KI-gestützte Fahrzeugbildannotation für Versicherungsansprüche, Reparaturkostenkalkulation und Flotteninspektion – Fallstudie
Wie Shaip eine spezialisierte Fahrzeugschadenannotation lieferte, die die Polygonsegmentierung jedes Karosserieteils mit einer Schadensklassifizierung von 11 Klassen und Reparaturempfehlungen auf Komponentenebene kombinierte – erstellt als produktionsreifer Datensatz für die automatisierte Bearbeitung von Versicherungsansprüchen und die KI für die Fahrzeuginspektion.
Projektübersicht
Da sich die Versicherungs- und Automobil-KI in Richtung automatisierter Schadensbewertung und Fahrzeuginspektion entwickelt, benötigte der Kunde eine Annotationspipeline, die in der Lage ist, jedes Karosserieteil eines Fahrzeugs zu segmentieren und gleichzeitig eine detaillierte Schadensklassifizierung vorzunehmen – und zwar auf einem Granularitätsniveau, das Reparaturempfehlungen auf Komponentenebene unterstützt.
Shaip entwickelte die durchgängige Annotationspipeline, die die Polygonsegmentierung von Körperteilen, die Klassifizierung von Schäden in 11 Klassen, die Kennzeichnung von Schweregrad-, Orts- und Reparaturattributen sowie die mehrschichtige Schadensanalyse umfasst – und erzeugt so modellfertige Datensätze für die automatisierte Fahrzeuginspektion und die KI-gestützte Bearbeitung von Versicherungsansprüchen.
Schlüsselstats
Körperteilabdeckung
Komplettes Äußeres
Schadensklassen
11
Attributebenen
4
Reparatur-Tags
4-Typen
Challenges
- Segmentierung jedes Körperteil — Stoßstangen, Türen, Scheinwerfer, Kotflügel, Leichtmetallfelgen, Spiegel, Säulen
- Klassifizierung 11 verschiedene Schadensarten — Kratzer, Delle, Riss, Splitter, abblätternde Farbe, Rost, fehlendes Teil, zerbrochenes Glas
- Erkennungsmerkmal subtile Schäden durch Oberflächenreflexionen, Schmutz und Schatten
- Handhabung sich überschneidende Schadensarten auf einem einzelnen Panel mit mehreren Tags
- Erzeugen von Reparaturempfehlungen auf Komponentenebene — polieren, neu lackieren, Karosseriearbeiten durchführen, ersetzen
Lösung
Polygonsegmentierung von Körperteilen
Jedes sichtbare Karosserieteil jedes Fahrzeugs wurde einzeln mit präziser Polygonsegmentierung oder Begrenzungsrahmen annotiert, wobei die gesamte äußere Struktur abgedeckt wurde – Stoßstangen vorne und hinten, Motorhaube, Kofferraum, Dach, Windschutzscheiben vorne und hinten, Seitenfenster, linke und rechte Türen, Kotflügel, Außenspiegel, Scheinwerfer, Rückleuchten, Kühlergrill, Säulen, Seitenschweller, Radkästen und Leichtmetallfelgen.
11-Klassen-Schadensklassifizierung
Jedes markierte Körperteil wurde mit einer detaillierten Schadensklassifizierung versehen, die von unbeschädigt über leichte Kratzer, tiefe Kratzer, Dellen, Risse, Splitter, abblätternde Farbe, Rost und Verformungen bis hin zu fehlenden Teilen und Glasbruch reicht. Diese differenzierte Schadenstaxonomie unterstützt die Priorisierung von Reparaturen auf Komponentenebene im weiteren Verlauf.
Mehrschichtige Schadensintelligenz
Jeder Annotation wurden zusätzliche Kontextattribute hinzugefügt, die den Schweregrad des Schadens (geringfügig, mittel, schwer), die Schadensposition am Bauteil (oben, Mitte, unten, linker Rand, rechter Rand), die Reparaturempfehlung (polieren, neu lackieren, ausbessern, ersetzen) und den Gesamtzustand des Bauteils abdecken. Diese mehrstufige Kennzeichnung ermöglicht es dem KI-Modell, Reparaturempfehlungen auf Bauteilebene direkt aus den Bilddaten zu generieren.
Feine Schadensdifferenzierung
Die Gutachter folgten strengen visuellen Richtlinien, um Kratzerarten, Dellentiefen und Rissmuster auf verschiedenen Fahrzeugoberflächenmaterialien wie Metallblechen, Kunststoffstoßfängern und Glaskomponenten zu unterscheiden. Leichte Kratzer und Lackabschürfungen wurden sorgfältig von normalen Oberflächenreflexionen oder Schmutzspuren abgegrenzt.
Grenzfälle und Mehrfachschadenpaneele
Zu den Sonderfällen zählten Schäden an gekrümmten Oberflächen, die eine hochpräzise Polygonverfolgung erforderten, stark beschädigte Fahrzeuge mit mehreren sich überlappenden Schadensarten auf demselben Karosserieteil, die Unterscheidung zwischen alten und neuen Schäden anhand von Oberflächenoxidation und Lackzustand sowie Schäden, die in Spiegelungen oder bei extremen Kamerawinkeln sichtbar waren. Außenaufnahmen erhöhten die Komplexität durch Schatteninterferenzen und Blendeffekte auf metallischen Oberflächen.
Projektumfang
| Datensatztyp | Abdeckung | Schadensklassen | Schweregrade | Reparatur-Tags | Methoden |
|---|---|---|---|---|---|
| Fahrzeugschaden + Karosserieteil | Vollständige Außenansicht | 11 Klassen | 3 (geringfügig / mittelgradig / schwer) | 4 (polieren / neu lackieren / Karosseriearbeiten / ersetzen) | Polygon + Box |
Ergebnisse:
- Gegründet a Pipeline zur Segmentierung vollständiger äußerer Körperteile mit Schadensklassifizierung
- Standardisiert 11-Klassen-Schadenstaxonomie von Kratzern bis hin zu fehlenden Teilen
- Erfolgreicher Abschluss von 4-schichtige Schadensintelligenz (Schweregrad, Ort, Reparaturempfehlung, Zustandsbewertung)
- Umgesetzt subtile Schadensdifferenzierung Beschädigungen von Spiegelungen und Schmutz unterscheiden
- Die Client-Einstellungen wurden aktiviert. Automatisierung von Versicherungsansprüchen, Kostenvoranschläge für Reparaturen, Flotteninspektionen und Gebrauchtwagenbewertung AI
Insgesamt hat Shaip dazu beigetragen, eine komplexe Anforderung an die Fahrzeugschadenannotation in eine strukturierte, produktionsreife Pipeline umzuwandeln – eine Pipeline, die in der Lage ist, die automatisierte Bewertung von Versicherungsansprüchen, die Schätzung von Reparaturkosten, die Automatisierung von Flotteninspektionen und die KI-gestützte Bewertung von Gebrauchtwagen mit Reparaturinformationen auf Komponentenebene zu unterstützen.
Shaips Pipeline zur Fahrzeugschadenanalyse lieferte genau das, was unsere Schadenautomatisierung benötigte: Segmentierung jedes Karosserieteils, Klassifizierung jeder Schadensart, Kennzeichnung jeder Reparaturempfehlung. Diese Detailgenauigkeit führte direkt zu schnelleren und präziseren Schadenentscheidungen.
