[发明专利]一种基于深度学习的交通事故自助定损系统

说明书

本发明公开一种基于深度学习的交通事故自助定损系统，涉及人工智能应用领域；包括客户终端和服务端，客户终端采集事故信息，发送给服务端，服务端搭建Tensorflow的三层神经网络，获取交通事故图像信息，定义参数，构造隐层网络，构造预测输出层，利用BP算法训练建立事故模型，服务端识别客户终端采集的事故信息利用事故模型进行计算，将计算结果反馈给客户终端，用于交通事故自助定损；利用本发明系统可由用户自助操作，只需将事故照片输入系统，系统即可根据车标以及受损情况，通过深度学习训练好的模型准确计算出车辆损失情况，避免了等待定损人员到现场才能处理的情况，加快了交通事故处理速度，有利于交通秩序的流畅性。

技术领域

本发明公开一种基于深度学习的交通事故自助定损系统，涉及人工智能应用领域。

背景技术

现如今，随着私家车数量的不断增长，城市交通压力越来越大，特别是在上下班的早晚高峰期间，堵车也成为了大中城市的常态。然而，在这个快节奏的时代，有些司机往往不能沉下心依次排队通过拥堵路段，而是选择在车流中随意穿插、加塞，有时还会有“路怒”现象。这些行为大大增加了交通事故出现的概率。一旦出现交通事故，如不能及时快速的处理完毕，会使得本就拥堵的道路更加拥堵，形成恶性循环。

鉴于此，本发明提出一种基于深度学习的交通事故自助定损系统，该系统可由用户自助操作，只需将事故照片输入系统，系统即可根据车标以及受损情况，通过深度学习训练好的模型准确计算出车辆损失情况，避免了等待定损人员到现场才能处理的情况，加快了交通事故处理速度，有利于交通秩序的流畅性。

发明内容

本发明针对现有技术的问题，提供一种基于深度学习的交通事故自助定损系统，系统分客户端和服务端。客户端为手机APP，用户拍摄和上传事故照片；服务端为后台云服务器，负责训练事故模型和识别事故照片受损中车辆损失情况，并将计算结果反馈给客户端APP，供保险公司和用户参考。

本发明提出的具体方案是：

一种基于深度学习的交通事故自助定损系统：

包括客户终端和服务端，

客户终端采集事故信息，发送给服务端，

服务端搭建Tensorflow的三层神经网络，获取交通事故图像信息，定义参数，构造隐层网络，构造预测输出层，利用BP算法训练建立事故模型，

服务端识别客户终端采集的事故信息利用事故模型进行计算，

将计算结果反馈给客户终端，用于交通事故自助定损。

所述的系统中定义参数时，定义超参数和placeholder，

同时定义参数w和b，利用tf.random_normal()生成正态分布的随机数对w和b进行赋值。

所述的系统中超参数包括learning_rate、epochs及batch_size。

所述的系统中Tensorflow利用BP算法定义loss层，同时利用BP算法优化Tensorflow的优化器。

所述的系统中Tensorflow在训练建立事故模型前定义初始化operation和准确率node。

所述的系统中将事故模型转化为二进制文本，Tensorflow使用freeze_graph.py工具将客户终端采集的事故信息的参数与事故模型整合到一起，便于进行计算。

一种基于深度学习的交通事故自助定损方法，利用所述的系统，

通过客户终端采集事故信息，发送给服务端，

利用服务端搭建Tensorflow的三层神经网络，获取交通事故图像信息，定义参数，构造隐层网络，构造预测输出层，利用BP算法训练建立事故模型，