Evaluering af forsikringsskader på biler, omkostninger og skadedetektering

Eurapco er en alliance af store uafhængige, gensidige, europæiske forsikringsselskaber, der består af otte partnere, som opererer i 16 lande i hele Europa. Over 43 millioner EU-borgere har tillid til Eurapco-partnerne.
Omkostningsevaluering af anmeldelse af forsikringsskader på biler er en meget krævende og dyr proces.

Højt uddannede eksperter behandler billederne fra skadesanmeldelserne med visuel analyse og udarbejder en sammenfattende rapport. Det tager lang tid at evaluere anmeldelsen, og ofte er de estimerede omkostninger ikke tilpas nøjagtige.

Målet var at bygge et system ved brug af Deep Learning, der vil estimere reparationsomkostninger præcist ved skadesanmeldelser. Dette eliminerer fejl i manuelle evalueringer fra eksperterne, der ikke har adgang til de faktiske data med reparationsomkostninger
eller hvis viden er forældet.

Metode

Bearbejdning af data

Normalisering af hver billedpixelværdi til at være indenfor [0, 1]

Valideringsteknik

Stratificeret KFold baserer sig på skadeområde

Forøgelse af træningstid

• Tilfældige udvælgelser
• Tilfældige vandrette vendinger af billeder
• Gør billedet skarpere
• Gaussisk sløring
• Konvertering af billeder til HSV, forøgelse af hver pixels H-værdi med 10 til 50

For at løse semantiske segmenteringsopgaver blev der brugt en UNet-baseret arkitektur med en InceptionResNetV2-kode.

Motivation

• CKombination af semantiske funktioner på lavt niveau med høj opløsning og semantiske funktioner på højt niveau med lav opløsning til opløsningsgendannelse (for at opnå mere detaljerede objektgrænser).
• U-Net blev oprindeligt brugt til medicinske datasæt, som normalt er små
• Begrænsede computerressourcer

UNet-modelarkitektur

Anvendelse af Deep Learning-metoden hjælper med at spare tid i omkostningsvurderingen af bilanmeldelser og foretage mere nøjagtige omkostningsestimater.

GPU-acceleration hjælper med at skalere processen ved kraftig styrkelse af ydeevnen for modeller til deep learning.