TW202022732A - 車禍事故處理方法和裝置、電子設備 - Google Patents
車禍事故處理方法和裝置、電子設備 Download PDFInfo
- Publication number
- TW202022732A TW202022732A TW108135491A TW108135491A TW202022732A TW 202022732 A TW202022732 A TW 202022732A TW 108135491 A TW108135491 A TW 108135491A TW 108135491 A TW108135491 A TW 108135491A TW 202022732 A TW202022732 A TW 202022732A
- Authority
- TW
- Taiwan
- Prior art keywords
- accident
- type
- car
- data
- preset
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本說明書一個或多個實施例提供一種車禍事故處理方法和裝置、電子設備，所述方法包括：獲取採集到的車禍事故的事故資料；將所述事故資料輸入至預設的分類模型中進行分類計算，並基於分類計算結果確定與所述事故資料對應的事故類型；其中，所述預設的分類模型為基於若干被標註了事故類型的事故資料樣本訓練出的機器學習模型；基於所述事故類型針對所述車禍事故進行業務處理決策。
Description
本說明書一個或多個實施例涉及終端技術領域，尤其涉及一種車禍事故處理方法和裝置、電子設備。
現如今，在發生了車禍事故，接到車主報案之後，如果車主報案，如何快速地對車禍事故的事故類型進行初步判斷，從而使保險公司及時對車禍事故進行後續的業務處理決策，例如：是否需要派遣專員前往事故現場進行事故處理等，成為亟待解決的問題。
本說明書提出一種車禍事故處理方法，所述方法包括：
獲取採集到的車禍事故的事故資料；
將所述事故資料輸入至預設的分類模型中進行分類計算，並基於分類計算結果確定與所述事故資料對應的事故類型；其中，所述預設的分類模型為基於若干被標註了事故類型的事故資料樣本訓練出的機器學習模型；
基於所述事故類型針對所述車禍事故進行業務處理決策。
可選地，所述方法還包括：
獲取預設數量的事故資料樣本；其中，所述事故資料樣本被標註了對應事故類型；
基於預設的機器學習演算法針對所述事故資料樣本進行訓練，以得到所述分類模型。
可選地，所述分類模型為卷積神經網路。
可選地，所述事故資料包括：事故現場的圖像資料。
可選地，所述事故類型包括以下示出的一種或者多種的組合：
事故原因類型；碰撞物類型；碰撞程度類型；事故損傷類型；事故性質類型。
可選地，所述基於所述事故類型針對所述車禍事故進行業務處理決策，包括：
查詢預設的映射關係，確定與事故類型對應的處理策略；
基於確定出的處理策略對所述車禍事故進行處理。
可選地，所述處理策略包括以下示出的一種或者多種的組合：
由車主自行進行處理事故的處理策略；
派遣專員前往事故現場進行事故處理的處理策略；
派遣與所述事故類型關聯的專員前往事故現場進行事故處理的處理策略。
本說明書還提出一種車禍事故處理裝置，所述裝置包括：
第一獲取模組，用於獲取採集到的車禍事故的事故資料；
計算模組，用於將所述事故資料輸入至預設的分類模型中進行分類計算，並基於分類計算結果確定與所述事故資料對應的事故類型；其中，所述預設的分類模型為基於若干被標註了事故類型的事故資料樣本訓練出的機器學習模型；
決策模組，用於基於所述事故類型針對所述車禍事故進行業務處理決策。
可選地，所述裝置還包括：
第二獲取模組，用於獲取預設數量的事故資料樣本；其中，所述事故資料樣本被標註了對應事故類型；
訓練模組，用於基於預設的機器學習演算法針對所述事故資料樣本進行訓練，以得到所述分類模型。
可選地，所述分類模型為卷積神經網路。
可選地，所述事故資料包括：事故現場的圖像資料。
可選地，所述事故類型包括以下示出的一種或者多種的組合：
事故原因類型；碰撞物類型；碰撞程度類型；事故損傷類型；事故性質類型。
可選地，所述決策模組具體用於：
查詢預設的映射關係，確定與事故類型對應的處理策略；
基於確定出的處理策略對所述車禍事故進行處理。
可選地，所述處理策略包括以下示出的一種或者多種的組合：
由車主自行進行處理事故的處理策略；
派遣專員前往事故現場進行事故處理的處理策略；
派遣與所述事故類型關聯的專員前往事故現場進行事故處理的處理策略。
本說明書還提出一種電子設備，所述電子設備包括：
處理器；
用於儲存機器可執行指令的儲存器；
其中，透過讀取並執行所述儲存器儲存的與車禍事故處理的控制邏輯對應的機器可執行指令，所述處理器被促使：
獲取採集到的車禍事故的事故資料；
將所述事故資料輸入至預設的分類模型中進行分類計算，並基於分類計算結果確定與所述事故資料對應的事故類型；其中，所述預設的分類模型為基於若干被標註了事故類型的事故資料樣本訓練出的機器學習模型；
基於所述事故類型針對所述車禍事故進行業務處理決策。
在上述技術方案中，對於發生的車禍事故而言，可以基於分類模型對採集到的該車禍事故的事故資料進行分類計算，以確定該車禍事故的事故類型，並基於該事故類型針對該車禍事故進行業務處理決策。採用這樣的方式，與常用的對車禍事故進行人工分類和業務處理決策的方式相比，可以提高對車禍事故的分類效率，從而加快對車禍事故的業務處理決策速度。
這裡將詳細地對示例性實施例進行說明，其示例表示在圖式中。下面的描述涉及圖式時，除非另有表示，不同圖式中的相同數字表示相同或相似的要素。以下示例性實施例中所描述的實施方式並不代表與本說明書一個或多個實施例相一致的所有實施方式。相反，它們僅是與如所附申請專利範圍中所詳述的、本說明書一個或多個實施例的一些方面相一致的裝置和方法的例子。
在本說明書使用的術語是僅僅出於描述特定實施例的目的，而非旨在限制本說明書。在本說明書和所附申請專利範圍中所使用的單數形式的“一種”、“所述”和“該”也旨在包括多數形式，除非上下文清楚地表示其他含義。還應當理解，本文中使用的術語“及/或”是指並包含一個或多個相關聯的列出項目的任何或所有可能組合。
應當理解，儘管在本說明書可能採用術語第一、第二、第三等來描述各種資訊，但這些資訊不應限於這些術語。這些術語僅用來將同一類型的資訊彼此區分開。例如，在不脫離本說明書範圍的情況下，第一資訊也可以被稱為第二資訊，類似地，第二資訊也可以被稱為第一資訊。取決於語境，如在此所使用的詞語“如果”可以被解釋成為“在……時”或“當……時”或“響應於確定”。
本說明書旨在提供一種針對車禍事故，基於採集到的該車禍事故的事故資料對該車禍事故進行分類，以基於該車禍事故所屬的事故類型進行業務處理決策的技術方案。
在具體實現時，在發生了車禍事故後，可以先對該車禍事故的事故現場進行資料採集，得到該車禍事故的事故資料。
後續，可以將獲取到的該車禍事故的事故資料輸入至預先設置的分類模型中進行分類計算，以基於分類計算結果確定該車禍事故所屬的事故類型。
其中，該分類模型可以是預先訓練好的機器學習模型。在對該分類模型進行訓練時，所採用的訓練樣本可以是若干被標註了事故類型的事故資料。
在確定了該車禍事故所屬的事故類型後，可以基於該事故類型，對該車禍事故進行業務處理決策。
在上述技術方案中，對於發生的車禍事故而言，可以基於分類模型對採集到的該車禍事故的事故資料進行分類計算，以確定該車禍事故的事故類型，並基於該事故類型針對該車禍事故進行業務處理決策。採用這樣的方式，與常用的對車禍事故進行人工分類和業務處理決策的方式相比，可以提高對車禍事故的分類效率，從而加快對車禍事故的業務處理決策速度。
下面透過具體實施例對本說明書進行描述。
請參考圖1，圖1是本說明一示例性實施例示出的一種車禍事故處理方法的流程圖。該方法可以應用於伺服器、手機、平板設備、筆記型電腦、掌上電腦(Personal Digital Assistants，PDAs)等電子設備，包括如下步驟：
步驟102，獲取採集到的車禍事故的事故資料；
步驟104，將所述事故資料輸入至預設的分類模型中進行分類計算，並基於分類計算結果確定與所述事故資料對應的事故類型；其中，所述預設的分類模型為基於若干被標註了事故類型的事故資料樣本訓練出的機器學習模型；
步驟106，基於所述事故類型針對所述車禍事故進行業務處理決策。
在本實施例中，在發生了車禍事故後，可以先對該車禍事故的事故現場進行資料採集，得到該車禍事故的事故資料。
其中，該車禍事故的事故資料可以包括該車禍事故的事故現場的圖像資料。
舉例來說，可以對該車禍事故的事故現場進行拍攝，並獲取拍攝得到的照片，作為該車禍事故的事故現場的圖像資料。
或者，可以利用部署在該車禍事故的事故現場附近的攝影機，獲取這些攝影機拍攝得到的視訊，並提取這些視訊中的圖像幀，以將這些圖像幀作為該車禍事故的事故現場的圖像資料。
或者，可以利用紅外線熱成像設備對該車禍事故的事故現場進行紅外線成像，並獲取該紅外線熱成像設備得到的紅外線圖像，作為該車禍事故的事故現場的圖像資料。
或者，可以利用超聲波成像設備對該車禍事故的事故現場進行超聲波成像，並獲取該超聲波成像設備得到的超聲波圖像，作為該車禍事故的事故現場的圖像資料。
或者，可以利用雷射雷達成像設備對該車禍事故的事故現場進行雷射雷達成像，並獲取該雷射雷達成像設備得到的雷射雷達圖像，作為該車禍事故的事故現場的圖像資料。
在獲取到上述車禍事故的事故資料後，可以將該事故資料輸入至預先設置的分類模型中進行分類計算。
其中，該分類模型可以是常用的卷積神經網路(Convolutional Neural Networks，CNN)等機器學習模型。
需要說明的是，可以先從歷史事故資料(即以前發生的車禍事故的事故資料)中獲取預設數量的事故資料，並為這些事故資料標註事故類型。後續，可以將這些被標註了事故類型的事故資料作為訓練樣本，採用反向傳播的方式，基於預先設置的機器學習演算法(例如：卷積神經網路演算法)，針對這些事故資料樣本進行訓練，以得到用於對車禍事故的事故資料進行分類的該分類模型。
舉例來說，假設預先設置的事故資料樣本的數量為100張圖像，則可以從以圖像形式儲存的歷史事故資料中獲取100張圖像，並為這些圖像標註事故類型。後續，可以將這100張被標註了事故類型的圖像作為訓練樣本，採用反向傳播的方式，基於卷積神經網路演算法針對這100張被標註了事故類型的圖像進行訓練，以得到該分類模型。
這樣，在利用已訓練好的分類模型對該車禍事故的事故資料進行分類計算後，可以基於分類計算結果確定該事故資料對應的事故類型，即確定該車禍事故所屬的事故類型。
其中，事故類型可以包括以下示出的一種或多種的組合：事故原因類型；碰撞物類型；碰撞程度類型；事故損傷類型；事故性質類型。
具體地，事故原因類型可以包括：由闖紅燈導致的車禍事故，偏離正常行車道導致的車禍事故，由避讓他車導致的車禍事故等。
舉例來說，假設歷史事故資料以圖像形式儲存，則在對從該歷史事故資料中獲取到的用於作為事故資料樣本的圖像進行標註時，可以將這些圖像中包含紅綠燈的圖像標註為“由闖紅燈導致的車禍事故”，將這些圖像中車輛偏離正常行車道的圖像標註為“偏離正常行車道導致的車禍事故”，將這些圖像中包含多輛車輛的圖像標註為“由避讓他車導致的車禍事故”。
碰撞物類型可以包括：單車碰撞，雙車碰撞，多車碰撞等。
繼續以上述舉例為例，可以繼續將這些圖像中顯示的車禍事故僅包含一輛車輛的圖像標註為“單車碰撞”，將這些圖像中顯示的車禍事故包含兩輛車輛的圖像標註為“雙車碰撞”，將這些圖像中顯示的車禍事故包含三輛及以上車輛的圖像標註為“多車碰撞”。
碰撞程度類型可以包括：一級碰撞，二級碰撞，三級碰撞等。
繼續以上述舉例為例，可以繼續將這些圖像中顯示的車輛碰撞程度輕微的圖像標註為“一級碰撞”，將這些圖像中顯示的車輛碰撞程度中等的圖像標註為“二級碰撞”，將這些圖像中顯示的車輛碰撞程度嚴重的圖像標註為“三級碰撞”。由於對於訓練樣本的標註通常是人工實現的，因此可以由技術人員自行對這些圖像中顯示的車輛碰撞程度進行判斷。
事故損傷類型可以包括：車輛內部未損傷，車輛內部已損傷等。
繼續以上述舉例為例，可以繼續將這些圖像中顯示的車輛的損傷位置可能導致內部損傷的圖像標註為“車輛內部已損傷”，而將其餘的圖像標註為“車輛內部未損傷”。
事故性質類型可以包括：無人員受傷，有一名人員受傷，有多名人員受傷等。
繼續以上述舉例為例，可以繼續將這些圖像中不包含受傷人員的圖像標註為“無人員受傷”，將這些圖像中包含一名受傷人員的圖像標註為“有一名人員受傷”，將這些圖像中包含多名受傷人員的圖像標註為“有多名人員受傷”。
在確定了上述事故資料對應的事故類型，即確定了上述車禍事故所屬的事故類型後，可以基於該事故類型，針對該車禍事故進行業務處理決策。
在示出的一種實施方式中，可以基於預先設置的事故類型與處理策略之間的映射關係，以及該事故類型，針對該車禍事故進行業務處理決策。
其中，事故類型與處理策略之間的映射關係可以由技術人員預先設置，本申請對此不作限制。
具體地，可以基於該事故類型查詢該映射關係，以確定該事故類型對應的處理策略。在確定了該事故類型對應的處理策略後，可以基於該處理策略對該車禍事故進行處理。
其中，用於對車禍事故進行處理的處理策略可以包括以下示出的一種或者多種的組合：
由車主自行進行事故處理的處理策略；派遣專員前往事故現場進行事故處理的處理策略；派遣與所述事故類型關聯的專員前往事故現場進行事故處理的處理策略。
舉例來說，本地可以儲存如下表1所示的事故類型和處理策略之間的映射關係： 
表1
其中，在基於上述分類模型對上述車禍事故的事故資料進行分類計算後，假設分類計算結果包括：事故原因類型2(偏離正常行車道導致的車禍事故)；碰撞物類型1(單車碰撞)；碰撞程度類型1(一級碰撞)；事故損傷類型1(車輛內部未損傷)；事故性質類型1(無人員受傷)，則可以將該車禍事故所屬的事故類型確定為事故類型1，從而可以基於處理策略1(由車主自行進行事故處理的處理策略)對該車禍事故進行處理，即由車主自行對本次車禍事故進行處理。
在基於上述分類模型對上述車禍事故的事故資料進行分類計算後，假設分類計算結果包括：事故原因類型1(由闖紅燈導致的車禍事故)；碰撞物類型2(雙車碰撞)；碰撞程度類型3(三級碰撞)；事故損傷類型2(車輛內部已損傷)；事故性質類型1(無人員受傷)，則也可以將該車禍事故所屬的事故類型確定為事故類型1，從而可以基於處理策略1(由車主自行進行事故處理的處理策略)對該車禍事故進行處理，即由車主自行對本次車禍事故進行處理。
在基於上述分類模型對上述車禍事故的事故資料進行分類計算後，假設分類計算結果包括：事故原因類型1(由闖紅燈導致的車禍事故)；碰撞物類型3(多車碰撞)；碰撞程度類型3(三級碰撞)；事故損傷類型2(車輛內部已損傷)；事故性質類型1(無人員受傷)，則可以將該車禍事故所屬的事故類型確定為事故類型2，從而可以基於處理策略2(派遣專員前往事故現場進行事故處理的處理策略)對該車禍事故進行處理，即派遣處理車禍事故的業務專員前往事故現場對本次車禍事故進行處理。
在基於上述分類模型對上述車禍事故的事故資料進行分類計算後，假設分類計算結果包括：事故原因類型1(由闖紅燈導致的車禍事故)；碰撞物類型3(多車碰撞)；碰撞程度類型3(三級碰撞)；事故損傷類型2(車輛內部已損傷)；事故性質類型3(有多名人員受傷)，則可以將該車禍事故所屬的事故類型確定為事故類型3，從而可以基於處理策略3(派遣與所述事故類型關聯的專員前往事故現場進行事故處理的處理策略)對該車禍事故進行處理，例如：可以派遣較為擅長處理有人員受傷的車禍事故的業務專員前往事故現場對本次車禍事故進行處理。
在上述技術方案中，對於發生的車禍事故而言，可以基於分類模型對採集到的該車禍事故的事故資料進行分類計算，以確定該車禍事故的事故類型，並基於該事故類型針對該車禍事故進行業務處理決策。採用這樣的方式，與常用的對車禍事故進行人工分類和業務處理決策的方式相比，可以提高對車禍事故的分類效率，從而加快對車禍事故的業務處理決策速度。
與前述車禍事故處理方法的實施例相對應，本說明書還提供了車禍事故處理裝置的實施例。
本說明書車禍事故處理裝置的實施例可以應用在電子設備上。裝置實施例可以透過軟體實現，也可以透過硬體或者軟硬體結合的方式實現。以軟體實現為例，作為一個邏輯意義上的裝置，是透過其所在電子設備的處理器將非易失性儲存器中對應的電腦程式指令讀取到內部記憶體中運行形成的。從硬體層面而言，如圖2所示，為本說明書車禍事故處理裝置所在電子設備的一種硬體結構圖，除了圖2所示的處理器、內部記憶體、網路介面、以及非易失性儲存器之外，實施例中裝置所在的電子設備通常根據該車禍事故處理的實際功能，還可以包括其他硬體，對此不再贅述。
請參考圖3，圖3是本說明書一示例性實施例示出的一種車禍事故處理裝置的方塊圖。該裝置30可以應用於圖2所示的電子設備，包括：
第一獲取模組301，用於獲取採集到的車禍事故的事故資料；
計算模組302，用於將所述事故資料輸入至預設的分類模型中進行分類計算，並基於分類計算結果確定與所述事故資料對應的事故類型；其中，所述預設的分類模型為基於若干被標註了事故類型的事故資料樣本訓練出的機器學習模型；
決策模組303，用於基於所述事故類型針對所述車禍事故進行業務處理決策。
在本實施例中，所述裝置30還可以包括：
第二獲取模組304，用於獲取預設數量的事故資料樣本；其中，所述事故資料樣本被標註了對應事故類型；
訓練模組305，用於基於預設的機器學習演算法針對所述事故資料樣本進行訓練，以得到所述分類模型。
在本實施例中，所述分類模型可以為卷積神經網路。
在本實施例中，所述事故資料可以包括：事故現場的圖像資料。
在本實施例中，所述事故類型可以包括以下示出的一種或者多種的組合：
事故原因類型；碰撞物類型；碰撞程度類型；事故損傷類型；事故性質類型。
在本實施例中，所述決策模組303具體可以用於：
查詢預設的映射關係，確定與事故類型對應的處理策略；
基於確定出的處理策略對所述車禍事故進行處理。
在本實施例中，所述處理策略可以包括以下示出的一種或者多種的組合：
由車主自行進行處理事故的處理策略；
派遣專員前往事故現場進行事故處理的處理策略；
派遣與所述事故類型關聯的專員前往事故現場進行事故處理的處理策略。
上述裝置中各個模組的功能和作用的實現過程具體詳見上述方法中對應步驟的實現過程，在此不再贅述。
對於裝置實施例而言，由於其基本對應於方法實施例，所以相關之處參見方法實施例的部分說明即可。以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的模組可以是或者也可以不是實體上分開的，作為模組顯示的部件可以是或者也可以不是實體模組，即可以位於一個地方，或者也可以分佈到多個網路模組上。可以根據實際的需要選擇其中的部分或者全部模組來實現本說明書方案的目的。本領域普通技術人員在不付出進步性勞動的情況下，即可以理解並實施。
上述實施例闡明的系統、裝置、模組或模組，具體可以由電腦晶片或實體實現，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，電腦的具體形式可以是個人電腦、膝上型電腦、蜂巢式電話、相機電話、智慧電話、個人數位助理、媒體播放器、導航設備、電子郵件收發設備、遊戲控制台、平板電腦、可穿戴設備或者這些設備中的任意幾種設備的組合。
與上述車禍事故處理方法實施例相對應，本說明書還提供了一種電子設備的實施例。該電子設備包括：處理器以及用於儲存機器可執行指令的儲存器；其中，處理器和儲存器通常透過內部匯流排相互連接。在其他可能的實現方式中，所述設備還可能包括外部介面，以能夠與其他設備或者部件進行通訊。
在本實施例中，透過讀取並執行所述儲存器儲存的與車禍事故處理的控制邏輯對應的機器可執行指令，所述處理器被促使：
獲取採集到的車禍事故的事故資料；
將所述事故資料輸入至預設的分類模型中進行分類計算，並基於分類計算結果確定與所述事故資料對應的事故類型；其中，所述預設的分類模型為基於若干被標註了事故類型的事故資料樣本訓練出的機器學習模型；
基於所述事故類型針對所述車禍事故進行業務處理決策。
在本實施例中，透過讀取並執行所述儲存器儲存的與車禍事故處理的控制邏輯對應的機器可執行指令，所述處理器還被促使：
獲取預設數量的事故資料樣本；其中，所述事故資料樣本被標註了對應事故類型；
基於預設的機器學習演算法針對所述事故資料樣本進行訓練，以得到所述分類模型。
在本實施例中，所述分類模型可以為卷積神經網路。
在本實施例中，所述事故資料可以包括：事故現場的圖像資料。
在本實施例中，所述事故類型可以包括以下示出的一種或者多種的組合：
事故原因類型；碰撞物類型；碰撞程度類型；事故損傷類型；事故性質類型。
在本實施例中，透過讀取並執行所述儲存器儲存的與車禍事故處理的控制邏輯對應的機器可執行指令，所述處理器被促使：
查詢預設的映射關係，確定與事故類型對應的處理策略；
基於確定出的處理策略對所述車禍事故進行處理。
在本實施例中，所述處理策略可以包括以下示出的一種或者多種的組合：
由車主自行進行處理事故的處理策略；
派遣專員前往事故現場進行事故處理的處理策略；
派遣與所述事故類型關聯的專員前往事故現場進行事故處理的處理策略。
本領域技術人員在考慮說明書及實踐這裡公開的發明後，將容易想到本說明書的其它實施方案。本說明書旨在涵蓋本說明書的任何變型、用途或者適應性變化，這些變型、用途或者適應性變化遵循本說明書的一般性原理並包括本說明書未公開的本技術領域中的公知常識或慣用技術手段。說明書和實施例僅被視為示例性的，本說明書的真正範圍和精神由下面的請求項指出。
應當理解的是，本說明書並不局限於上面已經描述並在圖式中示出的精確結構，並且可以在不脫離其範圍進行各種修改和改變。本說明書的範圍僅由所附的請求項來限制。
以上所述僅為本說明書一個或多個實施例的較佳實施例而已，並不用以限制本說明書一個或多個實施例，凡在本說明書一個或多個實施例的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本說明書一個或多個實施例保護的範圍之內。
102:步驟
104:步驟
106:步驟
30:車禍事故處理裝置
301:第一獲取模組
302:計算模組
303:決策模組
304:第二獲取模組
305:訓練模組
圖1是本說明書一示例性實施例示出的一種車禍事故處理方法的流程圖；
圖2是本說明書一示例性實施例示出的一種車禍事故處理裝置所在電子設備的硬體結構圖；
圖3是本說明書一示例性實施例示出的一種車禍事故處理裝置的方塊圖。
Claims (15)
- 一種車禍事故處理方法，所述方法包括： 獲取採集到的車禍事故的事故資料； 將所述事故資料輸入至預設的分類模型中進行分類計算，並基於分類計算結果確定與所述事故資料對應的事故類型；其中，所述預設的分類模型為基於若干被標註了事故類型的事故資料樣本訓練出的機器學習模型； 基於所述事故類型針對所述車禍事故進行業務處理決策。
- 根據請求項1所述的方法，所述方法還包括： 獲取預設數量的事故資料樣本；其中，所述事故資料樣本被標註了對應事故類型； 基於預設的機器學習演算法針對所述事故資料樣本進行訓練，以得到所述分類模型。
- 根據請求項1所述的方法，所述分類模型為卷積神經網路。
- 根據請求項1所述的方法，所述事故資料包括：事故現場的圖像資料。
- 根據請求項1所述的方法，所述事故類型包括以下示出的一種或者多種的組合： 事故原因類型；碰撞物類型；碰撞程度類型；事故損傷類型；事故性質類型。
- 根據請求項1所述的方法，所述基於所述事故類型針對所述車禍事故進行業務處理決策，包括： 查詢預設的映射關係，確定與事故類型對應的處理策略； 基於確定出的處理策略對所述車禍事故進行處理。
- 根據請求項6所述的方法，所述處理策略包括以下示出的一種或者多種的組合： 由車主自行進行處理事故的處理策略； 派遣專員前往事故現場進行事故處理的處理策略； 派遣與所述事故類型關聯的專員前往事故現場進行事故處理的處理策略。
- 一種車禍事故處理裝置，所述裝置包括： 第一獲取模組，用於獲取採集到的車禍事故的事故資料； 計算模組，用於將所述事故資料輸入至預設的分類模型中進行分類計算，並基於分類計算結果確定與所述事故資料對應的事故類型；其中，所述預設的分類模型為基於若干被標註了事故類型的事故資料樣本訓練出的機器學習模型； 決策模組，用於基於所述事故類型針對所述車禍事故進行業務處理決策。
- 根據請求項8所述的裝置，所述裝置還包括： 第二獲取模組，用於獲取預設數量的事故資料樣本；其中，所述事故資料樣本被標註了對應事故類型； 訓練模組，用於基於預設的機器學習演算法針對所述事故資料樣本進行訓練，以得到所述分類模型。
- 根據請求項8所述的裝置，所述分類模型為卷積神經網路。
- 根據請求項8所述的裝置，所述事故資料包括：事故現場的圖像資料。
- 根據請求項8所述的裝置，所述事故類型包括以下示出的一種或者多種的組合： 事故原因類型；碰撞物類型；碰撞程度類型；事故損傷類型；事故性質類型。
- 根據請求項8所述的裝置，所述決策模組具體用於： 查詢預設的映射關係，確定與事故類型對應的處理策略； 基於確定出的處理策略對所述車禍事故進行處理。
- 根據請求項13所述的裝置，所述處理策略包括以下示出的一種或者多種的組合： 由車主自行進行處理事故的處理策略； 派遣專員前往事故現場進行事故處理的處理策略； 派遣與所述事故類型關聯的專員前往事故現場進行事故處理的處理策略。
- 一種電子設備，所述電子設備包括： 處理器； 用於儲存機器可執行指令的儲存器； 其中，透過讀取並執行所述儲存器儲存的與車禍事故處理的控制邏輯對應的機器可執行指令，所述處理器被促使： 獲取採集到的車禍事故的事故資料； 將所述事故資料輸入至預設的分類模型中進行分類計算，並基於分類計算結果確定與所述事故資料對應的事故類型；其中，所述預設的分類模型為基於若干被標註了事故類型的事故資料樣本訓練出的機器學習模型； 基於所述事故類型針對所述車禍事故進行業務處理決策。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811529729.2A CN110033011A (zh) | 2018-12-14 | 2018-12-14 | 车祸事故处理方法和装置、电子设备 |
| CN201811529729.2 | 2018-12-14 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TW202022732A true TW202022732A (zh) | 2020-06-16 |
Family
ID=67235340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108135491A TW202022732A (zh) | 2018-12-14 | 2019-10-01 | 車禍事故處理方法和裝置、電子設備 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN110033011A (zh) |
| TW (1) | TW202022732A (zh) |
| WO (1) | WO2020119314A1 (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033011A (zh) * | 2018-12-14 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 车祸事故处理方法和装置、电子设备 |
| CN110473418B (zh) * | 2019-07-25 | 2022-05-20 | 平安科技（深圳）有限公司 | 危险路段识别方法、装置、服务器及存储介质 |
| CN110705405B (zh) * | 2019-09-20 | 2021-04-20 | 创新先进技术有限公司 | 目标标注的方法及装置 |
| CN110838230B (zh) * | 2019-11-15 | 2020-12-22 | 侯宇红 | 一种移动视频监控方法、监控中心及*** |
| CN111047861A (zh) * | 2019-12-04 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 交通事故处理方法和装置、电子设备 |
| CN111369373B (zh) * | 2020-03-06 | 2023-05-05 | 德联易控科技(北京)有限公司 | 车辆内部损坏确定方法及装置 |
| CN111696366A (zh) * | 2020-06-04 | 2020-09-22 | 中国人民解放军战略支援部队信息工程大学 | 一种道路事故感知识别方法及*** |
| CN111881856B (zh) * | 2020-07-31 | 2023-01-31 | 蚂蚁胜信(上海)信息技术有限公司 | 基于图像的车辆定损方法和装置 |
| CN113158835A (zh) * | 2021-03-31 | 2021-07-23 | 华南理工大学 | 一种基于深度学习的交通事故智能检测方法 |
| CN113808397A (zh) * | 2021-09-01 | 2021-12-17 | 上海钧正网络科技有限公司 | 非机动车事故的数据处理方法、装置和云端服务器 |
| CN113592040B (zh) * | 2021-09-27 | 2021-12-03 | 山东蓝湾新材料有限公司 | 对危化品事故进行分类的方法及装置 |
| CN115797897A (zh) * | 2023-02-03 | 2023-03-14 | 广州斯沃德科技有限公司 | 一种基于图像处理的车辆碰撞识别方法和*** |
| CN117408678A (zh) * | 2023-12-11 | 2024-01-16 | 长春汽车工业高等专科学校 | 一种基于大数据的碰撞车辆损伤处理方法及*** |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101957942A (zh) * | 2010-08-10 | 2011-01-26 | 秦皇岛首秦金属材料有限公司 | 一种应用于钢厂的事故预案专家*** |
| KR102134583B1 (ko) * | 2013-04-29 | 2020-07-16 | 팅크웨어(주) | 차량용 영상 처리 장치 및 이를 이용한 정보 제공 방법 |
| CN105225500B (zh) * | 2015-08-20 | 2018-04-03 | 青岛海信网络科技股份有限公司 | 一种交通控制辅助决策方法及装置 |
| CN105245001B (zh) * | 2015-09-18 | 2018-04-13 | 贵州电力试验研究院 | 一种事件驱动的变电站事故智能告警处理方法和装置 |
| CN106101628A (zh) * | 2016-06-30 | 2016-11-09 | 深圳市元征科技股份有限公司 | 一种车辆事故处理的方法以及终端 |
| CN106228493A (zh) * | 2016-08-01 | 2016-12-14 | 深圳市永兴元科技有限公司 | 车辆事故处理方法及装置 |
| US10012993B1 (en) * | 2016-12-09 | 2018-07-03 | Zendrive, Inc. | Method and system for risk modeling in autonomous vehicles |
| CN108629963A (zh) * | 2017-03-24 | 2018-10-09 | 纵目科技（上海）股份有限公司 | 基于卷积神经网络的交通事故上报方法及***、车载终端 |
| 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*** |
| CN107610091A (zh) * | 2017-07-31 | 2018-01-19 | 阿里巴巴集团控股有限公司 | 车险图像处理方法、装置、服务器及*** |
| CN107909113B (zh) * | 2017-11-29 | 2021-11-16 | 北京小米移动软件有限公司 | 交通事故图像处理方法、装置及存储介质 |
| CN108921411A (zh) * | 2018-06-19 | 2018-11-30 | 国网湖南省电力有限公司 | 一种基于案例推理的电力事故应急辅助决策方法 |
| CN110033011A (zh) * | 2018-12-14 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 车祸事故处理方法和装置、电子设备 |
-
2018
- 2018-12-14 CN CN201811529729.2A patent/CN110033011A/zh active Pending
-
2019
- 2019-10-01 TW TW108135491A patent/TW202022732A/zh unknown
- 2019-10-31 WO PCT/CN2019/114579 patent/WO2020119314A1/zh active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| CN110033011A (zh) | 2019-07-19 |
| WO2020119314A1 (zh) | 2020-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TW202022732A (zh) | 車禍事故處理方法和裝置、電子設備 | |
| TWI770420B (zh) | 車輛事故的鑑定方法及裝置、電子設備 | |
| TWI712980B (zh) | 理賠資訊提取方法和裝置、電子設備 | |
| KR102151365B1 (ko) | 이미지 기반 차량 손실 평가 방법, 장치 및 시스템, 및 전자 디바이스 | |
| JP6689972B2 (ja) | 深層学習に基づくナンバープレート分類方法、システム、電子装置及び記憶媒体 | |
| US20200097742A1 (en) | Training neural networks for vehicle re-identification | |
| US20200380848A1 (en) | Passenger-related item loss mitigation | |
| WO2020186867A1 (zh) | 注视区域检测方法、装置及电子设备 | |
| JP2021072133A (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 | |
| US9077678B1 (en) | Facilitating photo sharing | |
| WO2020042984A1 (zh) | 一种车辆行为检测方法及装置 | |
| EP3648448A1 (en) | Target feature extraction method and device, and application system | |
| KR20190139938A (ko) | 픽쳐 기반의 차량 손해 평가 방법 및 장치, 및 전자 디바이스 | |
| CN108038176B (zh) | 一种路人库的建立方法、装置、电子设备及介质 | |
| WO2020173117A1 (zh) | 人脸识别方法、神经网络训练方法、装置及电子设备 | |
| US11429820B2 (en) | Methods for inter-camera recognition of individuals and their properties | |
| WO2021129107A1 (zh) | 深度人脸图像的生成方法、装置、电子设备及介质 | |
| WO2021031704A1 (zh) | 对象追踪方法、装置、计算机设备和存储介质 | |
| WO2020151507A1 (zh) | 档案合并方法及装置 | |
| WO2022142903A1 (zh) | 身份识别方法、装置、电子设备及相关产品 | |
| TW202125332A (zh) | 一種目標運動軌跡構建方法、設備以及計算機存儲介質 | |
| Ousmane et al. | Automatic recognition system of emotions expressed through the face using machine learning: Application to police interrogation simulation | |
| WO2015102711A2 (en) | A method and system of enforcing privacy policies for mobile sensory devices | |
| CN104598932B (zh) | 一种基于事件信息的照片分类方法及*** | |
| TWI547816B (zh) | 照片分群系統及方法 |