实战 | 轮胎受损检测识别技术在保险业中的应用实践

欢迎金融科技工作者积极投稿！

投稿邮箱：[e-mail]

                                           ——金融电子化

文 / 中国人寿财产保险股份有限公司金融科技中心    吴东东

背     景

据中国汽车工业协会报道，中国汽车市场在2020年全年汽车产销2522.5万辆和2531.1万辆，同比下降2.0%和1.9%，与上年相比，分别收窄5.5个百分点和6.3个百分点。同样，2019年全年汽车产销量同比分别下降7.5%和8.2%，2018年全年汽车产销量同比下降4.16%和2.76%。

从数据中不难看出，整体汽车销量在不断下滑，经销商经营压力剧增。作为经销商的下游企业，各财险公司的竞争更趋激烈。如何通过一款产品帮助经销商提升盈利能力，并同时提升自身的保费份额，获取更多的送回修资源，成为了一个新的话题。在这样的背景之下，财险公司与互联网公司纷纷将目光导向“轮胎”这一空白行业，以获取更大蓝海资源。

事实上，截至2021年3月，全国汽车保有量为2.87亿辆，越来越多人成为有车一族，用户对车险产品的需求开始由粗犷化向精细化转变，致使对于车辆及轮胎的保养需求不断提升。为此，中国人寿财产保险（以下简称为“国寿财险”）专属开发了轮胎意外损坏责任保险，为车辆正常行驶过程中轮胎出现的爆胎、鼓包、开裂等场景提供保险保障服务。

上线伊始，轮胎险审核阶段需要投入大量的人力，存在理赔时效较低、运营成本较高等问题，亟需一种智能化的轮胎受损检测识别方法以对轮胎受损情况进行定位与识别，辅助人工审核，节省人力成本。因此，“轮胎受损检测识别技术”应运而生。该技术首次将图像自动识别算法与轮胎险相结合，贯穿轮胎险整个理赔业务流程，提升了对受损标的检测效率，减轻了理赔人员的工作量，节省了人力成本，缩短了理赔时间，提升了客户体验，以科技创新提升了产品竞争力，为行业在车险综改背景下的科技化创新提供了新的思路。

问    题

传统的轮胎破损分类识别主要依赖于人工审核的方式，当面对复杂多样的数据时，如何快速的提炼出轮胎受损信息，并对受损位置进行标注和分类成为了首需解决的难题。同时，面对大量的轮胎出险照片，大量的人力的投入致使运营成本较高、审核工作量大、理赔时效低的处境，将直接影响到客户体验。

为解决以上问题，国寿财险自主开发了基于深度学习算法的轮胎受损检测识别技术，通过该技术来提高图片审核的检测速度，减轻审核人员的工作量，提高理赔时效。

方案讨论

轮胎受损类型检测的方法，其实可以归类于目标检测。目标检测是对图片或视频中可变数量的目标进行查找和分类，旨在解决以下问题：一是需要在被检测图像中筛选出所需的目标物，排除其他对象的干扰；二是检测出图像中所有需要的被检测目标对象，例如对于轮胎受损检测中，则需模型检测出图像中轮胎所有的受损位置；三是对于图像中不同尺寸的目标对象的检测，能准确的标注出被检测对象的位置和检测框；四是保证模型在不同光线、不同角度、不同颜色背景等外界因素干扰下，仍能保持良好的检测准确度。在目标检测的同时也伴随着分类任务，这就决定了轮胎受损检测识别模型所用的算法网络是一个多任务网络模型。

1. Two-stage系列算法

目前主流的深度学习目标检测算法可分为Two-stage与One-stage两大类型。Two-stage目标检测系列算法以R-CNN算法系列（R-CNN、Fast R-CNN、Faster R-CNN）为主，其算法流程如图1所示。模型训练主要分为两个步骤：第一步是输入的图片通过卷积神经网络后生成多个特征图，后经过RPN（Region Proposal Network）网络完成区域推荐与候选目标的筛选；第二步是通过对候选目标区域进行分类和回归，完成对目标的检测。与传统的目标检测方法不同的是，Two-stage不需要单独进行分类器训练、特征表示等额外的过程，大幅度提高了目标检测训练的精度与效率。但是，Two-stage系列的区域检测方法仅利用卷积神经网络进行特征上的提取，并没有从本质上改变搜索框中提取目标的策略。

图1     Two-stage算法流程

2.One-stage系列算法

One-stage的目标检测算法主要包含YOLO算法系列、SSD等。如图2所示，One-stage算法的具体检测步骤是使用卷积神经网络对物体进行特征提取，随后直接回归物体的类别概率和位置坐标值，是彻底的端到端的检测网络。也正是由于端到端的网络性质加快了网络的检测速度，使得One-stage系列的目标检测算法能够很好的应用在实时检测的任务中。为了简化模型的构建，同时保证模型检测准确度和检测速度，最终采用了One-stage系列中的YOLOv4算法模型完成检测任务，通过模型直接完成目标区域的回归与分类。

图2    One-stage算法流程

数据集的构建与分析

前期数据集的收集采用了网络爬虫的方式。通过在百度、必应、以及360搜索引擎中收集轮胎受损的图片，并针对图片进行分类。同时，考虑到尺度、光照、背景、角度等方面的影响，本文也采用拍照的方式收集了在现实生活中受损的轮胎照片作为数据集。最终，轮胎受损数据集包含了2000张图片，其中包含了轮胎鼓包、开裂和爆胎3种受损类型。数据集中70%作为训练集，20%作为验证集，10%作为测试集。数据集采用labelImg工具进行受损位置的标注，标注的类型分为鼓包（tirebulge）、开裂（cracked、cracked1）和爆胎（flattire）。在实际业务场景中，轮胎开裂类型的真实数据中有一部分在开裂位置插有维修工具，故将此类型的标签设为cracked1。

数据增强采用线上处理的方式，除了翻转、平移、随机切割及颜色填充等方式，还使用了Mosaic的数据增强方法，通过将4张原始图像拼凑在一个图像中的方式将原来较大的目标变成了小目标，增加了小目标的数量，提高了模型检测的泛化能力。

轮胎受损检测识别技术

轮胎检测技术采用了基于YOLOv4的算法完成了整体的搭建。算法模型的基础网络结构如图3所示。在轮胎险理赔业务流程中，首次将轮胎受损识别与人工智能技术结合，完成“轮胎受损检测识别技术”模型搭建。采用了聚类算法对数据集中已标注好的检测目标聚类分析，将整个算法模型的准确率提高了7.6%。在整个模型训练阶段，采用了分段式训练的方法，在保证模型准确率的同时，提高了模型训练速度。

在整个流程中，创新性的采用了未识别图片打标再训练的方法。对于识别不正确的图片，审核人员可标出实际受损位置并反馈给识别系统，反哺识别系统的数据，形成模型算法的自我迭代优化。在保险业务数字化转型过程中，聚焦细分领域，创新性的结合前沿技术解决业务中的痛点，推进业务流程再造，促进业务高质量发展。目前，国寿财险已对上述相关知识产权申请了专利保护。

图3    YOLOv4算法网络结构

应用成效

轮胎受损检测识别技术是“人工智能+保险”的一次成功结合，该技术实现了系统的图片自动识别来代替人工审核流程，一定程度上释放了人力资源，且面对海量的数据请求时，识别系统可做到快速识别处理，缓解审核人员的压力。在实际生产环境中（检测效果如图4-7所示），用户上传图片后，系统仅需要0.2秒就可将图片的检测结果反馈到负责审核的前台工作人员，识别准确率可达87.45%。

轮胎受损检测识别技术是科技赋能保险的实践，在轮胎险中引入图像自动识别的技术，打造了轮胎险理赔自动化审核平台，贯穿了轮胎险理赔业务流程，优化审核策略，降低人力成本。利用轮胎受损检测识别技术，将轮胎险的理赔时长缩短将近一半，提高了理赔时效，大幅提升了理赔审核自动化效率，以技术革新赋能保险数智化转型，深度促进轮胎险业务高质量发展。

图4  轮胎鼓包检测示例  

图5  轮胎开裂检测示例

图6  轮胎开裂和爆胎检测示例

图7  轮胎开裂检测示例

应用延伸和展望

在通过轮胎检测识别技术结合保险业务场景的研发模式后，有效的积累了关于保险业务的自动化、智能化转型的经验，但是我们仍需把握科技与保险相结合的重要趋势，让科技驱动保险的发展，加大科技力量向保险业的渗透。

1.人工智能领域技术的不断创新

我们不断的探索前沿的技术，让科技与保险更好的融合。现阶段，国寿财险在图像识别领域再次自主研发了翻拍识别、行人检测等前沿技术，同时正着手研发PS图片识别、数字人以及自然语言处理等领域的相关技术。利用科技驱动保险业务的发展，提升业务流程的自动化，进一步推动保险行业的科技创新和服务升级。

2.“科技+服务”占领数字化转型新高地

轮胎险业务借助数字化技术，为消费者提供了便捷、智能、高效的理赔服务，提高了消费者对保险服务的满意度；助力公司利用优势资源，降低人力成本，提升理赔时效；通过业务与科技的融合，围绕客户和市场，提供创新的保障服务；依托领先的金融创新能力，塑造自身发展优势，提升内在的创新驱动力。“轮胎受损检测识别技术”与轮胎险的融合，为行业内提供了数字化转型的新方向，让更多的企业聚焦细分领域，大幅提升了用户体验，加快推进了从销售主导向销售与服务并重转型，提升数字化智能化水平，为保险服务提供源源不断的创新与发展活力，不断促进销售与服务协同发展。未来我们将会持续聚焦保险细分领域，以技术革新赋能保险场景，加速推动了保险行业的数字化转型升级。

往期精选：

（点击查看精彩内容）

《金融电子化》新媒体部：主任 / 邝源  编辑 / 傅甜甜 潘婧