WO2020119314A1 - 车祸事故处理方法和装置、电子设备 - Google Patents
车祸事故处理方法和装置、电子设备 Download PDFInfo
- Publication number
- WO2020119314A1 WO2020119314A1 PCT/CN2019/114579 CN2019114579W WO2020119314A1 WO 2020119314 A1 WO2020119314 A1 WO 2020119314A1 CN 2019114579 W CN2019114579 W CN 2019114579W WO 2020119314 A1 WO2020119314 A1 WO 2020119314A1
- Authority
- WO
- WIPO (PCT)
- 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
Definitions
- One or more embodiments of this specification relate to the technical field of terminals, and in particular, to a method and device for handling car accidents, and electronic equipment.
- This specification proposes a method for handling car accidents.
- the method includes:
- the method further includes:
- the classification model is a convolutional neural network.
- the accident data includes: image data at the scene of the accident.
- the accident type includes one or more combinations shown below:
- Type of accident cause type of collision object; type of collision degree; type of accident damage; type of accident nature.
- the business processing decision for the car accident based on the accident type includes:
- the processing strategy includes one or more combinations shown below:
- the device includes:
- the first obtaining module is used to obtain the collected accident data of the car accident
- a calculation module configured to input the accident data into a preset classification model for classification calculation, and determine an accident type corresponding to the accident data based on the classification calculation result; wherein, the preset classification model is based on several Machine learning models trained on accident data samples labeled with accident types;
- the decision module is used to make a business processing decision for the car accident based on the accident type.
- the device further includes:
- a second obtaining module configured to obtain a preset number of accident data samples; wherein, the accident data samples are marked with corresponding accident types;
- the training module is configured to train the accident data samples based on a preset machine learning algorithm to obtain the classification model.
- the classification model is a convolutional neural network.
- the accident data includes: image data at the scene of the accident.
- the accident type includes one or more combinations shown below:
- Type of accident cause type of collision object; type of collision degree; type of accident damage; type of accident nature.
- the decision module is specifically used to:
- the processing strategy includes one or more combinations shown below:
- This specification also proposes an electronic device, which includes:
- Memory for storing machine executable instructions
- the collected accident data of the car accident can be classified and calculated based on the classification model to determine the accident type of the car accident, and based on the type of the accident Make business process decisions.
- the efficiency of classification of car accidents can be improved, thereby speeding up the business decision-making speed for car accidents.
- FIG. 1 is a flowchart of a method for processing a car accident according to an exemplary embodiment of this specification
- FIG. 2 is a hardware structure diagram of electronic equipment in which a vehicle accident handling apparatus is shown according to an exemplary embodiment of this specification;
- Fig. 3 is a block diagram of a device for handling accidents in a car accident shown in an exemplary embodiment of the present specification.
- first, second, third, etc. may be used to describe various information in this specification, the information should not be limited to these terms. These terms are only used to distinguish the same type of information from each other.
- first information may also be referred to as second information, and similarly, the second information may also be referred to as first information.
- word “if” as used herein may be interpreted as "when” or “when” or “in response to a determination”.
- This specification aims to provide a technical solution for car accidents, classifying the car accidents based on the collected accident data of the car accidents, and making business processing decisions based on the accident type to which the car accidents belong.
- data can be collected on the accident site of the car accident to obtain the accident data of the car accident.
- the acquired accident data of the car accident can be input into a pre-set classification model for classification calculation to determine the type of accident to which the car accident belongs based on the classification calculation result.
- the classification model may be a pre-trained machine learning model.
- the training samples used may be a number of accident data marked with accident types.
- the collected accident data of the car accident can be classified and calculated based on the classification model to determine the accident type of the car accident, and based on the type of the accident Make business process decisions.
- the efficiency of classification of car accidents can be improved, thereby speeding up the business decision-making speed for car accidents.
- FIG. 1 is a flowchart of a method for processing a car accident according to an exemplary embodiment of the present description.
- This method can be applied to electronic devices such as servers, mobile phones, tablet devices, notebook computers, PDAs (Personal Digital Assistants, PDAs), and includes the following steps:
- Step 102 Obtain the collected accident data of the car accident
- Step 104 input the accident data into a preset classification model for classification calculation, and determine an accident type corresponding to the accident data based on the classification calculation result; wherein, the preset classification model is based on a number of labeled A machine learning model trained by accident data samples of accident types;
- Step 106 based on the accident type, make a business processing decision for the car accident.
- data can be collected from the accident site of the car accident to obtain accident data of the car accident.
- the accident data of the car accident can include image data of the accident scene of the car accident.
- the accident scene of the car accident can be photographed, and the captured photos can be obtained as image data of the accident scene of the car accident.
- the cameras deployed near the accident site of the car accident can be used to obtain the video captured by these cameras, and the image frames in these videos can be extracted to use these image frames as the image data of the accident site of the car accident.
- an infrared thermal imaging device may be used to perform infrared imaging on the accident site of the car accident, and an infrared image obtained by the infrared thermal imaging device may be acquired as image data of the accident site of the car accident.
- an ultrasound imaging device may be used to perform ultrasound imaging on the accident site of the car accident, and an ultrasound image obtained by the ultrasound imaging device may be acquired as image data of the accident site of the car accident.
- a laser radar imaging device may be used to image the laser accident of the accident site of the car accident, and a laser radar image obtained by the laser radar imaging device may be obtained as image data of the accident site of the car accident.
- the accident data can be input into a pre-set classification model for classification calculation.
- the classification model may be a commonly used machine learning model such as Convolutional Neural Networks (CNN).
- CNN Convolutional Neural Networks
- a preset number of accident data can be obtained from historical accident data (that is, accident data of previous car accident accidents), and the accident types are marked for these accident data. In the future, you can use these accident data marked as accident types as training samples, and use the back propagation method to train these accident data samples based on preset machine learning algorithms (for example: convolutional neural network algorithms) to The classification model for classifying the accident data of a car accident is obtained.
- preset machine learning algorithms for example: convolutional neural network algorithms
- the preset number of accident data samples is 100 images
- the 100 accident-labeled images can be used as training samples, and the back-propagation method can be used to train the 100 accident-labeled images based on the convolutional neural network algorithm to obtain the classification model. .
- the accident type corresponding to the accident data can be determined based on the classification calculation result, that is, the accident type to which the car accident accident belongs is determined.
- the accident type may include one or more types of combinations shown below: accident cause type; collision object type; collision degree type; accident damage type; accident nature type.
- the types of accident causes may include: a car accident caused by running a red light, a car accident caused by deviation from the normal traffic lane, a car accident caused by avoiding other cars, etc.
- the images containing traffic lights in these images can be annotated as "by "Car accidents caused by running through red lights", the images of vehicles deviating from the normal traffic lane in these images are marked as “car accidents caused by deviation from the normal traffic lane”, and the images containing multiple vehicles in these images are marked as "caused by avoiding other cars” Car accident”.
- the types of collision objects can include: single-car collision, double-car collision, multi-car collision, etc.
- the type of collision degree may include: first-level collision, second-level collision, third-level collision, etc.
- Accident damage types may include: the vehicle interior is not damaged, the vehicle interior is damaged, etc.
- the types of accidents can include: no one was injured, one person was injured, and more than one person was injured.
- a business processing decision can be made for the car accident based on the preset mapping relationship between the accident type and the processing strategy and the accident type.
- mapping relationship between the accident type and the processing strategy can be preset by the technical staff, and this application does not limit this.
- mapping relationship may be queried based on the accident type to determine a processing strategy corresponding to the accident type. After the handling strategy corresponding to the accident type is determined, the car accident can be handled based on the handling strategy.
- processing strategy for processing car accidents may include one or more combinations shown below:
- Handling strategies for accident handling by the vehicle owner handling strategies for dispatching commissioners to the accident scene; dispatching commissioners associated with the types of accidents to the accident scene for handling accidents.
- mapping relationship between accident types and treatment strategies shown in Table 1 can be stored locally:
- the classification calculation results include: accident cause type 2 (car accident caused by deviation from the normal traffic lane); collision type 1 (single car collision); collision Degree type 1 (first-level collision); accident damage type 1 (the vehicle interior is not damaged); accident nature type 1 (no personnel injury), the accident type to which the car accident belongs belongs can be determined as accident type 1, which can be based on processing Strategy 1 (handling strategy for accident handling by the owner) handles the accident, that is, the owner handles the accident by himself.
- accident cause type 2 car accident caused by deviation from the normal traffic lane
- collision type 1 single car collision
- collision Degree type 1 first-level collision
- accident damage type 1 the vehicle interior is not damaged
- accident nature type 1 no personnel injury
- the classification calculation results include: accident cause type 1 (car accident caused by running a red light); collision object type 2 (two-car collision); collision degree type 3 (Three-level collision); accident damage type 2 (the vehicle interior has been damaged); accident nature type 1 (no person injured), the accident type to which the car accident belongs belongs can also be determined as accident type 1, which can be based on processing strategy 1 (Treatment strategy for accident handling by the vehicle owner)
- the vehicle accident is handled by the vehicle owner, that is, the vehicle owner handles the accident.
- the classification calculation results include: accident cause type 1 (car accident caused by running a red light); collision object type 3 (multi-vehicle collision); collision degree type 3 (Triple collision); Accident damage type 2 (the interior of the vehicle has been damaged); Accident nature type 1 (no injuries), then the accident type to which the car accident belongs belongs can be determined as accident type 2, which can be based on processing strategy 2 ( Dispatching commissioners to the accident site to deal with the accident handling strategy) to deal with the car accident, that is, sending a business specialist to deal with the car accident to the accident site to deal with the car accident.
- processing strategy 2 Dispatching commissioners to the accident site to deal with the accident handling strategy
- the classification calculation results include: accident cause type 1 (car accident caused by running a red light); collision object type 3 (multi-vehicle collision); collision degree type 3 (Triple collision); Accident damage type 2 (the vehicle's interior has been damaged); Accident type 3 (more than one person injured), the accident type to which the car accident belongs belongs can be determined as accident type 3, which can be based on the handling strategy 3 (Dispatching the commissioner associated with the mentioned accident type to the accident site to deal with the accident handling strategy) to deal with the car accident, for example: you can send a business specialist who is better at handling car accidents with personal injuries to the accident site for this time Handle car accidents.
- the collected accident data of the car accident can be classified and calculated based on the classification model to determine the accident type of the car accident, and based on the type of the accident Make business process decisions.
- the efficiency of classification of car accidents can be improved, thereby speeding up the business decision-making speed for car accidents.
- this specification also provides an embodiment of the car accident accident processing device.
- the embodiment of the apparatus for handling accidents in a car accident in this specification can be applied to electronic equipment.
- the device embodiments may be implemented by software, or by hardware or a combination of hardware and software.
- software implementation as an example, as a device in a logical sense, it is formed by reading the corresponding computer program instructions in the non-volatile memory into the memory through the processor of the electronic device where it is located.
- FIG 2 it is a hardware structure diagram of the electronic equipment where the car accident accident processing device is located, except for the processor, memory, network interface, and non-volatile memory shown in Figure 2
- the electronic equipment in which the device is located in the embodiment usually includes other hardware according to the actual function of handling the car accident, which will not be repeated here.
- FIG. 3 is a block diagram of a vehicle accident handling apparatus shown in an exemplary embodiment of the present specification.
- the device 30 can be applied to the electronic device shown in FIG. 2 and includes:
- the first obtaining module 301 is used to obtain the collected accident data of the car accident
- the calculation module 302 is configured to input the accident data into a preset classification model for classification calculation, and determine an accident type corresponding to the accident data based on the classification calculation result; wherein, the preset classification model is based on Machine learning models trained on a number of accident data samples labeled with accident types;
- the decision module 303 is used to make a business processing decision for the car accident based on the accident type.
- the device 30 may further include:
- the second obtaining module 304 is used to obtain a preset number of accident data samples; wherein, the accident data samples are marked with corresponding accident types;
- the training module 305 is configured to train the accident data samples based on a preset machine learning algorithm to obtain the classification model.
- the classification model may be a convolutional neural network.
- the accident data may include: image data of the accident scene.
- the accident type may include one or a combination of the following:
- Type of accident cause type of collision object; type of collision degree; type of accident damage; type of accident nature.
- the decision module 303 may be specifically used to:
- the processing strategy may include one or more combinations shown below:
- the relevant parts can be referred to the description of the method embodiments.
- the device embodiments described above are only schematic, wherein the modules described as separate components may or may not be physically separated, and the components displayed as modules may or may not be physical modules, that is, may be located in One place, or can be distributed to multiple network modules. Some or all of the modules can be selected according to actual needs to achieve the objectives of the solution in this specification. Those of ordinary skill in the art can understand and implement without paying creative labor.
- the system, device, module or module explained in the above embodiments may be implemented by a computer chip or entity, or by a product with a certain function.
- a typical implementation device is a computer, and the specific form of the computer may be a personal computer, a laptop computer, a cellular phone, a camera phone, a smart phone, a personal digital assistant, a media player, a navigation device, an email sending and receiving device, and a game control Desk, tablet computer, wearable device, or any combination of these devices.
- the electronic device includes: a processor and a memory for storing machine-executable instructions; wherein the processor and the memory are usually connected to each other through an internal bus.
- the device may also include an external interface to be able to communicate with other devices or components.
- the processor by reading and executing the machine-executable instructions stored in the memory corresponding to the control logic of the car accident accident processing, the processor is prompted to:
- the processor by reading and executing the machine-executable instructions stored in the memory corresponding to the control logic of the car accident accident processing, the processor is also prompted to:
- the classification model may be a convolutional neural network.
- the accident data may include: image data of the accident scene.
- the accident type may include one or a combination of the following:
- Type of accident cause type of collision object; type of collision degree; type of accident damage; type of accident nature.
- the processor by reading and executing the machine-executable instructions stored in the memory corresponding to the control logic of the car accident accident processing, the processor is prompted to:
- the processing strategy may include one or more combinations shown below:
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
一种车祸事故处理方法和装置、电子设备，所述方法包括：获取采集到的车祸事故的事故数据（102）；将所述事故数据输入至预设的分类模型中进行分类计算，并基于分类计算结果确定与所述事故数据对应的事故类型；其中，所述预设的分类模型为基于若干被标注了事故类型的事故数据样本训练出的机器学习模型（104）；基于所述事故类型针对所述车祸事故进行业务处理决策（106）。
Description
本说明书一个或多个实施例涉及终端技术领域，尤其涉及一种车祸事故处理方法和装置、电子设备。
现如今，在发生了车祸事故，接到车主报案之后，如果车主报案，如何快速地对车祸事故的事故类型进行初步判断，从而使保险公司及时对车祸事故进行后续的业务处理决策，例如：是否需要派遣专员前往事故现场进行事故处理等，成为亟待解决的问题。
发明内容
本说明书提出一种车祸事故处理方法，所述方法包括：
获取采集到的车祸事故的事故数据；
将所述事故数据输入至预设的分类模型中进行分类计算，并基于分类计算结果确定与所述事故数据对应的事故类型；其中，所述预设的分类模型为基于若干被标注了事故类型的事故数据样本训练出的机器学习模型；
基于所述事故类型针对所述车祸事故进行业务处理决策。
可选地，所述方法还包括：
获取预设数量的事故数据样本；其中，所述事故数据样本被标注了对应事故类型；
基于预设的机器学习算法针对所述事故数据样本进行训练，以得到所述分类模型。
可选地，所述分类模型为卷积神经网络。
可选地，所述事故数据包括：事故现场的图像数据。
可选地，所述事故类型包括以下示出的一种或者多种的组合：
事故原因类型；碰撞物类型；碰撞程度类型；事故损伤类型；事故性质类型。
可选地，所述基于所述事故类型针对所述车祸事故进行业务处理决策，包括：
查询预设的映射关系，确定与事故类型对应的处理策略；
基于确定出的处理策略对所述车祸事故进行处理。
可选地，所述处理策略包括以下示出的一种或者多种的组合：
由车主自行进行处理事故的处理策略；
派遣专员前往事故现场进行事故处理的处理策略；
派遣与所述事故类型关联的专员前往事故现场进行事故处理的处理策略。
本说明书还提出一种车祸事故处理装置，所述装置包括：
第一获取模块，用于获取采集到的车祸事故的事故数据；
计算模块，用于将所述事故数据输入至预设的分类模型中进行分类计算，并基于分类计算结果确定与所述事故数据对应的事故类型；其中，所述预设的分类模型为基于若干被标注了事故类型的事故数据样本训练出的机器学习模型；
决策模块，用于基于所述事故类型针对所述车祸事故进行业务处理决策。
可选地，所述装置还包括：
第二获取模块，用于获取预设数量的事故数据样本；其中，所述事故数据样本被标注了对应事故类型；
训练模块，用于基于预设的机器学习算法针对所述事故数据样本进行训练，以得到所述分类模型。
可选地，所述分类模型为卷积神经网络。
可选地，所述事故数据包括：事故现场的图像数据。
可选地，所述事故类型包括以下示出的一种或者多种的组合：
事故原因类型；碰撞物类型；碰撞程度类型；事故损伤类型；事故性质类型。
可选地，所述决策模块具体用于：
查询预设的映射关系，确定与事故类型对应的处理策略；
基于确定出的处理策略对所述车祸事故进行处理。
可选地，所述处理策略包括以下示出的一种或者多种的组合：
由车主自行进行处理事故的处理策略；
派遣专员前往事故现场进行事故处理的处理策略；
派遣与所述事故类型关联的专员前往事故现场进行事故处理的处理策略。
本说明书还提出一种电子设备，所述电子设备包括：
处理器；
用于存储机器可执行指令的存储器；
其中，通过读取并执行所述存储器存储的与车祸事故处理的控制逻辑对应的机器可执行指令，所述处理器被促使：
获取采集到的车祸事故的事故数据；
将所述事故数据输入至预设的分类模型中进行分类计算，并基于分类计算结果确定与所述事故数据对应的事故类型；其中，所述预设的分类模型为基于若干被标注了事故类型的事故数据样本训练出的机器学习模型；
基于所述事故类型针对所述车祸事故进行业务处理决策。
在上述技术方案中，对于发生的车祸事故而言，可以基于分类模型对采集到的该车祸事故的事故数据进行分类计算，以确定该车祸事故的事故类型，并基于该事故类型针对该车祸事故进行业务处理决策。采用这样的方式，与常用的对车祸事故进行人工分类和业务处理决策的方式相比，可以提高对车祸事故的分类效率，从而加快对车祸事故的业务处理决策速度。
图1是本说明书一示例性实施例示出的一种车祸事故处理方法的流程图；
图2是本说明书一示例性实施例示出的一种车祸事故处理装置所在电子设备的硬件结构图；
图3是本说明书一示例性实施例示出的一种车祸事故处理装置的框图。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方 面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本说明书旨在提供一种针对车祸事故，基于采集到的该车祸事故的事故数据对该车祸事故进行分类，以基于该车祸事故所属的事故类型进行业务处理决策的技术方案。
在具体实现时，在发生了车祸事故后，可以先对该车祸事故的事故现场进行数据采集，得到该车祸事故的事故数据。
后续，可以将获取到的该车祸事故的事故数据输入至预先设置的分类模型中进行分类计算，以基于分类计算结果确定该车祸事故所属的事故类型。
其中，该分类模型可以是预先训练好的机器学习模型。在对该分类模型进行训练时，所采用的训练样本可以是若干被标注了事故类型的事故数据。
在确定了该车祸事故所属的事故类型后，可以基于该事故类型，对该车祸事故进行业务处理决策。
在上述技术方案中，对于发生的车祸事故而言，可以基于分类模型对采集到的该车祸事故的事故数据进行分类计算，以确定该车祸事故的事故类型，并基于该事故类型针对该车祸事故进行业务处理决策。采用这样的方式，与常用的对车祸事故进行人工分类和业务处理决策的方式相比，可以提高对车祸事故的分类效率，从而加快对车祸事故的业务处理决策速度。
下面通过具体实施例对本说明书进行描述。
请参考图1，图1是本说明一示例性实施例示出的一种车祸事故处理方法的流程图。该方法可以应用于服务器、手机、平板设备、笔记本电脑、掌上电脑(Personal Digital Assistants，PDAs)等电子设备，包括如下步骤：
步骤102，获取采集到的车祸事故的事故数据；
步骤104，将所述事故数据输入至预设的分类模型中进行分类计算，并基于分类计算结果确定与所述事故数据对应的事故类型；其中，所述预设的分类模型为基于若干被标注了事故类型的事故数据样本训练出的机器学习模型；
步骤106，基于所述事故类型针对所述车祸事故进行业务处理决策。
在本实施例中，在发生了车祸事故后，可以先对该车祸事故的事故现场进行数据采集，得到该车祸事故的事故数据。
其中，该车祸事故的事故数据可以包括该车祸事故的事故现场的图像数据。
举例来说，可以对该车祸事故的事故现场进行拍摄，并获取拍摄得到的照片，作为该车祸事故的事故现场的图像数据。
或者，可以利用部署在该车祸事故的事故现场附近的摄像头，获取这些摄像头拍摄得到的视频，并提取这些视频中的图像帧，以将这些图像帧作为该车祸事故的事故现场的图像数据。
或者，可以利用红外热成像设备对该车祸事故的事故现场进行红外线成像，并获取该红外热成像设备得到的红外线图像，作为该车祸事故的事故现场的图像数据。
或者，可以利用超声波成像设备对该车祸事故的事故现场进行超声波成像，并获取该超声波成像设备得到的超声波图像，作为该车祸事故的事故现场的图像数据。
或者，可以利用激光雷达成像设备对该车祸事故的事故现场进行激光雷达成像，并获取该激光雷达成像设备得到的激光雷达图像，作为该车祸事故的事故现场的图像数据。
在获取到上述车祸事故的事故数据后，可以将该事故数据输入至预先设置的分类模型中进行分类计算。
其中，该分类模型可以是常用的卷积神经网络(Convolutional Neural Networks，CNN)等机器学习模型。
需要说明的是，可以先从历史事故数据(即以前发生的车祸事故的事故数据)中获取预设数量的事故数据，并为这些事故数据标注事故类型。后续，可以将这些被标注了事故类型的事故数据作为训练样本，采用反向传播的方式，基于预先设置的机器学习算法(例如：卷积神经网络算法)，针对这些事故数据样本进行训练，以得到用于对车祸 事故的事故数据进行分类的该分类模型。
举例来说，假设预先设置的事故数据样本的数量为100张图像，则可以从以图像形式存储的历史事故数据中获取100张图像，并为这些图像标注事故类型。后续，可以将这100张被标注了事故类型的图像作为训练样本，采用反向传播的方式，基于卷积神经网络算法针对这100张被标注了事故类型的图像进行训练，以得到该分类模型。
这样，在利用已训练好的分类模型对该车祸事故的事故数据进行分类计算后，可以基于分类计算结果确定该事故数据对应的事故类型，即确定该车祸事故所属的事故类型。
其中，事故类型可以包括以下示出的一种或多种的组合：事故原因类型；碰撞物类型；碰撞程度类型；事故损伤类型；事故性质类型。
具体地，事故原因类型可以包括：由闯红灯导致的车祸事故，偏离正常行车道导致的车祸事故，由避让他车导致的车祸事故等。
举例来说，假设历史事故数据以图像形式存储，则在对从该历史事故数据中获取到的用于作为事故数据样本的图像进行标注时，可以将这些图像中包含红绿灯的图像标注为“由闯红灯导致的车祸事故”，将这些图像中车辆偏离正常行车道的图像标注为“偏离正常行车道导致的车祸事故”，将这些图像中包含多辆车辆的图像标注为“由避让他车导致的车祸事故”。
碰撞物类型可以包括：单车碰撞，双车碰撞，多车碰撞等。
继续以上述举例为例，可以继续将这些图像中显示的车祸事故仅包含一辆车辆的图像标注为“单车碰撞”，将这些图像中显示的车祸事故包含两辆车辆的图像标注为“双车碰撞”，将这些图像中显示的车祸事故包含三辆及以上车辆的图像标注为“多车碰撞”。
碰撞程度类型可以包括：一级碰撞，二级碰撞，三级碰撞等。
继续以上述举例为例，可以继续将这些图像中显示的车辆碰撞程度轻微的图像标注为“一级碰撞”，将这些图像中显示的车辆碰撞程度中等的图像标注为“二级碰撞”，将这些图像中显示的车辆碰撞程度严重的图像标注为“三级碰撞”。由于对于训练样本的标注通常是人工实现的，因此可以由技术人员自行对这些图像中显示的车辆碰撞程度进行判断。
事故损伤类型可以包括：车辆内部未损伤，车辆内部已损伤等。
继续以上述举例为例，可以继续将这些图像中显示的车辆的损伤位置可能导致内部 损伤的图像标注为“车辆内部已损伤”，而将其余的图像标注为“车辆内部未损伤”。
事故性质类型可以包括：无人员受伤，有一名人员受伤，有多名人员受伤等。
继续以上述举例为例，可以继续将这些图像中不包含受伤人员的图像标注为“无人员受伤”，将这些图像中包含一名受伤人员的图像标注为“有一名人员受伤”，将这些图像中包含多名受伤人员的图像标注为“有多名人员受伤”。
在确定了上述事故数据对应的事故类型，即确定了上述车祸事故所属的事故类型后，可以基于该事故类型，针对该车祸事故进行业务处理决策。
在示出的一种实施方式中，可以基于预先设置的事故类型与处理策略之间的映射关系，以及该事故类型，针对该车祸事故进行业务处理决策。
其中，事故类型与处理策略之间的映射关系可以由技术人员预先设置，本申请对此不作限制。
具体地，可以基于该事故类型查询该映射关系，以确定该事故类型对应的处理策略。在确定了该事故类型对应的处理策略后，可以基于该处理策略对该车祸事故进行处理。
其中，用于对车祸事故进行处理的处理策略可以包括以下示出的一种或者多种的组合：
由车主自行进行事故处理的处理策略；派遣专员前往事故现场进行事故处理的处理策略；派遣与所述事故类型关联的专员前往事故现场进行事故处理的处理策略。
举例来说，本地可以存储如下表1所示的事故类型和处理策略之间的映射关系：
表1
其中，在基于上述分类模型对上述车祸事故的事故数据进行分类计算后，假设分类 计算结果包括：事故原因类型2(偏离正常行车道导致的车祸事故)；碰撞物类型1(单车碰撞)；碰撞程度类型1(一级碰撞)；事故损伤类型1(车辆内部未损伤)；事故性质类型1(无人员受伤)，则可以将该车祸事故所属的事故类型确定为事故类型1，从而可以基于处理策略1(由车主自行进行事故处理的处理策略)对该车祸事故进行处理，即由车主自行对本次车祸事故进行处理。
在基于上述分类模型对上述车祸事故的事故数据进行分类计算后，假设分类计算结果包括：事故原因类型1(由闯红灯导致的车祸事故)；碰撞物类型2(双车碰撞)；碰撞程度类型3(三级碰撞)；事故损伤类型2(车辆内部已损伤)；事故性质类型1(无人员受伤)，则也可以将该车祸事故所属的事故类型确定为事故类型1，从而可以基于处理策略1(由车主自行进行事故处理的处理策略)对该车祸事故进行处理，即由车主自行对本次车祸事故进行处理。
在基于上述分类模型对上述车祸事故的事故数据进行分类计算后，假设分类计算结果包括：事故原因类型1(由闯红灯导致的车祸事故)；碰撞物类型3(多车碰撞)；碰撞程度类型3(三级碰撞)；事故损伤类型2(车辆内部已损伤)；事故性质类型1(无人员受伤)，则可以将该车祸事故所属的事故类型确定为事故类型2，从而可以基于处理策略2(派遣专员前往事故现场进行事故处理的处理策略)对该车祸事故进行处理，即派遣处理车祸事故的业务专员前往事故现场对本次车祸事故进行处理。
在基于上述分类模型对上述车祸事故的事故数据进行分类计算后，假设分类计算结果包括：事故原因类型1(由闯红灯导致的车祸事故)；碰撞物类型3(多车碰撞)；碰撞程度类型3(三级碰撞)；事故损伤类型2(车辆内部已损伤)；事故性质类型3(有多名人员受伤)，则可以将该车祸事故所属的事故类型确定为事故类型3，从而可以基于处理策略3(派遣与所述事故类型关联的专员前往事故现场进行事故处理的处理策略)对该车祸事故进行处理，例如：可以派遣较为擅长处理有人员受伤的车祸事故的业务专员前往事故现场对本次车祸事故进行处理。
在上述技术方案中，对于发生的车祸事故而言，可以基于分类模型对采集到的该车祸事故的事故数据进行分类计算，以确定该车祸事故的事故类型，并基于该事故类型针对该车祸事故进行业务处理决策。采用这样的方式，与常用的对车祸事故进行人工分类和业务处理决策的方式相比，可以提高对车祸事故的分类效率，从而加快对车祸事故的业务处理决策速度。
与前述车祸事故处理方法的实施例相对应，本说明书还提供了车祸事故处理装置的 实施例。
本说明书车祸事故处理装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图2所示，为本说明书车祸事故处理装置所在电子设备的一种硬件结构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该车祸事故处理的实际功能，还可以包括其他硬件，对此不再赘述。
请参考图3，图3是本说明书一示例性实施例示出的一种车祸事故处理装置的框图。该装置30可以应用于图2所示的电子设备，包括：
第一获取模块301，用于获取采集到的车祸事故的事故数据；
计算模块302，用于将所述事故数据输入至预设的分类模型中进行分类计算，并基于分类计算结果确定与所述事故数据对应的事故类型；其中，所述预设的分类模型为基于若干被标注了事故类型的事故数据样本训练出的机器学习模型；
决策模块303，用于基于所述事故类型针对所述车祸事故进行业务处理决策。
在本实施例中，所述装置30还可以包括：
第二获取模块304，用于获取预设数量的事故数据样本；其中，所述事故数据样本被标注了对应事故类型；
训练模块305，用于基于预设的机器学习算法针对所述事故数据样本进行训练，以得到所述分类模型。
在本实施例中，所述分类模型可以为卷积神经网络。
在本实施例中，所述事故数据可以包括：事故现场的图像数据。
在本实施例中，所述事故类型可以包括以下示出的一种或者多种的组合：
事故原因类型；碰撞物类型；碰撞程度类型；事故损伤类型；事故性质类型。
在本实施例中，所述决策模块303具体可以用于：
查询预设的映射关系，确定与事故类型对应的处理策略；
基于确定出的处理策略对所述车祸事故进行处理。
在本实施例中，所述处理策略可以包括以下示出的一种或者多种的组合：
由车主自行进行处理事故的处理策略；
派遣专员前往事故现场进行事故处理的处理策略；
派遣与所述事故类型关联的专员前往事故现场进行事故处理的处理策略。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述实施例阐明的***、装置、模块或模块，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
与上述车祸事故处理方法实施例相对应，本说明书还提供了一种电子设备的实施例。该电子设备包括：处理器以及用于存储机器可执行指令的存储器；其中，处理器和存储器通常通过内部总线相互连接。在其他可能的实现方式中，所述设备还可能包括外部接口，以能够与其他设备或者部件进行通信。
在本实施例中，通过读取并执行所述存储器存储的与车祸事故处理的控制逻辑对应的机器可执行指令，所述处理器被促使：
获取采集到的车祸事故的事故数据；
将所述事故数据输入至预设的分类模型中进行分类计算，并基于分类计算结果确定与所述事故数据对应的事故类型；其中，所述预设的分类模型为基于若干被标注了事故类型的事故数据样本训练出的机器学习模型；
基于所述事故类型针对所述车祸事故进行业务处理决策。
在本实施例中，通过读取并执行所述存储器存储的与车祸事故处理的控制逻辑对应的机器可执行指令，所述处理器还被促使：
获取预设数量的事故数据样本；其中，所述事故数据样本被标注了对应事故类型；
基于预设的机器学习算法针对所述事故数据样本进行训练，以得到所述分类模型。
在本实施例中，所述分类模型可以为卷积神经网络。
在本实施例中，所述事故数据可以包括：事故现场的图像数据。
在本实施例中，所述事故类型可以包括以下示出的一种或者多种的组合：
事故原因类型；碰撞物类型；碰撞程度类型；事故损伤类型；事故性质类型。
在本实施例中，通过读取并执行所述存储器存储的与车祸事故处理的控制逻辑对应的机器可执行指令，所述处理器被促使：
查询预设的映射关系，确定与事故类型对应的处理策略；
基于确定出的处理策略对所述车祸事故进行处理。
在本实施例中，所述处理策略可以包括以下示出的一种或者多种的组合：
由车主自行进行处理事故的处理策略；
派遣专员前往事故现场进行事故处理的处理策略；
派遣与所述事故类型关联的专员前往事故现场进行事故处理的处理策略。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本 说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (15)
- 一种车祸事故处理方法，所述方法包括：获取采集到的车祸事故的事故数据；将所述事故数据输入至预设的分类模型中进行分类计算，并基于分类计算结果确定与所述事故数据对应的事故类型；其中，所述预设的分类模型为基于若干被标注了事故类型的事故数据样本训练出的机器学习模型；基于所述事故类型针对所述车祸事故进行业务处理决策。
- 根据权利要求1所述的方法，所述方法还包括：获取预设数量的事故数据样本；其中，所述事故数据样本被标注了对应事故类型；基于预设的机器学习算法针对所述事故数据样本进行训练，以得到所述分类模型。
- 根据权利要求1所述的方法，所述分类模型为卷积神经网络。
- 根据权利要求1所述的方法，所述事故数据包括：事故现场的图像数据。
- 根据权利要求1所述的方法，所述事故类型包括以下示出的一种或者多种的组合：事故原因类型；碰撞物类型；碰撞程度类型；事故损伤类型；事故性质类型。
- 根据权利要求1所述的方法，所述基于所述事故类型针对所述车祸事故进行业务处理决策，包括：查询预设的映射关系，确定与事故类型对应的处理策略；基于确定出的处理策略对所述车祸事故进行处理。
- 根据权利要求6所述的方法，所述处理策略包括以下示出的一种或者多种的组合：由车主自行进行处理事故的处理策略；派遣专员前往事故现场进行事故处理的处理策略；派遣与所述事故类型关联的专员前往事故现场进行事故处理的处理策略。
- 一种车祸事故处理装置，所述装置包括：第一获取模块，用于获取采集到的车祸事故的事故数据；计算模块，用于将所述事故数据输入至预设的分类模型中进行分类计算，并基于分类计算结果确定与所述事故数据对应的事故类型；其中，所述预设的分类模型为基于若干被标注了事故类型的事故数据样本训练出的机器学习模型；决策模块，用于基于所述事故类型针对所述车祸事故进行业务处理决策。
- 根据权利要求8所述的装置，所述装置还包括：第二获取模块，用于获取预设数量的事故数据样本；其中，所述事故数据样本被标注了对应事故类型；训练模块，用于基于预设的机器学习算法针对所述事故数据样本进行训练，以得到所述分类模型。
- 根据权利要求8所述的装置，所述分类模型为卷积神经网络。
- 根据权利要求8所述的装置，所述事故数据包括：事故现场的图像数据。
- 根据权利要求8所述的装置，所述事故类型包括以下示出的一种或者多种的组合：事故原因类型；碰撞物类型；碰撞程度类型；事故损伤类型；事故性质类型。
- 根据权利要求8所述的装置，所述决策模块具体用于：查询预设的映射关系，确定与事故类型对应的处理策略；基于确定出的处理策略对所述车祸事故进行处理。
- 根据权利要求13所述的装置，所述处理策略包括以下示出的一种或者多种的组合：由车主自行进行处理事故的处理策略；派遣专员前往事故现场进行事故处理的处理策略；派遣与所述事故类型关联的专员前往事故现场进行事故处理的处理策略。
- 一种电子设备，所述电子设备包括：处理器；用于存储机器可执行指令的存储器；其中，通过读取并执行所述存储器存储的与车祸事故处理的控制逻辑对应的机器可执行指令，所述处理器被促使：获取采集到的车祸事故的事故数据；将所述事故数据输入至预设的分类模型中进行分类计算，并基于分类计算结果确定与所述事故数据对应的事故类型；其中，所述预设的分类模型为基于若干被标注了事故类型的事故数据样本训练出的机器学习模型；基于所述事故类型针对所述车祸事故进行业务处理决策。
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 |
|---|---|
| WO2020119314A1 true WO2020119314A1 (zh) | 2020-06-18 |
Family
ID=67235340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2019/114579 WO2020119314A1 (zh) | 2018-12-14 | 2019-10-31 | 车祸事故处理方法和装置、电子设备 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN110033011A (zh) |
| TW (1) | TW202022732A (zh) |
| WO (1) | WO2020119314A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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*** |
Families Citing this family (12)
| 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 |
| 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*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20180164825A1 (en) * | 2016-12-09 | 2018-06-14 | 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 |
| 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 |
Family Cites Families (8)
| 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 |
| 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 |
-
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
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20180164825A1 (en) * | 2016-12-09 | 2018-06-14 | 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 |
| 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 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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*** |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202022732A (zh) | 2020-06-16 |
| CN110033011A (zh) | 2019-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020119314A1 (zh) | 车祸事故处理方法和装置、电子设备 | |
| KR102151365B1 (ko) | 이미지 기반 차량 손실 평가 방법, 장치 및 시스템, 및 전자 디바이스 | |
| JP7110414B2 (ja) | 画像に基づく車両損傷判定方法、装置および電子デバイス | |
| WO2020042984A1 (zh) | 一种车辆行为检测方法及装置 | |
| WO2020177480A1 (zh) | 车辆事故的鉴定方法及装置、电子设备 | |
| TWI712980B (zh) | 理賠資訊提取方法和裝置、電子設備 | |
| KR20190021187A (ko) | 딥 러닝에 기반한 차량번호판 분류 방법, 시스템, 전자장치 및 매체 | |
| CN111310562B (zh) | 基于人工智能的车辆驾驶风险管控方法及其相关设备 | |
| WO2020186867A1 (zh) | 注视区域检测方法、装置及电子设备 | |
| JP2023017925A (ja) | 乗客関連物品の紛失軽減 | |
| TW202025060A (zh) | 車險自動賠付方法和系統 | |
| WO2020173117A1 (zh) | 人脸识别方法、神经网络训练方法、装置及电子设备 | |
| WO2020024552A1 (zh) | 道路安全监控方法及***、计算机可读存储介质 | |
| CN112149511A (zh) | 基于神经网络的驾驶员违规行为检测方法、终端、装置 | |
| CN107463887A (zh) | 列车驾驶员手势智能检查***及智能检查方法 | |
| 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 | |
| Agrawal et al. | Automatic traffic accident detection system using ResNet and SVM | |
| WO2024001617A1 (zh) | 玩手机行为识别方法及装置 | |
| CA3147840A1 (en) | Methods and systems for automatically detecting violation of a driving-related law | |
| JP2021034739A (ja) | 事象発生推定のための学習データ生成方法・プログラム、学習モデル及び事象発生推定装置 | |
| CN102831430B (zh) | 拍照时间点的预测方法及采用所述拍照时间点的预测方法的装置 | |
| Virgilio G et al. | Vision-based blind spot warning system by deep neural networks | |
| CN115131826A (zh) | 物品检测识别方法、网络模型的训练方法和装置 | |
| CN113705643A (zh) | 一种目标物检测方法、装置以及电子设备 | |
| Jayashree et al. | Convolutional Neural Networks (CNN)-based Vehicle Crash Detection and Alert System |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 19896931 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 19896931 Country of ref document: EP Kind code of ref document: A1 |