基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质。本发明专利技术应用于智能决策中的预测模型领域。所述方法包括：从预设数据库中收集训练图片并根据所述训练图片构建训练样本；基于所述训练样本，采用前向传播以及反向传播相结合的方式对预设的卷积神经网络模型进行训练以得到训练后的卷积神经网络模型；若接收到用户上传的理赔请求，将所述理赔请求中的理赔图片输入至所述训练后的卷积神经网络模型中进行预测以输出对应所述理赔图片的理赔概率，从而判断是否可理赔，并生成理赔预估金额发送至用户。通过实施本发明专利技术实施例的方法可实现提高理赔效率，节省人力资源，有效识别保险欺诈的效果。

【技术实现步骤摘要】
基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质
本专利技术涉及人工智能
，尤其涉及一种基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质。
技术介绍
随着科技与经济的发展，人们的生活水平日益提高，越来越多的家庭拥有小汽车，同时也带动了汽车保险的飞速发展。由于中国汽车市场巨大的保有量，道路上每日都发生各种各样的交通事故，而目前的车险事故理赔主要是保险勘探人员通过现场勘探识别是否理赔，这种方式不仅耗时耗力还浪费大量的人力资源，且对于一些理赔欺诈也无法有效识别。
技术实现思路
本专利技术实施例提供了一种基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质，旨在解决现有的车险理赔需要保险勘探人员通过现场勘探识别是否理赔，不仅耗时耗力浪费人力资源而且对于一些理赔欺诈也无法有效识别的问题。第一方面，本专利技术实施例提供了一种基于图片识别的车险理赔识别方法，其包括：从预设数据库中收集训练图片并根据所述训练图片构建训练样本；基于所述训练样本，采用前向传播以及反向传播相结合的方式对预设的卷积神经网络模型进行训练以得到训练后的卷积神经网络模型；若接收到用户上传的理赔请求，将所述理赔请求中的理赔图片输入至所述训练后的卷积神经网络模型中进行预测以输出对应所述理赔图片的理赔概率；将所述理赔图片对应的所述理赔概率与预设阈值进行对比；若所述理赔图片对应的所述理赔概率大于所述预设阈值，判定所述理赔图片可理赔；根据所述用户上传的理赔请求中的理赔信息按照预设规则生成理赔预估金额并将所述理赔预估金额发送至所述用户。第二方面，本专利技术实施例还提供了一种基于图片识别的车险理赔识别装置，其包括：构建单元，用于从预设数据库中收集训练图片并根据所述训练图片构建训练样本；训练单元，用于基于所述训练样本，采用前向传播以及反向传播相结合的方式对预设的卷积神经网络模型进行训练以得到训练后的卷积神经网络模型；预测单元，用于若接收到用户上传的理赔请求，将所述理赔请求中的理赔图片输入至所述训练后的卷积神经网络模型中进行预测以输出对应所述理赔图片的理赔概率；对比单元，用于将所述理赔图片对应的所述理赔概率与预设阈值进行对比；判定单元，用于若所述理赔图片对应的所述理赔概率大于所述预设阈值，判定所述理赔图片可理赔；理赔单元，用于根据所述用户上传的理赔请求中的理赔信息按照预设规则生成理赔预估金额并将所述理赔预估金额发送至所述用户。第三方面，本专利技术实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现上述方法。本专利技术实施例提供了一种基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质。其中，所述方法包括：从预设数据库中收集训练图片并根据所述训练图片构建训练样本；基于所述训练样本，采用前向传播以及反向传播相结合的方式对预设的卷积神经网络模型进行训练以得到训练后的卷积神经网络模型；若接收到用户上传的理赔请求，将所述理赔请求中的理赔图片输入至所述训练后的卷积神经网络模型中进行预测以输出对应所述理赔图片的理赔概率；将所述理赔图片对应的所述理赔概率与预设阈值进行对比；若所述理赔图片对应的所述理赔概率大于所述预设阈值，判定所述理赔图片可理赔；根据所述用户上传的理赔请求中的理赔信息按照预设规则生成理赔预估金额并将所述理赔预估金额发送至所述用户。本专利技术实施例由于通过卷积神经网络模型对理赔图片进行预测从而识别理赔图片是否可理赔，可实现提高理赔效率，节省人力资源，有效识别保险欺诈的效果。附图说明为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的基于图片识别的车险理赔识别方法的应用场景示意图；图2为本专利技术实施例提供的基于图片识别的车险理赔识别方法的流程示意图；图3为本专利技术实施例提供的基于图片识别的车险理赔识别方法的子流程示意图；图4为本专利技术实施例提供的基于图片识别的车险理赔识别方法的子流程示意图；图5为本专利技术实施例提供的基于图片识别的车险理赔识别方法的子流程示意图；图6为本专利技术另一实施例提供的基于图片识别的车险理赔识别方法的流程示意图；图7为本专利技术实施例提供的基于图片识别的车险理赔识别装置的示意性框图；图8为本专利技术实施例提供的基于图片识别的车险理赔识别装置的具体单元的示意性框图；以及图9为本专利技术实施例提供的计算机设备的示意性框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。请参阅图1和图2，图1为本专利技术实施例提供的基于图片识别的车险理赔识别方法的应用场景示意图。图2为本专利技术实施例提供的基于图片识别的车险理赔识别方法的示意性流程图。该基于图片识别的车险理赔识别方法应用于服务器20中，通过终端10与服务器20之间的交互实现。图2是本专利技术实施例提供的基于图片识别的车险理赔识别方法的流程示意图。如图所示，该方法包括以下步骤S110-S160。S110、从预设数据库中收集训练图片并根据所述训练图片构建训练样本。在一实施例中，预设数据库指的是存储车险理赔信息的数据库，所述预设数据库中存在有多个理赔完结的车险理赔案件，例如某个车险企业的所有车险理赔案件，每个理赔案件中记录有车辆的理赔图片以及理赔信息。其中，理赔图片是投保人发生车辆事故对车辆的受损部位进行拍摄的图片，例如为，车辆追尾的图片，车辆侧翻的图片以及车辆刮蹭的图片。理赔信息指的是投保人在发生车辆事故后向保险公司上传与理赔相关的信息，例如，汽车型号、受损原因、保单编号等。因此，为了使模型达到良好的训练效果，从预设数据库中获取已完结的理赔案件中的理赔图片作为训本文档来自技高网...

【技术保护点】
1.一种基于图片识别的车险理赔识别方法，其特征在于，包括：/n从预设数据库中收集训练图片并根据所述训练图片构建训练样本；/n基于所述训练样本，采用前向传播以及反向传播相结合的方式对预设的卷积神经网络模型进行训练以得到训练后的卷积神经网络模型；/n若接收到用户上传的理赔请求，将所述理赔请求中的理赔图片输入至所述训练后的卷积神经网络模型中进行预测以输出对应所述理赔图片的理赔概率；/n将所述理赔图片对应的所述理赔概率与预设阈值进行对比；/n若所述理赔图片对应的所述理赔概率大于所述预设阈值，判定所述理赔图片可理赔；/n根据所述用户上传的理赔请求中的理赔信息按照预设规则生成理赔预估金额并将所述理赔预估金额发送至所述用户。/n

【技术特征摘要】
1.一种基于图片识别的车险理赔识别方法，其特征在于，包括：
从预设数据库中收集训练图片并根据所述训练图片构建训练样本；
基于所述训练样本，采用前向传播以及反向传播相结合的方式对预设的卷积神经网络模型进行训练以得到训练后的卷积神经网络模型；
若接收到用户上传的理赔请求，将所述理赔请求中的理赔图片输入至所述训练后的卷积神经网络模型中进行预测以输出对应所述理赔图片的理赔概率；
将所述理赔图片对应的所述理赔概率与预设阈值进行对比；
若所述理赔图片对应的所述理赔概率大于所述预设阈值，判定所述理赔图片可理赔；
根据所述用户上传的理赔请求中的理赔信息按照预设规则生成理赔预估金额并将所述理赔预估金额发送至所述用户。


2.根据权利要求1所述的基于图片识别的车险理赔识别方法，其特征在于，所述从预设数据库中收集训练图片并根据所述训练图片构建训练样本，包括：
从预设数据库中收集训练图片；
根据所述训练图片的预设标记对所述训练图片进行标注；
根据所述训练图片以及所述训练图片对应的标注构建训练样本。


3.根据权利要求1所述的基于图片识别的车险理赔识别方法，其特征在于，所述基于所述训练样本，采用前向传播以及反向传播相结合的方式对预设的卷积神经网络模型进行训练以得到训练后的卷积神经网络模型，包括：
将所述训练样本中的训练集进行前向传播依次经过卷积层、池化层以及全连接层得到输出值；
将所述输出值与目标值进行对比求得总误差；
将所述总误差进行反向传播依次经过全连接层、池化层以及卷积层以对网络中的权值进行更新；
将所述训练样本中的测试集输入到卷积神经网络模型中进行测试以得到训练后的卷积神经网络模型。


4.根据权利要求1所述的基于图片识别的车险理赔识别方法，其特征在于，所述将所述理赔图片输入至所述卷积神经网络模型中进行预测以输出对应所述理赔图片的理赔概率，包括：
将所述理赔图片输入至所述卷积神经网络模型中的卷积层进行特征提取得到第一特征数据；
将所述第一特征数据输入至所述卷积神经网络模型中的池化层进行降维处理得到第二特征数据；
将所述第二特征数据输入至所述卷积神经网络模型中的全连接层进行映射得到一维特征向量；
将所述一维特征向量输入至分类器中进行分类得到所述理赔图片的理赔概率。


5.根据权利要求1所述的基于图片识别的车险理赔识别方法，其特征在于，所述根据所述用户上传的理赔请求中的理赔信息按照预设规则生成理赔预估金额并将所述理赔预估金额发送至所述用户，包括：
从预设数据库中筛选已理赔案件的理赔信息并将...

【专利技术属性】
技术研发人员：卢显锋，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44