基于人工智能的理赔方法、装置、计算机设备和存储介质与流程

1.本技术涉及人工智能技术领域，具体涉及一种基于人工智能的理赔方法、装置、计算机设备和存储介质。


背景技术：

2.随着科技与经济的发展，人们的生活水平日益提高，越来越多的家庭拥有小汽车，同时也带动了车辆保险的飞速发展。由于中国汽车市场巨大的保有量，道路上每日都会发生各种各样的交通事故，而目前的车险事故理赔主要是由保险公司派遣勘探人员进行现场勘探并进行理赔，这种理赔方式不仅耗时耗力还浪费大量的人力资源，理赔效率较低，且对于一些理赔欺诈也无法有效识别。


技术实现要素：

3.本技术的主要目的为提供一种基于人工智能的理赔方法、装置、计算机设备和存储介质，旨在解决现有的理赔方式不仅耗时耗力还浪费大量的人力资源，理赔效率较低，且对于一些理赔欺诈也无法有效识别的技术问题。
4.本技术提出一种基于人工智能的理赔方法，所述方法包括步骤：
5.判断是否接收到用户通过客户端触发的理赔请求；其中，所述理赔请求携带用户信息；
6.若接收到所述理赔请求，获取所述用户信息、所述用户的脸部动作信息与所述用户的笔迹，基于预设的理赔用户白名单、标准脸部动作信息以及标准笔迹对所述用户进行身份验证，并判断身份验证是否通过；
7.若身份验证通过，基于预设的提醒信息提醒所述用户上传车损图片；
8.将所述车损图片输入至预设的目标预测模型内进行预测，通过所述目标预测模型输出与所述车损图片对应的理赔概率；
9.判断所述理赔概率是否大于预设的概率阈值；
10.若大于所述概率阈值，调用预设的识别模型对所述车损图片进行识别处理，生成与所述车损图片对应的目标损失部位信息与目标损失程度信息；
11.基于所述目标损失部位信息与所述目标损失程度信息生成与所述车损图片对应的车辆定损结果。
12.可选地，所述获取所述用户信息、所述用户的脸部动作信息与所述用户的笔迹，基于预设的理赔用户白名单、标准脸部动作信息以及标准笔迹对所述用户进行身份验证，并判断身份验证是否通过的步骤，包括：
13.获取预设的理赔用户白名单，判断所述理赔用户白名单内是否存在与所述用户信息相同的指定用户信息；
14.若存在所述指定用户信息，展示预设的动作输入提醒信息，以提醒所述用户基于所述动作输入提醒信息输入相应的脸部动作信息；
15.采集所述用户输入的所述脸部动作信息，以及获取与所述指定用户信息对应的标准脸部动作信息；其中，所述脸部动作信息包括脸部动作序列，所述脸部动作序列为包含依次执行的多个脸部动作；
16.判断所述脸部动作信息中包含的每一个脸部动作与所述标准脸部动作信息中对应位置处的脸部动作是否全部匹配；
17.若全部匹配，展示预设的笔迹输入提醒信息；其中，所述笔迹输入提醒信息包括与所述指定用户信息对应的标准字；
18.采集所述用户根据所述标准字输入的笔迹；
19.提取所述笔迹的第一笔迹特征数据，以及提取与所述标准字对应的标准笔迹的第二笔迹特征数据；
20.判断所述第一笔迹特征数据与所述第二笔迹特征数据是否匹配；
21.若匹配，判定身份验证通过，否则判定身份验证未通过。
22.可选地，所述将所述车损图片输入至预设的目标预测模型内进行预测的步骤之前，包括：
23.获取预先训练生成的多个预测模型；其中，每一个所述预测模型模型是根据各自不同的训练样本集对预设的卷积神经网络模型进行训练生成的，每一个所述训练样本集包括若干训练图片，以及与所述训练图片对应的标签，所述预测模型的数量等于所述训练样本集的数量；
24.获取预设的验证样本集；
25.基于所述验证样本集生成各所述预测模型的预测处理时间；
26.基于所述验证样本集，按照预设计算规则生成各所述预测模型的评价分值；
27.获取与所述预测处理时间对应的第一权重，以及获取与所述评价分值的第二权重；
28.基于所述预测处理时间、所述评价分值、所述第一权重与所述第二权重，调用第一预设公式计算各所述预测模型的模型得分；
29.从所有所述预测模型中筛选出模型得分最高的预测模型；
30.将所述模型得分最高的预测模型作为所述目标预测模型。
31.可选地，所述基于所述验证样本集，按照预设计算规则生成各所述预测模型的评价分值的步骤，包括：
32.将所述验证样本集输入至指定预测模型内，计算得到所述指定预测模型的精确率；其中，所述指定预测模型为所有所述预测模型中的任意一个模型；
33.将所述验证样本集输入至指定预测模型内，计算得到所述指定预测模型的召回率；
34.获取预设数值；
35.基于所述精确率、所述召回率与所述预设数值，调用第二预设公式计算所述指定预测模型的评价分值。
36.可选地，所述基于所述目标损失部位信息与所述目标损失程度信息生成与所述车损图片对应的车辆定损结果的步骤，包括：
37.展示预设的修理厂列表，并接收所述用户从所述修理厂列表中选择的目标修理
厂；
38.获取所述目标修理厂的汽车配件价格与工时价格；
39.获取与所述车损图片对应的车辆信息；其中，所述车辆信息包括车辆品牌、车系、车型；
40.基于所述目标损失部位信息、目标损失程度信息、所述车辆信息、所述汽车配件价格与所述工时价格计算得到对应的定损金额；
41.将所述定损金额作为所述车辆定损结果。
42.可选地，所述调用预设的识别模型对所述车损图片进行识别处理，生成与所述车损图片对应的目标损失部位信息与目标损失程度信息的步骤之前，包括：
43.采集预设数量的车损样本数据，并对所述车损样本数据进行预设处理，得到处理后的车损样本数据；
44.确定与所述处理后的车损样本数据对应的损失部位信息与损失程度信息；
45.将所述处理后的车损样本数据作为预设的分类模型的输入，将所述损失部位信息与所述损失程度信息作为所述分类模型的输出进行训练得到初始分类模型；
46.获取预设的测试样本集，并基于所述测试样本集对所述初始分类模型进行准确度测试，得到对应的分类准确率；
47.判断所述分类准确率是否大于预设的准确率阈值；
48.若是，将所述初始分类模型作为所述识别模型。
49.可选地，所述将所述车损图片输入至预设的目标预测模型内进行预测的步骤之前，包括：
50.基于预设算法生成与所述车损图片对应的模糊程度数值；
51.获取预设的模糊阈值；
52.判断所述模糊程度数值是否小于所述模糊阈值；
53.若小于所述模糊阈值，生成将所述车损图片输入至预设的目标预测模型内进行预测的处理指令；
54.若大于所述模糊阈值，展示预设的拍摄提醒信息，以提醒所述用户重新拍摄并上传符合要求的车损照片。
55.本技术还提供一种基于人工智能的理赔装置，包括：
56.第一判断模块，用于判断是否接收到用户通过客户端触发的理赔请求；其中，所述理赔请求携带用户信息；
57.验证模块，用于若接收到所述理赔请求，获取所述用户信息、所述用户的脸部动作信息与所述用户的笔迹，基于预设的理赔用户白名单、标准脸部动作信息以及标准笔迹对所述用户进行身份验证，并判断身份验证是否通过；
58.提醒模块，用于若身份验证通过，基于预设的提醒信息提醒所述用户上传车损图片；
59.第一生成模块，用于将所述车损图片输入至预设的目标预测模型内进行预测，通过所述目标预测模型输出与所述车损图片对应的理赔概率；
60.第二判断模块，用于判断所述理赔概率是否大于预设的概率阈值；
61.第二生成模块，用于若大于所述概率阈值，调用预设的识别模型对所述车损图片
进行识别处理，生成与所述车损图片对应的目标损失部位信息与目标损失程度信息；
62.第三生成模块，用于基于所述目标损失部位信息与所述目标损失程度信息生成与所述车损图片对应的车辆定损结果。
63.本技术还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
64.本技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
65.本技术中提供的基于人工智能的理赔方法、装置、计算机设备和存储介质，具有以下有益效果：
66.本技术中提供的基于人工智能的理赔方法、装置、计算机设备和存储介质，在接收到用户通过客户端触发的理赔请求后，会先对用户进行身份验证，若身份验证通过则基于提醒信息提醒用户上传车损图片，然后将所述车损图片输入至预设的目标预测模型中进行预测以得到相应的理赔概率，如果该理赔概率大于预设的概率阈值，则调用预设的识别模型对所述车损图片进行识别处理，生成与所述车损图片对应的目标损失部位信息与目标损失程度信息，最后根据得到的目标损失部位信息与所述目标损失程度信息生成车辆定损结果并展示。本实施例通过对用户进行身份验证以及对车损图片计算理赔概率来判断是否可理赔，能够有效识别出保险欺诈，避免出现少量用户骗保的现象。另外，在判别出不存在保险欺诈时，能够根据用户提供的车损图片快速高效的自动判断识别出车辆的损失部位与损失程度，进而根据得到的损失部位与损失程度来自动生成车辆定损结果以现自动化理赔，办理理赔操作方式简单，无需查勘人员参与定损，理赔流程速度快，有效地提高了定损的智能化程度与理赔效率，降低了案件定损偏差，提高了客户服务水平。
附图说明
67.图1是本技术一实施例的基于人工智能的理赔方法的流程示意图；
68.图2是本技术一实施例的基于人工智能的理赔装置的结构示意图；
69.图3是本技术一实施例的计算机设备的结构示意图。
70.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
71.应当理解，此处所描述的具体实施例仅仅用于解释本技术，并不用于限定本技术。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
72.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
73.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、
大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
74.参照图1，本技术一实施例的基于人工智能的理赔方法，包括：
75.s10：判断是否接收到用户通过客户端触发的理赔请求；其中，所述理赔请求携带用户信息；
76.s20：若接收到所述理赔请求，获取所述用户信息、所述用户的脸部动作信息与所述用户的笔迹，基于预设的理赔用户白名单、标准脸部动作信息以及标准笔迹对所述用户进行身份验证，并判断身份验证是否通过；
77.s30：若身份验证通过，基于预设的提醒信息提醒所述用户上传车损图片；
78.s40：将所述车损图片输入至预设的目标预测模型内进行预测，通过所述目标预测模型输出与所述车损图片对应的理赔概率；
79.s50：判断所述理赔概率是否大于预设的概率阈值；
80.s60：若大于所述概率阈值，调用预设的识别模型对所述车损图片进行识别处理，生成与所述车损图片对应的目标损失部位信息与目标损失程度信息；
81.s70：基于所述目标损失部位信息与所述目标损失程度信息生成与所述车损图片对应的车辆定损结果。
82.如上述步骤s10至s70所述，本方法实施例的执行主体为一种基于人工智能的理赔装置，具体可为自助理赔系统。在实际应用中，上述基于人工智能的理赔装置可以通过虚拟装置，例如软件代码实现，也可以通过写入或集成有相关执行代码的实体装置实现，且可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。本实施例中的基于人工智能的理赔装置，能够根据用户提供的车损图片快速高效地实现自动化理赔，办理理赔操作方式简单，无需查勘人员参与理赔，理赔流程速度快，有效地提高了理赔的智能化程度与理赔效率，提高了客户服务水平。具体地，首先判断是否接收到用户通过客户端触发的理赔请求。其中，客户端通过下载app应用进入自助理赔系统，即会开启自助理赔功能。客户端通过app发送理赔请求。另外，所述理赔请求携带用户信息。所述用户信息用于对投保人身份进行识别。所述用户信息可包括姓名信息等。若接收到所述理赔请求，获取所述用户信息、所述用户的脸部动作信息与所述用户的笔迹，基于预设的理赔用户白名单、标准脸部动作信息以及标准笔迹对所述用户进行身份验证，并判断身份验证是否通过。其中，对于所述基于所述用户信息，调用预设的理赔用户白名单、标准脸部动作信息以及标准笔迹对所述用户进行身份验证的具体实现过程将在后续的具体实施例中进行进一步的描述，在此不予赘述。
83.若身份验证通过，基于预设的提醒信息提醒所述用户上传车损图片。其中，所述提醒信息可为用于提示用户利用所述客户端按照指定角度拍摄车损图片并上传该车损图片的信息，以使用户拍摄得到的车损图片包含车辆的受损位置，即将包含车辆受损位置的图片作为车损图片。举例地，车辆的后保险杆受损，则可将包含车辆的后保险杆的主视图、左视图、右视图作为相应的车损图片。举例地，用户通过客户端拍摄车损图片的过程可为：首先进入弹窗提示拍摄示意图，每次进入检测是否有开启声音权限，如开启，语音提示操作：请将方框对准车辆损伤部位。过程中还可提示：距离太远，未检测到配件/非车部位，请确
认/距离过近，请调整。然后可采用图片拍摄或视频拍摄方式来生成车损图片。拍摄过程中，如果是图片拍摄模型则提示先选择损失部位。展示3d模型，点击按钮可关闭，可旋转模型，根据实景车型匹配模型，选中损失区域后确认关闭模型窗口，指引拍摄损失部位的图片并作为车损图片，提示保存图片并返回待上传页面。如果是视频拍摄模式，则指引用户拍摄录制受损区域视频，再通过预设sdk抓取可用于定损的图片作为车损图片，视频拍摄完成后，将该车损图片返回待上传界面。
84.然后接收所述用户上传的车损图片，将所述车损图片输入至预设的目标预测模型内进行预测，通过所述目标预测模型输出与所述车损图片对应的理赔概率。其中，可预先根据各自不同的训练样本对预设的卷积神经网络模型进行训练以生成多个预测模型，再来从所有预测模型中筛选出具有较高的评价分值以及较快的处理效率作为目标预测模型，使得后续利用该目标预测模型来对用户上传的车损图片进行预测，能够有效提高得到的与车损图片对应的理赔概率的数据准确性，以及提高对于车损图片的分析处理效率，有利于后续可以基于有目标预测模型生成的理赔概率来实现有效识别保险欺诈。另外，将所述车损图片输入至目标预测模型内进行预测，通过所述目标预测模型输出与所述车损图片对应的理赔概率的过程可包括：将所述车损图片输入至所述目标预测模型中的卷积层进行特征提取得到第一特征数据；将所述第一特征数据输入至所述目标预测模型中的池化层进行降维处理得到第二特征数据；将所述第二特征数据输入至所述目标预测模型中的全连接层进行映射得到一维特征向量；将所述一维特征向量输入至分类器中进行分类得到所述车损图片的理赔概率。其中，可采用分类器svm，例如支持向量机进行分类，其为一个二分类模型，用于对车损图片进行二分类，一类划分为属于理赔，另一类划分为不属于理赔。当得到一维特征向量后，将一维特征向量输入到分类器中，由分类器将一维特征向量映射到一个0到1范围内的数值，该数值即为车损图片的理赔概率。
85.此外，每一个所述预测模型是根据各自不同的训练样本集对预设的卷积神经网络模型进行训练生成的，每一个所述训练样本集包括若干训练图片，以及与所述训练图片对应的标签，所述预测模型的数量等于所述训练样本集的数量。可以从存储有车险理赔信息的数据库中采集理赔图片作为训练图片。在收集完训练图片后，还需要构建可供模型输入的训练样本，通过对训练图片进行标注，并根据训练图片以及训练图片所对应的标注构建训练样本，例如，(image1，1)，(image2，0)。由于采用的是有监督学习的模型，有监督学习指的是使用已知正确答案的示例来训练网络的，标注即为所期望的结果。在收集完训练图片后，可采用lablellmg对训练图片逐个进行标注，lablellmg是一个图片标注工具，在所有的训练图片中，部分的训练图片是属于理赔的，另一部分的图片是未达到理赔标准的，属于理赔的训练图片是带有标记的，而不属于理赔的训练图片是不带有标记的，对于属于理赔的训练图片标注为1，对于不属于理赔的训练图片标注为0，直到将所有的训练图片标注完成。再按照预先输入的数量将训练样本随机分配成对应的多个训练样本集，例如每个训练样本集从该训练样本中挑选出一定比例的样本数据生成，只需保证各个训练样本集各自为不相同的集合即可，并将训练样本集再次划分为训练集与测试集，训练集用于训练模型，测试集用于后续的测试训练后的模型的准确度。具体的，预测模型的训练生成过程可包括：首先将卷积神经网络中的所有权值进行初始化，即置成小的接近于0的随机值，然后将训练图片输入到网络中依次经过卷积层、池化层以及全连接层，其中，卷积层和池化层有多个，通过前
向传播的方式最终得到输出值。然后将输出值与目标值进行对比，目标值指的是训练样本集中与训练图片所对应的标注，求出输出值与目标值之间的总误差。由于训练图片从输入层到输出层，期间经过了卷积层，池化层以及全连接层，而数据在各层之间传递的过程中难免会造成数据的损失，则也就导致了误差的产生，而每一层造成的误差值是不一样的，所以当求出卷积神经网络的总误差之后，需要将误差再反向传播到卷积神经网络中，求得该各层对于总的误差应该承担多少比重。所以最后再进行梯度下降，将误差一层一层的返回，计算出每一层的误差，然后进行权值更新，即对总误差进行反向传播，根据总误差求出全连接层的误差，根据全连接层的误差求出池化层的误差，根据池化层的误差求出卷积层的误差，根据各层的误差对各层的权值进行更新。将训练集中的所有训练样本均输入到卷积神经网络模型中进行训练得到训练好的卷积神经网络模型，再将测试集的训练样本输入到训练好的卷积神经网络模型中以对模型的准确度进行测试，若该训练好的卷积神经网络模型的准确度达到预设要求，则表明该训练好的模型已训练完成，并将其作为最终的预测模型。而若该训练好的卷积神经网络模型的准确度未达到预设要求，还需要增加训练样本继续训练。
86.后续判断所述理赔概率是否大于预设的概率阈值。其中，对于所述概率阈值的取值不作限定，可根据实际的使用需求进行设置，例如可设为0.8。在得到车损图片的理赔概率后，将理赔概率与该概率阈值进行对比。当车损图片对应的理赔概率大于概率阈值时，说明该车损图片非常接近已理赔过的车辆理赔图片，判定该理赔图片属于可理赔。当车损图片对应的理赔概率小于概率阈值时，说明该车损图片存在骗保或欺诈的风险，判定该车损图片不属于可理赔。例如，当理赔概率为0.9时，那么该理赔概率大于概率阈值，则判定该车损图片可理赔。只有理赔概率大于该概率阈值，也即用户上传的车损图片可理赔时，后续才会进行进一步的定损处理，否则会判定当前的车损图片所对应的理赔案件存在骗保或欺诈，并直接结束理赔处理流程，从而有效地提高了理赔案件处理的智能性与准确性。
87.若大于所述概率阈值，调用预设的识别模型对所述车损图片进行识别处理，生成与所述车损图片对应的目标损失部位信息与目标损失程度信息。最后基于所述目标损失部位信息与所述目标损失程度信息生成与所述车损图片对应的车辆定损结果。其中，对于所述基于所述目标损失部位信息与所述目标损失程度信息生成与所述车损图片对应的车辆定损结果的具体实现过程将在后续的具体实施例中进行进一步的描述，在此不予赘述。
88.本实施例中，在接收到用户通过客户端触发的理赔请求后，会先对用户进行身份验证，若身份验证通过则基于提醒信息提醒用户上传车损图片，然后将所述车损图片输入至预设的目标预测模型中进行预测以得到相应的理赔概率，如果该理赔概率大于预设的概率阈值，则调用预设的识别模型对所述车损图片进行识别处理，生成与所述车损图片对应的目标损失部位信息与目标损失程度信息，最后根据得到的目标损失部位信息与所述目标损失程度信息生成车辆定损结果并展示。本实施例通过对用户进行身份验证以及对车损图片计算理赔概率来判断是否可理赔，能够有效识别出保险欺诈，避免出现少量用户骗保的现象。另外，在判别出不存在保险欺诈时，能够根据用户提供的车损图片快速高效的自动判断识别出车辆的损失部位与损失程度，进而根据得到的损失部位与损失程度来自动生成车辆定损结果以现自动化理赔，办理理赔操作方式简单，无需查勘人员参与定损，理赔流程速度快，有效地提高了定损的智能化程度与理赔效率，降低了案件定损偏差，提高了客户服务水平。
89.进一步地，本技术一实施例中，上述步骤s20，包括：
90.s200：获取预设的理赔用户白名单，判断所述理赔用户白名单内是否存在与所述用户信息相同的指定用户信息；
91.s201：若存在所述指定用户信息，展示预设的动作输入提醒信息，以提醒所述用户基于所述动作输入提醒信息输入相应的脸部动作信息；
92.s202：采集所述用户输入的所述脸部动作信息，以及获取与所述指定用户信息对应的标准脸部动作信息；其中，所述脸部动作信息包括脸部动作序列，所述脸部动作序列为包含依次执行的多个脸部动作；
93.s203：判断所述脸部动作信息中包含的每一个脸部动作与所述标准脸部动作信息中对应位置处的脸部动作是否全部匹配；
94.s204：若全部匹配，展示预设的笔迹输入提醒信息；其中，所述笔迹输入提醒信息包括与所述指定用户信息对应的标准字；
95.s205：采集所述用户根据所述标准字输入的笔迹；
96.s206：提取所述笔迹的第一笔迹特征数据，以及提取与所述标准字对应的标准笔迹的第二笔迹特征数据；
97.s207：判断所述第一笔迹特征数据与所述第二笔迹特征数据是否匹配；
98.s208：若匹配，判定身份验证通过，否则判定身份验证未通过。
99.如上述步骤s200至s208所述，所述获取所述用户信息、所述用户的脸部动作信息与所述用户的笔迹，基于预设的理赔用户白名单、标准脸部动作信息以及标准笔迹对所述用户进行身份验证，并判断身份验证是否通过的步骤，具体可包括：首先获取预设的理赔用户白名单，判断所述理赔用户白名单内是否存在与所述用户信息相同的指定用户信息。其中，预设的理赔用户白名单为预先创建的存储有合法的用户信息的名单数据。若存在所述指定用户信息，展示预设的动作输入提醒信息，以提醒所述用户基于所述动作输入提醒信息输入相应的脸部动作信息。其中，为保证用户输入的是脸部动作信息，可提前提供并展示动作输入提醒信息，以提示用户输入对应的脸部动作信息，例如眨眼，吐舌头，捏鼻子，捂耳朵等等，从而后续将该脸部动作信息与预存储的与所述指定用户信息对应的标准脸部动作信息进行对比处理，以得到与用户对应的身份比对结果。然后采集所述用户输入的所述脸部动作信息，以及获取与所述指定用户信息对应的标准脸部动作信息。其中，所述脸部动作信息包括脸部动作序列，所述脸部动作序列为包含依次执行的多个脸部动作。所述脸部动作信息为包括用户的脸部动作的图像序列，可通过摄像头获取用户的脸部动作信息。图像序列中包括多张图像，图像序列中的每一张图像中包含有一个脸部动作。以获取目标用户的脸部动作序列为例，装置可通过摄像头采集多张图像，每一张图像中包含有用户执行的一个脸部动作。具体的，脸部动作序列是指包括多个脸部动作的图像序列。例如，一个脸部动作序列包括依次执行的眨眼，吐舌头，捏鼻子，捂耳朵这4个脸部动作。可通过如下方式获取用户的脸部动作序列：通过摄像头采集用户的一个脸部动作；检测获取到继续采集指示或停止采集指示；其中，继续采集指示用于指示继续采集脸部动作，停止采集指示用于指示停止采集脸部动作；若获取到继续采集指示，则再次从上述通过摄像头获取用户的一个脸部动作的步骤开始执行；若获取到停止采集指示，则根据已获取到的用户的各个脸部动作生成用户的脸部动作序列。另外，继续采集指示和停止采集指示可通过相应的选择控件触
发。在时间维度上，通过依次执行多个脸部动作即形成脸部动作序列。此外，所述标准脸部动作信息为相应的合法用户提前录入的脸部动作信息。之后判断所述脸部动作信息中包含的每一个脸部动作与所述标准脸部动作信息中对应位置处的脸部动作是否全部匹配。其中。比对每一组脸部动作是否匹配时的过程可包括：从包含有用户的单个脸部动作的图像中识别用户的单个脸部动作；若用户的单个脸部动作和标准脸部动作信息中对应位置处的单个脸部动作相同，则判定该组脸部动作相匹配，否则判定该组脸部动作不匹配。若全部匹配，展示预设的笔迹输入提醒信息。其中，所述笔迹输入提醒信息包括与所述指定用户信息对应的标准字。其中，对于所述笔迹输入提醒信息的内容不作具体限定，可根据实际需求进行设置，例如可为“请使用手写的方式书写该标准字，谢谢”。后续采集所述用户根据所述标准字输入的笔迹。其中，还可提醒用户在预设位置输入笔迹，所述预设位置可为触摸屏所对应的位置，用户可以在装置的手写输入设备，例如装置的触摸屏上书写出与标准字对应的笔迹，从而可以采集到与该标准字对应的笔迹信息。在得到笔迹信息后，提取所述笔迹的第一笔迹特征数据，以及提取与所述标准字对应的标准笔迹的第二笔迹特征数据。其中，笔迹的笔迹特征数据的提取过程与匹配过程可参考现有技术，在此暂不做过多阐述。最后判断所述第一笔迹特征数据与所述第二笔迹特征数据是否匹配。若匹配，判定身份验证通过，否则判定身份验证未通过。在本实施例中，通过采用多维的匹配方式来对用户进行身份验证，只有当用户信息、脸部动作识别以及笔迹识别同时都通过验证后才会认为用户通过身份验证，从而提高了对于用户的身份验证流程的安全性。并且，由于脸部动作信息和笔迹信息均可通过摄像头采集得到，因此不会影响到信息采集的便捷性，也不会额外增加设备的硬件成本。另外，通过引入脸部动作信息结合笔迹信息一起进行身份验证，即使用户的其他身份信息被他人获取，只要用户设置的脸部动作信息与笔迹信息不泄漏给他人，他人仍然无法仿冒用户通过身份验证，有效地提高了身份验证的安全性。此外，只有在用户通过了身份验证时，后续才会对接收到的理赔请求进行进一步的处理，避免对未通过身份验证的疑似骗保行为进行响应，保证了理赔请求在处理过程中的安全性与规范性。
100.进一步地，本技术一实施例中，上述步骤s40之前，包括：
101.s400：获取预先训练生成的多个预测模型；其中，每一个所述预测模型模型是根据各自不同的训练样本集对预设的卷积神经网络模型进行训练生成的，每一个所述训练样本集包括若干训练图片，以及与所述训练图片对应的标签，所述预测模型的数量等于所述训练样本集的数量；
102.s401：获取预设的验证样本集；
103.s402：基于所述验证样本集生成各所述预测模型的预测处理时间；
104.s403：基于所述验证样本集，按照预设计算规则生成各所述预测模型的评价分值；
105.s404：获取与所述预测处理时间对应的第一权重，以及获取与所述评价分值的第二权重；
106.s405：基于所述预测处理时间、所述评价分值、所述第一权重与所述第二权重，调用第一预设公式计算各所述预测模型的模型得分；
107.s406：从所有所述预测模型中筛选出模型得分最高的预测模型；
108.s407：将所述模型得分最高的预测模型作为所述目标预测模型。
109.如上述步骤s400至s407所述，在执行所述将所述车损图片输入至预设的目标预测
模型内进行预测的步骤之前，还可包括目标预测模型的确定过程。具体地，首先获取预先训练生成的多个预测模型。其中，每一个所述预测模型模型是根据各自不同的训练样本集对预设的卷积神经网络模型进行训练生成的，每一个所述训练样本集包括若干训练图片，以及与所述训练图片对应的标签，所述预测模型的数量等于所述训练样本集的数量。然后获取预设的验证样本集。其中，所述验证样本集可基于所述训练样本生成，如可随机从训练样本中获取预设数值比例的数据作为该验证样本集，且该预设数值比例可根据实际需求进行设置，例如可设为20％。另外，所述验证样本集包括多个验证图片，以及与各所述验证图片分别对应的标签。并基于所述验证样本集生成各所述预测模型的预测处理时间。其中，生成所述预测处理时间的实现过程可包括：在指定预测模型获取到每一个所述验证图片时，分别统计所述指定预测模型输出与每一个所述验证图片分别对应的预测概率的处理时间。其中，所述指定预测模型为所有所述预测模型中的任意一个模型，验证样本集包括多个验证图片；从所有所述处理时间中剔除掉数值最大的第一处理时间与数值最小的第二处理时间，得到对应的第三处理时间；计算所有所述第三处理时间的和值，并获取所有所述第三处理时间的数量；计算所述和值与所述数量之间的比值；将所述比值作为所述指定预测模型的预测处理时间。以及基于所述验证样本集，按照预设计算规则生成各所述预测模型的评价分值。其中，对于计算生成所述评价分值的具体实现过程将在后续的具体实施例中进行进一步的描述，在此不予赘述。之后获取与所述预测处理时间对应的第一权重，以及获取与所述评价分值的第二权重。其中，对于所述第一权重与所述第二权重的取值不作具体限定，可根据实际需求进行设置。后续基于所述预测处理时间、所述评价分值、所述第一权重与所述第二权重，调用第一预设公式计算各所述预测模型的模型得分。其中，所述第一预设公式具体为：s＝y*a p*b，s为模型得分，y为预测处理时间，a为第一权重，p为评价分值，b为第二权重。最后从所有所述预测模型中筛选出模型得分最高的预测模型，并将所述模型得分最高的预测模型作为所述目标预测模型。本实施例中，通过使用预设的验证样本集生成各所述预测模型的预测处理时间与评价分值，进而可基于得到的评价分值与预测处理时间来确定出目标预测模型，由于得到的目标预测模型具有较高的评价分值以及较快的处理效率，使得后续利用该目标预测模型来对用户上传的车损图片进行预测，能够有效提高得到的与车损图片对应的理赔概率的数据准确性，以及提高对于车损图片的分析处理效率，有利于后续可以基于有目标预测模型生成的理赔概率来实现有效识别保险欺诈。
110.进一步地，本技术一实施例中，上述步骤s403，包括：
111.s4030：将所述验证样本集输入至指定预测模型内，计算得到所述指定预测模型的精确率；其中，所述指定预测模型为所有所述预测模型中的任意一个模型；
112.s4031：将所述验证样本集输入至指定预测模型内，计算得到所述指定预测模型的召回率；
113.s4032：获取预设数值；
114.s4033：基于所述精确率、所述召回率与所述预设数值，调用第二预设公式计算所述指定预测模型的评价分值。
115.如上述步骤s4030至s4033所述，所述基于所述验证样本集，按照预设计算规则生成各所述预测模型的评价分值的步骤，具体可包括：首先将所述验证样本集输入至指定预测模型内，计算得到所述指定预测模型的精确率。其中，所述指定预测模型为所有所述预测
模型中的任意一个模型。以及将所述验证样本集输入至指定预测模型内，计算得到所述指定预测模型的召回率。其中，可通过混淆矩阵来计算生成预测模型的精确率与召回率。混淆矩阵用于衡量一个分类器的准确程度。对于二分类问题，将其样例根据真实类别和分类器的预测类别的组合划分为真正例(truepositive，tp)、假正例(falsepositive，fp)、真反例(truenegative，tn)、假反例(falsenegative，fn)四种情形。基于混淆矩阵，可以根据以下公式计算精确率与召回率：精确率p＝tp/(tp fp)，表示真实情况和预测结果皆为真/预测结果为真；召回率r＝tp/(tp fn)，表示真实情况和预测结果皆为真/真实情况为真。然后获取预设数值。其中，所述预设数值可指精确率的第一预设权重与召回率的第二预设权重之间的比值。其中，对于所述第一预设权重与第二预设权重的取值不作具体限定，可根据实际需求进行设置。举例地，第一预设权重为1，第二预设权重为0.5，或者第一预设权重为0.5，第二预设权重为1，等等。最后基于所述精确率、所述召回率与所述预设数值，调用第二预设公式计算所述指定预测模型的评价分值。其中，所述指定预测模型的评价分值是指结合所述指定预测模型的精确率、召回率、以及精确率与召回率的预设权重之间的比值来计算生成的，该评价分值用于表征指定预测模型的数据综合处理能力。具体的，可将所述精确率、召回率以及预设数值代入至第二预设公式内来生成相应的评价分值。所述第二预设公式具体为：其中，为评价分值，为所述预设数值，p为精确率，r为召回率。举例地，假如精确率为0.95，召回率为0.8，精确率的第一权重为1，召回率的第二权重为0.5，则可得预设数值为1/0.5＝2，重为0.5，则可得预设数值为1/0.5＝2，本实施例中，通过基于验证样本集来生成指定预测模型的精确率与召回率，进而可以使用与召回率与召回率相关的第二预设公式来快速的生成指定预测模型的评价分值，有利于后续可以基于得到的指定预测模型的评价分值来快速准确地从所有预测模型中确定出目标预测模型。由于评价分值对应着模型的数据综合处理能力，因而最终确定的目标预测模型具有较高的数据综合处理能力与处理效率，使得后续利用该目标预测模型来对用户上传的车损图片进行预测，能够有效提高得到的与车损图片对应的理赔概率的数据准确性，以及提高对于车损图片的分析处理效率，有利于后续可以基于有目标预测模型生成的理赔概率来进行有效识别保险欺诈。
116.进一步地，本技术一实施例中，上述步骤s70，包括：
117.s700：展示预设的修理厂列表，并接收所述用户从所述修理厂列表中选择的目标修理厂；
118.s701：获取所述目标修理厂的汽车配件价格与工时价格；
119.s702：获取与所述车损图片对应的车辆信息；其中，所述车辆信息包括车辆品牌、车系、车型；
120.s703：基于所述目标损失部位信息、目标损失程度信息、所述车辆信息、所述汽车配件价格与所述工时价格计算得到对应的定损金额；
121.s704：将所述定损金额作为所述车辆定损结果。
122.如上述步骤s700至s704所述，所述基于所述目标损失部位信息与所述目标损失程度信息生成与所述车损图片对应的车辆定损结果的步骤，具体可包括：首先展示预设的修
理厂列表，并接收所述用户从所述修理厂列表中选择的目标修理厂。其中，所述修理厂列表为预先创建的包含有多个修理厂的列表。然后获取所述目标修理厂的汽车配件价格与工时价格。之后获取与所述车损图片对应的车辆信息。其中，所述车辆信息包括车辆品牌、车系、车型。另外，所述车辆信息可以由用户输入得到，或者可以通过用户的用户信息进行信息查询得到。后续基于所述目标损失部位信息、目标损失程度信息、所述车辆信息、所述汽车配件价格与所述工时价格计算得到对应的定损金额。其中，在计算定损金额时，可以根据车辆信息、损失部位、损失程度、目标修理厂从预设的车辆理赔定损数据库中查找定损方案，并计算出定损价格。所述定损方案包括损失配件、损失程度、配件价格、工时等。具体的，首先可根据车辆品牌、车系、车型、损失配件、损失程度等信息判断损失配件是否为常规配件；如果是常规配件，则根据车型、损失部位及损失程度在工时库中查找已选工时项目、在配件库中查找已选配件项目；之后，通知客户端提示用户从修理厂列表选择修理厂得到相应的目标修理厂；后续调用所选目标修理厂的配件价格、工时价格来计算定损金额。最后将所述定损金额作为所述车辆定损结果。本实施例中，在得到了与用户上传的车损图片对应的目标损失部位信息、目标损失程度信息后，还会进一步根据用户对于修理厂列表的选择操作得到目标修理厂，从而获取所述目标修理厂的汽车配件价格与工时价格，并获取与所述车损图片对应的车辆信息，进而可以根据上述得到的所有数据来计算出与车损图片相对应的定损金额，即车辆定损结果，从而有效地实现了车辆理赔的自动化，提高了理赔的智能化程度与理赔效率，减少了人为操作风险，降低了案件理赔偏差，提高了客户服务水平。
123.进一步地，本技术一实施例中，上述步骤s60之前，包括：
124.s600：采集预设数量的车损样本数据，并对所述车损样本数据进行预设处理，得到处理后的车损样本数据；
125.s601：确定与所述处理后的车损样本数据对应的损失部位信息与损失程度信息；
126.s602：将所述处理后的车损样本数据作为预设的分类模型的输入，将所述损失部位信息与所述损失程度信息作为所述分类模型的输出进行训练得到初始分类模型；
127.s603：获取预设的测试样本集，并基于所述测试样本集对所述初始分类模型进行准确度测试，得到对应的分类准确率；
128.s604：判断所述分类准确率是否大于预设的准确率阈值；
129.s605：若是，将所述初始分类模型作为所述识别模型。
130.如上述步骤s600至s605所述，在执行所述调用预设的识别模型对所述车损图片进行识别处理，生成与所述车损图片对应的目标损失部位信息与目标损失程度信息的步骤之前，还可包括识别模型的训练生成过程。具体地，首先采集预设数量的车损样本数据，并对所述车损样本数据进行预设处理，得到处理后的车损样本数据。其中，所述预设处理过程可包括：模数转换、二值化、图象的平滑、变换、增强、恢复、滤波等。然后确定与所述处理后的车损样本数据对应的损失部位信息与损失程度信息。其中，所述损失部位信息与损失程度信息可由专业人员对所述处理后的车损样本数据进行分析鉴定后进行标注生成。之后将所述处理后的车损样本数据作为预设的分类模型的输入，将所述损失部位信息与所述损失程度信息作为所述分类模型的输出进行训练得到初始分类模型。其中，所述分类模型可采用根据现有技术中任一分类方式建立的分类模型，如svm、贝叶斯算法、最近邻分类算法、最大期望算法等。后续获取预设的测试样本集，并基于所述测试样本集对所述初始分类模型进
行准确度测试，得到对应的分类准确率。最后判断所述分类准确率是否大于预设的准确率阈值。若是，将所述初始分类模型作为所述识别模型。其中，在对分类模型训练一段时间得到初始分类模型后，利用所述测试样本集对所述初始分类模型进行准确度测试，即将测试样本集中的若干测试样本输入到初始分类模型中，初始分类模型预测得到每一个测试样本的分类标签结果，并将每一测试样本的分类标签结果与对该测试样本所标注的正确标签(损失部位信息与损失程度信息)进行对比，如果一致，则该初始分类模型对该测试样本的分类准确，如果不一致，则该初始分类模型对该测试样本的分类错误，从而统计得到初始分类模型的预测准确率(预测准确率＝预测准确的测试样本的数量/测试样本的总数量)，如果所得到的预测准确率满足设定的准确率要求，即大于预设的准确率阈值，则该初始分类模型收敛，从而结束该初始分类模型的训练，并将结束训练的初始分类模型作为所述识别模型，并用于对用户上传的车损图片进行识别处理。进一步地，若预测准确率小于或等于所述准确率阈值，那么说明所述训练后的初始分类模型的训练还没有达到了预设标准，可能是用于训练的车损样本数据的样本数量过少或测试样本集的样本数量过少，因而，在这种情况时，则增大车损样本数据的预设数量(即增大了样本数量，例如，每次增加固定数量或每次增加随机数量)，然后在这基础上重新执行上述的训练步骤与测试步骤，如此循环执行，直至达到了训练后的初始分类模型的模型准确率大于预设的准确率阈值的要求，则结束模型训练。本实施例中，通过基于包括预设数量的车损样本数据，以及与车损样本数据对应的损失部位信息与损失程度信息的车损训练样本来对预设的分类模型进行训练及测试，从而可以智能快速的生成符合实际使用需求的识别模型，有利于后续在得到用户上传的车损图片时，能够基于该识别模型对该车损图片进行识别处理，进而准确快速地生成与车损图片对应的目标损失部位信息与目标损失程度信息，有利于后续可以基于所述目标损失部位信息与所述目标损失程度信息类自动快速生成相应的车辆定损结果，并向用户展示所述车辆定损结果，实现了车辆理赔的自动化，提高了理赔的智能化程度与理赔效率，减少了人为操作风险，降低了案件理赔偏差，提高了客户服务水平。
131.进一步地，本技术一实施例中，上述步骤s40之前，包括：
132.s410：基于预设算法生成与所述车损图片对应的模糊程度数值；
133.s411：获取预设的模糊阈值；
134.s412：判断所述模糊程度数值是否小于所述模糊阈值；
135.s413：若小于所述模糊阈值，生成将所述车损图片输入至预设的目标预测模型内进行预测的处理指令；
136.s414：若大于所述模糊阈值，展示预设的拍摄提醒信息，以提醒所述用户重新拍摄并上传符合要求的车损照片。
137.如上述步骤s410至s414所述，所述将所述车损图片输入至预设的目标预测模型内进行预测的步骤之前，还可包括对于车损图片的质量检测过程。具体地，首先基于预设算法生成与所述车损图片对应的模糊程度数值。其中，所述模糊程度数值用于表示该车损图片的模糊程度，当模糊程度数值越大，其对应的车损图片的模糊程度也越大，反之，其对应的车损图片的模糊程度也越小。另外，所述预设算法具体为拉普拉斯(laplace)算子，可通过拉普拉斯算子计算车损图片的模糊程度数值。然后获取预设的模糊阈值。其中，对于所述模糊阈值的取值不作具体限定，可根据实际需求进行设置。如果生成的车损图片对应的模糊
程度数值大于该模糊阈值，则表明该车损图片不符合要求，需要用户重新拍摄再上传。后续判断所述模糊程度数值是否小于所述模糊阈值。若小于所述模糊阈值，生成将所述车损图片输入至预设的目标预测模型内进行预测的处理指令。而若大于所述模糊阈值，展示预设的拍摄提醒信息，以提醒所述用户重新拍摄并上传符合要求的车损照片。本实施例中，在用户拍摄完车损照片并上传后，还会智能地先对该车损图片进行模糊检测以判断其是否符合标准处理要求，即计算车损图片对应的模糊程度数值并与预设的模糊阈值进行大小比较，只有模糊程度数值小于所述模糊阈值，后续才会生成将所述车损图片输入至预设的目标预测模型的处理指令，以执行后续的关于该车损图片的理赔处理，保证了理赔流程的规范性与准确性，避免出现对不符合处理要求的车损图片进行处理而导致消耗无用功，提高了理赔处理的智能性。
138.本技术实施例中的基于人工智能的理赔方法还可以应用于区块链领域，如将上述车辆定损结果等数据存储于区块链上。通过使用区块链来对上述车辆定损结果进行存储和管理，能够有效地保证上述车辆定损结果的安全性与不可篡改性。
139.上述区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
140.区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)。基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储。智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能。运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。
141.参照图2，本技术一实施例中还提供了一种基于人工智能的理赔装置，包括：
142.第一判断模块1，用于判断是否接收到用户通过客户端触发的理赔请求；其中，所述理赔请求携带用户信息；
143.验证模块2，用于若接收到所述理赔请求，获取所述用户信息、所述用户的脸部动作信息与所述用户的笔迹，基于预设的理赔用户白名单、标准脸部动作信息以及标准笔迹对所述用户进行身份验证，并判断身份验证是否通过；
144.提醒模块3，用于若身份验证通过，基于预设的提醒信息提醒所述用户上传车损图片；
145.第一生成模块4，用于将所述车损图片输入至预设的目标预测模型内进行预测，通过所述目标预测模型输出与所述车损图片对应的理赔概率；
146.第二判断模块5，用于判断所述理赔概率是否大于预设的概率阈值；
147.第二生成模块6，用于若大于所述概率阈值，调用预设的识别模型对所述车损图片进行识别处理，生成与所述车损图片对应的目标损失部位信息与目标损失程度信息；
148.第三生成模块7，用于基于所述目标损失部位信息与所述目标损失程度信息生成与所述车损图片对应的车辆定损结果。
149.本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的理赔方法的步骤一一对应，在此不再赘述。
150.进一步地，本技术一实施例中，上述验证模块2，包括：
151.第一获取单元，用于获取预设的理赔用户白名单，判断所述理赔用户白名单内是否存在与所述用户信息相同的指定用户信息；
152.第一提醒单元，用于若存在所述指定用户信息，展示预设的动作输入提醒信息，以提醒所述用户基于所述动作输入提醒信息输入相应的脸部动作信息；
153.第一采集单元，用于采集所述用户输入的所述脸部动作信息，以及获取与所述指定用户信息对应的标准脸部动作信息；其中，所述脸部动作信息包括脸部动作序列，所述脸部动作序列为包含依次执行的多个脸部动作；
154.第一判断单元，用于判断所述脸部动作信息中包含的每一个脸部动作与所述标准脸部动作信息中对应位置处的脸部动作是否全部匹配；
155.第二提醒单元，用于若全部匹配，展示预设的笔迹输入提醒信息；其中，所述笔迹输入提醒信息包括与所述指定用户信息对应的标准字；
156.第二采集单元，用于采集所述用户根据所述标准字输入的笔迹；
157.提取单元，用于提取所述笔迹的第一笔迹特征数据，以及提取与所述标准字对应的标准笔迹的第二笔迹特征数据；
158.第二判断单元，用于判断所述第一笔迹特征数据与所述第二笔迹特征数据是否匹配；
159.判定单元，用于若匹配，判定身份验证通过，否则判定身份验证未通过。
160.本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的理赔方法的步骤一一对应，在此不再赘述。
161.进一步地，本技术一实施例中，上述基于人工智能的理赔装置，包括：
162.第一获取模块，用于获取预先训练生成的多个预测模型；其中，每一个所述预测模型模型是根据各自不同的训练样本集对预设的卷积神经网络模型进行训练生成的，每一个所述训练样本集包括若干训练图片，以及与所述训练图片对应的标签，所述预测模型的数量等于所述训练样本集的数量；
163.第二获取模块，用于获取预设的验证样本集；
164.第四生成模块，用于基于所述验证样本集生成各所述预测模型的预测处理时间；
165.第五生成模块，用于基于所述验证样本集，按照预设计算规则生成各所述预测模型的评价分值；
166.第三获取模块，用于获取与所述预测处理时间对应的第一权重，以及获取与所述
评价分值的第二权重；
167.计算模块，用于基于所述预测处理时间、所述评价分值、所述第一权重与所述第二权重，调用第一预设公式计算各所述预测模型的模型得分；
168.筛选模块，用于从所有所述预测模型中筛选出模型得分最高的预测模型；
169.第一确定模块，用于将所述模型得分最高的预测模型作为所述目标预测模型。
170.本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的理赔方法的步骤一一对应，在此不再赘述。
171.进一步地，本技术一实施例中，上述计算模块，包括：
172.第一计算单元，用于将所述验证样本集输入至指定预测模型内，计算得到所述指定预测模型的精确率；其中，所述指定预测模型为所有所述预测模型中的任意一个模型；
173.第二计算单元，用于将所述验证样本集输入至指定预测模型内，计算得到所述指定预测模型的召回率；
174.第二获取单元，用于获取预设数值；
175.第三计算单元，用于基于所述精确率、所述召回率与所述预设数值，调用第二预设公式计算所述指定预测模型的评价分值。
176.本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的理赔方法的步骤一一对应，在此不再赘述。
177.进一步地，本技术一实施例中，上述第三生成模块7，包括：
178.接收单元，用于展示预设的修理厂列表，并接收所述用户从所述修理厂列表中选择的目标修理厂；
179.第三获取单元，用于获取所述目标修理厂的汽车配件价格与工时价格；
180.第四获取单元，用于获取与所述车损图片对应的车辆信息；其中，所述车辆信息包括车辆品牌、车系、车型；
181.第四计算单元，用于基于所述目标损失部位信息、目标损失程度信息、所述车辆信息、所述汽车配件价格与所述工时价格计算得到对应的定损金额；
182.确定单元，用于将所述定损金额作为所述车辆定损结果。
183.本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的理赔方法的步骤一一对应，在此不再赘述。
184.进一步地，本技术一实施例中，上述基于人工智能的理赔装置，包括：
185.处理模块，用于采集预设数量的车损样本数据，并对所述车损样本数据进行预设处理，得到处理后的车损样本数据；
186.第二确定模块，用于确定与所述处理后的车损样本数据对应的损失部位信息与损失程度信息；
187.训练模块，用于将所述处理后的车损样本数据作为预设的分类模型的输入，将所述损失部位信息与所述损失程度信息作为所述分类模型的输出进行训练得到初始分类模型；
188.测试模块，用于获取预设的测试样本集，并基于所述测试样本集对所述初始分类模型进行准确度测试，得到对应的分类准确率；
189.第三判断模块，用于判断所述分类准确率是否大于预设的准确率阈值；
190.第三确定模块，用于若是，将所述初始分类模型作为所述识别模型。
191.本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的理赔方法的步骤一一对应，在此不再赘述。
192.进一步地，本技术一实施例中，上述基于人工智能的理赔装置，包括：
193.第六生成模块，用于基于预设算法生成与所述车损图片对应的模糊程度数值；
194.第四获取模块，用于获取预设的模糊阈值；
195.第四判断模块，用于判断所述模糊程度数值是否小于所述模糊阈值；
196.第七生成模块，用于若小于所述模糊阈值，生成将所述车损图片输入至预设的目标预测模型内进行预测的处理指令；
197.展示模块，用于若大于所述模糊阈值，展示预设的拍摄提醒信息，以提醒所述用户重新拍摄并上传符合要求的车损照片。
198.本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的理赔方法的步骤一一对应，在此不再赘述。
199.参照图3，本技术实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏、输入装置和数据库。其中，该计算机设备设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括存储介质、内存储器。该存储介质存储有操作系统、计算机程序和数据库。该内存储器为存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户信息、提醒信息、车损图片、理赔概率、目标损失部位信息、目标损失程度信息以及车辆定损结果。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备的显示屏是计算机中必不可少的一种图文输出设备，用于将数字信号转换为光信号，使文字与图形在显示屏的屏幕上显示出来。该计算机设备的输入装置是计算机与用户或其他设备之间进行信息交换的主要装置，用于把数据、指令及某些标志信息等输送到计算机中去。该计算机程序被处理器执行时以实现一种基于人工智能的理赔方法。
200.上述处理器执行上述基于人工智能的理赔方法的步骤：
201.判断是否接收到用户通过客户端触发的理赔请求；其中，所述理赔请求携带用户信息；若接收到所述理赔请求，获取所述用户信息、所述用户的脸部动作信息与所述用户的笔迹，基于预设的理赔用户白名单、标准脸部动作信息以及标准笔迹对所述用户进行身份验证，并判断身份验证是否通过；若身份验证通过，基于预设的提醒信息提醒所述用户上传车损图片；将所述车损图片输入至预设的目标预测模型内进行预测，通过所述目标预测模型输出与所述车损图片对应的理赔概率；判断所述理赔概率是否大于预设的概率阈值；若大于所述概率阈值，调用预设的识别模型对所述车损图片进行识别处理，生成与所述车损图片对应的目标损失部位信息与目标损失程度信息；基于所述目标损失部位信息与所述目标损失程度信息生成与所述车损图片对应的车辆定损结果。
202.本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的装置、计算机设备的限定。本技术一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于人工智能的理赔方法，具体为：
203.判断是否接收到用户通过客户端触发的理赔请求；其中，所述理赔请求携带用户信息；若接收到所述理赔请求，获取所述用户信息、所述用户的脸部动作信息与所述用户的笔迹，基于预设的理赔用户白名单、标准脸部动作信息以及标准笔迹对所述用户进行身份验证，并判断身份验证是否通过；若身份验证通过，基于预设的提醒信息提醒所述用户上传车损图片；将所述车损图片输入至预设的目标预测模型内进行预测，通过所述目标预测模型输出与所述车损图片对应的理赔概率；判断所述理赔概率是否大于预设的概率阈值；若大于所述概率阈值，调用预设的识别模型对所述车损图片进行识别处理，生成与所述车损图片对应的目标损失部位信息与目标损失程度信息；基于所述目标损失部位信息与所述目标损失程度信息生成与所述车损图片对应的车辆定损结果。
204.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram通过多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
205.以上所述仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。