Επιθεώρηση ζημιών με AI - Αυτοματοποίηση διεκπεραίωσης αξιώσεων για ασφάλιση

Εισαγωγή

Αυτό το άρθρο θα σας καθοδηγήσει στον τρόπο με τον οποίο οι ασφαλιστικές εταιρείες μπορούν να χρησιμοποιήσουν την τεχνητή νοημοσύνη για να αυτοματοποιήσουν την επεξεργασία αξιώσεων εντοπίζοντας αυτόματα διάφορα είδη ζημιών - κινητά τηλέφωνα, οχήματα, στέγες κ.λπ. Θα μάθουμε επίσης πώς να φτιάχνουμε έναν απλό δυαδικό ταξινομητή που θα ταξινομεί τις εικόνες οχημάτων σε κατεστραμμένο ή μη χρήση fast.ai.

Η ασφάλιση είναι μια από τις παλαιότερες και πιο παραδοσιακές βιομηχανίες και μέχρι πρόσφατα ήταν πολύ ανθεκτική στις αλλαγές. Οι εταιρείες Insurtech εστιάζουν στην προστιθέμενη αξία μέσω της αυτοματοποίησης εργασιών χρησιμοποιώντας διαφορετικές μεθόδους τεχνητής νοημοσύνης. Τοποθετούν την προστιθέμενη αξία τους στους τομείς της επεξεργασίας φυσικών γλωσσών, της όρασης υπολογιστή και της μηχανικής μάθησης. Χρησιμοποιώντας πανταχού παρόντα δεδομένα από διαφορετικές πηγές για να προσφέρουμε βαθύτερες πληροφορίες και εξατομικευμένα σχέδια για τους πελάτες τους.

---

Έχω ένα οπτική επιθεώρηση πρόβλημα στο μυαλό; Θέλετε να εντοπίσετε αυτόματα πού έχει υποστεί ζημιά ένα όχημα και με ποια σοβαρότητα; Νανοδίκτυα API OCR έχει πολλά ενδιαφέροντα περιπτώσεις χρήσης. Μιλήστε με έναν ειδικό της Nanonets AI για να μάθετε περισσότερα.

Προγραμματίστε μια κλήση

---

Αυτοματοποίηση επεξεργασίας αξιώσεων

Η διεκπεραίωση των αξιώσεων είναι μία από τις περιπτώσεις χρήσης αυτοματισμού στην ασφάλιση που ήδη βλέπει το μεγάλο όφελος με την εφαρμογή του υπολογιστή. Η γρήγορη και αποτελεσματική διεκπεραίωση απαιτήσεων είναι υψίστης σημασίας για την επιτυχία των ασφαλιστικών εταιρειών.

Οι τελευταίες εξελίξεις στους αλγορίθμους όρασης υπολογιστών που χρησιμοποιούν βαθιά μάθηση επιτυγχάνουν ενδιαφέροντα αποτελέσματα στην ταξινόμηση των εικόνων, την ανίχνευση αντικειμένων και την τμηματοποίηση της εικόνας. Οι εφαρμογές εξακολουθούν να εμφανίζονται, ένας αυξανόμενος αριθμός εταιρειών αρχίζει να βλέπει αυτήν την τεχνολογία ως έναν τρόπο για να κάνει τις διαδικασίες ασφαλιστικών απαιτήσεων ευκολότερες και αποδοτικότερες ως μία από τις μεγαλύτερες προκλήσεις της ασφαλιστικής βιομηχανίας.

Η διεκπεραίωση των αξιώσεων το 2030 παραμένει πρωταρχική λειτουργία των ασφαλιστικών φορέων, αλλά ο συνολικός αριθμός που σχετίζεται με μη αυτόματες αξιώσεις μειώνεται κατά 70-90% σε σύγκριση με τα επίπεδα του 2018. - Έρευνα McKinsey

Η μη αυτόματη επιθεώρηση για διεκπεραίωση αξιώσεων δεν είναι επεκτάσιμη και επιρρεπής σε σφάλματα. Η αυτόματη εκτίμηση των ζημιών μέσω ανάλυσης εικόνας είναι πολύ πιο γρήγορη και ακριβέστερη και θα γίνει ακόμη καλύτερη καθώς συλλέγουν όλο και περισσότερα δεδομένα για κάθε περίπτωση χρήσης. Εδώ είναι μερικές από τις μελλοντικές περιπτώσεις χρήσης insurtech που έχουν ήδη δημιουργηθεί σήμερα.

Αυτόματη επιθεώρηση ζημιάς οχήματος

Οι επιθεωρήσεις είναι συχνά το πρώτο βήμα της διαδικασίας διεκδίκησης ασφάλισης αυτοκινήτου. Με τη βαθιά μάθηση μπορούμε να εντοπίσουμε αυτόματα γρατσουνιές, βαθουλώματα, σκουριά, θραύσεις. Μπορούμε επίσης να εντοπίσουμε ποιο τμήμα του οχήματος έχει υποστεί ζημιά και με ποια σοβαρότητα. Το όχημα μπορεί να ελεγχθεί αυτόματα χρησιμοποιώντας εικόνες ή ροές βίντεο δημιουργώντας μια επισκόπηση 360 °. Μετά την επιθεώρηση, η αναφορά μπορεί να δημιουργηθεί με μια λίστα ζημιών και εκτιμώμενη επισκευή κόστους.

---

Μπορείτε να μάθετε περισσότερα για τη λύση Nanonets για αυτόματη ανίχνευση ζημιών στο όχημα εδώ

---

Αξιολόγηση κηφήνων για ασφάλιση στέγης

Η επιθεώρηση στεγών είναι επικίνδυνη και χρονοβόρα εργασία. Η χειροκίνητη λήψη μετρήσεων ή η μη αυτόματη εκτίμηση της ζημιάς ήταν πάντα μέρος αυτής της επιχείρησης. Μια νέα προσέγγιση με τη χρήση δορυφορικών, αεροφωτογραφικών εικόνων σε συνδυασμό με έναν αυξανόμενο αριθμό άλλων χαρακτηριστικών δεδομένων όπως ο ιστορικός καιρός, για τον προσδιορισμό των χαρακτηριστικών και της κατάστασης μιας στέγης και του κινδύνου μελλοντικών ασφαλιστικών απαιτήσεων. Η τεχνολογία υπολογιστικής όρασης μπορεί να ανιχνεύσει αυτόματα το σχήμα της στέγης, το υλικό, τις ζημιές, τη συγκέντρωση και τη σκουριά. Οι ασφαλιστές μπορούν να βρουν τις σωστές καλύψεις και τις τιμές για τους πελάτες τους.

---

Μπορείτε να μάθετε περισσότερα σχετικά με τη λύση Nanonets για την εκτίμηση ζημιών στη στέγη εδώ

---

Επιθεώρηση ζημιάς στην οθόνη του κινητού

Η ασφάλιση κινητών τηλεφώνων είναι ουσιαστικά ένας τύπος ασφαλιστικής κάλυψης που προστατεύει τα μηχανικά κατεστραμμένα κινητά τηλέφωνα. Οι εταιρείες που πωλούν ασφάλιση κινητής τηλεφωνίας ασχολούνται με ασφαλιστικές αξιώσεις με τις περισσότερες περιπτώσεις να έχουν ρωγμή οθόνης ή ζημιά από κινητά. Η αυτοματοποίηση του μεγαλύτερου όγκου επεξεργασίας αξιώσεων από το κινητό τηλέφωνο θα μειώσει τεράστια έξοδα. Η κύρια ιδέα είναι να ταξινομήσουμε τις εικόνες των κινητών τηλεφώνων σε δύο κατηγορίες. Κάποιος δηλώνει ότι το κινητό είναι κατεστραμμένο και άλλο είναι χωρίς ζημιά. Συνδυάζοντας αυτήν την προσέγγιση με OCR για τον εντοπισμό του σειριακού αριθμού τηλεφώνου και την εξαγωγή άλλων σημαντικών δεδομένων, οι αξιώσεις μπορούν να επιταχυνθούν περαιτέρω.

---

Μπορείτε να μάθετε περισσότερα σχετικά με τη λύση Nanonets για αυτόματη ανίχνευση ζημιών από κινητά εδώ

---

Οπτική αναγνώριση χαρακτήρων

Εργασία όρασης υπολογιστή για τη μετατροπή εικόνων με χαρακτήρες ή σαρωμένα έγγραφα σε αναγνώσιμο από υπολογιστή κείμενο. Η επεξεργασία ασφαλιστικών απαιτήσεων με OCR είναι ένα από τα προϊόντα που έρχονται πρώτα στο μυαλό μας. Στην ουσία, είναι η διαδικασία αυτόματης συμπλήρωσης των εντύπων και των εγγράφων που πρέπει να υποβάλλονται σε συστηματική επεξεργασία και ψηφιακή αποθήκευση.

---

Μπορείτε να μάθετε περισσότερα για τη λύση Nanonets για ψηφιοποίηση φόρμας χρησιμοποιώντας το OCR εδώ

---

Ακολουθεί μια σύντομη επισκόπηση των πιο δημοφιλών εργαλείων και υπηρεσιών που μπορούν να χρησιμοποιηθούν για την επιθεώρηση ζημιών σε οχήματα.

Αναγνώριση Amazon διευκολύνει την προσθήκη ανάλυσης εικόνας και βίντεο στις εφαρμογές σας. Δεν απαιτεί καμία βαθιά εμπειρία μάθησης για χρήση. Η αναγνώριση βασίζεται σε μια εξαιρετικά επεκτάσιμη, βαθιά τεχνολογία μάθησης που αναπτύχθηκε από τους επιστήμονες της ηλεκτρονικής όρασης του Amazon. Η πλατφόρμα Amazon προσφέρει ανίχνευση και αναγνώριση για αντικείμενα, εκδηλώσεις ή δραστηριότητες. Χρησιμοποιείται κυρίως με ανίχνευση προσώπου, αναγνώριση και αναγνώριση. Η αναγνώριση δεν έχει μοντέλο επιθεώρησης ζημιών, αλλά AWS Marketplace προσφέρει πολλά επιμελημένα λογισμικά και υπηρεσίες τρίτων που χρειάζονται οι πελάτες για να δημιουργήσουν λύσεις και να διευθύνουν τις επιχειρήσεις τους. Δεν υπάρχει εύκολη λύση για τη δημιουργία ενός μοντέλου ταξινόμησης εικόνας για τη συγκεκριμένη περίπτωση χρήσης.

Google Cloud Vision AI θα μπορούσε να χωριστεί σε δύο μεγαλύτερες κατηγορίες, το AutoML Vision και το Vision API. Το Vision API είναι API που προσφέρεται από προ-εκπαιδευμένα μοντέλα της Google παρόμοια με το Amazon Recognition και το στούντιο Azure Machine Learning. AutoML Vision είναι πολύ ενδιαφέρον γιατί μπορείτε να δημιουργήσετε το προσαρμοσμένο μοντέλο σας εκπαιδεύοντας προσαρμοσμένες εικόνες. Τα μοντέλα εκπαιδεύονται για να ταξινομούν αυτόματα τις εικόνες σύμφωνα με τις ετικέτες που ορίζετε. Με ένα έτοιμο σύνολο δεδομένων εικόνων υψηλής ποιότητας, φαίνεται ότι είναι ο ευκολότερος τρόπος για την ανάπτυξη ενός ισχυρού μοντέλου επιθεώρησης ζημιών στο όχημα. Προετοιμάστε τις εικόνες των οχημάτων σε 2 ετικέτες (κατεστραμμένες, μη φθαρμένες) και ακολουθήστε την τεκμηρίωση.

Στούντιο Azure Machine Learning είναι ένα απλό, βασισμένο σε πρόγραμμα περιήγησης, οπτικό περιβάλλον σύνταξης μεταφοράς και απόθεσης όπου δεν απαιτείται κωδικοποίηση. Μια πλήρως διαχειριζόμενη υπηρεσία cloud που σας επιτρέπει να δημιουργήσετε, να αναπτύξετε και να μοιραστείτε εύκολα προγνωστικές λύσεις ανάλυσης. Απαιτείται μια ενδιαφέρουσα προσέγγιση για τα οπτικά σενάρια των μοντέλων, αλλά απαιτείται ακόμη γνώση τομέα της μηχανικής μάθησης. Οι προγραμματιστές με εξειδίκευση μπορούν να είναι πιο αποτελεσματικοί χρησιμοποιώντας το στούντιο ή υπηρεσία azure machine learning.

---

Επιθεώρηση ζημιών οχήματος

Οι ασφαλιστές αρχίζουν να χρησιμοποιούν βαθιά μάθηση για να βελτιώσουν την επιχειρησιακή αποδοτικότητα και να βελτιώσουν την εμπειρία των πελατών μειώνοντας παράλληλα τον χρόνο διακανονισμού των απαιτήσεων. Τα προγνωστικά μοντέλα υπολογιστικής όρασης και βαθιάς μάθησης αναπτύσσονται γρηγορότερα και ακόμη και χωρίς δεξιότητες προγραμματισμού, καθώς πολλές εταιρείες προσφέρουν εκπαίδευση σε μοντέλα cloud, λογισμικά ως υπηρεσία ή API όρασης υπολογιστή. Τεχνολογικοί γίγαντες όπως η Google, η Microsoft και η Amazon επενδύουν σε μεγάλο βαθμό για την ανάπτυξη και τη βελτίωση σύνθετων αλγορίθμων που παρέχουν με ασφάλεια κρυφές και σημαντικές πληροφορίες από την επεξεργασία εικόνων σε χιλιοστά του δευτερολέπτου.

Οι εταιρείες συχνά αποφεύγουν τις τεχνολογίες όρασης που βασίζονται σε τεχνολογία AI, λόγω της πολυπλοκότητάς τους και των απαιτήσεων των προγραμματιστών με εκτεταμένη εμπειρία. Τα μοντέλα που χρησιμοποιούνται στην παραγωγή απαιτούν εκτεταμένη υπολογιστική κατάρτιση και γενικά πολλές εικόνες δείγματος. Είναι δύσκολο να συλλεχθούν σχετικά δεδομένα ποιότητας και για ορισμένες περιπτώσεις χρήσης, τα σύνολα δεδομένων απλά δεν είναι διαθέσιμα.

Η αυτοματοποιημένη επιθεώρηση ζημιών οχημάτων αποτελεί κρίσιμο στοιχείο για τον αποτελεσματικό εκδότη ασφάλισης οχημάτων. Πώς θα μοιάζει η τέλεια ροή επιθεώρησης ζημιών οχήματος;

1. Ο πελάτης ανεβάζει καθαρές εικόνες του ασφαλισμένου οχήματος στην πλατφόρμα επεξεργασίας ασφαλιστικών απαιτήσεων
2. Η πλατφόρμα επαληθεύει αυτόματα ότι έχουν οι εικόνες επαρκή ποιότητα για τη διεξαγωγή της επιθεώρησης
3. Ειδοποίηση του πελάτη εάν οι εικόνες πρέπει να επαναφορτωθούν.
4. Εκτελέστε μοντέλα για επιθεώρηση ζημιών οχήματος που δίνει κουτιά γύρω από περιοχές που έχουν υποστεί ζημιά, εντοπίστε ποιο μέρος του οχήματος έχει υποστεί ζημιά και τι είδους ζημιά μπορεί να είναι σαν σκουριά, βαθουλώματα, γρατσουνιές κ.λπ.
5. Το δεύτερο βήμα θα μπορούσε να είναι περαιτέρω επεξεργασία των κατεστραμμένων εικόνων του οχήματος να κάνετε μια πιο λεπτομερή αναφορά της ζημιάς, όπως να προσδιορίσετε ποια μέρη του αυτοκινήτου υπέστη ζημιά και τη σοβαρότητα της ζημιάς.
6. Έκθεση οικοδόμησης που επιλύει τον ισχυρισμό ή δημιουργεί μια αναφορά για περαιτέρω έλεγχο από τον μη αυτόματο αναθεωρητή σε περίπτωση υψηλότερης αβεβαιότητας από το μοντέλο

Βήματα για τη δημιουργία ενός μοντέλου επιθεώρησης ζημιών οχήματος

Θα δούμε τώρα ποιες είναι μερικές από τις προκλήσεις της αυτόματης επιθεώρησης ζημιών και αργότερα θα δούμε ένα απλό μοντέλο επιθεώρησης ζημιών οχημάτων που μπορεί να χρησιμοποιηθεί με συλλεγμένα δεδομένα ως βασικό μοντέλο.

Σύνολο δεδομένων ζημιών οχήματος

Το κύριο πράγμα κατά την έναρξη της έρευνας σε βάθος μάθησης είναι να έχετε ένα σύνολο δεδομένων υψηλής ποιότητας με πολλές εικόνες. Τα μοντέλα βαθιάς μάθησης λειτουργούν καλύτερα με μεγαλύτερα, πιο ισορροπημένα σύνολα δεδομένων και μπορούν να βελτιωθούν περαιτέρω με την προσθήκη της διαδικασίας αύξησης δεδομένων.

Τα σύνολα δεδομένων για την αυτόματη επιθεώρηση ζημιών οχημάτων δεν είναι διαθέσιμα στο κοινό. Οι ασφαλιστικές εταιρείες που εμπλέκονται στην ασφάλιση οχημάτων θα πρέπει να έχουν ήδη μια στρατηγική για τη συλλογή και οργάνωση της συλλογής δεδομένων από εικόνες οχημάτων. Αυτή η διαδικασία συλλογής και αποθήκευσης δεδομένων θα πρέπει να χρησιμοποιείται για όλες τις περιπτώσεις χρήσης που θα μπορούσαν να αυτοματοποιηθούν στο μέλλον. Μερικά παραδείγματα έχουν ήδη αναφερθεί όπως η επιθεώρηση ζημιών στο κινητό και η ζημιά στο σπίτι.

Το web scraping είναι ένας τρόπος για να δημιουργήσετε ένα βασικό σύνολο δεδομένων για να δημιουργήσετε μερικά βασικά μοντέλα και ιδέες. Χάρη σε FastAI, PyImageSearch θα μπορούσατε εύκολα να λάβετε έναν αξιοπρεπή αριθμό εικόνων για οποιοδήποτε πρόβλημα ταξινόμησης. Ελέγξτε αυτούς τους συνδέσμους για να δείτε πώς είναι δυνατόν Άρθρο PymageSearch, Μεσαίο ιστολόγιο, Βίντεο μαθήματος από fastAI για βήμα προς βήμα εξήγηση. Θα προσθέσω κάποιες συμβουλές που με βοήθησαν:

• Απενεργοποιήστε το adblocker εάν έχετε, επειδή αποκλείει τη μέθοδο συλλογής διευθύνσεων URL
• Δοκιμάστε να χρησιμοποιήσετε διαφορετικούς όρους για αναζήτηση στο ίδιο σύνολο δεδομένων
• Αποθηκεύστε όλες τις διευθύνσεις URL σε αρχείο CSV excel και καταργήστε τα διπλότυπα
• Μετά τη λήψη του φίλτρου για την κατάργηση μη εικόνων

Προεπεξεργασία προσέγγιση

Η προεπεξεργασία είναι μια μέθοδος προετοιμασίας εικόνων για μοντέλα για την επίτευξη καλύτερων αποτελεσμάτων με μοντέλα όρασης υπολογιστή. Εξαρτάται σε μεγάλο βαθμό από τη μέθοδο εξαγωγής χαρακτηριστικών και τον τύπο εικόνας εισαγωγής. Μερικές από τις κοινές μεθόδους είναι:

• Αποκατάσταση εικόνας - εφαρμογή ενός Gaussian ή άλλου φίλτρου για την αφαίρεση θορύβου από εικόνες
• Όριο εικόνας - μέθοδος εφαρμογής τιμής κατωφλίου για κάθε pixel. Εάν η τιμή των εικονοστοιχείων είναι μικρότερη από το όριο, ορίζεται σε 0, διαφορετικά, έχει οριστεί σε μια μέγιστη τιμή
• Ανιχνευτής Canny Edge - ο πιο δημοφιλής ανιχνευτής ακρών, συνήθως συνδυάζεται με τη διαδικασία μετατροπής έγχρωμων εικόνων σε εικόνες κλίμακας του γκρι

Η βιβλιοθήκη που χρησιμοποιείται περισσότερο για την προεπεξεργασία εικόνας είναι το OpenCV. Το OpenCV (Open Source Computer Vision Library) είναι μια βιβλιοθήκη λογισμικού ανοιχτού κώδικα για όραμα υπολογιστή και μηχανική μάθηση. Το OpenCV δημιουργήθηκε για να παρέχει μια κοινή υποδομή για εφαρμογές όρασης υπολογιστή και για να επιταχύνει τη χρήση της αντίληψης του μηχανήματος σε εμπορικά προϊόντα. Διαθέτει διεπαφές C ++, Python, Java και MATLAB και υποστηρίζει Windows, Linux, Android και Mac OS. Το OpenCV προσανατολίζεται κυρίως σε εφαρμογές όρασης σε πραγματικό χρόνο και εκμεταλλεύεται τις οδηγίες MMX και SSE όταν είναι διαθέσιμες.

Το πρόβλημα με την προεπεξεργασία είναι ότι είναι δύσκολο να εκτιμηθεί ποιες τεχνικές προεπεξεργασίας κάνουν τη διαφορά γενικά. Μερικές φορές μπορείτε να σημειώσετε μεγάλη πρόοδο για το σύνολο δεδομένων που χρησιμοποιείτε, αλλά είναι ωφέλιμο μόνο για υποσύνολα εικόνων. Η διαδικασία αξιολόγησης του κέρδους ακρίβειας της χρησιμοποιούμενης μεθόδου προεπεξεργασίας είναι αργή και μπορεί να καταλήξει σε λανθασμένα συμπεράσματα.

Έλλειψη διαθέσιμων στο κοινό μοντέλων

Πολλή έρευνα έχει γίνει στον τομέα της μηχανικής όρασης για την ανίχνευση κατασκευαστικών ελαττωμάτων. Οι τεχνικές που αναπτύχθηκαν για τη βιομηχανία βιομηχανοποίησης απαιτούν ειδικό εξοπλισμό και προσεγγίσεις, αλλά η έλλειψη δημοσίων μοντέλων καθιστά δυσκολότερη την ανάπτυξη ιδεών άλλων ερευνητών. Δεν είναι δυνατή η σύγκριση διαφορών απόδοσης και η διεξαγωγή ευεργετικών συζητήσεων.

---

Κωδικός και αποτελέσματα

Ήμουν σε θέση να εφαρμόσω έναν απλό ταξινομητή για κατεστραμμένα ή μη κατεστραμμένα οχήματα χρησιμοποιώντας το πλαίσιο fast.ai. Μπορείτε να βρείτε το σημειωματάριο σε αυτό αποθετήριο github. Ο κωδικός χρησιμοποιεί μια αρχιτεκτονική resnet34 για την εργασία ταξινόμησης και επιτυγχάνει ακρίβεια 80% όταν εκπαιδεύεται σε 60 εικόνες κατεστραμμένων αυτοκινήτων και 79 εικόνες μη κατεστραμμένων αυτοκινήτων.

Χρησιμοποιούμε το βιβλιοθήκη fast.ai δεδομένου ότι προσφέρει ένα εξαιρετικό API για πρωτότυπο γρήγορο και δοκιμάζοντας διαφορετικά μοντέλα. Το Fastai έχει μια ωραία τάξη για τον χειρισμό όσων σχετίζονται με τις εικόνες εισόδου για εργασίες όρασης. Ονομάζεται ΕικόναDataBunch και έχει διαφορετικές λειτουργίες, ανάλογα με τους διαφορετικούς τρόπους με τους οποίους τα δεδομένα μπορούν να παρουσιαστούν στο δίκτυο. Δεδομένου ότι οι εικόνες μας τοποθετούνται σε φακέλους των οποίων τα ονόματα αντιστοιχούν στις ετικέτες εικόνων, θα χρησιμοποιήσουμε το ImageDataBunch.fromfolder () λειτουργία για τη δημιουργία ενός αντικειμένου που περιέχει τα δεδομένα εικόνας μας.

 # Create path to your image data path = Path('data/vehicle') # Define number of classes, they are called like a folder so it automatically maps from where to read classes = ['vehicle_damaged', 'vehicle_not_damaged'] # Setting up seed for repetability np.random.seed(42) # Create data loader, split images into 80% for training 20% for test and rescale images to 224x224 data = ImageDataBunch.from_folder(path, train='.', valid_pct=0.2, ds_tfms=get_transforms(), size=224, num_workers=4).normalize(imagenet_stats) # Verify dataset print(data.classes, data.c, len(data.train_ds), len(data.valid_ds)) # Model training learn = cnn_learner(data, models.resnet34, metrics=error_rate) # Train for 4 epochs learn.fit_one_cycle(4)

Το μοντέλο για την ταξινόμηση εικόνας πρέπει να εκπαιδεύεται για 4 εποχές, που σημαίνει ότι περνάει από όλες τις εικόνες οχημάτων 4 φορές βελτιώνοντας παράλληλα τις παραμέτρους του μοντέλου. Μπορούμε να το δούμε από την έξοδο, επειδή το ποσοστό σφάλματος μειώνεται.

 # Save weights, so we don't need to retrain (this matters when training is time consuming) learn.save('stage-1') # Must be done before calling lr_find, because we need to unfreeze all layers of the pre-trained model learn.unfreeze() # Plot function for finding the best learning rate learn.lr_find() # Visualize graph where loss is depending on picked learning rate # The best tool to pick a good learning rate for our models # Here we are taking the value of learning rate with the biggest fall in loss # in this example it would be [1e-04, 1e-03] learn.recorder.plot()

Εδώ σώζουμε το εκπαιδευμένο μοντέλο, οπότε δεν χρειάζεται να επαναλάβουμε αυτήν την πρώτη διαδικασία. Η ιδέα είναι να χρησιμοποιήσετε τη μέθοδο lr_find (). Θέλουμε να επιλέξουμε το ποσοστό εκμάθησης που μειώνει περισσότερο την απώλεια. Το γράφημα δείχνει ότι η επιλογή του ποσοστού εκμάθησης μεταξύ [1e-04, 1e-03] μειώνει περισσότερο την απώλεια. Τώρα δεν θέλουμε να επιλέξουμε το ποσοστό εκμάθησης με τη χαμηλότερη απώλεια. Διαβάστε εδώ για περισσότερες πληροφορίες σχετικά με αυτήν την τεχνική.

 # Training model 8 epochs more with learning rates ranging from 1e-04 to 1e-03 learn.fit_one_cycle(8, max_lr=slice(1e-4, 1e-3)) learn.save('stage-2') # Show results learn.show_results()

Αφού βρούμε το καλύτερο εύρος τιμών εκμάθησης, εκπαιδεύστε το μοντέλο για λίγο περισσότερο χρησιμοποιώντας αυτό το νέο εύρος τιμών εκμάθησης που βρήκαμε. Η ιδέα εδώ είναι ότι εκπαιδεύουμε χαμηλότερα επίπεδα του μοντέλου με χαμηλότερα ποσοστά εκμάθησης επειδή είναι προ-εκπαιδευμένα στο Imagenet. Τα υψηλότερα επίπεδα πρέπει να εκπαιδεύονται με υψηλότερο ποσοστό εκμάθησης για να βελτιστοποιήσουν το μοντέλο ταξινόμησης για το σύνολο δεδομένων μας. Λάβετε υπόψη ότι ίσως έχετε διαφορετικά επίπεδα ακρίβειας, ακόμα περίπου ~ 80% ακρίβεια.

---

Υπάρχει, φυσικά, ένας πολύ καλύτερος, απλούστερος και πιο διαισθητικός τρόπος για να γίνει αυτό.

---

Επιθεώρηση ζημιάς οχήματος με Nanonets

Ενώ έχουμε συζητήσει την ανίχνευση ζημιών χρησιμοποιώντας την ταξινόμηση εικόνας, το πρόβλημα της επιθεώρησης ζημιών απαιτεί πολύ περισσότερα από απλά μοντέλα ταξινόμησης. Η χρήση των σωστών μοντέλων και δεδομένων μπορεί μείωση του κόστους επιθεώρησης κατά 90%.

Ταξινόμηση εικόνας, Ανίχνευση αντικειμένων και Τμηματοποίηση εικόνας μπορεί να χρησιμοποιηθεί για να μάθετε ακριβώς τι είδους ζημιές (π.χ. γρατσουνιές, βαθουλώματα, σκουριά, σπασμένα) βρίσκεται, σε ποια τοποθεσία (πληροφορίες κουτιού οριοθέτησης) και πόσο σοβαρή είναι η ζημιά.

Με περισσότερα δεδομένα, θα μπορούσατε επίσης να δημιουργήσετε μοντέλα που θα μπορούσαν να προσδιορίσουν αυτόματα ποια μέρη του αυτοκινήτου (παρμπρίζ, αριστερή πόρτα, το δεξί προβολέα;) έχουν υποστεί ζημιά.

Ίσως σας ενδιαφέρει οι τελευταίες δημοσιεύσεις μας σχετικά με:

Πηγή: https://nanonets.com/blog/damage-inspection-machine-learning/