Solution IA pour la classification des dommages automobiles

Créer un système automatisé de classification des dommages aux voitures à l'aide de CNN. Expérimentez en utilisant le transfert et l'apprentissage d'ensemble pour trouver ce qui est le mieux pour former un CNN pour la classification des dommages aux voitures.

Classification des dommages de voiture pour les types de dommages courants tels que les bosses de pare-chocs, les bosses de porte, les éclats de verre, les phares cassés, les feux arrière cassés, les rayures et les bris.

Aujourd'hui, dans le secteur de l'assurance automobile, beaucoup d'argent est gaspillé en raison de fuites de sinistres. Les fuites de sinistres / fuites de souscription sont définies comme la différence entre le paiement réel des sinistres effectué et le montant qui devrait avoir été payé si toutes les pratiques de pointe de l'industrie étaient appliquées. L'inspection visuelle et la validation ont été utilisées pour réduire ces effets. Cependant, ils introduisent des retards dans le traitement des demandes. Quelques start-ups ont déployé des efforts pour atténuer les retards dans le traitement des réclamations. Un système automatisé pour le traitement des réclamations d'assurance automobile est le besoin de l'heure. Nous utilisons des méthodes basées sur le réseau neuronal convolutif (CNN) pour la classification des types de dommages aux voitures. Plus précisément, 45 nous considérons les types de dommages courants tels que les bosses de pare-chocs, les bosses de porte, les éclats de verre, les phares cassés, les feux arrière cassés, les rayures et les bris. À notre connaissance, il n'existe aucun ensemble de données accessible au public pour la classification des dommages aux voitures. Par conséquent, nous avons créé notre propre ensemble de données en collectant des images sur le Web et en les annotant manuellement. La tâche de classification est difficile en raison de facteurs tels que la grande similitude interclasse et les dommages à peine visibles. Nous avons expérimenté de nombreuses techniques telles que la formation directe d'un CNN, la pré-formation d'un CNN à l'aide d'un encodeur automatique suivi d'un réglage fin, l'utilisation de l'apprentissage par transfert à partir de grands CNN formés sur ImageNet et la construction d'un classificateur d'ensemble au-dessus de l'ensemble de pré- classificateurs entraînés. Nous avons observé que l'apprentissage par transfert combiné à l'apprentissage d'ensemble fonctionne le mieux. Nous concevons également une méthode pour localiser un type de dommage particulier. Nous avons atteint une précision de 89,5 % avec une combinaison de transfert et d'apprentissage d'ensemble. La même technique peut être utilisée pour la localisation des dommages. De plus, seules les caractéristiques spécifiques à la voiture peuvent ne pas être efficaces pour la classification des dommages. Cela souligne ainsi la supériorité de la représentation des caractéristiques apprise à partir des grands ensembles d'apprentissage. Nous avons hébergé le modèle formé sur un service cloud qui peut être connecté à des applications à l'aide d'une API et peut être utilisé pour une évaluation automatisée de premier niveau des dommages dans le secteur de l'assurance automobile.