Kfz-Versicherungen – Gutachten erstellen und Schäden erkennen bei Autounfällen

Kfz-Versicherungen – Gutachten erstellen und Schäden erkennen bei Autounfällen

Herausforderung

Eurapco ist ein Zusammenschluss mehrerer großer und unabhängiger europäischer Versicherungsunternehmen mit der Rechtsform VVaG. Ihm gehören 8 Partner an, die in 16 europäischen Ländern vertreten sind und mehr als 43 Millionen EU-Bürger versichern.
Die Vorkalkulation der Reparaturkosten bei Kfz-Schäden ist ein sehr anspruchsvoller und kostspieliger Prozess.

Qualifizierte Gutachter werten Schadensbilder anhand visueller Analysen aus und erstellen dann einen Kostenvoranschlag oder ein Gutachten.
Es dauert oftmals sehr lange, bis der Schaden analysiert ist, und meist sind die Zahlen nicht präzise genug, die als voraussichtliche Kosten angegeben werden.

    • Lokalisierung des Kfz-Schadens (semantische Segmentierung)
    • Vorkalkulation der Reparaturkosten (Regression)
    • Erkennung der Autoteile: Autoteile in einem Foto erkennen (Klassifizierung mit mehreren Labeln)
    • Unterstützung für Fotos von beliebiger Größe
    • Semantische Datenextraktion auf hohem Level
    • Unterstützung mehrerer Skalierungen von Fotoelementen (Nahaufnahmen und Fotos vom gesamten Fahrzeug)
    • Ressourcenschonendes Modell (GCP mit
      1 GPU wegen Budgetbeschränkungen)
    • Das Tensorflow-Modell sollte in die
      TF-Estimator-API integriert sein und sofort in ml-Engine einsatzbereit sein.
  1. ok_iconCreated with Sketch.
    Es muss ein Prototyp mithilfe von Deep Learning erstellt werden, über den die voraussichtlichen Reparaturkosten bei Kfz-Schäden präzise ermittelt werden können
  2. ok_iconCreated with Sketch.
    Der Prototyp muss die Erstellung von Gutachten bei Kfz-Schäden beschleunigen
  3. ok_iconCreated with Sketch.
    GPU-Beschleunigung soll bei der Skalierung des Vorgangs helfen, indem die Leistungsfähigkeit von Deep-Learning-Modellen wesentlich verbessert wird
Lösung

Ziel war es, mithilfe von Deep Learning ein System zu entwickeln, mit dem die voraussichtlichen Reparaturkosten bei Kfz-Schäden genau ermittelt werden können. So sollen Fehler bei manuellen Auswertungen vermieden werden, die entstehen können, wenn Gutachter keinen Zugriff auf tatsächliche Daten für Reparaturkosten haben oder ihr Wissen veraltet ist.

Methode

Datenvorverarbeitung

Normierung der einzelnen Bildpixelwerte [0, 1]

Überprüfungsmethode

Geschichtete K-Fold-Prüfung des Schadensbereichs

Testzeit-Augmentierungen

  • Zufällige Bildschnitte
  • Zufällige horizontale Drehungen
  • Höhere Bildschärfe
  • Weichzeichnen
  • Umwandlung von Bildern in HSV mit Erhöhung des H-Werts der Pixel um 10 bis 50
Lösung
GPU-Beschleunigung

Zu Beginn des Projekts wurde GCP mit NVIDIA K80 verwendet. Aufgrund von Budgetbeschränkungen konnte das Modell nicht auf die Instanz mit mehreren GPUs skaliert werden. Im Laufe des Projekts wurde daher zur NVIDIA P100 GPU Instanz gewechselt.

Dadurch erhöhte sich die Iterationsgeschwindigkeit des Modells bei gleichem Budget um das 1,67-fache (5-fache Geschwindigkeit der GPU im Vergleich zum 3-fachen Preis).

Architektur des modells

Um semantische Segmentierungsaufgaben zu lösen, wurde die UNet-basierte Architektur mit einem InceptionResNetV2-Encoder verwendet.

Motivation

  • Kombination von semantischen Funktionen auf niedrigem Level mit hoher Auflösung und semantischen Funktionen auf hohem Level mit niedriger Auflösung zur Wiederherstellung der Auflösung (um detaillierte Objektgrenzen zu erhalten).
  • U-Net wurde ursprünglich für medizinische Datensets verwendet, die meist klein sind.
  • Begrenzte Rechenressourcen

Architektur des UNet-Modells
Architektur des UNet-Modells

Verlustfunktion

CE-Verlust

Berücksichtigt die Präzision einer Vorhersage, bestraft den Klassifikator stark für 100%ige Sicherheit, erfasst jedoch nicht die Merkmale der Topologie

Würfelverlust

Für unausgeglichene Daten geeignet (harmonisches Mittel aus Präzision und Erinnerung)

Zusammenfassung

Mit Deep Learning können Gutachten bei Kfz-Schäden schneller erstellt werden und die Genauigkeit der geschätzten Reparaturkosten kann verbessert werden.

GPU-Beschleunigung hilft bei der Skalierung des Vorgangs, indem die Leistungsfähigkeit von Deep-Learning-Modellen wesentlich verbessert wird.

Lernen Sie mit Ciklum Deep Learning-Experten die reale KI näher kennen

Überprüfen Sie unsere KI Services
Lesen Sie die nächste Story

Nahtlose Veröffentlichung von 31 mobilen Apps mit funktionaler Qualitätssicherung

Mehr lesen
Was ist Ihre Herausforderung? Lassen Sie uns Ihnen mit unserer Erfahrung bei der Lösung helfen.
Datei hochladen

(Dateianforderungen: pdf, doc, docx, rtf, ppt, pptx)

Wenn Sie das ausgefüllte Kontaktformular absenden, werden Ihre persönlichen Daten von der Ciklum Group und ihren Tochtergesellschaften weltweit verarbeitet. Bitte lesen Sie unsere Datenschutzerklärung für weitere Informationen. Wenn Sie Fragen zu Ihren Rechten haben oder später Ihre Einwilligung widerrufen möchten, senden Sie uns bitte Ihre Anfrage.

Karriere
Hier finden Sie Jobangebote an unseren Standorten weltweit.
offene Stellen