CN112270313A - 线上理赔方法、装置、设备及存储介质 - Google Patents
线上理赔方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112270313A CN112270313A CN202011514965.4A CN202011514965A CN112270313A CN 112270313 A CN112270313 A CN 112270313A CN 202011514965 A CN202011514965 A CN 202011514965A CN 112270313 A CN112270313 A CN 112270313A
- Authority
- CN
- China
- Prior art keywords
- information
- damaged
- vehicle
- target
- settlement
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于计算机技术领域,提供了一种线上理赔方法、装置、设备及存储介质;所述方法通过智能定损模块自动确定出险车辆的目标损坏部件信息对应的目标理赔方案,替代了现有的需要人工参与的定损和核价业务节点,进一步通过智能审核模块对目标理赔方案进行理赔风险自动审核,替代了现有需要人工参与的核损、理算以及核赔过程,不仅简化了理赔业务节点,且完全实现了智能理赔,能够提高理赔的时效性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种线上理赔方法、装置、设备及存储介质。
背景技术
目前,随着计算机技术的不断发展以及在保险领域的应用,智能理赔已经成为保险行业的发展趋势。现有的智能理赔方案流程如图1所示,其业务流程主要包括报案、调度、查勘、定损、核价、核损、理算、核赔和赔付结案。而其不仅在报案、调度以及查勘过程中需要理赔人员的参与,且在定损、核价过程中,或者是在核损、理算和核赔过程中,也仍需要依赖于人工的参与才能顺利进行,无法在各业务节点中完全实现智能化,且由于业务节点繁多,导致在理赔环节中存在由于人力而导致的不可控因素,造成理赔时效性差的问题。
由此可见,现有的智能理赔方案流程存在由于业务节点繁多,在各业务节点间无法实现完全智能化而导致的理赔时效性差的问题。
发明内容
有鉴于此,本申请实施例提供了一种线上理赔方法、装置、设备及存储介质,以解决现有技术中理赔时效性差的问题。
本申请第一方面提供了一种线上理赔方法,包括:
响应于终端发送的出险车辆理赔请求,获取车辆案件信息;
根据所述车辆案件信息和预设的理赔人员标签信息,调度目标理赔人员;
获取所述终端基于所述目标理赔人员的操作发送的包含车辆受损部件的目标图像信息;
将所述终端发送的包含出险车辆受损部件的目标图像信息输入预先训练完成的损坏识别模型进行识别,识别出出险车辆的损坏部件信息和损坏类型信息;将所述出险车辆的损坏部件信息和损坏类型信息输入预先训练完成的配件方位识别模型进行识别,识别出属于本次出险的目标损坏部件信息;根据所述目标损坏部件信息确定目标理赔方案;
对所述目标理赔方案进行理赔风险审核;
根据所述理赔风险审核的审核结果,确定是否对所述出险车辆进行赔付。
在一可选的实现方式中,所述预先训练完成的损坏识别模型包括基于卷积神经网络模型、区域建议网络模型和区域类型分析网络模型的深度学习网络模型,经过样本图像训练后构建生成。
在一可选的实现方式中,将所述目标图像信息输入预先训练完成的损坏识别模型进行识别,识别出出险车辆的损坏部件信息和损坏类型信息,包括:
将所述目标图像信息输入所述深度学习网络模型,从所述目标图像信息中识别出车辆损坏部件的第一局部图像和车辆未损坏部件的第二局部图像;
将所述第一局部图像与预先存储的包含车辆部件的部件图像进行图像匹配,确定所述第一局部图像包括的车辆损坏部件信息和损坏类型信息;
将所述第二局部图像与所述部件图像进行匹配,确定所述第二局部图像中是否包含有车辆损坏部件信息;
若所述第二局部图像中包含有车辆损坏部件信息,则确定所述第二局部图像中车辆损坏部件的损坏类型信息。
在一可选的实现方式中,所述预先训练完成的配件方位识别模型包括基于卷积神经网络模型;
将所述出险车辆的损坏部件信息和损坏类型信息输入预先训练完成的配件方位识别模型进行识别,识别出属于本次出险的目标损坏部件,包括:
采用卷积神经网络提取所述损坏部件信息的第一卷积特征数据,以及采用预定算法提取所述损坏部件信息的第一局部特征点集;
将所述第一卷积特征数据与第二卷积特征数据进行比较,获取与所述第一卷积特征数据相似度最高的相似部件信息,所述第二卷积特征为预设的车辆损坏部件信息对应的卷积特征;
采用所述预定算法提取所述相似部件信息的第二局部特征点集;
将所述第一局部特征点集与所述第二局部特征点集进行匹配,获取匹配点对;
通过最小化匹配点对在仿射变换下的位置误差得到所述损坏部件信息与预设损坏部件信息之间的仿射变换;
根据所述位置误差的值和所述损坏类型,确定属于本次出险的目标损坏部件对应的损坏信息。
在一可选的实习方式中,采用卷积神经网络提取所述损坏部件信息的第一卷积特征数据,以及采用预定算法提取所述损坏部件信息的第一局部特征点集,包括:
采用卷积神经网络中最后一个池化层的输出向量作为所述损坏部件信息的目标卷积网络特征;
基于所述目标卷积网络特征提取所述第一卷积特征数据;
采用尺度不变特征变换算法提取所述损坏部件信息的第一局部特征点集。
在一可选的实现方式中,根据所述位置误差的值和所述损坏类型,确定属于本次出险的目标损坏部件的对应损坏信息,包括:
若在对应的损坏类型下,有任意部件的损坏部件信息对应的所述位置误差阈值小于或等于预设的位置误差阈值,则确定该部件的损坏信息是本次出险的目标损坏部件的损坏信息;
若在对应的损坏类型下,有任意部件的损坏部件信息对应的所述位置误差阈值大于预设的位置误差阈值,则确定该部件的损坏信息不是本次出险的目标损坏部件的损坏信息。
本申请第二方面提供一种智能定损方法,包括:
将终端发送的包含出险车辆受损部件的目标图像信息输入预先训练完成的损坏识别模型进行识别,识别出出险车辆的损坏部件信息和损坏类型信息;
将所述出险车辆的损坏部件信息和损坏类型信息输入预先训练完成的配件方位识别模型进行识别,识别出属于本次出险的目标损坏部件信息;
根据所述目标损坏部件信息确定目标理赔方案。
本申请实施例的第三方面提供了一种线上理赔装置,包括报案模块、调度模块、查勘模块、智能定损模块、智能审核模块以及赔付结案模块;其中,
所述报案模块,用于响应于终端发送的出险车辆理赔请求,获取车辆案件信息;
所述调度模块,用于根据所述车辆案件信息和预设的理赔人员标签信息,调度目标理赔人员;
所述查勘模块,用于供所述目标理赔人员在线操作,并获取所述终端基于所述目标理赔人员的操作发送的包含车辆受损部件的目标图像信息;
所述智能定损模块,用于将所述终端发送的包含出险车辆受损部件的目标图像信息输入预先训练完成的损坏识别模型进行识别,识别出出险车辆的损坏部件信息和损坏类型信息;将所述出险车辆的损坏部件信息和损坏类型信息输入预先训练完成的配件方位识别模型进行识别,识别出属于本次出险的目标损坏部件信息;根据所述目标损坏部件信息确定目标理赔方案;
所述智能审核模块,用于对所述目标理赔方案进行理赔风险审核;
所述赔付结案模块,用于根据所述理赔风险审核的审核结果,确定是否对所述出险车辆进行赔付。
本申请第四方面提供一种智能理赔装置,包括:
第一识别模块,用于将所述终端发送的包含出险车辆受损部件的目标图像信息输入预先训练完成的损坏识别模型进行识别,识别出出险车辆的损坏部件信息和损坏类型信息。
第二识别模块,用于将所述出险车辆的损坏部件信息和损坏类型信息输入预先训练完成的配件方位识别模型进行识别,识别出属于本次出险的目标损坏部件信息。
确定模块,用于根据所述目标损坏部件信息确定目标理赔方案。
本申请实施例的第五方面提供了一种线上理赔设备,包括存储器、处理器以及存储在所述存储器中并可在所述线上理赔设备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第二方面提供的线上理赔方法的各步骤。
本申请实施例的第六方面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第二方面提供的线上理赔方法的各步骤。
本申请实施例提供的一种线上理赔***,与现有技术相比,具有以下有益效果:通过智能定损模块自动确定出险车辆的目标损坏部件信息对应的目标理赔方案,替代了现有的需要人工参与的定损和核价业务节点,进一步通过智能审核模块对目标理赔方案进行理赔风险自动审核,替代了现有需要人工参与的核损、理算以及核赔过程,不仅简化了理赔业务节点,且完全实现了智能理赔,能够提高理赔的时效性。
本申请实施例第二方面至第五方面提供的有益效果与本申请实施例第一方面提供的有益效果相同,在此不再赘述。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是现有的理赔实现流程图;
图2是本申请第一实施例提供的线上理赔方法的实现流程图;
图3是图2中S24的实现流程图;
图4是图3中S241的实现流程图;
图5是图3中S242的实现流程图;
图6是本申请第二实施例提供的智能定损方法的实现流程图;
图7是本申请第三实施例提供的线上理赔装置的结构框图;
图8是本申请第四实施例提供的智能定损装置的结构框图;
图9是本申请第五实施例提供的线上理赔设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例所涉及的在线理赔方法,可以由在线理赔设备执行。所述在线理赔设备包括但不限于可移动终端设备、机器人、可穿戴设备等配置有拍摄功能的设备,也可以各种在线理赔场景下的服务器,在此不做具体限定。
本申请实施例涉及的在线理赔方法,应用于智能理赔场景中,例如车险理赔场景中,对出险对象进行理赔方案确定的场景中,从而推动智能理赔,提高保险理赔的智能化发展。
下面具体结合附图,对本申请实施例提供的线上理赔原理及应用场景进行示例性的说明。
请参阅图2,图2示出了本申请第一实施例提供的线上理赔方法的示意图。详述如下:
S21,响应于终端发送的出险车辆理赔请求,获取车辆案件信息。
在本申请的实施例中,所述终端的用户可以通过终端上安装运行的车辆定损应用(车险APP)或者是车辆定损小程序向线上理赔设备发送出险车辆理赔请求。具体地,用户可以通过车辆定损应用或者车辆定损小程序在线填写车辆出险信息,例如车辆车牌号码、出险原因以及出险地址等,然后发送至线上理赔设备。所述出险车辆理赔请求携带有所述车辆案件信息,线上理赔设备在接收到所述出险车辆理赔请求后,获取所述车辆案件信息。示例性地,所述车辆案件信息包括用户在车辆定损应用或车辆定损小程序中输入的车辆案件信息。
示例性地,所述车辆案件信息还可以由线上理赔设备接收到终端发送的出险车辆理赔请求后,通过调用智能客服向终端致电,与报案人进行出险信息的沟通,并由语音识别技术实时录入线上理赔设备,提取所述车辆案件信息。
S22,根据所述车辆案件信息和预设的理赔人员标签信息,调度目标理赔人员。
示例性地,线上理赔设备在获取到所述车辆案件信息后,根据车辆案件信息确定案件标签,并根据预设的理赔人员的用户标签来实现案件的智能调度。示例性地,所述案件标签可以分为案件类型标签如单方事故、双方事故、人伤案件、物损案件,案件性质标签如轻微简易案件、一般案件、重大案件、风险案件,出险车型标签如车辆品牌和出险位置标签如报案人位置信息等;预设的理赔人员的用户标签可以包括用户技能标签如车辆品牌、案件性质、案件类型,用户状态标签如空闲、忙碌和用户位置标签如理赔人员所处当前位置等。
示例性地,根据所述车辆案件信息和预设的理赔人员标签信息,调度目标理赔人员的具体过程如下:线上理赔设备首先过滤出理赔人员当前的状态标签,若有理赔人员当前为“忙碌”,则从其余理赔人员中进行下一步筛选;根据理赔人员的用户技能标签与案件类型标签、案件性质标签和出险车型标签进行匹配,将匹配度在70%以下的理赔人员过滤掉,其余理赔人员进行下一步筛选;将剩余理赔人员的用户位置标签与出险位置标签进行匹配,将距离出险位置最近的一位理赔人员筛选出来,并将案件派发到该理赔人员名下,该理赔人员为所述目标理赔人员。
S23,获取所述终端基于所述目标理赔人员的操作发送的包含车辆受损部件的目标图像信息。
在本申请的实施例中,所述目标理赔人员使用视频连线、电子单证、拍照模板等功能与所述终端进行远程在线查勘。具体过程如下:出险用户通过所述终端上的车辆定损应用(车险APP)或小程序与所述目标理赔人员进行视频连线后,目标理赔人员向报案人员下发该案件的拍照模板并指导报案人员拍摄照片;报案人员通过所述车辆定损应用上传证件类照片,线上理赔设备会对所述证件类照片进行OCR识别,并将结果回写至线上理赔设备的相应位置中;并进一步对报案人员拍摄的车损照片进行损伤识别检测,获取包含车辆受损部件的目标图像信息。进一步地,还可以将对车损照片的识别检测结果展示在估损页面中。
S24,根据所述目标图像信息,确定所述出险车辆的目标理赔方案。
示例性地,在本申请的实施例中,线上理赔设备使用大数据分析模型,图像识别模型进行智能定损。具体地,如图3所示,图3是图2中S24的实现流程图。由图3可知,S24包括S241至S243,详述如下:
S241,将所述终端发送的包含出险车辆受损部件的目标图像信息输入预先训练完成的损坏识别模型进行识别,识别出出险车辆的损坏部件信息和损坏类型信息。
示例性地,所述预先训练完成的损坏识别模型包括基于卷积神经网络模型、区域建议网络模型和区域类型分析网络模型的深度学习网络模型,经过样本图像训练后构建生成。
如图4所示,图4是图3中S241的实现流程图。由图4可知,S241包括S2411至S2414。详述如下:
S2411,将所述目标图像信息输入所述深度学习网络模型,从所述目标图像信息中识别出车辆损坏部件的第一局部图像和车辆未损坏部件的第二局部图像。
在本实施例中,可以预先采用设计的机器学习算法构建用于识别图像中车辆部件的部件识别模型,所述的部件识别模型经过样本图像的训练后,可以识别出所述目标图像信息中包含哪些车辆部件。示例性地,所述部件识别模型可以采用深度神经网络的网络模型或者变种的网络模型,经过样本图像训练后构建生成。例如可以基于卷积神经网络(Convolutional Neural Network,CNN)和区域建议网络(Region Proposal Network,RPN),结合输入模型训练的损伤样本图像、全连接层等构建生成所述的部件识别模型。具体地,基于卷积层和区域建议层的网络模型,经过样本数据训练后构建生成的深度神经网络。基于目标图像中可识别出车辆部件的图像,利用深度神经网络识别得到的部件类型。卷积神经网络一般指以卷积层(CNN)为主要结构并结合其他如激活层等组成的神经网络,主要用于图像识别。
本实施例中所述深度神经网络可以包括卷积层和其他重要的层(如输入模型训练的损伤样本图像,数据归一化层,激活层等),并结合区域建立网络共同组建生成。卷积神经网络通常是将图像处理中的二维离散卷积运算和人工神经网络相结合。这种卷积运算可以用于自动提取特征。区域建议网络(RPN)可以将一个图像(任意大小) 提取的特征作为输入(可以使用卷积神经网络提取的二维特征),输出矩形目标建议框的集。每个框有一个对象的得分。为避免混淆,本实施例中可以把使用的卷积神经网络(CNN) 称为卷积层(CNN)、区域建议网络(RPN)称为区域建议层(RPN)。本申请其他的实施例中,所述的部件识别模型还可以包括基于所述卷积神经网络改进后的或区域建议网络改进后的变种网络模型,经过样本数据训练后构建生成的深度卷积神经网络。
上述实施例中使用的模型和算法可以选择同类模型或者算法。具体的,例如部件识别模型中,可以使用基于卷积神经网络和区域建议网络的多种模型和变种,如FasterRCNN、YOLO、Mask-FCN等。其中的卷积神经网络 (CNN)可以用任意CNN模型,如ResNet、Inception ,VGG等及其变种。通常神经网络中的卷积网络(CNN)部分可以使用在物体识别取得较好效果的成熟网络结构,如Inception、ResNet等网络,如ResNet网络,输入为一张图片,输出为多个部件区域,和对应的部件分类和置信度(这里的置信度为表示识别出来的车辆部件真实性程度的参量)。faster R-CNN、YOLO、Mask-FCN等都是属于本实施例可以使用的包含卷积层的深度神经网络。本实施例使用的深度神经网络结合区域建议层和CNN层能检测出所述待处理图像中的车辆部件,并确认所述车辆部件在待处理图像中的部件区域。
S2412,将所述第一局部图像与预先存储的包含车辆部件的部件图像进行图像匹配,确定所述第一局部图像包括的车辆损坏部件信息和损坏类型信息。
本实施例中,预先存储的包含车辆部件的部件图像往往包括多种类别部件的图像;其中,车辆部件的部件图像中的局部细节图,在此可以称为局部图像。在本实施例中,利用算法模型等已经识别出的包含有车辆部件损坏信息的第一局部图像后,将所述第一局部图像分别与预先存储的包含有车辆部件的部件图像进行匹配,确定哪些部件图像中包含了所述第一局部图像的信息,最终根据相匹配部件图像中的图像信息可以确定第一局部图像包含的车辆损坏部件信息和损坏类型信息。
S2413,将所述第二局部图像与所述部件图像进行匹配,确定所述第二局部图像中是否包含有车辆损坏部件信息。
可以理解地,对于某些车辆部件图像,比如部件的局部细节图,可能通过算法模型等没法直接检测出的部件类型和位置,此时,可能会误将该没有检测到的部件图像任务是没有损坏的部件。本实施例中,为了避免这种现象,通过进一步将所述第二局部图像与所述部件图像进行匹配,来进一步验证所述第二局部图像中是否有车辆损坏部件信息。
S2414,若所述第二局部图像中包含有车辆损坏部件信息,则确定所述第二局部图像中车辆损坏部件的损坏类型信息。
进一步地,可以根据预先存储的包含有车辆部件的部件图像与所述第二局部图像进行匹配,确定所述第二局部图像中车辆损坏部件的损坏类型信息。
S242,将所述出险车辆的损坏部件信息和损坏类型信息输入预先训练完成的配件方位识别模型进行识别,识别出属于本次出险的目标损坏部件信息。
示例性地,所述预先训练完成的配件方位识别模型包括基于卷积神经网络模型。如图5所示,图5是图3中S242的实现流程图。由图5可知,S242包括S2421至2426。详述如下:
S2421,采用卷积神经网络提取所述损坏部件信息的第一卷积特征数据,以及采用预定算法提取所述损坏部件信息的第一局部特征点集。
在本实施例中,所述预定算法包括尺度不变特征变换算法;所述采用卷积神经网络提取所述损坏部件信息的第一卷积特征数据,以及采用预定算法提取所述损坏部件信息的第一局部特征点集,包括:采用卷积神经网络中最后一个池化层的输出向量作为所述损坏部件信息的目标卷积网络特征;基于所述目标卷积网络特征提取所述第一卷积特征数据;采用尺度不变特征变换算法提取所述损坏部件信息的第一局部特征点集。
本实施例中,可以提取所述损坏部件信息的第一卷积特征数据。例如构建一个卷积神经网络,使用该卷积神经网络中最后一个池化层的输出向量作为损坏部件信息的卷积网络特征,基于该卷积网络特征得到所述第一卷积特征数据。
所述的第一局部特征点集可以采用尺度不变特征变换 (Sca le -i n va ria nt feature transform,SIFT)获取,提取所述损坏部件信息中的SIFT第一局部特征点集。本申请的一个实施例使用了SIFT作为图像的局部特征数据,当然其他的实施例也可以使用其他的特征数据,例如FAST(Features fromaccelerated segment test,角点检测方法)等特征,在此不做具体限定。
S2422,将所述第一卷积特征数据与第二卷积特征数据进行比较,获取与所述第一卷积特征数据相似度最高的相似部件信息,所述第二卷积特征为预设的车辆损坏部件信息对应的卷积特征。
在本实施例中,可以选取预先存储的多个部件图像的第二卷积特征数据分别与所述第一卷积特征数据进行比较,例如每个预先存储的部件图像的大小可以相同也可以不同,对于大小与车辆损坏部件信息对应的部件图像不同的部件图像,可以选取对应的采样区域,然后获取每个部件图像对应的采样区域的第二卷积特征数据,将所述第一卷积特征数据匹配与所述第二卷积特征数据进行比较,获取得到第一卷积特殊数据与所述第二卷积特征数据的相似度,将相似度最高的采用区域对应的预存部件图像作为相似部件图像,获取该相似部件图像对应的部件信息,该相似部件图想对应的部件信息为所述相似部件信息。
S2423,采用所述预定算法提取所述相似部件信息的第二局部特征点集。
示例性地,采用所述尺度不变特征变换算法提取所述相似部件信息的第二局部特征点集。
S2424,将所述第一局部特征点集与所述第二局部特征点集进行匹配,获取匹配点对。
在本实施例中,将所述第一局部特征点集中的各个特征点和所述第二局部特征点集中的各个特征点进行近邻约束检测,获取符合近邻约束的所述第一局部特征点集中的特征点以及与其匹配的第二局部特征点集中的特征点,得到所述匹配点对。具体地,可以通过非参数密度估计的方式进行近邻约束检测,例如通过parzen窗进行密度估计的方式进行近邻约束检测。
S2425,通过最小化匹配点对在仿射变换下的位置误差得到所述损坏部件信息与预设损坏部件信息之间的仿射变换。
在本实施例中,将第一局部特征点和第二局部特征点做匹配,得到一组匹配点对,然后通过最小化匹配点对在仿射变换下的位置误差得到仿射变换。
S2426,根据所述位置误差的值和所述损坏类型,确定属于本次出险的目标损坏部件对应的损坏信息。
根据所述位置误差的值和所述损坏类型,确定属于本次出险的目标损坏部件的对应损坏信息,包括:若在对应的损坏类型下,有任意部件的损坏部件信息对应的所述位置误差阈值小于或等于预设的位置误差阈值,则确定该部件的损坏信息是本次出险的目标损坏部件的损坏信息;若在对应的损坏类型下,有任意部件的损坏部件信息对应的所述位置误差阈值大于预设的位置误差阈值,则确定该部件的损坏信息不是本次出险的目标损坏部件的损坏信息。
S243,根据所述目标损坏部件信息确定目标理赔方案。
在本实施例中,根据所述目标损坏部件信息确定目标理赔方案包括:根据所述目标损坏部件的损坏类型和损坏面积确定维修配件以及维修方式,根据所述维修配件和所述维修方式遍历配件价格库,匹配出维修配件对应的配件价格;根据匹配出的配件价格生成理赔方案。具体地,在确定配件价格时,可以选择近三个月时间内,当前地点中案件所选取的维修站类型对此车型中此配件的此种维修方式的价格的平均数,并将此数值作为该配件的维修或更换参考价格,支持人工进行修改但不能高于参考值的10%。可选地,目标理赔人员还可手动在在线理赔设备的理赔页面添加维修配件,添加维修配件后点集理赔方案生成按钮,可以自动生成对应的理赔方案。
S25,对所述目标理赔方案进行理赔风险审核。
在本实施例中,对所述目标理赔案件进行理赔风险审核,包括对所述目标理赔案件进行风控审核,理算审核以及智能核赔。其中,对所述目标理赔案件进行风控审核包括确定定损单有无风险;例如有无欺诈风险,项目多定、少定或者错定的风险;对所述目标理赔案件进行理算审核包括按照保险承保责任条款、比例赔付要求同实际定损项目进行智能匹配,计算审核保险责任内给予客户的赔付金额;对所述目标理赔案件进行智能核赔包括通过单证证据链及定损清单项目核定损失真实有效,通过保险承保责任条款、比例赔付要求核定赔付项目内容及金额合理。
S26,根据所述理赔风险审核的审核结果,确定是否对所述出险车辆进行赔付。
通过上述分析可知,本申请实施例线上理赔方法,通过智能定损模块自动确定出险车辆的目标损坏部件信息对应的目标理赔方案,替代了现有的需要人工参与的定损和核价业务节点,进一步通过智能审核模块对目标理赔方案进行理赔风险自动审核,替代了现有需要人工参与的核损、理算以及核赔过程,不仅简化了理赔业务节点,且完全实现了智能理赔,能够提高理赔的时效性。
请参阅图6,图6是本申请第二实施例提供的智能定损方法的实现流程图。需要说明的是,本申请实施例提供的智能定损方法可以由智能定损设备执行,所述智能定损设备可以是单个服务器、服务器集群或者笔记本电脑、台式电脑等个人电路,在此不做具体限定。如图6所示,本申请实施例提供的智能定损方法包括S601至S603。详述如下:
S601,将终端发送的包含出险车辆受损部件的目标图像信息输入预先训练完成的损坏识别模型进行识别,识别出出险车辆的损坏部件信息和损坏类型信息。
S602,将所述出险车辆的损坏部件信息和损坏类型信息输入预先训练完成的配件方位识别模型进行识别,识别出属于本次出险的目标损坏部件信息。
S603,根据所述目标损坏部件信息确定目标理赔方案。
在本实施例中,损坏识别模型和配件方位识别模型的具体工作过程详见图2以及图2各实施例中的描述,在此不再赘述。
以上可以看出,本实施例提供的智能定损方法,通过将终端发送的包含出险车辆受损部件的目标图像信息输入预先训练完成的损坏识别模型进行识别,识别出出险车辆的损坏部件信息和损坏类型信息;将所述出险车辆的损坏部件信息和损坏类型信息输入预先训练完成的配件方位识别模型进行识别,识别出属于本次出险的目标损坏部件信息;根据所述目标损坏部件信息确定目标理赔方案。实现了基于损坏识别模型和配件方位识别模型智能确定出险车辆的目标损坏部件信息,进而根据目标损坏部件信息确定目标理赔方案。
请参阅图7,图7是本申请第三实施例提供的线上理赔装置的结构框图。本实施例中的线上理赔装置包括的各模块用于执行图2对应的实施例中的各步骤。具体请图2所对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。参见图2,线上理赔装置70包括:包括报案模块71、调度模块72、查勘模块73、智能定损模块74、智能审核模块75以及赔付结案模块76;其中,
所述报案模块71,用于响应于终端发送的出险车辆理赔请求,获取车辆案件信息。
所述调度模块72,用于根据所述车辆案件信息和预设的理赔人员标签信息,调度目标理赔人员。
所述查勘模块73,用于供所述目标理赔人员在线操作,并获取所述终端基于所述目标理赔人员的操作发送的包含车辆受损部件的目标图像信息。
所述智能定损模块74,用于将所述终端发送的包含出险车辆受损部件的目标图像信息输入预先训练完成的损坏识别模型进行识别,识别出出险车辆的损坏部件信息和损坏类型信息;将所述出险车辆的损坏部件信息和损坏类型信息输入预先训练完成的配件方位识别模型进行识别,识别出属于本次出险的目标损坏部件信息;根据所述目标损坏部件信息确定目标理赔方案。
所述智能审核模块75,用于对所述目标理赔方案进行理赔风险审核。
所述赔付结案模块76,用于根据所述理赔风险审核的审核结果,确定是否对所述出险车辆进行赔付。
示例性地,所述预先训练完成的损坏识别模型包括基于卷积神经网络模型、区域建议网络模型和区域类型分析网络模型的深度学习网络模型,经过样本图像训练后构建生成。
示例性地,将所述目标图像信息输入预先训练完成的损坏识别模型进行识别,识别出出险车辆的损坏部件信息和损坏类型信息,包括:
将所述目标图像信息输入所述深度学习网络模型,从所述目标图像信息中识别出车辆损坏部件的第一局部图像和车辆未损坏部件的第二局部图像;
将所述第一局部图像与预先存储的包含车辆部件的部件图像进行图像匹配,确定所述第一局部图像包括的车辆损坏部件信息和损坏类型信息;
将所述第二局部图像与所述部件图像进行匹配,确定所述第二局部图像中是否包含有车辆损坏部件信息;
若所述第二局部图像中包含有车辆损坏部件信息,则确定所述第二局部图像中车辆损坏部件的损坏类型信息。
示例性地,所述预先训练完成的配件方位识别模型包括基于卷积神经网络模型;
将所述出险车辆的损坏部件信息和损坏类型信息输入预先训练完成的配件方位识别模型进行识别,识别出属于本次出险的目标损坏部件,包括:
采用卷积神经网络提取所述损坏部件信息的第一卷积特征数据,以及采用预定算法提取所述损坏部件信息的第一局部特征点集;
将所述第一卷积特征数据与第二卷积特征数据进行比较,获取与所述第一卷积特征数据相似度最高的相似部件信息,所述第二卷积特征为预设的车辆损坏部件信息对应的卷积特征;
采用所述预定算法提取所述相似部件信息的第二局部特征点集;
将所述第一局部特征点集与所述第二局部特征点集进行匹配,获取匹配点对;
通过最小化匹配点对在仿射变换下的位置误差得到所述损坏部件信息与预设损坏部件信息之间的仿射变换;
根据所述位置误差的值和所述损坏类型,确定属于本次出险的目标损坏部件对应的损坏信息。
示例性地,采用卷积神经网络提取所述损坏部件信息的第一卷积特征数据,以及采用预定算法提取所述损坏部件信息的第一局部特征点集,包括:
采用卷积神经网络中最后一个池化层的输出向量作为所述损坏部件信息的目标卷积网络特征;
基于所述目标卷积网络特征提取所述第一卷积特征数据;
采用尺度不变特征变换算法提取所述损坏部件信息的第一局部特征点集。
示例性地,根据所述位置误差的值和所述损坏类型,确定属于本次出险的目标损坏部件的对应损坏信息,包括:
若在对应的损坏类型下,有任意部件的损坏部件信息对应的所述位置误差阈值小于或等于预设的位置误差阈值,则确定该部件的损坏信息是本次出险的目标损坏部件的损坏信息;
若在对应的损坏类型下,有任意部件的损坏部件信息对应的所述位置误差阈值大于预设的位置误差阈值,则确定该部件的损坏信息不是本次出险的目标损坏部件的损坏信息。
应当理解的是,图7示出的线上理赔装置的结构框图中,各模块用于执行图2对应的实施例中的各步骤,而对于图2对应的实施例中的各步骤已在上述实施例中进行详细解释,具体请参阅图2所对应的实施例中的相关描述,此处不再赘述。
图8是本申请第四实施例提供的智能定损装置的结构框图。本实施例中的线上理赔装置包括的各模块用于执行图6对应的实施例中的各步骤。具体请图6所对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。参见图6,智能定损装置80包括:
第一识别模块81,用于将所述终端发送的包含出险车辆受损部件的目标图像信息输入预先训练完成的损坏识别模型进行识别,识别出出险车辆的损坏部件信息和损坏类型信息。
第二识别模块82,用于将所述出险车辆的损坏部件信息和损坏类型信息输入预先训练完成的配件方位识别模型进行识别,识别出属于本次出险的目标损坏部件信息。
确定模块83,用于根据所述目标损坏部件信息确定目标理赔方案。
应当理解的是,图8示出的智能定损装置的结构框图中,各模块用于执行图对应的实施例中的各步骤,而对于图6对应的实施例中的各步骤已在上述实施例中进行详细解释,具体请参阅图6所对应的实施例中的相关描述,此处不再赘述。
图9是本申请第五实施例提供的线上理赔设备的结构框图。如图9所示,该实施例的线上理赔设备90包括:处理器91、存储器92以及存储在所述存储器92中并可在所述处理器91上运行的计算机程序93,例如线上理赔方法的程序。处理器91执行所述计算机程序93时实现上述各个线上理赔方法各实施例中的步骤,例如图2所示的S21至S26。或者,所述处理器91执行所述计算机程序93时实现上述图7对应的实施例中各单元的功能,例如,图所示的模块71至76的功能,具体请参阅图7对应的实施例中的相关描述,此处不赘述。
示例性的,所述计算机程序93可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器92中,并由所述处理器91执行,以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序93在所述线上理赔设备90中的执行过程。例如,所述计算机程序93可以被分割成包括报案模块、调度模块、查勘模块、智能定损模块、智能审核模块以及赔付结案模块;各模块具体功能如图7所述。
所述线上理赔设备可包括,但不仅限于,处理器91、存储器92。本领域技术人员可以理解,图9仅仅是线上理赔设备90的示例,并不构成对线上理赔设备90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,例如所述转台设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器91可以是中央处理单元(Central Processing Unit,CPU),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92可以是所述线上理赔设备90的内部存储单元,例如线上理赔设备90的硬盘或内存。所述存储器92也可以是所述线上理赔设备90的外部存储设备,例如所述线上理赔设备90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92还可以既包括所述线上理赔设备90的内部存储单元也包括外部存储设备。所述存储器92用于存储所述计算机程序以及所述转台设备所需的其他程序和数据。所述存储器92还可以用于暂时地存储已经输出或者将要输出的数据。
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)
1.一种线上理赔方法,其特征在于,包括:
响应于终端发送的出险车辆理赔请求,获取车辆案件信息;
根据所述车辆案件信息和预设的理赔人员标签信息,调度目标理赔人员;
获取所述终端基于所述目标理赔人员的操作发送的包含车辆受损部件的目标图像信息;
将所述终端发送的包含出险车辆受损部件的目标图像信息输入预先训练完成的损坏识别模型进行识别,识别出出险车辆的损坏部件信息和损坏类型信息;将所述出险车辆的损坏部件信息和损坏类型信息输入预先训练完成的配件方位识别模型进行识别,识别出属于本次出险的目标损坏部件信息;根据所述目标损坏部件信息确定目标理赔方案;
对所述目标理赔方案进行理赔风险审核;
根据所述理赔风险审核的审核结果,确定是否对所述出险车辆进行赔付。
2.如权利要求1所述的方法,其特征在于,所述预先训练完成的损坏识别模型包括基于卷积神经网络模型、区域建议网络模型和区域类型分析网络模型的深度学习网络模型,经过样本图像训练后构建生成。
3.如权利要求2所述的方法,其特征在于,将所述目标图像信息输入预先训练完成的损坏识别模型进行识别,识别出出险车辆的损坏部件信息和损坏类型信息,包括:
将所述目标图像信息输入所述深度学习网络模型,从所述目标图像信息中识别出车辆损坏部件的第一局部图像和车辆未损坏部件的第二局部图像;
将所述第一局部图像与预先存储的包含车辆部件的部件图像进行图像匹配,确定所述第一局部图像包括的车辆损坏部件信息和损坏类型信息;
将所述第二局部图像与所述部件图像进行匹配,确定所述第二局部图像中是否包含有车辆损坏部件信息;
若所述第二局部图像中包含有车辆损坏部件信息,则确定所述第二局部图像中车辆损坏部件的损坏类型信息。
4.如权利要求1至3任一项所述的方法,其特征在于,所述预先训练完成的配件方位识别模型包括基于卷积神经网络模型;
将所述出险车辆的损坏部件信息和损坏类型信息输入预先训练完成的配件方位识别模型进行识别,识别出属于本次出险的目标损坏部件,包括:
采用卷积神经网络提取所述损坏部件信息的第一卷积特征数据,以及采用预定算法提取所述损坏部件信息的第一局部特征点集;
将所述第一卷积特征数据与第二卷积特征数据进行比较,获取与所述第一卷积特征数据相似度最高的相似部件信息,所述第二卷积特征为预设的车辆损坏部件信息对应的卷积特征;
采用所述预定算法提取所述相似部件信息的第二局部特征点集;
将所述第一局部特征点集与所述第二局部特征点集进行匹配,获取匹配点对;
通过最小化匹配点对在仿射变换下的位置误差得到所述损坏部件信息与预设损坏部件信息之间的仿射变换;
根据所述位置误差的值和所述损坏类型,确定属于本次出险的目标损坏部件对应的损坏信息。
5.如权利要求4所述的方法,其特征在于,采用卷积神经网络提取所述损坏部件信息的第一卷积特征数据,以及采用预定算法提取所述损坏部件信息的第一局部特征点集,包括:
采用卷积神经网络中最后一个池化层的输出向量作为所述损坏部件信息的目标卷积网络特征;
基于所述目标卷积网络特征提取所述第一卷积特征数据;
采用尺度不变特征变换算法提取所述损坏部件信息的第一局部特征点集。
6.如权利要求5所述的方法,其特征在于,根据所述位置误差的值和所述损坏类型,确定属于本次出险的目标损坏部件的对应损坏信息,包括:
若在对应的损坏类型下,有任意部件的损坏部件信息对应的所述位置误差阈值小于或等于预设的位置误差阈值,则确定该部件的损坏信息是本次出险的目标损坏部件的损坏信息;
若在对应的损坏类型下,有任意部件的损坏部件信息对应的所述位置误差阈值大于预设的位置误差阈值,则确定该部件的损坏信息不是本次出险的目标损坏部件的损坏信息。
7.一种智能定损方法,其特征在于,包括:
将终端发送的包含出险车辆受损部件的目标图像信息输入预先训练完成的损坏识别模型进行识别,识别出出险车辆的损坏部件信息和损坏类型信息;
将所述出险车辆的损坏部件信息和损坏类型信息输入预先训练完成的配件方位识别模型进行识别,识别出属于本次出险的目标损坏部件信息;
根据所述目标损坏部件信息确定目标理赔方案。
8.一种线上理赔装置,其特征在于,包括报案模块、调度模块、查勘模块、智能定损模块、智能审核模块以及赔付结案模块;其中,
所述报案模块,用于响应于终端发送的出险车辆理赔请求,获取车辆案件信息;
所述调度模块,用于根据所述车辆案件信息和预设的理赔人员标签信息,调度目标理赔人员;
所述查勘模块,用于供所述目标理赔人员在线操作,并获取所述终端基于所述目标理赔人员的操作发送的包含车辆受损部件的目标图像信息;
所述智能定损模块,用于将所述终端发送的包含出险车辆受损部件的目标图像信息输入预先训练完成的损坏识别模型进行识别,识别出出险车辆的损坏部件信息和损坏类型信息;将所述出险车辆的损坏部件信息和损坏类型信息输入预先训练完成的配件方位识别模型进行识别,识别出属于本次出险的目标损坏部件信息;根据所述目标损坏部件信息确定目标理赔方案;
所述智能审核模块,用于对所述目标理赔方案进行理赔风险审核;
所述赔付结案模块,用于根据所述理赔风险审核的审核结果,确定是否对所述出险车辆进行赔付。
9.一种线上理赔设备,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2至7任一项所述方法的步骤。
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2至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011514965.4A CN112270313A (zh) | 2020-12-21 | 2020-12-21 | 线上理赔方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011514965.4A CN112270313A (zh) | 2020-12-21 | 2020-12-21 | 线上理赔方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112270313A true CN112270313A (zh) | 2021-01-26 |
Family
ID=74350109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011514965.4A Pending CN112270313A (zh) | 2020-12-21 | 2020-12-21 | 线上理赔方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270313A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723969A (zh) * | 2021-08-20 | 2021-11-30 | 上海东普信息科技有限公司 | 物品理赔处理方法、装置、设备及存储介质 |
CN114596439A (zh) * | 2022-03-20 | 2022-06-07 | 邦邦汽车销售服务(北京)有限公司 | 一种基于图像的车险智能定损及核损方法、装置和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105847376A (zh) * | 2016-04-11 | 2016-08-10 | 深圳市永兴元科技有限公司 | 车险查勘***及方法 |
CN106682987A (zh) * | 2016-11-21 | 2017-05-17 | 中国平安财产保险股份有限公司 | 一种财产险理赔实现方法及实现*** |
CN106779422A (zh) * | 2016-12-22 | 2017-05-31 | 安徽保腾网络科技有限公司 | 车险查勘*** |
CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及*** |
CN108446884A (zh) * | 2017-02-16 | 2018-08-24 | 平安科技(深圳)有限公司 | 车险查勘方法及装置 |
-
2020
- 2020-12-21 CN CN202011514965.4A patent/CN112270313A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105847376A (zh) * | 2016-04-11 | 2016-08-10 | 深圳市永兴元科技有限公司 | 车险查勘***及方法 |
CN106682987A (zh) * | 2016-11-21 | 2017-05-17 | 中国平安财产保险股份有限公司 | 一种财产险理赔实现方法及实现*** |
CN106779422A (zh) * | 2016-12-22 | 2017-05-31 | 安徽保腾网络科技有限公司 | 车险查勘*** |
CN108446884A (zh) * | 2017-02-16 | 2018-08-24 | 平安科技(深圳)有限公司 | 车险查勘方法及装置 |
CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723969A (zh) * | 2021-08-20 | 2021-11-30 | 上海东普信息科技有限公司 | 物品理赔处理方法、装置、设备及存储介质 |
CN114596439A (zh) * | 2022-03-20 | 2022-06-07 | 邦邦汽车销售服务(北京)有限公司 | 一种基于图像的车险智能定损及核损方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6873237B2 (ja) | 画像ベースの車両損害評価方法、装置、およびシステム、ならびに電子デバイス | |
US10885383B2 (en) | Unsupervised cross-domain distance metric adaptation with feature transfer network | |
US20240087102A1 (en) | Automatic Image Based Object Damage Assessment | |
US10692050B2 (en) | Automatic assessment of damage and repair costs in vehicles | |
WO2020047420A1 (en) | Method and system for facilitating recognition of vehicle parts based on a neural network | |
CN109816200B (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
CN112712429A (zh) | 汇款业务审核方法、装置、计算机设备和存储介质 | |
JP2022548595A (ja) | モバイルデバイスの完全性状態を判断するために機械学習を利用してモバイルデバイスの画像を処理するためのシステム、方法、装置、およびコンピュータプログラム製品 | |
TW202009681A (zh) | 樣本標註方法及裝置、損傷類別的識別方法及裝置 | |
US11663296B2 (en) | Automatic work order analysis | |
WO2019144416A1 (zh) | 信息处理方法、***、云处理设备以及计算机程序产品 | |
CN112270313A (zh) | 线上理赔方法、装置、设备及存储介质 | |
CN114663871A (zh) | 图像识别方法、训练方法、装置、***及存储介质 | |
Wang et al. | Open-Set source camera identification based on envelope of data clustering optimization (EDCO) | |
CN112287923A (zh) | 卡证信息识别方法、装置、设备及存储介质 | |
CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
CN115294505B (zh) | 风险物体检测及其模型的训练方法、装置及电子设备 | |
CN111260219A (zh) | 资产类别识别方法、装置、设备及计算机可读存储介质 | |
US11544960B2 (en) | Attribute recognition system, learning server and non-transitory computer-readable recording medium | |
CN110415110B (zh) | 进度监测方法、进度监测装置和电子设备 | |
CN113343968A (zh) | 多模板证书快速审证方法、***、介质及装置 | |
CN111881787A (zh) | 基于摄像头的门店违规经营行为识别方法及*** | |
US20240005688A1 (en) | Document authentication using multi-tier machine learning models | |
US20230316795A1 (en) | Auto-Document Detection & Capture | |
US20220392258A1 (en) | Method and System for Verifying Uploaded Customer Photographs |
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 |
Application publication date: 20210126 |
|
RJ01 | Rejection of invention patent application after publication |