车险理赔方法、计算机装置及可读存储介质与流程

本发明涉及计算机技术领域，具体涉及一种车险理赔方法、计算机装置及可读存储介质。

背景技术：

在车险领域，对出险车辆进行定损理赔是车险领域的重要部分。保险行业传统的索赔过程往往是漫长而复杂的，不能满足客户对时效性的要求，用户体验较差。虽然理赔过程所涉及的部分审核过程已经自动化，但功能还很不完善。此外，关键步骤如严重程度评估、索赔合规检查仍然依赖人工审核，也没有反欺诈模块。

技术实现要素：

鉴于以上内容，有必要提出一种车险理赔方法、计算机装置及可读存储介质，用以在执行车险理赔的过程实施反骗保机制。

本发明的第一方面提供一种车险理赔方法，包括：

接收出险车辆理赔请求，其中，所述出险车辆理赔请求携带有出险车辆的基本信息、所述出险车辆的受损照片，以及所述出险车辆的出险原因；

基于所述出险车辆的基本信息以及所述出险车辆的受损照片确定所述出险车辆的n个受损位置；

当所述n个受损位置不是相邻的受损位置时，从所述出险车辆的出险原因中识别出事故类型；

调用预先训练的车辆事故预测模型预测所述事故类型发生所述n个受损位置的事故的概率；

当所预测的概率大于一个预设值时，受理所述车辆出险理赔请求。

优选地，所述基于所述出险车辆的基本信息以及所述出险车辆的受损照片确定所述出险车辆的n个受损位置包括：

根据所述出险车辆的基本信息所包括的所述出险车辆的品牌以及车型，获取预先存储的与所述出险车辆的品牌及车型所对应的车辆无损照片；

利用预设的图像处理函数基于所述出险车辆的受损照片和所获取的预先存储的车辆无损照片，确定所述出险车辆的受损位置；及

统计所述出险车辆的受损位置的数目n。

优选地，所述出险车辆的受损照片至少包括四张照片，该四张照片分别为从所述出险车辆的四个侧面所拍摄的照片；所述计算机装置预先存储了各品牌的各个车型的车辆无损照片，每个品牌的每个车型的车辆所对应的车辆无损照片至少包括四张无损照片，该四张无损照片分别为从车辆的四个侧面所拍摄的照片。

优选地，该方法还包括：

当基于所述出险车辆的基本信息以及所述出险车辆的受损照片没能确定出任何受损位置时，发出重新上载所述出险车辆的受损照片的通知；及

基于所述出险车辆的基本信息以及重新上载的所述出险车辆的受损照片确定所述出险车辆的受损位置及受损位置的数目n。

优选地，该方法还包括：

确定所述n个受损位置是否为相邻的受损位置，n为整数；

其中，当n等于1时，确定所述n个受损位置为相邻的受损位置；及

当n大于1时，所述n个受损位置不为相邻的受损位置是指所述n个受损位置中包括至少两个互不相邻的受损位置；当所述n个受损位置中不包括互不相邻的受损位置或者所述n个受损位置均发生在所述出险车辆的同一侧时，则确定所述n个受损位置为相邻受损位置。

优选地，所述出险车辆的基本信息包括：出险车辆的车牌号、品牌及车型、车主姓名、车主身份证号、车主联系电话；所述出险车辆的出险原因包括事故时间、事故地点、事故类型。

优选地，该方法还包括获得所述车辆事故预测模型的步骤，包括：

获取预设数量的与不同事故类型分别对应的受损记录，并对与每种事故类型所对应的受损记录标注类别，使得与所述每种事故类型所对应的受损记录携带类别标签，将作了类别标注后的所述预设数量的与不同事故类型分别对应的受损记录作为训练样本，其中，与每种事故类型所对应的受损记录包括受损位置以及受损位置的总数；

将所述训练样本随机分成第一预设比例的训练集和第二预设比例的验证集，利用所述训练集训练卷积神经网络获得所述车辆事故预测模型，并利用所述验证集验证训练获得的所述车辆事故预测模型的准确率；

若所述准确率大于或者等于预设准确率时，则结束训练；若所述准确率小于所述预设准确率时，则增加训练样本的样本数量，重新训练卷积神经网络直至重新获得的所述车辆事故预测模型的所述准确率大于或者等于所述预设准确率。

优选地，该方法还包括：

当所述n个受损位置为相邻的受损位置时，利用所述车辆事故预测模型基于所述n个受损位置分别所对应的受损照片确定所述出险车辆的受损程度，并预测赔付金额。

本发明的第二方面提供一种计算机装置，所述计算机装置包括存储器和处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令实现所述车险理赔方法。

本发明的第三方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现所述车险理赔方法。

本发明实施例中所述的车险理赔方法、计算机装置及可读存储介质，通过接收出险车辆理赔请求，所述出险车辆理赔请求携带有出险车辆的基本信息、所述出险车辆的受损照片，以及所述出险车辆的出险原因；基于所述出险车辆的基本信息以及所述出险车辆的受损照片确定所述出险车辆的n个受损位置；当所述n个受损位置不是相邻的受损位置时，从所述出险车辆的出险原因中识别出事故类型；调用预先训练的车辆事故预测模型预测所述事故类型发生所述n个受损位置的事故的概率；当所预测的概率大于一个预设值时，受理所述车辆出险理赔请求；及当所预测的概率小于预设值时，将所述车辆出险理赔请求提交到人工审核，可以在执行车险理赔的过程实施反骗保机制。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1是本发明较佳实施例提供的车险理赔方法的应用环境图。

图2是本发明较佳实施例提供的车险理赔方法的流程图。

图3是本发明较佳实施例提供的车险理赔系统的功能模块图。

图4是本发明较佳实施例提供的计算机装置的结构图。

如下具体实施方式将结合上述附图进一步说明本发明。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

参阅图1所示，为本发明较佳实施例提供的车险理赔方法的应用环境架构图。

本发明的车险理赔方法应用在一个计算机装置及至少一个电子设备构成的环境中。例如，由一个计算机装置3和一个电子设备4所构成的环境中。

在一个实施例中，所述计算机装置3和电子设备4可以通过有线(例如usb(universalserialbus，通用串行总线)方式或无线方式建立通讯连接。所述无线方式可以是传统无线通讯技术的任何类型，例如无线电、无线保真(wirelessfidelity,wifi)、蜂窝、卫星、广播等。无线通讯技术可以包括，但不限于，全球移动通信系统(globalsystemformobilecommunications，gsm)、通用分组无线业务(generalpacketradioservice，gprs)、码分多址(codedivisionmultipleaccess，cdma)，宽带码分多址(w-cdma)、cdma2000、imt单载波(imtsinglecarrier)、增强型数据速率gsm演进(enhanceddataratesforgsmevolution，edge)、长期演进技术(long-termevolution，lte)、高级长期演进技术、时分长期演进技术(time-divisionlte，td-lte)、高性能无线电局域网(highperformanceradiolocalareanetwork，hiperlan)、高性能无线电广域网(highperformanceradiowideareanetwork，hiperwan)、本地多点派发业务(localmultipointdistributionservice，lmds)、全微波存取全球互通(worldwideinteroperabilityformicrowaveaccess，wimax)、紫蜂协议(zigbee)、蓝牙、正交频分复用技术(flashorthogonalfrequency-divisionmultiplexing，flash-ofdm)、大容量空分多路存取(highcapacityspatialdivisionmultipleaccess，hc-sdma)、通用移动电信系统(universalmobiletelecommunicationssystem，umts)、通用移动电信系统时分双工(umtstime-divisionduplexing，umts-tdd)、演进式高速分组接入(evolvedhighspeedpacketaccess，hspa+)、时分同步码分多址(timedivisionsynchronouscodedivisionmultipleaccess，td-scdma)、演进数据最优化(evolution-dataoptimized，ev-do)、数字增强无绳通信(digitalenhancedcordlesstelecommunications，dect)及其他。

本实施例中，所述计算机装置3可以为个人电脑、服务器等设备。所述电子设备4可以为手机、平板电脑、个人电脑等设备。

本实施例中，所述计算机装置3可以首先对出险车辆的多个受损位置是否为相邻位置进行识别，并当该多个受损位置不是相邻的受损位置时，依据事故类型发生所述多个受损位置的事故的概率进行预测，以及当预测的概率小于或者等于预设值时，将车辆出险理赔请求提交到人工审核，有效执行反骗保的机制。具体细节后面介绍。

图2是本发明较佳实施例提供的车险理赔方法的流程图。

在本实施例中，所述车险理赔方法可以应用于计算机装置中，对于需要执行车险理赔的计算机装置，可以直接在计算机装置上集成本发明的方法所提供的用于车险理赔的功能，或者以软件开发工具包(softwaredevelopmentkit，sdk)的形式运行在计算机装置上。

如图2所示，所述车险理赔方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。

步骤s1、计算机装置接收电子设备发送的出险车辆理赔请求，其中，所述出险车辆理赔请求携带有出险车辆的基本信息、所述出险车辆的受损照片，以及所述出险车辆的出险原因。

本实施例中，所述出险车辆的基本信息包括，但不限于，出险车辆的车牌号、品牌及车型、车主姓名、车主身份证号、车主联系电话等。

本实施例中，所述出险车辆的受损照片至少包括四张照片，该四张照片分别为从所述出险车辆的四个侧面所拍摄的照片。即从出险车辆的车头所在方向所拍摄的照片、从出险车辆的车尾所在方向所拍摄的照片、从出险车辆的左侧所在方向所拍摄的照片，以及从出险车辆的右侧所在方向所拍摄的照片。

本实施例中，所述出险车辆的出险原因包括事故时间、事故地点、事故类型等。本实施例中，所述出险车辆的出险原因由电子设备的用户自行填写。

本实施例中，所述事故类型可以分为“多车追尾”、“两车追尾”、“剐蹭”等。

步骤s2、计算机装置基于所述出险车辆的基本信息以及所述出险车辆的受损照片确定所述出险车辆的n个受损位置。其中，n为整数。

在一个实施例中，当n等于0即计算机装置基于所述出险车辆的基本信息以及所述出险车辆的受损照片没能确定出任何受损位置时，计算机装置向所述电子设备发送重新上载所述出险车辆的受损照片的通知。计算机装置还接收电子设备重新上载的所述出险车辆的受损照片，并基于所述出险车辆的基本信息以及重新上载的所述出险车辆的受损照片确定所述出险车辆的受损位置及受损位置的数目n。

在第一个实施例中，所述基于所述出险车辆的基本信息以及所述出险车辆的受损照片确定所述出险车辆的n个受损位置包括：将所述出险车辆的品牌以及车型以及所述出险车辆的受损照片输入至预先训练生成的车辆损伤检测模型来确定所述出险车辆的所述n个损伤位置。

本实施例中，所述车辆损伤检测模型可以是一个利用大样本数据所训练获得的卷积神经网络(convolutionalneuralnetwork,cnn)模型。例如，可以使用神经网络训练算法如反向传播算法对回归卷积神经网络模型进行训练。训练回归卷积神经网络模型所用的神经网络训练算法为公知技术，此处不再赘述。

在第二个实施例中，所述基于所述出险车辆的基本信息以及所述出险车辆的受损照片确定所述出险车辆的n个受损位置包括：

(a1)根据所述出险车辆的基本信息所包括的所述出险车辆的品牌以及车型，获取预先存储的与所述出险车辆的品牌及车型所对应的车辆无损照片。

在一个实施例中，所述与所述出险车辆的品牌及车型所对应的车辆无损照片可以预先存储在所述计算机装置中，或者计算机装置可以将与所述出险车辆的品牌及车型所对应的车辆无损照片存储在与所述计算机装置通讯连接的一个外部存储设备例如云存储服务器(图中未示出)中。

在一个实施例中，计算机装置可以预先存储各品牌的各个车型的车辆无损照片。所述车辆无损照片是指在车辆没有任何损伤的状态下所拍摄的照片。

在一个实施例中，每个品牌的每个车型的车辆所对应的车辆无损照片至少包括四张无损照片，该四张无损照片分别为从车辆的四个侧面所拍摄的照片。即从车辆的车头所在方向所拍摄的照片、从车辆的车尾所在方向所拍摄的照片、从车辆的左侧所在方向所拍摄的照片，以及从车辆的右侧所在方向所拍摄的照片。

(a2)利用预设的图像处理函数基于所述出险车辆的受损照片和所获取的预先存储的车辆无损照片，确定所述出险车辆的受损位置。

在一个实施例中，可以利用opencv3函数来识别并标记所述出险车辆的受损位置。

例如，可以利用opencv3函数将从所述出险车辆的左侧所拍摄的照片与预先存储的与该出险车辆的品牌和车型所对应的从左侧所拍摄的无损照片比较，来确定所述出险车辆的左侧是否存在受损位置，并对每个受损位置进行标记。

(a3)统计所述出险车辆的受损位置的数目n。

步骤s3、计算机装置确定所述n个受损位置是否为相邻的受损位置。其中，当所述n个受损位置不是相邻的受损位置时，执行步骤s4。当所述n个受损位置为相邻的受损位置时，执行步骤s7。

需要说明的是，当n等于1即所述出险车辆仅存在一个受损位置时，计算机装置确定所述n个受损位置为相邻的受损位置，流程执行到步骤s7。

本实施例中，当n大于1时，所述n个受损位置不为相邻的受损位置是指所述n个受损位置中包括至少两个互不相邻的受损位置。相反，当所述n个受损位置中不包括互不相邻的受损位置或者所述n个受损位置均发生在所述出险车辆的同一侧(例如均发生在出险车辆的左侧或者右侧或者车头或者车尾)时，则确定所述n个受损位置为相邻受损位置。

举例而言，假设确定所述出险车辆有三个受损位置，该三个受损位置包括两个发生在所述出险车辆的左侧的受损位置，一个发生在所述出险车辆的右侧的受损位置。由于左侧和右侧为互不相邻的位置，因此计算机装置可以确定该三个受损位置不为相邻的受损位置。

再如，假设所述三个受损位置包括两个发生在所述出险车辆的左侧的受损位置，一个发生在所述出险车辆的车头的受损位置。由于左侧和车头为相邻的位置，因此计算机装置则确定该三个受损位置为相邻的受损位置。

需要说明的是，本实施例中所定义的相邻的关系有：出险车辆的左侧所在位置与出险车辆的车头所在位置为相邻关系，出险车辆的左侧所在位置与出险车辆的车尾所在位置为相邻关系，出险车辆的车尾所在位置与出险车辆的右侧所在位置为相邻关系，出险车辆的右侧所在位置与出险车辆的车头所在位置为相邻关系。

步骤s4、当所述n个受损位置不是相邻的受损位置时，计算机装置从所述出险车辆的出险原因中识别出事故类型。执行完步骤s4后执行步骤s5。

具体地，计算机装置可以利用自然语言处理方法从所出险原因中提取关键字来识别所述事故类型。例如，当从所述出险原因中提取到关键字“多车连续追尾”时，即可确定事故类型为“多车连续追尾”。

步骤s5、计算机装置调用预先训练获得的车辆事故预测模型预测所述事故类型发生所述n个受损位置的事故的概率。

具体地，将所述事故类型以及所述n个受损位置输入至所述预先训练生成的车辆事故预测模型，得到所述事故类型发生所述n个受损位置的事故的概率。

本实施例中，以所述事故类型分为“多车追尾”、“两车追尾”、“剐蹭”为例，所述训练获得所述车辆事故预测模型包括：

(b1)获取预设数量的与所述不同事故类型分别对应的受损记录，并对与每种事故类型所对应的受损记录标注类别，使得与所述每种事故类型所对应的受损记录携带类别标签，将作了类别标注后的所述预设数量的与不同事故类型分别对应的受损记录作为训练样本。本实施例中，与每种事故类型所对应的受损记录包括受损位置以及受损位置的总数。

例如，选取与事故类型为“多车追尾”时所对应的受损记录500笔，并对该500笔受损记录分别标注为“1”，即以“1”作为标签。类似地，选取与事故类型为“两车追尾”时所对应的受损记录500笔，并对该500笔受损记录分别标注为“2”，即以“2”作为标签。选取与事故类型为“剐蹭”时所对应的受损记录500笔，并对该500笔受损记录分别标注为“3”，即以“3”作为标签。

(b2)将所述训练样本随机分成第一预设比例的训练集和第二预设比例的验证集，利用所述训练集训练卷积神经网络获得所述车辆事故预测模型，并利用所述验证集验证训练获得的所述车辆事故预测模型的准确率。

举例而言，可以首先按照标注的类别将与不同事故类型对应的受损记录分发到不同的文件夹里。例如，将与事故类型为”多车追尾”时所对应的受损记录分发到第一文件夹里，将与事故类型为“两车追尾”时所对应的受损记录分发到第二文件夹里，以及将与事故类型为“剐蹭”时所对应的受损记录分发到第三文件夹里。然后从不同的文件夹里分别提取第一预设比例(例如，80％)的受损记录作为训练集训练卷积神经网络获得所述车辆事故预测模型，从所述不同的文件夹里分别取剩余的第二预设比例(例如，20％)的受损记录作为验证集，利用所述验证集对训练获得的所述车辆事故预测模型进行准确性验证。

(b3)若所述准确率大于或者等于预设准确率时，则结束训练。

若所述准确率小于所述预设准确率时，则在所述步骤(b1)中增加训练样本的样本数量即获取更多的训练样本，并利用该更多的训练样本根据上述步骤(b2)重新训练卷积神经网络直至重新获得的所述车辆事故预测模型的所述准确率大于或者等于所述预设准确率。

步骤s6、计算机装置确定所述预测的概率是否大于一个预设值(例如50％)。当所述预测的概率大于所述预设值时，受理所述车辆出险理赔请求，执行步骤s7。当所述预测的概率小于或者等于所述预设值时，执行步骤s8。

步骤s7、计算机装置基于所述n个受损位置分别所对应的受损照片确定所述出险车辆的受损程度，并预测赔付金额。

这里对受损位置所对应的受损照片加以举例说明：例如，当从受损照片a中识别的某个受损位置a1时，则该受损位置a1所对应的受损照片即为该受损照片a。

本实施例中，计算机装置还发送理赔受理通知到所述电子设备。所述理赔受理通知包括赔付金额等信息。

本实施例中，计算机装置可以调用基于深度学习的受损识别模型来识别所述出险车辆的受损程度以及预测赔付金额。

本实施例中，所述受损程度可以分为严重损伤、中度损伤、轻微损伤。所述受损识别模型可以对所述出险车辆的受损程度进行检测，并对赔付金额进行预测。

本实施例中，计算机装置可以利用大样本数据来训练获得所述受损识别模型。该大样本数据包括预设数量的不同受损程度分别所对应的受损照片，以及赔付金额作为训练样本来训练卷积神经网络模型由此获得所述受损识别模型。例如，可以使用反向传播算法对回归卷积神经网络模型进行训练。由于训练回归卷积神经网络模型所用的神经网络训练算法为公知技术，此处不再赘述。

步骤s8、当所述预测的概率小于或者等于所述预设值时，计算机装置将所述车辆出险理赔请求提交到人工审核，由人工评估所述车辆出险理赔请求的可信度。

本实施例中，对所述车辆出险理赔请求的可信度进行评估也即是评估是否存在保险诈骗的可能。

本实施例中，将所述车辆出险理赔请求提交到人工审核可以是指通过发送邮件或信息等方式提示指定人员(例如理赔审核人员)对所述车辆出险理赔请求进行审核。本实施例中，计算机装置还将所述n个受损位置提示给所述指定人员，方便该指定人员参考该n个受损位置进行人工审核所述车辆出险理赔请求的可信度。

在其他实施例中，当所述预测的概率小于或者等于所述预设值时，计算机装置还可以根据车主的历史理赔记录和/或该车主的其他信誉记录，确定所述车主的信誉等级。计算机装置还可以根据所述车主的信誉等级通知所述车主补充与所确定的信誉等级所对应的资料。

在一个实施例中，所述车主的历史理赔记录包括，但不限于，历次被受理的车辆出险理赔记录，历次被拒绝的车辆出险理赔记录。

在一个实施例中，所述车主的其他信誉记录包括该车主的征信记录。

具体地，计算机装置可以根据所述出险车辆的基本信息所包括的所述车主的身份证号从征信系统中获得该车主的征信记录。

在一个实施例中，所述信誉等级可以分为甲等、乙等、丙等。计算机装置可以预先定义信誉等级与历史理赔记录和所述其他信誉记录之间的对应关系。由此，当获取到车主的历史理赔记录及所述其他信誉记录时即可确定所述车主的信誉等级。

在一个实施例中，计算机装置还可以预先定义信誉等级与所需补充的资料之间的对应关系。由此，当确定所述车主的信誉等级时，即可确定车主所需补充的资料。举例而言，当确定所述车主的信誉等级较低例如为丙等时，车主需补充的资料包括事故发生前后5分钟之内的行车记录。

在一个实施例中，本发明还可以进一步包括如下步骤s9和步骤s10。

步骤s9、计算机装置确定所述车辆出险理赔请求是否通过可信度评估。当确定所述车辆出险理赔请求通过可信度评估时，回到步骤s7。当确定所述车辆出险理赔请求没有通过可信度评估时，执行步骤s10。

具体地，计算机装置可以提供一个操作界面，该操作界面用于接收用户所输入的所述车辆出险理赔请求是否通过所述可信度评估的信号。当从所述操作界面接收到所述车辆出险理赔请求通过所述可信度评估的信号时，回到步骤s7。当从所述操作界面接收到所述车辆出险理赔请求没有通过所述可信度评估的信号时，执行步骤s10。

步骤s10、计算机装置发送拒绝理赔申请通知到所述电子设备。

综上所述，本发明实施例中所述的车险理赔方法，通过接收出险车辆理赔请求，所述出险车辆理赔请求携带有出险车辆的基本信息、所述出险车辆的受损照片，以及所述出险车辆的出险原因；基于所述出险车辆的基本信息以及所述出险车辆的受损照片确定所述出险车辆的n个受损位置；当所述n个受损位置不是相邻的受损位置时，从所述出险车辆的出险原因中识别出事故类型；调用预先训练的车辆事故预测模型预测所述事故类型发生所述n个受损位置的事故的概率；当预测的概率大于所述预设值时，受理所述车辆出险理赔请求；及当所预测的概率小于预设值时，将所述车辆出险理赔请求提交到人工审核，可以在执行车险理赔的过程实施反骗保机制。

上述图1详细介绍了本发明的车险理赔方法，下面结合图3和图4，对实现所述车险理赔方法的软件系统的功能模块以及实现所述车险理赔方法的硬件装置架构进行介绍。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

参阅图3所示，是本发明较佳实施例提供的车险理赔系统的结构图。

在一些实施例中，所述车险理赔系统30运行于计算机装置中。所述车险理赔系统30可以包括多个由程序代码段所组成的功能模块。所述车险理赔系统30中的各个程序段的程序代码可以存储于计算机装置的存储器中，并由所述计算机装置的至少一个处理器所执行，以实现(详见图1描述)车险理赔功能。

本实施例中，所述车险理赔系统30根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：接收模块301以及执行模块302。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

接收模块301接收电子设备发送的出险车辆理赔请求，其中，所述出险车辆理赔请求携带有出险车辆的基本信息、所述出险车辆的受损照片，以及所述出险车辆的出险原因。

本实施例中，所述出险车辆的基本信息包括，但不限于，出险车辆的车牌号、品牌及车型、车主姓名、车主身份证号、车主联系电话等。

本实施例中，所述出险车辆的受损照片至少包括四张照片，该四张照片分别为从所述出险车辆的四个侧面所拍摄的照片。即从出险车辆的车头所在方向所拍摄的照片、从出险车辆的车尾所在方向所拍摄的照片、从出险车辆的左侧所在方向所拍摄的照片，以及从出险车辆的右侧所在方向所拍摄的照片。

本实施例中，所述出险车辆的出险原因包括事故时间、事故地点、事故类型等。本实施例中，所述出险车辆的出险原因由电子设备的用户自行填写。

本实施例中，所述事故类型可以分为“多车追尾”、“两车追尾”、“剐蹭”等。

执行模块302基于所述出险车辆的基本信息以及所述出险车辆的受损照片确定所述出险车辆的n个受损位置。其中，n为整数。

在一个实施例中，当n等于0即执行模块302基于所述出险车辆的基本信息以及所述出险车辆的受损照片没能确定出任何受损位置时，执行模块302向所述电子设备发送重新上载所述出险车辆的受损照片的通知。接收模块301还接收电子设备重新上载的所述出险车辆的受损照片，执行模块302基于所述出险车辆的基本信息以及重新上载的所述出险车辆的受损照片确定所述出险车辆的受损位置及受损位置的数目n。

在第一个实施例中，所述基于所述出险车辆的基本信息以及所述出险车辆的受损照片确定所述出险车辆的n个受损位置包括：将所述出险车辆的品牌以及车型以及所述出险车辆的受损照片输入至预先训练生成的车辆损伤检测模型来确定所述出险车辆的所述n个损伤位置。

本实施例中，所述车辆损伤检测模型可以是一个利用大样本数据所训练获得的卷积神经网络(convolutionalneuralnetwork,cnn)模型。例如，可以使用神经网络训练算法如反向传播算法对回归卷积神经网络模型进行训练。训练回归卷积神经网络模型所用的神经网络训练算法为公知技术，此处不再赘述。

在第二个实施例中，所述基于所述出险车辆的基本信息以及所述出险车辆的受损照片确定所述出险车辆的n个受损位置包括：

(a1)根据所述出险车辆的基本信息所包括的所述出险车辆的品牌以及车型，获取预先存储的与所述出险车辆的品牌及车型所对应的车辆无损照片。

在一个实施例中，所述与所述出险车辆的品牌及车型所对应的车辆无损照片可以预先存储在所述计算机装置中，或者执行模块302可以将与所述出险车辆的品牌及车型所对应的车辆无损照片存储在与所述计算机装置通讯连接的一个外部存储设备例如云存储服务器(图中未示出)中。

在一个实施例中，执行模块302可以预先存储各品牌的各个车型的车辆无损照片。所述车辆无损照片是指在车辆没有任何损伤的状态下所拍摄的照片。

在一个实施例中，每个品牌的每个车型的车辆所对应的车辆无损照片至少包括四张无损照片，该四张无损照片分别为从车辆的四个侧面所拍摄的照片。即从车辆的车头所在方向所拍摄的照片、从车辆的车尾所在方向所拍摄的照片、从车辆的左侧所在方向所拍摄的照片，以及从车辆的右侧所在方向所拍摄的照片。

(a2)利用预设的图像处理函数基于所述出险车辆的受损照片和所获取的预先存储的车辆无损照片，确定所述出险车辆的受损位置。

在一个实施例中，可以利用opencv3函数来识别并标记所述出险车辆的受损位置。

例如，可以利用opencv3函数将从所述出险车辆的左侧所拍摄的照片与预先存储的与该出险车辆的品牌和车型所对应的从左侧所拍摄的无损照片比较，来确定所述出险车辆的左侧是否存在受损位置，并对每个受损位置进行标记。

(a3)统计所述出险车辆的受损位置的数目n。

执行模块302确定所述n个受损位置是否为相邻的受损位置。

需要说明的是，当n等于1即所述出险车辆仅存在一个受损位置时，执行模块302确定所述n个受损位置为相邻的受损位置。

本实施例中，当n大于1时，所述n个受损位置不为相邻的受损位置是指所述n个受损位置中包括至少两个互不相邻的受损位置。相反，当所述n个受损位置中不包括互不相邻的受损位置或者所述n个受损位置均发生在所述出险车辆的同一侧(例如均发生在出险车辆的左侧或者右侧或者车头或者车尾)时，则确定所述n个受损位置为相邻受损位置。

举例而言，假设确定所述出险车辆有三个受损位置，该三个受损位置包括两个发生在所述出险车辆的左侧的受损位置，一个发生在所述出险车辆的右侧的受损位置。由于左侧和右侧为互不相邻的位置，因此执行模块302可以确定该三个受损位置不为相邻的受损位置。

再如，假设所述三个受损位置包括两个发生在所述出险车辆的左侧的受损位置，一个发生在所述出险车辆的车头的受损位置。由于左侧和车头为相邻的位置，因此执行模块302则确定该三个受损位置为相邻的受损位置。

需要说明的是，本实施例中所定义的相邻的关系有：出险车辆的左侧所在位置与出险车辆的车头所在位置为相邻关系，出险车辆的左侧所在位置与出险车辆的车尾所在位置为相邻关系，出险车辆的车尾所在位置与出险车辆的右侧所在位置为相邻关系，出险车辆的右侧所在位置与出险车辆的车头所在位置为相邻关系。

当所述n个受损位置不是相邻的受损位置时，执行模块302从所述出险车辆的出险原因中识别出事故类型。具体地，执行模块302可以利用自然语言处理方法从所出险原因中提取关键字来识别所述事故类型。例如，当从所述出险原因中提取到关键字“多车连续追尾”时，即可确定事故类型为“多车连续追尾”。

执行模块302调用预先训练获得的车辆事故预测模型预测所述事故类型发生所述n个受损位置的事故的概率。

具体地，将所述事故类型以及所述n个受损位置输入至所述预先训练生成的车辆事故预测模型，得到所述事故类型发生所述n个受损位置的事故的概率。

本实施例中，以所述事故类型分为“多车追尾”、“两车追尾”、“剐蹭”为例，所述训练获得所述车辆事故预测模型包括：

(b1)获取预设数量的与所述不同事故类型分别对应的受损记录，并对与每种事故类型所对应的受损记录标注类别，使得与所述每种事故类型所对应的受损记录携带类别标签，将作了类别标注后的所述预设数量的与不同事故类型分别对应的受损记录作为训练样本。本实施例中，与每种事故类型所对应的受损记录包括受损位置以及受损位置的总数。

例如，选取与事故类型为“多车追尾”时所对应的受损记录500笔，并对该500笔受损记录分别标注为“1”，即以“1”作为标签。类似地，选取与事故类型为“两车追尾”时所对应的受损记录500笔，并对该500笔受损记录分别标注为“2”，即以“2”作为标签。选取与事故类型为“剐蹭”时所对应的受损记录500笔，并对该500笔受损记录分别标注为“3”，即以“3”作为标签。

(b2)将所述训练样本随机分成第一预设比例的训练集和第二预设比例的验证集，利用所述训练集训练卷积神经网络获得所述车辆事故预测模型，并利用所述验证集验证训练获得的所述车辆事故预测模型的准确率。

举例而言，可以首先按照标注的类别将与不同事故类型对应的受损记录分发到不同的文件夹里。例如，将与事故类型为”多车追尾”时所对应的受损记录分发到第一文件夹里，将与事故类型为“两车追尾”时所对应的受损记录分发到第二文件夹里，以及将与事故类型为“剐蹭”时所对应的受损记录分发到第三文件夹里。然后从不同的文件夹里分别提取第一预设比例(例如，80％)的受损记录作为训练集训练卷积神经网络获得所述车辆事故预测模型，从所述不同的文件夹里分别取剩余的第二预设比例(例如，20％)的受损记录作为验证集，利用所述验证集对训练获得的所述车辆事故预测模型进行准确性验证。

(b3)若所述准确率大于或者等于预设准确率时，则结束训练。

若所述准确率小于所述预设准确率时，则在所述步骤(b1)中增加训练样本的样本数量即获取更多的训练样本，并利用该更多的训练样本根据上述步骤(b2)重新训练卷积神经网络直至重新获得的所述车辆事故预测模型的所述准确率大于或者等于所述预设准确率。

执行模块302确定所述预测的概率是否大于一个预设值(例如50％)。当所述预测的概率大于所述预设值时，执行模块302受理所述车辆出险理赔请求。执行模块302基于所述n个受损位置分别所对应的受损照片确定所述出险车辆的受损程度，并预测赔付金额。

这里对受损位置所对应的受损照片加以举例说明：例如，当从受损照片a中识别的某个受损位置a1时，则该受损位置a1所对应的受损照片即为该受损照片a。

本实施例中，执行模块302还发送理赔受理通知到所述电子设备。所述理赔受理通知包括赔付金额等信息。

本实施例中，执行模块302可以调用基于深度学习的受损识别模型来识别所述出险车辆的受损程度以及预测赔付金额。

本实施例中，所述受损程度可以分为严重损伤、中度损伤、轻微损伤。所述受损识别模型可以对所述出险车辆的受损程度进行检测，并对赔付金额进行预测。

本实施例中，执行模块302可以利用大样本数据来训练获得所述受损识别模型。该大样本数据包括预设数量的不同受损程度分别所对应的受损照片，以及赔付金额作为训练样本来训练卷积神经网络模型由此获得所述受损识别模型。例如，可以使用反向传播算法对回归卷积神经网络模型进行训练。由于训练回归卷积神经网络模型所用的神经网络训练算法为公知技术，此处不再赘述。

执行模块302将所述车辆出险理赔请求提交到人工审核，由人工评估所述车辆出险理赔请求的可信度。

本实施例中，对所述车辆出险理赔请求的可信度进行评估也即是评估是否存在保险诈骗的可能。

本实施例中，将所述车辆出险理赔请求提交到人工审核可以是指通过发送邮件或信息等方式提示指定人员(例如理赔审核人员)对所述车辆出险理赔请求进行审核。本实施例中，执行模块302还将所述n个受损位置提示给所述指定人员，方便该指定人员参考该n个受损位置进行人工审核所述车辆出险理赔请求的可信度。

在其他实施例中，当所述预测的概率小于或者等于所述预设值时，执行模块302还可以根据车主的历史理赔记录和/或该车主的其他信誉记录，确定所述车主的信誉等级。执行模块302还可以根据所述车主的信誉等级通知所述车主补充与所确定的信誉等级所对应的资料。

在一个实施例中，所述车主的历史理赔记录包括，但不限于，历次被受理的车辆出险理赔记录，历次被拒绝的车辆出险理赔记录。

在一个实施例中，所述车主的其他信誉记录包括该车主的征信记录。

具体地，执行模块302可以根据所述出险车辆的基本信息所包括的所述车主的身份证号从征信系统中获得该车主的征信记录。

在一个实施例中，所述信誉等级可以分为甲等、乙等、丙等。执行模块302可以预先定义信誉等级与历史理赔记录和所述其他信誉记录之间的对应关系。由此，当获取到车主的历史理赔记录及所述其他信誉记录时即可确定所述车主的信誉等级。

在一个实施例中，执行模块302还可以预先定义信誉等级与所需补充的资料之间的对应关系。由此，当确定所述车主的信誉等级时，即可确定车主所需补充的资料。举例而言，当确定所述车主的信誉等级较低例如为丙等时，车主需补充的资料包括事故发生前后5分钟之内的行车记录。

在一个实施例中，执行模块302还可以进一步确定所述车辆出险理赔请求是否通过可信度评估。

具体地，执行模块302可以提供一个操作界面，该操作界面用于接收用户所输入的所述车辆出险理赔请求是否通过所述可信度评估的信号。当从所述操作界面接收到所述车辆出险理赔请求通过所述可信度评估的信号时，执行模块302基于所述n个受损位置分别所对应的受损照片确定所述出险车辆的受损程度，并预测赔付金额。当从所述操作界面接收到所述车辆出险理赔请求没有通过所述可信度评估的信号时，执行模块302发送拒绝理赔申请通知到所述电子设备。

综上所述，本发明实施例中所述的车险理赔系统，通过接收出险车辆理赔请求，所述出险车辆理赔请求携带有出险车辆的基本信息、所述出险车辆的受损照片，以及所述出险车辆的出险原因；基于所述出险车辆的基本信息以及所述出险车辆的受损照片确定所述出险车辆的n个受损位置；当所述n个受损位置不是相邻的受损位置时，从所述出险车辆的出险原因中识别出事故类型；调用预先训练的车辆事故预测模型预测所述事故类型发生所述n个受损位置的事故的概率；当预测的概率大于所述预设值时，受理所述车辆出险理赔请求；及当所预测的概率小于预设值时，将所述车辆出险理赔请求提交到人工审核，可以在执行车险理赔的过程实施反骗保机制。

参阅图4所示，为本发明较佳实施例提供的计算机装置的结构示意图。在本发明较佳实施例中，所述计算机装置3包括存储器31、至少一个处理器32、至少一条通信总线33。本领域技术人员应该了解，图4示出的计算机装置的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机装置3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。

在一些实施例中，所述计算机装置3包括一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。

需要说明的是，所述计算机装置3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。

在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述计算机装置3中的车险理赔系统30，并在计算机装置3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(read-onlymemory，rom)、随机存储器(randomaccessmemory，ram)、可编程只读存储器(programmableread-onlymemory，prom)、可擦除可编程只读存储器(erasableprogrammableread-onlymemory，eprom)、一次可编程只读存储器(one-timeprogrammableread-onlymemory，otprom)、电子擦除式可复写只读存储器(electrically-erasableprogrammableread-onlymemory，eeprom)、只读光盘(compactdiscread-onlymemory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(centralprocessingunit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述计算机装置3的控制核心(controlunit)，利用各种接口和线路连接整个计算机装置3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行计算机装置3的各种功能和处理数据，例如执行车险理赔的功能。

在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。

尽管未示出，所述计算机装置3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机装置3还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是服务器、个人电脑等)或处理器(processor)执行本发明各个实施例所述方法的部分。

在进一步的实施例中，结合图3，所述至少一个处理器32可执行所述计算机装置3的操作装置以及安装的各类应用程序(如所述的车险理赔系统30)、程序代码等，例如，上述的各个模块。

所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图3中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到车险理赔的目的。

在本发明的一个实施例中，所述存储器31存储多个指令，所述多个指令被所述至少一个处理器32所执行以实现车险理赔的目的。具体步骤参图2所示，于此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。