割网络(PSEnet)检测出不同类型车面上的破损,采用改进的PSENET来检测上述确定的车面(具体的损伤面积和位置),然后通过损伤位置在车面分割的区域来判定最后的损伤面从而确定理赔。
通过PSENet分割网络模型对所述车面检测分割图进行处理,获取所述损伤车辆的损伤部位和损伤信息,包括如下步骤:
第一步:通过BCELoss损失函数对PSENet分割网络模型进行训练;
第二步:通过训练好的PSENet分割网络模型对所述车面检测分割图进行特征提取、特征融合以及分割预测,获取多个预测尺度的分割结果,从而确定所述损伤车辆的损伤部位和损伤信息。其中,所述损伤信息包括损伤数量和损伤面积。
在本发明的实施例中,PSENet为一个纯粹的分割模型,输入为一张图片,经过卷积层会得到H*W*C的特征图,C代表类别(扩损的类别),每个pixel的值表示概率;取大于某个阈值(取0.7)的为损伤的pixel,小于该阈值实为背景,最后会得到一个0,1组成的mask图,1的区域即为损伤的图像的位置,得到具体的位置以及相应的面积,即:通过得到1位置的坐标以及1的个数,其中,BCELoss是模型训练所使用的损失函数。
在本发明的实施例中,不同类型车面上的破损(包括但不局限于腻子,划痕等损伤类型),进一步地统计出损伤类型及数量和损伤面积大小,同时损伤车面、部位、损伤类型及数量输入自动定价***,完成定损及赔付。
本发明采用改进版PSENet(Shape Robust Text Detection with ProgressiveScale Expansion Network)检测不同车面的损伤面积和具***置,是一种高效的物体分割网络,可以支持任意形状的物体检测,通过增加BCE Loss(Binary Cross Entropy Loss)分支,获得了额外的监督信息,改进了PSENet假阳性误判的缺陷,降低了腻子的误检情况。
也就是说,在基础的PSENet加上了BCELoss的损失函数,可以针对一些负样本进行更好的学习,从而抑制模型的假阳性的预测。在训练样本中加上一些没有任何扩损的车辆图片,然后BCELoss分支会对这些样本进行学习,可以避免模型过拟合,将一些不是破损的区域误以为破损区域(即假阳性)。
本发明实施例通过HTC模型对损伤车辆图进行检测分割,获取损伤车辆的车面检测分割图;通过PSENet分割网络模型对车面检测分割图进行处理,确定损伤车辆的损伤部位和损伤信息;根据损伤部位和损伤信息,按照预设赔偿规则确定损伤车辆的赔偿。本发明通过HTC模型和PSENet分割网络模型相互作用下对损伤车辆图进行处理,确定损伤部位、损伤数量和损伤面积,进而确定损伤车辆的赔偿,从而提高提高车辆损失程度评定的准确性。
如图3所示,是本发明实现车辆定损理赔的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如车辆定损理赔程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如数据稽核程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如数据稽核程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图2示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的车辆定损理赔程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取损伤车辆图;
通过HTC模型对所述损伤车辆图进行检测分割,获取损伤车辆的车面检测分割图;
通过PSENet分割网络模型对所述车面检测分割图进行处理,确定所述损伤车辆的损伤部位和损伤信息;
根据所述损伤部位和所述损伤信息,按照预设赔偿规则确定损伤车辆的赔偿。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/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。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,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。
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模块来实现本实施例方案的目的。
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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种车辆定损理赔方法,其特征在于,所述方法包括:
获取损伤车辆图;
通过HTC模型对所述损伤车辆图进行检测分割,获取损伤车辆的车面检测分割图;
通过PSENet分割网络模型对所述车面检测分割图进行处理,确定所述损伤车辆的损伤部位和损伤信息;
根据所述损伤部位和所述损伤信息,按照预设赔偿规则确定损伤车辆的赔偿。
2.如权利要求1所述的车辆定损理赔方法,其特征在于,所述通过HTC模型对所述损伤车辆图进行检测分割,获取损伤车辆的车面检测分割图,包括如下步骤:
通过RPN网络模型对所述损伤车辆图进行处理,获取损伤车辆的损伤部位为车面的概率;
通过HTC模型对所述损伤车辆的损伤部位为车面的概率进行逐步级联优化处理,获取损伤车辆的车面检测分割图。
3.如权利要求2所述的车辆定损理赔方法,其特征在于,通过RPN网络模型对所述损伤车辆图进行处理,获取损伤车辆的损伤部位为车面的概率,包括如下步骤:
通过RPN网络模型对所述损伤车辆图进行特征处理,获取损伤车辆特征图;
在所述损伤车辆特征图上的每个点选取候选区域;
对选取候选区域的损伤车辆特征图进行卷积处理,获取每个点的选取候选区域为车面的概率以及每个点的选取候选区域的坐标。
4.如权利要求2所述的车辆定损理赔方法,其特征在于,所述通过HTC模型对所述损伤车辆的损伤部位为车面的概率进行逐步级联优化处理,获取损伤车辆的车面检测分割图,包括如下步骤:
在所述HTC模型中预先加载COCO数据集训练好的模型参数;
对加载有所述模型参数的所述HTC模型进行训练;
将所述RPN网络模型对所述损伤车辆图处理的结果输入到训练好的HTC模型中进行逐步级联优化处理,获取损伤车辆的车面检测分割图。
5.如权利要求1所述的车辆定损理赔方法,其特征在于,所述通过PSENet分割网络模型对所述车面检测分割图进行处理,确定所述损伤车辆的损伤部位和损伤信息,包括如下步骤:
通过BCELoss损失函数对PSENet分割网络模型进行训练;
通过训练好的PSENet分割网络模型对所述车面检测分割图进行特征提取、特征融合以及分割预测,获取多个预测尺度的分割结果,从而确定所述损伤车辆的损伤部位和损伤信息。
6.如权利要求1所述的车辆定损理赔方法,其特征在于,所述损伤信息包括损伤数量和损伤面积。
7.一种车辆定损理赔装置,其特征在于,所述装置包括:
损伤车辆图获取模块,用于获取损伤车辆图;
车面检测分割图获取模块,用于通过HTC模型对所述损伤车辆图进行检测分割,获取损伤车辆的车面检测分割图;
损伤信息获取模块,用于通过PSENet分割网络模型对所述车面检测分割图进行处理,获取所述损伤车辆的损伤部位和损伤信息;
赔偿确定模块,用于根据所述损伤部位和所述损伤信息,按照预设赔偿规则确定损伤车辆的赔偿。
8.如权利要求7所述的车辆定损理赔装置,其特征在于,所述车面检测分割图获取模块包括车面的概率获取模块和HTC模型处理模块,其中,
所述车面的概率获取模块,用于通过RPN网络模型对输入的所述损伤车辆图进行处理,获取损伤车辆的损伤部位为车面的概率;
所述HTC模型处理模块,用于通过HTC模型对获取的损伤车辆的损伤部位为车面的概率进行逐步级联优化处理,获取损伤车辆的车面检测分割图。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任一所述的车辆定损理赔方法。
10.一种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6中任一所述的车辆定损理赔方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010879303.0A CN112017065B (zh) | 2020-08-27 | 2020-08-27 | 车辆定损理赔方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010879303.0A CN112017065B (zh) | 2020-08-27 | 2020-08-27 | 车辆定损理赔方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112017065A true CN112017065A (zh) | 2020-12-01 |
CN112017065B CN112017065B (zh) | 2024-05-24 |
Family
ID=73502741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010879303.0A Active CN112017065B (zh) | 2020-08-27 | 2020-08-27 | 车辆定损理赔方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112017065B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966730A (zh) * | 2021-03-01 | 2021-06-15 | 创新奇智(上海)科技有限公司 | 车辆伤损识别方法、装置、设备及存储介质 |
CN117409380A (zh) * | 2023-12-11 | 2024-01-16 | 深圳鲲云信息科技有限公司 | 识别车辆的方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446618A (zh) * | 2018-03-09 | 2018-08-24 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、电子设备及存储介质 |
US20180260793A1 (en) * | 2016-04-06 | 2018-09-13 | American International Group, Inc. | Automatic assessment of damage and repair costs in vehicles |
CN110502998A (zh) * | 2019-07-23 | 2019-11-26 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、设备和存储介质 |
CN110909741A (zh) * | 2019-10-28 | 2020-03-24 | 北京航空航天大学 | 一种基于背景分割的车辆再识别方法 |
CN111210443A (zh) * | 2020-01-03 | 2020-05-29 | 吉林大学 | 基于嵌入平衡的可变形卷积混合任务级联语义分割方法 |
CN111421539A (zh) * | 2020-04-01 | 2020-07-17 | 电子科技大学 | 一种基于计算机视觉的工业零件智能识别与分拣*** |
-
2020
- 2020-08-27 CN CN202010879303.0A patent/CN112017065B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260793A1 (en) * | 2016-04-06 | 2018-09-13 | American International Group, Inc. | Automatic assessment of damage and repair costs in vehicles |
CN108446618A (zh) * | 2018-03-09 | 2018-08-24 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、电子设备及存储介质 |
CN110502998A (zh) * | 2019-07-23 | 2019-11-26 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、设备和存储介质 |
CN110909741A (zh) * | 2019-10-28 | 2020-03-24 | 北京航空航天大学 | 一种基于背景分割的车辆再识别方法 |
CN111210443A (zh) * | 2020-01-03 | 2020-05-29 | 吉林大学 | 基于嵌入平衡的可变形卷积混合任务级联语义分割方法 |
CN111421539A (zh) * | 2020-04-01 | 2020-07-17 | 电子科技大学 | 一种基于计算机视觉的工业零件智能识别与分拣*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966730A (zh) * | 2021-03-01 | 2021-06-15 | 创新奇智(上海)科技有限公司 | 车辆伤损识别方法、装置、设备及存储介质 |
CN117409380A (zh) * | 2023-12-11 | 2024-01-16 | 深圳鲲云信息科技有限公司 | 识别车辆的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112017065B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695609B (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN111652845A (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
CN111986174A (zh) | 缺陷检测方法、装置、电子设备及计算机存储介质 | |
CN111414916B (zh) | 图像中文本内容提取生成方法、装置及可读存储介质 | |
CN112017065B (zh) | 车辆定损理赔方法、装置及计算机可读存储介质 | |
CN111639704A (zh) | 目标识别方法、装置及计算机可读存储介质 | |
CN113554008A (zh) | 静态物体区域内检测方法、装置、电子设备及存储介质 | |
CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
CN112580684A (zh) | 基于半监督学习的目标检测方法、装置及存储介质 | |
CN113065607A (zh) | 图像检测方法、装置、电子设备及介质 | |
CN111695615A (zh) | 基于人工智能的车辆定损方法、装置、电子设备及介质 | |
CN117455762A (zh) | 基于全景行车记录仪的记录画面分辨率提升方法及*** | |
CN113902740A (zh) | 图像模糊程度评价模型的构建方法 | |
CN114627435B (zh) | 基于图像识别的智能灯光调节方法、装置、设备及介质 | |
CN117078651A (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN115760854A (zh) | 基于深度学习的电力设备缺陷检测方法、装置及电子设备 | |
CN114022848B (zh) | 一种隧道自动照明的控制方法及*** | |
CN116129100A (zh) | 一种货车零件定位与故障识别方法、装置、设备及介质 | |
CN112633183B (zh) | 影像遮挡区域自动检测方法、装置及存储介质 | |
CN116206096A (zh) | 一种铁路货车图像关键故障识别方法、装置、设备及介质 | |
CN114782405A (zh) | 基于图像识别及机器视觉的桥梁裂纹检测方法及装置 | |
CN113792801A (zh) | 人脸炫光程度的检测方法、装置、设备及存储介质 | |
CN114240924A (zh) | 一种基于数字化技术的电网设备质量评估方法 | |
CN111401104B (zh) | 分类模型的训练方法、分类方法、装置、设备及存储介质 | |
CN112541899A (zh) | 证件的残缺检测方法、装置、电子设备及计算机存储介质 |
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 |