一种基于深度学习的交通事故自助定损系统技术方案

本发明专利技术公开一种基于深度学习的交通事故自助定损系统，涉及人工智能应用领域；包括客户终端和服务端，客户终端采集事故信息，发送给服务端，服务端搭建Tensorflow的三层神经网络，获取交通事故图像信息，定义参数，构造隐层网络，构造预测输出层，利用BP算法训练建立事故模型，服务端识别客户终端采集的事故信息利用事故模型进行计算，将计算结果反馈给客户终端，用于交通事故自助定损；利用本发明专利技术系统可由用户自助操作，只需将事故照片输入系统，系统即可根据车标以及受损情况，通过深度学习训练好的模型准确计算出车辆损失情况，避免了等待定损人员到现场才能处理的情况，加快了交通事故处理速度，有利于交通秩序的流畅性。

【技术实现步骤摘要】
一种基于深度学习的交通事故自助定损系统
本专利技术公开一种基于深度学习的交通事故自助定损系统，涉及人工智能应用领域。
技术介绍
现如今，随着私家车数量的不断增长，城市交通压力越来越大，特别是在上下班的早晚高峰期间，堵车也成为了大中城市的常态。然而，在这个快节奏的时代，有些司机往往不能沉下心依次排队通过拥堵路段，而是选择在车流中随意穿插、加塞，有时还会有“路怒”现象。这些行为大大增加了交通事故出现的概率。一旦出现交通事故，如不能及时快速的处理完毕，会使得本就拥堵的道路更加拥堵，形成恶性循环。鉴于此，本专利技术提出一种基于深度学习的交通事故自助定损系统，该系统可由用户自助操作，只需将事故照片输入系统，系统即可根据车标以及受损情况，通过深度学习训练好的模型准确计算出车辆损失情况，避免了等待定损人员到现场才能处理的情况，加快了交通事故处理速度，有利于交通秩序的流畅性。
技术实现思路
本专利技术针对现有技术的问题，提供一种基于深度学习的交通事故自助定损系统，系统分客户端和服务端。客户端为手机APP，用户拍摄和上传事故照片；服务端为后台云服务器，负责训练事故模型和识别事故照片受损中车辆损失情况，并将计算结果反馈给客户端APP，供保险公司和用户参考。本专利技术提出的具体方案是：一种基于深度学习的交通事故自助定损系统：包括客户终端和服务端，客户终端采集事故信息，发送给服务端，服务端搭建Tensorflow的三层神经网络，获取交通事故图像信息，定义参数，构造隐层网络，构造预测输出层，利用BP算法训练建立事故模型，服务端识别客户终端采集的事故信息利用事故模型进行计算，将计算结果反馈给客户终端，用于交通事故自助定损。所述的系统中定义参数时，定义超参数和placeholder，同时定义参数w和b，利用tf.random_normal()生成正态分布的随机数对w和b进行赋值。所述的系统中超参数包括learning_rate、epochs及batch_size。所述的系统中Tensorflow利用BP算法定义loss层，同时利用BP算法优化Tensorflow的优化器。所述的系统中Tensorflow在训练建立事故模型前定义初始化operation和准确率node。所述的系统中将事故模型转化为二进制文本，Tensorflow使用freeze_graph.py工具将客户终端采集的事故信息的参数与事故模型整合到一起，便于进行计算。一种基于深度学习的交通事故自助定损方法，利用所述的系统，通过客户终端采集事故信息，发送给服务端，利用服务端搭建Tensorflow的三层神经网络，获取交通事故图像信息，定义参数，构造隐层网络，构造预测输出层，利用BP算法训练建立事故模型，利用服务端识别客户终端采集的事故信息利用事故模型进行计算，将计算结果反馈给客户终端，用于交通事故自助定损。所述的方法中服务端搭建的Tensorflow利用BP算法定义loss层，同时利用BP算法优化Tensorflow的优化器。本专利技术的有益之处是：本专利技术提供一种基于深度学习的交通事故自助定损系统：包括客户终端和服务端，客户终端采集事故信息，发送给服务端，服务端搭建Tensorflow的三层神经网络，获取交通事故图像信息，定义参数，构造隐层网络，构造预测输出层，利用BP算法训练建立事故模型，服务端识别客户终端采集的事故信息利用事故模型进行计算，将计算结果反馈给客户终端，用于交通事故自助定损；利用本专利技术系统可由用户自助操作，只需将事故照片输入系统，系统即可根据车标以及受损情况，通过深度学习训练好的模型准确计算出车辆损失情况，避免了等待定损人员到现场才能处理的情况，加快了交通事故处理速度，有利于交通秩序的流畅性。附图说明图1是本专利技术系统架构示意图；图2是本专利技术方法流程示意图。具体实施方式本专利技术提供一种基于深度学习的交通事故自助定损系统：包括客户终端和服务端，客户终端采集事故信息，发送给服务端，服务端搭建Tensorflow的三层神经网络，获取交通事故图像信息，定义参数，构造隐层网络，构造预测输出层，利用BP算法训练建立事故模型，服务端识别客户终端采集的事故信息利用事故模型进行计算，将计算结果反馈给客户终端，用于交通事故自助定损。同时提供与上述方法相对应的一种基于深度学习的交通事故自助定损方法，利用所述的系统，通过客户终端采集事故信息，发送给服务端，利用服务端搭建Tensorflow的三层神经网络，获取交通事故图像信息，定义参数，构造隐层网络，构造预测输出层，利用BP算法训练建立事故模型，利用服务端识别客户终端采集的事故信息利用事故模型进行计算，将计算结果反馈给客户终端，用于交通事故自助定损。下面结合附图和具体实施例对本专利技术作进一步说明，以使本领域的技术人员可以更好地理解本专利技术并能予以实施，但所举实施例不作为对本专利技术的限定。本专利技术系统分客户终端和服务端，客户端为手机APP，用户拍摄和上传事故照片；服务端为后台云服务器，负责训练事故模型和识别事故照片受损中车辆损失情况，并将计算结果反馈给客户端APP，供保险公司和用户参考。客户终端采用手机APP对事故现场进行尽量多的角度的拍照，通过客户终端APP上传至后台云服务器，等待后台云服务器返回识别和计算结果，并将结果生成报告供用户参考；服务端搭建基于Tensorflow的三层神经网络，并对大量事故照片进行训练，生成训练好的模型，利用该模型对用户事故照片进行分析，计算损失，并将结果反馈给客户端，由客户端向用户展示，其中服务端Tensorflow训练步骤如下：步骤1：加载数据，调用input_data.read_data_sets接口输入要训练模型的数据来源；步骤2：定义超参数和placeholder：超参数包括learning_rate、epochs、batch_size等变量；设置placeholder为x＝tf.placeholder(tf.float32,[None,784])，表示输入图片为28x28像素＝784；定义参数w和b：利用tf.random_normal()生成正态分布的随机数对w和b进行赋值，例如W1＝tf.Variable(tf.random_normal([784,300],stddev＝0.03),name＝'W1')b1＝tf.Variable(tf.random_normal([300]),name＝'b1')步骤3：构造隐层网络：调用接口如下hidden_out＝tf.add(tf.matmul(x,W1),b1)hidden_out＝tf.nn.relu(hidden_out)步骤4：构造预测输出层：对于单标签多分类任务，输出层的激活函数都是tf.nn.softmax()，调用接口如下y_＝tf.nn.softmax(tf.add(tf.matmul(hidden_out,W2),b2))步骤5：利用BP算法定义loss层，分为两步：对n个标签计算交叉熵，如下y_clipped＝tf.clip_by_value(y_,1e-10,0.9999999)；对m个样本取平均，如下cross_entropy＝-tf.reduce_mean(tf.reduce_sum(y*tf.log(y_clipped)+(1-y)*tf本文档来自技高网...

【技术保护点】
1.一种基于深度学习的交通事故自助定损系统，其特征是包括客户终端和服务端，客户终端采集事故信息，发送给服务端，服务端搭建Tensorflow的三层神经网络，获取交通事故图像信息，定义参数，构造隐层网络，构造预测输出层，利用BP算法训练建立事故模型，服务端识别客户终端采集的事故信息利用事故模型进行计算，将计算结果反馈给客户终端，用于交通事故自助定损。

【技术特征摘要】
1.一种基于深度学习的交通事故自助定损系统，其特征是包括客户终端和服务端，客户终端采集事故信息，发送给服务端，服务端搭建Tensorflow的三层神经网络，获取交通事故图像信息，定义参数，构造隐层网络，构造预测输出层，利用BP算法训练建立事故模型，服务端识别客户终端采集的事故信息利用事故模型进行计算，将计算结果反馈给客户终端，用于交通事故自助定损。2.根据权利要求1所述的系统，其特征是定义参数时，定义超参数和placeholder，同时定义参数w和b，利用tf.random_normal()生成正态分布的随机数对w和b进行赋值。3.根据权利要求2所述的系统，其特征是超参数包括learning_rate、epochs及batch_size。4.根据权利要求1-3任一所述的系统，其特征是Tensorflow利用BP算法定义loss层，同时利用BP算法优化Tensorflow的优化器。5.根据权利要求4所述的...

【专利技术属性】
技术研发人员：马辰，于治楼，谭强，于玲，
申请(专利权)人：济南浪潮高新科技投资发展有限公司，
类型：发明
国别省市：山东,37