CN113705351A - 车辆定损方法、装置及设备 - Google Patents
车辆定损方法、装置及设备 Download PDFInfo
- Publication number
- CN113705351A CN113705351A CN202110860166.0A CN202110860166A CN113705351A CN 113705351 A CN113705351 A CN 113705351A CN 202110860166 A CN202110860166 A CN 202110860166A CN 113705351 A CN113705351 A CN 113705351A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- damage
- component
- vehicle damage
- image
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 685
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 56
- 238000002372 labelling Methods 0.000 claims description 49
- 230000011218 segmentation Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 17
- 230000010354 integration Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000003062 neural network model Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000011521 glass Substances 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 230000000717 retained effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001244708 Moroccan pepper virus Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种车辆定损方法、装置及设备,涉及人工智能技术领域,能够更合理地针对车辆损伤信息进行整合,提高车辆定损结果的准确性。其中方法包括:获取车辆图像信息,车辆图像信息包括多方位拍摄且经过预处理的多张车辆损伤图像;利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果,根据车辆损伤识别结果和车辆部件识别结果,确定每张车辆损伤图像对应的车辆损伤信息;按照预先设置的逻辑规则对每张车辆损伤图像对应的车辆损伤信息进行清洗,将不符合损伤判定条件的车辆损伤信息进行删除和/或修正;整合所有图像的清洗后的车辆损伤信息,输出最终的车辆定损结果。
Description
技术领域
本申请涉及人工智能技术领域,尤其是涉及到一种车辆定损方法、装置及设备。
背景技术
利用图像识别技术对车辆进行定损,可以辅助保险公司开展事故车查勘定损工作,实现降本增效。现有的车辆图像定损方法主要依赖图像识别算法进行损伤判定,然而,由于事故场景中车辆损伤图像的拍摄角度和拍摄距离难以统一,并且受到车辆损伤图像的拍摄光线强度和周围环境的影响,以及不同车型的配件外观差异的影响,图像识别算法进行损伤判别,难以达到较高的准确率。
发明内容
有鉴于此,本申请提供了一种车辆定损方法、装置及设备,主要目的在于解决现有利用图像识别技术进行车辆定损准确性不高的问题。
根据本申请的第一个方面,提供了一种车辆定损方法,该方法包括:
获取车辆图像信息,所述车辆图像信息包括多方位拍摄且经过预处理的多张车辆损伤图像;
利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果,所述车辆损伤识别结果包括车辆的损伤类型以及损伤区域,所述车辆部件识别结果包括车辆的部件类型以及部件区域;
根据所述每张车辆损伤图像对应的车辆损伤识别结果和所述车辆部件识别结果,确定每张车辆损伤图像对应的车辆损伤信息,所述车辆损伤信息包括损伤部件、损伤类型、损伤面积占比;
按照预先设置的逻辑规则对所述每张车辆损伤图像对应的车辆损伤信息进行清洗,将不符合损伤判定条件的车辆损伤信息进行删除和/或修正,得到所有图像的清洗后的车辆损伤信息;
整合所述所有图像的清洗后的车辆损伤信息,输出最终的车辆定损结果。进一步地,在所述获取车辆图像信息之后,所述方法还包括:
通过对所述多方位拍摄的车辆损伤图像进行预处理,将不符合拍摄条件的车辆损伤图像进行删除和/或调节。
进一步地,所述识别模型包括损伤识别模型和部件识别模型,在所述利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果之前,所述方法还包括:
预先收集不同事故车辆的历史案件图像;
将所述历史案件图像中出现的车辆外观损伤和车辆外观部件以特征示例图的形式进行标注,形成车辆损伤标注数据和车辆部件标注数据;
将携带有车辆损伤标注数据和车辆部件标注数据的历史案件图像分别作为样本图像输入至基于深度学习框架的语义分割模型中进行训练,构建损伤识别模型和部件识别模型,所述损伤识别模型用于结合车辆损伤标注数据对车辆损伤图像进行识别,所述部件识别模型用于结合车辆部件标注数据对车辆损伤图像进行识别。
进一步地,所述将所述历史案件图像中出现的车辆外观损伤和车辆外观部件以特征示例图的形式进行标注,形成车辆损伤标注数据和车辆部件标注数据,具体包括:
对所述历史案件图像中出现的车辆外观损伤以多边形像素语义分割形式进行损伤类型以及损伤区域进行标注,形成车辆损伤标注数据;
对所述历史案件图像中出现的车辆外观部件以多边形像素语义分割形式进行部件类型以及部件区域进行标注,形成车辆部件标注数据。
进一步地,在所述利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果之后,所述方法还包括:
利用预先建立的车辆外观部件分布关系表,对所述车辆部件识别结果中每个部件的区域位置进行坐标比对,所述部件分布关系表中记录有车辆部件分布的区域关系信息;
若坐标比对结果表征部件存在覆盖关系,则针对被其他部件覆盖的部件进行区域抠图处理。
进一步地,所述根据所述每张车辆损伤图像对应的车辆损伤识别结果和所述车辆部件识别结果,确定每张车辆损伤图像对应的车辆损伤信息,具体包括:
分别将所述车辆损伤识别结果以及所述车辆部件识别结果转换为矩阵形式表征,得到损伤矩阵和部件矩阵;
计算所述损伤矩阵和所述部件矩阵的哈达玛积,得到损伤部件比对矩阵;
利用所述损伤部件比对矩阵,确定车辆损伤信息,所述车辆损伤信息包括损伤的部件、损伤类型、损伤面积占比。
进一步地,所述利用所述损伤部件比对矩阵,确定车辆损伤信息,具体包括:
遍历所述损伤矩阵和所述部件矩阵,判断所述损伤部件比对矩阵是否为零;若是,则判定损伤未发生在相应车辆部件区域;否则,判定损伤发生在相应车辆部件区域;
汇总所述损伤发生在相应车辆部件区域的车辆损伤识别结果和所述车辆部件识别结果,得到车辆损伤信息。
进一步地,所述整合所述所有图像的清洗后的车辆损伤信息,输出最终的车辆定损结果,具体包括:
针对相同部件下相同损伤类型的车辆损伤信息,按照损伤面积占比对所述车辆损伤信息进行整合,保留同一部件下同一损伤类型损伤面积占比最大的一条车辆损伤信息;
针对相同部件下不同损伤类型的车辆损伤信息,按照预先建立的损伤类型严重程度排序对所述车辆损伤信息进行整合,保留同一部件下损伤类型严重程度最高的车辆损伤信息;
汇总所有部件的车辆损伤信息,输出最终的车辆定损结果。
根据本申请的第二个方面,提供了一种车辆定损装置,该装置包括:
获取单元,用于获取车辆图像信息,所述车辆图像信息包括多方位拍摄且经过预处理的多张车辆损伤图像;
识别单元,用于利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果,所述车辆损伤识别结果包括车辆的损伤类型以及损伤区域,所述车辆部件识别结果包括车辆的部件类型以及部件区域;
确定单元,用于根据所述每张车辆损伤图像对应的车辆损伤识别结果和所述车辆部件识别结果,确定每张车辆损伤图像对应的车辆损伤信息,所述车辆损伤信息包括损伤部件、损伤类型、损伤面积占比;
清洗单元,用于按照预先设置的逻辑规则对所述每张车辆损伤图像对应的车辆损伤信息进行清洗,将不符合损伤判定条件的车辆损伤信息进行删除和/或修正,得到所有图像的清洗后的车辆损伤信息;
整合单元,用于整合所述所有图像的清洗后的车辆损伤信息,输出最终的车辆定损结果。
进一步地,所述装置还包括:
处理单元,用于在所述获取车辆图像信息之后,通过对所述多方位拍摄的车辆损伤图像进行预处理,将不符合拍摄条件的车辆损伤图像进行删除和/或调节。
进一步地,所述识别模型包括损伤识别模型和部件识别模型,所述装置还包括:
收集单元,用于在所述利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果之前,预先收集不同事故车辆的历史案件图像;
标注单元,用于将所述历史案件图像中出现的车辆外观损伤和车辆外观部件以特征示例图的形式进行标注,形成车辆损伤标注数据和车辆部件标注数据;
训练单元,用于将携带有车辆损伤标注数据和车辆部件标注数据的历史案件图像分别作为样本图像输入至基于深度学习框架的语义分割模型中进行训练,构建损伤识别模型和部件识别模型,所述损伤识别模型用于结合车辆损伤标注数据对车辆损伤图像进行识别,所述部件识别模型用于结合车辆部件标注数据对车辆损伤图像进行识别。
进一步地,所述标注单元,具体用于对所述历史案件图像中出现的车辆外观损伤以多边形像素语义分割形式进行损伤类型以及损伤区域进行标注,形成车辆损伤标注数据;
所述标注单元,具体还用于对所述历史案件图像中出现的车辆外观部件以多边形像素语义分割形式进行部件类型以及部件区域进行标注,形成车辆部件标注数据。
进一步地,所述装置还包括:
比对单元,用于在所述利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果之后,利用预先建立的车辆外观部件分布关系表,对所述车辆部件识别结果中每个部件的区域位置进行坐标比对,所述部件分布关系表中记录有车辆部件分布的区域关系信息;
抠图单元,用于若坐标比对结果表征部件存在覆盖关系,则针对被其他部件覆盖的部件进行区域抠图处理。
进一步地,所述确定单元包括:
转换模块,用于分别将所述车辆损伤识别结果以及所述车辆部件识别结果转换为矩阵形式表征,得到损伤矩阵和部件矩阵;
计算模块,用于计算所述损伤矩阵和所述部件矩阵的哈达玛积,得到损伤部件比对矩阵;
确定模块,用于利用所述损伤部件比对矩阵,确定车辆损伤信息,所述车辆损伤信息包括损伤的部件、损伤类型、损伤面积占比。
进一步地,所述确定模块包括:
判断子模块,用于遍历所述损伤矩阵和所述部件矩阵,判断所述损伤部件比对矩阵是否为零;若是,则判定损伤未发生在相应车辆部件区域;否则,判定损伤发生在相应车辆部件区域;
汇总子模块,用于汇总所述损伤发生在相应车辆部件区域的车辆损伤识别结果和所述车辆部件识别结果,得到车辆损伤信息。
进一步地,所述整合单元包括:
第一整合模块,用于针对相同部件下相同损伤类型的车辆损伤信息,按照损伤面积占比对所述车辆损伤信息进行整合,保留同一部件下同一损伤类型损伤面积占比最大的一条车辆损伤信息;
第二整合模块,用于针对相同部件下不同损伤类型的车辆损伤信息,按照预先建立的损伤类型严重程度排序对所述车辆损伤信息进行整合,保留同一部件下损伤类型严重程度最高的车辆损伤信息;
汇总模块,用于汇总所有部件的车辆损伤信息,输出最终的车辆定损结果。
根据本申请的第三个方面,提供了一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述车辆定损方法。
根据本申请的第四个方面,提供了一种车辆定损设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述车辆定损方法。
借由上述技术方案,本申请提供的一种车辆定损方法、装置及设备,与目前现有方式中依赖图像识别算法对车辆损伤图像进行判别的方式相比,本申请通过获取车辆图像信息,该车辆图像信息包括多方位拍摄且经过预处理的多张车辆损伤图像,使得不同拍摄情形下的图像实现规范化输入,利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果,以对车辆损伤图像进行像素级的识别,并根据车辆损伤识别结果和车辆部件识别结果,确定每张车辆损伤图像对应的车辆损伤信息,该车辆损伤信息包括损伤部件、损伤类型、损伤面积占比,然后按照预先设置的逻辑规则对每张车辆损伤图像对应的车辆损伤信息进行清洗,将不符合损伤判定条件的车辆损伤信息进行删除和/或修正,得到所有图像的清洗后的车辆损伤信息,最后对所有图像的清洗后的车辆损伤信息进行整合处理输出最终的车辆定损结果,该过程弥补了直接使用图像识别算法进行车辆定损的不足,能够更合理地针对车辆损伤信息进行整合,提高车辆定损结果的准确性。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例提供的一种车辆定损方法的流程示意图;
图2示出了本申请实施例提供的另一种车辆定损方法的流程示意图;
图3a-3g示出了本申请实施例提供的车辆定损方法的流程框图;
图4示出了本申请实施例提供的一种车辆定损装置的结构示意图;
图5示出了本申请实施例提供的另一种车辆定损装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
相关技术中,通过对车辆定损,可以辅助车险快速判定事故责任方以及事故理赔方,便于车险人员根据车辆定损结果来执行相应的理赔方案。现有的车辆图像定损方式主要依赖图像识别算法对车辆损伤图像进行判别,然而,由于事故场景中车辆损伤图像的拍摄角度和拍摄距离难以统一,并且受到车辆损伤图像的拍摄光线强度和周围环境的影响,以及不同车型的配件外观差异较大,使得图像识别算法进行车辆定损的结果准确性不高。
为了解决该问题,本实施例提供了一种车辆定损方法,如图1所示,该方法可应用于事故处理平台的服务端,包括如下步骤:
101、获取车辆图像信息。
其中,车辆图像信息可以为从多方位拍摄且经过预处理的多张车辆损伤图像,通常情况下,针对交通事故案件发生后勘察人员会从事故现场采集车辆损伤图像,为了全方位采集事故现场的车辆损伤图像,可以从不同拍摄角度、不同拍摄距离来调整拍摄终端,并对多方位拍摄的多张车辆损伤图像进行预处理,如光度调节、像素调整等,以使得获取的车辆损伤图像更符合实际采集需求。
针对车辆图像信息,具体可以通过智能拍摄终端拍摄车辆不同角度以及不同距离的图片后上传至服务端,还可以通过存储有预先收集车辆图片的计算机批量上传至服务端,该车辆图片为事故车辆损伤图片,图片中会包含车辆损伤部位。
对于本发明实施例的执行主体可以为车辆定损装置,可以为事故处理平台的服务端,通过获取车辆图像信息,将车辆图像信息作为事故过程中的车辆定损依据,针对车辆图像信息,分别输入不同的识别渠道来获取车辆损伤识别结果以及车辆部件识别结果,该车辆识别渠道具有更高的准确性,保证了识别得到车辆损伤识别结果与车辆部件识别结果的准确性,进一步将车辆损伤识别结果与车辆部件识别结果相匹配整合来进行车辆定损,无需人工对车辆定损,提高车辆定损过程的处理效率。
102、利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果。
其中,识别模型包括针对车辆损伤图像中损伤特征进行识别的损伤识别模型以及针对车辆损伤图像中部件特征进行识别的部件识别模型,利用损伤识别模型对每张车辆损伤图像进行识别,可以得到每张车辆损伤图像对应的车辆损伤识别结果,该车辆损伤识别结果包括车辆的损伤类型以及损伤区域,利用部件识别模型对每张车辆损伤图像进行识别,可以得到车辆部件识别结果,该车辆部件识别结果包括车辆的部件类型以及部件区域。
针对利用损伤识别模型对每张车辆损伤图像进行识别之前,需要预先训练损伤识别模型,具体可以利用预先标注有损伤类型以及损伤区域的车辆损伤图像输入至语义分割的神经网络模型中进行训练,得到损伤识别模型,在标注过程中可以由专业人员采用标注工具对车辆图像信息中损伤类型以及损伤部位进行标记,损伤类型可以包括剐蹭、划伤、开裂、边角变形等,损伤区域可以为损伤的具体边缘位置,从而有效识别出车辆损伤图像中的车辆损伤信息。同样的,需要预先训练部件识别模型,具体可以利用预先标注有部件类型以及部件区域的车辆损伤图像输入至语义分割的神经网络模型中进行训练,得到部件识别模型,在标注过程中可以由专业人员采用标注工具对车辆图像信息中部件类型以及部件区域进行标记,部件类型可以以左、右、前、后四个方位联合外观部件名称进行划分,部件区域可以为部件在车辆上分布的位置信息,从而有效识别出车辆损伤图像中的车辆部件信息。
103、根据所述每张车辆损伤图像对应的车辆损伤识别结果和所述车辆部件识别结果,确定每张车辆损伤图像对应的车辆损伤信息。
由于车辆损伤识别结果仅能够识别出车辆的损伤类型以及损伤区域,但是无法判断发生损伤的车辆部件,这里结合车辆损伤识别结果以及车辆部件识别结果针对每个损伤进行判断,判定每个损伤所发生的部件类型,进而准确定位车辆损伤信息。
具体可以将车辆损伤识别结果中车辆的损伤类型按照损伤区域在车辆图像中形成标注形式,针对每个损伤区域,将损伤区域与车辆部件识别结果中部件区域进行比对,如果比对区域存在重叠,则说明在该部件区域发生损伤,进一步可以确定相应损伤类型以及部件类型,否则,说明该部件区域并未发生损伤。
104、按照预先设置的逻辑规则对所述每张车辆损伤图像对应的车辆损伤信息进行清洗,将不符合损伤判定条件的车辆损伤信息进行删除和/或修正,得到所有图像的清洗后的车辆损伤信息。
可以理解的是,由于车辆损伤识别结果和车辆部件识别结果所结合形成的车辆损伤信息中可能包含有不符合人工经验的损伤结果,这里可以预先设置逻辑规则对车辆损伤信息进行清洗,该逻辑规则相当于由专业人员所列出的一系列逻辑规则,利用该逻辑规则能够筛选出不符合损伤判定条件的车辆损伤信息,进一步对其进行删除或者修正,对于车辆损伤信息明显不符合损伤判定条件,如损伤类型出现明显错误的情况,可以直接删除该车辆损伤信息;损伤部件左右方位识别错误的情况,可以修正该车辆损伤信息。
105、整合所述所有图像的清洗后的车辆损伤信息,输出最终的车辆定损结果。
同一事故车辆的多张车辆损伤图像会识别出重复的损伤信息,存在一定的信息冗余。这里对所有图像的清洗后的车辆损伤信息进行整合的过程主要包括两方面,一方面可以基于同一部件下的同一损伤类型对车辆损伤信息进行整合,另一方面可以基于同一部件下不同损伤类型对车辆损伤信息进行整合。
具体基于同一部件下的同一损伤类型对车辆损伤信息进行整合,可以针对部件将同一损伤类型下车辆损伤信息汇总起来,具体可以是按照损伤面积来整合,汇总后保留损伤面积最大的车辆损伤信息,还可以是按照损伤类型来整合,汇总后保留损伤类型最严重的车辆损伤信息,在此对汇总方式不进行限定。具体基于同一部件下不同损伤类型对车辆损伤信息进行整合,可以是按照损伤类型对应严重程度来整合,汇总后保留损伤严重程度最大的车辆损伤信息,还可以是按照损伤类型对应的维修项目数量来进行整合,汇总后保留维修数目最多的车辆损伤信息,在此对汇总方式不进行限定。
本申请实施例提供的车辆定损方法,与目前现有方式中依赖图像识别算法对车辆损伤图像进行判别的方式相比,本申请通过获取车辆图像信息,该车辆图像信息包括多方位拍摄且经过预处理的多张车辆损伤图像,使得不同拍摄情形下的图像实现规范化输入,利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果,以对车辆损伤图像进行像素级的识别,并根据车辆损伤识别结果和车辆部件识别结果,确定每张车辆损伤图像对应的车辆损伤信息,该车辆损伤信息包括损伤部件、损伤类型、损伤面积占比,然后按照预先设置的逻辑规则对每张车辆损伤图像对应的车辆损伤信息进行清洗,将不符合损伤判定条件的车辆损伤信息进行删除和/或修正,得到所有图像的清洗后的车辆损伤信息,最后对所有图像的清洗后的车辆损伤信息进行整合处理输出最终的车辆定损结果,该过程弥补了直接使用图像识别算法进行车辆定损的不足,能够更合理地针对车辆损伤信息进行整合,提高车辆定损结果的准确性。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体实施过程,本实施例提供了另一种车辆定损方法,如图2所示,该方法包括:
201、获取车辆图像信息。
可以理解的是,由于车辆图像信息在上传过程中可能存在欺诈行为,为了保证车辆图像信息的准确性,可以在获取车辆图像信息之后,利用预先设置的解析工具包,检测车辆图像信息中是否存在经过制作处理的虚假特征;若是,则针对车辆图片信息输出风险提示。这里的虚假特征检测主要涉及两个方面,一方面是针对车辆图片是否经过PS处理进行检测,具体可以通过解析照片EXIF信息、分析照片的噪点分布等多种检测方法,判断车辆图片是否经过PS处理,如果上述多种检测方法中任一中检测结果表征车辆图片经过PS处理,则输出车辆图片的风险预警;另一方面是针对车辆图片的拍摄时间进行检测,具体可以通过对同一事故案件内的车辆照片,若拍摄时间为同一天内,则不进行风险预警,若拍摄时间未在同一天内,则输出车辆图片的风险预警;当然还可以针对拍摄设备、拍摄场景等进行检测,这里针对车辆图片的检测方式不进行限定。
202、通过对所述多方位拍摄的车辆损伤图像进行预处理,将不符合拍摄条件的车辆损伤图像进行删除和/或调节。
通常情况下,车辆图像信息会包含不同角度所拍摄的多张车辆图片,并非是每个图片都具有损伤,或者上传的车辆图像信息中包含模糊、超近景等不符合拍摄要求的车辆图片,这里可以对车辆图像信息进行清洗,例如,对于严重模糊、未包含损伤以及超近景等车辆图片进行删除,还可以利用图片预处理技术对车辆图像信息进行调整,例如,对于非正角度拍摄图像、高曝光图像进行图像调正、图片光度调节。
203、预先收集不同事故车辆的历史案件图像。
这里收集不同事故车辆的历史案件图像可以覆盖市面上不同车型的车辆,同时包括从不同方位以及不同距离所拍摄的各种车辆损伤图像,以尽可能贴近实际事故场景中定损人员拍摄的图像。
204、将所述历史案件图像中出现的车辆外观损伤和车辆外观部件以特征示例图的形式进行标注,形成车辆损伤标注数据和车辆部件标注数据。
其中,特征示例图相当于针对车辆外观损伤以及车辆外观部件进行划分的图例依据,针对车辆损伤标记数据,可以对历史案件图像中出现的车辆外观损伤以多边形像素语义分割形式进行损伤类型以及损伤区域标注,对车辆部件标注数据,可以对历史案件图像中出现的车辆外观部件以多边形像素语义分割形式进行部件类型以及部件区域标注。
205、将携带有车辆损伤标注数据和车辆部件标注数据的历史案件图像分别作为样本图像输入至基于深度学习框架的语义分割模型中进行训练,构建损伤识别模型和部件识别模型。
其中,损伤识别模型用于结合车辆损伤标注数据对车辆损伤图像进行识别,采用了基于Pytorch框架的语义分割神经网络模型,训练所得到的损伤识别模型能够实现从车辆损伤图像中识别出损伤类型和损伤区域,具体在损伤识别模型训练过程中,可以通过数据增强、调整步长、优化迭代次数等方式以获取效果最佳的损伤识别模型。部件识别模型用于结合车辆部件标注数据对车辆损伤图像进行识别,采用了基于Pytorch框架的语义分割神经网络模型,训练所得到的部件识别模型能够实现从车辆损伤图像识别出部件类型和部件区域,同理,具体在部件识别模型训练过程中,可以通过数据增强、调整步长、优化迭代次数等方式以获取效果最佳的部件识别模型。
206、利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果。
应说明的是,由于车辆部件识别结果中部件之间可能存在包含或者覆盖关系,这里可以利用预先建立的车辆外观部件分布关系表,对车辆部件识别结果中每个部件的区域位置进行坐标比对,该部件分布关系表中记录有车辆部件分布的区域关系信息,若坐标比对结果表征部件存在覆盖关系,则针对被其他部件覆盖的部件进行区域抠图处理,具体可以是针对遮挡部件或者包含部件进行区域抠图,从而实现部件识别结果的准确输出。
207、根据所述每张车辆损伤图像对应的车辆损伤识别结果和所述车辆部件识别结果,确定每张车辆损伤图像对应的车辆损伤信息。
具体地,可以分别将车辆损伤识别结果以及车辆部件识别结果转换为矩阵形式表征,得到损伤矩阵和部件矩阵,然后计算损伤矩阵和部件矩阵的哈达玛积,得到损伤部件比对矩阵,最后利用损伤部件比对矩阵,确定车辆损伤信息,该车辆损伤信息包括损伤的部件、损伤类型、损伤面积占比。
具体在利用损伤部件比对矩阵,确定车辆损伤信息的过程中,可以通过遍历损伤矩阵和部件矩阵,判断损伤部件比对矩阵是否为零;若是,则判定损伤未发生在相应车辆部件区域;否则,判定损伤发生在相应车辆部件区域,进一步汇总损伤发生在相应车辆部件区域的车辆损伤识别结果和车辆部件识别结果,得到车辆损伤信息。
208、按照预先设置的逻辑规则对所述每张车辆损伤图像对应的车辆损伤信息进行清洗,将不符合损伤判定条件的车辆损伤信息进行删除和/或修正,得到所有图像的清洗后的车辆损伤信息。
209、整合所述所有图像的清洗后的车辆损伤信息,输出最终的车辆定损结果。
在本发明实施例中,对车辆损伤信息进行整个的过程主要包括两方面,一方面为针对相同部件下相同损伤类型的车辆损伤信息,可以按照损伤面积占比对车辆损伤信息进行整合,保留同一部件下同一损伤类型的损伤面积占比最大的一条车辆损伤信息,另一方面为针对相同部件下不同损伤类型的车辆损伤信息,可以按照预先建立的损伤类型严重程度排序对车辆损伤信息进行整合,保留同一部件下损伤类型严重程度最高的车辆损伤信息,然后汇总所有部件的车辆损伤信息,输出最终的车辆定损结果。
在实际应用场景中,车辆定损过程结合八个模块来执行,分别为图像导入模块、图像预处理模块、损伤识别模块、部件识别模块、损伤比对模块、结果修正模块、结果整合模块以及结果输出模块,具体实现过程结合图3a中步骤S10-步骤S80所示,针对图像导入模块,可以导入单个案件待定损的全部车辆图像,包含从多个方位及远近程度拍摄的一组图像,针对图像预处理模块,可以对待定损图像的彩色、阴影等进行初步分析处理,便于精确定损,针对损伤识别模块,基于预先训练已达效果最佳的损伤识别模型,判定每张图像中车辆的损伤类型及位置信息,针对部件识别模块,基于预先训练已达效果最佳的部件识别模型,判定每张图像中车辆的外观部件及位置信息,针对损伤比对模块,基于上述两个模型所记录的每张图像中损伤及部件的位置信息,判定损伤发生的外观部件,针对结果修正模块,基于专家经验模型,删除案件中不合理的识别结果,修正对部件的方位识别错误,针对结果整合模块,基于损伤严重程度建立的损伤优先级库,对案件的所有结果整合,保留各个部件上最严重的损伤,针对结果输出模块,对案件下的损伤结果(损伤部件+损伤类型+损伤面积占比)进行输出。
进一步地,针对图像预处理模块,具体实现过程如图3b中步骤S21-S24,该图像预处理模块是对该案件下所有图像进行一系列图片处理,以获得更易于图像定损过程准确识别的图片集,具体实施步骤包括:首先删除不符合拍摄要求的照片,例如,模糊照片、超近景照片、失焦照片等,然后通过图片光度调节,可以将对高曝光度的图像调低亮度,针对强光下图像中的反光区域,设计基于OpenCV库搭建的反光区域检测与修复算法,实现反光区域的暗度调节,避免因强光导致的识别干扰,进一步图片尺寸及像素调整,例如,对图片进行尺度压缩变换,以及图像非正角度的调正,例如,图片拍摄方位非正位,自动进行平行视角的调整。
进一步地,针对损伤识别模块,具体实现过程如图3c中步骤S31-S33,该损伤识别模块基于预先训练已达效果最佳的损伤识别模型,实现对待定损图像中损伤类型的识别以及损伤区域的判定,具体实施步骤包括:首先收集事故车辆历史案件图像,涵盖市面上的轿车、SUV、MPV等常见乘用车型,同时该车型下的图像包括从前、后、左、右等多个角度以及距离车辆不同远近程度所拍摄的各种图像,尽可能贴合实际定损过程中定损人员拍摄的图像,对收集到的车辆图像建立损伤特征示例图,将图像中出现的外观损伤以多边形像素级语义分割形式按照示例图开展人工标注。损伤类型包括剐蹭、划伤、开裂、边角变形、非边角变形等13类,然后将上述标注的损伤数据集划分为训练集、测试集和验证集,用于车辆损伤模型的搭建,并基于Pytorch框架的语义分割神经网络模型,实现了图像中损伤类型的识别以及每个损伤类型具体边缘位置的判定。
进一步地,针对部件识别模块,具体实现过程如图3d中步骤S41-S44,该部件识别模块基于预先训练已达效果最佳的部件识别模型,实现对待定损图像中外观部件的识别以及部件区域的判定,具体实施步骤包括:首先同3c中步骤S31,对收集到的车辆图像建立不同车型下同一部件的特征示例图,将图像中出现的所有外观部件以多边形像素级语义分割形式按照示例图开展人工标注,部件类型以左、右、前、后四个方位联合外观部件名称进行划分,包括左前门、左后门、左前大灯、左前雾灯、前中网、前中网饰条、前中网徽标等129类,可实现车身每个外观部件的精准区分,类型划分详尽,将上述标注的部件数据集划分为训练集、测试集和验证集,用于车辆部件识别模型的搭建,并基于Pytorch框架的语义分割神经网络模型,训练所得模型能够实现图像中部件类型的识别以及每个部件具体边缘位置的判定。应说明的是,因部分车辆外观件存在包含或覆盖关系(例:右前车门上包含右前把手,右后视镜遮挡了部分右前车门等),基于部件模型已识别到的部件区域信息,以及预先建立的部件分布关系表,通过对识别到的每个部件区域坐标比对,完成遮挡部件或者包含部件的再抠图,实现部件识别结果精准输出(例:在右前车门部件中将右前把手抠掉,精准输出右前车门的位置信息)。
进一步地,针对损伤比对模块,具体实现过程如图3e中步骤S51-S54,该损伤比对模块实现对识别到的损伤结果判定其发生的外观部件,可以利用矩阵哈达玛积的计算方式予以实现,速度快、精度高。具体实施步骤包括:首先导入损伤识别模型对案件中每张图像识别到的损伤类型及每个损伤的位置信息,该位置信息以矩阵形式予以呈现,导入部件识别模型对案件中每张图像识别到的部件类型及每个部件的位置信息,同样该位置信息以矩阵形式予以呈现,将案件中每张图像识别到的所有损伤区域与同一张图中的所有部件区域,分别计算像素矩阵的哈达玛积,若矩阵非零,则表明该损伤发生于该部件,若为零矩阵,则该损伤未发生于该部件,从而确认每个损伤所发生的部件,最后输出同一案件中所有图像的损伤比对结果。
进一步地,针对结果修正模块,具体实现过程如图3f中步骤S61-S63,该结果修正模块将模型识别的损伤结果导入专家经验模型,实现对案件中不合理损伤的剔除与修正,输出合理的损伤结果。专家经验模型是基于车险行业理赔专家的定损经验,同时结合损伤及部件的语义分割神经网络模型的自身特征,所搭建的千余条逻辑规则,内容详尽,能最大限度保证图像定损结果的精确性。具体实施步骤包括:针对损伤剔除情况,结合特定损伤只应发生的特殊部件剔除特殊部件不应发生的特定损伤。例如,玻璃破损这一损伤只可发生于上述右前门玻璃等玻璃类部件,右前门玻璃因其材质特殊性不可能发生变形,当图像识别算法输出右前门玻璃变形这一损伤时,则被逻辑库判定为不合理损伤,将该结果予以剔除。针对易混淆部件修正情况,修正对称部件的方位识别错误。例如:基于大量车辆理赔经验,绝大部分的交通事故只会造成车辆的单侧部件损伤,若损伤结果输出中既存在3个左侧部件(左前叶子板、左前大灯、左前门)的损伤,又存在1个右侧对称部件(右前门)的损伤,则可以判定为图像识别算法的方位识别错误,将该起事故中的右前门损伤修正为左前门的损伤。针对上述部件识别模型可识别的全部外观部件,以及所有外观部件下可能发生的全部外观损伤,该逻辑库覆盖了所有的可能情况,经过该模块多专家模型损伤逻辑库的修正,可以极大地提升损伤结果精确率。
进一步地,针对结果整合模块,具体实现过程如图3g中步骤S71-S74,该结果整合模块包含两方面内容,一方面是对所有案件结果中同一部件下的同一损伤类型基于损伤面积占比大小的整合;另一方面是对案件结果中同一部件下不同损伤类型基于修换建立的损伤程度优先级库的整合。具体实施步骤包括:同一部件下的同一损伤类型,因其均体现了当前部件发生的损伤信息,因此对案件中单张图像中的同一识别结果以及所有图像的中同一识别结果均进行重复项删除,保留的原则为该损伤与所在部件面积占比最大者。这样的整合方式在删除重复损伤的基础上,依然能够体现当前部件下更有价值的损伤信息。(例:图1中右前车门的剐蹭损伤A面积占图1中右前车门比值为10%,图1中右前车门的剐蹭损伤B面积占图1中右前车门的比值为20%,则首先保留图1中右前车门的剐蹭损伤B的信息;如若图2中右前车门的损伤C面积占图2中右前车门的比值为30%,则再次保留图2中右前车门的剐蹭损伤C的信息;直至保留该案件中同一部件下同一损伤类型的面积占比最大者);针对同一部件下的不同损伤类型,只要输出该部件下的最严重的损伤,即可判定该部件的修换方案。因此,本案基于实际修换方案倒推,建立了所有部件上的损伤严重程度优先级库,该优先级库可实现对所有损伤结果的排序,输出同一部件上最严重的损伤结果。这样的整合方式能够体现该案件下最有价值的损伤信息。(例:右前车门剐蹭损伤需要的修换方式为喷漆,右前车门轻度变形需要的修换方式为钣金和喷漆,则右前车门轻度变形其严重程度高于右前车门剐蹭,因此当剐蹭和轻度变形同时发生于右前车门时,轻度变形优先级高于剐蹭,因此保留右前车门轻度变形);经过结果整合模块的处理,最终实现单个案件中各个部件上最严重的损伤结果的输出。
进一步的,作为图1-图2方法的具体实现,本申请实施例提供了一种车辆定损装置,如图4所示,该装置包括:获取单元301、识别单元302、确定单元303、清洗单元304、整合单元305。
获取单元301,可以用于获取车辆图像信息,所述车辆图像信息包括多方位拍摄且经过预处理的多张车辆损伤图像;
识别单元302,可以用于利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果,所述车辆损伤识别结果包括车辆的损伤类型以及损伤区域,所述车辆部件识别结果包括车辆的部件类型以及部件区域;
确定单元303,可以用于根据所述每张车辆损伤图像对应的车辆损伤识别结果和所述车辆部件识别结果,确定每张车辆损伤图像对应的车辆损伤信息,所述车辆损伤信息包括损伤部件、损伤类型、损伤面积占比;
清洗单元304,可以用于按照预先设置的逻辑规则对所述每张车辆损伤图像对应的车辆损伤信息进行清洗,将不符合损伤判定条件的车辆损伤信息进行删除和/或修正,得到所有图像的清洗后的车辆损伤信息;
整合单元305,可以用于整合所述所有图像的清洗后的车辆损伤信息,输出最终的车辆定损结果。
本发明实施例提供的车辆定损装置,与目前现有方式中依赖图像识别算法对车辆损伤图像进行判别的方式相比,本申请通过获取车辆图像信息,该车辆图像信息包括多方位拍摄且经过预处理的多张车辆损伤图像,使得不同拍摄情形下的图像实现规范化输入,利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果,以对车辆损伤图像进行像素级的识别,并根据车辆损伤识别结果和车辆部件识别结果,确定每张车辆损伤图像对应的车辆损伤信息,该车辆损伤信息包括损伤部件、损伤类型、损伤面积占比,然后按照预先设置的逻辑规则对每张车辆损伤图像对应的车辆损伤信息进行清洗,将不符合损伤判定条件的车辆损伤信息进行删除和/或修正,得到所有图像的清洗后的车辆损伤信息,最后对所有图像的清洗后的车辆损伤信息进行整合处理输出最终的车辆定损结果,该过程弥补了直接使用图像识别算法进行车辆定损的不足,能够更合理地针对车辆损伤信息进行整合,提高车辆定损结果的准确性。
在具体的应用场景中,如图5所示,所述装置还包括:
处理单元306,可以用于在所述获取车辆图像信息之后,通过对所述多方位拍摄的车辆损伤图像进行预处理,将不符合拍摄条件的车辆损伤图像进行删除和/或调节。
在具体的应用场景中,如图5所示,所述识别模型包括损伤识别模型和部件识别模型,所述装置还包括:
收集单元307,可以用于在所述利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果之前,预先收集不同事故车辆的历史案件图像;
标注单元308,可以用于将所述历史案件图像中出现的车辆外观损伤和车辆外观部件以特征示例图的形式进行标注,形成车辆损伤标注数据和车辆部件标注数据;
训练单元309,可以用于将携带有车辆损伤标注数据和车辆部件标注数据的历史案件图像分别作为样本图像输入至基于深度学习框架的语义分割模型中进行训练,构建损伤识别模型和部件识别模型,所述损伤识别模型用于结合车辆损伤标注数据对车辆损伤图像进行识别,所述部件识别模型用于结合车辆部件标注数据对车辆损伤图像进行识别。
在具体的应用场景中,所述标注单元308,具体可以用于对所述历史案件图像中出现的外观损伤以多边形像素语义分割形式进行损伤类型以及损伤区域进行标注,形成车辆损伤标注数据;
所述标注单元308,具体还可以用于对所述历史案件图像中出现的车辆部件以多边形像素语义分割形式进行部件类型以及部件区域进行标注,形成车辆部件标注数据。
在具体的应用场景中,如图5所示,所述装置还包括:
比对单元310,可以用于在所述利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果之后,利用预先建立的车辆外观部件分布关系表,对所述车辆部件识别结果中每个部件的区域位置进行坐标比对,所述部件分布关系表中记录有车辆部件分布的区域关系信息;
抠图单元311,可以用于若坐标比对结果表征部件存在覆盖关系,则针对被其他部件覆盖的部件进行区域抠图处理。
在具体的应用场景中,如图5所示,所述确定单元303包括:
转换模块3031,可以用于分别将所述车辆损伤识别结果以及所述车辆部件识别结果转换为矩阵形式表征,得到损伤矩阵和部件矩阵;
计算模块3032,可以用于计算所述损伤矩阵和所述部件矩阵的哈达玛积,得到损伤部件比对矩阵;
确定模块3033,可以用于利用所述损伤部件比对矩阵,确定车辆损伤信息,所述车辆损伤信息包括损伤的部件、损伤类型、损伤面积占比。
在具体的应用场景中,如图5所示,所述确定模块3033包括:
判断子模块30331,可以用于遍历所述损伤矩阵和所述部件矩阵,判断所述损伤部件比对矩阵是否为零;若是,则判定损伤未发生在相应车辆部件区域;否则,判定损伤发生在相应车辆部件区域;
汇总子模块30332,可以用于汇总所述损伤发生在相应车辆部件区域的车辆损伤识别结果和所述车辆部件识别结果,得到车辆损伤信息。
在具体的应用场景中,如图5所示,所述整合单元305包括:
第一整合模块3051,可以用于针对相同部件下相同损伤类型的车辆损伤信息,按照损伤面积占比对所述车辆损伤信息进行整合,保留同一部件下同一损伤类型损伤面积占比最大的一条车辆损伤信息;
第二整合模块3052,可以用于针对相同部件下不同损伤类型的车辆损伤信息,按照预先建立的损伤类型严重程度排序对所述车辆损伤信息进行整合,保留同一部件下损伤类型严重程度最高的车辆损伤信息;
汇总模块3053,可以用于汇总所有部件的车辆损伤信息,输出最终的车辆定损结果。
需要说明的是,本实施例提供的一种可应用于服务端侧的车辆定损装置所涉及各功能单元的其它相应描述,可以参考图1和图2中的对应描述,在此不再赘述。
基于上述如图1-图2所示方法,相应的,本申请实施例还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述如图1-图2所示的车辆定损方法;
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1-图2所示的方法,以及图4-图5所示的虚拟装置实施例,为了实现上述目的,本申请实施例还提供了一种服务端实体设备,具体可以为计算机,服务器,或者其他网络设备等,该实体设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图1-图2所示的车辆定损方法。
可选的,上述实体设备都还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种车辆定损的实体设备结构并不构成对该实体设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作***、网络通信模块。操作***是管理上述车辆定损的实体设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与信息处理实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现。通过应用本申请的技术方案,与目前现有方式相比,本申请根据车辆损伤识别结果和车辆部件识别结果,确定每张车辆损伤图像对应的车辆损伤信息,该车辆损伤信息包括损伤部件、损伤类型、损伤面积占比,然后按照预先设置的逻辑规则对每张车辆损伤图像对应的车辆损伤信息进行清洗,将不符合损伤判定条件的车辆损伤信息进行删除和/或修正,得到所有图像的清洗后的车辆损伤信息,最后对所有图像的清洗后的车辆损伤信息进行整合处理输出最终的车辆定损结果,该过程弥补了直接使用图像识别算法进行车辆定损的不足,能够更合理地针对车辆损伤信息进行整合,提高车辆定损结果的准确性。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (11)
1.一种车辆定损方法,其特征在于,包括:
获取车辆图像信息,所述车辆图像信息包括多方位拍摄且经过预处理的多张车辆损伤图像;
利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果,所述车辆损伤识别结果包括车辆的损伤类型以及损伤区域,所述车辆部件识别结果包括车辆的部件类型以及部件区域;
根据所述每张车辆损伤图像对应的车辆损伤识别结果和所述车辆部件识别结果,确定每张车辆损伤图像对应的车辆损伤信息,所述车辆损伤信息包括损伤部件、损伤类型、损伤面积占比;
按照预先设置的逻辑规则对所述每张车辆损伤图像对应的车辆损伤信息进行清洗,将不符合损伤判定条件的车辆损伤信息进行删除和/或修正,得到所有图像的清洗后的车辆损伤信息;
整合所述所有图像的清洗后的车辆损伤信息,输出最终的车辆定损结果。
2.根据权利要求1所述的方法,其特征在于,在所述获取车辆图像信息之后,所述方法还包括:
通过对所述多方位拍摄的车辆损伤图像进行预处理,将不符合拍摄条件的车辆损伤图像进行删除和/或调节。
3.根据权利要求1所述的方法,其特征在于,所述识别模型包括损伤识别模型和部件识别模型,在所述利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果之前,所述方法还包括:
预先收集不同事故车辆的历史案件图像;
将所述历史案件图像中出现的车辆外观损伤和车辆外观部件以特征示例图的形式进行标注,形成车辆损伤标注数据和车辆部件标注数据;
将携带有车辆损伤标注数据和车辆部件标注数据的历史案件图像分别作为样本图像输入至基于深度学习框架的语义分割模型中进行训练,构建损伤识别模型和部件识别模型,所述损伤识别模型用于结合车辆损伤标注数据对车辆损伤图像进行识别,所述部件识别模型用于结合车辆部件标注数据对车辆损伤图像进行识别。
4.根据权利要求3所述的方法,其特征在于,所述将所述历史案件图像中出现的车辆外观损伤和车辆外观部件以特征示例图的形式进行标注,形成车辆损伤标注数据和车辆部件标注数据,具体包括:
对所述历史案件图像中出现的车辆外观损伤以多边形像素语义分割形式进行损伤类型以及损伤区域进行标注,形成车辆损伤标注数据;
对所述历史案件图像中出现的车辆外观部件以多边形像素语义分割形式进行部件类型以及部件区域进行标注,形成车辆部件标注数据。
5.根据权利要求1所述的方法,其特征在于,在所述利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果之后,所述方法还包括:
利用预先建立的车辆外观部件分布关系表,对所述车辆部件识别结果中每个部件的区域位置进行坐标比对,所述部件分布关系表中记录有车辆部件分布的区域关系信息;
若坐标比对结果表征部件存在覆盖关系,则针对被其他部件覆盖的部件进行区域抠图处理。
6.根据权利要求1所述的方法,其特征在于,所述根据所述每张车辆损伤图像对应的车辆损伤识别结果和所述车辆部件识别结果,确定每张车辆损伤图像对应的车辆损伤信息,具体包括:
分别将所述车辆损伤识别结果以及所述车辆部件识别结果转换为矩阵形式表征,得到损伤矩阵和部件矩阵;
计算所述损伤矩阵和所述部件矩阵的哈达玛积,得到损伤部件比对矩阵;
利用所述损伤部件比对矩阵,确定车辆损伤信息,所述车辆损伤信息包括损伤的部件、损伤类型、损伤面积占比。
7.根据权利要求6所述的方法,其特征在于,所述利用所述损伤部件比对矩阵,确定车辆损伤信息,具体包括:
遍历所述损伤矩阵和所述部件矩阵,判断所述损伤部件比对矩阵是否为零;若是,则判定损伤未发生在相应车辆部件区域;否则,判定损伤发生在相应车辆部件区域;
汇总所述损伤发生在相应车辆部件区域的车辆损伤识别结果和所述车辆部件识别结果,得到车辆损伤信息。
8.根据权利要求1-7中任一项所述的方法,其特征在于,所述整合所述所有图像的清洗后的车辆损伤信息,输出最终的车辆定损结果,具体包括:
针对相同部件下相同损伤类型的车辆损伤信息,按照损伤面积占比对所述车辆损伤信息进行整合,保留同一部件下同一损伤类型损伤面积占比最大的一条车辆损伤信息;
针对相同部件下不同损伤类型的车辆损伤信息,按照预先建立的损伤类型严重程度排序对所述车辆损伤信息进行整合,保留同一部件下损伤类型严重程度最高的车辆损伤信息;
汇总所有部件的车辆损伤信息,输出最终的车辆定损结果。
9.一种车辆定损装置,其特征在于,包括:
获取单元,用于获取车辆图像信息,所述车辆图像信息包括多方位拍摄且经过预处理的多张车辆损伤图像;
识别单元,用于利用预先训练的识别模型,对每张车辆损伤图像进行识别,得到每张车辆损伤图像对应的车辆损伤识别结果和车辆部件识别结果,所述车辆损伤识别结果包括车辆的损伤类型以及损伤区域,所述车辆部件识别结果包括车辆的部件类型以及部件区域;
确定单元,用于根据所述每张车辆损伤图像对应的车辆损伤识别结果和所述车辆部件识别结果,确定每张车辆损伤图像对应的车辆损伤信息,所述车辆损伤信息包括损伤部件、损伤类型、损伤面积占比;
清洗单元,用于按照预先设置的逻辑规则对所述每张车辆损伤图像对应的车辆损伤信息进行清洗,将不符合损伤判定条件的车辆损伤信息进行删除和/或修正,得到所有图像的清洗后的车辆损伤信息;
整合单元,用于整合所述所有图像的清洗后的车辆损伤信息,输出最终的车辆定损结果。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至8中任一项所述的车辆定损方法。
11.一种车辆定损设备,包括存储介质、处理器及存储在存储介质上并可在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程序时实现权利要求1至8中任一项所述的车辆定损方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110860166.0A CN113705351B (zh) | 2021-07-28 | 2021-07-28 | 车辆定损方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110860166.0A CN113705351B (zh) | 2021-07-28 | 2021-07-28 | 车辆定损方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705351A true CN113705351A (zh) | 2021-11-26 |
CN113705351B CN113705351B (zh) | 2024-05-14 |
Family
ID=78650880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110860166.0A Active CN113705351B (zh) | 2021-07-28 | 2021-07-28 | 车辆定损方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705351B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114943908A (zh) * | 2022-06-20 | 2022-08-26 | 平安科技(深圳)有限公司 | 基于人工智能的车身损伤取证方法、装置、设备及介质 |
CN115063632A (zh) * | 2022-06-20 | 2022-09-16 | 平安科技(深圳)有限公司 | 基于人工智能的车辆损伤识别方法、装置、设备及介质 |
CN115115611A (zh) * | 2022-07-21 | 2022-09-27 | 明觉科技(北京)有限公司 | 车辆损伤识别方法、装置、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403424A (zh) * | 2017-04-11 | 2017-11-28 | 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、装置及电子设备 |
CN109325531A (zh) * | 2018-09-17 | 2019-02-12 | 平安科技(深圳)有限公司 | 基于图像的车辆定损方法、装置、设备及存储介质 |
CN111488875A (zh) * | 2020-06-24 | 2020-08-04 | 爱保科技有限公司 | 基于图像识别的车险理赔核损方法、装置和电子设备 |
CN111612104A (zh) * | 2020-06-30 | 2020-09-01 | 爱保科技有限公司 | 车辆定损图像获取方法、装置、介质和电子设备 |
CN112818811A (zh) * | 2021-01-27 | 2021-05-18 | 北京巅峰科技有限公司 | 一种车辆定损方法及装置 |
CN113706315A (zh) * | 2021-07-28 | 2021-11-26 | 中国银行保险信息技术管理有限公司 | 车辆定损方法、装置及设备 |
-
2021
- 2021-07-28 CN CN202110860166.0A patent/CN113705351B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403424A (zh) * | 2017-04-11 | 2017-11-28 | 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、装置及电子设备 |
CN112435215A (zh) * | 2017-04-11 | 2021-03-02 | 创新先进技术有限公司 | 一种基于图像的车辆定损方法、移动终端、服务器 |
CN109325531A (zh) * | 2018-09-17 | 2019-02-12 | 平安科技(深圳)有限公司 | 基于图像的车辆定损方法、装置、设备及存储介质 |
CN111488875A (zh) * | 2020-06-24 | 2020-08-04 | 爱保科技有限公司 | 基于图像识别的车险理赔核损方法、装置和电子设备 |
CN111612104A (zh) * | 2020-06-30 | 2020-09-01 | 爱保科技有限公司 | 车辆定损图像获取方法、装置、介质和电子设备 |
CN112818811A (zh) * | 2021-01-27 | 2021-05-18 | 北京巅峰科技有限公司 | 一种车辆定损方法及装置 |
CN113706315A (zh) * | 2021-07-28 | 2021-11-26 | 中国银行保险信息技术管理有限公司 | 车辆定损方法、装置及设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114943908A (zh) * | 2022-06-20 | 2022-08-26 | 平安科技(深圳)有限公司 | 基于人工智能的车身损伤取证方法、装置、设备及介质 |
CN115063632A (zh) * | 2022-06-20 | 2022-09-16 | 平安科技(深圳)有限公司 | 基于人工智能的车辆损伤识别方法、装置、设备及介质 |
CN115115611A (zh) * | 2022-07-21 | 2022-09-27 | 明觉科技(北京)有限公司 | 车辆损伤识别方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113705351B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11887064B2 (en) | Deep learning-based system and method for automatically determining degree of damage to each area of vehicle | |
CN113705351A (zh) | 车辆定损方法、装置及设备 | |
US11410287B2 (en) | System and method for artificial intelligence based determination of damage to physical structures | |
CN110706224B (zh) | 基于暗场图像的光学元件弱划痕检测方法、***和装置 | |
US20190272627A1 (en) | Automatically generating image datasets for use in image recognition and detection | |
CN110738644A (zh) | 一种基于深度学习的汽车涂装表面缺陷检测方法及*** | |
CN108154496B (zh) | 一种适用于电力作业机器人的电力设备外观变化识别方法 | |
CN111739012A (zh) | 基于转盘的摄像头模组白斑检测*** | |
CN115018797A (zh) | 屏幕缺陷的检测方法、检测设备以及计算机可读存储介质 | |
CN114820626B (zh) | 一种汽车前脸零件配置智能检测方法 | |
CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
US20220036132A1 (en) | Semantic image segmentation for cognitive analysis of physical structures | |
CN113283439B (zh) | 基于图像识别的智能计数方法、装置及*** | |
CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
CN110705553A (zh) | 一种适用于车辆远景图像的划痕检测方法 | |
Ding et al. | Restoration of single sand-dust image based on style transformation and unsupervised adversarial learning | |
CN110969135B (zh) | 自然场景中的车标识别方法 | |
CN113096062A (zh) | 高斯图像质量分析工具和操作方法 | |
CN111401341A (zh) | 一种基于视觉的减速带检测方法、装置及其存储介质 | |
CN111486790A (zh) | 一种电池全尺寸检测方法与装置 | |
CN116758425A (zh) | 一种大基地光伏电站自动验收方法和装置 | |
CN116524725A (zh) | 一种智能驾驶的交通标志图像数据识别*** | |
CN116403200A (zh) | 基于硬件加速的车牌实时识别*** | |
CN115272284A (zh) | 基于图像质量评估的输电线路缺陷识别方法 |
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 |