TWI676938B - 提升車輛定損圖像識別結果的方法、裝置及伺服器 - Google Patents
提升車輛定損圖像識別結果的方法、裝置及伺服器 Download PDFInfo
- Publication number
- TWI676938B TWI676938B TW107118448A TW107118448A TWI676938B TW I676938 B TWI676938 B TW I676938B TW 107118448 A TW107118448 A TW 107118448A TW 107118448 A TW107118448 A TW 107118448A TW I676938 B TWI676938 B TW I676938B
- Authority
- TW
- Taiwan
- Prior art keywords
- vehicle
- parts
- list
- accessory
- damaged
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 71
- 238000003860 storage Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 230000006872 improvement Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000005291 magnetic effect Effects 0.000 description 8
- 239000000463 material Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 5
- 229910052709 silver Inorganic materials 0.000 description 5
- 239000004332 silver Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000007795 chemical reaction product Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Technology Law (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本說明書實施例公開了一種提升車輛定損圖像識別結果的方法、裝置及伺服器。所述方法包括:獲取車輛的初步受損部件,所述初步受損部件包括利用預設的圖像識別算法對定損圖像進行識別處理得到車輛的受損部件;獲取所述車輛的配件列表,所述配件列表中包括車輛配件資料對應的配件識別編號;將所述初步受損部件在所述配件列表中進行匹配,確定所述初步受損部件對應在所述配件列表中的車輛配件;輸出匹配到的所述車輛配件的配件識別編號。定損車輛的配件列表資訊與圖像識別結合起來可以明顯提升定損圖像識別受損部件識別結果的準確度,大大降低圖像識別算法/模型額外的學習成本和週期。
Description
本說明書實施例方案屬於車輛定損圖像資料處理的技術領域,尤其涉及一種提升車輛定損圖像識別結果的方法、裝置及伺服器。
隨著車輛保有量的逐年增加,各保險公司的車險業務量也隨之增加。如何快速、準確的為用戶提供車輛定損服務是目前各車型行業重點研究的方向。 在對車輛定損處理時通常需要通過對定損圖像的識別來確定車輛的受損部件,而受損部件識別的準確度主要依賴對定損圖像進行識別的算法/模型,通過各種模型/算法對車輛損失的圖像(包含圖片和視頻等影像資料)進行識別,獲得損傷部位和程度,然後根據相應的維修策略得到定損結果。目前業內所使用的模型/算法主要是預先收集各種車型的外觀資料進行學習,然後利用構建的車輛配件損傷算法識別定損圖像中的損傷部件和損傷程度。為了保障識別精度,通常盡可能多的獲取各種車輛的外觀圖像資料作為樣本圖像進行訓練,而且模型算法的訓練和參數優化過程週期通常較長,整體實現成本較大。並且單純的依賴模型算法識別圖像中的受損部件,其部件識別的準確性也會受限於收集車輛外觀圖像資料的多少。因此,在車輛圖定損圖像識別的處理中,還需要一種實施成本更低、識別結果更加準確的處理方案。
本說明書實施例目的在於提供一種提升車輛定損圖像識別結果的方法、裝置及伺服器,可以有效提高車輛定損圖像識別結果的精度和識別效率,降低整體圖像算法識別週期和成本。 本說明書實施例提供的一種提升車輛定損圖像識別結果的方法、裝置及伺服器是包括以下方式實現的: 一種提升車輛定損圖像識別結果的方法,所述方法包括: 獲取車輛的初步受損部件,所述初步受損部件包括利用預設的圖像識別算法對定損圖像進行識別處理得到車輛的受損部件; 獲取所述車輛的配件列表,所述配件列表中包括車輛配件資料對應的配件識別編號; 將所述初步受損部件在所述配件列表中進行匹配,確定所述初步受損部件對應在所述配件列表中的車輛配件; 輸出匹配到的所述車輛配件的配件識別編號。 一種提升車輛定損圖像識別結果的裝置,所述裝置包括: 算法處理模組,用於獲取車輛的初步受損部件,所述初步受損部件包括利用預設的圖像識別算法對定損圖像進行識別處理得到車輛的受損部件; 配件列表處理模組,用於獲取所述車輛的配件列表,將所述配件列表中的車輛配件資料轉換為相應的配件識別編號; 匹配模組,用於將所述初步受損部件在所述配件列表中進行匹配,確定所述初步受損部件對應在所述配件列表中的車輛配件; 識別結果輸出模組,用於輸出匹配到的所述車輛配件的配件識別編號。 一種提升車輛定損圖像識別結果的裝置,包括處理器以及用於儲存處理器可執行指令的儲存器,所述處理器執行所述指令時實現: 獲取車輛的初步受損部件,所述初步受損部件包括利用預設的圖像識別算法對定損圖像進行識別處理得到車輛的受損部件; 獲取所述車輛的配件列表,將所述配件列表中的車輛配件資料轉換為相應的配件識別編號; 將所述初步受損部件在所述配件列表中進行匹配,確定所述初步受損部件對應在所述配件列表中的車輛配件; 輸出匹配到的所述車輛配件的配件識別編號。 一種伺服器,包括至少一個處理器和儲存處理器可執行指令的儲存器,所述處理器執行所述指令時實現: 獲取車輛的初步受損部件,所述初步受損部件包括利用預設的圖像識別算法對定損圖像進行識別處理得到車輛的受損部件; 獲取所述車輛的配件列表,將所述配件列表中的車輛配件資料轉換為相應的配件識別編號; 將所述初步受損部件在所述配件列表中進行匹配,確定所述初步受損部件對應在所述配件列表中的車輛配件; 輸出匹配到的所述車輛配件的配件識別編號。 本說明書實施例提供的一種提升車輛定損圖像識別結果的方法、裝置及伺服器,可以通過圖像的識別算法得到初步的受損部件的資訊後,結合車輛的配件列表得到所述初步受損部件的在配件列表中更加精確的車輛配件編號。對定損圖像通過算法識別後結合配件列表輸出更加準確的配件編號,可以有效提升圖像識別結果的準確性,提高圖像識別精度。本說明書提供的實施方案,可以結合細化到單個個體車輛的配件資料資訊輸出車輛的受損配件的配件識別編號,輸出結果更加精準,極大的利於配件定位/採購,降低了整體定損圖像識別算法的識別成本和學習週期,大大提高了車輛定損圖像識別處理的效率和準確性。
為了使本技術領域的人員更好地理解本說明書中的技術方案,下面將結合本說明書實施例中的圖式,對本說明書實施例中的技術方案進行清楚、完整地描述,顯然,所描述的實施例僅是本說明書中的一部分實施例,而不是全部的實施例。基於本說明書中的一個或多個實施例,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,都應當屬於本說明書實施例保護的範圍。 現有中車輛的劃分多種多樣,即使是同一車型,也常常會因不同年出廠時間、不同配置(如高、中、低配置),甚至與廠商的個性化定制等因素,使得同一車型的同一部位的部件可能存在較大差異,甚至是完整不同的配件。例如,同一款車型的保險桿中,舒適性配置的前保險桿為整體式,而豪華型配置的前保險桿為三段式。或者,中配車型的保險桿上有飾條,而低配車型的保險桿上無飾條。現有的單純依賴圖像識別技術對車輛受損部位進行識別的處理方案難以上述差異的識別或者需要成本更高、學習週期更長的圖像識別算法和樣本資料。當前汽車製造越來越標準化,獲取車輛的配件識別編號(也可以稱為配件OE號,指車輛製造商對其生產車型的零配件的編號),便可以在市場上精準的採購配件。雖然車型有差異,但通常製造商都會保留有每個出廠的車輛的配置資訊。因此,本說明書中一個或多個實施例提供的實施方案,可以利用車輛唯一的車輛識別碼獲取定損車輛的配件列表資訊,然後與圖像識別算法結合起來,可以明顯提升定損圖像算法識別受損部件結果的準確度,大大降低圖像識別算法/模型額外的學習成本和學習週期。 本說明書實施例提供的提升車輛定損圖像識別結果的方法,可以在利用圖像識別算法初步獲取車輛的受損部件後,再獲取當前處理車輛的配件列表,基於所述配件列表進一步確定受損部件對應在配件列表中的配件資訊。例如,當通過圖像識別模型識別出受損部件是保險桿時,則可以根據車輛識別碼得知是哪種車型配置的保險桿(假設不同配置的車型的保險桿是有差別的),例如保險桿外是否有飾條等。然後可以將受損部件對應在配件列表中的車輛配件作為識別出的車輛的受損部件,例如受損部件為“帶有燻黑色尾燈”或者“保險桿:亮銀色ABS電鍍飾條”等。同時可以根據所述配件列表獲取所述車輛配件的配件識別編號,該配件識別編號可以用於精確採購,或者結合其他資訊反饋給車輛用戶或保險公司等其他關聯方,以基於該配件識別編號可以更加精確的進行車輛定損的相關處理。 具體的,圖1是本說明書提供的所述一種提升車輛定損圖像識別結果的方法實施例的流程示意圖。雖然本說明書提供了如下述實施例或圖式所示的方法操作步驟或裝置結構,但基於常規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說明書實施例或圖式所示的執行順序或模組結構。所述的方法或模組結構的在實際中的裝置、伺服器或終端產品應用時,可以按照實施例或者圖式所示的方法或模組結構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、甚至包括分布式處理、伺服器集群的實施環境)。 本說明書實施例提供的方法可以用於車輛定損圖像識別處理的伺服器、現場拍照進行定損圖像處理的客戶端(如安裝有定損服務應用的行動終端)或其他電子設備中,可以實現對定損圖像的識別處理,並可以結合車輛的配件列表得到車輛準確的受損部件的配件識別編號。具體的一個示例中可以以伺服器一側的處理為實施場景進行說明,如圖1所示,本說明書提供的一種提升車輛定損圖像識別結果的方法的實施例中,所述方法可以包括: S2:獲取車輛的初步受損部件,所述初步受損部件包括利用預設的圖像識別算法對定損圖像進行識別處理得到車輛的受損部件。 伺服器可以獲取車輛的定損圖像,具體的可以包括行動終端現場拍攝傳輸給伺服器的圖像的獲取方式,也可以包括從行動儲存設備、遠程儲存設備或其他第三方服務平臺獲取的圖像。本說明書實施中所描述圖像可以為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、投影機或電腦螢幕上的畫面。在本實施例中,所述的定損圖像具體的可以包括單張拍攝獲取的車輛圖片或者拍攝的視頻(一段視頻可以視為連續圖像的集合)。伺服器可以利用車輛的定損圖像進行識別處理,確定所述定損圖像中的受損部件和受損程度,具體的伺服器可以輸出初步受損部件的名稱、受損程度的相關資料,如初步受損部件的中文標簽,受損程度的類型(輕微、嚴重等)或分值(50%、80%等)。 在本實施例中,可以預先採用設計的圖像識別算法構建用於識別定損圖像中車輛受損部件的部件損傷識別模型。該部件損傷識別模型經過前期的樣本訓練後,可以識別出所述部件圖像中車輛配件的損傷部位和損傷類型。本實施例中,所述的圖像識別算法可以包括採用深度神經網路的一些網路模型算法以及變種,經過樣本訓練後構建生成的部件受損識別模型的處理算法。具體的一個示例中,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、全連接層等構建圖像識別的算法模型,伺服器獲取定損圖像後,可以利用該算法模型對所述定損圖像進行識別,識別出定損圖像中所述車輛的初步受損部件。 上述所述的圖像識別算法可以選擇同類模型或者算法。例如,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。本實施例中所述的初步受損部件可以理解為通過圖像識別算法進行處理後輸出的受損部件的名稱、受損類型、程度等資料資訊,此時的所述初步受損部件還未結合車輛的配件列表進行進一步的配件識別處理。 S4:獲取所述車輛的配件列表,所述配件列表中包括車輛配件資料對應的配件識別編號。 上述中通過圖像識別算法得到的初步受損部件的資訊常常會出現識別出了是某個車型的部件,如保險桿、前車門、尾燈等,但由於不同配置的車型在一些部件上存在差異或者外觀、形狀有較大差異。因此,本說明書實施例提供的實施方案中,可以根據當前處理的車輛的關聯資訊(如車主身份資訊)得到所述車輛的車輛識別碼,也稱為VIN碼(Vehicle Identification Number,車輛識別碼),它是每輛車唯一的識別標識。然後根據所述車輛識別碼獲取當前處理車輛的配件列表。因此,一種實施例中,所述獲取所述車輛的配件列表可以包括: 利用所述車輛的車輛識別碼查詢獲取的所述車輛的配件列表資料資訊。 所述的配件列表通常包括了詳細和全面描述了車輛的各個配件的資訊,具體的,同一車型不同配置級別可以對應不同的配件列表、同一車型不同的生產年份或月份可以對應不同的配件列表,或者不同排量、手動/自動變速箱,甚至網上和實體店出售的同一型號的車輛都可以對應不同的配件列表、個人或公司等專門定制的車輛有單獨對應的配件列表等情況。 所述配件列表中可以包括該車輛上各個配件的配件資料,如配件名稱、型號、規格、特性等,一般的,配件列表中還包括了車輛配件對應的配件識別編號,該配件識別編號可以為配件OE號,通常是指主機廠(整車廠)對其生產車型的零配件的編號,該編號可以在市場上精準採購配件。 需要說明的是,所述獲取車輛配件列表的時機可以包括在對定損圖像識別處理得到初步受損部件之後再去獲取當前處理車輛的車輛識別碼,然後根據車輛識別碼查詢到車輛配件列表。也可以定損圖像傳輸給伺服器或者伺服器在定損圖像識別的處理過程中獲取得到車輛配件列表。在本說明書實施例中,通過圖像識別算法獲得初步受損部件,然後結合獲取的配件列表輸出準確的車輛受損部件的配件識別編號,本說明書的一些實施例對所述車輛配件列表資訊的獲取時機不做限定。另外,所述配件列表資訊的獲取方式可以包括從友盟方獲取的實施方式。 S6:將所述初步受損部件在所述配件列表中進行匹配,確定所述初步受損部件對應在所述配件列表中的車輛配件。 獲取當前處理車輛的車輛識別碼,可以根據該車輛的車輛識別碼獲取車輛對應的詳細、全面的車輛配置資訊。進一步的,可以將前述識別到的初步受損部件在所述配件列表中進行匹配,查詢是否有與所述初步受損部件對應的車輛配件。 具體的根據配件列表確定查詢所述初步受損部件對應的車輛配件時,如果配件列表中有進一步表示該初步受損部件的其他特徵屬性的資訊,例如初步受損部件具體的規格、是否包含其他配飾等與同車型的其他車輛的區別特徵。如果有這樣的特徵屬性,則可以將配件列表中對應的配件資訊替換為所述初步受損部件,即將所述識別出的配件列表中的車輛配件作為與所述初步受損部件對應的車輛配件。因此,本說明書提供的所述方法的另一個實施例中,所述將所述初步受損部件在所述配件列表中進行匹配確定所述初步受損部件對應在所述配件列表中的車輛配件可以包括: S60:查詢所述配件列表中是否有確定所述初步受損部件特徵屬性的車輛配件,若有,則將查詢到的車輛配件作為與所述初步受損部件對應的車輛配件。 具體的一個示例中,可以獲取車輛C1的定損圖像,通過圖像識別算法得到的初步受損部件為“保險桿”。然後可以獲取車輛C1的車輛識別碼VIN碼為“WXXXXXXX0512”,通過該VIN碼可以獲取該車輛C1的配置表(配件列表)。假設車輛C1在不同配置級別中,保險桿的配置是有區別的,例如中高配車型的保險桿帶有飾條,並僅高配車型的保險桿帶有的是亮銀色ABS飾條。通過定損圖像識別得到的初步受損部件為“保險桿”後,可以根據該車輛C1的配件列表查詢到該車輛C1的保險桿在配件列表中的配件資料是“保險桿:帶有亮銀色ABS飾條”。此時可以將查詢到的配件列表中的車輛配件資料“保險桿:帶有亮銀色ABS飾條”作為確定的與所述初步受損部件對應的車輛配件。 當然,其他的示例中,所述的屬性資訊還可以包括例如確定前保險桿是三段式還是整體式、確定大燈是鹵素燈還是氙氣燈、副駕車門是否帶有安全氣簾等。當不同配置、不同批次的同一款車型的受損部件存在差異時,利用本說明書提供的實施例則可以從配件列表中進一步確認受損部件中的一些個性化配置資訊,提高定損圖像最終受損部件的識別精度。 另一個實施場景中,所述的配件列表中除了可以有進一步確定所述初步識別配件其他特徵數的資訊,對於一些部件而言,車輛配置中還存在不同配置位置的多級分類。例如識別出初步受損部件是前保險桿,但對應車型的保險桿是分左右的,右左前保險桿、右前保險桿。因此,本說明書所述方法的另一個實施例中,在識別出初步受損部件後,若對應的配件列表中存在多個該受保部件的分類,則可以將前述圖像識別算法輸出的初步受損部件的圖像再次進行識別處理,進一步識別出該初步受損部件在所述配件列表中所屬多個分類中的一個。具體的,所述將所述初步受損部件在所述配件列表中進行匹配確定所述初步受損部件對應在所述配件列表中的車輛配件可以包括: S61:若在所述配件列表中存在至少兩個所述初步受損部件的子級配件分類時,則對所述初步受損部件所對應的定損圖像再次進行識別處理,直至在所述子級配件分類中確定出所述初步受損部件對應的唯一車輛配件,或達到定損圖像的識別處理次數上限。 所述的配件列表中的部分或全部配件資訊可以劃分為不同的分級,可以從配件安裝位置、材料、總成等劃分所述的初步受損部件不同分類的車輛配件,不僅包括不同位置的分類,如左前保險桿、右前保險桿,某個配件的上下之分等,其他的實施例中,一些所述初步受損部件的不同分類也可以包括不同型號、不同顏色、不同材質的分類等。 當前述圖像識別算法的處理過程中未能識別出車輛在這種不同分類上的區別時,可以將所述初步受損部件所對應的定損圖像再次進行識別,以確定該初步受損部件對應在所述配件列表中的車輛配件。一種實施方式中,可以將所述初步受損部件所對應的定損圖像再次輸入前述所述的圖像識別算法,即可以採用識別初步受損部件的圖像識別算法再次對所述初步受損部件對應的定損圖像進行識別處理。當然,再次識別處理時也可以根據需求進行一些參數的調整。其他的實施方式中,也可以採用與所述識別初步受損部件的圖像算法不同的圖像識別算法進行處理,例如針對部件左右位置、材質、顏色等識別處理的算法,具體的可以根據配件列表中同一配件類型的不同位置、材質、顏色等分類進行相應的算法設置。這樣,可以結合車輛配件資料對所述初步受損部件在配件類別中有進一步不同分類的定損圖像做多次或多種方式的識別處理,對此類定損圖像進行重點識別處理,可以更加得到更加準確的定損圖像中受損部件的識別結果。 圖2是本說明書提供的另一種提升車輛定損圖像識別結果的方法實施例的流程示意圖。另一種實施方式中,如果配件類別中沒有匹配到受損部件對應的車輛配件,例如定損圖像重新識別後也無法查找到,或者基於當前受損部件的名稱或部件的分類級別找不到配件列表中對應的車輛配件,則可以表示配件列表中沒有該類型的初步受損部件。則此時可以在所述配件列表中向上一級或下一級查找與所述受損部件存在包含關係的配件。具體的,本說明書所述方法的另一個實施例中,所述方還可以包括: S70:若在所述配件列表中未匹配到所述初步受損部件對應的車輛配件,則在所述配件列表中查找與所述初步受損部件有配件包含關係的車輛配件,並以查找到的車輛配件作為所述初步受損部件對應在所述配件列表中的車輛配件。 具體的一個示例中,例如,通過圖像識別算法識別出的初步受損部件為後翼子板,在配件列表中找不到後翼子板時,可以查找後翼子板總成,所述的後翼子板總成包含所述後翼子板,在一些實施場景中,車輛的配件沒有單獨的後翼子板,如果要更換後翼子板,則需要更換整個後翼子板總成的配件。類似的,找不到倒車鏡時,則可以向倒車鏡受損部件所包括的車輛配件進行查找,找倒車鏡殼的車輛配件。 S8:輸出匹配到的所述車輛配件的配件識別編號。 當確定所述車輛對應在所述配件列表中的車輛配件後,可以將該車輛配件作為所述車輛的受損部件。所述的配件列表中通常包括車輛配件的配件識別編號,本實施例中可以結合配件列表獲取車輛配件的配件識別編號。所述配件識別編號可以用於精確定位配件,便於市場採購或獲取市場價格,或者結合其他資訊反饋給車輛用戶或保險公司等其他關聯方,保險公司或第三方服務平臺可以基於該配件識別編號更加精確的進行車輛定損處理。例如利用所述配件識別編號查詢所述車輛配件的價格資料,或者進一步的基於查詢到的車輛配件的價格資料確定所述車輛的定損資訊等。 具體的一個示例中,例如通過配件列表資訊確定車輛C1的受損部件為“保險桿:帶有亮銀色ABS飾條”,同時可以獲取該配件的OE號(配件的OE號是一種配件識別編號類型)為F1DU-10300-AK,可以根據該OE號到價格庫中查詢該配件的價格。 圖3是利用本說明書實施例方案進行車輛定損處理的一個實施場景的處理流程示意圖。客戶端可以將定損圖像發送給伺服器,伺服器通過圖像識別算法得到初步受損部件,輸出初步受損部件的中文名。然後結合車輛的VIN碼得到該車輛的配件列表,將所述初步受損配件與配件列表中的車輛配件進行匹配,得到所述初步受損部件對應的車輛配件。然後可以將車輛配件轉換為相應的OE號輸出。輸出的OE號可以繼續由伺服器進行處理,例如查詢價格庫,也可以發送給車險公司或其他第三方服務方進行定損處理。 本領域技術人員能夠理解到,可以將本說明書實施例提供方案的應用到多種車輛定損的實施場景中,如保險公司或修理廠的車輛定損,或者4S門店、雲伺服器提供的車輛定損服務,或者伺服器或客戶端應用提供的定損圖像識別處理。處理的終端設備可以包括單獨的處理伺服器,也可以包括與其他友商的伺服器交互通訊完成實施方案,或者伺服器識別的受損部件或配件識別編號發送給另一個伺服器進行定損的相關處理。 本說明書實施例提供的提升車輛定損圖像識別結果的方法,可以通過圖像的識別算法得到初步的受損部件的資訊後,結合車輛的配件列表得到所述初步受損部件的在配件列表中更加精確的車輛配件編號。對定損圖像通過算法識別後結合配件列表輸出更加準確的配件編號,可以有效提升圖像識別結果的準確性,提高圖像識別精度。本說明書提供的實施方案,可以結合細化到單個個體車輛的配件資料資訊輸出車輛的受損配件的配件識別編號,輸出結果更加精準,極大的利於配件定位/採購,降低了整體定損圖像識別算法的識別成本和學習週期,大大提高了車輛定損圖像識別處理的效率和準確性。 基於上述所述的提升車輛定損圖像識別結果的方法,本說明書還提供一種提升車輛定損圖像識別結果的裝置。所述的裝置可以包括使用了本說明書實施例所述方法的系統(包括分布式系統)、軟體(應用)、模組、組件、伺服器、客戶端、量子電腦等並結合必要的實施硬體的裝置。基於同一創新構思,本說明書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,因此本說明書實施例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是本說明書提供的一種提升車輛定損圖像識別結果的裝置實施例的模組結構示意圖,如圖4所示,可以包括: 算法處理模組101,可以用於獲取車輛的初步受損部件,所述初步受損部件包括利用預設的圖像識別算法對定損圖像進行識別處理得到車輛的受損部件; 配件列表處理模組102,可以用於獲取所述車輛的配件列表,將所述配件列表中的車輛配件資料轉換為相應的配件識別編號; 匹配模組103,可以用於將所述初步受損部件在所述配件列表中進行匹配,確定所述初步受損部件對應在所述配件列表中的車輛配件; 識別結果輸出模組104,可以用於輸出匹配到的所述車輛配件的配件識別編號。 確定車輛的受損部件並獲得該受損部件的配件識別編號,可以精確定位配件,便於市場採購或獲取市場價格,或者結合其他資訊反饋給車輛用戶或保險公司等其他關聯方,保險公司或第三方服務平臺可以基於該配件識別編號更加精確的進行車輛定損處理。所述裝置的另一個實施例中,所述配件列表處理模組102中獲取的配件列表可以包括:利用所述車輛的車輛識別碼查詢獲取的所述車輛的配件列表資料資訊。 所述裝置另一個實施例中,所述匹配模組103可以包括: 特徵配件模組1031,可以用於查詢所述配件列表中是否有確定所述初步受損部件特徵屬性的車輛配件,若有,則將查詢到的車輛配件作為與所述初步受損部件對應的車輛配件。 圖5是本說明書提供的所述裝置另一個實施例的模組結構示意圖,如圖5所示,所述裝置的另一個實施例中,所述匹配模組103包括: 重識別模組1032,可以用於若在所述配件列表中存在至少兩個所述初步受損部件的子級配件分類時,則對所述初步受損部件所對應的定損圖像再次進行識別處理,直至在所述子級配件分類中確定出所述初步受損部件對應的唯一車輛配件,或達到定損圖像的識別處理次數上限。 具體的所述重識別模組1032可以將所述初步受損部件所對應的定損圖像再次輸入算法處理模組101中,採用識別初步受損部件的圖像識別算法再次對所述初步受損部件對應的定損圖像進行識別處理。其他的實施方式中,也可以採用與所述識別初步受損部件的圖像算法不同的圖像識別算法進行處理,例如針對部件左右位置、材質、顏色等識別處理的算法。圖5中虛線表示在其他的實施例中可以連通的實施方式。 圖6是本說明書提供的所述裝置另一個實施例的模組結構示意圖,如圖6所示,所述裝置的另一個實施例中,所述裝置還可以包括: 關係配件匹配模組105,可以用於在所述配件列表中未匹配到所述初步受損部件對應的車輛配件時,在所述配件列表中查找與所述初步受損部件有配件包含關係的車輛配件,並以查找到的車輛配件作為所述初步受損部件對應在所述配件列表中的車輛配件。 本說明書實施例提供的提升車輛定損圖像識別結果的方法可以在電腦中由處理器執行相應的程式指令來實現,如使用windows操作系統的c++語言在PC端實現,或其他例如Linux、android、iOS系統相對應的應用設計語言集合必要的硬體實現,以及基於量子電腦的處理邏輯實現等。具體的,本說明書提供的一種提升車輛定損圖像識別結果的裝置的一種實施例中,所述裝置可以包括處理器以及用於儲存處理器可執行指令的儲存器,所述處理器執行所述指令時實現: 獲取車輛的初步受損部件,所述初步受損部件包括利用預設的圖像識別算法對定損圖像進行識別處理得到車輛的受損部件; 獲取所述車輛的配件列表,將所述配件列表中的車輛配件資料轉換為相應的配件識別編號; 將所述初步受損部件在所述配件列表中進行匹配,確定所述初步受損部件對應在所述配件列表中的車輛配件; 輸出匹配到的所述車輛配件的配件識別編號。 需要說明的是,本說明書實施例上述所述的裝置根據相關方法實施例的描述還可以包括其他的實施方式,具體的實現方式可以參照方法實施例的描述,在此不作一一贅述。 本說明書中的各個實施例均採用遞進的方式描述,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,對於硬體+程式類實施例而言,由於其基本相似於方法實施例,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。 上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下,在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外,在圖式中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中,多任務處理和並行處理也是可以的或者可能是有利的。 本說明書實施例提供的一種提升車輛定損圖像識別結果的裝置,可以通過圖像的識別算法得到初步的受損部件的資訊後,結合車輛的配件列表得到所述初步受損部件的在配件列表中更加精確的車輛配件編號。對定損圖像通過算法識別後結合配件列表輸出更加準確的配件編號,可以有效提升圖像識別結果的準確性,提高圖像識別精度。本說明書提供的實施方案,可以結合細化到單個個體車輛的配件資料資訊輸出車輛的受損配件的配件識別編號,輸出結果更加精準,極大的利於配件定位/採購,降低了整體定損圖像識別算法的識別成本和學習週期,大大提高了車輛定損圖像識別處理的效率和準確性。 上述所述的裝置或方法可以用於各種電子設備中,實現對提升車輛定損圖像識別結果的,可以提升圖像識別結果的準確性,降低了伺服器算法學習成本和週期,為用戶輸出精準的受損部件資訊,提升用戶體驗。圖7是本說明書提供的伺服器的一個實施例的結構示意圖,所述的伺服器可以包括至少一個處理器和儲存處理器可執行指令的儲存器,所述的儲存器可以為易失性儲存器或非易失性儲存器的電腦儲存媒體,所述處理器執行所述指令時可以實現: 獲取車輛的初步受損部件,所述初步受損部件包括利用預設的圖像識別算法對定損圖像進行識別處理得到車輛的受損部件; 獲取所述車輛的配件列表,將所述配件列表中的車輛配件資料轉換為相應的配件識別編號; 將所述初步受損部件在所述配件列表中進行匹配,確定所述初步受損部件對應在所述配件列表中的車輛配件; 輸出匹配到的所述車輛配件的配件識別編號。 上述所述伺服器具體的結構中,還可以包括其他的處理硬體,例如GPU(Graphics Processing Uni,圖形處理單元)、匯流排等。 所述電腦可讀儲存媒體可以包括用於儲存資訊的實體裝置,可以將資訊數位化後再以利用電、磁或者光學等方式的媒體加以儲存。本實施例所述的電腦可讀儲存媒體有可以包括:利用電能方式儲存資訊的裝置如,各式儲存器,如RAM、ROM等;利用磁能方式儲存資訊的裝置如,硬碟、軟碟、磁帶、磁芯儲存器、磁泡儲存器、隨身碟;利用光學方式儲存資訊的裝置如,CD或DVD。當然,還有其他方式的可讀儲存媒體,例如量子儲存器、石墨烯儲存器等。 需要說明的,上述所述的伺服器根據方法或裝置實施例的描述還可以包括其他的實施方式,具體的實現方式可以參照方法實施例的描述,在此不作一一贅述。 本說明書一個或多個實施例提供的一種提升車輛定損圖像識別結果的方法、裝置及伺服器,可以通過圖像的識別算法得到初步的受損部件的資訊後,結合車輛的配件列表得到所述初步受損部件的在配件列表中更加精確的車輛配件編號。對定損圖像通過算法識別後結合配件列表輸出更加準確的配件編號,可以有效提升圖像識別結果的準確性,提高圖像識別精度。本說明書提供的實施方案,可以結合細化到單個個體車輛的配件資料資訊輸出車輛的受損配件的配件識別編號,輸出結果更加精準,極大的利於配件定位/採購,降低了整體定損圖像識別算法的識別成本和學習週期,大大提高了車輛定損圖像識別處理的效率和準確性。 儘管本說明書實施例內容中提到通過CNN網路的算法識別初步受損部件、配件列表的分級劃分、受損圖像的再次識別處理、利用配件識別編號查詢配件價格等之類的圖像識別、獲取、交互、計算、判斷等描述,但是,本說明書實施例並不局限於必須是符合行業通訊標準、標準圖像資料處理協議、網路模型、電腦處理和資料庫規則或本說明書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,仍然可以屬於本說明書的可選實施方案範圍之內。 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。設計人員幾乎都通過將改進的方法流程程式化到硬體電路中來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,可程式化邏輯裝置(Programmable Logic Device, PLD)(例如場可程式化閘陣列(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程式化來確定。由設計人員自行程式化來把一個數位系統“積體”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,這種程式化也多半改用“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程式化語言來撰寫,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程式化並程式化到積體電路中,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代碼(例如軟體或韌體)的電腦可讀媒體、邏輯閘、開關、專用積體電路(Application Specific Integrated Circuit,ASIC)、可程式化邏輯控制器和嵌入微控制器的形式,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,儲存器控制器還可以被實現為儲存器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代碼方式實現控制器以外,完全可以通過將方法步驟進行邏輯程式化來使得控制器以邏輯閘、開關、專用積體電路、可程式化邏輯控制器和嵌入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,而對其內包括的用於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,可以將用於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。具體的,電腦例如可以為個人電腦、膝上型電腦、車載人機交互設備、蜂窩電話、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何設備的組合。 雖然本說明書實施例提供了如實施例或流程圖所述的方法操作步驟,但基於常規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圖式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,甚至為分布式資料處理環境)。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分別描述。當然,在實施本說明書實施例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,也可以將實現同一功能的模組由多個子模組或子單元的組合實現等。以上所描述的裝置實施例僅是示意性的,例如,所述單元的劃分,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,例如多個單元或組件可以結合或者可以積體到另一個系統,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訊連接可以是通過一些接口,裝置或單元的間接耦合或通訊連接,可以是電性,機械或其它的形式。 本領域技術人員也知道,除了以純電腦可讀程式代碼方式實現控制器以外,完全可以通過將方法步驟進行邏輯程式化來使得控制器以邏輯閘、開關、專用積體電路、可程式化邏輯控制器和嵌入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於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,可以將用於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/或方框圖來描述的。應理解可由電腦程式指令實現流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合。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程式化資料處理設備的處理器以產生一個機器,使得通過電腦或其他可程式化資料處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。 這些電腦程式指令也可儲存在能引導電腦或其他可程式化資料處理設備以特定方式工作的電腦可讀儲存器中,使得儲存在該電腦可讀儲存器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一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。 這些電腦程式指令也可裝載到電腦或其他可程式化資料處理設備上,使得在電腦或其他可程式化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程式化設備上執行的指令提供用於實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。 在一個典型的配置中,電腦設備包括一個或多個處理器(CPU)、輸入/輸出接口、網路接口和記憶體。 記憶體可能包括電腦可讀媒體中的非永久性儲存器,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、可行動和非可行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)、電可擦除可程式化唯讀記憶體(EEPROM)、快閃記憶體或其他記憶體技術、唯讀光碟唯讀儲存器(CD-ROM)、數位多功能光碟(DVD)或其他光學儲存、磁盒式磁帶,磁帶磁磁碟儲存或其他磁性儲存設備或任何其他非傳輸媒體,可用於儲存可以被電腦設備存取的資訊。按照本文中的界定,電腦可讀媒體不包括暫存電腦可讀媒體(transitory media),如調變的資料信號和載波。 本領域技術人員應明白,本說明書的實施例可提供為方法、系統或電腦程式產品。因此,本說明書實施例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方面的實施例的形式。而且,本說明書實施例可採用在一個或多個其中包含有電腦可用程式代碼的電腦可用儲存媒體(包括但不限於磁碟儲存器、CD-ROM、光學儲存器等)上實施的電腦程式產品的形式。 本說明書實施例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例程、程式、對象、組件、資料結構等。也可以在分布式計算環境中實踐本說明書實施例,在這些分布式計算環境中,由通過通訊網路而被連接的遠程處理設備來執行任務。在分布式計算環境中,程式模組可以位於包括儲存設備在內的本地和遠程電腦儲存媒體中。 本說明書中的各個實施例均採用遞進的方式描述,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,由於其基本相似於方法實施例,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說明書實施例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。 以上所述僅為本說明書實施例的實施例而已,並不用於限制本說明書實施例。對於本領域技術人員來說,本說明書實施例可以有各種更改和變化。凡在本說明書實施例的精神和原理之內所作的任何修改、等同替換、改進等,均應包含在本說明書實施例的請求項範圍之內。
101‧‧‧算法處理模組
102‧‧‧配件列表處理模組
103‧‧‧匹配模組
104‧‧‧識別結果輸出模組
105‧‧‧關係配件匹配模組
1031‧‧‧特徵配件模組
1032‧‧‧重識別模組
為了更清楚地說明本說明書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圖式作簡單地介紹,顯而易見地,下面描述中的圖式僅是本說明書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,還可以根據這些圖式獲得其他的圖式。 圖1是本說明書所述一種提升車輛定損圖像識別結果的方法實施例的流程示意圖; 圖2是本說明書提供的另一種提升車輛定損圖像識別結果的方法實施例的流程示意圖; 圖3是利用本說明書實施例方案進行定損圖像處理的一個實施場景的處理流程示意圖; 圖4是本說明書提供的一種提升車輛定損圖像識別結果裝置實施例的模組結構示意圖; 圖5是本說明書提供的所述裝置另一個實施例的模組結構示意圖; 圖6是本說明書提供的所述裝置另一個實施例的模組結構示意圖; 圖7是本說明書提供的所述伺服器的一個實施例的結構示意圖。
Claims (10)
- 一種提升車輛定損圖像識別結果的方法,所述方法包括:獲取車輛的初步受損部件,所述初步受損部件包括利用預設的圖像識別算法對定損圖像進行識別處理得到車輛的受損部件;獲取所述車輛的配件列表,所述配件列表中包括車輛配件資料對應的配件識別編號;將所述初步受損部件在所述配件列表中進行匹配,確定所述初步受損部件對應在所述配件列表中的車輛配件,包括:若在所述配件列表中存在至少兩個所述初步受損部件的子級配件分類時,則對所述初步受損部件所對應的定損圖像再次進行識別處理,直至在所述子級配件分類中確定出所述初步受損部件對應的唯一車輛配件,或達到定損圖像的識別處理次數上限;輸出匹配到的所述車輛配件的配件識別編號。
- 如請求項1所述的提升車輛定損圖像識別結果的方法,所述獲取所述車輛的配件列表包括:利用所述車輛的車輛識別碼查詢獲取的所述車輛的配件列表資料資訊。
- 如請求項1所述的提升車輛定損圖像識別結果的方法,所述將所述初步受損部件在所述配件列表中進行匹配確定所述初步受損部件對應在所述配件列表中的車輛配件,包括:查詢所述配件列表中是否有確定所述初步受損部件特徵屬性的車輛配件,若有,則將查詢到的車輛配件作為與所述初步受損部件對應的車輛配件。
- 如請求項1、3中任意一項所述的提升車輛定損圖像識別結果的方法,所述方法還包括:若在所述配件列表中未匹配到所述初步受損部件對應的車輛配件,則在所述配件列表中查找與所述初步受損部件有配件包含關係的車輛配件,並以查找到的車輛配件作為所述初步受損部件對應在所述配件列表中的車輛配件。
- 一種提升車輛定損圖像識別結果的裝置,所述裝置包括:算法處理模組,用於獲取車輛的初步受損部件,所述初步受損部件包括利用預設的圖像識別算法對定損圖像進行識別處理得到車輛的受損部件;配件列表處理模組,用於獲取所述車輛的配件列表,將所述配件列表中的車輛配件資料轉換為相應的配件識別編號;匹配模組,用於將所述初步受損部件在所述配件列表中進行匹配,確定所述初步受損部件對應在所述配件列表中的車輛配件,包括:重識別模組,用於若在所述配件列表中存在至少兩個所述初步受損部件的子級配件分類時,則對所述初步受損部件所對應的定損圖像再次進行識別處理,直至在所述子級配件分類中確定出所述初步受損部件對應的唯一車輛配件,或達到定損圖像的識別處理次數上限;識別結果輸出模組,用於輸出匹配到的所述車輛配件的配件識別編號。
- 如請求項5所述的提升車輛定損圖像識別結果的裝置,所述配件列表處理模組中獲取的配件列表包括:利用所述車輛的車輛識別碼查詢獲取的所述車輛的配件列表資料資訊。
- 如請求項5所述的提升車輛定損圖像識別結果的裝置,所述匹配模組包括:特徵配件模組,用於查詢所述配件列表中是否有確定所述初步受損部件特徵屬性的車輛配件,若有,則將查詢到的車輛配件作為與所述初步受損部件對應的車輛配件。
- 如請求項5、7中任意一項所述的提升車輛定損圖像識別結果的裝置,所述裝置還包括:關係配件匹配模組,用於在所述配件列表中未匹配到所述初步受損部件對應的車輛配件時,在所述配件列表中查找與所述初步受損部件有配件包含關係的車輛配件,並以查找到的車輛配件作為所述初步受損部件對應在所述配件列表中的車輛配件。
- 一種提升車輛定損圖像識別結果的裝置,包括處理器以及用於儲存處理器可執行指令的儲存器,所述處理器執行所述指令時實現:獲取車輛的初步受損部件,所述初步受損部件包括利用預設的圖像識別算法對定損圖像進行識別處理得到車輛的受損部件;獲取所述車輛的配件列表,將所述配件列表中的車輛配件資料轉換為相應的配件識別編號;將所述初步受損部件在所述配件列表中進行匹配,確定所述初步受損部件對應在所述配件列表中的車輛配件,包括:若在所述配件列表中存在至少兩個所述初步受損部件的子級配件分類時,則對所述初步受損部件所對應的定損圖像再次進行識別處理,直至在所述子級配件分類中確定出所述初步受損部件對應的唯一車輛配件,或達到定損圖像的識別處理次數上限;輸出匹配到的所述車輛配件的配件識別編號。
- 一種伺服器,包括至少一個處理器和儲存處理器可執行指令的儲存器,所述處理器執行所述指令時實現:獲取車輛的初步受損部件,所述初步受損部件包括利用預設的圖像識別算法對定損圖像進行識別處理得到車輛的受損部件;獲取所述車輛的配件列表,將所述配件列表中的車輛配件資料轉換為相應的配件識別編號;將所述初步受損部件在所述配件列表中進行匹配,確定所述初步受損部件對應在所述配件列表中的車輛配件,包括:若在所述配件列表中存在至少兩個所述初步受損部件的子級配件分類時,則對所述初步受損部件所對應的定損圖像再次進行識別處理,直至在所述子級配件分類中確定出所述初步受損部件對應的唯一車輛配件,或達到定損圖像的識別處理次數上限;輸出匹配到的所述車輛配件的配件識別編號。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710911173.2 | 2017-09-29 | ||
CN201710911173.2A CN107748893A (zh) | 2017-09-29 | 2017-09-29 | 提升车辆定损图像识别结果的方法、装置及服务器 |
??201710911173.2 | 2017-09-29 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201915829A TW201915829A (zh) | 2019-04-16 |
TWI676938B true TWI676938B (zh) | 2019-11-11 |
Family
ID=61254641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107118448A TWI676938B (zh) | 2017-09-29 | 2018-05-30 | 提升車輛定損圖像識別結果的方法、裝置及伺服器 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10713865B2 (zh) |
EP (1) | EP3617949A4 (zh) |
CN (1) | CN107748893A (zh) |
SG (1) | SG11201911631XA (zh) |
TW (1) | TWI676938B (zh) |
WO (1) | WO2019062743A1 (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748893A (zh) | 2017-09-29 | 2018-03-02 | 阿里巴巴集团控股有限公司 | 提升车辆定损图像识别结果的方法、装置及服务器 |
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 |
CN108876640A (zh) * | 2018-07-07 | 2018-11-23 | 北京精友世纪软件技术有限公司 | 一种基于人工智能的图像识别及维修方案估算的定损*** |
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 |
CN110570316A (zh) * | 2018-08-31 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 训练损伤识别模型的方法及装置 |
CN110569700B (zh) * | 2018-09-26 | 2020-11-03 | 创新先进技术有限公司 | 优化损伤识别结果的方法及装置 |
CN110335238A (zh) * | 2019-05-08 | 2019-10-15 | 吉林大学 | 一种深度学习的汽车漆膜缺陷识别***构建方法 |
EP4085400A1 (en) * | 2020-01-03 | 2022-11-09 | Tractable Ltd | Method of determining damage to parts of a vehicle |
US10970835B1 (en) * | 2020-01-13 | 2021-04-06 | Capital One Services, Llc | Visualization of damage on images |
CN112132130B (zh) * | 2020-09-22 | 2022-10-04 | 福州大学 | 一种面向全场景的实时性车牌检测方法及*** |
US11769120B2 (en) * | 2020-10-14 | 2023-09-26 | Mitchell International, Inc. | Systems and methods for improving user experience during damage appraisal |
CN112365008B (zh) * | 2020-10-27 | 2023-01-10 | 南阳理工学院 | 基于大数据的汽车配件选定方法及装置 |
CN112836831B (zh) * | 2020-12-30 | 2022-04-12 | 邦邦汽车销售服务(北京)有限公司 | 汽车维修关联配件的数据处理方法和装置 |
CN112749816A (zh) * | 2021-04-06 | 2021-05-04 | 上海臻势汽车科技有限公司 | 一种车辆定损选件的方法及*** |
US11803535B2 (en) | 2021-05-24 | 2023-10-31 | Cdk Global, Llc | Systems, methods, and apparatuses for simultaneously running parallel databases |
CN113706315A (zh) * | 2021-07-28 | 2021-11-26 | 中国银行保险信息技术管理有限公司 | 车辆定损方法、装置及设备 |
CN113553985A (zh) * | 2021-08-02 | 2021-10-26 | 中再云图技术有限公司 | 一种基于人工智能高空烟雾检测识别方法,存储装置及服务器 |
US11983145B2 (en) | 2022-08-31 | 2024-05-14 | Cdk Global, Llc | Method and system of modifying information on file |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0982673A2 (en) * | 1998-08-21 | 2000-03-01 | Tsubasa System Co. Ltd. | Vehicle repair cost estimating system |
TWM481428U (zh) * | 2013-12-31 | 2014-07-01 | Zhong-Xun Cai | 車輛故障評估系統 |
US20140316825A1 (en) * | 2013-04-18 | 2014-10-23 | Audatex North America, Inc. | Image based damage recognition and repair cost estimation |
TWM522886U (zh) * | 2016-02-24 | 2016-06-01 | Yulon Motor Co Ltd | 車輛檢修輔助系統 |
Family Cites Families (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7596242B2 (en) | 1995-06-07 | 2009-09-29 | Automotive Technologies International, Inc. | Image processing for vehicular applications |
US5839112A (en) | 1994-12-28 | 1998-11-17 | Automatic Data Processing | Method and apparatus for displaying and selecting vehicle parts |
AU761195B2 (en) | 1998-02-04 | 2003-05-29 | Ccc Information Services Inc. | System and method for acquiring and quantifying vehicular damage information |
US7797271B1 (en) * | 2001-06-18 | 2010-09-14 | Versata Development Group, Inc. | Custom browse hierarchies for subsets of items in a primary hierarchy |
US20040019534A1 (en) * | 2002-07-26 | 2004-01-29 | Kevin Callahan | Methods and apparatus for purchasing a replacement part for a product |
US7676062B2 (en) | 2002-09-03 | 2010-03-09 | Automotive Technologies International Inc. | Image processing for vehicular applications applying image comparisons |
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 |
US7889931B2 (en) | 2004-10-22 | 2011-02-15 | Gb Investments, Inc. | Systems and methods for automated vehicle image acquisition, analysis, and reporting |
US20060132291A1 (en) | 2004-11-17 | 2006-06-22 | Dourney Charles Jr | Automated vehicle check-in inspection method and system with digital image archiving |
US20090138290A1 (en) | 2006-09-26 | 2009-05-28 | Holden Johnny L | Insurance adjustment through digital imaging system and method |
US8694429B1 (en) * | 2008-01-15 | 2014-04-08 | Sciquest, Inc. | Identifying and resolving discrepancies between purchase documents and invoices |
US20130297353A1 (en) | 2008-01-18 | 2013-11-07 | Mitek Systems | Systems and methods for filing insurance claims using mobile imaging |
BRPI0910573B1 (pt) | 2008-04-17 | 2019-09-03 | The Travelers Indemnity Company | sistema para processamento de uma reivindicação de seguro de propriedade |
WO2009146528A1 (en) | 2008-06-03 | 2009-12-10 | Just Parts Online Inc . | System and method for listing items online |
US20140309873A1 (en) | 2013-04-15 | 2014-10-16 | Flextronics Ap, Llc | Positional based movements and accessibility of features associated with a vehicle |
US10387960B2 (en) | 2012-05-24 | 2019-08-20 | State Farm Mutual Automobile Insurance Company | System and method for real-time accident documentation and claim submission |
US8712893B1 (en) | 2012-08-16 | 2014-04-29 | Allstate Insurance Company | Enhanced claims damage estimation using aggregate display |
US8510196B1 (en) | 2012-08-16 | 2013-08-13 | Allstate Insurance Company | Feedback loop in mobile damage assessment and claims processing |
US20140257627A1 (en) * | 2013-03-11 | 2014-09-11 | Ford Global Technologies, Llc | Potential chassis damage identification and notification system |
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 |
DE102013211502A1 (de) * | 2013-06-19 | 2014-12-24 | Robert Bosch Gmbh | Identifikationsvorrichtung |
US9076195B2 (en) * | 2013-08-29 | 2015-07-07 | The Boeing Company | Methods and apparatus to identify components from images of the components |
US20150112842A1 (en) * | 2013-10-21 | 2015-04-23 | Insurance Auto Auctions, Inc. | Parts exchange method and apparatus |
US10380696B1 (en) * | 2014-03-18 | 2019-08-13 | Ccc Information Services Inc. | Image processing system for vehicle damage |
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 |
US10089396B2 (en) * | 2014-07-30 | 2018-10-02 | NthGen Software Inc. | System and method of a dynamic interface for capturing vehicle data |
US10387827B2 (en) * | 2014-08-28 | 2019-08-20 | Kenneth Ian Poncher | Intelligent part numbering system and method |
US9466158B2 (en) * | 2014-12-03 | 2016-10-11 | General Motors Llc | Interactive access to vehicle information |
CN104392005A (zh) * | 2014-12-18 | 2015-03-04 | 北京精友世纪软件技术有限公司 | 一种汽车快速定损方法 |
US9972215B2 (en) * | 2015-08-18 | 2018-05-15 | Lincoln Global, Inc. | Augmented reality interface for weld sequencing |
CN105608428A (zh) * | 2015-12-18 | 2016-05-25 | 周桂英 | 修理厂智能识别汽车外观伤损的方法 |
CN105931007A (zh) * | 2016-01-13 | 2016-09-07 | 平安科技(深圳)有限公司 | 定损审核方法、服务器及终端 |
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 |
CN106776681A (zh) * | 2016-11-04 | 2017-05-31 | 中国平安财产保险股份有限公司 | 一种车险配件数据库中配件数据的维护方法和*** |
CN106709808A (zh) * | 2016-11-22 | 2017-05-24 | 中国平安财产保险股份有限公司 | 基于车险智能定损平台的唯一配件自动过滤方法及*** |
US10762513B2 (en) * | 2016-12-05 | 2020-09-01 | Sap Se | Data analytics system using insight providers |
CN107122484A (zh) * | 2017-05-08 | 2017-09-01 | 明觉科技(北京)有限公司 | 零件信息查询方法及*** |
US11087292B2 (en) * | 2017-09-01 | 2021-08-10 | Allstate Insurance Company | Analyzing images and videos of damaged vehicles to determine damaged vehicle parts and vehicle asymmetries |
CN107748893A (zh) * | 2017-09-29 | 2018-03-02 | 阿里巴巴集团控股有限公司 | 提升车辆定损图像识别结果的方法、装置及服务器 |
-
2017
- 2017-09-29 CN CN201710911173.2A patent/CN107748893A/zh active Pending
-
2018
- 2018-05-30 TW TW107118448A patent/TWI676938B/zh active
- 2018-09-26 SG SG11201911631XA patent/SG11201911631XA/en unknown
- 2018-09-26 WO PCT/CN2018/107526 patent/WO2019062743A1/zh unknown
- 2018-09-26 EP EP18861228.7A patent/EP3617949A4/en active Pending
-
2019
- 2019-12-14 US US16/714,722 patent/US10713865B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0982673A2 (en) * | 1998-08-21 | 2000-03-01 | Tsubasa System Co. Ltd. | Vehicle repair cost estimating system |
US20140316825A1 (en) * | 2013-04-18 | 2014-10-23 | Audatex North America, Inc. | Image based damage recognition and repair cost estimation |
TWM481428U (zh) * | 2013-12-31 | 2014-07-01 | Zhong-Xun Cai | 車輛故障評估系統 |
TWM522886U (zh) * | 2016-02-24 | 2016-06-01 | Yulon Motor Co Ltd | 車輛檢修輔助系統 |
Also Published As
Publication number | Publication date |
---|---|
EP3617949A1 (en) | 2020-03-04 |
SG11201911631XA (en) | 2020-01-30 |
WO2019062743A1 (zh) | 2019-04-04 |
US20200118365A1 (en) | 2020-04-16 |
CN107748893A (zh) | 2018-03-02 |
US10713865B2 (en) | 2020-07-14 |
TW201915829A (zh) | 2019-04-16 |
EP3617949A4 (en) | 2020-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI676938B (zh) | 提升車輛定損圖像識別結果的方法、裝置及伺服器 | |
TW201915821A (zh) | 提升車輛定損圖像識別結果的方法、裝置及伺服器 | |
TWI704527B (zh) | 車輛損傷識別的處理方法、處理裝置、處理設備、客戶端裝置及處理系統 | |
TWI726194B (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 | |
US10846556B2 (en) | Vehicle insurance image processing method, apparatus, server, and system | |
CN110827129B (zh) | 一种商品推荐方法及装置 | |
TW201839703A (zh) | 基於圖像的車輛定損方法、裝置及電子設備 | |
CN108334892B (zh) | 一种基于卷积神经网络的车型识别方法、装置及设备 | |
TWI686759B (zh) | 車險定損資料的處理方法、裝置和處理設備 | |
US9928544B1 (en) | Vehicle component installation preview image generation | |
TWI713995B (zh) | 車輛定損的交互處理方法、裝置、設備、以及客戶端裝置和電子設備 | |
CN109359696B (zh) | 一种车款识别方法、***及存储介质 | |
TWI709866B (zh) | 設備型號識別方法、裝置及處理設備 | |
US10733480B2 (en) | Custom Auto Tagging of Multiple Objects | |
WO2014174932A1 (ja) | 画像処理装置、プログラム及び画像処理方法 | |
TWI736765B (zh) | 圖像處理方法、裝置、設備及儲存媒體 | |
TWI715932B (zh) | 車輛損傷識別的處理方法及其處理裝置、車輛定損的資料處理設備、定損處理系統、客戶端及伺服器 | |
TWI730399B (zh) | 理賠業務的處理方法及裝置 | |
CN108520270A (zh) | 零件匹配方法、***及终端 | |
CN115828162A (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
US20220019616A1 (en) | Content display device and content display method | |
CN110706238A (zh) | 对点云数据进行分割的方法及装置、存储介质和电子设备 | |
CN111950469A (zh) | 一种道路标识检测方法、***、设备和介质 | |
CN114926687A (zh) | 一种分类模型的训练方法及装置 |