CN118176515A - 车辆损坏情况评估***和方便车辆维修或维护服务的平台 - Google Patents
车辆损坏情况评估***和方便车辆维修或维护服务的平台 Download PDFInfo
- Publication number
- CN118176515A CN118176515A CN202280068205.6A CN202280068205A CN118176515A CN 118176515 A CN118176515 A CN 118176515A CN 202280068205 A CN202280068205 A CN 202280068205A CN 118176515 A CN118176515 A CN 118176515A
- Authority
- CN
- China
- Prior art keywords
- damage
- vehicle
- identified
- damaged
- component
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 152
- 230000008439 repair process Effects 0.000 title claims abstract description 23
- 238000012423 maintenance Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 12
- 230000003902 lesion Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 206010061245 Internal injury Diseases 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000006735 deficit Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 208000027418 Wounds and injury Diseases 0.000 claims description 3
- 208000014674 injury Diseases 0.000 claims description 3
- 238000007373 indentation Methods 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 3
- 238000000429 assembly Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于评估车辆的损坏情况的***以及方便车辆维修或维护服务的平台。该***包括损坏识别模块，其用于识别在显示所述车辆的至少一部分的一组输入图像中捕获的一处或多处损坏；部件识别模块，其用于识别具有所述识别出的损坏的所述车辆的一个或多个受损部件；以及输出模块，其用于生成与所述车辆的所述识别出的损坏和/或所述识别出的损坏的部件关联的受损评估报告。
Description
技术领域
本发明涉及一种用于评估车辆的损坏情况的***和一种用于方便车辆的维修或维护服务的平台，具体地但不排他地，涉及一种基于人工智能(AI)的车辆受损评估报告***。
背景技术
车祸会造成情绪压力和财产损失。除了产生创伤的经历外，需要花费很多时间去备案事故索赔和准备文书。虽然被保险人负责维修费用，但定损评估本身是由汽车维修中心完成的。整个程序涉及来自两侧的专业人士，这通常导致每个事故案例花费3周。
对于未经培训的人士，还难以准确地评估对车辆的造成损坏。经历事故的汽车驾驶员可能希望尽可能快地确定维修费用，以便达到合理的处理，或要求维修预算。汽车购买者或租赁者还可能希望评估维修车辆的任何特定损坏的成本，以便对购买价格或维修成本进行预算。不幸的是，由于可能需要快速作出决定，因此延迟获得准确的估计可能会影响结算或交易完成。
发明内容
根据本发明的第一方面，提供了一种用于评估车辆的损坏情况的***。所述***包括：损坏识别模块，其用于识别在显示所述车辆的至少一部分的一组输入图像中捕获的一处或多处损坏；部件识别模块，其用于识别具有所述识别出的损坏的所述车辆的一个或多个受损部件；以及输出模块，其用于生成与所述车辆的所述识别出的损坏和/或所述识别出的损坏的部件关联的受损评估报告。
在第一方面的一实施例中，所述***还包括：基于计算机视觉的处理器，其可操作以用作所述损坏识别模块和/或所述部件识别模块。
在第一方面的一实施例中，所述基于计算机视觉的处理器包括神经网络处理引擎。
在第一方面的一实施例中，所述基于计算机视觉的处理器还用于估计所述损坏的至少一个属性，其中，所述至少一个属性包括损坏类型、损坏程度和所述识别出的损坏的大小。
在第一方面的一实施例中，所述损坏类型包括所述车辆的所述识别出的受损部件的凹痕或者剐蹭。
在第一方面的一实施例中，所述损坏识别模块还用于基于所述损坏的类型、损坏程度和所述识别出的损坏的大小，对所述捕获到的损坏进行分类。
在第一方面的一实施例中，所述***还包括：结构检测模块，其用于基于所述识别出的受损部件的损坏，评估与所述车辆的内部部件关联的结构损坏。
在第一方面的一实施例中，所述结构检测模块包括内部损伤模拟器，其用于基于所述识别出的所述受损部件的损坏，生成所述车辆的骨架结构。
在第一方面的一实施例中，所述内部损伤模拟器还用于将所述生成的骨架结构重新映射到所述车辆的相应模型结构，以评估所述车辆的结构损伤。
在第一方面的一实施例中，所述内部损伤模拟器还用于从所述车辆的预设部分中选择任意特征点，以形成所述骨架结构。
在第一方面的一实施例中，所述内部损伤模拟器包括姿态估计引擎，其用于分析所述生成的骨架结构。
在第一方面的一实施例中，所述受损评估报告包括与维修或更换具有所述识别出的损坏的受损部件关联的服务报价。
在第一方面的一实施例中，所述服务报价是基于大数据分析估计的。
在第一方面的一实施例中，所述受损评估报告包括与维护除维修或更换所述损坏组件之外的至少一个杂项关联的附加服务报价。
在第一方面的一实施例中，所述服务报价还与用于维修或更换所述受损组件的预设车辆型号和/或预设价格范围关联。
根据本发明的第二方面，提供了一种用于方便车辆的维修或维护服务的平台。所述平台包括：上述第一方面的***，以及计算机实现的用户界面，其中，所述计算机实现的用户界面用于便于上载由用户捕获的所述车辆的所述输入图像集，以及可选地与所述用户和/或所述车辆关联的附加信息。
在第二方面的一实施例中，所述平台还包括：服务提供商匹配引擎，其用于向所述用户提供记录在服务提供商数据库中的服务提供商细节和/或由所述服务提供商基于所述生成的受损评估报告提供的服务报价。
根据本发明的第三方面，提供了一种用于评估车辆的损坏情况的方法。所述方法包括：识别在显示所述车辆的至少一部分的一组输入图像中捕获的一处或多处损坏；识别具有所述识别出的损坏的所述车辆的一个或多个受损部件；以及生成与所述车辆的所述识别出的损坏和/或所述识别出的损坏的部件关联的受损评估报告。
在第三方面的一实施例中，所述方法还包括：通过使用神经网络处理引擎和计算机视觉，估计所述损坏的至少一个属性；其中，所述至少一个属性包括损坏类型、损坏程度和所述识别出的损坏的大小。
在第三方面的一实施例中，所述损坏类型包括所述车辆的所述识别出的受损部件的凹痕、剐蹭、裂纹、破碎、移位或其任何一个或组合。
在第三方面的一实施例中，所述方法还包括：基于所述损坏的类型、损坏程度和所述识别出的损坏的大小，对所述捕获到的损坏进行分类的步骤。
在第三方面的一实施例中，所述方法还包括：基于所述识别出的受损部件的损坏，评估与所述车辆的内部部件关联的结构损坏的步骤。
在第三方面的一实施例中，所述评估与所述车辆的内部部件关联的结构损坏包括：基于所述识别出的所述受损部件的损坏，生成所述车辆的骨架结构的步骤。
在第三方面的一实施例中，所述评估与所述车辆的内部部件关联的结构损坏包括：将所述生成的骨架结构重新映射到所述车辆的相应模型结构，以评估所述车辆的结构损伤的步骤。
在第三方面的一实施例中，所述评估与所述车辆的内部部件关联的结构损坏包括：选择与所述车辆的预设部分关联的任意特征点，以形成所述骨架结构的步骤。
在第三方面的一实施例中，使用姿态估计执行所述评估与所述车辆的内部部件关联的结构损坏的步骤。
在第三方面的一实施例中，所述受损评估报告包括与维修或更换具有所述识别出的损坏的受损部件关联的服务报价。
在第三方面的一实施例中，所述服务报价是基于大数据分析估计的。
在第三方面的一实施例中，所述受损评估报告包括与维护除维修或更换所述损坏组件之外的至少一个杂项关联的附加服务报价。
在第三方面的一实施例中，所述服务报价还与用于维修或更换所述受损组件的预设车辆型号和/或预设价格范围关联。
在第三方面的一实施例中，所述方法还包括：方便将由用户捕获的所述车辆的所述输入图像集以及可选地与所述用户和/或所述车辆关联的附加信息上载到服务平台，以便于车辆的维修或维护服务。
在第三方面的一实施例中，所述方法还包括：使用服务提供商匹配引擎，向所述用户提供记录在服务提供商数据库中的服务提供商细节和/或由所述服务提供商基于所述生成的受损评估报告提供的服务报价。
附图说明
下文将参照附图以举例的方式描述本发明的实施例。
图1为根据本发明实施例的计算机服务器的示意图，该计算机服务器用于实现为用于评估车辆的损坏情况的***；
图2为根据本发明实施例的用于评估车辆的损坏情况的***的框图；
图3为示出了根据本发明的实施例的在用于方便车辆的维修或维护服务的平台中提供的用户应用中的操作流程的图示；
图4为示出了在接收到用户操作图3中提供的用户应用的请求时平台的操作的流程图；
图5为示出了由图2的***识别的汽车保险杠上的划痕和损坏的一组图像；
图6为示出了由图2的***识别的汽车保险杠上的划痕和损坏的另一组图像；
图7为示出了由图2的***识别的汽车的一对门上的划痕和损坏的一组图像；
图8为示出了由图2的***识别的汽车后挡板上的凹痕和损坏的图像；
图9为受损评估报告的图示，包括与用图2的***提供的识别出的损坏来维修或更换损坏的组件关联的服务报价；
图10A为示出由图2的***的结构检测模块生成的车辆和车辆骨架的图像；
图10B为表示与图10A不同的车辆的其他骨架的图像；
图11是示出由图2的***的结构检测模块生成的受损车辆和受损车辆的骨架的图像；
图12是示出根据本发明实施例的用于方便车辆的维修或维护服务的平台的后端架构的图示；以及
图13是示出根据本发明实施例的本发明的基于人工智能(AI)的特征的图示。
具体实施方式
参考图1，示出了本发明的实施例。该实施例提供了一种用于评估车辆的损坏情况的***。该***包括：损坏识别模块，其用于识别在显示车辆的至少一部分的一组输入图像中捕获的一处或多处损坏；部件识别模块，其用于识别具有识别出的损坏的车辆的一个或多个受损部件；以及输出模块，其用于生成与车辆的识别出的损坏和/或识别出的损坏的部件关联的受损评估报告。
在该示例性实施例中，接口和处理器由具有适当用户接口的计算机来实现。计算机可以由任何计算架构来实现，包括：便携式计算机、平板计算机、独立个人计算机(Personal Computer，PC)、智能设备、物联网(Internet of Things，IoT)设备、边缘计算装置、客户端/服务器架构、“哑”终端/主机架构、基于云计算的架构或任何其他适当的架构。计算设备可被适当地编程以实现本发明。
在该实施例中，该***用于允许用户上传示出车辆(例如，汽车)的不同视图或部件的图像，并获得与车辆的不同部件/部件上的识别出的损坏关联的受损评估报告，其中，对用于修复这些损坏的成本进行估计。该***能够使用人工智能(AI)识别不同类型的损坏以及损坏的严重度，并提供修复成本的准确估计，而不需要由技术人员执行检查。技术人员检测较为耗时，且具有人为偏差。
如图1所示，示出了计算机***或计算机服务器100的示意图。该计算机***或计算机服务器100用于实现为用于评估车辆的损坏情况的***的示例性实施例。在该实施例中，***包括服务器100。服务器100包括接收、存储器和执行适当计算机指令所需的适当组件。这些组件可包括：处理单元102，其包括中央处理单元(Central Processing Unit，CPU)、数学共处理单元(Math Co-processing Unit，Math Processor)、图形处理单元(Graphics Processing Unit，GPU)或用于张量或多维阵列计算或操纵操作的张量处理单元(Tensor Processing Unit，TPU)；只读存储器(Read-Only Memory，ROM)104；随机访问存储器(Random-Access Memory，RAM)106；输入/输出(Input/Output，I/O)装置(例如，磁盘驱动器108)；输入装置110(例如，以太网端口，USB端口等)；显示器112，例如，液晶显示器、发光显示器或任何其它合适的显示器；和通信链路114。锻炼服务器100可包括可存储在ROM104、RAM 106或磁盘驱动器108中，并可由处理单元102执行的指令。可以提供多个通信链路114，其可不同地连接到一个或多个计算装置，诸如服务器、个人计算机、终端、无线或手持计算装置、IoT设备、智能设备和边缘计算装置。多个通信链路中至少一个可以通过电话线或其它类型的通信链路连接到外部计算网络。
服务器100可包括诸如磁盘驱动器108等存储设备，磁盘驱动器108可包括固态驱动器、硬盘驱动器、光驱动器、磁带驱动器或远程或基于云的存储设备。服务器100可使用单个磁盘驱动器或多个磁盘驱动器，或远程存储服务120。服务器100还可具有驻留在盘驱动器上或服务器100的ROM中的适当操作***116。
计算机或者计算设备还可提供必要的计算能力，来操作或与诸如神经网络的机器学习网络进行对接，以提供各种功能和输出。神经网络可以在本地实现，或者也可以通过服务器或基于云的服务被访问或被部分地访问。机器学习网络也可是未经训练的，部分训练的或完全训练的，和/或也可随时间重新训练、修改或更新。
参考图2，示出了用于评估车辆的损坏情况的***200的实施例。在该实施例中，服务器100作为***200的一部分，***200用于接收示出汽车的不同视图和部件的输入图像202，其中，某些部件具有诸如凹痕和/或划痕的损坏。损伤识别模块204和部件识别模块206协作，以识别图像202中所示的损伤的大小和位置以及损伤的类型，优选地，使用基于计算机视觉的处理方法，且更优选地，使用神经网络或深度学习机器学习方法。
例如，***200可以处理示出了在汽车的前侧、后侧和两侧中的一个或多个处捕获的整个汽车的图像，以及示出了汽车的不同部件/组件上的损坏的一些附加特写视图，然后，损坏识别模块和组件识别模块能够识别汽车的哪些部件/组件已被损坏，例如，汽车右侧的前保险杠和门上的划痕，或汽车的后车门上的多个凹痕，还考虑凹痕/划痕的不同属性(例如，尺寸和深度)，以便评估每一处损坏的严重性。损坏识别模块还可以检测其他形式的损坏，包括碎片、剥落、裂纹、穿透或孔、破碎或部件或组件、丢失部件、部件或组件的未对准或移位、腐蚀、磨损或其他形式的可能出现在车辆的部件或组件上的损坏。
此外，这些识别的结果将被传递到输出模块208。输出模块208将这些结果合并到可以列出这些识别的损坏的受损评估报告210中。可选地或附加地，出于各种目的，还可以在报告中提供与维修这些损坏关联的服务报价或建议的服务提供商或维修中心。
还参考图3至11，进一步描述了用于方便维修服务的平台和用于评估损坏的***的各种示例实施例。
参考图3和4，汽车损坏检查装置引导终端用户在事故现场以更远和更近的距离拍摄汽车的照片，在用户应用中还可以提供附加信息。此过程只需要四个步骤：选择损坏区域、上传汽车照片、运行人工智能(AI)分析、然后驾驶员可以得到检查报告和索赔。该应用程序(APP)还可以将这些情况介绍给建议的维修中心或服务提供商。
参考图3，过程300可以在步骤302开始。在步骤302中，用户可以通过选择损坏区域来评估发生事故时的汽车损坏。在步骤304中，可以使用应用的照片拍摄功能来选择或捕获车辆在不同角度的图像以及事故现场，以便准备示出需要维修的车辆上的所有损坏的图像。在步骤306中，在将图像上载到平台时，可以立即查看图像，并相应地提供服务报价(即，估计的维修成本)。最后，在步骤308中，可以向用户提供经核准的维修中心的列表，以用于进一步的动作。
参考图4，示出了在步骤402中接收输入照片时***的示例操作400，然后在步骤404中神经网络处理引擎例如使用卷积神经网络执行输入照片的损坏分析以识别车辆的损坏，然后在步骤406中可以提供包括用于维修车辆的成本估计的报告。在该示例中，在四个不同区域的划痕和凹痕被卷积神经网络识别，并且修复这些损坏的估计成本是$1,600。
在可替换的示例中，事故发生后，车主可以使用应用程序(APP)拍摄和/或上载他们受损车辆的照片，例如，具有如图5到8所示的特写图像。然后，人工智能(AI)模型(即，损坏识别模块和部件识别模块)可以检测损坏区域，并在数秒内评估损坏程度。例如，如图9所示的检查报告或受损评估报告902，并立即提供服务报价或维修成本估计。
优选地，损伤识别模块还可以基于损伤的类型、损伤的级别和所识别的损伤的尺寸，对所捕获的损伤进行分类。例如，诸如剐蹭、凹痕、错位的损坏可以被分组为更小的类别，以确定它们在整个车辆中的损坏的严重性。
例如，参见图5至图7，识别出诸如汽车504的保险杠或车门上的划痕和凹痕的外部损坏502，但是这些损坏502可能相对较小，因为这些损坏可能不影响整个车辆504的机械结构的完整性。然而，如图8所示的车辆804中的识别出的损坏802可能更严重，因为在被识别的后挡板处的凹痕和划痕可能指示车辆可能在车辆事故中受到显著的冲击，因此车辆后部的内部结构部件可能需要进一步检查和/或维修。
这些与事故相关的照片和成本估计也可以被发送到分部汽车维修中心。通过这个平台，这些维修中心也可以接受报价，且汽车所有者可以挑选他们喜欢的任何维修中心。此外，汽车保险公司还可以立即接收被转发的保险索赔请求，并在确认后，保险索赔金额将被很快转账到车主账户的银行账户。
优选地，对于由基于计算机视觉的处理器执行的数据收集和注释处理，图像的变化越多，模型将越能够适当地分类图像。在汽车受损评估的背景下，建立广泛和多样化的数据集需要多方的协作：司机提交他们汽车的质量照片，保险公司共享可用数据，并与维修过程中涉及的维修中心整合。
优选地，数据增强(data augmentation)可以是针对有限数据的数据空间问题的解决方案，以改进其模型的执行并扩展有限数据集以利用大数据的能力。随机旋转、缩放、尺寸移动和翻转更新计划以区别生成的数据。
此外，预处理数据集可以帮助加速模型，并获得更好的训练结果。该活动可涵盖多种任务：应用滤波器、去除噪声、增强对比度、下采样视频等。主要目标可以与a)检测车身部件和b)定位损坏关联。为了进一步提高准确性，可能需要进行大量校正：例如，更多的输入数据、以及改进的算法。为了估计损伤程度，首先应用二进制分类，然后通过构建的机器学习算法运行数据集。
优选地，基于计算机视觉的处理器包括神经网络处理引擎，例如，卷积神经网络(CNN)实现的机器学习模型。车辆损坏识别***可以是使用一个或多个卷积神经网络的一组深度学习算法，其可以单独地或组合地识别和/或分类车辆的部件和在部件上发现的损坏类型。可以收集来自离线和在线的标记的汽车损坏照片或视频，用于训练CNN，并可以将多组图片馈送到深度学习模型中，以训练该组输入的整体模型。损伤检测算法提高了整体损伤评估精度，因为它依赖于算法的恒定评估，这可以进一步消除人为偏差。
任选地或另外地，参见图2，该***还包括结构检测模块207，其用于基于这些损坏的部件的所识别的损坏，评估与该车辆的内部部件相关联的结构损坏。参见图10A和10B，结构检测模块207可以包括内部损伤模拟器，其用于基于所识别出的受损部件的损坏，生成车辆的骨架结构。在该示例中，基于与同一车辆1004的不同部件相关联的不同特征点生成车辆骨架模型1002A、1002B，并可以相应地强调车辆1004的不同部件的内部结构完整性。
优选地，内部损伤模拟器可以包括姿态估计引擎，其用于分析所生成的骨架结构。参考图10A和10B，***可以选择任意特征点以形成汽车框架骨架模型1002A、1002B。骨架可以代表整个汽车结构，包括汽车的所有部件，例如，包括A/B/C柱、前照灯、车轮、保险杠等关键结构。
如果车辆的特定模型的骨架结构可用，则内部损伤模拟器可以将所生成的骨架结构重新映射到车辆的相应模型结构，以评估车辆的结构损伤。
例如，参见图11，车辆1104的前部和右侧的前轮1006在事故中受损。该***可以获得由用户提交的车辆的骨架结构1002，且当与存储在数据库中的相同型号的车辆框架骨架相比时，发现所产生的骨架是扭曲的(因为破碎的零件从它们的原始位置错位)，该***将具有更高的置信度来推断检测到对车辆结构的内部损坏1104。即使车辆1104的内部部件可能无法从上传的图像中看到或观察到。
有利地，骨架结构使得***能够定位损坏检测中发现的区域，并确定哪个汽车部件被损坏，因为这直接与部件成本关联，维修成本也将被相应地估计。在一些示例中，某些汽车部件上的损坏可能是不可恢复的且易于更换，因此将相对于汽车部件价格来计算维修成本。
服务报价还可以与车辆的预定型号和/或用于维修或更换受损部件的预定价格范围关联。通过损坏位置和预测结构的组合，***可以确定汽车的哪个部分需要进行什么类型的维修，例如更换、维修、紧固等。维修动作的价格可以根据汽车模型来测量，其中，不同汽车部分的价格列表和用于修理每个部件的相对价格范围可以用于立即向用户提供准确的估计。
另外，受损评估报告可以包括附加服务报价，该附加服务与维护至少一个杂项而不维修或更换损坏的部件关联。例如，可以将杂项列为维修项目顶部的附加项目，由作为内部损坏推断的外部损坏的现有数据进行训练。组合所有项目将为整个维修提供更准确的成本预测。
参考图12和13，该平台可以基于涉及AWS网络的后端体系结构来实现，以便提供***的所有必要处理模块。此外，可以基于大数据分析来估计服务报价。这样，通过在市场中执行额外的数据检查，防止欺诈。
当估计服务报价时，也可以考虑不同国家的汽车保险政策和维修成本假设的差异，因此大数据分析也可以帮助提高估计的准确性。
例如，参考图11，可以采用回归方法，定位任何索赔异常；且可以使用仪表板，帮助可视化每个汽车品牌的索赔统计。此外，对于类似的事故特性，可以提供预测分析以评估类似情况下车辆的任何总损失。
在一些优选实施例中，还可以包括用户应用和/或***中的其他特征以进一步改进损坏的识别和维修成本的估计，例如：
-人工智能(AI)模型中的环境因素——雨、雪、暗、亮
-将视频用于训练和应用
-在车上进一步应用估值
-3D模型，以更好地训练模型
-审查所有索赔交易的欺诈检测模型
-本地化——在亚洲培训流行汽车并匹配本地维修费用
-用于驾驶员的用户友好的移动应用
-API集成，以满足商业需要
有利地，本发明通过使用户能够使用我们的人工智能(AI)赋能的移动应用程序(APP)检查汽车损坏，革命性的改变了给汽车保险索赔过程。
有利地，本发明可以索赔估价高效。例如，车辆发生事故时，本发明可以引导车主拍摄车辆部件上的损坏的照片，并接收虚拟车辆检查。将在几秒内估计维修成本。保险公司可以期望需要多少维修成本。他们可以加快索赔评估，以在数小时内获得赔付。它可以加速耗时的债权结算并产生更好的客户体验，同时也提高效率。
此外，本发明还可以提高客户满意度，保险公司或汽车租赁公司不仅受益于较短的索赔处理时间，而且受益于通过加速过程提高的客户满意度。Alpha人工智能(AI)承诺帮助保险公司和维修者更快达成协商进行维修，改善客户体验，保证在索赔处理中的操作效率，并为汽车租赁公司提供自动的汽车登记和结账解决方案。
虽然不是必需的，但是参考附图描述的实施例可以被实现为应用编程接口(API)或由开发者使用的一系列库，或者可以被包括在另一软件应用程序中，诸如终端或个人计算机操作***或便携式计算装置操作***。通常，由于程序模块包括帮助执行特定功能的例程、程序、对象、组件和数据文件，本领域技术人员将理解，软件应用程序的功能可分布于多个例程、对象或组件之间以实现本文所需的相同功能。
还应当理解，在本发明的方法和***全部由计算***实现或部分由计算***实现的情况下，可以使用任何适当的计算***架构。该计算机体系可包括平板计算机、可穿戴设备、智能电话、物联网设备、边缘计算设备、独立计算机、网络计算机、基于云的计算设备和专用硬件设备。在使用术语“计算***”和“计算设备”的情况下，这些术语旨在涵盖能够实现所描述的功能的计算机硬件的任何适当配置。
本领域的技术人员将理解，在不脱离如广泛描述的本发明的精神或范围的情况下，可以对如具体实施例中所示的本发明进行多种变化和/或修改。因此，本实施例在所有方面都被认为是说明性的而不是限制性的。
除非另外指明，否则本文所包含的对现有技术的任何引用不应被视为承认该信息是公知常识。
Claims (20)
1.一种用于评估车辆的损坏情况的***，其特征在于，包括：
损坏识别模块，其用于识别在显示所述车辆的至少一部分的一组输入图像中捕获的一处或多处损坏；
部件识别模块，其用于识别具有所述识别出的损坏的所述车辆的一个或多个受损部件；以及
输出模块，其用于生成与所述车辆的所述识别出的损坏和/或所述识别出的损坏的部件关联的受损评估报告。
2.根据权利要求1所述的***，其特征在于，还包括：基于计算机视觉的处理器，其可操作以用作所述损坏识别模块和/或所述部件识别模块。
3.根据权利要求2所述的***，其特征在于，其中，所述基于计算机视觉的处理器包括神经网络处理引擎。
4.根据权利要求3所述的***，其特征在于，其中，所述基于计算机视觉的处理器还用于估计所述损坏的至少一个属性；其中，所述至少一个属性包括损坏类型、损坏程度和所述识别出的损坏的大小。
5.根据权利要求4所述的***，其特征在于，其中，所述损坏类型包括所述车辆的所述识别出的受损部件的凹痕、剐蹭、裂纹、破碎、移位或其任何一个或组合。
6.根据权利要求4所述的***，其特征在于，其中，所述损坏识别模块还用于基于所述损坏的类型、损坏程度和所述识别出的损坏的大小，对所述捕获到的损坏进行分类。
7.根据权利要求5所述的***，其特征在于，还包括：结构检测模块，其用于基于所述识别出的受损部件的损坏，评估与所述车辆的内部部件关联的结构损坏。
8.根据权利要求7所述的***，其特征在于，其中，所述结构检测模块包括内部损伤模拟器，其用于基于所述识别出的所述受损部件的损坏，生成所述车辆的骨架结构。
9.根据权利要求8所述的***，其特征在于，其中，所述内部损伤模拟器还用于将所述生成的骨架结构重新映射到所述车辆的相应模型结构，以评估所述车辆的结构损伤。
10.根据权利要求8所述的***，其特征在于，其中，所述内部损伤模拟器还用于从所述车辆的预设部分中选择任意特征点，以形成所述骨架结构。
11.根据权利要求8所述的***，其特征在于，其中，所述内部损伤模拟器包括姿态估计引擎，其用于分析所述生成的骨架结构。
12.根据权利要求1所述的***，其特征在于，其中，所述受损评估报告包括与维修或更换具有所述识别出的损坏的受损部件关联的服务报价。
13.根据权利要求12所述的***，其特征在于，其中，所述服务报价是基于大数据分析估计的。
14.根据权利要求13所述的***，其特征在于，其中，所述受损评估报告包括与维护除维修或更换所述损坏组件之外的至少一个杂项关联的附加服务报价。
15.根据权利要求13所述的***，其特征在于，其中，所述服务报价还与用于维修或更换所述受损组件的预设车辆型号和/或预设价格范围关联。
16.一种用于方便车辆的维修或维护服务的平台，其特征在于，包括：根据权利要求12所述的***，以及计算机实现的用户界面，其中，所述计算机实现的用户界面用于方便上载由用户捕获的所述车辆的所述输入图像集，以及可选地与所述用户和/或所述车辆关联的附加信息。
17.根据权利要求16所述的平台，其特征在于，还包括：服务提供商匹配引擎，其用于向所述用户提供记录在服务提供商数据库中的服务提供商细节和/或由所述服务提供商基于所述生成的受损评估报告提供的服务报价。
18.一种评估车辆的损坏状况的方法，其特征在于，包括以下步骤：
识别在显示所述车辆的至少一部分的一组输入图像中捕获的一处或多处损坏；
识别具有所述识别出的损坏的所述车辆的一个或多个受损部件；以及
生成与所述车辆的所述识别出的损坏和/或所述识别出的损坏的部件关联的受损评估报告。
19.根据权利要求18所述的方法，其特征在于，还包括：通过使用神经网络处理引擎和计算机视觉，估计所述损坏的至少一个属性；其中，所述至少一个属性包括损坏类型、损坏程度和所述识别出的损坏的大小。
20.根据权利要求19所述的方法，其特征在于，其中，所述损坏类型包括所述车辆的所述识别出的受损部件的凹痕、剐蹭、裂纹、破碎、移位或其任何一个或组合。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| HK32021042148 | 2021-11-09 | ||
| HK32021042148.5 | 2021-11-09 | ||
| PCT/CN2022/130640 WO2023083182A1 (en) | 2021-11-09 | 2022-11-08 | A system for assessing a damage condition of a vehicle and a platform for facilitating repairing or maintenance services of a vehicle |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118176515A true CN118176515A (zh) | 2024-06-11 |
Family
ID=86337317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280068205.6A Pending CN118176515A (zh) | 2021-11-09 | 2022-11-08 | 车辆损坏情况评估***和方便车辆维修或维护服务的平台 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN118176515A (zh) |
| WO (1) | WO2023083182A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455466B (zh) * | 2023-12-22 | 2024-03-08 | 南京三百云信息科技有限公司 | 一种汽车远程评估的方法及*** |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107403424B (zh) * | 2017-04-11 | 2020-09-18 | 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 |
| CN107358596B (zh) * | 2017-04-11 | 2020-09-18 | 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*** |
| CN111914692B (zh) * | 2017-04-28 | 2023-07-14 | 创新先进技术有限公司 | 车辆定损图像获取方法及装置 |
| US20180350163A1 (en) * | 2017-06-06 | 2018-12-06 | Claim Genius Inc. | Method of Externally Assessing Damage to a Vehicle |
| KR102097120B1 (ko) * | 2018-12-31 | 2020-04-09 | 주식회사 애자일소다 | 딥러닝 기반의 자동차 부위별 파손정도 자동 판정 시스템 및 방법 |
| CN109919785A (zh) * | 2019-02-22 | 2019-06-21 | 德联易控科技(北京)有限公司 | 车辆定损的评估处理方法、装置、设备及存储介质 |
| CN110287768A (zh) * | 2019-05-06 | 2019-09-27 | 浙江君嘉智享网络科技有限公司 | 图像智能识别车辆定损方法 |
-
2022
- 2022-11-08 WO PCT/CN2022/130640 patent/WO2023083182A1/en unknown
- 2022-11-08 CN CN202280068205.6A patent/CN118176515A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023083182A1 (en) | 2023-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240087102A1 (en) | Automatic Image Based Object Damage Assessment | |
| JP7110414B2 (ja) | 画像に基づく車両損傷判定方法、装置および電子デバイス | |
| US11106926B2 (en) | Methods and systems for automatically predicting the repair costs of a damaged vehicle from images | |
| JP7048499B2 (ja) | データセットの半自動ラベル付け | |
| US10949672B1 (en) | Visual inspection support using extended reality | |
| US10373262B1 (en) | Image processing system for vehicle damage | |
| US10360601B1 (en) | Method for generating a repair estimate through predictive analytics | |
| US10373260B1 (en) | Imaging processing system for identifying parts for repairing a vehicle | |
| US10380696B1 (en) | Image processing system for vehicle damage | |
| US20170147990A1 (en) | Vehicle transactions using objective vehicle data | |
| US20220114627A1 (en) | Methods and systems for automatic processing of images of a damaged vehicle and estimating a repair cost | |
| US12020217B2 (en) | Systems and methods for using machine learning for vehicle damage detection and repair cost estimation | |
| US11120574B1 (en) | Methods and systems for obtaining image data of a vehicle for automatic damage assessment | |
| US20200104940A1 (en) | Artificial intelligence enabled assessment of damage to automobiles | |
| CN115810134B (zh) | 一种车险反欺诈的图像采集质检方法、***和装置 | |
| CN118176515A (zh) | 车辆损坏情况评估***和方便车辆维修或维护服务的平台 | |
| US20210350470A1 (en) | Methods and systems for automatic processing of vehicle image data to identify one or more damaged parts | |
| US20210150591A1 (en) | Systems and methods for automatically determining associations between damaged parts and repair estimate information during damage appraisal | |
| Gupta et al. | Automatic Car Insurance using Image Analysis | |
| JP7503125B1 (ja) | 情報提示装置、情報提示方法及び情報提示プログラム | |
| WO2024143222A1 (ja) | 情報提示装置、情報提示方法及び情報提示プログラム | |
| US20230306476A1 (en) | Systems and methods for valuing an item | |
| Elbhrawy et al. | CES: Cost Estimation System for Enhancing the Processing of Car Insurance Claims | |
| JP2024095350A (ja) | 情報提示装置、情報提示方法及び情報提示プログラム | |
| JP2024095654A (ja) | 情報提示装置、情報提示方法及び情報提示プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |