AI-система визуальной оценки повреждений автомобиля по фото

ИИ-оценка повреждений автомобиля по фото

Мы разработали AI-систему визуальной оценки повреждений автомобиля по фото. Она решает задачу страхового скоринга в реальном времени. Опыт наших инженеров в машинном зрении превышает 10 лет, а число внедрённых проектов — более 50. Компания работает на рынке AI-решений более 5 лет. Представьте: клиент фотографирует машину на парковке, загружает 6 снимков в приложение. Через 40 секунд получает предварительную оценку ущерба. Без выезда эксперта, без очереди на осмотр. Эта архитектура на базе YOLOv8-seg + регрессионной модели стоимости разворачивается в продакшн за 8–12 недель. Она гарантирует снижение затрат на экспертизу на 30–50%. Для типового страхового портфеля экономия бюджета может достигать $20k–30k. в год. Для портфеля из 10 000 полисов экономия составит около $135k–195k. в год.

Что реально детектирует модель

Задача делится на три уровня:

• Локализация повреждений — где именно и что: вмятина (dent), царапина (scratch), трещина (crack), разбитое стекло (glass damage), деформация кузова (deformation). Сегментационная модель даёт полигональную маску каждого дефекта с площадью в пикселях.
• Классификация детали — к какой зоне автомобиля относится повреждение: передний бампер, капот, левое переднее крыло, дверь и т.д. Это важно для привязки к прайсу нормо-часов конкретной детали.
• Оценка severity — лёгкое / среднее / тяжёлое повреждение. Регрессионная голова на фичах из backbone даёт скор, который умножается на коэффициенты из справочника стоимости.

Архитектура пайплайна

Двухэтапная схема работает надёжнее сквозного end-to-end:

1. Детекция и сегментация повреждений -> YOLOv8-seg или SAM 2 с автоматическими промптами по зонам авто
2. Классификация детали -> ResNet-50 или EfficientNet-B3, обученный на разбивке кузова (30–50 классов деталей)
3. Оценка стоимости -> XGBoost или LightGBM на признаках: площадь маски, класс детали, severity score, марка/модель авто из EXIF или отдельного классификатора

# 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

Как мы обеспечиваем качество детекции

Почему мелкие царапины — самая частая проблема?

При стандартном imgsz=640 царапина длиной 10 см на расстоянии 1.5 метра занимает 3–4 пикселя. YOLOv8 пропускает их с IoU < 0.3. Поднятие imgsz до 1280 увеличивает recall по мелким дефектам с 0.44 до 0.71, но latency растёт с 28ms до 95ms на RTX 3090. Мы балансируем через автоматический выбор разрешения на основе метаданных камеры.

Как модель отличает новые повреждения от старых?

Свежий скол имеет белый край, старый — коричневый от ржавчины. Мы добавляем цветовой анализ краёв маски и cross-check с историей предыдущих осмотров. Это снижает юридические риски для страховой компании.

Датасет и обучение

Минимальный объём для рабочей модели: 5 000 размеченных изображений с масками, покрывающих все классы повреждений и детали. На практике используем:

• Открытые датасеты: CarDD (4 000 фото), COCO с дообучением
• Синтетика из Blender — для редких случаев (тотальное разрушение передней части)
• Клиентские данные из архива страховых дел

Fine-tuning YOLOv8x-seg на RTX 4090 с датасетом 8 000 изображений — около 18 часов (100 эпох, batch=16, imgsz=1280). Финальные метрики: [email protected] = 0.79, [email protected]:0.95 = 0.61.

Сравнение производительности на различных устройствах

Для разных типов повреждений точность детекции также различается. Например, recall по вмятинам достигает 0.85, а по мелким царапинам — 0.71.

Что входит в работу

• Аудит данных — проверка репрезентативности датасета, рекомендации по сбору и разметке
• Разработка модели — fine-tuning, quantization (INT8/INT4), экспорт в ONNX/TensorRT
• Интеграционное API — FastAPI, эндпоинты для загрузки фото, получения масок и стоимости
• Мобильное SDK — CoreML (iOS), TFLite (Android) с примером интеграции
• Документация — OpenAPI спецификация, model card, инструкция по разметке новых данных
• Поддержка — 3 месяца гарантийного сопровождения после запуска

Как мы строим модель оценки повреждений: пошаговый процесс

1. Сбор и разметка — 5 000+ изображений с полигональными масками от экспертов страховой компании
2. Обучение — transfer learning с YOLOv8x-seg, 100 эпох, 8–12 часов на RTX 4090
3. Валидация — тестирование на отложенной выборке ([email protected] > 0.75) и на реальных кейсах заказчика
4. Оптимизация — TensorRT FP16 для сервера, CoreML/TFLite для мобильных устройств
5. Развёртывание — Docker-контейнер на Kubernetes, мониторинг latency p99 и drift

Типичные ошибки модели и их решения

• Освещение и блики — симуляция RandomSunFlare в augmentations, quality check отбраковывает пересвеченные фото.
• Мелкие царапины — увеличение imgsz до 1280 и использование retina_masks повышает recall с 0.44 до 0.71.
• Старые vs новые повреждения — цветовой анализ краёв маски + cross-check с историей осмотров.

Сроки проекта

От 8 до 16 недель в зависимости от наличия размеченных данных и требований по интеграции с системами страховщика. Стоимость рассчитывается индивидуально.

Свяжитесь с нами для консультации по вашему проекту. Закажите пилотный проект, чтобы оценить точность на своих данных. Получите демо-доступ к системе на своих фото.