In de autoschade-industrie is het gebruikelijk dat schade-experts foto’s maken van de auto in kwestie. Deze foto’s worden gebruikt als er achteraf nog ergens onduidelijkheid over bestaat. Omdat de foto’s negen van de tien keer geen rol spelen in het bepalen van de schade, zijn deze vaak van slechte kwaliteit. Vaak blijkt dan ook dat de foto’s te onduidelijk zijn om te gebruiken in geval van discussie. Ze zijn bijvoorbeeld van te dichtbij of juist te veraf genomen, de belichting is verkeerd et cetera. Met computer vision kan er binnenkort een schadecalculatie gedaan worden zonder inmenging van een menselijke schade-expert; volledig geautomatiseerd en real-time.
Model geautomatiseerd trainen
Hoe gaat dit in zijn werk? De eerste stap is het trainen van een computer vision model dat in staat is om de foto’s te valideren op bruikbaarheid en kwaliteit. Als basis gebruiken we een computer vision-model dat al is getraind om foto’s te herkennen. Hier zijn regels aan toegevoegd die betrekking hebben op de kwaliteit van een foto: van welke afstand moet de foto genomen zijn? Wanneer wordt de foto gekwalificeerd als te donker of te licht? Op die manier kun je automatisch foto’s afwijzen die niet aan de kwaliteitscriteria voldoen. Het model wordt getraind op verschillende foto’s: foto’s die bij kunstlicht zijn genomen en bij daglicht, foto’s van auto’s met meerdere schades of foto’s met een spiegeling waarin je de schade van een andere auto ziet.
Combineren van foto met informatie schadeformulier
De tweede fase betreft de classificatie van objecteigenschappen. Kun je uit de beelden destilleren om welk merk en model auto het gaat, wat het kenteken is en vanuit welke hoek een foto is genomen? Zo maken we het proces voor de schade-expert makkelijker. Ook maken we koppelingen naar externe bronnen, zoals bijvoorbeeld met de Audatex standaard, een standaard voor schadecalculaties. Als de schade-expert een foto uploadt met een nummerbord erop, wordt alle herkende informatie al ingevuld op het formulier. Op die manier is de informatie op het formulier verrijkt met nog meer data.
In stap drie worden ook het detecteren en classificeren van optische schade toegevoegd, zoals een deuk of kras. Het AI-model bepaalt dan zelf de omvang van deze schade, de locatie en de beschadigde onderdelen.
De volgende stap is om deze informatie te combineren met de informatie op het schadeformulier en zo te herkennen of de schade past bij de omschrijving van het ongeval. Op die manier kun je bijvoorbeeld fraude ontdekken. Uiteindelijk wordt toegewerkt naar een model dat schadecalculaties kan maken op basis van foto’s die schade-experts maken én op basis van foto’s die de bestuurders zelf maken. Op die manier snijd je stappen uit het schadecalculatieproces, verhoog je de STP en verminder je de kans op fouten en/of fraude.
Onderdeel van een groter proces
Zit er ergens in jouw proces een visuele inspectie en is jouw bedrijf op zoek naar meer efficiency in dat proces? Kijk dan eens naar de mogelijkheden van computer vision in combinatie met andere data die je in het proces gebruikt. Begin klein, met één knelpunt in het huidige proces. Zodra je dat hebt opgelost, kun je de volgende bottleneck aanpakken. Hoe verder je komt, hoe meer interne en externe informatiebronnen je waarschijnlijk wilt koppelen om tot nóg betere uitkomsten te komen. Want uiteindelijk maakt de visuele inspectie altijd onderdeel uit van een groter proces. Op deze manier kom je stap voor stap dichter bij de stip aan de horizon: visuele inspectie zonder menselijke inmenging.
