[发明专利]车损识别方法及服务器有效
申请号: | 201710147701.1 | 申请日: | 2017-03-13 |
公开(公告)号: | CN107092922B | 公开(公告)日: | 2018-08-31 |
发明(设计)人: | 黄章成;马进;王健宗;肖京 | 申请(专利权)人: | 平安科技(深圳)有限公司 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N3/08;G06Q40/08 |
代理公司: | 深圳市沃德知识产权代理事务所(普通合伙) 44347 | 代理人: | 高杰;于志光 |
地址: | 518000 广东省深*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 识别 方法 服务器 | ||
本发明公开了一种车损识别方法及服务器,该方法包括:接收用户通过第一终端发出的定损请求,利用预设的第一预设类型模型对定损照片进行分析,得到对应的第一车损部位分类信息,并将第一车损部位分类信息返回给该第一终端进行显示;若接收到该用户通过该第一终端发出的对第一车损部位分类信息的拒绝指令,则再次利用预设的第一预设类型模型对定损照片进行分析,得到对应的第二车损部位分类信息,并将第二车损部位分类信息返回给该第一终端进行显示;若接收到该用户通过该第一终端发出的对第二车损部位分类信息的拒绝指令,则向预先确定的第二终端发送对定损照片进行车损部位人工识别的指令。本发明提高了车损识别的准确率和查全率。
技术领域
本发明涉及计算机技术领域,尤其涉及一种车损识别方法及服务器。
背景技术
目前,车险业务的一个难点在于车险理赔环节需要投入大量的人力物力。为了有效降低车险理赔环节的人力、物力,目前有些保险公司利用图像检测和识别的技术自动对受损部位进行检测。然而,现有的这种自动检测方案有时比较容易对受损部位检测遗漏或者是识别错误,识别的准确率和查全率得不到保障。
发明内容
本发明的主要目的在于提供一种车损识别方法及服务器,旨在提高车损识别的准确率和查全率。
为实现上述目的,本发明提供的一种车损识别方法,所述方法包括以下步骤:
A、服务器接收用户通过第一终端发出的包含定损照片的定损请求,利用预设的第一预设类型模型对所述定损照片进行分析,得到所述定损照片对应的第一车损部位分类信息,并将所述第一车损部位分类信息返回给该第一终端进行显示;
B、若接收到该用户通过该第一终端发出的对所述第一车损部位分类信息的拒绝指令,则再次利用预设的第一预设类型模型对所述定损照片进行分析,得到所述定损照片对应的第二车损部位分类信息,并将所述第二车损部位分类信息返回给该第一终端进行显示;
C、若接收到该用户通过该第一终端发出的对所述第二车损部位分类信息的拒绝指令,则向预先确定的第二终端发送对所述定损照片进行车损部位人工识别的指令,以对车损部位进行人工识别。
优选地,所述步骤B替换为:
B1、若接收到该用户通过该第一终端发出的车损部位人工框定指令,则由该第一终端在所述定损照片的显示区域的预设位置生成预设尺寸和形状的区域选择框,该区域选择框用于供用户向预设方向调整当前区域选择框以框选定损照片特征区域;将所述定损照片特征区域发送给服务器;
B2、服务器接收所述定损照片特征区域,对所述定损照片特征区域进行分析,得到对应的第二车损部位分类信息。
优选地,所述第一预设类型模型的生成步骤包括:根据预设车损部位分类,从预设的车险理赔数据库获取各个预设车损部位分类对应的理赔照片,对各个预设车损部位分类对应的理赔照片进行预处理,以将所述理赔照片的格式转化为预设格式;利用转化后的各个预设车损部位分类对应的预设格式图片,训练预设模型结构的卷积神经网络模型,以生成各个预设车损部位分类对应的卷积神经网络模型。
优选地,在接收到该用户通过第一终端发出的对所述第一车损部位分类信息或第二车损部位分类信息的确认指令后,该方法还包括:
服务器通过预设的第二预设类型模型对所述定损照片进行分析,确定所述定损照片对应的车损级别,根据预存的车损部位、车损级别及修理方式三者间的映射关系,找出确定的车损部位和车损级别对应的修理方式,并将确定的车损部位、车损级别以及对应的修理方式返回给该第一终端进行显示;
若接收到该用户通过该第一终端发出的对所述车损级别或修理方式的拒绝指令,则服务器向预先确定的第二终端发送对所述定损照片进行车损级别人工识别或修理方式人工识别的指令,以对车损级别或修理方式进行人工识别。
优选地,所述第二预设类型模型的生成步骤包括:
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于平安科技(深圳)有限公司,未经平安科技(深圳)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201710147701.1/2.html,转载请声明来源钻瓜专利网。