基于图像处理的车辆维修配件推荐方法及系统技术方案

本发明专利技术公开了一种基于图像处理的车辆维修配件推荐方法及系统，涉及图像处理技术领域，通过长短期神经网络模型确定待更换配件的磨损度，通过卷积神经网络模型确定用户的价格敏感度，最后基于所述待更换配件的磨损度、所述用户的价格敏感度、所述待更换配件信息使用深度神经网络模型确定多个推荐维修配件，从而能够快速准确的确定多个推荐维修配件。能够快速准确的确定多个推荐维修配件。能够快速准确的确定多个推荐维修配件。

【技术实现步骤摘要】
基于图像处理的车辆维修配件推荐方法及系统


[0001]本专利技术涉及图像处理
，具体涉及基于图像处理的车辆维修配件推荐方法及系统。

技术介绍

[0002]随着生活质量的提高，越来越多的家庭拥有车辆，车辆的普及方便了人们的出行，但随之带来了一些车辆保养及维修问题。车辆在使用过程中难免会磕磕碰碰或者出现车辆配件故障，这时就需要到修理厂进行维修。修理厂会对出现故障的车辆配件进行更换，但由于同一种类的车辆配件繁多，而车辆配件还分为原厂件、正厂件、副厂件、拆车件等几个类别，选择起来较为困难。现有的方案大多都是修理厂工作人员根据用户需要人为选择相应的车辆配件，但此种方法需要修理厂工作人员和用户多次交流，费时费力，且选择结果受修理厂工作人员主观影响严重，不太准确。
[0003]因此，如何快速准确的确定车辆维修配件是当前亟待解决的问题。

技术实现思路

[0004]本专利技术主要解决的技术问题是如何快速准确的确定车辆维修配件。
[0005]根据第一方面，一种实施例中提供一种基于图像处理的车辆维修配件推荐方法，包括：S1、获取用户信息、车辆图像、车辆的待更换配件信息，所述车辆的待更换配件信息包括待更换配件型号、待更换配件拍摄视频、待更换配件价格；S2、基于所述待更换配件拍摄视频使用长短期神经网络模型确定待更换配件的磨损度，所述长短期神经网络模型的输入包括所述待更换配件拍摄视频，所述长短期神经网络模型的输出为所述待更换配件的磨损度；S3、基于所述用户信息、所述车辆图像、所述车辆的待更换配件信息使用卷积神经网络模型确定用户的价格敏感度；S4、基于所述待更换配件的磨损度、所述用户的价格敏感度、所述待更换配件信息使用深度神经网络模型确定多个推荐维修配件。
[0006]在一些实施例中，所述卷积神经网络模型的输入包括所述用户信息、所述车辆图像、所述车辆的待更换配件信息，所述卷积神经网络模型的输出为所述用户的价格敏感度；所述深度神经网络模型的输入包括所述待更换配件的磨损度、所述用户的价格敏感度、所述待更换配件信息，所述深度神经网络模型的输出为所述多个推荐维修配件。
[0007]在一些实施例中，若所述用户的价格敏感度高于第一阈值，则将所述多个推荐维修配件中价格最低的推荐维修配件推荐给用户。
[0008]在一些实施例中，获取所述多个推荐维修配件的价格，将所述多个推荐维修配件按照价格从低到高进行排序后得到价格表，并将所述价格表展示给用户。
[0009]在一些实施例中，所述卷积神经网络模型通过训练过程获取，所述训练过程包括：获取多个训练样本，所述训练样本包括样本输入数据和所述样本输入数据对应的标签，所述样本输入数据为样本用户信息、样本车辆图像、样本车辆的待更换配件信息，所述标签为样本用户的价格敏感度；基于所述多个训练样本训练初始的卷积神经网络模型，得到所述
卷积神经网络模型。
[0010]根据第二方面，一种实施例中提供基于图像处理的车辆维修配件推荐系统，其特征在于，包括：一种基于图像处理的车辆维修配件推荐系统，包括：获取模块，用于获取用户信息、车辆图像、车辆的待更换配件信息，所述车辆的待更换配件信息包括待更换配件型号、待更换配件拍摄视频、待更换配件价格；磨损度确定模块，用于基于所述待更换配件拍摄视频使用长短期神经网络模型确定待更换配件的磨损度，所述长短期神经网络模型的输入包括所述待更换配件拍摄视频，所述长短期神经网络模型的输出为所述待更换配件的磨损度；敏感度确定模块，用于基于所述用户信息、所述车辆图像、所述车辆的待更换配件信息使用卷积神经网络模型确定用户的价格敏感度；推荐模块，用于基于所述待更换配件的磨损度、所述用户的价格敏感度、所述待更换配件信息使用深度神经网络模型确定多个推荐维修配件。在一些实施例中，所述卷积神经网络模型的输入包括所述用户信息、所述车辆图像、所述车辆的待更换配件信息，所述卷积神经网络模型的输出为所述用户的价格敏感度；所述深度神经网络模型的输入包括所述待更换配件的磨损度、所述用户的价格敏感度、所述待更换配件信息，所述深度神经网络模型的输出为所述一个或多个推荐维修配件。
[0011]根据第三方面，一种实施例中提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的基于图像处理的车辆维修配件推荐方法的步骤。
[0012]根据第四方面，一种实施例中提供一种电子设备，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现上述的方法。
[0013]根据第五方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现如上述方面中任一项所述的方法。
[0014]依据上述实施例提供的基于图像处理的车辆维修配件推荐方法及系统，通过长短期神经网络模型确定待更换配件的磨损度，通过卷积神经网络模型确定用户的价格敏感度，最后基于所述待更换配件的磨损度、所述用户的价格敏感度、所述待更换配件信息使用深度神经网络模型确定多个推荐维修配件，从而能够快速准确的确定多个推荐维修配件。
附图说明
[0015]图1为本专利技术实施例提供的一种基于图像处理的车辆维修配件推荐方法的流程示意图；
[0016]图2为本专利技术实施例提供的一种价格表的示意图；
[0017]图3为本专利技术实施例提供的一种基于图像处理的车辆维修配件推荐系统的示意图；
[0018]图4为本专利技术实施例提供的一种电子设备的示意图；
[0019]图5为本专利技术实施例提供的一种电子设备的结构示意图。
具体实施方式
[0020]下面通过具体实施方式结合附图对本专利技术作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了
使得本专利技术能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本专利技术相关的一些操作并没有在说明书中显示或者描述，这是为了避免本专利技术的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
[0021]另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
[0022]本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本专利技术所说“连接”、“联接”，如无特别说明，均包括直接和间接连接（联接）。
[0023]本专利技术实施例中，提供了如图1所示的一种基于图像处理的车辆维修配件推荐方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像处理的车辆维修配件推荐方法，其特征在于，包括：S1、获取用户信息、车辆图像、车辆的待更换配件信息，所述车辆的待更换配件信息包括待更换配件型号、待更换配件拍摄视频、待更换配件价格；S2、基于所述待更换配件拍摄视频使用长短期神经网络模型确定待更换配件的磨损度，所述长短期神经网络模型的输入包括所述待更换配件拍摄视频，所述长短期神经网络模型的输出为所述待更换配件的磨损度；S3、基于所述用户信息、所述车辆图像、所述车辆的待更换配件信息使用卷积神经网络模型确定用户的价格敏感度；S4、基于所述待更换配件的磨损度、所述用户的价格敏感度、所述待更换配件信息使用深度神经网络模型确定多个推荐维修配件。2.如权利要求1所述的基于图像处理的车辆维修配件推荐方法，其特征在于，所述卷积神经网络模型的输入包括所述用户信息、所述车辆图像、所述车辆的待更换配件信息，所述卷积神经网络模型的输出为所述用户的价格敏感度；所述深度神经网络模型的输入包括所述待更换配件的磨损度、所述用户的价格敏感度、所述待更换配件信息，所述深度神经网络模型的输出为所述多个推荐维修配件。3.如权利要求1所述的基于图像处理的车辆维修配件推荐方法，其特征在于，所述方法还包括：若所述用户的价格敏感度高于第一阈值，则将所述多个推荐维修配件中价格最低的推荐维修配件推荐给用户。4.如权利要求1所述的基于图像处理的车辆维修配件推荐方法，其特征在于，所述方法还包括：获取所述多个推荐维修配件的价格，将所述多个推荐维修配件按照价格从低到高进行排序后得到价格表，并将所述价格表展示给用户。5.如权利要求1所述的基于图像处理的车辆维修配件推荐方法，所述卷积神经网络模型通过训练过程获取，所述训练过程包括：获取多个训练样本，所述训练样本包括样本输入数据和所述样本输入数据对应的标签，所述样本输入数据为样本用...

【专利技术属性】
技术研发人员：张良，李诚，赵良晶，马双，冯慧霞，刘玉东，于连奇，
申请(专利权)人：邦邦汽车销售服务北京有限公司，
类型：发明
国别省市：