הערכת נזקי רכב מבוססת בינה מלאכותית מתמונות

פיתחנו מערכת הערכת נזקי רכב חזותית מבוססת בינה מלאכותית הפותרת ניקוד ביטוחי בזמן אמת. למהנדסים שלנו ניסיון של למעלה מ-10 שנים בראייה ממוחשבת והם סיפקו יותר מ-50 פרויקטים. החברה נמצאת בשוק פתרונות הבינה המלאכותית למעלה מ-5 שנים. דמיינו: לקוח מצלם רכב בחניון, מעלה 6 תמונות לאפליקציה, ובתוך 40 שניות מקבל הערכת נזק ראשונית—ללא ביקור מומחה, ללא תור לבדיקה. ארכיטקטורה זו, המבוססת על YOLOv8-seg + מודל רגרסיה לעלויות, ניתנת לפריסה לייצור תוך 8–12 שבועות. היא מבטיחה הפחתה של 30–50% בעלויות המומחים. עבור תיק ביטוחי טיפוסי, החיסכון התקציבי יכול להגיע ל-$20k–30k בשנה; עבור תיק של 10,000 פוליסות, החיסכון מסתכם בכ-$135k–195k בשנה.

מה המודל מזהה בפועל

המשימה מתחלקת לשלוש רמות:

• איתור נזק — היכן ומה: שקע, שריטה, סדק, זכוכית שבורה, עיוות מרכב. מודל סגמנטציה מפיק מסכת מצולע לכל פגם עם שטח בפיקסלים.
• סיווג חלק — לאיזה אזור ברכב שייך הנזק: פגוש קדמי, מכסה מנוע, כנף קדמית שמאלית, דלת וכו'. זה קריטי למיפוי לתעריפי השעות של חלקים ספציפיים.
• הערכת חומרה — נזק קל / בינוני / חמור. ראש רגרסיה על מאפייני הבסיס מספק ציון המוכפל במקדמים מטבלת עזר לעלויות.

ארכיטקטורת הצינור

תכנית דו-שלבית פועלת בצורה אמינה יותר מאשר מקצה לקצה:

1. זיהוי נזק וסגמנטציה → YOLOv8-seg או SAM 2 עם הנחיות אוטומטיות לכל אזור ברכב
2. סיווג חלק → ResNet-50 או EfficientNet-B3 מאומן על פירוט מרכב (30–50 מחלקות חלקים)
3. הערכת עלות → XGBoost או LightGBM על מאפיינים: שטח מסכה, מחלקת חלק, ציון חומרה, יצרן/דגם (מ-EXIF או מסיווג נפרד)

# Пример инференса сегментационной модели
from ultralytics import YOLO
import cv2

model = YOLO('damage_seg_v8x.pt')  # fine-tuned на датасете повреждений
results = model.predict(
    source='car_damage.jpg',
    conf=0.35,
    iou=0.45,
    imgsz=1280,  # высокое разрешение критично для мелких царапин
    retina_masks=True
)

for r in results:
    masks = r.masks.data  # (N, H, W) tensor
    classes = r.boxes.cls  # классы повреждений
    areas = masks.sum(dim=[1,2])  # площадь каждой маски в пикселях

כיצד אנו מבטיחים איכות זיהוי

מדוע שריטות קטנות הן הבעיה הנפוצה ביותר?

ב-imgsz=640 סטנדרטי, שריטה של 10 ס"מ במרחק 1.5 מטר תופסת 3–4 פיקסלים. YOLOv8 מפספס אותן עם IoU < 0.3. העלאת imgsz ל-1280 מגדילה את הרקול לבעיות קטנות מ-0.44 ל-0.71, אך זמן האחזור גדל מ-28 אלפיות השנייה ל-95 אלפיות השנייה על RTX 3090. אנו מאזנים זאת על ידי בחירה אוטומטית של רזולוציה בהתבסס על מטא-נתונים של המצלמה.

כיצד המודל מבחין בין נזק חדש לישן?

לשבבים טריים יש קצוות לבנים, לישנים יש קצוות חלודה חומים. אנו מוסיפים ניתוח צבע של קצוות המסכה ומצלבים עם היסטוריית בדיקות קודמות. זה מפחית סיכונים משפטיים עבור חברת הביטוח.

מערך נתונים והדרכה

גודל מערך נתונים מינימלי למודל עובד: 5,000 תמונות מסומנות עם מסכות המכסות את כל מחלקות הנזק והחלקים. בפועל אנו משתמשים ב:

• מערכי נתונים פתוחים: CarDD (4,000 תמונות), COCO עם כוונון עדין
• סינתטי מ-Blender — למקרים נדירים (הרס קדמי מלא)
• נתוני לקוחות מארכיוני תיקי ביטוח

כוונון עדין של YOLOv8x-seg על RTX 4090 עם 8,000 תמונות אורך כ-18 שעות (100 אפוקות, batch=16, imgsz=1280). מדדים סופיים: [email protected] = 0.79, [email protected]:0.95 = 0.61.

השוואת ביצועים במכשירים שונים

דיוק הזיהוי משתנה לפי סוג הנזק. לדוגמה, הרקול על שקעים מגיע ל-0.85, בעוד על שריטות קטנות הוא 0.71.

מה כלול בעבודה

• ביקורת נתונים — בדיקת ייצוגיות מערך הנתונים, המלצות על איסוף ותיוג
• פיתוח מודל — כוונון עדין, קוונטיזציה (INT8/INT4), ייצוא ל-ONNX/TensorRT
• API אינטגרציה — נקודות קצה של FastAPI להעלאת תמונות, שליפת מסכות וחישוב עלויות
• SDK לנייד — CoreML (iOS), TFLite (Android) עם דוגמת אינטגרציה
• תיעוד — מפרט OpenAPI, כרטיס מודל, הוראות תיוג לנתונים חדשים
• תמיכה — 3 חודשי אחריות לאחר ההשקה

כיצד אנו בונים את מודל הערכת הנזק: תהליך שלב אחר שלב

1. איסוף ותיוג — 5,000+ תמונות עם מסכות מצולע ממומחי מבטחים
2. הדרכה — למידת העברה מ-YOLOv8x-seg, 100 אפוקות, 8–12 שעות על RTX 4090
3. ולידציה — בדיקה על מערך מוחזק ([email protected] > 0.75) ועל מקרים אמיתיים מהלקוח
4. אופטימיזציה — TensorRT FP16 לשרת, CoreML/TFLite לנייד
5. פריסה — קונטיינר Docker על Kubernetes, ניטור אחזור p99 וסחיפה

שגיאות מודל נפוצות והפתרונות שלהן

• תאורה ובוהק — סימולציה של RandomSunFlare בהגדלות, בדיקת איכות דוחה תמונות חשופות יתר
• שריטות קטנות — הגדלת imgsz ל-1280 ושימוש ב-retina_masks, העלאת הרקול מ-0.44 ל-0.71
• נזק ישן מול חדש — ניתוח צבע של קצוות מסכה + הצלבה עם היסטוריית בדיקות

לוחות זמנים לפרויקט

8 עד 16 שבועות בהתאם לזמינות נתונים מסומנים ודרישות אינטגרציה עם מערכות המבטח. העלות מחושבת באופן פרטני.

צרו קשר לייעוץ על הפרויקט שלכם. הזמינו פרויקט פיילוט להערכת דיוק על הנתונים שלכם. קבלו גישת הדגמה למערכת עם התמונות שלכם.