Распознавание повреждений на авто для упрощения процесса оценки

Ускорьте принятие решений с автоматизированной оценкой автомобильных повреждений после ДТП или иных инцидентов

01. Про заказчика

Ведущая организация в сфере страхования, выбрала нас для реализации задачи автоматизации оценки автомобильных повреждений. Вместе мы создали инновационное решение, которое сокращает время и усилия, необходимые для определения степени ущерба транспортному средству.

02. Задача проекта

Искусственный интеллект для автострахования

Цель проекта заключается в создании Системы, которая классифицирует повреждения автомобилей на фотографии, облегчая первичную оценку стоимости ремонта и повышая операционную эффективность страховых процессов.

03. Как мы решали задачу

0 1

Сбор и разметка изображений автомобилей c сайтов б/у и разной степенью ущерба на фото.

0 2

Разработка алгоритма с использованием методов фильтрации входных данных, а также оценка степени повреждений от 1 до 3.

0 3

Интеграция системы с существующими приложениями клиента через API.

0 4

Проведение тестирования на данных в реальных условиях, включая случаи с разными погодными условиями.

0 5

Оптимизация и настройка алгоритмов на основе результатов тестирования.

0 6

Сдача готового сервиса с админкой и имплементация в ПО клиента.

Интересный факт

Система снижает время на оценку ущерба до нескольких минут. Метрика качества детекций достигла порядка 70% точности в оценке сложных повреждений и около 90% в оценке простых.

04. Как это работает

1 Клиент загружает фото поврежденного автомобиля через приложение.

2 Фото отправляется на сервер, где происходит его предварительная обработка.

3 Нейросеть классифицирует уровень повреждений, используя обученные модели.

4 Система анализирует изображение и отправляет обратно отчет с результатами классификации.

5 Клиент получает уведомление о состоянии и местах повреждений авто.

05. Наша нейросеть vs ручная проверка

Количество обработанных фото в сутки
Месяцы после внедрения Системы
Ось Y - Количество обработанных фото в сутки Ось X - Месяцы после внедрения Системы
Количество обработанных фото в сутки
Месяцы после внедрения Системы
Ось Y - Количество обработанных фото в сутки Ось X - Месяцы после внедрения Системы
Количество обработанных фото в сутки
Месяцы после внедрения Системы
Ось Y - Количество обработанных фото в сутки Ось X - Месяцы после внедрения Системы

06. Проблемы и их решение

Погодные условия и грязные автомобили

Многие из изображений автомобилей снимались в сложных условиях: на улице мог идти дождь, снег, или автомобили были покрыты грязью. Это создавало трудности для четкой локализации повреждений при разметке. В таких ситуациях нейросеть могла не распознать даже видимые дефекты, что снижало общую точность оценки.

Фотографии

Решение: препроцессинг

Для повышения качества данных был внедрен этап препроцессинга, который включал автоматическую диагностику содержания изображений. Если система определяла, что фото плохо видно, она генерировала предупреждение, например о грязной машине или плохом освещении. Это позволило увеличить качество входных данных и повысить качество итогового датасета под обучение.

Фотографии

Сложности при съёмке в вечернее время

Вечерние съемки часто приводили к получению темных и нечетких изображений, что затрудняло детекцию повреждений. Даже опытные оценщики испытывали трудности с локализацией дефектов на таких фотографиях.

Решение: Повысили контраст

Мы разработали алгоритмы повышения яркости и контраста, которые применялись на предварительном этапе обработки изображений. В результате система могла работать с фотографиями, сделанными при ограниченном освещении, обеспечивая стабильную и высокую точность выявления повреждений.

07. Ценность проекта

Адаптивность

Внедрение системы автоматической оценки повреждений сокращает временные затраты на первичное определение стоимости ремонта, позволяя команде сфокусироваться на более стратегических задачах.

Улучшение клиентского опыта

Быстрая и объективная оценка повреждений через мобильное приложение создает положительный опыт для клиентов, увеличивая уровень удовлетворенности и доверия к вашей компании.

Увеличение точности оценок

Использование нейросетевых технологий позволяет достигать высокой степени точности в определении типа и степени повреждений, что уменьшает количество ошибок и спорных ситуаций в страховых выплатах.

Устойчивость к внешним факторам

Система демонстрирует свою эффективность даже в сложных условиях, таких как плохая погода или недостаточное освещение, что делает ее надежным инструментом для работы в любых обстоятельствах.

08. Команда, которая
внедрила проект

Техлид

Алексей Ягужинский

Backend-Lead

Алексей Цибульников

Менеджер проекта

Антон Афанасьев

Аналитик

Федор Головин

Computer Vision инженер

Роман Мазников

DevOps

Дмитрий Соркин

Куратор команды разметки

Марк Яговкин

09. Планы на будущее

Готовые проекты

Наша команда успешно разработала 54 проекта с искусственным интеллектом. Тут собраны наши лучшие проекты про которые мы можем рассказать, про некоторые совсем немного, а некоторые мы вообще не можем тут упомянуть