Fordonsbildsannotering för försäkringsanspråk, reparationsuppskattning och flottinspektion AI — Fallstudie
Hur Shaip levererade specialiserad annotering av fordonsskador som kombinerade polygonsegmentering av varje karossdel med skadeklassificering i 11 klasser och reparationsrekommendationer på komponentnivå – byggd som en produktionsklassad datauppsättning för automatiserad behandling av försäkringsanspråk och fordonsinspektion med AI.
Projektöversikt
I takt med att försäkrings- och fordons-AI går mot automatiserad skadebedömning och fordonsinspektion behövde kunden en annoteringspipeline som kunde segmentera varje karossdel i ett fordon tillsammans med detaljerad skadeklassificering – på en granularitetsnivå som stöder reparationsrekommendationer på komponentnivå.
Shaip byggde en heltäckande annoteringspipelin som täcker polygonsegmentering av karossdelar, skadeklassificering med 11 klasser, märkning av attribut för allvarlighetsgrad, plats och reparation samt flerskiktad skadeintelligens – och producerar modellfärdiga datamängder för automatiserad fordonsinspektion och AI för försäkringsanspråk.
Nyckelstatistik
Täckning av kroppsdelar
Heltäckande exteriör
Skadeklasser
11
Attributlager
4
Reparera Taggar
4-typer
Utmaningar
- segmente~~POS=TRUNC varje kroppsdel — stötfångare, dörrar, lampor, skärmar, lättmetallfälgar, speglar, stolpar
- Klassificering 11 olika skadetyper — repa, buckla, spricka, splitter, färgflagning, rost, saknad del, krossat glas
- Särskiljande subtil skada från ytreflektioner, smuts och skuggor
- Arbetsmiljö överlappande skadetyper på en enda panel med flera taggar
- Generera reparationsrekommendationer på komponentnivå — polera, måla om, renovera, byta ut
Lösning
Kroppsdelspolygonsegmentering
Varje synlig karossdel på varje fordon annoterades individuellt med hjälp av exakt polygonsegmentering eller avgränsande rutor, som täckte hela den exteriöra strukturen – främre och bakre stötfångare, motorhuv, bagageutrymme, tak, fram- och bakrutor, sidorutor, vänster och höger dörrar, skärmar, sidospeglar, strålkastare, bakljus, grill, stolpar, sidokjolar, hjulhus och lättmetallfälgar.
11-klass skadeklassificering
Varje kommenterad karossdel märktes med en detaljerad skadeklassificering som omfattade inga skador, lätta repor, djupa repor, bucklor, sprickor, splitter, färgflagning, rost, deformation, saknade delar och krossat glas. Denna detaljerade skadeklassificering stöder reparationsbedömning på komponentnivå nedströms.
Flerskiktad skadainformation
Ytterligare kontextuella attribut tillämpades på varje annotering, inklusive skadans allvarlighetsgrad (mindre, måttlig, allvarlig), skadans plats på delen (överst, mitten, nedre, vänster kant, höger kant), reparationsrekommendation (polering, ommålning, panelbearbetning, utbyte) och delens övergripande skickpoäng. Denna flerskiktade taggning gör det möjligt för AI-modellen att generera reparationsrekommendationer på komponentnivå direkt från bilddata.
Subtil skadedifferentiering
Annotatörerna följde strikta visuella riktlinjer för att skilja mellan reptyper, bucklornas djup och sprickmönster på olika fordonsytor, inklusive metallpaneler, plaststötfångare och glaskomponenter. Lätta repor och lackskador särskildes noggrant från normala ytreflektioner eller smutsmärken.
Kantskydd och paneler för flera skador
Kantfall inkluderade skador på böjda ytor som krävde högprecisions polygonspårning, kraftigt skadade fordon med flera överlappande skadetyper på samma panel, gamla kontra nya skador som särskiljdes genom ytoxidation och lackkondition, och skador som syns i reflektioner eller vid extrema kameravinklar. Utomhusbilder ökade komplexiteten genom skugginterferens och bländning på metallytor.
Projektets omfattning
| Dataset typ | Rapportering | Skadeklasser | Svårighetsnivåer | Reparera Taggar | Metoder |
|---|---|---|---|---|---|
| Fordonsskada + karosseridel | Hel exteriör | 11 klasser | 3 (lindrig / måttlig / svår) | 4 (polering / ommålning / panelrenovering / byte) | Polygon + ruta |
Utkomster
- Etablerade en fullständig segmenteringspipeline för yttre karossdelar med skadeklassificering
- standardiserad 11-klassig skadetaxonomi omspännande av grunden till den saknade delen
- Levererat 4-lagers skadeintelligens (allvarlighetsgrad, plats, reparationsrekommendation, skickpoäng)
- Genomförda subtil skadedifferentiering skilja skador från reflektioner och smuts
- Aktiverade klientens automatisering av försäkringsanspråk, reparationsuppskattning, inspektion av fordonsflottan och värdering av begagnade bilar AI
Sammantaget hjälpte Shaip till att omvandla ett komplext krav på anteckningar om fordonsskador till en strukturerad, produktionsklar pipeline – en som kan stödja automatiserad bedömning av försäkringsanspråk, uppskattning av reparationskostnader, automatisering av flottinspektioner och AI för värdering av begagnade bilar med reparationsintelligens på komponentnivå.
Shaips pipeline för fordonsskador levererade exakt vad vår automatiserade skadehantering behövde – varje karossdel segmenterad, varje skadetyp klassificerad, varje reparationsrekommendation taggad. Granulariteten översattes direkt till snabbare och mer exakta skadebeslut.
