TW201839704A - 基於圖像的車輛定損方法、裝置及電子設備 - Google Patents
基於圖像的車輛定損方法、裝置及電子設備 Download PDFInfo
- Publication number
- TW201839704A TW201839704A TW107107231A TW107107231A TW201839704A TW 201839704 A TW201839704 A TW 201839704A TW 107107231 A TW107107231 A TW 107107231A TW 107107231 A TW107107231 A TW 107107231A TW 201839704 A TW201839704 A TW 201839704A
- Authority
- TW
- Taiwan
- Prior art keywords
- damage
- component
- vehicle
- image
- type
- Prior art date
Links
- 230000006378 damage Effects 0.000 title claims abstract description 332
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012423 maintenance Methods 0.000 claims abstract description 88
- 238000012545 processing Methods 0.000 claims abstract description 40
- 230000008439 repair process Effects 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 23
- 208000027418 Wounds and injury Diseases 0.000 description 16
- 230000006870 function Effects 0.000 description 16
- 208000014674 injury Diseases 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 230000006872 improvement Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 206010039203 Road traffic accident Diseases 0.000 description 7
- 230000003902 lesion Effects 0.000 description 7
- 238000003672 processing method Methods 0.000 description 7
- 230000005291 magnetic effect Effects 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 208000004221 Multiple Trauma Diseases 0.000 description 3
- 208000023637 Multiple injury Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000010422 painting Methods 0.000 description 3
- 238000006748 scratching Methods 0.000 description 3
- 230000002393 scratching effect Effects 0.000 description 3
- 239000007795 chemical reaction product Substances 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007790 scraping Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/443—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 by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Biodiversity & Conservation Biology (AREA)
Abstract
本發明的實施例揭示了一種基於圖像的車輛定損方法、裝置及電子設備。所述方法包括獲取車輛部件對應的部件圖像;透過建構的部件損傷識別模型來檢測所述部件圖像,確定所述車輛部件的損傷部位和損傷類型;基於包括所述車輛部件的損傷部位和損傷類型的資訊而產生所述車輛部件的維修方案結果。利用本發明各個實施例,可以快速、準確、可靠地進行車輛定損處理,快速提供給用戶定損維修方案,大大提高用戶服務體驗。
Description
本發明屬於電腦圖像資料處理技術領域,尤其有關一種基於圖像的車輛定損方法、裝置及電子設備。
在發生交通事故後,常常需要等待保險公司的理賠員到現場處理,透過拍照等獲取理賠依據。隨著近年來機動車保有量的增加,每年的交通事故數量一直處於高位狀。而車輛理賠定損業務的處理常常需要依賴專業保險工作人員的人力現場處理,成本高、等待週期長,處理效率低。 目前業內有一些利用交通事故現場圖像來進行自動分析得到預設車損部位分類的處理方式。例如申請公開號為“CN105678622A”、發明名稱為“車險理賠照片的分析方法及系統”揭示一種演算法利用習知卷積神經網路(CNN)對移動終端上傳的理賠照片進行分析,識別出損傷部位分類,並基於分析結果而產生提醒資訊。但上述方式僅僅是簡單的確定出車損部位的分類,如車前方、車側面、車尾等,沒有識別出具體的損傷類型。識別出的損傷部位的提醒資訊主要是用於保險公司的工作人員拿來和人工定損進行人工的對比,作為參考資訊幫助保險公司的工作人員進行定損核算。另外,其演算法只使用CNN通用的物體識別演算法,最終車輛定損的結果還是依靠人工核定,人力和時間成本較大,並且不同保險公司車損核定標準不統一,加上人的主觀因素影響,車輛定損結果的差異較大,可靠性較低。
本發明之目的在於提供一種基於圖像的車輛定損方法、裝置及電子設備,可以快速、準確、可靠地檢測出車輛部件的損傷部位和程度等的具體資訊,並且定損結果更準確可靠,提供給用戶維修方案資訊,快速高效地進行車輛定損處理,大大提高用戶服務體驗。 本發明提供的一種基於圖像的車輛定損方法、裝置及電子設備是這樣實現的: 一種基於圖像的車輛定損方法,所述方法包括: 獲取車輛部件對應的部件圖像; 透過建構的部件損傷識別模型來檢測所述部件圖像,確定所述車輛部件的損傷部位和損傷類型; 基於包括所述車輛部件的損傷部位和損傷類型的資訊而產生所述車輛部件的維修方案結果。 一種基於圖像的車輛定損裝置,所述裝置包括: 圖像獲取模組,用以獲取車輛部件對應的部件圖像; 檢測模組,用以儲存建構的部件損傷識別模型,以及透過所述部件損傷識別模型來檢測所述部件圖像,確定所述車輛部件的損傷部位和損傷類型; 定損處理模組,用以基於包括所述車輛部件的損傷部位和損傷類型的資訊而產生所述車輛部件的維修方案結果。 一種基於圖像的車輛定損裝置,包括處理器以及用以儲存處理器可執行指令的記憶體,所述處理器執行所述指令時實現: 獲取車輛部件對應的部件圖像; 透過建構的部件損傷識別模型來檢測所述部件圖像,確定所述車輛部件的損傷部位和損傷類型; 基於包括所述車輛部件的損傷部位和損傷類型的資訊而產生所述車輛部件的維修方案結果。 一種電腦可讀儲存媒體,其上儲存有電腦指令,所述指令被執行時實現以下步驟: 獲取車輛部件對應的部件圖像; 透過建構的部件損傷識別模型來檢測所述部件圖像,確定所述車輛部件的損傷部位和損傷類型; 基於包括所述車輛部件的損傷部位和損傷類型的資訊而產生所述車輛部件的維修方案結果。 一種電子設備,包括處理器以及用以儲存處理器可執行指令的記憶體,所述處理器執行所述指令時實現: 獲取車輛部件對應的部件圖像; 透過建構的部件損傷識別模型來檢測所述部件圖像,確定所述車輛部件的損傷部位和損傷類型; 基於包括所述車輛部件的損傷部位和損傷類型的資訊而產生所述車輛部件的維修方案結果。 本發明提供的一種基於圖像的車輛定損方法、裝置及電子設備,可以建構損傷部位和類型等信息識別更全面、結果更可靠的訓練模型,透過該模型能檢測出車輛部件的受損部位和損傷部位對應的損傷類型,從而得到車輛部件準確、全面的定損所需的資訊。進一步的,本發明實施方案利用包括識別出的損傷部位和損傷類型的資訊產生車輛部件的維修方案,為保險作業人員和車主用戶提供更為準確、可靠、有實際參考價值的定損資訊。本發明實施方案可以基於具體的車損資訊、車輛部件價格庫以及維修處理方式等自動產生維修方案,可以滿足保險公司或車主用戶快速、全面、準確可靠的車輛定損處理需求,提高車輛定損處理結果的準確性和可靠性,提高用戶服務體驗。
為了使本技術領域的人員更佳地理解本發明中的技術方案,下面將結合本發明之實施例中的附圖,對本發明實施例中的技術方案進行清楚、完整地描述,顯然,所描述的實施例僅僅是本發明的一部分實施例,而不是全部的實施例。基於本發明中的實施例,本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例,都應當屬於本發明保護的範圍。 圖1是本發明所述一種基於圖像的車輛定損方法一個實施例的方法流程圖。雖然本發明提供了如下述實施例或附圖所示的方法操作步驟或裝置結構,但基於習知或者無需創造性的勞動在所述方法或裝置中可以包括更多或者部分合併後更少的操作步驟或模組單元。在邏輯性上不存在必要因果關係的步驟或結構中,這些步驟的執行順序或裝置的模組結構不限於本發明之實施例或附圖所示的執行順序或模組結構。所述的方法或模組結構之在實際中的裝置、伺服器或終端產品應用時,可以按照實施例或者附圖所示的方法或模組結構來進行順序執行或者並行執行(例如,並行處理器或者多線程處理的環境、甚至包括分散式處理、伺服器集群的實施環境)。 在現有的實際交通事故處理中,例如刮擦事故等,常常需要等待保險公司的理賠員到現場拍照後才能撤離現場,因此經常會導致交通堵塞,且浪費大量的時間,並定損結果的資訊獲取週期較長。而利用本發明實施方案在發生交通事故時,涉事車主往往想要知道自己或對方車輛的損失或理賠情況,此時可以自己拍下交通事故現場的圖像,一方面可以作為現場證據,另一方面可以利用拍攝將圖像透過終端APP進行自主的車損估算損失、理賠情況等。滿足涉事車主用戶快速、全面、準確可靠的得到車輛定損處理需求。 為了清楚起見,下述實施例以具體的一個車主用戶利用移動終端APP(application,應用程式)請求車輛定損服務的應用情況進行說明。在本實施例應用情況中,車主用戶在交通事故現場可以透過移動終端(如手機)對車輛受損位置進行拍攝,然後透過終端應用上傳拍攝獲得的照片(圖像)。車主用戶在上傳照片時可以選擇或輸入是車輛的哪個部件的資訊,例如前保險桿、左前門、後尾燈等中的一項。雲端伺服器獲取用戶上傳的車輛單一部件的圖片後,透過機器學習演算法識別出圖片中車輛部件的損傷部位和損傷類型,然後可以設計一個規則引擎,根據車型、所在地、修理廠等的維修策略資訊,調用不同的價格庫,最終產生至少一個車輛部件的維修方案。這個維修方案可以返回給車主用戶,車主用戶則可以快速獲取車輛定損結果。當然,如果用戶為保險公司作業人員,則可以返回給保險公司側或直接顯示維修方案的結果。但是,本領域技術人員能夠理解到,可以將本方案的實質精神應用到車輛定損的其他實施情況中,如保險公司或修理廠的自動車輛定損,或者4S門店、其他伺服器提供的自助車輛定損服務等。 具體的一種實施例如圖1所示,本發明提供的一種基於圖像的車輛定損方法的一個實施例中,所述方法可以包括: S1:獲取車輛部件對應的部件圖像。 伺服器可以從用戶端或第三方伺服器(如保險公司的伺服器)獲取車輛的單一部件的部件圖像。在本實施例中,這些部件圖像可以認為均屬於所述車輛部件的圖像。本實施中所述的部件圖像可以包括各種圖形和影像的總稱,通常指具有視覺效果的畫面,一般可以包括紙媒體上的、底片或照片上的、電視、投影機或電腦螢幕等上的畫面。在本實施例的應用情況中,車主用戶上傳部件圖像時可以指定該部件圖像所屬的部件資訊,例如為前保險桿或左前門或後尾燈的部件圖像。當然,用戶端或伺服器側可以為獲取的部件圖像打上相應的車輛部件的標記資訊。所述的車輛部件通常是指車輛上的部件,如前保險桿,左前門,後尾燈等。 在可選的實施例中,還可以判斷所述部件圖像的圖像品質是否達到設定的處理要求,若圖像品質較差,如照片模糊無法識別,則可以棄用該部件圖像,並回饋到移動終端APP提示用戶拍攝圖像時注意對焦,光照等影響清晰度因素。 S2:透過建構的部件損傷識別模型來檢測所述部件圖像,確定所述車輛部件的損傷部位和損傷類型。 雲端伺服器側獲取部件圖像後,可以利用預先建構的部件損傷識別模型對所述部件圖像進行檢測,識別出圖像中車輛部件的損傷部位和損傷類型。本實施例中所述的損傷部位通常是指車輛上有損傷的一個部位。一個受損的車輛部件可能包含多個受損部位,每個損傷部位對應有損傷類型(如重度刮擦、輕度變形等)。本實施例可以檢測待處理圖像中有損傷部位的位置區域,可以對該位置區域進行檢測,識別出損傷類型。本實施例中所述的損傷類型可以包括輕度刮擦、重度刮擦、輕度變形、中度變形、重度變形、破損、需拆解檢查等類型。 在本實施例中,可以預先採用設計的機器學習演算法來建構用以識別圖像中車輛部件損傷部位和損傷類型的部件損傷識別模型。該部件損傷識別模型經過樣本訓練後,可以識別出所述部件圖像中車輛部件的損傷部位和損傷類型。在本實施例中,所述的部件損傷識別模型可以採用深度神經網路的一些網路模型或者變種的網路模型,經過樣本圖像訓練後建構產生。本發明提供的所述方法的另一個實施例中,可以基於卷積神經網路(Convolutional Neural Network,CNN)和區域建議網路(Region Proposal Network,RPN),結合池化層、全連接層等來建構所述部件損傷識別模型。因此,本發明所述方法的另一個實施例中,所述部件損傷識別模型包括: S201:基於卷積層和區域建議層的網路模型,經過樣本資料訓練後建構產生的深度神經網路。 卷積神經網路一般指以卷積層(CNN)為主要結構並結合其他如啟動層等組成的神經網路,主要用於圖像識別。本實施例中所述的深度神經網路可以包括卷積層和其他重要的層(如池化層,資料歸一化層,啟動層等),並結合區域建議網路(RPN)而共同組建產生。卷積神經網路通常是將圖像處理中的二維離散卷積運算和人工神經網路相結合。這種卷積運算可以用來自動提取特徵。區域建議網路(RPN)可以將一個圖像(任意大小)提取的特徵作為輸入(可以使用卷積神經網路提取的二維特徵),輸出矩形目標建議框的集合,每個框有一個物件的得分。為避免混淆,本實施例中可以把使用的卷積神經網路(CNN) 稱為卷積層(CNN)、區域建議網路(RPN)稱為區域建議層(RPN)。本發明之其他的實施例中,所述的部件損傷識別模型還可以包括基於所述卷積神經網路改進後的或區域建議網路改進後的變種網路模型,經過樣本資料訓練後建構產生的深度卷積神經網路。 上述實施例中使用的模型和演算法可以選擇同類模型或者演算法。具體地,例如部件識別模型中,可以使用基於卷積神經網路和區域建議網路的多種模型和變種,如Faster R-CNN、YOLO、 Mask-FCN等。其中的卷積神經網路(CNN)可以用任意CNN模型,如ResNet,、Inception、VGG等及其變種。通常神經網路中的卷積網路(CNN)部分可以使用在物體識別取得較好效果的成熟網路結構,如Inception、ResNet等網路,如ResNet網路,輸入為一張圖片,輸出為多個含有損傷部位的圖片區域,和對應的損傷分類(損傷分類用來確定損傷類型)和置信度(置信度為表示損傷類型真實性程度的參量)。faster R-CNN、YOLO、Mask-FCN等都是屬於本實施例可以使用的包含卷積層的深度神經網路。本實施例使用的深度神經網路結合區域建議層和CNN層能檢測出受損部位、損傷類型和受損部位在所述部件圖像中所處的位置區域。 需要說明的是,本發明的一個實施方式中,可以採用單獨的演算法伺服器來檢測所述部件圖像,識別部件圖像中車輛部件的損傷部位和損傷類型,如設置一個業務伺服器,用以獲取車輛部件的部件圖像和輸出維修方案結果,同時還可以設置一個演算法伺服器,儲存有建構的部件損傷識別模型,對業務伺服器的部件圖像進行檢測識別,確定車輛部件的損傷部位和損傷類型。當然,上述所述的處理也可以由同一個伺服器來執行完成。 S3:基於包括所述車所述車輛部件的損傷部位和損傷類型的資訊而產生所述車輛部件的維修方案結果。 演算法伺服器在確定所述車輛部件的損傷部位和損傷類型後,可以根據上述資訊按照預設的處理規則而產生所述車輛部件的維修方案結果。如A1廠商2016年B1型號車左前葉子板:輕度變形:需鈑金處理;A2廠商2010年B2型號車左前車門:重度刮擦並且重度變形:需更換處理;A3廠商2013年B3型號車前保險桿:輕度刮擦:需噴漆處理;左前燈:需要拆解檢查等。 本發明所述方法的另一個實施例中,為了滿足用戶對車輛定損中費用價格的資訊需求,所述的維修方案結果中還可以包括針對車輛部件維修的預估修改價格的資訊,以使用戶得知修改費用資訊,選擇更適合的維修處理方式,滿足用戶需要,提高用戶體驗。因此,本發明所述方法的另一個實施例中,所述方法還可以包括: S300:獲取所述車輛部件的維修策略的資訊; 相應地,所述維修方案結果還可以包括對應於所述維修策略的預估維修價格;所述預估維修價格根據包括所述車輛部件的損傷部位、損傷類型、維修策略的資訊,並查詢對應於所述維修策略中車輛部件的產品和/或維修服務的價格資料後,計算得到的所述車輛部件的預估維修價格。 圖2是本發明所述方法另一個實施例的方法流程示意圖。在具體的實現方式上,可以設計一個計算規則,根據車輛部件所述歸屬的車型、選擇的車輛部件的維修地、修理廠(4S點還是普通綜合修理廠)等的維修策略的資訊,調用不同的價格庫,產生所述車輛部件的包括預維修處理方式和對應的預估維修價格的維修方案結果。所述的維修策略的資訊可以透過用戶選取來確定,例如用戶可以選擇維修地點(如市級或區級劃分)、在4S店還是綜合修理廠,輸入車品牌、型號,然後演算法伺服器可以根據該車輛部件的維修策略資訊和識別出的損傷部位和損傷類型而得到類似如下的維修方案結果: A3廠商2013年B3型號車前保險桿,輕度刮擦,需噴漆處理;預估本地4S店維修費用為:600元。 當然,在其他的實施方式中,也可以根據傳統車險公司理賠經驗整理出車輛事故現場受損部件、受損類型、受損程度等資訊,結合4S店修復工時、費用等資訊來建立引擎模組。當實際處理應用識別出車輛部件的受損部位和受損類型時,可以調用引擎模組,輸出車輛部件的定損結果。 上述中所述的維修策略的資訊可以被修改更換。如用戶可以選擇在4S店維修,此時對應一個維修策略,相應地會對應一個維修方案結果。如果用戶更換為在綜合修理廠維修,則對應另一個維修策略,相應地也會產生另一個維修方案結果。 需要理解的是,通常所述的定損可以包括核損和核價兩個資訊。在本發明的實施例中,輸出的車輛部件的維修方案結果如果不包括維修費用的資訊,則可以歸屬為核損部分,如果包括維修費用的資訊,則可以認為核損和核價均做了計算處理。上述兩種維修方案結果均屬於車輛定損的處理。 利用本發明之實施例提供的一種基於圖像的車輛定損方法,可以建構損傷部位和類型等資訊識別更全面、結果更可靠地訓練模型,透過該模型能檢測出車輛部件的受損部位和每個損傷部位對應的損傷類型,從而得到車輛部件準確、全面的定損所需的資訊。進一步地,本發明的實施方案利用包括識別出的損傷部位和損傷類型的資訊而產生車輛部件的維修方案,為保險作業人員和車主用戶提供更為準確、可靠、有實際參考價值的定損資訊。本發明的一些實施方案可以基於更為具體的車損資訊、車輛部件價格庫以及維修處理方式等而自動產生維修方案和預估的維修費用,可以滿足保險公司或車主用戶快速、全面、準確可靠的車輛定損處理需求,提高車輛定損處理結果的準確性和可靠性,提高用戶服務體驗。 在另一個實施情況中,獲取的部件圖像可能包括多處受損部位,則本發明所述方法的另一個實施例中,可以設置深度神經網路模型可以分別識別出每個損傷部位以及每個損傷部位的損傷程度(損傷類型)。具體地,在一個實施例中,確認當前處理的部件圖像包括至少兩個損傷部位時,所述部件損傷識別模型被配置成,包括: S200:基於所述部件圖像識別所述車輛部件的損傷部位,以及損傷部位對應的損傷類型; S210:選取所述損傷類型中表示損傷程度最高的損傷類型所對應的損傷部位作為所述車輛部件的損傷部位,相應地,所述損傷程度最高的損傷類型為確定出的所述車輛部件的損傷類型。 通常每個損傷類型對應一種維修方案,如嚴重變形對應於換件,輕度變形需要鈑金,輕微擦傷需要噴漆。對於用戶而言,一個部件最終輸出的可以為一個維修方案,當存在有多處損傷時,以損傷最嚴重的部位的維修方式作為整個部件最終的處理方式。通常車輛上的一個部件是一個整體,多處損傷的話,以最嚴重的損傷的處理較為合理。本實施例可以選取一種維修方案能解決所有損傷,比如一個損傷部位的損傷類型為嚴重損壞,需要換件,另一個損傷部位的損傷類型為中度變形,需要鈑金,則此時可以換件不需要鈑金處理。 上述的實施方式在模型訓練時可以識別出單張部件圖像上多個損傷部位。具體地在樣本訓練時,輸入為一張圖片,輸出為多個圖片區域,和對應的損傷分類。選取的神經網路的參數可以透過使用打標資料來進行小批次梯度下降(mini-batch gradient descent)訓練得到,比如mini-batch = 32時,同時32張訓練圖片作為輸入來訓練。打標資料標注了區域和對應類型的圖片,可以透過對真實車損圖片進行人工打標而獲得。這個神經網路的輸入為一張圖片,輸出的區域和圖片中包含損傷部位個數有關。具體地,例如如果有一個損傷部位,輸出一個圖片區域;如果有k個損傷部位,則可以輸出k個圖片區域;如果沒有損傷部位,則輸出0個圖片區域。 在定損處理中,部件圖像輸入這個神經網路。如果存在有多個損傷部位,則檢測到多個包含損傷部位的圖片區域,檢測所述圖片區域,確定所述圖片區域的損傷類型,分別輸出每個圖片區域對應的損傷部位和損傷類型。進一步地,本實施例中可以選取所述損傷類型中表示損傷程度最高的損傷類型所對應的損傷部位作為所述車輛部件的損傷部位。相應地,所述損傷程度最高的損傷類型為確定出的所述車輛部件的損傷類型。圖3是本發明一個實施例中提供的用以檢測部件圖像的神經網路的網路結構示意圖。 另一個實施情況中,如果獲取的是某一個單一部件的多張照片,可以從每張圖片分別檢測損傷部位和損傷分類,進而將多張圖片的檢測結果進行綜合,得到更可靠的結果。因此,本發明所述方法的另一個實施例中,若獲取的為所述車輛部件的至少兩個部件圖像,所述透過建構的部件損傷識別模型來檢測所述部件圖像,確定所述車輛部件的損傷部位和損傷類型,包括: S20:利用所述部件損傷識別模型而分別檢測所述部件圖像,確定每個部件圖像的損傷部位和損傷類型; S21:按照預定規則對每個部件圖像對應的損傷部位和損傷類型進行合併篩選,確定出所述車輛部件的損傷部位和損傷類型結果。 上述中所述合併篩選的方式可以自定義的設定。例如對於每個部件圖像的損傷部位和損傷類型的結果,選擇損傷程度最高的損傷類型為最終輸出的所述車輛部件的損傷類型,以及對應的損傷部位。例如獲取的為後保險桿的兩張圖片,一個為側面拍攝的圖片,一個為正面拍攝的圖片。透過識別正面拍攝的圖片得到的結果為後保險桿右側輕微變形,但側面拍攝的圖片得到結果為後保險桿破損,屬於比輕微變形嚴重的損傷類型。由於正面未拍攝全面,而側面拍攝的正好體現了更為真實的後保險桿的破損情況。因此,此時利用本實施例方案將兩張圖片的結果合併,得到後保險桿破損的結果,使得輸出的結果更加可靠。 基於上述所述的基於圖像的車輛定損方法,本發明還提供一種基於圖像的車輛定損裝置。所述的裝置可以包括使用了本發明所述方法的系統(包括分散式系統)、軟體(應用)、模組、元件、伺服器、用戶端等並結合必要的實施硬體的裝置。基於同一個創新構思,本發明提供的一種實施例中的裝置如下面的實施例所述。由於裝置解決問題的實現方案與方法相似,因此本發明具體的裝置的實施可以參見前述方法的實施,重複之處不再贅述。以下所使用的,術語“單元”或者“模組”可以實現預定功能的軟體和/或硬體的組合。儘管以下實施例所描述的裝置較佳地以軟體來實現,但是硬體,或者軟體和硬體的組合的實現也是可能並被構想的。具體的,圖4是本發明提供的一種基於圖像的車輛定損裝置一個實施例的模組結構示意圖,如圖4所示,所述裝置可以包括: 圖像獲取模組101,可以用來獲取車輛部件對應的部件圖像; 檢測模組102,可以用來儲存建構的部件損傷識別模型,以及透過所述部件損傷識別模型來檢測所述部件圖像,確定所述車輛部件的損傷部位和損傷類型; 定損處理模組103,可以用來基於包括所述車輛部件的損傷部位和損傷類型的資訊而產生所述車輛部件的維修方案結果。 參照前述方法所述,所述裝置還可以包括其他的實施方式。例如所述部件損傷識別模型可以為基於卷積層和區域建議層的網路模型,經過樣本資料訓練後建構產生的深度神經網路。或者,還可以包括維修策略獲取模組或者直接透過定損處理模組103實現獲取所述車輛部件的維修策略資訊,並產生包括預估維修價格的維修方案結果等。具體的可以參照前述方法實施例的相關描述,在此不做一一列舉描述。 本發明上述所述的方法或裝置可以透過電腦程式結合必要的硬體實施,可以設置在其中的設備的應用中,基於圖像的車輛定損結果而快速、可靠輸出。因此,本發明還提供一種基於圖像的車輛定損裝置,可以用於伺服器側,可以包括處理器以及用以儲存處理器可執行指令的記憶體,所述處理器執行所述指令時實現: 獲取車輛部件對應的部件圖像; 透過建構的部件損傷識別模型來檢測所述部件圖像,確定所述車輛部件的損傷部位和損傷類型; 基於包括所述車輛部件的損傷部位和損傷類型的資訊而產生所述車輛部件的維修方案結果。 在上述所述裝置具體的實際處理中,還可以包括其他的處理硬體,例如GPU(Graphics Processing Uni,圖形處理單元)。如前述方法所述,在所述裝置的另一個實施例中,所述處理器執行所述指令時還可以實現: 獲取所述車輛部件的維修策略的資訊; 相應地,所述維修方案結果還可以包括對應於所述維修策略的預估維修價格;所述預估維修價格根據包括所述車輛部件的損傷部位、損傷類型、維修策略的資訊,並查詢對應於所述維修策略中車輛部件的產品和/或維修服務的價格資料後,計算得到的所述車輛部件的預估維修價格。 所述裝置的另一個實施例中,所述建構的部件損傷識別模型的指令可以包括基於卷積層和區域建議層的網路模型,經過樣本資料訓練後建構產生的深度神經網路的演算法處理指令。 在所述裝置的另一個實施例中,所述處理器執行所述指令時,若確認當前處理的部件圖像包括至少兩個損傷部位,則執行所述部件損傷識別模型的指令時實現包括: 基於所述部件圖像來識別所述車輛部件的損傷部位,以及損傷部位對應的損傷類型; 選取所述損傷類型中表示損傷程度最高的損傷類型所對應的損傷部位作為所述車輛部件的損傷部位,相應地,所述損傷程度最高的損傷類型為確定出的所述車輛部件的損傷類型。 在所述裝置的另一個實施例中,所述處理器執行所述指令時,若獲取的為所述車輛部件的至少兩個部件圖像,所述處理器透過建構的部件損傷識別模型來檢測所述部件圖像,確定所述車輛部件的損傷部位和損傷類型,包括: 利用所述部件損傷識別模型而分別檢測所述部件圖像,確定每個部件圖像的損傷部位和損傷類型; 按照預定規則對每個部件圖像對應的損傷部位和損傷類型進行合併篩選,確定出所述車輛部件的損傷部位和損傷類型結果。 利用本發明之實施例提供的一種基於圖像的車輛定損裝置,可以建構損傷部位和類型等資訊識別更全面、結果更可靠的訓練模型,透過該模型能檢測出車輛部件的受損部位和每個損傷部位對應的損傷類型,從而得到車輛部件準確、全面的定損所需的資訊。進一步地,本發明的實施方案利用包括識別出的損傷部位和損傷類型的資訊而產生車輛部件的維修方案,為保險作業人員和車主用戶提供更為準確、可靠、有實際參考價值的定損資訊。本發明的一些實施方案可以基於更為具體的車損資訊、車輛部件價格庫以及維修處理方式等自動產生維修方案和預估的維修費用,可以滿足保險公司或車主用戶快速、全面、準確可靠的車輛定損處理需求,提高車輛定損處理結果的準確性和可靠性,提高用戶服務體驗。 本發明上述實施例所述的方法或裝置可以透過電腦程式來實現業務邏輯並記錄在儲存媒體上,所述的儲存媒體可以電腦讀取並執行,以實現本發明實施例所描述方案的效果。因此,本發明還提供一種電腦可讀儲存媒體,其上儲存有電腦指令,所述指令被執行時可以實現以下步驟: 獲取車輛部件對應的部件圖像; 透過建構的部件損傷來識別模型檢測所述部件圖像,確定所述車輛部件的損傷部位和損傷類型; 基於包括所述車輛部件的損傷部位和損傷類型的資訊而產生所述車輛部件的維修方案結果。 所述電腦可讀儲存媒體可以包括用以儲存資訊的物理裝置,通常是將資訊數位化後再以利用電、磁或者光學等方式的媒體來加以儲存。本實施例所述的電腦可讀儲存媒體可以包括:利用電能方式來儲存資訊的裝置如,各式記憶體,如RAM、ROM等;利用磁能方式來儲存資訊的裝置如,硬碟、軟碟、磁帶、磁芯記憶體、磁泡記憶體、U碟;利用光學方式來儲存資訊的裝置如,CD或DVD。當然,還有其他方式的可讀儲存媒體,例如量子記憶體、石墨烯記憶體等等。 上述所述的裝置或方法可以用於圖像處理的電子設備中,實現基於圖像的車輛定損快速處理。所述的電子設備器可以是單獨的伺服器,也可以是多台應用伺服器組成的系統集群,也可以是分散式系統中的伺服器。圖5是本發明提供的一種電子設備一個實施例的結構示意圖。在一個實施例中,所述電子設備可以包括處理器以及用以儲存處理器可執行指令的記憶體,所述處理器執行所述指令時實現: 獲取車輛部件對應的部件圖像; 透過建構的部件損傷識別模型來檢測所述部件圖像,確定所述車輛部件的損傷部位和損傷類型; 基於包括所述車輛部件的損傷部位和損傷類型的資訊而產生所述車輛部件的維修方案結果。 圖6是利用本發明實施方案來進行車輛定損的一個處理情況示意圖。圖6中的用戶端為用戶的移動終端,在其他的實施情況中也可以為PC或其他終端設備。本發明提供的一種基於圖像的車輛定損方法、裝置及電子設備,使用深度學習技術來檢測受損部位和損傷類型,利用圖像匹配方法來精確定位損傷部位,可以使用多圖像檢測結果來提高定損的準確性。圖像檢測技術和車輛部件價格庫以及維修規則相結合而自動產生維修方案和估價。本發明的一些實施方案可以基於更為具體的車損資訊、車輛部件價格庫以及維修處理方式等自動產生維修方案和預估的維修費用,可以滿足保險公司或車主用戶快速、全面、準確可靠的車輛定損處理需求,提高車輛定損處理結果的準確性和可靠性,提高用戶服務體驗。 需要說明的是,雖然上述實施例提供的一些裝置、電子設備、電腦可讀儲存媒體的實施例的描述,但基於前述相關方法或裝置實施例的描述,所述的裝置、電子設備、電腦可讀儲存媒體還可以包括其他的實施方式,具體地可以參照相關方法或裝置實施例的描述,在此不再一一舉例贅述。 儘管本發明內容中提到圖像品質處理、卷積神經網路和區域建議網路以及其組合產生的深度神經網路、預估維修價格的計算方式、同一個部件多個部件圖像的處理方式等等之類的資料模型建構、資料獲取、互動、計算、判斷等描述,但是,本發明並不局限於必須是符合行業通信標準、標準資料模型、電腦處理和儲存規則或本發明實施例所描述的情況。某些行業標準或者使用自定義方式或實施例描述的實施基礎上略加修改後的實施方案也可以實現上述實施例相同、等同或相近、或變形後可預料的實施效果。應用這些修改或變形後的資料獲取、儲存、判斷、處理方式等獲取的實施例,仍然可以屬於本發明的可選實施方案的範圍之內。 在20世紀90年代,對於一個技術的改進可以很明顯地區分是硬體上的改進(例如,對二極體、電晶體、開關等電路結構的改進)還是軟體上的改進(對於方法流程的改進)。然而,隨著技術的發展,當今的很多方法流程的改進已經可以視為硬體電路結構的直接改進。設計人員幾乎都透過將改進的方法流程編程到硬體電路中而得到相應的硬體電路結構。因此,不能說一個方法流程的改進就不能用硬體實體模組來實現。例如,可編程邏輯裝置(Programmable Logic Device, PLD)(例如,現場可編程閘陣列(Field Programmable Gate Array,FPGA))就是這樣一種積體電路,其邏輯功能由用戶對裝置編程來確定。由設計人員自行編程來把一個數位系統“整合”在一片PLD上,而不需要請晶片製造廠商來設計和製作專用的積體電路晶片。而且,如今,取代手工地製作積體電路晶片,這種編程也多半改用“邏輯編譯器(logic compiler)”軟體來實現,它與程式開發撰寫時所用的軟體編譯器相類似,而要編譯之前的原始代碼也得用特定的編程語言來撰寫,此稱之為硬體描述語言(Hardware Description Language,HDL),而HDL也並非僅有一種,而是有許多種,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等,目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)與Verilog。本領域技術人員也應該清楚,只需要將方法流程用上述幾種硬體描述語言稍作邏輯編程並編程到積體電路中,就可以很容易得到實現該邏輯方法流程的硬體電路。 控制器可以按任何適當的方式來實現,例如,控制器可以採取例如微處理器或處理器以及儲存可由該(微)處理器執行的電腦可讀程式碼(例如,軟體或韌體)的電腦可讀媒體、邏輯閘、開關、特殊應用積體電路(Application Specific Integrated Circuit,ASIC)、可編程邏輯控制器和嵌入式微控制器的形式,控制器的例子包括但不限於以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,記憶體控制器還可以被實現為記憶體的控制邏輯的一部分。本領域技術人員也知道,除了以純電腦可讀程式碼方式來實現控制器以外,完全可以透過將方法步驟進行邏輯編程而使得控制器以邏輯閘、開關、特殊應用積體電路、可編程邏輯控制器和嵌入式微控制器等的形式來實現相同功能。因此這種控制器可以被認為是一種硬體部件,而對其內包括的用來實現各種功能的裝置也可以被視為硬體部件內的結構。或者甚至,可以將用來實現各種功能的裝置視為既可以是實現方法的軟體模組又可以是硬體部件內的結構。 上述實施例闡明的系統、裝置、模組或單元,具體可以由電腦晶片或實體來實現,或者由具有某種功能的產品來實現。一種典型的實現設備為電腦。具體地,電腦例如可以為個人電腦、膝上型電腦、車載人機互動設備、蜂巢式電話、相機電話、智慧型電話、個人數位助理、媒體播放器、導航設備、電子郵件設備、遊戲控制臺、平板電腦、可穿戴式設備或者這些設備中的任何設備的組合。 雖然本發明提供了如實施例或流程圖所述的方法操作步驟,但基於習知或者無創造性的手段可以包括更多或者更少的操作步驟。實施例中列舉的步驟順序僅僅為眾多步驟執行順序中的一種方式,不代表唯一的執行順序。在實際中的裝置或終端產品執行時,可以按照實施例或者附圖所示的方法順序執行或者並行執行(例如,並行處理器或者多線程處理的環境,甚至為分散式資料處理環境)。術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含,從而使得包括一系列要素的過程、方法、產品或者設備不僅包括那些要素,而且還包括沒有明確列出的其他要素,或者是還包括為這種過程、方法、產品或者設備所固有的要素。在沒有更多限制的情況下,並不排除在包括所述要素的過程、方法、產品或者設備中還存在有另外的相同或等同要素。 為了描述的方便,描述以上裝置時以功能分為各種模組來分別描述。當然,在實施本發明時可以把各模組的功能在同一個或多個軟體和/或硬體中實現,也可以將實現同一個功能的模組由多個子模組或子單元的組合來實現等。以上所描述的裝置實施例僅僅是示意性的,例如,所述單元的劃分,僅僅為一種邏輯功能劃分,實際實現時可以有另外的劃分方式,例如多個單元或元件可以結合或者可以被整合到另一個系統,或一些特徵可以忽略,或不執行。另一點,所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是透過一些介面,裝置或單元的間接耦合或通信連接,可以是電性,機械或其他的形式。 本領域技術人員也知道,除了以純電腦可讀程式碼方式來實現控制器以外,完全可以透過將方法步驟進行邏輯編程而使得控制器以邏輯閘、開關、特殊應用積體電路、可編程邏輯控制器和嵌入式微控制器等的形式來實現相同功能。因此這種控制器可以被認為是一種硬體部件,而對其內部包括的用來實現各種功能的裝置也可以視為硬體部件內的結構。或者甚至,可以將用來實現各種功能的裝置視為既可以是實現方法的軟體模組又可以是硬體部件內的結構。 本發明是參照根據本發明實施例的方法、設備(系統)、和電腦程式產品的流程圖和/或方塊圖來描述的。應理解可由電腦程式指令來實現流程圖和/或方塊圖中的每一個流程和/或方塊、以及流程圖和/或方塊圖中的流程和/或方塊的結合。可提供這些電腦程式指令到通用電腦、專用電腦、嵌入式處理機或其他可編程資料處理設備的處理器以產生一個機器,使得透過電腦或其他可編程資料處理設備的處理器執行的指令產生用來實現在流程圖中的一個流程或多個流程和/或方塊圖中的一個方塊或多個方塊中指定的功能的裝置。 這些電腦程式指令也可被儲存在能引導電腦或其他可編程資料處理設備以特定方式操作的電腦可讀記憶體中,使得儲存在該電腦可讀記憶體中的指令產生包括指令裝置的製造品,該指令裝置實現在流程圖中的一個流程或多個流程和/或方塊圖中的一個方塊或多個方塊中指定的功能。 這些電腦程式指令也可被裝載到電腦或其他可編程資料處理設備上,使得在電腦或其他可編程設備上執行一系列操作步驟以產生電腦實現的處理,從而在電腦或其他可編程設備上執行的指令提供用來實現在流程圖中的一個流程或多個流程和/或方塊圖中的一個方塊或多個方塊中指定的功能的步驟。 在一個典型的配置中,計算設備包括一個或多個處理器(CPU)、輸入/輸出介面、網路介面和記憶體。 記憶體可能包括電腦可讀媒體中的非永久性記憶體,隨機存取記憶體(RAM)和/或非易失性記憶體等形式,如唯讀記憶體(ROM)或快閃記憶體(flash RAM)。記憶體是電腦可讀媒體的示例。 電腦可讀媒體包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存媒體的例子包括,但不限於相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電可擦除可編程唯讀記憶體(EEPROM)、快閃記憶體或其他記憶體技術、唯讀光碟唯讀記憶體(CD-ROM)、數位多功能光碟(DVD)或其他光學儲存、磁盒式磁帶,磁帶磁碟片儲存或其他磁性儲存設備或任何其他非傳輸媒體,可用來儲存可以被計算設備訪問的資訊。按照本文中的界定,電腦可讀媒體不包括暫態性電腦可讀媒體(transitory media),如調變的資料信號和載波。 本領域技術人員應明白,本發明的實施例可提供為方法、系統或電腦程式產品。因此,本發明可採用完全硬體實施例、完全軟體實施例或結合軟體和硬體態樣的實施例的形式。而且,本發明可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。 本發明可以在由電腦執行的電腦可執行指令的一般上下文中描述,例如程式模組。一般地,程式模組包括執行特定任務或實現特定抽象資料類型的常式、程式、物件、元件、資料結構等等。也可以在分散式計算環境中實踐本發明,在這些分散式計算環境中,由透過通信網路而被連接的遠端處理設備來執行任務。在分散式計算環境中,程式模組可以位於包括儲存設備在內的本地和遠端電腦儲存媒體中。 本說明書中的各個實施例均採用漸進的方式來描述,各個實施例之間相同相似的部分互相參見即可,每個實施例重點說明的都是與其他實施例的不同之處。尤其,對於系統實施例而言,由於其基本上類似於方法實施例,所以描述的比較簡單,相關之處參見方法實施例的部分說明即可。在本說明書的描述中,參考術語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結合該實施例或示例描述的具體特徵、結構、材料或者特點包含於本發明的至少一個實施例或示例中。在本說明書中,對上述術語的示意性表述不必須針對的是相同的實施例或示例。而且,描述的具體特徵、結構、材料或者特點可以在任一個或多個實施例或示例中以合適的方式結合。此外,在不相互矛盾的情況下,本領域的技術人員可以將本說明書中描述的不同實施例或示例以及不同實施例或示例的特徵進行結合和組合。 以上所述僅為本發明的實施例而已,並不用來限制本發明。對於本領域技術人員來說,本發明可以有各種更改和變化。凡在本發明的精神和原理之內所作的任何修改、等同替換、改進等,均應包含在本發明的申請專利範圍的範疇之內。
101‧‧‧圖像獲取模組
102‧‧‧檢測模組
103‧‧‧定損處理模組
為了更清楚地說明本發明實施例或現有技術中的技術方案,下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹,顯而易見地,下面描述中的附圖僅僅是本發明中記載的一些實施例,對於本領域普通技術人員來講,在不付出創造性勞動性的前提下,還可以根據這些附圖而獲得其他的附圖。 圖1是本發明所述一種基於圖像的車輛定損方法一個實施例的方法流程示意圖; 圖2是本發明所述一種基於圖像的車輛定損方法另一個實施例的方法流程示意圖; 圖3是本發明的一個實施例中提供的用以識別部件圖像的神經網路的網路結構示意圖; 圖4是本發明提供的一種基於圖像的車輛定損裝置一個實施例的模組結構示意圖; 圖5是本發明提供的一種電子設備一個實施例的結構示意圖; 圖6是利用本發明實施方案來進行車輛定損的一個處理情況示意圖。
Claims (13)
- 一種基於圖像的車輛定損方法,其特徵在於,該方法包括: 獲取車輛部件對應的部件圖像; 透過建構的部件損傷識別模型來檢測該部件圖像,確定該車輛部件的損傷部位和損傷類型;以及 基於包括該車輛部件的損傷部位和損傷類型的資訊而產生該車輛部件的維修方案結果。
- 如申請專利範圍第1項所述的基於圖像的車輛定損方法,其中,該方法還包括: 獲取該車輛部件的維修策略的資訊;以及 相應地,該維修方案結果還可以包括對應於該維修策略的預估維修價格;該預估維修價格根據包括該車輛部件的損傷部位、損傷類型、維修策略的資訊,並查詢對應於該維修策略中車輛部件的產品和/或維修服務的價格資料後,計算得到的該車輛部件的預估維修價格。
- 如申請專利範圍第1項所述的基於圖像的車輛定損方法,其中,該部件損傷識別模型包括: 基於卷積層和區域建議層的網路模型,經過樣本資料訓練後建構產生的深度神經網路。
- 如申請專利範圍第2或3項所述的基於圖像的車輛定損方法,其中,若確認當前處理的部件圖像包括至少兩個損傷部位時,該部件損傷識別模型被配置成包括: 基於該部件圖像來識別該車輛部件的損傷部位,以及損傷部位對應的損傷類型;以及 選取該損傷類型中表示損傷程度最高的損傷類型所對應的損傷部位作為該車輛部件的損傷部位,相應地,該損傷程度最高的損傷類型為確定出的該車輛部件的損傷類型。
- 如申請專利範圍第4項所述的基於圖像的車輛定損方法,其中,若獲取的為該車輛部件的至少兩個部件圖像,該透過建構的部件損傷識別模型來檢測該部件圖像,確定該車輛部件的損傷部位和損傷類型,包括: 利用該部件損傷識別模型而分別檢測該部件圖像,確定每個部件圖像的損傷部位和損傷類型;以及 按照預定規則對每個部件圖像對應的損傷部位和損傷類型進行合併篩選,確定出該車輛部件的損傷部位和損傷類型結果。
- 一種基於圖像的車輛定損裝置,其特徵在於,該裝置包括: 圖像獲取模組,用以獲取車輛部件對應的部件圖像; 檢測模組,用以儲存建構的部件損傷識別模型,以及透過該部件損傷識別模型來檢測該部件圖像,確定該車輛部件的損傷部位和損傷類型;以及 定損處理模組,用以基於包括該車輛部件的損傷部位和損傷類型的資訊而產生該車輛部件的維修方案結果。
- 一種基於圖像的車輛定損裝置,其特徵在於,包括處理器以及用以儲存處理器可執行指令的記憶體,該處理器執行該指令時實現: 獲取車輛部件對應的部件圖像; 透過建構的部件損傷識別模型來檢測該部件圖像,確定該車輛部件的損傷部位和損傷類型;以及 基於包括該車輛部件的損傷部位和損傷類型的資訊而產生該車輛部件的維修方案結果。
- 如申請專利範圍第7項所述的基於圖像的車輛定損裝置,其中,該處理器執行該指令時還實現: 獲取該車輛部件的維修策略的資訊;以及 相應地,該維修方案結果還可以包括對應於該維修策略的預估維修價格;該預估維修價格根據包括該車輛部件的損傷部位、損傷類型、維修策略的資訊,並查詢對應於該維修策略中車輛部件的產品和/或維修服務的價格資料後,計算得到的該車輛部件的預估維修價格。
- 如申請專利範圍第7項所述的基於圖像的車輛定損裝置,其中,該建構的部件損傷識別模型的指令包括基於卷積層和區域建議層的網路模型,經過樣本資料訓練後建構產生的深度神經網路的演算法處理指令。
- 如申請專利範圍第8或9項所述的基於圖像的車輛定損裝置,其中,該處理器執行該指令時,若確認當前處理的部件圖像包括至少兩個損傷部位,則執行該部件損傷識別模型的指令時實現包括: 基於該部件圖像來識別該車輛部件的損傷部位,以及損傷部位對應的損傷類型;以及 選取該損傷類型中表示損傷程度最高的損傷類型所對應的損傷部位作為該車輛部件的損傷部位,相應地,該損傷程度最高的損傷類型為確定出的該車輛部件的損傷類型。
- 如申請專利範圍第10項所述的基於圖像的車輛定損裝置,其中,該處理器執行該指令時,若獲取的為該車輛部件的至少兩個部件圖像,則該處理器透過建構的部件損傷識別模型來檢測該部件圖像,確定該車輛部件的損傷部位和損傷類型,包括: 利用該部件損傷識別模型而分別檢測該部件圖像,確定每個部件圖像的損傷部位和損傷類型;以及 按照預定規則對每個部件圖像對應的損傷部位和損傷類型進行合併篩選,確定出該車輛部件的損傷部位和損傷類型結果。
- 一種電腦可讀儲存媒體,其上儲存有電腦指令,其特徵在於,該指令被執行時實現以下步驟: 獲取車輛部件對應的部件圖像; 透過建構的部件損傷識別模型來檢測該部件圖像,確定該車輛部件的損傷部位和損傷類型;以及 基於包括該車輛部件的損傷部位和損傷類型的資訊而產生該車輛部件的維修方案結果。
- 一種電子設備,其特徵在於,包括處理器以及用以儲存處理器可執行指令的記憶體,該處理器執行該指令時實現: 獲取車輛部件對應的部件圖像; 透過建構的部件損傷識別模型來檢測該部件圖像,確定該車輛部件的損傷部位和損傷類型;以及 基於包括該車輛部件的損傷部位和損傷類型的資訊而產生該車輛部件的維修方案結果。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710233657.6A CN107392218B (zh) | 2017-04-11 | 2017-04-11 | 一种基于图像的车辆定损方法、装置及电子设备 |
CN201710233657.6 | 2017-04-11 | ||
??201710233657.6 | 2017-04-11 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201839704A true TW201839704A (zh) | 2018-11-01 |
TWI726194B TWI726194B (zh) | 2021-05-01 |
Family
ID=60338712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107107231A TWI726194B (zh) | 2017-04-11 | 2018-03-05 | 基於圖像的車輛定損方法、裝置及電子設備 |
Country Status (8)
Country | Link |
---|---|
US (2) | US20180293664A1 (zh) |
EP (1) | EP3520051A1 (zh) |
JP (2) | JP6859505B2 (zh) |
KR (1) | KR102270499B1 (zh) |
CN (1) | CN107392218B (zh) |
PH (1) | PH12019500977A1 (zh) |
SG (1) | SG11201903836QA (zh) |
TW (1) | TWI726194B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI726364B (zh) * | 2018-12-29 | 2021-05-01 | 開曼群島商創新先進技術有限公司 | 電腦執行的車輛定損方法及裝置 |
TWI770420B (zh) * | 2019-03-07 | 2022-07-11 | 開曼群島商創新先進技術有限公司 | 車輛事故的鑑定方法及裝置、電子設備 |
Families Citing this family (91)
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 |
CN107392218B (zh) | 2017-04-11 | 2020-08-04 | 创新先进技术有限公司 | 一种基于图像的车辆定损方法、装置及电子设备 |
WO2019021729A1 (ja) * | 2017-07-25 | 2019-01-31 | 富士フイルム株式会社 | 損傷図作成方法、損傷図作成装置、損傷図作成システム、及び記録媒体 |
CN107977895A (zh) * | 2017-12-08 | 2018-05-01 | 北京小米移动软件有限公司 | 车辆损毁信息的确定方法、装置及用户设备 |
CN108205758A (zh) * | 2017-12-12 | 2018-06-26 | 北京好修科技有限公司 | 一种信息获取方法及其应用服务器、*** |
CN108234604A (zh) * | 2017-12-12 | 2018-06-29 | 北京好修科技有限公司 | 一种信息获取方法及其应用服务器、*** |
CN108197658B (zh) * | 2018-01-11 | 2020-08-14 | 阿里巴巴集团控股有限公司 | 图像标注信息处理方法、装置、服务器及*** |
CN108399382A (zh) * | 2018-02-13 | 2018-08-14 | 阿里巴巴集团控股有限公司 | 车险图像处理方法和装置 |
CN108550080A (zh) | 2018-03-16 | 2018-09-18 | 阿里巴巴集团控股有限公司 | 物品定损方法及装置 |
CN110634120B (zh) * | 2018-06-05 | 2022-06-03 | 杭州海康威视数字技术股份有限公司 | 一种车辆损伤判别方法及装置 |
CN108985343B (zh) * | 2018-06-22 | 2020-12-25 | 深源恒际科技有限公司 | 基于深度神经网络的汽车损伤检测方法和*** |
CN109101610A (zh) * | 2018-08-03 | 2018-12-28 | 百度在线网络技术(北京)有限公司 | 用于ar场景的车辆定损方法、装置、设备及存储介质 |
GB201813348D0 (en) * | 2018-08-15 | 2018-09-26 | So Sure Ltd | Assessing condition of real-world objects |
CN110570513B (zh) * | 2018-08-17 | 2023-06-20 | 创新先进技术有限公司 | 一种展示车损信息的方法和装置 |
CN109242006A (zh) * | 2018-08-23 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 基于车型分类的识别车辆损伤的方法及装置 |
CN110569856B (zh) * | 2018-08-24 | 2020-07-21 | 阿里巴巴集团控股有限公司 | 样本标注方法及装置、损伤类别的识别方法及装置 |
CN110569837B (zh) * | 2018-08-31 | 2021-06-04 | 创新先进技术有限公司 | 优化损伤检测结果的方法及装置 |
CN110570317B (zh) * | 2018-08-31 | 2023-06-20 | 创新先进技术有限公司 | 用于车辆核损的方法及装置 |
CN113190013B (zh) * | 2018-08-31 | 2023-06-27 | 创新先进技术有限公司 | 控制终端运动的方法和装置 |
CN110569696A (zh) * | 2018-08-31 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 用于车辆部件识别的神经网络***、方法和装置 |
CN109271908B (zh) * | 2018-09-03 | 2022-05-13 | 创新先进技术有限公司 | 车损检测方法、装置及设备 |
CN110567728B (zh) * | 2018-09-03 | 2021-08-20 | 创新先进技术有限公司 | 用户拍摄意图的识别方法、装置及设备 |
CN110569864A (zh) * | 2018-09-04 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 基于gan网络的车损图像生成方法和装置 |
CN110570435B (zh) * | 2018-09-10 | 2020-06-26 | 阿里巴巴集团控股有限公司 | 用于对车辆损伤图像进行损伤分割的方法及装置 |
CN110570389B (zh) * | 2018-09-18 | 2020-07-17 | 阿里巴巴集团控股有限公司 | 车辆损伤识别方法及装置 |
JPWO2020071559A1 (ja) * | 2018-10-05 | 2021-10-07 | Arithmer株式会社 | 車両状態判定装置、その判定プログラムおよびその判定方法 |
CN109359676A (zh) * | 2018-10-08 | 2019-02-19 | 百度在线网络技术(北京)有限公司 | 用于生成车辆损伤信息的方法和装置 |
CN110045382A (zh) * | 2018-12-03 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 车辆损伤检测的处理方法、装置、设备、服务器和*** |
CN109900702A (zh) * | 2018-12-03 | 2019-06-18 | 阿里巴巴集团控股有限公司 | 车辆损伤检测的处理方法、装置、设备、服务器和*** |
CN109670545B (zh) * | 2018-12-13 | 2023-08-11 | 北京深智恒际科技有限公司 | 由粗到细的车辆图像定损方法 |
US20200194108A1 (en) | 2018-12-13 | 2020-06-18 | Rutgers, The State University Of New Jersey | Object detection in medical image |
US11989710B2 (en) | 2018-12-19 | 2024-05-21 | Ecoatm, Llc | Systems and methods for vending and/or purchasing mobile phones and other electronic devices |
US11741763B2 (en) * | 2018-12-26 | 2023-08-29 | Allstate Insurance Company | Systems and methods for system generated damage analysis |
KR102097120B1 (ko) * | 2018-12-31 | 2020-04-09 | 주식회사 애자일소다 | 딥러닝 기반의 자동차 부위별 파손정도 자동 판정 시스템 및 방법 |
CN109741197A (zh) * | 2019-01-03 | 2019-05-10 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的交通事故自助定损*** |
CN109784489B (zh) * | 2019-01-16 | 2021-07-30 | 北京大学软件与微电子学院 | 基于fpga的卷积神经网络ip核 |
US10430691B1 (en) * | 2019-01-22 | 2019-10-01 | StradVision, Inc. | Learning method and learning device for object detector based on CNN, adaptable to customers' requirements such as key performance index, using target object merging network and target region estimating network, and testing method and testing device using the same to be used for multi-camera or surround view monitoring |
WO2020172190A1 (en) * | 2019-02-18 | 2020-08-27 | Ecoatm, Llc | Neural network based physical condition evaluation of electronic devices, and associated systems and methods |
CN110263615A (zh) * | 2019-04-29 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 车辆拍摄中的交互处理方法、装置、设备及客户端 |
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 |
CN110135437B (zh) * | 2019-05-06 | 2022-04-05 | 北京百度网讯科技有限公司 | 用于车辆的定损方法、装置、电子设备和计算机存储介质 |
DE102019112289B3 (de) | 2019-05-10 | 2020-06-18 | Controlexpert Gmbh | Verfahren zur Schadenserfassung bei einem Kraftfahrzeug |
JP7462386B2 (ja) * | 2019-06-14 | 2024-04-05 | 株式会社シマノ | 検出装置、検出方法、生成方法、コンピュータプログラムおよび記憶媒体 |
US11631283B2 (en) * | 2019-06-27 | 2023-04-18 | Toyota Motor North America, Inc. | Utilizing mobile video to provide support for vehicle manual, repairs, and usage |
CN110363238A (zh) * | 2019-07-03 | 2019-10-22 | 中科软科技股份有限公司 | 智能车辆定损方法、***、电子设备及存储介质 |
GB201909578D0 (en) * | 2019-07-03 | 2019-08-14 | Ocado Innovation Ltd | A damage detection apparatus and method |
CN110398377A (zh) * | 2019-07-31 | 2019-11-01 | 广州小鹏汽车科技有限公司 | 信息获取方法及装置、车载终端、车辆和存储介质 |
CN110598880B (zh) * | 2019-09-12 | 2022-04-19 | 神华铁路货车运输有限责任公司沧州机车车辆维修分公司 | 一种车辆维修工艺操控方法 |
US11188853B2 (en) * | 2019-09-30 | 2021-11-30 | The Travelers Indemnity Company | Systems and methods for artificial intelligence (AI) damage triage and dynamic resource allocation, routing, and scheduling |
WO2021074665A1 (en) * | 2019-10-14 | 2021-04-22 | Siemens Industry Software Ltd. | Generating a 3d model of a plant layout |
JP7390856B2 (ja) * | 2019-10-25 | 2023-12-04 | 損害保険ジャパン株式会社 | 修理金額算出システム及び修理金額算出方法 |
CN110992307A (zh) * | 2019-11-04 | 2020-04-10 | 华北电力大学(保定) | 基于yolo的绝缘子定位识别方法及装置 |
KR102380662B1 (ko) * | 2019-11-15 | 2022-03-31 | 주식회사 세븐미어캣 | 인공지능 기반의 주차장 공유 시스템 |
US10977784B1 (en) * | 2019-11-26 | 2021-04-13 | The Toronto-Dominion Bank | System and method for photo-based estimation with fraud prevention |
EP4070251A4 (en) * | 2019-12-02 | 2023-08-30 | Click-Ins, Ltd. | SYSTEMS, METHODS AND PROGRAMS FOR GENERATING A DAMAGE IMPRINT IN A VEHICLE |
JP7015503B2 (ja) * | 2019-12-18 | 2022-02-03 | Arithmer株式会社 | 貸与対象物管理システム、貸与対象物管理プログラム及び貸与対象物管理方法。 |
CN111209957B (zh) * | 2020-01-03 | 2023-07-18 | 平安科技(深圳)有限公司 | 车辆部件识别方法、装置、计算机设备及存储介质 |
US11687778B2 (en) | 2020-01-06 | 2023-06-27 | The Research Foundation For The State University Of New York | Fakecatcher: detection of synthetic portrait videos using biological signals |
CN111311545A (zh) * | 2020-01-19 | 2020-06-19 | 上海箱云物流科技有限公司 | 集装箱检测方法、装置及计算机可读存储介质 |
CN111259969A (zh) * | 2020-01-19 | 2020-06-09 | 上海钧正网络科技有限公司 | 一种报障识别方法、装置、服务器及介质 |
CN111259821A (zh) * | 2020-01-19 | 2020-06-09 | 山西国芯科技有限公司 | 一种基于深度学习的云计算模型方法 |
US20210241208A1 (en) * | 2020-01-31 | 2021-08-05 | Capital One Services, Llc | Method and system for identifying and onboarding a vehicle into inventory |
CN111368752B (zh) * | 2020-03-06 | 2023-06-02 | 德联易控科技(北京)有限公司 | 车辆损伤的分析方法和装置 |
CN113505624A (zh) * | 2020-03-23 | 2021-10-15 | 虹软科技股份有限公司 | 车辆定损方法、车辆定损装置及应用其的电子设备 |
KR102148884B1 (ko) * | 2020-04-02 | 2020-08-27 | 주식회사 애자일소다 | 차량의 손상 분석 시스템 및 방법 |
CN113496242A (zh) * | 2020-04-07 | 2021-10-12 | 华晨宝马汽车有限公司 | 对车辆的损伤部位进行分类的方法和设备 |
CN111680746B (zh) * | 2020-06-08 | 2023-08-04 | 平安科技(深圳)有限公司 | 车损检测模型训练、车损检测方法、装置、设备及介质 |
WO2022040667A1 (en) | 2020-08-17 | 2022-02-24 | Ecoatm, Llc | Evaluating an electronic device using a wireless charger |
US11922467B2 (en) | 2020-08-17 | 2024-03-05 | ecoATM, Inc. | Evaluating an electronic device using optical character recognition |
CN111932902B (zh) * | 2020-08-18 | 2021-03-26 | 明觉科技(北京)有限公司 | 一种车辆维修监控***及方法 |
KR102529429B1 (ko) * | 2020-09-02 | 2023-05-08 | 주식회사 디메타 (D-meta,corp.) | 차량 관리 보조 방법 및 차량 관리 보조 장치 |
KR102470594B1 (ko) * | 2020-09-02 | 2022-12-02 | 주식회사 디메타 (D-meta,corp.) | 차량 손상 관리 방법 및 차량 손상 관리 장치 |
US12033192B2 (en) | 2020-10-30 | 2024-07-09 | Toyota Motor North America, Inc. | Transport use determination |
US11861900B2 (en) * | 2020-11-17 | 2024-01-02 | Fyusion, Inc. | Multi-view visual data damage detection |
US11494820B2 (en) | 2020-12-14 | 2022-11-08 | Toyota Motor North America, Inc. | Augmented reality automotive accessory customer collaborative design and manufacturing through 3D printing |
CN112446513A (zh) * | 2020-12-15 | 2021-03-05 | 恒大恒驰新能源汽车研究院(上海)有限公司 | 车辆零部件检测方法及装置、计算机可读存储介质 |
US11488371B2 (en) | 2020-12-17 | 2022-11-01 | Concat Systems, Inc. | Machine learning artificial intelligence system for producing 360 virtual representation of an object |
CN112862702B (zh) * | 2021-01-18 | 2023-10-31 | 平安科技(深圳)有限公司 | 图像增强方法、装置、设备及存储介质 |
US11971953B2 (en) | 2021-02-02 | 2024-04-30 | Inait Sa | Machine annotation of photographic images |
US11544914B2 (en) | 2021-02-18 | 2023-01-03 | Inait Sa | Annotation of 3D models with signs of use visible in 2D images |
EP4295310A1 (en) | 2021-02-18 | 2023-12-27 | Inait SA | Annotation of 3d models with signs of use visible in 2d images |
CN113326954B (zh) * | 2021-06-25 | 2023-07-07 | 中国平安财产保险股份有限公司 | 车辆维修任务调度方法、装置、设备及存储介质 |
CN113378483A (zh) * | 2021-07-12 | 2021-09-10 | 广东电网有限责任公司 | 一种电网数据的预警方法、装置、设备及存储介质 |
WO2023070154A1 (en) * | 2021-10-26 | 2023-05-04 | Cycle Inspect Services Pty Ltd | Computer assisted inspection and modelling of fibre-reinforced plastic bicycle frames |
US11922378B2 (en) * | 2021-12-10 | 2024-03-05 | Tekion Corp | Machine learning based vehicle service recommendation system |
US11861665B2 (en) | 2022-02-28 | 2024-01-02 | Concat Systems, Inc. | Artificial intelligence machine learning system for classifying images and producing a predetermined visual output |
KR102554208B1 (ko) * | 2022-03-16 | 2023-07-10 | 양석원 | 차량 오염도 분석 기반 세차 서비스 제공 방법 및 시스템 |
TWI781074B (zh) * | 2022-05-20 | 2022-10-11 | 東元電機股份有限公司 | 利用影像辨識進行側邊跟隨之自動跟隨車 |
KR102531372B1 (ko) * | 2022-05-24 | 2023-05-10 | 송현우 | 차량 수리 정보 제공 시스템 |
CN114943884B (zh) * | 2022-06-10 | 2022-11-18 | 慧之安信息技术股份有限公司 | 基于深度学习的设备保护方法 |
WO2024106894A1 (ko) * | 2022-11-16 | 2024-05-23 | 민팃(주) | 전자 기기 무인 매입 장치 및 이를 이용한 방법 |
Family Cites Families (81)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7426437B2 (en) * | 1997-10-22 | 2008-09-16 | Intelligent Technologies International, Inc. | Accident avoidance systems and methods |
JPH0981739A (ja) * | 1995-09-12 | 1997-03-28 | Toshiba Corp | 損害額算出システム及び損傷位置検出装置 |
US6246954B1 (en) * | 1999-01-28 | 2001-06-12 | International Business Machines Corporation | Time multiplexed global positioning system for control of traffic lights |
US6670905B1 (en) * | 1999-06-14 | 2003-12-30 | Escort Inc. | Radar warning receiver with position and velocity sensitive functions |
US8525723B2 (en) * | 1999-06-14 | 2013-09-03 | Escort Inc. | Radar detector with navigation function |
JP2001344163A (ja) | 2000-05-31 | 2001-12-14 | Matsushita Electric Ind Co Ltd | 信号処理装置、媒体および情報集合体 |
US20020007289A1 (en) * | 2000-07-11 | 2002-01-17 | Malin Mark Elliott | Method and apparatus for processing automobile repair data and statistics |
US6636792B2 (en) * | 2000-09-29 | 2003-10-21 | Siemens Vdo Automotive Corporation | Weight classification system |
JP2002183338A (ja) * | 2000-12-14 | 2002-06-28 | Hitachi Ltd | 損害評価方法および情報処理装置ならびに記憶媒体 |
US8280345B2 (en) * | 2000-12-22 | 2012-10-02 | Google Inc. | LPRF device wake up using wireless tag |
US20110068954A1 (en) * | 2006-06-20 | 2011-03-24 | Zonar Systems, Inc. | Method and apparatus to collect object identification data during operation of a vehicle and analysis of such data |
JP2003132170A (ja) * | 2001-10-29 | 2003-05-09 | Tsubasa System Co Ltd | コンピュータを用いた車輌の修理見積システム |
JP2003170817A (ja) * | 2001-12-05 | 2003-06-17 | Tsubasa System Co Ltd | 車輌修理見積方法 |
JP2003346021A (ja) * | 2002-05-28 | 2003-12-05 | Tsubasa System Co Ltd | 車両部品販売支援方法 |
US8068036B2 (en) * | 2002-07-22 | 2011-11-29 | Ohanes Ghazarian | Intersection vehicle collision avoidance system |
US6826301B2 (en) | 2002-10-07 | 2004-11-30 | Infocus Corporation | Data transmission system and method |
US20040113783A1 (en) * | 2002-12-11 | 2004-06-17 | Millennium Information Systems, Llc | Container integrity management system |
US20040183673A1 (en) * | 2003-01-31 | 2004-09-23 | Nageli Hans Peter | Portable detachable self-contained tracking unit for two-way satellite communication with a central server |
US6969809B2 (en) * | 2003-09-22 | 2005-11-29 | Cts Corporation | Vehicle seat weight sensor |
JP2005107722A (ja) * | 2003-09-29 | 2005-04-21 | Kureo:Kk | 見積支援プログラム、合見積支援プログラム、見積支援方法、合見積支援方法、見積支援装置および合見積支援装置 |
US20050108065A1 (en) | 2003-11-18 | 2005-05-19 | Dorfstatter Walter A. | Method and system of estimating vehicle damage |
IT1337796B1 (it) | 2004-05-11 | 2007-02-20 | Fausto Siri | Procedimento per il riconoscimento, l'analisi e la valutazione delle deformazioni in particolare in automezzi |
JP3839822B2 (ja) | 2004-08-11 | 2006-11-01 | 株式会社損害保険ジャパン | 物流工程における物品の損傷状況分析方法、損傷状況分析システム及び記録媒体 |
WO2006047266A1 (en) * | 2004-10-22 | 2006-05-04 | Agrios, Inc. | Systems and methods for automated vehicle image acquisition, analysis, and reporting |
US20060103568A1 (en) * | 2004-11-18 | 2006-05-18 | Powell Steven W | Systems and methods for wirelessly determining vehicle identification, registration, compliance status and location |
CN1658559A (zh) | 2005-02-22 | 2005-08-24 | 刘波 | 基于因特网的远程实时监控车辆定损***及其监控方法 |
US20060267799A1 (en) * | 2005-05-09 | 2006-11-30 | Ehud Mendelson | Parking detector - a system and method for detecting and navigating to empty parking spaces utilizing a cellular phone application |
US7423534B2 (en) * | 2006-01-13 | 2008-09-09 | Ford Motor Company | Electronic method and system for monitoring containers and products |
US7701363B1 (en) * | 2007-01-17 | 2010-04-20 | Milan Zlojutro | Vehicle tracking and monitoring system |
US20080255887A1 (en) | 2007-04-10 | 2008-10-16 | Autoonline Gmbh Informationssysteme | Method and system for processing an insurance claim for a damaged vehicle |
US20080281658A1 (en) | 2007-04-23 | 2008-11-13 | Steven Siessman | Systems and methods for creating and reviewing vehicle damage repair estimates, and notifying entities of issues relating to manufacturer's warranty or repair content |
WO2008134460A1 (en) * | 2007-04-25 | 2008-11-06 | Rio Sisa Idea Farm | Mobile navigation system with graphic crime-risk display |
JP5321784B2 (ja) * | 2008-03-05 | 2013-10-23 | 富士ゼロックス株式会社 | 故障診断装置およびプログラム |
US8103449B2 (en) * | 2008-10-24 | 2012-01-24 | GM Global Technology Operations LLC | Configurable vehicular time to stop warning system |
US8587649B2 (en) * | 2009-04-21 | 2013-11-19 | Create Electronic Optical Co., Ltd. | Lane departure warning system |
US9536426B2 (en) * | 2009-04-23 | 2017-01-03 | Omnitracs, Llc | Systems and methods for determining a speed limit violation |
US9489782B2 (en) * | 2010-07-28 | 2016-11-08 | Hand Held Products, Inc. | Collect vehicle performance with a PDT |
US8063797B1 (en) * | 2010-07-31 | 2011-11-22 | ParkMe LLC | Parking information collection system and method |
US20120029759A1 (en) * | 2010-08-02 | 2012-02-02 | Suh Peter Jung-Min | Method of providing vehicle maintenance information and service |
CN102376071B (zh) | 2010-08-20 | 2015-03-25 | 深圳市安致兰德科技有限公司 | 保险定损移动查勘*** |
WO2013093932A2 (en) | 2011-09-29 | 2013-06-27 | Tata Consultancy Services Limited | Damage assessment of an object |
US20140310610A1 (en) | 2013-04-15 | 2014-10-16 | Flextronics Ap, Llc | Vehicle occupant impairment assisted vehicle |
US10580075B1 (en) | 2012-08-16 | 2020-03-03 | Allstate Insurance Company | Application facilitated claims damage estimation |
US8712893B1 (en) * | 2012-08-16 | 2014-04-29 | Allstate Insurance Company | Enhanced claims damage estimation using aggregate display |
US9002719B2 (en) | 2012-10-08 | 2015-04-07 | State Farm Mutual Automobile Insurance Company | Device and method for building claim assessment |
CN103310223A (zh) | 2013-03-13 | 2013-09-18 | 四川天翼网络服务有限公司 | 一种基于图像识别的车辆定损***及方法 |
FR3007172B1 (fr) | 2013-06-12 | 2020-12-18 | Renault Sas | Procede et systeme d'identification d'un degat cause a un vehicule |
CN104517442A (zh) | 2013-10-06 | 2015-04-15 | 青岛联合创新技术服务平台有限公司 | 智能汽车定损装置及其工作方法 |
TWM478859U (zh) * | 2014-01-09 | 2014-05-21 | Han-Wei Chang | 人車路交通事故影音自動分析系統 |
JP6264132B2 (ja) * | 2014-03-25 | 2018-01-24 | 日産自動車株式会社 | 車体塗装面の検査装置および検査方法 |
US20150287130A1 (en) | 2014-04-04 | 2015-10-08 | Verc, Inc. | Systems and methods for assessing damage of rental vehicle |
CN104268783B (zh) | 2014-05-30 | 2018-10-26 | 翱特信息***(中国)有限公司 | 车辆定损估价的方法、装置和终端设备 |
US9307234B1 (en) | 2014-07-23 | 2016-04-05 | American Express Travel Related Services Company, Inc. | Interactive latency control with lossless image optimization |
KR20160018944A (ko) * | 2014-08-07 | 2016-02-18 | 주식회사 코리아오토시스템 | 차량의 사고부위를 인식하여 가견적 리스트를 모바일 장치에서 생성하는 방법 |
US20160239922A1 (en) | 2015-02-17 | 2016-08-18 | Raymond Jimenez | System and method of real-time imaging and analysis of real-world objects |
WO2017022908A1 (ko) * | 2015-08-04 | 2017-02-09 | 재단법인 아산사회복지재단 | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 |
GB201517462D0 (en) * | 2015-10-02 | 2015-11-18 | Tractable Ltd | Semi-automatic labelling of datasets |
CN105488576A (zh) * | 2015-12-03 | 2016-04-13 | 小米科技有限责任公司 | 汽车维修费用确定方法和装置 |
CN105678622A (zh) * | 2016-01-07 | 2016-06-15 | 平安科技(深圳)有限公司 | 车险理赔照片的分析方法及*** |
CN105719188B (zh) | 2016-01-22 | 2017-12-26 | 平安科技(深圳)有限公司 | 基于多张图片一致性实现保险理赔反欺诈的方法及服务器 |
US11144889B2 (en) | 2016-04-06 | 2021-10-12 | American International Group, Inc. | Automatic assessment of damage and repair costs in vehicles |
CN105956667B (zh) | 2016-04-14 | 2018-09-25 | 平安科技(深圳)有限公司 | 车险定损理赔审核方法及*** |
US9886771B1 (en) | 2016-05-20 | 2018-02-06 | Ccc Information Services Inc. | Heat map of vehicle damage |
CN106022929A (zh) * | 2016-05-27 | 2016-10-12 | 大连楼兰科技股份有限公司 | 基于专家***的碰撞事故定损方法及*** |
CN106056451A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于车辆obd传感器的远程无人定损*** |
CN106021548A (zh) * | 2016-05-27 | 2016-10-12 | 大连楼兰科技股份有限公司 | 基于分布式人工智能图像识别的远程定损方法及*** |
US9870609B2 (en) * | 2016-06-03 | 2018-01-16 | Conduent Business Services, Llc | System and method for assessing usability of captured images |
CN106127747B (zh) | 2016-06-17 | 2018-10-16 | 史方 | 基于深度学习的汽车表面损伤分类方法及装置 |
CN106250812B (zh) * | 2016-07-15 | 2019-08-20 | 汤一平 | 一种基于快速r-cnn深度神经网络的车型识别方法 |
CN106296118A (zh) | 2016-08-03 | 2017-01-04 | 深圳市永兴元科技有限公司 | 基于图像识别的车辆定损方法及装置 |
US20180040039A1 (en) | 2016-08-08 | 2018-02-08 | Audatex North America, Inc. | Vehicle Component Partitioner |
CN106203644A (zh) | 2016-08-09 | 2016-12-07 | 深圳市永兴元科技有限公司 | 车辆定损方法和装置 |
CN106296126A (zh) | 2016-08-09 | 2017-01-04 | 深圳市永兴元科技有限公司 | 车险理赔费用预测方法和装置 |
CN106372651B (zh) | 2016-08-22 | 2018-03-06 | 平安科技(深圳)有限公司 | 图片品质的检测方法及装置 |
CN106370128A (zh) * | 2016-11-09 | 2017-02-01 | 重庆帅邦机械有限公司 | 一种汽车零部件定损方法 |
CN106504248B (zh) | 2016-12-06 | 2021-02-26 | 成都通甲优博科技有限责任公司 | 基于计算机视觉的车辆损伤判别方法 |
US10354383B2 (en) | 2016-12-30 | 2019-07-16 | Skinio, Llc | Skin abnormality monitoring systems and methods |
JP6954741B2 (ja) * | 2017-01-13 | 2021-10-27 | 株式会社ブロードリーフ | 損傷判断装置、並びにこれを用いた期間・スケジュール演算装置及び修理・補修費用演算装置。 |
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*** |
CN107392218B (zh) | 2017-04-11 | 2020-08-04 | 创新先进技术有限公司 | 一种基于图像的车辆定损方法、装置及电子设备 |
-
2017
- 2017-04-11 CN CN201710233657.6A patent/CN107392218B/zh active Active
-
2018
- 2018-03-05 TW TW107107231A patent/TWI726194B/zh active
- 2018-04-11 KR KR1020197012653A patent/KR102270499B1/ko active IP Right Grant
- 2018-04-11 SG SG11201903836QA patent/SG11201903836QA/en unknown
- 2018-04-11 EP EP18722299.7A patent/EP3520051A1/en not_active Ceased
- 2018-04-11 JP JP2019523649A patent/JP6859505B2/ja active Active
- 2018-04-11 US US15/950,660 patent/US20180293664A1/en not_active Abandoned
-
2019
- 2019-03-19 US US16/358,527 patent/US10817956B2/en active Active
- 2019-04-30 PH PH12019500977A patent/PH12019500977A1/en unknown
-
2021
- 2021-01-04 JP JP2021000131A patent/JP7110414B2/ja active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI726364B (zh) * | 2018-12-29 | 2021-05-01 | 開曼群島商創新先進技術有限公司 | 電腦執行的車輛定損方法及裝置 |
TWI770420B (zh) * | 2019-03-07 | 2022-07-11 | 開曼群島商創新先進技術有限公司 | 車輛事故的鑑定方法及裝置、電子設備 |
Also Published As
Publication number | Publication date |
---|---|
US20190213689A1 (en) | 2019-07-11 |
US20180293664A1 (en) | 2018-10-11 |
SG11201903836QA (en) | 2019-05-30 |
PH12019500977A1 (en) | 2019-11-11 |
KR102270499B1 (ko) | 2021-06-30 |
US10817956B2 (en) | 2020-10-27 |
EP3520051A1 (en) | 2019-08-07 |
JP7110414B2 (ja) | 2022-08-01 |
KR20190060817A (ko) | 2019-06-03 |
JP2021072133A (ja) | 2021-05-06 |
JP6859505B2 (ja) | 2021-04-14 |
JP2020504856A (ja) | 2020-02-13 |
TWI726194B (zh) | 2021-05-01 |
CN107392218B (zh) | 2020-08-04 |
CN107392218A (zh) | 2017-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201839704A (zh) | 基於圖像的車輛定損方法、裝置及電子設備 | |
TW201839703A (zh) | 基於圖像的車輛定損方法、裝置及電子設備 | |
TWI684922B (zh) | 基於圖像的車輛定損方法、裝置、電子設備及系統 | |
TWI709919B (zh) | 車險圖像處理方法、裝置、伺服器及系統 | |
US10713865B2 (en) | Method and apparatus for improving vehicle loss assessment image identification result, and server | |
EP3719703A1 (en) | Vehicle damage identification processing method, processing device, client and server | |
EP3844668A1 (en) | System and method for training a damage identification model | |
WO2019214321A1 (zh) | 车辆损伤识别的处理方法、处理设备、客户端及服务器 | |
WO2020047316A1 (en) | System and method for training a damage identification model | |
CN112991349B (zh) | 图像处理方法、装置、设备和存储介质 | |
CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
CN114997264A (zh) | 训练数据生成、模型训练及检测方法、装置及电子设备 | |
CN112613891B (zh) | 一种店铺注册信息验证方法、装置及设备 | |
CN115131544A (zh) | 图像识别的方法和*** |