مرکز منطقه ای اطلاع رسانی علوم و فناوری مدیریت فردا 2228-6047 24 83 2026 4 30 Vehicle Damage Detection After Accidents Using Deep Neural Networks: A Case Study in the Insurance Industry تشخیص آسیب خودرو پس از تصادفات با استفاده از شبکه های عصبی عمیق: یک مطالعه موردی در صنعت بیمه 135 162 fa فاطمه صرامی دانشگاه تهران حسین محمدی دولت آبادی 2024 3 13 <p>Objective: This study aims to investigate the capability of convolutional neural networks (CNNs) to identify and classify vehicle damage after accidents and to evaluate their potential application in the insurance industry. Necessity: Vehicle damage assessment in the insurance industry is generally time-consuming and requires expert inspection. The application of intelligent image-processing methods can facilitate preliminary damage assessment, reduce claim-processing time, and support the development of intelligent insurance systems. Methodology: The research data consists of real images of damaged vehicles belonging to third-party insurance customers during 2020 and 2021. From approximately 20,000 images, 4,100 were selected to train and evaluate seven deep learning architectures: AlexNet, VGG-19, ResNet-50, ResNet-101, EfficientNetB7, EfficientNetV2L, and MobileNetV2. The models were evaluated for classifying six types of vehicle damage: superficial damage, severe damage, side-mirror damage, windshield damage, tire damage, and vehicle-light damage. Findings: The results showed that model performance in terms of speed and accuracy was influenced by the structure and characteristics of the pre-trained architecture. The classification accuracy of the evaluated models ranged from 59% to 63%. The findings also demonstrated the capability of deep convolutional neural networks to extract visual features and distinguish different types of vehicle damage. Conclusion: The findings indicate that convolutional neural networks and transfer learning methods have promising potential for the identification and preliminary assessment of vehicle damage after accidents. These models can provide a foundation for developing intelligent damage assessment systems in the insurance industry, helping to reduce assessment time, accelerate claim-processing procedures, and improve the efficiency of insurance processes</p> <p>هدف: بررسی قابلیت شبکه&zwnj;های عصبی پیچشی در شناسایی و طبقه&zwnj;بندی خسارت خودرو پس از تصادف در صنعت بیمه است.. روش شناسی: داده&zwnj;های پژوهش شامل تصاویر واقعی خودروهای آسیب&zwnj;دیده متعلق به مشتریان بیمه شخص ثالث در سال&zwnj;های ۱۳۹۹ و ۱۴۰۰ است. از میان حدود ۲۰ هزار تصویر، ۴۱۰۰ تصویر برای آموزش و ارزیابی هفت معماری شامل AlexNet، VGG-19، ResNet-50، ResNet-101، EfficientNetB7، EfficientNetV2L و MobileNetV2 انتخاب شد. مدل&zwnj;ها برای تشخیص شش نوع آسیب شامل آسیب سطحی، عمیق، آینه جانبی، شیشه، لاستیک و چراغ خودرو مورد بررسی قرار گرفتند. یافته&zwnj;ها: نتایج نشان داد که عملکرد مدل&zwnj;ها از نظر سرعت و دقت، تا حد زیادی تحت تأثیر ساختار و ویژگی&zwnj;های معماری شبکه&zwnj;های از پیش آموزش&zwnj;دیده قرار دارد. دقت مدل&zwnj;های مورد بررسی در تشخیص و طبقه&zwnj;بندی انواع خسارت خودرو در بازه ۵۹ تا ۶۳ درصد قرار گرفت. مقایسه معماری&zwnj;های مختلف همچنین نشان داد که استفاده از شبکه&zwnj;های عصبی پیچشی عمیق می&zwnj;تواند قابلیت قابل قبولی در استخراج ویژگی&zwnj;های تصویری و تفکیک انواع آسیب&zwnj;های خودرو فراهم کند، هرچند عملکرد مدل&zwnj;ها به کیفیت و حجم داده&zwnj;های آموزشی و همچنین نوع معماری مورد استفاده وابسته است. نتیجه&zwnj;گیری: نتایج پژوهش بیانگر ظرفیت شبکه&zwnj;های عصبی پیچشی و روش&zwnj;های انتقال یادگیری برای شناسایی و ارزیابی اولیه خسارت خودرو پس از تصادف است. استفاده از چنین مدل&zwnj;هایی می&zwnj;تواند به&zwnj;عنوان بستری برای توسعه سامانه&zwnj;های هوشمند ارزیابی خسارت در صنعت بیمه مورد توجه قرار گیرد و در صورت توسعه مجموعه&zwnj;داده، بهبود کیفیت تصاویر و بهینه&zwnj;سازی مدل&zwnj;ها، زمینه کاهش زمان ارزیابی، تسریع فرایند رسیدگی به خسارت و افزایش بهره&zwnj;وری فرایندهای بیمه&zwnj;ای را فراهم سازد.</p> http://modiriyatfarda.ir/ar/Article/Download/54810