Страхование, трейд-ин, лизинг

Автоматизированное распознавание повреждений автомобиля для оценки ущерба при ДТП

Автоматическая классификация повреждений авто по фото — от загрузки изображения до предварительной оценки за минуты.

NDA

Заказчик Крупная страховая компания с большим потоком обращений по ДТП и страховым случаям. Компания заинтересована в ускорении первичной оценки ущерба и снижении операционных затрат при сохранении качества решений.

Задача Сократить время первичной оценки автомобильных повреждений и снизить зависимость результата от субъективной экспертизы за счет автоматического анализа фото авто после ДТП

О проекте

Визуальная оценка повреждений автомобилей по фото - узкое место для страховой компании, потому что она зависит от эксперта, плохо масштабируется и дает нестабильное качество.

В рамках проекта первичный осмотр был вынесен в автоматический контур — система анализирует изображения, классифицирует повреждения и формирует единый результат за минуты, независимо от нагрузки и человеческого фактора.

NDA

×5 к скорости оценки

Время обработки одного кейса сокращено с десятков минут до нескольких минут.

Сбор и подготовка данных

Собрали и разметили изображения автомобилей б/у с разными типами и степенью повреждений по фото.

Предобработка изображений

Разработка алгоритма с использованием методов фильтрации входных данных. Оценка степени повреждений от 1 до 3

Интеграция

Интеграция системы с существующими приложениями клиента через API.

Тестирование и оптимизация алгоритмов

Проведение тестирования на данных в реальных условиях, включая случаи с разными погодными условиями. Опатимизация алгоритмов по результатам тестирования

Запуск на ПО заказчика

Сдача готового сервиса с админ-панелью и имплементация в ПО клиента.

Почему ИИ - идеальное решение для таких задач в автостраховании?

Система уверенно работает даже на сложных повреждениях

Точность детекции простых повреждений ≈ 90%

Точность детекции сложных случаев — около 70%, что превышает ожидания заказчика на этапе пилота.

Технологический стек

Frontend

Интерфейс пользователя: отчеты, графики, панели управления

Backend

Логика обработки и базовые компоненты системы

ML

Модели и фреймворки для обучения

Вызовы и решения

Нестабильное качество входных изображений

Фотографии автомобилей поступали в систему в неконтролируемых условиях: загрязнённые кузова, осадки, отражения, низкая освещённость. Это напрямую влияло на корректность локализации повреждений и снижало доверие к автоматической оценке.

РЕШЕНИЕ

Интеллектуальный препроцессинг входных данных

Встроили этап автоматической диагностики качества изображений и адаптивного препроцессинга. Система нормализует кадры, отсеивает некорректные входные данные и повышает информативность изображений, что стабилизировало детекцию и повысило качество обучающего датасета.

Потеря точности при съёмке в условиях низкой освещённости

Вечерние и ночные фотографии приводили к размытию контуров и снижению контрастности, из-за чего даже опытные оценщики допускали расхождения в интерпретации повреждений.

РЕШЕНИЕ

Адаптивное усиление визуальных признаков

Реализовали алгоритмы динамического повышения контрастности и яркости на этапе предварительной обработки. Это позволило сохранять точность детекции повреждений независимо от времени съёмки и условий освещения.

до 90%

точность распознавания повреждений на корректных и чистых фото

≤ 1 мин

время первичной оценки ущерба по загруженным изображениям

×3–4

рост пропускной способности процесса оценки без увеличения штата

Команда, которая внедрила проект

Алексей Цибульников

Python backend-разработчик

Фёдор Головин

Project Manager

Дмитрий Соркин

DevOps-инженер

Марк Яговкин

Руководитель разметки данных

Михаил Моисеев

CV-инженер

Переход от классификации повреждений к точной локализации дефектов с поддержкой автоматизированного расчёта ремонтных работ.

Готовые проекты

Наша команда с 2017 года успешно реализовала 60 проектов с искусственным интеллектом. Тут собраны наши лучшие работы, про которые мы можем рассказать, про некоторые совсем немного, а некоторые мы вообще не можем тут упомянуть из-за NDA. Но готовы применять опыт в разработке нейросетей для ваших задач.