基于人工智能半监督学习BIRCH方法建立不同车型分目标远程定损系统及方法技术方案

基于人工智能半监督学习BIRCH方法建立不同车型分目标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，对于碰撞后的碰撞车辆的目标检测的问题，技术要点是：目标检测子系统,判断车辆发生碰撞的对象,所述目标检测子系统对目标训练数据进行学习从而生成目标模型，所述目标模型建立使用智能半监督学习BIRCH方法。有益效果：上述技术方案，可以实现对于车辆碰撞的目标检测，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半监督学习BIRCH方法建立不同车型分目标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，对于碰撞后的碰撞车辆的目标检测的问题，本专利技术提出了一种基于人工智能半监督学习BIRCH方法建立不同车型分目标远程定损系统及方法，以实现定损过程中的目标检测和判断。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，所述碰撞模型建立使用智能半监督学习BIRCH方法；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，所述工况模型建立使用智能半监督学习BIRCH方法；目标检测子系统,判断车辆发生碰撞的对象,所述目标检测子系统对目标训练数据进行学习从而生成目标模型，所述目标模型建立使用智能半监督学习BIRCH方法。有益效果：上述技术方案，可以实现对于车辆碰撞的目标检测，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；目标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半监督学习BIRCH方法建立不同车型分目标远程定损系统，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，所述碰撞模型建立使用智能半监督学习BIRCH方法；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，所述工况模型建立使用智能半监督学习BIRCH方法；目标检测子系统,判断车辆发生碰撞的对象,所述目标检测子系统对目标训练数据进行学习从而生成目标模型，所述目标模型建立使用智能半监督学习BIRCH方法。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；所述目标检测子系统包括，目标训练模块、目标测试模块、目标验证模块，所述目标训练模块用于将目标训练数据进行学习从而生成目标模型，目标测试模块用于将目标测试数据带入模型中检测目标模型的结果，目标验证模块使用真实跑车数据验证目标模型的可靠性和准确率。所述智能半监督学习BIRCH方法，BIRCH是一种聚类算法，它最大的特点是能利用有限的内存资源完成对大数据集的高质量的聚类，同时通过单遍扫描数据集能最小化I/O代价。首先解释一下什么是聚类，从统计学的观点来看，聚类就是给定一个包含N个数据点的数据集和一个距离度量函数F(例如计算簇内每两个数据点之间的平均距离的函数)，要求将这个数据集划分为K个簇(或者不给出数量K，由算 法自动发现最佳的簇数量)，最后的结果是找到一种对于数据集的最佳划分，使得距离度量函数F的值最小。从机器学习的角度来看，聚类是一种非监督的学习算法，通过将数据集聚成n个簇，使得簇内点之间距离最小化，簇之间的距离最大化。BIRCH算法特点：(1)BIRCH试图利用可用的资源来生成最好的聚类结果，给定有限的主存，一个重要的考虑是最小化I/O时间。(2)BIRCH采用了一种多阶段聚类技术：数据集的单边扫描产生了一个基本的聚类，一或多遍的额外扫描可以进一步改进聚类质量。(3)BIRCH是一种增量的聚类方法，因为它对每一个数据点的聚类的决策都是基于当前已经处理过的数据点，而不是基于全局的数据点。(4)如果簇不是球形的，BIRCH不能很好的工作，因为它用了半径或直径的概念来控制聚类的边界。其实现方法是：给定一个包含N个数据点的数据集和一个距离度量函数F，将所述数据集划分为K个簇，得到对于数据集的最佳划分，使得距离度量函数F的值最小。BIRCH算法中，CF是BIRCH增量聚类算法的核心，CF树中得节点都是由CF组成，一个CF是一个三元组，这个三元组就代表了簇的所有信息。给定N个d维的数据点{x1,x2,....,xn本文档来自技高网...

【技术保护点】
一种基于人工智能半监督学习BIRCH方法建立不同车型分目标远程定损系统，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，所述碰撞模型建立使用智能半监督学习BIRCH方法；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，所述工况模型建立使用智能半监督学习BIRCH方法；目标检测子系统,判断车辆发生碰撞的对象,所述目标检测子系统对目标训练数据进行学习从而生成目标模型，所述目标模型建立使用智能半监督学习BIRCH方法。

【技术特征摘要】
1.一种基于人工智能半监督学习BIRCH方法建立不同车型分目标远程定损系统，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，所述碰撞模型建立使用智能半监督学习BIRCH方法；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，所述工况模型建立使用智能半监督学习BIRCH方法；目标检测子系统,判断车辆发生碰撞的对象,所述目标检测子系统对目标训练数据进行学习从而生成目标模型，所述目标模型建立使用智能半监督学习BIRCH方法。2.如权利要求1所述的基于人工智能半监督学习BIRCH方法建立不同车型分目标远程定损系统，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...

【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