事故车辆理赔方法和装置、电子设备与流程

本说明书一个或多个实施例涉及计算机应用技术领域，尤其涉及一种事故车辆理赔方法和装置、电子设备。

背景技术：

现如今，对于申请理赔的事故车辆，如何快速地对该事故车辆的车辆受损时长进行初步判断，以确定该事故车辆的受损时间是否在近期，从而使保险公司及时确定是否可以直接对该事故车辆进行理赔，成为亟待解决的问题。

技术实现要素：

本说明书提出一种事故车辆理赔方法，所述方法包括：

获取事故车辆的图像数据；

将所述图像数据输入至预测模型，以由所述预测模型基于所述图像数据预测所述事故车辆的车辆受损时长；其中，所述预测模型为基于若干被标注了车辆受损时长的车辆图像样本训练出的机器学习模型；

将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策。

可选地，所述图像数据包括：所述事故车辆的多张图像；所述预测出的车辆受损时长包括：由所述预测模型分别基于所述多张图像预测出的多个车辆受损时长。

可选地，所述将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策，包括：

对预测出的所述多个车辆受损时长进行加权平均计算，得到所述事故车辆的平均受损时长，并将所述平均受损时长与预设的受损时长阈值进行比较；

如果所述平均受损时长小于所述受损时长阈值时，则确定针对所述事故车辆进行理赔处理；如果所述平均受损时长大于或等于所述受损时长阈值时，则将所述事故车辆所属的理赔案件标记为风险案件。

可选地，所述将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策，包括：

将预测出的所述多个车辆受损时长分别与所述受损时长阈值进行比较；

确定所述多个车辆受损时长中小于所述受损时长阈值的车辆受损时长的目标数量；

如果所述目标数量大于或等于预设的数量阈值时，则确定针对所述事故车辆进行理赔处理；如果所述目标数量小于所述数量阈值，则将所述事故车辆所属的理赔案件标记为风险案件。

可选地，所述将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策，包括：

将预测出的所述多个车辆受损时长分别与所述受损时长阈值进行比较；

确定所述多个车辆受损时长中小于所述受损时长阈值的车辆受损时长的数量，对应于所述多个车辆受损时长的数量的目标比值；

如果所述目标比例大于或等于预设的比值阈值，则确定针对所述事故车辆进行理赔处理；如果所述目标比例小于所述比值阈值，则将所述事故车辆所属的理赔案件标记为风险案件。

可选地，所述方法还包括：

将被标记为风险案件的理赔案件向所述理赔案件的相关责任人输出，以由所述相关责任人针对所述理赔案件进行调查取证。

可选地，所述方法还包括：

获取预设数量的车辆图像样本；其中，所述车辆图像样本被标注了对应的车辆受损时长；

基于预设的机器学习算法针对所述车辆图像样本进行训练，以得到所述预测模型。

可选地，所述预测模型为以下模型中的任意一个：Faster-RCNN模型，YOLOv3模型，SSD模型。

本说明书还提出一种事故车辆理赔装置，所述装置包括：

第一获取模块，用于获取事故车辆的图像数据；

预测模块，用于将所述图像数据输入至预测模型，以由所述预测模型基于所述图像数据预测所述事故车辆的车辆受损时长；其中，所述预测模型为基于若干被标注了车辆受损时长的车辆图像样本训练出的机器学习模型；

比较模块，用于将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策。

可选地，所述图像数据包括：所述事故车辆的多张图像；所述预测出的车辆受损时长包括：由所述预测模型分别基于所述多张图像预测出的多个车辆受损时长。

可选地，所述比较模块具体用于：

对预测出的所述多个车辆受损时长进行加权平均计算，得到所述事故车辆的平均受损时长，并将所述平均受损时长与预设的受损时长阈值进行比较；

如果所述平均受损时长小于所述受损时长阈值时，则确定针对所述事故车辆进行理赔处理；如果所述平均受损时长大于或等于所述受损时长阈值时，则将所述事故车辆所属的理赔案件标记为风险案件。

可选地，所述比较模块具体用于：

将预测出的所述多个车辆受损时长分别与所述受损时长阈值进行比较；

确定所述多个车辆受损时长中小于所述受损时长阈值的车辆受损时长的目标数量；

如果所述目标数量大于或等于预设的数量阈值时，则确定针对所述事故车辆进行理赔处理；如果所述目标数量小于所述数量阈值，则将所述事故车辆所属的理赔案件标记为风险案件。

可选地，所述比较模块具体用于：

将预测出的所述多个车辆受损时长分别与所述受损时长阈值进行比较；

确定所述多个车辆受损时长中小于所述受损时长阈值的车辆受损时长的数量，对应于所述多个车辆受损时长的数量的目标比值；

如果所述目标比例大于或等于预设的比值阈值，则确定针对所述事故车辆进行理赔处理；如果所述目标比例小于所述比值阈值，则将所述事故车辆所属的理赔案件标记为风险案件。

可选地，所述装置还包括：

输出模块，用于将被标记为风险案件的理赔案件向所述理赔案件的相关责任人输出，以由所述相关责任人针对所述理赔案件进行调查取证。

可选地，所述装置还包括：

第二获取模块，用于获取预设数量的车辆图像样本；其中，所述车辆图像样本被标注了对应的车辆受损时长；

训练模块，用于基于预设的机器学习算法针对所述车辆图像样本进行训练，以得到所述预测模型。

可选地，所述预测模型为以下模型中的任意一个：Faster-RCNN模型，YOLOv3模型，SSD模型。

本说明书还提出一种电子设备，所述电子设备包括：

处理器；

用于存储机器可执行指令的存储器；

其中，通过读取并执行所述存储器存储的与事故车辆理赔的控制逻辑对应的机器可执行指令，所述处理器被促使：

获取事故车辆的图像数据；

将所述图像数据输入至预测模型，以由所述预测模型基于所述图像数据预测所述事故车辆的车辆受损时长；其中，所述预测模型为基于若干被标注了车辆受损时长的车辆图像样本训练出的机器学习模型；

将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策。

在上述技术方案中，对于申请理赔的事故车辆而言，可以将该事故车辆的图像数据输入至预测模型，以由该预测模型基于该事故车辆的图像数据预测该事故车辆的车辆受损时长，并将预测出的车辆受损时长与受损时长阈值进行比较，以基于比较结果针对该事故车辆进行理赔决策。采用这样的方式，与常用的针对事故车辆进行人工理赔决策的方式相比，可以提高对事故车辆的理赔决策效率，同时可以及时发现疑似旧伤欺诈的事故车辆。

附图说明

图1是本说明书一示例性实施例示出的一种事故车辆理赔方法的流程图；

图2是本说明书一示例性实施例示出的一种事故车辆理赔装置所在电子设备的硬件结构图；

图3是本说明书一示例性实施例示出的一种事故车辆理赔装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。

在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

本说明书旨在提供一种针对需要理赔的事故车辆，基于该事故车辆的图像数据预测该事故车辆的车辆受损时长，并将预测出的车辆受损时长与预设的受损时长阈值进行比较，以基于比较结果针对该事故车辆进行理赔决策的技术方案。

在具体实现时，针对需要理赔的事故车辆，可以先获取该事故车辆的图像数据。

其中，该事故车辆的图像数据可以包括该事故车辆的至少一张图像。

后续，可以将获取到的该事故车辆的图像数据输入至预测模型，以由该预测模型基于该图像数据预测该事故车辆的车辆受损时长。

其中，该预测模型可以是预先训练好的机器学习模型。在对该预测模型进行训练时，所采用的训练样本可以是若干被标注了对应的车辆受损时长的车辆图像。

在预测出该事故车辆的车辆受损时长后，可以将该车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对该事故车辆进行理赔决策。

其中，受损时长阈值可以由用户自行设置，也可以是默认的缺省值，本说明书对此不做限定。

在上述技术方案中，对于申请理赔的事故车辆而言，可以将该事故车辆的图像数据输入至预测模型，以由该预测模型基于该事故车辆的图像数据预测该事故车辆的车辆受损时长，并将预测出的车辆受损时长与受损时长阈值进行比较，以基于比较结果针对该事故车辆进行理赔决策。采用这样的方式，与常用的针对事故车辆进行人工理赔决策的方式相比，可以提高对事故车辆的理赔决策效率，同时可以及时发现疑似旧伤欺诈的事故车辆。

下面通过具体实施例对本说明书进行描述。

请参考图1，图1是本说明一示例性实施例示出的一种事故车辆理赔方法的流程图。该方法可以应用于服务器、手机、平板设备、笔记本电脑、掌上电脑(PersonalDigital Assistants，PDAs)等电子设备，包括如下步骤：

步骤102，获取事故车辆的图像数据；

步骤104，将所述图像数据输入至预测模型，以由所述预测模型基于所述图像数据预测所述事故车辆的车辆受损时长；其中，所述预测模型为基于若干被标注了车辆受损时长的车辆图像样本训练出的机器学习模型；

步骤106，将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策。

在本实施例中，针对需要理赔的事故车辆，可以先获取该事故车辆的图像数据。

其中，该事故车辆的图像数据可以仅包括该事故车辆的一张图像，也可以包括该事故车辆的多张图像，本说明书对此不做限定。

举例来说，可以获取由用户上传的对该事故车辆的受损部位进行拍摄得到一张图像，并将这张图像确定为该事故车辆的图像数据。

或者，可以获取由用户上传的对该事故车辆的受损部位进行多角度拍摄得到的多张图像，并将这些图像确定为该事故车辆的图像数据。

或者，可以利用部署在该事故车辆附近的摄像头，获取这些摄像头拍摄得到的图像，并将这些图像确定为该事故车辆的图像数据。

或者，可以利用部署在该事故车辆附近的摄像头，获取这些摄像头拍摄得到的视频，并提取这些视频中的图像帧，以将这些图像帧确定为该事故车辆的图像数据。

在获取到该事故车辆的图像数据后，可以将该图像数据作为预测模型的输入参数，输入至该预测模型中进行计算。

其中，该预测模型可以是常用的用于目标检测的机器学习模型，例如：Faster-RCNN模型，YOLOv3模型或SSD模型等模型中的任意一个。

需要说明的是，可以先从历史事故车辆的图像数据中获取预设数量的车辆图像样本，例如：可以先从以前申请过理赔的事故车辆的图像数据中获取预设数量的车辆图像。

在获取到这些车辆图像后，可以为这些车辆图像标注对应的车辆受损时长。

具体地，对于仅能够看到一处损伤的车辆图像，用户可以将该损伤的受损时长标注为该车辆图像对应的车辆受损时长，例如：假设用户在某张车辆图像上仅看到一处损伤，且该损伤的受损时长为5天，则用户可以将该车辆图像对应的车辆受损时长标注为5天；对于能够看到多处损伤的车辆图像，用户可以比较这多处损伤的受损时长，并将最长的受损时长标注为该车辆图像对应的车辆受损时长，例如：假设用户在某张车辆图像上可以看到三处损伤，且这三处损伤的受损时长分别为3天、6天和7天，则用户可以将该车辆图像对应的车辆受损时长标注为7天。

后续，可以将这些被标注了对应的车辆受损时长的车辆图像作为训练样本，采用反向传播的方式，基于预设的机器学习算法(例如：Faster-RCNN算法、YOLOv3算法或SSD算法)，针对这些车辆图像样本进行训练，以得到用于基于事故车辆的图像数据预测该事故车辆的车辆受损时长的预测模型。

举例来说，假设预设的车辆图像样本的数量为100张，则可以从历史事故车辆的图像数据中获取100张车辆图像，并分别为这100张车辆图像标注对应的车辆受损时长。后续，可以将这100张被标注了对应的车辆受损时长的车辆图像作为训练样本，采用反向传播的方式，基于Faster-RCNN算法针对这100张被标注了对应的车辆受损时长的车辆图像进行训练，以得到用于基于事故车辆的图像数据预测该事故车辆的车辆受损时长的预测模型。

这样，即可利用已训练好的预测模型，基于上述事故车辆的图像数据预测该事故车辆的车辆受损时长。具体地，在将该图像数据作为该预测模型的输入参数，输入至该预测模型中进行计算后，即可将该预测模型输出的计算结果确定为该图像数据对应的车辆受损时长，以实现预测该事故车辆的车辆受损时长。

在示出的一种实施方式中，针对上述事故车辆，获取到的该事故车辆的图像数据可以仅包括该事故车辆的一张图像。

在这种情况下，可以将该图像输入至上述预测模型，以由该预测模型基于该图像确定该图像对应的车辆受损时长，并将该车辆受损时长确定为该事故车辆的车辆受损时长。

后续，可以将该车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对该事故车辆进行理赔决策。

其中，受损时长阈值可以由用户自行设置，也可以是默认的缺省值，本说明书对此不做限定。

具体地，如果该车辆受损时长小于该受损时长阈值，则可以认为该事故车辆的损伤为新伤，从而可以直接针对该事故车辆进行理赔。

如果该车辆受损时长大于或等于该受损时长阈值，则可以认为该事故车辆的损伤为旧伤，从而可以将该事故车辆所属的理赔案件标记为风险案件。

后续，可以将该理赔案件向该理赔案件的相关责任人输出，例如：可以通过邮件、短信等方式将该理赔案件通知给该相关责任人，以由该相关责任人针对该理赔案件进行调查取证，从而确定是否需要针对该事故车辆进行理赔。

另一方面，可以定期检测被标记为风险案件的理赔案件，并将检测到的被标记为风险案件的各个理赔案件分别向对应的相关责任人输出，以由该相关责任人针对该理赔案件进行调查取证，以确定是否需要针对该理赔案件中的事故车辆进行理赔。

在示出的一种实施方式中，针对上述事故车辆，获取到的该事故车辆的图像数据可以包括该事故车辆的多张图像。

在这种情况下，可以将这多张图像输入至上述预测模型，以由该预测模型分别基于各张图像确定该图像对应的车辆受损时长，并将确定出的各个车辆受损时长确定为该事故车辆的车辆受损时长。

举例来说，假设获取到该事故车辆的图像1、图像2和图像3这3张图像，则可以将这3张图像输入至该预测模型，以由该预测模型基于图像1确定对应的车辆受损时长1，基于图像2确定对应的车辆受损时长2，基于图像3确定对应的车辆受损时长3。此时，可以将车辆受损时长1、车辆受损时长2和车辆受损时长3这3个车辆受损时长均确定为该事故车辆的车辆受损时长。

后续，可以将该事故车辆的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对该事故车辆进行理赔决策。

其中，受损时长阈值可以由用户自行设置，也可以是默认的缺省值，本说明书对此不做限定。

具体地，可以对这多个车辆受损时长进行加权平均，得到该事故车辆的平均受损时长。

其中，各个车辆受损时长的权重可以由用户自行设置，也可以是默认的缺省值，本说明书对此不做限定。

继续以上述举例为例，在确定了该事故车辆的车辆受损时长1、车辆受损时长2和车辆受损时长3这3个车辆受损时长后，假设各个车辆受损时长的权重相同，则可以计算得到该事故车辆的平均受损时长＝(车辆受损时长1+车辆受损时长2+车辆受损时长3)÷3。

在得到该事故车辆的平均受损时长后，可以将该平均受损时长与该受损时长阈值进行比较。

如果该平均受损时长小于该受损时长阈值，则可以认为该事故车辆的损伤为新伤，从而可以直接针对该事故车辆进行理赔。

如果该平均受损时长大于或等于该受损时长阈值，则可以认为该事故车辆的损伤为旧伤，从而可以将该事故车辆所属的理赔案件标记为风险案件。

或者，可以将这多个车辆受损时长分别与该受损时长阈值进行比较，并统计这多个车辆受损时长中小于该受损时长阈值的车辆受损时长的数量(称为目标数量)。

继续以上述举例为例，在确定了该事故车辆的车辆受损时长1、车辆受损时长2和车辆受损时长3这3个车辆受损时长后，可以分别将车辆受损时长1、车辆受损时长2和车辆受损时长3与该受损时长阈值进行比较。假设车辆受损时长1和车辆受损时长2小于该受损时长阈值，车辆受损时长3大于该受损时长阈值，则可以确定目标数量为2。

在确定了该目标数量后，可以将该目标数量与预设的数量阈值进行比较。

其中，数量阈值可以由用户自行设置，也可以是默认的缺省值，本说明书对此不做限定。

如果该目标数量大于或等于该数量阈值，则可以认为该事故车辆的损伤中新伤较多，从而可以直接针对该事故车辆进行理赔。

如果该目标数量小于该数量阈值，则可以认为该事故车辆的损伤中旧伤较多，从而可以将该事故车辆所属的理赔案件标记为风险案件。

或者，可以将这多个车辆受损时长分别与该受损时长阈值进行比较，并统计这多个车辆受损时长中小于该受损时长阈值的车辆受损时长的数量，对应于这多个车辆受损时长的数量的比值(称为目标比值)。

继续以上述举例为例，在确定了该事故车辆的车辆受损时长1、车辆受损时长2和车辆受损时长3这3个车辆受损时长后，可以分别将车辆受损时长1、车辆受损时长2和车辆受损时长3与该受损时长阈值进行比较。假设车辆受损时长1和车辆受损时长2小于该受损时长阈值，车辆受损时长3大于该受损时长阈值，则可以确定目标比值为2/3(约等于66.67％)。

在确定了该目标比值后，可以将该目标比值与预设的比值阈值进行比较。

其中，比值阈值可以由用户自行设置，也可以是默认的缺省值，本说明书对此不做限定。

如果该目标比值大于或等于该比值阈值，则可以认为该事故车辆的损伤中新伤较多，从而可以直接针对该事故车辆进行理赔。

如果该目标比值小于该比值阈值，则可以认为该事故车辆的损伤中旧伤较多，从而可以将该事故车辆所属的理赔案件标记为风险案件。

后续，可以将被标记为风险案件的该理赔案件向该理赔案件的相关责任人输出，例如：可以通过邮件、短信等方式将该理赔案件通知给该相关责任人，以由该相关责任人针对该理赔案件进行调查取证，从而确定是否需要针对该事故车辆进行理赔。

另一方面，可以定期检测被标记为风险案件的理赔案件，并将检测到的被标记为风险案件的各个理赔案件分别向对应的相关责任人输出，以由该相关责任人针对该理赔案件进行调查取证，以确定是否需要针对该理赔案件中的事故车辆进行理赔。

在上述技术方案中，对于申请理赔的事故车辆而言，可以将该事故车辆的图像数据输入至预测模型，以由该预测模型基于该事故车辆的图像数据预测该事故车辆的车辆受损时长，并将预测出的车辆受损时长与受损时长阈值进行比较，以基于比较结果针对该事故车辆进行理赔决策。采用这样的方式，与常用的针对事故车辆进行人工理赔决策的方式相比，可以提高对事故车辆的理赔决策效率，同时可以及时发现疑似旧伤欺诈的事故车辆。

与前述事故车辆理赔方法的实施例相对应，本说明书还提供了事故车辆理赔装置的实施例。

本说明书事故车辆理赔装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图2所示，为本说明书事故车辆理赔装置所在电子设备的一种硬件结构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该事故车辆理赔的实际功能，还可以包括其他硬件，对此不再赘述。

请参考图3，图3是本说明书一示例性实施例示出的一种事故车辆理赔装置的框图。该装置30可以应用于图2所示的电子设备，包括：

第一获取模块301，用于获取事故车辆的图像数据；

预测模块302，用于将所述图像数据输入至预测模型，以由所述预测模型基于所述图像数据预测所述事故车辆的车辆受损时长；其中，所述预测模型为基于若干被标注了车辆受损时长的车辆图像样本训练出的机器学习模型；

比较模块303，用于将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策。

在本实施例中，所述图像数据可以包括：所述事故车辆的多张图像；所述预测出的车辆受损时长包括：由所述预测模型分别基于所述多张图像预测出的多个车辆受损时长。

在本实施例中，所述比较模块具体可以用于：

对预测出的所述多个车辆受损时长进行加权平均计算，得到所述事故车辆的平均受损时长，并将所述平均受损时长与预设的受损时长阈值进行比较；

如果所述平均受损时长小于所述受损时长阈值时，则确定针对所述事故车辆进行理赔处理；如果所述平均受损时长大于或等于所述受损时长阈值时，则将所述事故车辆所属的理赔案件标记为风险案件。

在本实施例中，所述比较模块具体可以用于：

将预测出的所述多个车辆受损时长分别与所述受损时长阈值进行比较；

确定所述多个车辆受损时长中小于所述受损时长阈值的车辆受损时长的目标数量；

如果所述目标数量大于或等于预设的数量阈值时，则确定针对所述事故车辆进行理赔处理；如果所述目标数量小于所述数量阈值，则将所述事故车辆所属的理赔案件标记为风险案件。

在本实施例中，所述比较模块具体可以用于：

将预测出的所述多个车辆受损时长分别与所述受损时长阈值进行比较；

确定所述多个车辆受损时长中小于所述受损时长阈值的车辆受损时长的数量，对应于所述多个车辆受损时长的数量的目标比值；

如果所述目标比例大于或等于预设的比值阈值，则确定针对所述事故车辆进行理赔处理；如果所述目标比例小于所述比值阈值，则将所述事故车辆所属的理赔案件标记为风险案件。

在本实施例中，所述装置还可以包括：

输出模块304，用于将被标记为风险案件的理赔案件向所述理赔案件的相关责任人输出，以由所述相关责任人针对所述理赔案件进行调查取证。

在本实施例中，所述装置还可以包括：

第二获取模块305，用于获取预设数量的车辆图像样本；其中，所述车辆图像样本被标注了对应的车辆受损时长；

训练模块306，用于基于预设的机器学习算法针对所述车辆图像样本进行训练，以得到所述预测模型。

在本实施例中，所述预测模型可以为以下模型中的任意一个：Faster-RCNN模型，YOLOv3模型，SSD模型。

上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

上述实施例阐明的系统、装置、模块或模块，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。

与上述事故车辆理赔方法实施例相对应，本说明书还提供了一种电子设备的实施例。该电子设备包括：处理器以及用于存储机器可执行指令的存储器；其中，处理器和存储器通常通过内部总线相互连接。在其他可能的实现方式中，所述设备还可能包括外部接口，以能够与其他设备或者部件进行通信。

在本实施例中，通过读取并执行所述存储器存储的与事故车辆理赔的控制逻辑对应的机器可执行指令，所述处理器被促使：

获取事故车辆的图像数据；

将所述图像数据输入至预测模型，以由所述预测模型基于所述图像数据预测所述事故车辆的车辆受损时长；其中，所述预测模型为基于若干被标注了车辆受损时长的车辆图像样本训练出的机器学习模型；

将预测出的车辆受损时长与预设的受损时长阈值进行比较，并基于比较结果针对所述事故车辆进行理赔决策。

在本实施例中，所述图像数据包括：所述事故车辆的多张图像；所述预测出的车辆受损时长包括：由所述预测模型分别基于所述多张图像预测出的多个车辆受损时长。

在本实施例中，通过读取并执行所述存储器存储的与事故车辆理赔的控制逻辑对应的机器可执行指令，所述处理器被促使：

对预测出的所述多个车辆受损时长进行加权平均计算，得到所述事故车辆的平均受损时长，并将所述平均受损时长与预设的受损时长阈值进行比较；

如果所述平均受损时长小于所述受损时长阈值时，则确定针对所述事故车辆进行理赔处理；如果所述平均受损时长大于或等于所述受损时长阈值时，则将所述事故车辆所属的理赔案件标记为风险案件。

在本实施例中，通过读取并执行所述存储器存储的与事故车辆理赔的控制逻辑对应的机器可执行指令，所述处理器被促使：

将预测出的所述多个车辆受损时长分别与所述受损时长阈值进行比较；

确定所述多个车辆受损时长中小于所述受损时长阈值的车辆受损时长的目标数量；

如果所述目标数量大于或等于预设的数量阈值时，则确定针对所述事故车辆进行理赔处理；如果所述目标数量小于所述数量阈值，则将所述事故车辆所属的理赔案件标记为风险案件。

在本实施例中，通过读取并执行所述存储器存储的与事故车辆理赔的控制逻辑对应的机器可执行指令，所述处理器被促使：

将预测出的所述多个车辆受损时长分别与所述受损时长阈值进行比较；

确定所述多个车辆受损时长中小于所述受损时长阈值的车辆受损时长的数量，对应于所述多个车辆受损时长的数量的目标比值；

如果所述目标比例大于或等于预设的比值阈值，则确定针对所述事故车辆进行理赔处理；如果所述目标比例小于所述比值阈值，则将所述事故车辆所属的理赔案件标记为风险案件。

在本实施例中，通过读取并执行所述存储器存储的与事故车辆理赔的控制逻辑对应的机器可执行指令，所述处理器还被促使：

将被标记为风险案件的理赔案件向所述理赔案件的相关责任人输出，以由所述相关责任人针对所述理赔案件进行调查取证。

在本实施例中，通过读取并执行所述存储器存储的与事故车辆理赔的控制逻辑对应的机器可执行指令，所述处理器还被促使：

获取预设数量的车辆图像样本；其中，所述车辆图像样本被标注了对应的车辆受损时长；

基于预设的机器学习算法针对所述车辆图像样本进行训练，以得到所述预测模型。

在本实施例中，所述预测模型为以下模型中的任意一个：Faster-RCNN模型，YOLOv3模型，SSD模型。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。

应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。

以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。