查看原文
其他

如果靠声纹检测车辆故障,奔驰维权事件还用哭诉吗?

神经星星 HyperAI超神经 2019-12-25

By 超神经


场景描述:人工诊断车辆故障的方法并不少,但流程相对繁琐费时。基于大数据,利用计算机视觉技术以及传感器监测手段,对车辆故障进行诊断,能够减少人工工作时间以及检测准确率。


关键词:计算机视觉 车辆故障诊断 超声波传感器


 

今晨,巴黎圣母院遭遇火灾的消息瞬间刷屏,全世界都为它感到痛心。


但是这个时候,奔驰可能正在感谢巴黎圣母院,感谢它的一场大火,把自己从风口浪尖上顶下来。


热点总会过去,问题却依然存在。车主维权纠纷的事情并不是个例,由于很多消费者缺乏购车经验,买到新车不久就发现问题的事情屡见不鲜。


很多以往案件,都是因为车辆检测流程不规范,对于消费者信息不透明所致。


能否利用现代技术改善这一情形呢?

 

66 万买奔驰,出店前故障已暴露 

 

时至今日,奔驰女车主哭诉维权的事件仍迟迟没得到解决。


奔驰女车主坐在车上哭诉


对于此次新车故障问题,如果不是车主哭诉大「闹」,「求」围观者扩散,也许很多类似问题都还继续暗藏在冰山之下,被那些打着官腔的客套话所搪塞着。 

 

事实上,不少 4S 店为了降低成本并没有认真做 PDI 检测,只是走个过场。


一辆车从生产厂运送到 4S 店期间往往会经历上千公里的运输路途和长时间的停放,为了向顾客确保新车的原厂性能和安全性,PDI 检测必不可少。但在实际销售过程中,本来必不可少的检测却变得可有可无,或如走过场般地在检测报告上不断打钩后,由车主签字就算交代。 

 

那么对于这样的事情,只能听之任之吗? 

 

也许,AI 并不答应。 


虽然对于车辆的故障检测,早就有一套接近成熟的人工检测方法,但过程还是相对繁琐,而且解释权也只是掌握在使用者的手中。

 

不妨设想一下,如果人人都有一款 AI 验车软件,今后买车的流程可能会是:


进店,试车,打开 AI 验车软件,发现各种潜在故障/车辆无故障。如此便可实现信息透明化,店家无所欺瞒,顾客权益有保障,维权事件减少…… 


目前,很多公司就已经在做 AI 诊断车辆故障的尝试。

 

深度学习听音辨故障 

 

一家叫 3DSignals 的公司利用「深度学习」技术,通过声音检测来判定汽车故障。这就像是经验老道的师傅,在设备运行的时候,听一听就知道问题出在了哪里。 

 

这家公司的创始人表示,声音数据的利用,除了语音识别之外,其他方面都还没有足够的发展。 

 

而 3DSignals 是通过超声波传感器收集的声音数据,检测出汽车的异常噪声,并对监测的异常声音进行分类标注,从而判断出具体的故障问题类型。 


 一种用于连续诊断故障的工具,可以监听声音异常


检测流程很简单,将传感器放置在汽车的几个关键部位,通过收集数据来监测汽车的运行状态,同时将数据馈送到信息处理工具,如果发生异常的声音数据,信号处理工具就能向驾驶员,客户,等负责人发送及时的警报。 

 

在判断分析中,为了预测更加准确,需要提前收集足够的数据,并对 AI 模型进行有效的训练,为特定的声音加上准确的标签,以区分对应的故障问题。通过这样的方法,就可以利用收集声音的方式,调查和维护问题区域以避免灾难的发生。 

 

根据报道,在经过训练之后, 3DSignals 的深度学习算法,在特定问题的判断上,能达到 98% 的准确率。 


 

而且这项技术,在重工业中已经得到重用。比如训练计算机「监听」诊断水电厂和钢铁厂等设施的异常问题。 

 

而对于汽车故障方面的准确性,还在不断研发中,以获得更好的用户体验。


想象一下,对于一辆豪华 SUV ,利用计算机去「倾听」就能诊断机械问题,在汽出售时,让买卖双方都能得到实际真实的检测报告,就能避免那些欺骗行为的存在。 

 

除了听音检测,还能看图定损 

 

除了能对车辆故障进行检测外,基于计算机视觉技术的应用还能对发生事故的车辆进行定损,让定损流程更加快捷且准确。

 

英国初创公司 Tractable 近日公布了一项技术,利用 AI 进行车辆维修/更换决策的估计,以及对修复工时的预判。 

 

基于计算机视觉原理,通过数以亿计的车辆损坏照片,以及大量的维修实例经验进行训练,AI 模型可以在 30 秒内可完成车辆定损与维修估计。


Tractable 通过大量图片训练 AI 定损系统


该软件使用起来也很简单,客户通过手机传送照片,便可在电脑上通过 3D 动画模型判定车辆的损坏情况。 

 

比如选择 2013 年雪佛兰科鲁兹 LT1、现代和奥迪的图像作为演示对象,Tractable 还邀请了运营汽车评估经理 Lisa Monzon 同时对图片进行分析,以进行人工智能评估和人工评估结果的对比。 



对于上图中低里程的 2013 年科鲁兹照片,人力保险公司故障诊断评估结果为:要求更换三个部件 —— 保险杠盖,右前照灯和挡泥板衬里 ,还有其他操作。预估保险金额为 1568.80 美元。 

 

一个维修公司用传统的人工诊断给出的结果是:需要更换保险杠盖,侧挡板,前照灯,发动机罩和挡泥板(以及排放标签),并且包含的操作比原来的估计要多。它的预估保险金额是 3981.49 美元。 

 

而 Tractable 的人工智能评估结果为:要求更换科鲁兹的挡泥板,前大灯,引擎盖和格栅。它的诊断明显更贴合人为的判断。 
 

它还对现代的照片进行故障诊断: 

 

 

右后门的特写镜头导致人工智能诊断它需要被替换。Monzon 表示门上的刮痕看起来有可能修复,但凹痕的存在,使得门需要被更换。


照片无法捕捉相邻车身面板上的刮擦,可能是因为图像拍摄有限,而无法识别边缘部分。 

 

诊断奥迪的案例: 

 

 

该系统得出结论,奥迪需要一个新的挡泥板,但保险杠面板可以固定,虽然后者只有67%的置信水平。 

 

Monzon 对系统作出的评估表示同意,他认为保险杠面板的「轻微损坏」可修复。 

 

此外,这个 AI 系统能够对故障的修复给出一个预测的修复时间,能方便用户做好相应的准备。 

 

AI 会让世界更美好吗 


人工智能诊断车辆故障靠谱吗?

 

如上文所述,听音诊断车辆故障软件准确率可达到 98%。同时,据报道,人工智能定损软件可减少查勘定损人员 50%  的工作量。更重要的是,它会有效帮助私家车保险索赔案,减少消费者与 4S 店的纠纷,以及保险公司理赔渗漏比例。 


虽然数据看上去基本令人满意,但该技术在准确率和普遍性上仍有待提高。期待在不远的将来,AI 技术能够帮助我们精准地判断这些故障。 

 

回到奔驰车主维权事件。在如此漫长的处理过程中,信息的不透明让维权与调解之路都显得漫漫无期。也许,技术的进步会让我们看到信息共享的时代,消费者与店家之间将没有秘密。那时候,就不再需要坐到发动机盖上哭诉才能维权了。 

 

超神经百科

注意力机制 Attention mechanism


视觉注意力机制是人类视觉所特有的大脑信号处理机制。这是人类利用有限的注意力资源从大量信息中快速筛选出高价值信息的手段,是人类在长期进化中形成的一种生存机制,人类视觉注意力机制极大地提高了视觉信息处理的效率与准确性。


深度学习中的注意力机制从本质上讲和人类的选择性视觉注意力机制类似,核心目标也是从众多信息中选择出对当前任务目标更关键的信息。


注意力模型(Attention Model被广泛使用在自然语言处理、图像识别及语音识别等各种不同类型的深度学习任务中,是深度学习技术中最值得关注与深入了解的核心技术之一。



历史文章(点击图片阅读)

工业爆炸事故频发,AI 已经看不下去了

煤老板用 AI 采矿,终于做到安全高效又环保

通读 53000 篇论文后,AI 出版了一部锂电池学术著作

AI 百科

教程

数据集

商店

更多

http://hyper.ai

    您可能也对以下帖子感兴趣

    文章有问题?点此查看未经处理的缓存