[發(fā)明專利]一種面向車險反欺詐的圖像標(biāo)注及要素抽取方法與系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202210376689.2
• 申請日: 2022-04-12
• 公開（公告）號: CN114462553B
• 公開（公告）日: 2022-07-15
• 發(fā)明（設(shè)計）人: 丁鍇;那崇寧;楊佳熹
• 申請（專利權(quán)）人: 之江實驗室
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V40/16;G06V10/74;G06V10/774;G06V10/764;G06Q30/00;G06Q40/08;G06F16/51;G06F16/55
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 邱啟旺

本發(fā)明公開了一種面向車險反欺詐的圖像標(biāo)注及要素抽取方法與系統(tǒng)，本發(fā)明方法針對車險現(xiàn)場采集，事后補充圖片等圖像進行反欺詐要素提取。本發(fā)明系統(tǒng)包括：車險要素表構(gòu)建模塊，圖像采集模塊、標(biāo)注功能模塊和要素提取模塊，其中標(biāo)注功能模塊包括多標(biāo)簽類別標(biāo)注模塊，車損部位標(biāo)注模塊，人臉標(biāo)注模塊；要素提取模塊用于對各個標(biāo)注數(shù)據(jù)集進行要素提取。本發(fā)明主要聚焦于建立面向車險反欺詐的圖像要素標(biāo)注與提取，使得提取的圖像要素更客觀，生成可以用于交叉驗證車險結(jié)構(gòu)化數(shù)據(jù)，提高數(shù)據(jù)質(zhì)量。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，尤其涉及一種面向車險反欺詐的圖像標(biāo)注及要素抽取方法與系統(tǒng)。

背景技術(shù)

同時，隨著金融保險行業(yè)信息化的發(fā)展，相關(guān)業(yè)務(wù)數(shù)據(jù)快速增長，如何利用快速增長的數(shù)據(jù)，特別是較客觀的圖像數(shù)據(jù)，進行保險欺詐行為檢測，有效打擊和震懾反欺詐行為，對車險行業(yè)有重要意義。現(xiàn)有智能識別技術(shù)在車輛保險業(yè)的應(yīng)用，大多針對于保險的定損，例如中國專利CN113344712A公開了基于圖像識別的智能分揀及保險賠付系統(tǒng)，中國專利CN113706513A公開了基于圖像檢測的車損圖像的分析方法等。其次，現(xiàn)有的圖像模型較多使用公開數(shù)據(jù)庫，可提取要素種類較少，在反欺詐中的應(yīng)用價值不大。再次，車險圖像數(shù)據(jù)標(biāo)注沒有針對性，通常僅在預(yù)訓(xùn)練模型進行微調(diào)時額外加入少量車損特征，使得提取結(jié)果包含大量噪聲特征，影響反欺詐模型判定。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)不足，本發(fā)明提出了一種面向車險反欺詐的圖像標(biāo)注及要素抽取方法與系統(tǒng)。

為實現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為：本發(fā)明實施例的第一方面提供了一種面向車險反欺詐的圖像標(biāo)注及要素抽取方法，具體包括以下步驟：

S1，基于欺詐類型，通過設(shè)定判定依據(jù)提取車險要素以構(gòu)建車險要素表；

S2，采集車險現(xiàn)場圖像，通過圖像向量化和設(shè)置相似閾值，基于圖像相似度度量模型去除相似樣本；

S3，根據(jù)車險要素表，對去除相似樣本的車險現(xiàn)場圖像中的車險、車損、人臉分別進行標(biāo)注，得到車險要素標(biāo)注數(shù)據(jù)集、車損要素標(biāo)注數(shù)據(jù)集和人員信息標(biāo)注數(shù)據(jù)集；

S4，對車險要素標(biāo)注數(shù)據(jù)集基于加權(quán)多標(biāo)簽提取車險要素，對車損要素標(biāo)注數(shù)據(jù)集基于目標(biāo)檢測算法提取車損要素，對人員信息標(biāo)注數(shù)據(jù)集基于人臉檢測算法進行人臉檢測提取人員信息。

進一步地，所述步驟S1具體為：分析包括車險反欺詐案例，對擺放現(xiàn)場，重復(fù)索賠，人員偷換，二次碰撞在內(nèi)的欺詐類型，對其判定依據(jù)進行總結(jié)，得到基于圖像要素反欺詐規(guī)則，并以此構(gòu)建車險要素表；所述車險要素表中的車險要素包括車損面積、車損位置、事故時間、天氣、事故類型、車損程度、人臉。

進一步地，所述步驟S2通過圖像向量化和設(shè)置相似閾值，去除相似樣本的過程具體為：使用細(xì)粒度車輛分類數(shù)據(jù)庫為圖像相似度度量模型的訓(xùn)練集，訓(xùn)練后的模型作為圖像向量化的編碼器；然后，利用向量化距離計算最遠點抽樣，通過設(shè)置采樣數(shù)量或者圖像相似度閾值，實現(xiàn)樣本的距離最大化，以滿足采樣的車險現(xiàn)場圖像的多樣性。

進一步地，所述步驟S3具體為：根據(jù)車險要素表，利用labelme遍歷去除相似樣本的的車險現(xiàn)場圖像，對包括車輛數(shù)目、行駛狀態(tài)、事故類型、雙方、天氣、時間、路況的車險要素，包括凹陷、凸起彎折、劃蹭、燃燒、玻璃碎裂、爆胎、撕裂、脫落在內(nèi)的車損要素和人員要素進行標(biāo)注，得到車險要素標(biāo)注數(shù)據(jù)集、車損要素標(biāo)注數(shù)據(jù)集和人員信息標(biāo)注數(shù)據(jù)集。

進一步地，對車險要素標(biāo)注數(shù)據(jù)集基于加權(quán)多標(biāo)簽提取車險要素的過程具體為：以基于Imagenet圖像庫的Efficientnet預(yù)訓(xùn)練模型為基礎(chǔ)，將車險要素標(biāo)注數(shù)據(jù)集作為訓(xùn)練集基于加權(quán)多標(biāo)簽進行多標(biāo)簽分類任務(wù)精調(diào)，得到車險要素。