车辆定损方法、装置、设备和存储介质与流程

本申请涉及图像检测领域，尤其涉及发明名称一种车辆定损的方法、装置、设备和存储介质。

背景技术：

目前国内小汽车的总量在不断增多，中小型的交通意外越来越频发，而客户发生小型的交通意外，需要浪费大量的时间等待理赔人员确认以及要走繁杂的流程才能将理赔流程走完。这个过程中还需要理赔人员进行相关的鉴定，确认出赔偿的方案，导致处理的效率低下。

技术实现要素：

本发明实例中提出一种新的理赔服务模式，将ai图片识别定损技术运用在车险事故理赔场景，提供便捷的客户端，让用户可以快速方便的完成理赔的全部流程。

第一方面，本申请提供一种车辆定损方法，包括：

获取待处理的车辆事故图像集合以及多个车辆事故案件的理赔金额。每个所述车辆事故案件对应至少一张所述车辆事故图像。

将所述车辆事故图像集合以及所述多个车辆事故案件的理赔金额输入语义分割网络pspnet，以在多组超参数下训练所述pspnet；训练所述pspnet中的池化层以及卷积层通过计算。其中，代表根据所述pspnet卷积层的多层感知器中第n-1层的输出，训练所述pspnet卷积层的多层感知器中第n层中第k个神经元得到的权值，表示相应的偏置，表示第i个车辆事故案件的第j张车辆事故图像输入至所述pspnet后在所述pspnet的第n层的输出，i、j以及k为任意正整数，n为自然数；当n为0时，是指所述车辆事故图像。当n为所述pspnet的最后一层时，是指所述车辆事故案件的理赔金额。

通过损失函数以及正则化系数计算不同超参数下所述pspnet的误差，将误差最小的一组超参数下的所述pspnet作为目标pspnet；所述损失函数的函数值是指pspnet测试集中的车辆事故图像输入至卷积神经网络后的实际赔付金额与测试集中的车辆事故图像输入至卷积神经网络后的期望赔付金额之间差值的平方和；所述正则化系数c通过以下公式计算得到：

c0是所述损失函数的初始取值，n'是指所述车辆事故图像集合中的图像数量；λ是指正则项与c0项的比重，所述正则项是指的平方和。

接收到用户在终端上发送的定损请求，向客户端发送指示消息。

接收所述客户端发送的车损照片后，则将所述客户端发送的车损照片输入至所述目标pspnet，生成定损策略，并将所述定损策略发送给所述客户端。

相较于现有技术，本申请发明提出一种新的理赔服务模式，将ai图片识别定损技术运用在车险事故理赔场景，提供好车主加小程序等便捷客户端，旨在客户能够通过简单的报案登记、拍照上传损伤部位、确认赔达联系专付方案、录入支付账户等操作，即可完成理赔全流程。此外，考虑客户操作过程有可能存在疑问，提供直人服务，客户自助理赔过程中随时可联系理赔员寻求帮助。同时从风险管控角度出发，ai自助报案规则，筛选过滤风险案件；增加案件赔偿金额上限控制，超额案件强制转化，由理赔员介入。

在一些可能的设计中，获取待处理的车辆事故图像集合以及多个车辆事故案件的理赔金额之后，所述方法还包括：

对收集的车辆事故集合进行数据清洗。所述数据清洗至少包括数据标准化、特征提取和消除重复值中的至少一项。所述消除重复值是指通过计算车辆事故图像集合的车辆事故图像之间的相似度，将相似度高于阈值的车辆事故图像进行剔除。

在一些可能的设计中，所述数据标准化，所述方法还包括：

所述数据标准化通过以下数学公式实现：

所述是指第j个卷积面上在位置(x，y)的值，响应标准化的值，是通过若干相邻卷积面在位置(x，y)的值计算，n是卷积面的总数，j是自然数，i是相邻面的个数，k、α、β是可调参数。

在一些可能的设计中，所述将所述车辆事故图像集合以及所述多个车辆事故案件的理赔金额输入语义分割网络pspnet之前，所述方法还包括：

神经元的权值和偏置的通过以下方法进行：若神经元yj与n个车辆事故图像输入x1，x2，…，xn对应连接的权值为w1j，w2j，…，wnj，则对权值进行初始化，所述初始化的方法是指权值wnj满足以下正太分布：

其中b为常数。

在一些可能的设计中，所述获取待处理的车辆事故图像集合以及多个车辆事故案件的理赔金额之后，所述方法还包括：

还可以对获得车辆事故图像集合进行数据扩充，所述数据扩充是指对车辆事故图像集合旋转、翻转变换、平移变换、尺度变换颜色变化、以及缩放变换操作。通过以下数学公式实现数据扩充：

其中x，y是指车辆事故图像的像素坐标，θ是指旋转的角度，a是指沿车辆事故图像像素x轴平移的单位距离，b是指车辆事故图像像素沿y轴平移的单位距离。通过此公式可以对车辆事故图像进行翻转，旋转和平移，以增加车辆事故图像集合里车辆事故图像数据。

在一些可能的设计中，所述向客户端发送指示消息，所述客户端在收到所述指示消息之后，所述方法还包括：

所述客户端提示用户拍摄车损照片，所述拍摄车损照片的步骤还包括：

在提示用户拍摄车损照片时，显示各个拍摄要求的图框，在相应图框被触发时，触发所述客户端开启相机应用。

在收到所述指示消息后，提示用户拍摄车损照片。

在拍摄完一张照片时，所述客户端对所述照片预处理。所述预处理是指提取车头、车尾、大灯、车尾灯以及后视镜等车辆特征信息以及对所述照片进行压缩。

对完成预处理的照片通过所述客户端判断是否符合拍摄预设规则，如不符合预设规则，所述客户端提示用户重新拍摄。如预设规则，则对用户拍摄车损照片上传至服务端。所述预设规则是指用于筛选满足分辨率高于阈值、图片尺寸满足阈值以及图片格式为jpg或png的车损照片。

所述构建定损策略是指根据车辆定损系统根据获取到的所述车辆受损部件的图像信息确定事故车辆的定损信息，并根据定所述车辆的定损信息以及所述目标pspnet的核算规则计算定损金额。

在一些可能的设计中，所述并将所述定损策略发送给所述客户端，所述方法还包括：

设置赔偿金额上限控制，若检测到目标神经网络模型的核算规则计算的定损金额超额过设置赔偿金额，则让客户端发出提示此案件无法自助理赔；

若客户操作过程有可能存在疑问，则提供直人服务。所述直人服务是指客户自助理赔过程中，客户端收到用户发出请求帮助信号后，向服务端发送用户请求，服务端在接收到请求后，将所述客户端之间建立通讯。

自助处理理赔流程重增加ai自助报案规则。所述ai自助报案规则是指在接收到用户在客户端的定损请求时，将用户信息发送至服务端，所述服务端判断用户信息是否满足报案规则，若满足规则，则命令所述客户端发送照片，若不满足则不允许客户端完成自助理赔。

第二方面，本申请提供一种车辆定损的装置，具有实现对应于上述第一方面提供的车辆定损的平台的方法的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。

所述车辆定损的装置包括：

获取模块，获取待处理的车辆事故图像集合以及多个车辆事故案件的理赔金额。每个所述车辆事故案件对应至少一张所述车辆事故图像。

处理模块，将所述车辆事故图像集合以及所述多个车辆事故案件的理赔金额输入语义分割网络pspnet，以在多组超参数下训练所述pspnet；训练所述pspnet中的池化层以及卷积层通过

计算。其中，代表根据所述pspnet卷积层的多层感知器中第n-1层的输出，训练所述pspnet卷积层的多层感知器中第n层中第k个神经元得到的权值，表示相应的偏置，表示第i个车辆事故案件的第j张车辆事故图像输入至所述pspnet后在所述pspnet的第n层的输出，i、j以及k为任意正整数，n为自然数；当n为0时，是指所述车辆事故图像。当n为所述pspnet的最后一层时，是指所述车辆事故案件的理赔金额。

通过损失函数以及正则化系数计算不同超参数下所述pspnet的误差，将误差最小的一组超参数下的所述pspnet作为目标pspnet；所述损失函数的函数值是指pspnet测试集中的车辆事故图像输入至卷积神经网络后的实际赔付金额与测试集中的车辆事故图像输入至卷积神经网络后的期望赔付金额之间差值的平方和；所述正则化系数c通过以下公式计算得到：

c0是所述损失函数的初始取值，n'是指所述车辆事故图像集合中的图像数量；λ是指正则项与c0项的比重，所述正则项是指的平方和。

接收到用户在终端上发送的定损请求，向客户端发送指示消息。

接收所述客户端发送的车损照片后，则将所述客户端发送的车损照片输入至所述目标pspnet，生成定损策略，并将所述定损策略发送给所述客户端。

在一些可能的设计中，所述处理模块还用于：

对收集的车辆事故集合进行数据清洗；所述数据清洗至少包括数据标准化、特征提取和消除重复值中的至少一项；所述消除重复值是指通过计算车辆事故图像集合的车辆事故图像之间的相似度，将相似度高于阈值的车辆事故图像进行剔除。

在一些可能的设计中，所述处理模块还用于：

对收集的车辆事故集合进行数据清洗。所述数据清洗至少包括数据标准化、特征提取和消除重复值中的至少一项。所述消除重复值是指通过计算车辆事故图像集合的车辆事故图像之间的相似度，将相似度高于阈值的车辆事故图像进行剔除。

在一些可能的设计中，所述处理模块还用于：

所述数据标准化通过以下数学公式实现：

所述是指第j个卷积面上在位置(x，y)的值，响应标准化的值，是通过若干相邻卷积面在位置(x，y)的值计算，n是卷积面的总数，j是自然数，i是相邻面的个数，k、α、β是可调参数。

在一些可能的设计中，所述处理模块还用于：

神经元的权值和偏置的通过以下方法进行：若神经元yj与n个车辆事故图像输入x1，x2，…，xn对应连接的权值为w1j，w2j，…，wnj，则对权值进行初始化，所述初始化的方法是指权值wnj满足以下正太分布：

其中b为常数。

在一些可能的设计中，所述处理模块还用于：

还可以对获得车辆事故图像集合进行数据扩充，所述数据扩充是指对车辆事故图像集合旋转、翻转变换、平移变换、尺度变换颜色变化、以及缩放变换操作；通过以下数学公式实现数据扩充：

其中x，y是指车辆事故图像的像素坐标，θ是指旋转的角度，a是指沿车辆事故图像像素x轴平移的单位距离，b是指车辆事故图像像素沿y轴平移的单位距离。通过此公式可以对车辆事故图像进行翻转，旋转和平移，以增加车辆事故图像集合里车辆事故图像数据。

在一些可能的设计中，所述处理模块还用于：

所述客户端提示用户拍摄车损照片，所述拍摄车损照片的步骤还包括：

在提示用户拍摄车损照片时，显示各个拍摄要求的图框，在相应图框被触发时，触发所述客户端开启相机应用。

在收到所述指示消息后，提示用户拍摄车损照片。

在拍摄完一张照片时，所述客户端对所述照片预处理。所述预处理是指提取车头、车尾、大灯、车尾灯以及后视镜等车辆特征信息以及对所述照片进行压缩。

对完成预处理的照片通过所述客户端判断是否符合拍摄预设规则，如不符合预设规则，所述客户端提示用户重新拍摄。如预设规则，则对用户拍摄车损照片上传至服务端；所述预设规则是指用于筛选满足分辨率高于阈值、图片尺寸满足阈值以及图片格式为jpg或png的车损照片。

所述构建定损策略是指根据车辆定损系统根据获取到的所述车辆受损部件的图像信息确定事故车辆的定损信息，并根据定所述车辆的定损信息以及所述目标pspnet的核算规则计算定损金额。

在一些可能的设计中，所述处理模块还用于：

设置赔偿金额上限控制，若检测到目标神经网络模型的核算规则计算的定损金额超额过设置赔偿金额，则让客户端发出提示此案件无法自助理赔。

若客户操作过程有可能存在疑问，则提供直人服务；所述直人服务是指客户自助理赔过程中，客户端收到用户发出请求帮助信号后，向服务端发送用户请求，服务端在接收到请求后，将所述客户端之间建立通讯。

自助处理理赔流程重增加ai自助报案规则；所述ai自助报案规则是指在接收到用户在客户端的定损请求时，将用户信息发送至服务端，所述服务端判断用户信息是否满足报案规则，若满足规则，则命令所述客户端发送照片，若不满足则不允许客户端完成自助理赔。

本申请又一方面提供了一种车辆定损的设备，其包括至少一个连接的处理器、存储器、输入输出单元，其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中的程序代码来执行上述各方面所述的方法。

本申请又一方面提供了一种计算机存储介质，其包括指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。

附图说明

图1为本申请实施例中车辆定损的方法的流程示意图；

图2为本申请实施例中车辆定损的装置的结构示意图；

图3为本申请实施例中计算机设备的结构示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行。

请参照图1，以下对本申请提供一种车辆定损的方法进行举例说明，所述方法包括：

101、获取待处理的车辆事故图像集合以及多个车辆事故案件的理赔金额。

每个所述车辆事故案件对应至少一张所述车辆事故图像。

本申请中，所述车辆事故图像集合包含多张已标注的车辆事故图像。车辆事故图像标注区域包括车头、车尾、大灯、车尾灯以及后视镜等车辆特征信息。将车辆事故图像集合分割为测试集和训练集。所述车辆事故是指机动车在道路上发生的，不涉及人员伤亡，仅造成价值5000元以下的财产损失的交通事故，如仅车身前后保险杠，车灯，引擎盖，门窗，后视镜等外部部件损坏，车辆可以继续驾驶的事故。

102、将所述车辆事故图像集合以及所述多个车辆事故案件的理赔金额输入语义分割网络pspnet，以在多组超参数下训练pspnet。

训练所述pspnet中的池化层以及卷积层通过计算；其中，代表根据所述pspnet卷积层的多层感知器中第n-1层的输出，训练所述pspnet卷积层的多层感知器中第n层中第k个神经元得到的权值，表示相应的偏置，表示第i个车辆事故案件的第j张车辆事故图像输入至所述pspnet后在所述pspnet的第n层的输出，i、j以及k为任意正整数，n为自然数；当n为0时，是指所述车辆事故图像；当n为所述pspnet的最后一层时，是指所述车辆事故案件的理赔金额；

所述超参数至少包括卷积核的尺寸、学习率η、batch参数、神经网络层数、激活函数、优化器、批大小以及训练的epoch数量中的至少一项。

所述超参数通过自定义的方式调整。通过调整所述超参数，得到多组超参数，分别计算每组超参数下的测试值和理论值，该测试值和理论值可以计算模型的误差，通过所述误差对不同参数下的神经网络模型进行评估，以获得误差最小的神经网络模型参数。

103、通过损失函数以及正则化系数计算不同超参数下所述pspnet的误差，将误差最小的一组超参数下的所述pspnet作为目标pspnet。

所述损失函数的函数值是指pspnet测试集中的车辆事故图像输入至卷积神经网络后的实际赔付金额与测试集中的车辆事故图像输入至卷积神经网络后的期望赔付金额之间差值的平方和；所述正则化系数c通过以下公式计算得到：

c0是所述损失函数的初始取值，n'是指所述车辆事故图像集合中的图像数量；λ是指正则项与c0项的比重，所述正则项是指的平方和

通过加入正则化解决模型过拟合的问题，并提高模型的泛化能力。

104、接收到用户在终端上发送的定损请求，向客户端发送指示消息。

所述指示消息是指用于命令客户端发送车损照片。所述客户端是指提供客户自助理赔服务的程序。

其中，通过客户端携带的手机号或微信号识别投保人车牌，并通过gps定位出险地点，根据手机号或者微信号获取关联车辆信息、关联保单信息，并在根据获取的车辆信息以及关联保单信息判断可以办理自助理赔时，自动生成报案号从而自助完成理赔流程。所述理赔流程是指报案登记、拍照上传损伤部位、确认赔达联系专付方案以及录入支付账户等流程。

105、接收所述客户端发送的车损照片后，则将所述客户端发送的车损照片输入至所述目标pspnet，生成定损策略，并将所述定损策略发送给所述客户端。

一些实施方式中，获取待处理的车辆事故图像集合以及多个车辆事故案件的理赔金额之后，所述方法还包括：

对收集的车辆事故集合进行数据清洗。所述数据清洗至少包括数据标准化、特征提取和消除重复值中的至少一项。所述消除重复值是指通过计算车辆事故图像集合的车辆事故图像之间的相似度，将相似度高于阈值的车辆事故图像进行剔除。

所述数据标准化是指将数据集中的数据按照一定比例缩放，将所述数据集中的数据映射到一个同一个平面中。所述特征提取指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。是从原始特征中选择出一些最有效特征以降低数据集维度的过程，是提高学习算法性能。其中主要的方法至少包括：主成分分析法(principalcomponentanalysis，pca),线性判别分析(latentdirichletallocation，lda)，奇异值分解(singularvaluedecomposition，svd)。

一些实施方式中，所述数据标准化，所述方法还包括：

所述数据标准化通过以下数学公式实现：

所述是指第j个卷积面上在位置(x，y)的值，响应标准化的值，是通过若干相邻卷积面在位置(x，y)的值计算，n是卷积面的总数，j是自然数，i是相邻面的个数，k、α、β是可调参数。

以卷积神经网络有96层为例，取卷积神经网络的8、9、10、11以及12层的车损图像的特征之和，并计算第10层中车损图像的特征在所述特征之和的占比。当i＝10，n＝96，n＝4，k＝2，α＝e^-4以及β＝0.75时，该获取车辆事故图像中的像素数据将所述像素数据导入公式(1)中，得到是车损图像的特征在所述特征之和的占比，

以增加卷积神经网络的训练速度和卷积神经网络的精确度。

一些实施方式中，所述将所述车辆事故图像集合以及所述多个车辆事故案件的理赔金额输入语义分割网络pspnet之前，所述方法还包括：

神经元的权值和偏置的通过以下方法进行：若神经元yj与n个车辆事故图像输入x1，x2，…，xn对应连接的权值为w1j，w2j，…，wnj，则对权值进行初始化，所述初始化的方法是指权值wnj满足以下正太分布：

其中b为常数。

通过此方法可以加快神经网络的收敛速度。

一些实施方式中，所述获取待处理的车辆事故图像集合以及多个车辆事故案件的理赔金额之后，所述方法还包括：

还可以对获得车辆事故图像集合进行数据扩充，所述数据扩充是指对车辆事故图像集合旋转、翻转变换、平移变换、尺度变换颜色变化、以及缩放变换操作。通过以下数学公式实现数据扩充：

其中x，y是指车辆事故图像的像素坐标，θ是指旋转的角度，a是指沿车辆事故图像像素x轴平移的单位距离，b是指车辆事故图像像素沿y轴平移的单位距离。通过此公式可以对车辆事故图像进行翻转，旋转和平移，以增加车辆事故图像集合里车辆事故图像数据。

通过上述实施方式，可以增加车辆事故图像集合中的数据。车辆事故图像集合经过所述数据扩充以后，车辆事故图像集合里的图像数据将会增多，以提高车辆事故图像集合里数据的数量从而提高模型预测的准确率。

一些实施方式中，所述向客户端发送指示消息，所述客户端在收到所述指示消息之后，所述方法还包括：

所述客户端提示用户拍摄车损照片，所述拍摄车损照片的步骤还包括：

在提示用户拍摄车损照片时，显示各个拍摄要求的图框，在相应图框被触发时，触发所述客户端开启相机应用。

在收到所述指示消息后，提示用户拍摄车损照片。

在拍摄完一张照片时，所述客户端对所述照片预处理。所述预处理是指提取车头、车尾、大灯、车尾灯以及后视镜等车辆特征信息以及对所述照片进行压缩。

对完成预处理的照片通过所述客户端判断是否符合拍摄预设规则，如不符合预设规则，所述客户端提示用户重新拍摄。如预设规则，则对用户拍摄车损照片上传至服务端。所述预设规则是指用于筛选满足分辨率高于阈值、图片尺寸满足阈值以及图片格式为jpg或png的车损照片。

所述构建定损策略是指根据车辆定损系统根据获取到的所述车辆受损部件的图像信息确定事故车辆的定损信息，并根据定所述车辆的定损信息以及所述目标pspnet的核算规则计算定损金额。

一些实施方式中，所述并将所述定损策略发送给所述客户端，所述方法还包括：

设置赔偿金额上限控制，若检测到目标神经网络模型的核算规则计算的定损金额超额过设置赔偿金额，则让客户端发出提示此案件无法自助理赔；例如设置赔偿金额上限5000的案子无法被客户自助处理，当客户申报的时候，案件将直接移交给理赔员进行处理。

若客户操作过程有可能存在疑问，则提供直人服务。所述直人服务是指客户自助理赔过程中，客户端收到用户发出请求帮助信号后，向服务端发送用户请求，服务端在接收到请求后，将所述客户端之间建立通讯。从而实现理赔员在线的答疑，进而解决客户的疑问。

自助处理理赔流程重增加ai自助报案规则。所述ai自助报案规则是指在接收到用户在客户端的定损请求时，将用户信息发送至服务端，所述服务端判断用户信息是否满足报案规则，若满足规则，则命令所述客户端发送照片，若不满足则不允许客户端完成自助理赔。

如图2所示的一种车辆定损的装置20的结构示意图，其可应用于车辆定损。本申请实施例中的车辆定损的装置能够实现对应于上述图1所对应的实施例中所执行的车辆定损的方法的步骤。车辆定损的装置20实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。所述车辆定损的装置可包括输入输出模块201和处理模块202，所述处理模块202和输入输出模块201的功能实现可参考图1所对应的实施例中所执行的操作，此处不作赘述。输入输出模块201可用于控制所述输入输出模块201的输入、输出以及获取操作。

一些实施方式中，所述输入输出模块201可用于获取待处理的车辆事故图像集合以及多个车辆事故案件的理赔金额。每个所述车辆事故案件对应至少一张所述车辆事故图像。

所述处理模块202可用于

将所述车辆事故图像集合以及所述多个车辆事故案件的理赔金额输入语义分割网络pspnet，以在多组超参数下训练所述pspnet。训练所述pspnet中的池化层以及卷积层通过计算；其中，代表根据所述pspnet卷积层的多层感知器中第n-1层的输出，训练所述pspnet卷积层的多层感知器中第n层中第k个神经元得到的权值，表示相应的偏置，表示第i个车辆事故案件的第j张车辆事故图像输入至所述pspnet后在所述pspnet的第n层的输出，i、j以及k为任意正整数，n为自然数；当n为0时，是指所述车辆事故图像；当n为所述pspnet的最后一层时，是指所述车辆事故案件的理赔金额。

通过损失函数以及正则化系数计算不同超参数下所述pspnet的误差，将误差最小的一组超参数下的所述pspnet作为目标pspnet。所述损失函数的函数值是指pspnet测试集中的车辆事故图像输入至卷积神经网络后的实际赔付金额与测试集中的车辆事故图像输入至卷积神经网络后的期望赔付金额之间差值的平方和；所述正则化系数c通过以下公式计算得到：

c0是所述损失函数的初始取值，n'是指所述车辆事故图像集合中的图像数量；λ是指正则项与c0项的比重，所述正则项是指的平方和。

接收到用户在终端上发送的定损请求，向客户端发送指示消息；

接收所述客户端发送的车损照片后，则将所述客户端发送的车损照片输入至所述目标pspnet，生成定损策略，并将所述定损策略发送给所述客户端。

一些实施方式中，所述处理模块202还用于：

对收集的车辆事故集合进行数据清洗。所述数据清洗至少包括数据标准化、特征提取和消除重复值中的至少一项。所述消除重复值是指通过计算车辆事故图像集合的车辆事故图像之间的相似度，将相似度高于阈值的车辆事故图像进行剔除。

一些实施方式中，所述数据标准化通过以下数学公式实现：

所述是指第j个卷积面上在位置(x，y)的值，响应标准化的值，是通过若干相邻卷积面在位置(x，y)的值计算，n是卷积面的总数，j是自然数，i是相邻面的个数，k、α、β是可调参数。

一些实施方式中，所述处理模块202还用于：

神经元的权值和偏置的通过以下方法进行：若神经元yj与n个车辆事故图像输入x1，x2，…，xn对应连接的权值为w1j，w2j，…，wnj，则对权值进行初始化，所述初始化的方法是指权值wnj满足以下正太分布：

其中b为常数。

一些实施方式中，所述处理模块202还用于：

还可以对获得车辆事故图像集合进行数据扩充，所述数据扩充是指对车辆事故图像集合旋转、翻转变换、平移变换、尺度变换颜色变化、以及缩放变换操作。通过以下数学公式实现数据扩充：

其中x，y是指车辆事故图像的像素坐标，θ是指旋转的角度，a是指沿车辆事故图像像素x轴平移的单位距离，b是指车辆事故图像像素沿y轴平移的单位距离。通过此公式可以对车辆事故图像进行翻转，旋转和平移，以增加车辆事故图像集合里车辆事故图像数据。

一些实施方式中，所述处理模块202还用于：

所述客户端提示用户拍摄车损照片，所述拍摄车损照片的步骤还包括：

在提示用户拍摄车损照片时，显示各个拍摄要求的图框，在相应图框被触发时，触发所述客户端开启相机应用。

在收到所述指示消息后，提示用户拍摄车损照片。

在拍摄完一张照片时，所述客户端对所述照片预处理。所述预处理是指提取车头、车尾、大灯、车尾灯以及后视镜等车辆特征信息以及对所述照片进行压缩。

对完成预处理的照片通过所述客户端判断是否符合拍摄预设规则，如不符合预设规则，所述客户端提示用户重新拍摄。如预设规则，则对用户拍摄车损照片上传至服务端。所述预设规则是指用于筛选满足分辨率高于阈值、图片尺寸满足阈值以及图片格式为jpg或png的车损照片。

所述构建定损策略是指根据车辆定损系统根据获取到的所述车辆受损部件的图像信息确定事故车辆的定损信息，并根据定所述车辆的定损信息以及所述目标pspnet的核算规则计算定损金额。

一些实施方式中，所述处理模块202还用于：

设置赔偿金额上限控制，若检测到目标神经网络模型的核算规则计算的定损金额超额过设置赔偿金额，则让客户端发出提示此案件无法自助理赔；

若客户操作过程有可能存在疑问，则提供直人服务。所述直人服务是指客户自助理赔过程中，客户端收到用户发出请求帮助信号后，向服务端发送用户请求，服务端在接收到请求后，将所述客户端之间建立通讯。

自助处理理赔流程重增加ai自助报案规则。所述ai自助报案规则是指在接收到用户在客户端的定损请求时，将用户信息发送至服务端，所述服务端判断用户信息是否满足报案规则，若满足规则，则命令所述客户端发送照片，若不满足则不允许客户端完成自助理赔。

上面从模块化功能实体的角度分别介绍了本申请实施例中的创建装置，以下从硬件角度介绍一种计算机设备，如图3所示，其包括：处理器、存储器、输入输出单元(也可以是收发器，图3中未标识出)以及存储在所述存储器中并可在所述处理器上运行的计算机程序。例如，该计算机程序可以为图1所对应的实施例中车辆定损的方法对应的程序。例如，当计算机设备实现如图2所示的车辆定损的装置20的功能时，所述处理器执行所述计算机程序时实现上述图2所对应的实施例中由车辆定损的装置20执行的车辆定损的方法中的各步骤。或者，所述处理器执行所述计算机程序时实现上述图2所对应的实施例的车辆定损的装置20中各模块的功能。又例如，该计算机程序可以为图1所对应的实施例中车辆定损的方法对应的程序。

所称处理器可以是中央处理单元(centralprocessingunit，cpu)，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。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，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述输入输出单元也可以用接收器和发送器代替，可以为相同或者不同的物理实体。为相同的物理实体时，可以统称为输入输出单元。该输入输出可以为收发器。

所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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(如rom/ram)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器或者网络设备等)执行本申请各个实施例所述的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，这些均属于本申请的保护之内。