基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质与流程

本发明涉及人工智能技术领域，尤其涉及一种基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质。

背景技术：

随着科技与经济的发展，人们的生活水平日益提高，越来越多的家庭拥有小汽车，同时也带动了汽车保险的飞速发展。由于中国汽车市场巨大的保有量，道路上每日都发生各种各样的交通事故，而目前的车险事故理赔主要是保险勘探人员通过现场勘探识别是否理赔，这种方式不仅耗时耗力还浪费大量的人力资源，且对于一些理赔欺诈也无法有效识别。

技术实现要素：

本发明实施例提供了一种基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质，旨在解决现有的车险理赔需要保险勘探人员通过现场勘探识别是否理赔，不仅耗时耗力浪费人力资源而且对于一些理赔欺诈也无法有效识别的问题。

第一方面，本发明实施例提供了一种基于图片识别的车险理赔识别方法，其包括：从预设数据库中收集训练图片并根据所述训练图片构建训练样本；基于所述训练样本，采用前向传播以及反向传播相结合的方式对预设的卷积神经网络模型进行训练以得到训练后的卷积神经网络模型；若接收到用户上传的理赔请求，将所述理赔请求中的理赔图片输入至所述训练后的卷积神经网络模型中进行预测以输出对应所述理赔图片的理赔概率；将所述理赔图片对应的所述理赔概率与预设阈值进行对比；若所述理赔图片对应的所述理赔概率大于所述预设阈值，判定所述理赔图片可理赔；根据所述用户上传的理赔请求中的理赔信息按照预设规则生成理赔预估金额并将所述理赔预估金额发送至所述用户。

第二方面，本发明实施例还提供了一种基于图片识别的车险理赔识别装置，其包括：构建单元，用于从预设数据库中收集训练图片并根据所述训练图片构建训练样本；训练单元，用于基于所述训练样本，采用前向传播以及反向传播相结合的方式对预设的卷积神经网络模型进行训练以得到训练后的卷积神经网络模型；预测单元，用于若接收到用户上传的理赔请求，将所述理赔请求中的理赔图片输入至所述训练后的卷积神经网络模型中进行预测以输出对应所述理赔图片的理赔概率；对比单元，用于将所述理赔图片对应的所述理赔概率与预设阈值进行对比；判定单元，用于若所述理赔图片对应的所述理赔概率大于所述预设阈值，判定所述理赔图片可理赔；理赔单元，用于根据所述用户上传的理赔请求中的理赔信息按照预设规则生成理赔预估金额并将所述理赔预估金额发送至所述用户。

第三方面，本发明实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现上述方法。

本发明实施例提供了一种基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质。其中，所述方法包括：从预设数据库中收集训练图片并根据所述训练图片构建训练样本；基于所述训练样本，采用前向传播以及反向传播相结合的方式对预设的卷积神经网络模型进行训练以得到训练后的卷积神经网络模型；若接收到用户上传的理赔请求，将所述理赔请求中的理赔图片输入至所述训练后的卷积神经网络模型中进行预测以输出对应所述理赔图片的理赔概率；将所述理赔图片对应的所述理赔概率与预设阈值进行对比；若所述理赔图片对应的所述理赔概率大于所述预设阈值，判定所述理赔图片可理赔；根据所述用户上传的理赔请求中的理赔信息按照预设规则生成理赔预估金额并将所述理赔预估金额发送至所述用户。本发明实施例由于通过卷积神经网络模型对理赔图片进行预测从而识别理赔图片是否可理赔，可实现提高理赔效率，节省人力资源，有效识别保险欺诈的效果。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的基于图片识别的车险理赔识别方法的应用场景示意图；

图2为本发明实施例提供的基于图片识别的车险理赔识别方法的流程示意图；

图3为本发明实施例提供的基于图片识别的车险理赔识别方法的子流程示意图；

图4为本发明实施例提供的基于图片识别的车险理赔识别方法的子流程示意图；

图5为本发明实施例提供的基于图片识别的车险理赔识别方法的子流程示意图；

图6为本发明另一实施例提供的基于图片识别的车险理赔识别方法的流程示意图；

图7为本发明实施例提供的基于图片识别的车险理赔识别装置的示意性框图；

图8为本发明实施例提供的基于图片识别的车险理赔识别装置的具体单元的示意性框图；以及

图9为本发明实施例提供的计算机设备的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1和图2，图1为本发明实施例提供的基于图片识别的车险理赔识别方法的应用场景示意图。图2为本发明实施例提供的基于图片识别的车险理赔识别方法的示意性流程图。该基于图片识别的车险理赔识别方法应用于服务器20中，通过终端10与服务器20之间的交互实现。

图2是本发明实施例提供的基于图片识别的车险理赔识别方法的流程示意图。如图所示，该方法包括以下步骤s110-s160。

s110、从预设数据库中收集训练图片并根据所述训练图片构建训练样本。

在一实施例中，预设数据库指的是存储车险理赔信息的数据库，所述预设数据库中存在有多个理赔完结的车险理赔案件，例如某个车险企业的所有车险理赔案件，每个理赔案件中记录有车辆的理赔图片以及理赔信息。其中，理赔图片是投保人发生车辆事故对车辆的受损部位进行拍摄的图片，例如为，车辆追尾的图片，车辆侧翻的图片以及车辆刮蹭的图片。理赔信息指的是投保人在发生车辆事故后向保险公司上传与理赔相关的信息，例如，汽车型号、受损原因、保单编号等。因此，为了使模型达到良好的训练效果，从预设数据库中获取已完结的理赔案件中的理赔图片作为训练图片。在收集完训练图片后，还需要构建可供模型输入的训练样本，通过对训练图片进行标注，并根据训练图片以及训练图片所对应的标注构建训练样本，例如，(image，1)。

在一实施例中，如图3所示，所述步骤s110可包括步骤：s111-s113。

s111、从预设数据库中收集训练图片。

具体地，每个理赔案件均分配有唯一识别的案件编号，通过案件编号批量从预设数据库中调取理赔案件并获取每个理赔案件中的理赔图片。

s112、根据所述训练图片的预设标记对所述训练图片进行标注。

具体地，由于采用的是有监督学习的模型，因此在模型训练前需要对训练数据进行标注，有监督学习指的是使用已知正确答案的示例来训练网络的，其中，标注即为所期望的结果。具体地，在收集完训练图片后，采用lablellmg对训练图片逐个进行标注，lablellmg是一个图片标注工具，在所有的训练图片中，部分的训练图片是属于理赔的，另一部分的图片是未达到理赔标准的，其中，属于理赔的训练图片是带有标记的，而不属于理赔的训练图片是不带有标记的，对于属于理赔的训练图片标注为1，对于不属于理赔的训练图片标注为0，直到将所有的训练图片标注完成。标注完成后还需要对图片进行尺寸转换，将所有的训练图片统一转换为256*256像素图片以保持特征的稳定性。

s113、根据所述训练图片以及所述训练图片对应的标注构建训练样本。

具体地，训练样本指的是可供模型输入的样本，其由训练图片以及标注构成，每一个训练图片对应有一个标注，将每个训练图片以及与之相对应的标注构成训练样本，例如为，(image1，1)，(image2，0)。构建完训练样本后，再对训练样本按照预设比例划分为训练集以及测试集，且标注为0与标注为1的训练样本在训练集以及测试集中均均等划分，其中，预设比例可以为训练集为70％，测试集为30％，当然可以理解的是，还可以是其他的划分比例，其中，训练集用于训练模型，测试集用于测试的模型准确度。

s120、基于所述训练样本，采用前向传播以及反向传播相结合的方式对预设的卷积神经网络模型进行训练以得到训练后的卷积神经网络模型。

在一实施例中，卷积神经网络，英文为convolutionalneuralnetworks，简称为cnn，是一类包含卷积或者相关计算且具有深度结构的前馈神经网络(feedforwardneuralnetworks)，是深度学习(deeplearning)的代表算法之一。卷积神经网络模型包括卷积层、池化层以及全连接层，其中卷积层和池化层有多层，卷积神经网络模型的训练过程分为两个阶段，第一个阶段是数据由低层次向高层次传播的阶段，即前向传播阶段；另外一个阶段是，当前向传播得出的结果与预期不相符时，将误差从高层次向底层次进行传播训练的阶段，即反向传播阶段。

在一实施例中，如图4所示，所述步骤s120可包括步骤：

s121、将所述训练样本中的训练集进行前向传播依次经过卷积层、池化层以及全连接层得到输出值。

s122、将所述输出值与目标值进行对比求得总误差。

s123、将所述总误差进行反向传播依次经过全连接层、池化层以及卷积层以对网络中的权值进行更新。

s124、将所述训练样本中的测试集输入到卷积神经网络模型中进行测试以得到训练后的卷积神经网络模型。

具体地，首先将网络中的所有权值进行初始化，即置成小的接近于0的随机值，然后将训练图片输入到网络中依次经过卷积层、池化层以及全连接层，其中，卷积层和池化层有多个，通过前向传播的方式最终得到输出值。然后将输出值与目标值进行对比，目标值指的是训练样本中与训练图片所对应的标注，求出输出值与目标值之间的总误差。由于训练图片从输入层到输出层，期间经过了卷积层，池化层以及全连接层，而数据在各层之间传递的过程中难免会造成数据的损失，则也就导致了误差的产生，而每一层造成的误差值是不一样的，所以当求出网络的总误差之后，需要将误差再反向传播到网络中，求得该各层对于总的误差应该承担多少比重。所以最后再进行梯度下降，将误差一层一层的返回，计算出每一层的误差，然后进行权值更新，即对总误差进行反向传播，根据总误差求出全连接层的误差，根据全连接层的误差求出池化层的误差，根据池化层的误差求出卷积层的误差，根据各层的误差对各层的权值进行更新。将训练集中的所有训练样本均输入到模型中进行训练得到训练好的模型，再将测试集的训练样本输入到训练好的模型中以对模型的准确度进行测试，若该模型的准确度达到预设要求，则表明该模型已训练完成，若该模型的准确度未达到预设要求，则该模型还需要增加训练样本继续训练。

s130、若接收到用户上传的理赔请求，将所述理赔请求中的理赔图片输入至所述训练后的卷积神经网络模型中进行预测以输出对应所述理赔图片的理赔概率。

在一实施例中，用户上传的理赔请求中包括理赔图片和理赔信息，其中，理赔图片是用户在发生车辆事故对车辆的受损部位进行拍摄的图片，例如为，车辆追尾的图片，车辆侧翻的图片以及车辆刮蹭的图片。理赔信息指的是用户在发生车辆事故后向保险公司上传与理赔相关的信息，例如，汽车型号、受损原因、保单编号等。用户在发生车辆事故后，通过移动终端10填写基本的车辆信息，事故原因，现场拍摄受损的车辆图片，将理赔图片和理赔信息上传到保险公司的服务器20以生成理赔请求。当接收到用户上传的理赔请求后，调用训练好的卷积神经网络模型，将所述理赔图片输入到该卷积神经网络模型中进行预测，得到该理赔图片的理赔概率，即该理赔图片是否属于理赔的概率大小。

在一实施例中，如图5所示，所述步骤s130可包括步骤：s131-s134。

s131、将所述理赔图片输入至所述卷积神经网络模型中的卷积层进行特征提取得到第一特征数据。

具体地，理赔图片的识别过程与前向传播的过程相同，需要说明的是图片在计算机中是一堆按顺序排列的数字，普遍的图片表达方式是rgb颜色模型，即红(red)、绿(green)、蓝(blue)三原色，因此理赔图片的具体形式是三维的张量，称为特征图，可供模型直接输入。卷积层用于对输入数据进行特征提取，其内部包含多个卷积核，卷积层的参数包括卷积核大小、步长和填充，卷积层的参数在模型训练好后均已确定，通过卷积核对输入的特征图进行卷积得到卷积结果，卷积的过程可以理解为使用一个过滤器(卷积核)来过滤图像的各个小区域，从而得到这些小区域的特征值即卷积结果，然后再对卷积结果进行归一化处理得到归一化结果，归一化主要是解决中间层数据分布发生改变的问题，以防止梯度消失或爆炸、加快训练速度，最后通过激活函数对归一化结果进行激活输出第一特征数据，其中激活函数采用relu函数(rectifiedlinearunit表示修正线性单元)，relu函数的作用就是增加了神经网络各层之间的非线性关系。

s132、将所述第一特征数据输入至所述卷积神经网络模型中的池化层进行降维处理得到第二特征数据。

具体地，池化层是与卷积层相连接的下一层网络，池化层用于压缩数据和参数的量，减小过拟合，也即是去除冗余信息，将最重要的特征抽取出来，进行特征降维，可以简单理解为压缩图像。池化的方法通常有两种，一种是最大值池化法(maxpooling)，另一种是均值池化法(averagepooling)。本实施例采用最大值池化法，具体地，在第一特征数据中选取一区域，例如为2*2的区域，然后选取2*2区域内的最大值作为一个像素点的值，根据步长选取下一个区域的最大值作为下一个像素点的值，直到第一特征数据的所有像素点被提取完毕得到第二特征数据，可以简单理解为对第一特征数据的各个子矩阵采用抽取最大值的方式进行压缩得到第二特征数据。

s133、将所述第二特征数据输入至所述卷积神经网络模型中的全连接层进行映射得到一维特征向量。

具体地，全连接层的每一个结点都与上一层的所有结点相连，其作用是将前边提取到的特征综合起来，即将网络学习到的特征映射到样本的标记空间中。因此，全连接层映射实际就是卷积核大小为上层特征大小的卷积运算，卷积后的结果为一个节点，就对应全连接层的一个点，该全连接层的节点即为一维特征向量。

s134、将所述一维特征向量输入至分类器中进行分类得到所述理赔图片的理赔概率。

具体地，采用分类器svm(支持向量机)进行分类，其为一个二分类模型，用于对理赔图片进行二分类，一类划分为属于理赔，另一类划分为不属于理赔。当得到一维特征向量后，将一维特征向量输入到分类器中，由分类器将一维特征向量映射到一个0到1范围内的数值，该数值即为理赔概率。

s140、将所述理赔图片对应的所述理赔概率与预设阈值进行对比。

s150、若所述理赔图片对应的所述理赔概率大于所述预设阈值，判定所述理赔图片可理赔。

在一实施例中，在得到理赔图片的理赔概率后，将理赔概率与预设阈值进行对比，预设阈值为0.7，当然可以理解的是，还可以是其他的任意数值。当理赔图片对应的理赔概率大于预设阈值时，说明该理赔图片非常接近已理赔过的车辆理赔图片，判定该理赔图片属于可理赔。当理赔图片对应的理赔概率小于预设阈值时，说明该理赔图片存在骗保或欺诈的风险，判定该理赔图片不属于可理赔。例如，当理赔概率为0.8时，那么该理赔概率大于预设阈值，则判定该理赔图片可理赔。

s160、根据所述用户上传的理赔请求中的理赔信息按照预设规则生成理赔预估金额并将所述理赔预估金额发送至所述用户。

在一实施例中，如图6所示，所述步骤s160包括步骤：s161-s162。

s161、从预设数据库中筛选已理赔案件的理赔信息并将所筛选的理赔信息与所述用户上传的理赔请求中的理赔信息按照预设规则进行匹配。

s162、从匹配成功的理赔案件中获取理赔金额作为理赔预估金额并将所述理赔预估金额发送至所述用户。

在一实施例中，首先从预设数据库中对所有的理赔案件进行筛选，选取已理赔的理赔案件并获取所筛选的理赔案件的理赔信息，其中，已理赔的理赔案件在理赔完成后进行标记，因此可通过选取带有标记的理赔案件从而筛选得到已理赔的理赔案件；然后将所筛选的理赔案件的理赔信息与用户上传的理赔信息按照预设规则进行匹配，其中，预设规则例如为按照车辆型号、车辆年限以及受损部位进行匹配，例如，若用户上传的车辆型号是a型，车辆年限为2年，受损部位为车尾，那么与之对应地从理赔信息中查找一一匹配的理赔信息，并将所匹配的理赔信息中已理赔的金额作为理赔预估金额，将理赔预估金额发送给用户。

本发明实施例展示了一种基于图片识别的车险理赔识别方法，通过从预设数据库中收集训练图片并根据所述训练图片构建训练样本；基于所述训练样本，采用前向传播以及反向传播相结合的方式对预设的卷积神经网络模型进行训练以得到训练后的卷积神经网络模型；若接收到用户上传的理赔请求，将所述理赔请求中的理赔图片输入至所述训练后的卷积神经网络模型中进行预测以输出对应所述理赔图片的理赔概率；将所述理赔图片对应的所述理赔概率与预设阈值进行对比；若所述理赔图片对应的所述理赔概率大于所述预设阈值，判定所述理赔图片可理赔；根据所述用户上传的理赔请求中的理赔信息按照预设规则生成理赔预估金额并将所述理赔预估金额发送至所述用户，可提高理赔效率，节省人力资源，有效识别保险欺诈。

图7是本发明实施例提供的一种基于图片识别的车险理赔识别装置200的示意性框图。如图7所示，对应于以上基于图片识别的车险理赔识别方法，本发明还提供一种基于图片识别的车险理赔识别装置200。该基于图片识别的车险理赔识别装置200包括用于执行上述基于图片识别的车险理赔识别方法的单元，该装置可以被配置于服务器中。具体地，请参阅图7，该基于图片识别的车险理赔识别装置200包括：构建单元210、训练单元220、预测单元230、对比单元240、判定单元250以及理赔单元260。

构建单元210，用于从预设数据库中收集训练图片并根据所述训练图片构建训练样本。

在一实施例中，预设数据库指的是存储车险理赔信息的数据库，每个理赔完结的车险理赔案件均存储在预设数据库中，每个理赔案件中记录有车辆的理赔图片以及理赔信息。因此，为了使模型达到良好的训练效果，从预设数据库中获取已完结的理赔案件中的理赔图片作为训练图片。在收集完训练图片后，还需要构建可供模型输入的训练样本，通过对训练图片进行标注，并根据训练图片以及训练图片所对应的标注构建训练样本，例如，(image，1)。

在一实施例中，如图8所示，所述构建单元210包括：收集单元211、标注单元212以及构建子单元213。

收集单元211，用于从预设数据库中收集训练图片。

具体地，每个理赔案件均分配有唯一识别的案件编号，通过案件编号批量从预设数据库中调取理赔案件并获取每个理赔案件中的理赔图片。理赔图片是投保人发生车辆事故对车辆的受损部位进行拍摄的图片，例如为，车辆追尾的图片，车辆侧翻的图片以及车辆刮蹭的图片。

标注单元212，用于根据所述训练图片的预设标记对所述训练图片进行标注。

具体地，由于采用的是有监督学习的模型，因此在模型训练前需要对训练数据进行标注，监督学习指的是使用已知正确答案的示例来训练网络的，其中，标注即为所期望的结果。具体地，在收集完训练图片后，采用lablellmg对训练图片逐个进行标注，lablellmg是一个图片标注工具，在所有的训练图片中，部分的训练图片是属于理赔的，另一部分的图片是未达到理赔标准的，对于属于理赔的训练图片标注为1，对于不属于理赔的训练图片标注为0，直到将所有的训练图片标注完成。标注完成后还需要对图片进行尺寸转换，将所有的训练图片统一转换为256*256像素图片以保持特征的稳定性。

构建子单元213，用于根据所述训练图片以及所述训练图片对应的标注构建训练样本。

具体地，训练样本指的是可供模型输入的样本，其由训练图片以及标注构成，每一个训练图片对应有一个标注，将每个训练图片以及与之相对应的标注构成训练样本，例如为，(image1，1)，(image2，0)。构建完训练样本后，在对训练样本按照预设比例划分为训练集以及测试集，且标注为0与标注为1的训练样本在训练集以及测试集中均均等划分，其中，预设比例可以为训练集为70％，测试集为30％，当然可以理解的是，还可以是其他的划分比例，其中，训练集用于训练模型，测试集用于测试的模型准确度。

训练单元220，用于基于所述训练样本，采用前向传播以及反向传播相结合的方式对预设的卷积神经网络模型进行训练以得到训练后的卷积神经网络模型。

在一实施例中，卷积神经网络，英文为convolutionalneuralnetworks，简称为cnn，是一类包含卷积或者相关计算且具有深度结构的前馈神经网络(feedforwardneuralnetworks)，是深度学习(deeplearning)的代表算法之一。卷积神经网络模型包括卷积层、池化层以及全连接层，其中卷积层和池化层有多层，卷积神经网络模型的训练过程分为两个阶段，第一个阶段是数据由低层次向高层次传播的阶段，即前向传播阶段；另外一个阶段是，当前向传播得出的结果与预期不相符时，将误差从高层次向底层次进行传播训练的阶段，即反向传播阶段。

在一实施例中，如图8所示，所述训练单元220包括：前向传播单元221、误差单元222、反向传播单元223以及测试单元224。

前向传播单元221，用于将所述训练样本中的训练集进行前向传播依次经过卷积层、池化层以及全连接层得到输出值。

误差单元222，用于将所述输出值与目标值进行对比求得总误差。

反向传播单元223，用于将所述总误差进行反向传播依次经过全连接层、池化层以及卷积层以对网络中的权值进行更新。

测试单元224，用于将所述训练样本中的测试集输入到卷积神经网络模型中进行测试以得到训练后的卷积神经网络模型。

具体地，首先将网络中的所有权值进行初始化，即置成小的接近于0的随机值，然后将训练图片输入到网络中依次经过卷积层、池化层以及全连接层，其中，卷积层和池化层有多个，通过前向传播的方式最终得到输出值。然后将输出值与目标值进行对比，目标值指的是训练样本中与训练图片所对应的标注，求出输出值与目标值之间的总误差。由于训练图片从输入层到输出层，期间经过了卷积层，池化层以及全连接层，而数据在各层之间传递的过程中难免会造成数据的损失，则也就导致了误差的产生，而每一层造成的误差值是不一样的，所以当求出网络的总误差之后，需要将误差再反向传播到网络中，求得该各层对于总的误差应该承担多少比重。所以最后再进行梯度下降，将误差一层一层的返回，计算出每一层的误差，然后进行权值更新，即对总误差进行反向传播，根据总误差求出全连接层的误差，根据全连接层的误差求出池化层的误差，根据池化层的误差求出卷积层的误差，根据各层的误差对各层的权值进行更新。将训练集中的所有训练样本均输入到模型中进行训练得到训练好的模型，再将测试集的训练样本输入到训练好的模型中以对模型的准确度进行测试，若该模型的准确度达到预设要求，则表明该模型已训练完成，若该模型的准确度未达到预设要求，则该模型还需要增加训练样本继续训练。

预测单元230，用于若接收到用户上传的理赔请求，将所述理赔请求中的理赔图片输入至所述训练后的卷积神经网络模型中进行预测以输出对应所述理赔图片的理赔概率。

在一实施例中，理赔信息指的是用户在发生车辆事故后向保险公司上传与理赔相关的信息，例如，汽车型号、受损原因、保单编号以及理赔图片等。用户在发生车辆事故后，通过移动终端10填写基本的车辆信息，事故原因，现场拍摄受损的车辆图片，将所有的理赔信息上传到保险公司的服务器20。当接收到用户上传的理赔信息后，调用训练好的卷积神经网络模型，将所述理赔图片输入到该卷积神经网络模型中进行预测，得到该理赔图片的理赔概率，即该理赔图片是否属于理赔的概率大小。

在一实施例中，如图8所示，所述预测单元230包括：特征提取单元231、降维单元232、映射单元233以及分类单元234。

特征提取单元231，用于将所述理赔图片输入至所述卷积神经网络模型中的卷积层进行特征提取得到第一特征数据。

具体地，理赔图片的识别过程与前向传播的过程相同，需要说明的是图片在计算机中是一堆按顺序排列的数字，普遍的图片表达方式是rgb颜色模型，即红(red)、绿(green)、蓝(blue)三原色，因此理赔图片的具体形式是三维的张量，称为特征图，可供模型直接输入。卷积层用于对输入数据进行特征提取，其内部包含多个卷积核，卷积层的参数包括卷积核大小、步长和填充，卷积层的参数在模型训练好后均已确定，通过卷积核对输入的特征图进行卷积得到卷积结果，卷积的过程可以理解为使用一个过滤器(卷积核)来过滤图像的各个小区域，从而得到这些小区域的特征值即卷积结果，然后再对卷积结果进行归一化处理得到归一化结果，归一化主要是解决中间层数据分布发生改变的问题，以防止梯度消失或爆炸、加快训练速度，最后通过激活函数对归一化结果进行激活输出第一特征数据，其中激活函数采用relu函数(rectifiedlinearunit表示修正线性单元)，relu函数的作用就是增加了神经网络各层之间的非线性关系。

降维单元232，用于将所述第一特征数据输入至所述卷积神经网络模型中的池化层进行降维处理得到第二特征数据。

具体地，池化层是与卷积层相连接的下一层网络，池化层用于压缩数据和参数的量，减小过拟合，也即是去除冗余信息，将最重要的特征抽取出来，进行特征降维，可以简单理解为压缩图像。池化的方法通常有两种，一种是最大值池化法(maxpooling)，另一种是均值池化法(averagepooling)。本实施例采用最大值池化法，具体地，在第一特征数据中选取一区域，例如为2*2的区域，然后选取2*2区域内的最大值作为一个像素点的值，根据步长选取下一个区域的最大值作为下一个像素点的值，直到第一特征数据的所有像素点被提取完毕得到第二特征数据，可以简单理解为对第一特征数据的各个子矩阵采用抽取最大值的方式进行压缩得到第二特征数据。

映射单元233，用于将所述第二特征数据输入至所述卷积神经网络模型中的全连接层进行映射得到一维特征向量。

具体地，全连接层的每一个结点都与上一层的所有结点相连，其作用是将前边提取到的特征综合起来，即将网络学习到的特征映射到样本的标记空间中。因此，全连接层映射实际就是卷积核大小为上层特征大小的卷积运算，卷积后的结果为一个节点，就对应全连接层的一个点，该全连接层的节点即为一维特征向量。

分类单元234，用于将所述一维特征向量输入至分类器中进行分类得到所述理赔图片的理赔概率。

具体地，采用分类器svm(支持向量机)进行分类，其为一个二分类模型，用于对理赔图片进行二分类，一类划分为属于理赔，另一类划分为不属于理赔。当得到一维特征向量后，将一维特征向量输入到分类器中，由分类器将一维特征向量映射到一个0到1范围内的数值，该数值即为理赔概率。

对比单元240，用于将所述理赔图片对应的所述理赔概率与预设阈值进行对比。

判定单元250，用于若所述理赔图片对应的所述理赔概率大于所述预设阈值，判定所述理赔图片可理赔。

在一实施例中，在得到理赔图片的理赔概率后，将理赔概率与预设阈值进行对比，预设阈值为0.7，当然可以理解的是，还可以是其他的任意数值。当理赔图片对应的理赔概率大于预设阈值时，说明该理赔图片非常接近已理赔过的车辆理赔图片，判定该理赔图片属于可理赔。当理赔图片对应的理赔概率小于预设阈值时，说明该理赔图片存在骗保或欺诈的风险，判定该理赔图片不属于可理赔。例如，当理赔概率为0.8时，那么该理赔概率大于预设阈值，则判定该理赔图片可理赔。

理赔单元260，用于根据所述用户上传的理赔请求中的理赔信息按照预设规则生成理赔预估金额并将所述理赔预估金额发送至所述用户。

在一实施例中，如图8所示，所述理赔单元260包括：匹配单元261以及发送单元262。

匹配单元261，用于从预设数据库中筛选已理赔案件的理赔信息并将所筛选的理赔信息与所述用户上传的理赔请求中的理赔信息按照预设规则进行匹配。

发送单元262，用于从匹配成功的理赔案件中获取理赔金额作为理赔预估金额并将所述理赔预估金额发送至所述用户。

在一实施例中，首先从预设数据库中对所有的理赔案件进行筛选，选取已理赔的理赔案件并获取所筛选的理赔案件的理赔信息，其中，已理赔的理赔案件在理赔完成后进行标记，因此可通过选取带有标记的理赔案件从而筛选得到已理赔的理赔案件；然后将所筛选的理赔案件的理赔信息与用户上传的理赔信息按照预设规则进行匹配，其中，预设规则为按照车辆型号、车辆年限以及受损部位进行匹配，例如，若用户上传的车辆型号是a型，车辆年限为2年，受损部位为车尾，那么与之对应地从理赔信息中查找一一匹配的理赔信息，并将所匹配的理赔信息中已理赔的金额作为理赔预估金额，将理赔预估金额发送给用户。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述基于图片识别的车险理赔识别装置200和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

上述基于图片识别的车险理赔识别装置可以实现为一种计算机程序的形式，该计算机程序可以在如图9所示的计算机设备上运行。

请参阅图9，图9是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图9，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种基于图片识别的车险理赔识别方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种基于图片识别的车险理赔识别方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：从预设数据库中收集训练图片并根据所述训练图片构建训练样本；基于所述训练样本，采用前向传播以及反向传播相结合的方式对预设的卷积神经网络模型进行训练以得到训练后的卷积神经网络模型；若接收到用户上传的理赔请求，将所述理赔请求中的理赔图片输入至所述训练后的卷积神经网络模型中进行预测以输出对应所述理赔图片的理赔概率；将所述理赔图片对应的所述理赔概率与预设阈值进行对比；若所述理赔图片对应的所述理赔概率大于所述预设阈值，判定所述理赔图片可理赔；根据所述用户上传的理赔请求中的理赔信息按照预设规则生成理赔预估金额并将所述理赔预估金额发送至所述用户。

在一实施例中，处理器502在实现所述从预设数据库中收集训练图片并根据所述训练图片构建训练样本步骤时，具体实现如下步骤：从预设数据库中收集训练图片；根据所述训练图片的预设标记对所述训练图片进行标注；根据所述训练图片以及所述训练图片对应的标注构建训练样本。

在一实施例中，处理器502在实现所述基于所述训练样本，采用前向传播以及反向传播相结合的方式对预设的卷积神经网络模型进行训练以得到训练后的卷积神经网络模型步骤时，具体实现如下步骤：将所述训练样本中的训练集进行前向传播依次经过卷积层、池化层以及全连接层得到输出值；将所述输出值与目标值进行对比求得总误差；将所述总误差进行反向传播依次经过全连接层、池化层以及卷积层以对网络中的权值进行更新；将所述训练样本中的测试集输入到卷积神经网络模型中进行测试以得到训练后的卷积神经网络模型。

在一实施例中，处理器502在实现所述将所述理赔图片输入至所述卷积神经网络模型中进行预测以输出对应所述理赔图片的理赔概率步骤时，具体实现如下步骤：将所述理赔图片输入至所述卷积神经网络模型中的卷积层进行特征提取得到第一特征数据；将所述第一特征数据输入至所述卷积神经网络模型中的池化层进行降维处理得到第二特征数据；将所述第二特征数据输入至所述卷积神经网络模型中的全连接层进行映射得到一维特征向量；将所述一维特征向量输入至分类器中进行分类得到所述理赔图片的理赔概率。

在一实施例中，处理器502在实现所述根据所述用户上传的理赔请求中的理赔信息按照预设规则生成理赔预估金额并将所述理赔预估金额发送至所述用户步骤时，具体实现如下步骤：从预设数据库中筛选已理赔案件的理赔信息并将所筛选的理赔信息与所述用户上传的理赔请求中的理赔信息按照预设规则进行匹配；从匹配成功的理赔案件中获取理赔金额作为理赔预估金额并将所述理赔预估金额发送至所述用户。

应当理解，在本申请实施例中，处理器502可以是中央处理单元(centralprocessingunit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如下步骤：从预设数据库中收集训练图片并根据所述训练图片构建训练样本；基于所述训练样本，采用前向传播以及反向传播相结合的方式对预设的卷积神经网络模型进行训练以得到训练后的卷积神经网络模型；若接收到用户上传的理赔请求，将所述理赔请求中的理赔图片输入至所述训练后的卷积神经网络模型中进行预测以输出对应所述理赔图片的理赔概率；将所述理赔图片对应的所述理赔概率与预设阈值进行对比；若所述理赔图片对应的所述理赔概率大于所述预设阈值，判定所述理赔图片可理赔；根据所述用户上传的理赔请求中的理赔信息按照预设规则生成理赔预估金额并将所述理赔预估金额发送至所述用户。

在一实施例中，所述处理器在执行所述程序指令而实现所述从预设数据库中收集训练图片并根据所述训练图片构建训练样本步骤时，具体实现如下步骤：从预设数据库中收集训练图片；根据所述训练图片的预设标记对所述训练图片进行标注；根据所述训练图片以及所述训练图片对应的标注构建训练样本。

在一实施例中，所述处理器在执行所述程序指令而实现所述基于所述训练样本，采用前向传播以及反向传播相结合的方式对预设的卷积神经网络模型进行训练以得到训练后的卷积神经网络模型步骤时，具体实现如下步骤：将所述训练样本中的训练集进行前向传播依次经过卷积层、池化层以及全连接层得到输出值；将所述输出值与目标值进行对比求得总误差；将所述总误差进行反向传播依次经过全连接层、池化层以及卷积层以对网络中的权值进行更新；将所述训练样本中的测试集输入到卷积神经网络模型中进行测试以得到训练后的卷积神经网络模型。

在一实施例中，所述处理器在执行所述程序指令而实现所述将所述理赔图片输入至所述卷积神经网络模型中进行预测以输出对应所述理赔图片的理赔概率步骤时，具体实现如下步骤：将所述理赔图片输入至所述卷积神经网络模型中的卷积层进行特征提取得到第一特征数据；将所述第一特征数据输入至所述卷积神经网络模型中的池化层进行降维处理得到第二特征数据；将所述第二特征数据输入至所述卷积神经网络模型中的全连接层进行映射得到一维特征向量；将所述一维特征向量输入至分类器中进行分类得到所述理赔图片的理赔概率。

在一实施例中，所述处理器在执行所述程序指令而实现所述根据所述用户上传的理赔请求中的理赔信息按照预设规则生成理赔预估金额并将所述理赔预估金额发送至所述用户步骤时，具体实现如下步骤：从预设数据库中筛选已理赔案件的理赔信息并将所筛选的理赔信息与所述用户上传的理赔请求中的理赔信息按照预设规则进行匹配；从匹配成功的理赔案件中获取理赔金额作为理赔预估金额并将所述理赔预估金额发送至所述用户。

所述存储介质可以是u盘、移动硬盘、只读存储器(read-onlymemory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，各个单元的划分，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。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元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，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品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设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。