基于人工智能建立不同车型分区域远程定损系统及方法技术方案

基于人工智能建立不同车型分区域远程定损系统及方法，属于车辆定损领域，为了解决车辆碰撞后，对于区域检测的问题，技术要点是：区域检测子系统,判断车辆碰撞时所撞区域；所述区域检测子系统，对区域训练数据进行学习从而生成区域模型。有益效果：上述技术方案，可以实现对于车辆碰撞的区域检测，在远程定损的这个技术领域使用了机器学习的方法，针对的机器学习方法，在定损过程中，判别的准确率上得以提升。

【技术实现步骤摘要】

本专利技术属于车辆定损领域，涉及一种基于人工智能建立不同车型分区域远程定损系统及方法。
技术介绍
针对车辆在低速运动(包括低速道路行驶、车辆停靠等)过程中频发碰撞事故而导致的理赔纠纷问题，远程定损技术通过采集车辆行驶过程中的多种信号(如速度、加速度、角速度、声音等)并用信号处理和机器学习技术加以分析，以判断碰撞是否发生以及碰撞后车辆的损毁情况。车辆发生碰撞事故后，前端设备能够检测出碰撞的发生并截取碰撞过程的信号，通过无线网络发送至云端，远程服务器从收到的信号中抽取出事先设计的特征值，用机器学习算法进行分析，先判断碰撞数据的准确性，再判断碰撞物体和工况情况，以确定碰撞数据集对什么零件产生了哪种等级的损伤，然后根据零件损伤等级计算出参考理赔金额并发送至保险公司。这期间会涉及对于车型、工况、目标、零件和区域的检测。
技术实现思路
为了解决车辆碰撞后，对于区域检测的问题，本专利技术提出了基于人工智能建立不同车型分区域远程定损系统及方法，以实现定损过程中的区域检测。为了解决上述技术问题，本专利技术提供的技术方案的要点是：包括：车型选择子系统，选择车辆所对应的车型数据作为总数据集；数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类；碰撞检测子系统，判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型；工况检测子系统，判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型；区域检测子系统,判断车辆碰撞时所撞区域；所述区域检测子系统，对区域训练数据进行学习从而生成区域模型。有益效果：上述技术方案，可以实现对于车辆碰撞的区域检测，在远程定损的这个
使用了机器学习的方法，针对的机器学习方法，在定损过程中， 判别的准确率上得以提升；本专利技术通过选择车型来导入该车型所对应的数据，而数据分类则是为了模型训练和测试的目的而加入的步骤；区域的检测是该方案实现的目的，是经过一系列操作所要得到的结果。附图说明图1为本专利技术所述的系统的结构示意框图。具体实施方式为了对本专利技术作出更为清楚的解释，下面对本专利技术涉及的技术术语作出定义：工况：碰撞角度、方向、目标、区域等全体碰撞信息；车型：汽车型号；目标：碰撞目标；区域：碰撞位置；零件：汽车零件；工况检测：检测本车碰撞角度、方向、目标、区域等全体碰撞信息；车型检测：检测与本车发生碰撞的汽车型号；目标检测：检测本车碰撞目标；区域检测：检测本车碰撞位置；零件检测：检测本车汽车零件。实施例1：一种基于人工智能建立不同车型分区域远程定损系统，包括：车型选择子系统，选择车辆所对应的车型数据作为总数据集；数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类；碰撞检测子系统，判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型；工况检测子系统，判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型；区域检测子系统,判断车辆碰撞时所撞区域；所述区域检测子系统，对区域训练数据进行学习从而生成区域模型。所述碰撞检测子系统包括，碰撞训练模块、碰撞测试模块、碰撞验证模块，所述碰撞训练模块用于对碰撞训练数据进行学习从而生成碰撞模型，碰撞测试模块用于将碰撞测试数据带入碰撞模型中检测碰撞模型的结果，碰撞验证模块使用真实跑车数据验证碰撞模型的可靠性和准确率；所述工况检测子系统包括，工况训练模块、工况测试模块、工况验证模块，所述工况训练模块用于对工况训练数据进行学习从而生成工况模型，所述工况测试模块用于将工况测试数据带入模型中检测工况模型的结果，工况验证模块使用真实跑车数据验证工况模型的可靠性和准确率；所述区域检测子系统包括，区域训练模块、区域测试模块、区域验证模块，所述区域训练模块用于将区域训练数据进行学习从而生成区域模型，区域测试模块用于将区域测试数据带入模型中检测区域模型的结果，区域验证模块使用真实跑车数据验证区域模型的可靠性和准确率。所述碰撞模型建立使用智能有监督学习线性回归方法、智能能量模型方法、智能无监督学习FuzzyC-Means聚类算法、智能有监督学习AdaBoost方法的一种以上；所述工况模型建立使用智能有监督学习线性回归方法、智能能量模型方法、智能无监督学习FuzzyC-Means聚类算法、智能有监督学习AdaBoost方法的一种以上；所述区域模型建立使用智能有监督学习线性回归方法、智能能量模型方法、智能无监督学习FuzzyC-Means聚类算法、智能有监督学习AdaBoost方法的一种以上；且，所述碰撞模型、所述工况模型、所述区域模型建立使用的算法或方法不为完全相同的算法或方法。作为一种实施例：所述有监督学习线性回归方法包括：S1.输入变量x为特征，输出的预测值y为目标值；拟合的曲线表示为y＝h(x)；S2.输出y为x的线性函数，并表示为矩阵形式；S3.引入代价函数，使用梯度下降算法，在初始化学习参数后，重复更新学习参数的值，以得到最小方更新规则。所述的下降算法为：批梯度下降和/或统计梯度下降，有监督学习线性回归算法为：输出y为x的线性函数为：hθ(x)＝θ0+θ1x1+θ2x2θi为参数，假定x0＝1，上式表示为矩阵形式：θ和x都为列向量，给定某个训练集，引入代价函数,其定义如下：n表示特征个数编号，m表示维数；通过初始猜测初始化参数θ，然后不断改变参数θ的值，使得参数J(θ)尽可能小，直到最终得到最小化的J(θ)，使用梯度下降算法，初始化参数θ后，重复执行下述更新等式，以更新参数θ的值；J(θ)为代价函数，j为参数的下标，θj为参数，α表示学习速率；由此，更新等式简化为：作为一种实施例：所述智能能量模型的一般形式：其中，Wij是自旋Si之间的耦合，也就是机器学习中的特征，hi是物理上的外场，也即机器学习中bias项；EBM的概率模型定义通过能量函数的概率分布，x为特征向量，如下式所示：规则化系数Z称为分区函数；使用上述模型，所述智能能量模型的方法：使用下式表达:x，h为隐藏单元；引入符号自由能量，定义如下：也可以写为：数据的负极大似然梯度表示为：为极大似然估计，上面的梯度表示为两个部分，涉及到正面的部分和负面的部分，正面和负面的不表示等式中每部分的符号，而是表示对模型中概率密度的影响，第一部分增加训练数据的概率(通过降低相应的自由能量)，第二部分降 低模型确定下降梯度；第二部分涉及到计算，在所有配置下，x的期望符合由模型生成的概率分布P；计算的第一步是计算估计固定数量的模型样本的期望，用来表示负面部分梯度的表示为负粒子,表示为梯度写为：根据P取样元素(例如.我们可以做蒙特卡罗方法)，通过上面的公式，我们几乎可以使用随机粒子算法来学习EBM模型，唯一缺少的就是如何提取这些负粒子统计学上有许多抽样方法，马尔可夫链蒙特卡罗方法特别适合用于模型如受限玻尔兹曼机(RBM)，它一种特殊的EBM。作为一种实施例：所述智能无监督学习FuzzyC-Means聚类算法是：FCM把n个向量xi(i＝1，2，...，n)分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小，FCM使得每个给定数据点用值在0，1间的隶属度来确定其属于各个组的程度本文档来自技高网...

【技术保护点】
一种基于人工智能建立不同车型分区域远程定损系统，其特征在于，包括：车型选择子系统，选择车辆所对应的车型数据作为总数据集；数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类；碰撞检测子系统，判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型；工况检测子系统，判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型；区域检测子系统,判断车辆碰撞时所撞区域；所述区域检测子系统，对区域训练数据进行学习从而生成区域模型。

【技术特征摘要】
1.一种基于人工智能建立不同车型分区域远程定损系统，其特征在于，包括：车型选择子系统，选择车辆所对应的车型数据作为总数据集；数据分类子系统，读取CAE仿真数据和实车数据，并相应对数据进行分类；碰撞检测子系统，判断车辆在行车过程中是否发生碰撞；所述碰撞检测子系统对碰撞训练数据进行学习从而生成碰撞模型；工况检测子系统，判断碰撞发生的所有工况信息；所述工况检测子系统对工况训练数据进行学习从而生成工况模型；区域检测子系统,判断车辆碰撞时所撞区域；所述区域检测子系统，对区域训练数据进行学习从而生成区域模型。2.如权利要求1所述的基于人工智能建立不同车型分区域远程定损系统，其特征在于，所述碰撞检测子系统包括，碰撞训练模块、碰撞测试模块、碰撞验证模块，所述碰撞训练模块用于对碰撞训练数据进行学习从而生成碰撞模型，碰撞测试模块用于将碰撞测试数据带入碰撞模型中检测碰撞模型的结果，碰撞验证模块使用真实跑车数据验证碰撞模型的可靠性和准确率；所述工况检测子系统包括，工况训练模块、工况测试模块、工况验证模块，所述工况训练模块用于对工况训练数据进行学习从而生成工况模型，所述工况测试模块用于将工况测...

【专利技术属性】
技术研发人员：田雨农，刘俊俍，
申请(专利权)人：大连楼兰科技股份有限公司，
类型：发明
国别省市：辽宁;21