Voertuigbeeldannotatie voor AI-toepassingen bij verzekeringsclaims, reparatieschattingen en wagenparkinspecties — Casestudy
Hoe Shaip gespecialiseerde annotaties voor voertuigschade heeft ontwikkeld, waarbij polygoonsegmentatie van elk carrosseriedeel wordt gecombineerd met een schadeclassificatie van 11 klassen en reparatieaanbevelingen op componentniveau — opgebouwd als een productieklare dataset voor geautomatiseerde afhandeling van verzekeringsclaims en AI voor voertuiginspecties.
project Overzicht
Naarmate AI in de verzekerings- en automobielsector zich ontwikkelt richting geautomatiseerde schadebeoordeling en voertuiginspectie, had de klant behoefte aan een annotatiepipeline die elk carrosseriedeel van een voertuig kon segmenteren, inclusief gedetailleerde schadeclassificatie – op een granulariteitsniveau dat reparatieaanbevelingen op componentniveau mogelijk maakt.
Shaip ontwikkelde een complete annotatiepipeline die de segmentatie van polygonen van carrosseriedelen, schadeclassificatie in 11 klassen, het taggen van kenmerken zoals ernst, locatie en reparatie, en meerlaagse schade-intelligentie omvat. Hiermee werden datasets gegenereerd die direct bruikbaar zijn voor geautomatiseerde voertuiginspectie en AI voor schadeclaims bij verzekeringsmaatschappijen.
Key Stats
Bedekking van lichaamsdelen
Volledig exterieur
Schadeklassen
11
Attribuutlagen
4
Labels repareren
4-typen
Challenges
- segmenteren elk lichaamsdeel — bumpers, deuren, koplampen, spatborden, lichtmetalen velgen, spiegels, stijlen
- classificeren 11 verschillende soorten schade — kras, deuk, barst, versplintering, afbladderende verf, roest, ontbrekend onderdeel, gebroken glas
- Onderscheidend subtiele schade van oppervlakte reflecties, vuil en schaduwen
- Behandeling overlappende schadetypen op één paneel met meerdere tags
- Het genereren van Reparatieaanbevelingen op componentniveau — polijsten, opnieuw lakken, plaatwerk repareren, vervangen
Het resultaat
Polygonsegmentatie van lichaamsdelen
Elk zichtbaar carrosseriedeel van elk voertuig werd afzonderlijk geannoteerd met behulp van nauwkeurige polygoonsegmentatie of begrenzingskaders, waarmee de complete exterieurstructuur werd bedekt: voor- en achterbumpers, motorkap, kofferbak, dak, voor- en achterruiten, zijruiten, linker- en rechterdeuren, spatborden, zijspiegels, koplampen, achterlichten, grille, stijlen, zijskirts, wielkasten en lichtmetalen velgen.
Schadeclassificatie met 11 klassen
Aan elk geannoteerd onderdeel werd een gedetailleerde schadeclassificatie toegekend, variërend van geen schade, lichte kras, diepe kras, deuk, scheur, versplintering, afbladderende verf, roest, vervorming, ontbrekend onderdeel tot gebroken glas. Deze gedetailleerde schadeclassificatie ondersteunt de triage van reparaties op componentniveau in latere fasen.
Schade-intelligentie op meerdere niveaus
Aan elke annotatie werden extra contextuele kenmerken toegevoegd, zoals de ernst van de schade (licht, matig, ernstig), de locatie van de schade op het onderdeel (bovenkant, midden, onderkant, linkerrand, rechterrand), de reparatieaanbeveling (polijsten, overspuiten, plaatbewerking, vervangen) en de algehele conditiescore van het onderdeel. Deze gelaagde tagging stelt het AI-model in staat om reparatieaanbevelingen op componentniveau rechtstreeks uit de beeldgegevens te genereren.
Subtiele schadeonderscheid
De annotatoren volgden strikte visuele richtlijnen om onderscheid te maken tussen verschillende soorten krassen, deukdieptes en scheurpatronen op diverse oppervlaktematerialen van voertuigen, waaronder metalen panelen, plastic bumpers en glazen onderdelen. Lichte krassen en lakschade werden zorgvuldig onderscheiden van normale reflecties of vuilvlekken.
Randgevallen en panelen met meervoudige beschadigingen
Uitzonderlijke gevallen waren onder meer schade aan gebogen oppervlakken waarvoor zeer nauwkeurige polygoontracering nodig was, zwaar beschadigde voertuigen met meerdere overlappende schadetypes op hetzelfde paneel, onderscheid tussen oude en verse schade door oppervlakteoxidatie en de staat van de lak, en schade die zichtbaar was in reflecties of vanuit extreme camerahoeken. Buitenopnamen zorgden voor extra complexiteit door schaduwinterferentie en reflecties op metalen oppervlakken.
Project bereik
| Gegevenssettype | Dekking | Schadeklassen | Ernstniveaus | Labels repareren | Methoden |
|---|---|---|---|---|---|
| Voertuigschade + carrosseriedeel | Volledig exterieur | 11 lessen | 3 (licht / matig / ernstig) | 4 (polijsten / opnieuw lakken / plaatwerk uitdeuken / vervangen) | Veelhoek + doos |
Resultaten
- Opgericht een volledige segmentatiepipeline voor carrosseriedelen met schadeclassificatie
- Gestandaardiseerde Schadeclassificatie met 11 klassen van begin tot eind ontbreken
- Geleverd Schade-intelligentie op 4 niveaus (ernst, locatie, reparatieadvies, conditiescore)
- Geïmplementeerd subtiele schadedifferentiatie Het onderscheiden van schade van reflecties en vuil.
- De client is ingeschakeld Automatisering van verzekeringsclaims, reparatieschattingen, wagenparkinspecties en taxatie van gebruikte auto's AI
Al met al heeft Shaip geholpen om een complexe vereiste voor het annoteren van voertuigschade om te zetten in een gestructureerde, productiegereedde pipeline. Deze pipeline is in staat om geautomatiseerde schadebeoordeling door verzekeraars, schatting van reparatiekosten, automatisering van wagenparkinspecties en AI voor de waardebepaling van gebruikte auto's met reparatie-intelligentie op componentniveau te ondersteunen.
De schadepipeline van Shaip leverde precies wat onze claimautomatisering nodig had: elk carrosseriedeel gesegmenteerd, elk schadetype geclassificeerd en elke reparatieaanbeveling voorzien van een label. Deze gedetailleerdheid vertaalde zich direct in snellere en nauwkeurigere schadebeslissingen.
