从技术角度分析蚂蚁金服的“定损宝”
“定损宝”是蚂蚁金服在2017年6月28号的发布会上公开的一款基于深度学习和AI技术的车险自动定损的解决方案。有了“定损宝”，将来出车险时，保险公司就不再需要派专员到现场，用户也只需简单拍摄几张现场照片就可以完成整个定损出险的流程。不仅节省了用户的时间，也降低了保险公司出险的成本。可以说这是继人脸识别应用在金融和安防领域之后，计算机视觉技术又开辟另一个大市场。这对AI特别是计算机视觉技术的发展和繁荣都有重大意义。做为该领域的从业人员，我无比的兴奋激动，仿佛升职加薪就在眼前了。
自“定损宝”发布以后有不少新闻报道过，然而但凡涉及技术上的问题这些文章都一带而过；即使在发布会上蚂蚁金服也对其技术细节讳莫如深，让琢磨不透。根据目前掌握的这些公开信息，我总结了一下“定损宝”的技术原理，希望帮助大家理解它背后的这些技术。
- “定损宝”自动定损流程
从发布会的演示来看，定损第一步：按照定损宝提示的要求，依次上传车辆的全景照片、受损部位照片以及受损部位细节照片；
上传全景照片
受损部位照片
上传的照片就是自动定损模型的输入。从定损宝的照片要求来分析，它先通过全景照片来定位受损部件，然后用细节照片来分析损伤程度。
之后，定损宝在云端服务器的算法模型根据用户上传图片进行判定，在几秒内给出准确的定损结论。
定损结论
2 . 定损技术分析
定损流程
定损宝背后隐含了几乎所有计算机视觉经典的问题，从数字处理，物体监测和识别，到场景理解和智能决策，背后涉及到目标识别、车辆损失的程度判定，多模态与其他数据的结合等技术。 上图比较清楚的展示了定损宝的底层技术和识别流程。
2.1 部件识别
部件识别
部件识别是一个典型的目标检测的问题，从一个车的图片中检测出各个部件的类别和位置，如识别图片中哪里是前机盖、左前大灯、保险杠、格栅等等。目前流行使用Faster RCNN和SSD等网络来完成这类问题。
2.2 受损程度判定
损伤程度的判定是整个定损中的核心环节。在真实环境中，照片拍摄的车体损伤非常容易受到反光、阴影、污渍、车体流线型干扰以及拍摄角度的影响，从而造成误判，即使是人眼通过照片观察，也很难区分。定损宝针对不同的车型、颜色和光照条件进行模型迭代学习，融合多个模型的经验, 产出了现在的定损宝解决方案。该技术能够输出针对各种程度的刮擦、变形、部件的开裂和脱落等损伤的定损结论。
简单来说，受损程度判定是一个图片分类问题，定损宝把损伤分成了四个大类别：刮擦、变形、部件的开裂和脱落， 各个大类别里面应该根据不同的程度还有细分成小类别。分好类别后，还需为各类别的准备大量标注好的图片。目前有很多不错的深度神经网络可以解决图片分类问题， 如： ResNet， Inception-V3/V4 等等。
2.3 生成维修方案
总体流程
有上面两步确定了损伤部件和部件损伤程度后，剩下的就是确立维修方案了。其实这一步也好办，就是要总结和设计一些保险行业在车辆维修过程中的规则。比如：轻度的剐蹭对应的维修方案为喷漆，中度对应为钣金，重度损伤为更换。
最后就是出报价，这个更加简单了，根据车辆识别码(VIN码）去数据库中查找该车各个部件的OE码，然后根据OE码就能找到各个部件维修和更换的价格了。 每个保险公司的报价可能不一样，最后出的价格也可能不一样。
总的来说，定损宝背后的技术其实不难，关键是训练这些模型的数据量大，清洗标注这些数据更是难上加难了。如果有这些数据，你也能训练一个定损宝出来。
