Adnotacja obrazu pojazdu na potrzeby roszczeń ubezpieczeniowych, szacowania kosztów napraw i inspekcji floty — studium przypadku
W jaki sposób Shaip dostarczył specjalistyczną adnotację dotyczącą uszkodzeń pojazdów, łączącą segmentację wielokątów każdej części nadwozia z 11-klasową klasyfikacją uszkodzeń i zaleceniami dotyczącymi napraw na poziomie podzespołów — zbudowaną jako zbiór danych klasy produkcyjnej na potrzeby zautomatyzowanego przetwarzania roszczeń ubezpieczeniowych i sztucznej inteligencji do kontroli pojazdów.
Przegląd projektu
W miarę jak branża ubezpieczeniowa i motoryzacyjna sztuczna inteligencja zmierzają w kierunku automatycznej oceny roszczeń i kontroli pojazdów, klient potrzebował systemu adnotacji, który umożliwiałby segmentację każdej części pojazdu wraz ze szczegółową klasyfikacją uszkodzeń — na poziomie szczegółowości, który obsługuje zalecenia dotyczące napraw na poziomie podzespołów.
Shaip zbudował kompleksowy system adnotacji obejmujący segmentację wielokątów części ciała, klasyfikację uszkodzeń według 11 klas, tagowanie atrybutów stopnia uszkodzenia, lokalizacji uszkodzenia i naprawy oraz wielowarstwową inteligencję uszkodzeń — generując gotowe do modelowania zestawy danych do automatycznej kontroli pojazdów i sztucznej inteligencji w zakresie roszczeń ubezpieczeniowych.
Kluczowe statystyki
Zakrycie części ciała
Pełna Zewnętrzna
Klasy uszkodzeń
11
Warstwy atrybutów
4
Tagi naprawy
Typy 4
Wyzwania
- Segmentacja każda część ciała — zderzaki, drzwi, światła, błotniki, felgi aluminiowe, lusterka, słupki
- Klasyfikacja 11 różnych typów uszkodzeń — rysa, wgniecenie, pęknięcie, rozbicie, łuszczenie się farby, rdza, brakująca część, stłuczone szkło
- Charakterystyczny subtelne uszkodzenia z odbić powierzchniowych, brudu i cieni
- Prowadzenie nakładające się typy uszkodzeń na jednym panelu z wieloma tagami
- Generowanie zalecenia dotyczące napraw na poziomie komponentów — polerowanie, malowanie, czyszczenie paneli, wymiana
Rozwiązanie
Segmentacja wielokątów części ciała
Każda widoczna część nadwozia każdego pojazdu została indywidualnie opisana za pomocą precyzyjnej segmentacji wielokątnej lub ramek ograniczających, obejmujących całą konstrukcję zewnętrzną — zderzaki przednie i tylne, maskę, bagażnik, dach, przednią i tylną szybę, szyby boczne, drzwi lewe i prawe, błotniki, lusterka boczne, reflektory, światła tylne, osłonę chłodnicy, słupki, progi boczne, nadkola i felgi aluminiowe.
Klasyfikacja uszkodzeń 11-klasy
Każda oznaczona część karoserii została oznaczona szczegółową klasyfikacją uszkodzeń, obejmującą brak uszkodzeń, lekkie rysy, głębokie rysy, wgniecenia, pęknięcia, stłuczenia, odpryski lakieru, rdzę, deformację, brak części i stłuczone szkło. Ta szczegółowa taksonomia uszkodzeń ułatwia późniejszą selekcję napraw na poziomie podzespołów.
Wielowarstwowa inteligencja uszkodzeń
Do każdej adnotacji zastosowano dodatkowe atrybuty kontekstowe, obejmujące stopień uszkodzenia (niewielkie, umiarkowane, poważne), lokalizację uszkodzenia na części (góra, środek, dół, lewa krawędź, prawa krawędź), zalecenia dotyczące naprawy (polerowanie, ponowne lakierowanie, naprawa panelu, wymiana) oraz ogólną ocenę stanu części. To wielowarstwowe tagowanie umożliwia modelowi sztucznej inteligencji generowanie zaleceń dotyczących naprawy na poziomie komponentów bezpośrednio z danych obrazowych.
Subtelne różnicowanie uszkodzeń
Adnotatorzy przestrzegali ścisłych wytycznych wizualnych, aby odróżnić rodzaje rys, głębokości wgnieceń i wzory pęknięć na różnych materiałach powierzchni pojazdu, w tym na panelach metalowych, zderzakach z tworzywa sztucznego i elementach szklanych. Delikatne rysy i otarcia lakieru starannie odróżniano od normalnych odbić powierzchniowych lub śladów brudu.
Obudowy krawędziowe i panele wielowarstwowe
Przypadki skrajne obejmowały uszkodzenia na zakrzywionych powierzchniach wymagające precyzyjnego śledzenia wielokątów, poważnie uszkodzone pojazdy z wieloma nakładającymi się rodzajami uszkodzeń na tym samym panelu, stare i świeże uszkodzenia rozróżniane na podstawie utleniania powierzchni i stanu lakieru oraz uszkodzenia widoczne w odbiciach lub pod ekstremalnymi kątami widzenia. Zdjęcia plenerowe dodatkowo komplikowały obraz poprzez interferencję cieni i odblaski na powierzchniach metalowych.
Zakres projektu
| Typ zbioru danych | Pokrycie | Klasy uszkodzeń | Poziomy ważności | Tagi naprawy | Metody |
|---|---|---|---|---|---|
| Uszkodzenie pojazdu + część nadwozia | Pełna zewnętrzna | klasy 11 | 3 (niewielkie / umiarkowane / poważne) | 4 (polerowanie / malowanie / czyszczenie paneli / wymiana) | Wielokąt + pole |
Wyniki
- Założona pełny zewnętrzny kanał segmentacji części ciała z klasyfikacją uszkodzeń
- znormalizowane 11-klasowa taksonomia uszkodzeń od zarysowania do brakującej części
- Dostarczany 4-warstwowa inteligencja uszkodzeń (stopień uszkodzenia, lokalizacja, zalecenia dotyczące naprawy, ocena stanu)
- Zaimplementowane subtelne różnicowanie uszkodzeń odróżnianie uszkodzeń od odbić i brudu
- Włączono klienta automatyzacja roszczeń ubezpieczeniowych, szacowanie kosztów napraw, przeglądy flot i wycena samochodów używanych AI
Ogólnie rzecz biorąc, Shaip pomógł przekształcić skomplikowane wymagania dotyczące adnotacji uszkodzeń pojazdów w ustrukturyzowany, gotowy do produkcji proces — taki, który obsługuje zautomatyzowaną ocenę roszczeń ubezpieczeniowych, szacowanie kosztów naprawy, automatyzację przeglądów floty i wycenę używanych samochodów za pomocą sztucznej inteligencji z wykorzystaniem inteligencji napraw na poziomie komponentów.
System Shaip do obsługi uszkodzeń pojazdów dostarczył dokładnie to, czego potrzebowała nasza automatyzacja roszczeń — każda część karoserii została posegmentowana, każdy rodzaj uszkodzenia został sklasyfikowany, a każda rekomendacja naprawy została oznaczona. Ta szczegółowość przełożyła się bezpośrednio na szybsze i trafniejsze decyzje dotyczące roszczeń.
