“定損寶”是螞蟻金服在2017年6月28號的發布會上公開的一款基于深度學習和AI技術的車險自動定損的解決方案。有了“定損寶”，將來出車險時，保險公司就不再需要派專員到現場，用戶也只需簡單拍攝幾張現場照片就可以完成整個定損出險的流程。不僅節省了用戶的時間，也降低了保險公司出險的成本?？梢哉f這是繼人臉識別應用在金融和安防領域之后，計算機視覺技術又開辟另一個大市場。這對AI特別是計算機視覺技術的發展和繁榮都有重大意義。做為該領域的從業人員，我無比的興奮激動，仿佛升職加薪就在眼前了。
自“定損寶”發布以后有不少新聞報道過，然而但凡涉及技術上的問題這些文章都一帶而過；即使在發布會上螞蟻金服也對其技術細節諱莫如深，讓琢磨不透。根據目前掌握的這些公開信息，我總結了一下“定損寶”的技術原理，希望幫助大家理解它背后的這些技術。
- “定損寶”自動定損流程
從發布會的演示來看，定損第一步：按照定損寶提示的要求，依次上傳車輛的全景照片、受損部位照片以及受損部位細節照片；
上傳的照片就是自動定損模型的輸入。從定損寶的照片要求來分析，它先通過全景照片來定位受損部件，然后用細節照片來分析損傷程度。
之后，定損寶在云端服務器的算法模型根據用戶上傳圖片進行判定，在幾秒內給出準確的定損結論。
2 . 定損技術分析
定損寶背后隱含了幾乎所有計算機視覺經典的問題，從數字處理，物體監測和識別，到場景理解和智能決策，背后涉及到目標識別、車輛損失的程度判定，多模態與其他數據的結合等技術。 上圖比較清楚的展示了定損寶的底層技術和識別流程。
2.1 部件識別
部件識別是一個典型的目標檢測的問題，從一個車的圖片中檢測出各個部件的類別和位置，如識別圖片中哪里是前機蓋、左前大燈、保險杠、格柵等等。目前流行使用Faster RCNN和SSD等網絡來完成這類問題。
2.2 受損程度判定
損傷程度的判定是整個定損中的核心環節。在真實環境中，照片拍攝的車體損傷非常容易受到反光、陰影、污漬、車體流線型干擾以及拍攝角度的影響，從而造成誤判，即使是人眼通過照片觀察，也很難區分。定損寶針對不同的車型、顏色和光照條件進行模型迭代學習，融合多個模型的經驗, 產出了現在的定損寶解決方案。該技術能夠輸出針對各種程度的刮擦、變形、部件的開裂和脫落等損傷的定損結論。
簡單來說，受損程度判定是一個圖片分類問題，定損寶把損傷分成了四個大類別：刮擦、變形、部件的開裂和脫落， 各個大類別里面應該根據不同的程度還有細分成小類別。分好類別后，還需為各類別的準備大量標注好的圖片。目前有很多不錯的深度神經網絡可以解決圖片分類問題， 如： ResNet， Inception-V3/V4 等等。
2.3 生成維修方案
有上面兩步確定了損傷部件和部件損傷程度后，剩下的就是確立維修方案了。其實這一步也好辦，就是要總結和設計一些保險行業在車輛維修過程中的規則。比如：輕度的剮蹭對應的維修方案為噴漆，中度對應為鈑金，重度損傷為更換。
最后就是出報價，這個更加簡單了，根據車輛識別碼(VIN碼）去數據庫中查找該車各個部件的OE碼，然后根據OE碼就能找到各個部件維修和更換的價格了。 每個保險公司的報價可能不一樣，最后出的價格也可能不一樣。
總的來說，定損寶背后的技術其實不難，關鍵是訓練這些模型的數據量大，清洗標注這些數據更是難上加難了。如果有這些數據，你也能訓練一個定損寶出來。
