(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210713006.8 (22)申请日 2022.06.22 (71)申请人 平安科技 （深圳） 有限公司 地址 518000 广东省深圳市福田区福田街 道福安社区益田路5033号平 安金融中 心23楼 (72)发明人 赵霄鸿　刘莉红　刘玉宇　肖京　 (74)专利代理 机构 深圳市赛恩倍吉知识产权代 理有限公司 4 4334 专利代理师 林丽纯　严林 (51)Int.Cl. G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/10(2012.01) G06Q 40/08(2012.01) G06V 10/25(2022.01) (54)发明名称 车辆定损理赔方法、 装置、 电子设备及存储 介质 (57)摘要 本申请涉及人工智能， 提供一种车辆定损理 赔方法、 装置、 电子设备及存储介质。 该方法获取 车辆的多张损伤图像， 利用特征提取网络对多张 损伤图像进行特征提取， 得到每张损伤图像的特 征向量， 基于输出网络对特征向量进行处理， 得 到每张损伤图像中车辆的损伤 位置及损伤类型， 基于训练完成的逻辑回归模型对特征向量进行 处理， 得到每张损伤图像的损伤类型的置信度， 将每张损伤图像的特征向量进行融合， 得到融合 特征向量， 基于训练完成的逻辑回归模型对融合 特征进行处理， 得到多张损伤图像的总置信度， 根据每张损伤 图像的损伤类型的置信度及多张 损伤图像的总置信度， 确定车辆的理赔方式。 本 申请还涉及区块链技术， 理赔方式对应的数据可 存储于区块链中。 权利要求书2页 说明书15页 附图2页 CN 114972771 A 2022.08.30 CN 114972771 A 1.一种车辆 定损理赔方法， 其特 征在于， 所述车辆 定损理赔方法包括： 获取车辆的多张损伤图像； 利用特征提取网络对所述多张损伤图像进行特征提取， 得到每张损伤图像的特征向 量； 基于输出网络对所述特征向量进行处理， 得到所述每张损伤图像中车辆的损伤位置及 损伤类型； 基于预先训练完成的逻辑 回归模型对所述特征向量进行处理， 得到每张损伤图像的损 伤类型的置信度； 将所述每张损伤图像的特 征向量进行融合， 得到融合特 征向量； 基于所述预先训练完成的逻辑 回归模型对所述融合特征进行处理， 得到所述多 张损伤 图像的总置信度； 根据所述每张损伤图像的损伤类型的置信度及所述多 张损伤图像的总置信度， 确定所 述车辆的理赔方式， 其中， 所述理赔方式包括人工理赔及机器理赔。 2.根据权利要求1所述的车辆定损理赔方法， 其特征在于， 所述特征提取网络包括主干 网络、 区域候选网络及全连接层， 所述利用特征提取网络对所述多张损伤图像进行特征提 取， 得到每张损伤图像的特 征向量包括： 基于所述主干网络对所述多张车辆损伤图像进行 特征提取， 得到 浅层特征； 基于所述区域 候选网络对所述浅层特 征进行重新构建， 得到特 征图； 基于所述全连接层对所述特 征图进行处 理， 得到所述特 征向量。 3.根据权利要求2所述的车辆定损理赔方法， 其特征在于， 所述 区域候选网络包括区域 卷积层、 边界框回归层及感兴趣区域对齐层， 所述基于所述区域候选网络对所述浅层特征 进行重新构建， 得到特 征图包括： 基于所述区域卷积层对所述浅层特 征进行卷积处理， 得到区域特 征； 基于所述 边界框回归层对所述区域特 征进行回归处 理， 得到边界框； 基于所述感兴趣区域对齐层对所述 边界框进行对齐处 理， 得到所述特 征图。 4.根据权利要求1所述的车辆定损理赔方法， 其特征在于， 所述输出网络包括边界框回 归网络及损伤类型识别网络， 所述基于输出网络对所述特征向量进行处理， 得到所述每张 损伤图像中车辆的损伤位置及损伤类型包括： 基于所述边界框回归网络对所述特征向量进行回归处理， 得到损伤边界框坐标， 将所 述损伤边界框坐标作为所述损伤位置； 基于所述损伤类型识别网络对所述特 征向量进行回归处 理， 得到损伤类型。 5.根据权利要求1所述的车辆定损理赔方法， 其特征在于， 所述预先训练完成的逻辑 回 归模型的训练过程包括： 获取多张车辆损伤样本图像； 对所述多张样本图像进行 预处理， 得到待参与训练逻辑回归 模型的数据集； 采用交叉验证的方法对所述数据集进行划分为训练集及测试集； 在所述训练集中随机 选择第一预设数量的训练集训练逻辑回归 模型； 利用所述测试集测试 所训练的逻辑回归 模型的准确率； 若所述准确率大于或者等于预设准确率阈值， 则训练结束， 得到所述预先训练完成的权　利　要　求　书 1/2 页 2 CN 114972771 A 2逻辑回归 模型； 若所述准确率小于所述预设准确率阈值， 则重新训练逻辑回归 模型。 6.根据权利要求1所述的车辆定损理赔方法， 其特征在于， 所述根据所述每张损伤图像 的损伤类型的置信度及所述多张损伤图像的总置信度， 确定所述车辆的理赔方式包括： 若多张损伤图像中超过一半数量的损伤图像的损伤类型的置信度小于第 一预设阈值， 且所述多张损伤图像的总置信度小于第二预设阈值， 确定所述理赔方式为机器理赔； 若多张损伤图像中超过一半数量的损伤图像的损伤类型的置信度小于所述第一预设 阈值， 且所述多张损伤图像的总置信度大于或等于所述第二预设阈值， 确定所述理赔方式 为人工理赔； 若多张损伤图像中超过一半数量的损伤图像的损伤类型的置信度大于或等于所述第 一预设阈值， 确定所述理赔方式为人工理赔。 7.根据权利要求1所述的车辆定损理赔方法， 其特征在于， 所述确定所述理赔方式为所 述机器理赔时包括： 从所述每张损伤图像的损伤类型中选择最严重的损伤类型作为定损结果， 其中所述损 伤类型从轻微到严重的排序分别为： 擦伤、 凹陷、 褶皱、 开裂、 缺失。 8.一种车辆 定损理赔装置， 其特 征在于， 所述装置包括： 获取单元， 用于获取损伤车辆的多张损伤图像； 所述获取 单元还用于获取多张车辆损伤样本图像； 提取单元， 用于利用特征提取网络对所述多张损伤图像进行特征提取， 得到每张损伤 图像的特 征向量； 处理单元， 用于基于输出网络对所述特征向量进行处理， 得到所述每张损伤图像中车 辆的损伤位置及损伤类型； 融合单元， 用于将所述每张损伤图像的特 征向量进行融合， 得到融合特 征向量； 所述处理单元还用于基于预先训练完成的逻辑 回归模型对所述特征向量进行处理， 得 到每张损伤图像的损伤类型的置信度； 所述处理单元还用于基于所述预先训练完成的逻辑回归模型对所述融合特征进行处 理， 得到所述多张损伤图像的总置信度； 确定单元， 用于根据 所述每张损伤图像的损伤类型的置信度及所述多张损伤图像的总 置信度， 确定所述车辆的理赔方式， 其中， 所述理赔方式包括人工理赔及机器理赔。 9.一种电子设备， 其特 征在于， 所述电子设备包括： 存储器， 存储有计算机可读指令； 及 处理器， 执行所述存储器 中存储的计算机可读指令以实现如权利要求1至7中任意一项 所述的车辆 定损理赔方法。 10.一种计算机可读存储介质， 其特征在于： 所述计算机可读存储介质中存储有计算机 可读指令， 所述计算机可读指 令被电子 设备中的处理器执行以实现如权利要求 1至7中任意 一项所述的车辆 定损理赔方法。权　利　要　求　书 2/2 页 3 CN 114972771 A 3