Computer vision is hot. Het is één van de snelst groeiende vakgebieden binnen machine learning. Maar veel van de toepassingen focussen zich enkel en alleen op het beeld, zonder rekening te houden met de metadata en andere bijbehorende informatie. Een gemiste kans.
Er liggen mooie kansen om de analyse van de beelden te combineren met de overige informatie van eigen en third-party-bronnen. Dat vraagt wel dat je naast data science, ook kennis en expertise hebt van data-integratie. Een sprekend voorbeeld hiervan is te zien in het bepalen van autoschade.
Bij autoschadeherstel worden foto’s aan het dossier toegevoegd om aan te tonen dat de schade juist is vastgesteld. Het is gebruikelijk dat schade-experts deze foto’s op afstand beoordelen. In de praktijk blijkt dat deze foto’s vaak slecht van kwaliteit zijn omdat ze te snel of onzorgvuldig zijn genomen. Ze zijn bijvoorbeeld van te dichtbij of juist te veraf genomen, of de belichting is verkeerd. In dat geval brengen de foto’s meer discussie dan duidelijkheid. Met computer vision is een schadecalculatie ui te voeren zonder inmenging van een menselijke schade-expert; volledig geautomatiseerd en realtime.
Model geautomatiseerd trainen
Hoe gaat dit in zijn werk? De eerste stap is het trainen van een computer vision-model dat in staat is foto’s te valideren op bruikbaarheid en kwaliteit. De basis is een 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 zijn automatisch foto’s af te wijzen die niet aan de kwaliteitscriteria voldoen. Het model wordt getraind op verschillende foto’s: foto’s die bij kunstlicht en bij daglicht zijn genomen, foto’s van auto’s met meerdere schades of foto’s met een spiegeling waarin je de schade van een andere auto ziet.
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 beschadigde onderdelen.
De volgende stap is 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 is bijvoorbeeld fraude te 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 straight through processing 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 in- 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.
Auteurs: Jos Smits, cto, en Dennis in ’t Groen, data scientist bij Conclusion Virtual Sciences
Ik ben benieuwd of computer vision de oplossing biedt voor foto’s van slechte kwaliteit, matige belichting of gewoon vanuit een verkeerde hoek genomen. Het model leren om deze foto’s af te wijzen op basis van criteria die bij verzekeringsnemer niet bekend zijn lijkt me als het paard achter de wagen spannen. Beter om dan een app te maken die ervoor zorgt dat de foto’s van een goede kwaliteit zijn, goed belicht en vanuit de juist hoek genomen worden. Zeg maar ervoor zorgen dat de foto’s gelijk zijn aan de foto’s die schade-experts maken zodat je niet zoveel moeite hoeft te steken in het trainen van een model.