Jak sztuczna inteligencja lokalizuje uszkodzenia w branży motoryzacyjnej

W tym artykule przyjrzę się korzyściom płynącym z wykorzystania technologii AI do wykrywania uszkodzeń oraz sposobowi jej działania.

Jeśli chcesz dowiedzieć się więcej o rozwiązaniu MakoLab do lokalizacji uszkodzeń, zapoznaj się z naszym case study dotyczącym AI damage locator.

Algorytmy AI i głębokiego uczenia (DL) zostały zaprojektowane, aby wspierać szeroki zakres dziedzin, w tym:

• robotykę;
• medycynę;
• widzenie komputerowe;
• sektor ubezpieczeniowy;
• analizę danych;
• wykrywanie nadużyć;
• ograniczanie ryzyka;
• automatyzację procesów likwidacji szkód.

Wykorzystanie uczenia maszynowego (ML), widzenia komputerowego oraz sieci neuronowych umożliwia systemom AI analizowanie zdjęć, materiałów wideo i danych z czujników, zapewniając precyzyjne wykrywanie anomalii lub uszkodzeń. Dzięki temu AI znajduje zastosowanie w branży motoryzacyjnej w wielu obszarach, które omówiono poniżej.

Producenci coraz częściej wykorzystują sztuczną inteligencję, aby zapewnić spełnienie rygorystycznych norm jakości stawianych ich pojazdom. Systemy oparte na AI potrafią wykrywać usterki oraz precyzyjnie wskazywać rysy, wgniecenia i inne nieprawidłowości podczas procesów produkcyjnych. Mogą również monitorować przebieg procesów i analizować dane w czasie rzeczywistym, aby lokalizować wady.

Analityka predykcyjna oparta na danych historycznych służy do przewidywania potencjalnych punktów awarii. Tego rodzaju system szybko ostrzega techników o problemach. Wychwycenie ich, zanim się nasilą, oznacza redukcję kosztów.

Systemy oparte na AI umożliwiają szybszą ocenę w procesach likwidacji szkód i napraw. Zapewniają one błyskawiczne rozpoznawanie uszkodzeń, analizując pojazdy po wypadkach w celu oszacowania kosztów naprawy. Z kolei ubezpieczyciele wykorzystują AI do usprawnienia procesów zatwierdzania roszczeń.

Lokalizator uszkodzeń to przełomowe rozwiązanie w sektorze ubezpieczeń pojazdów, minimalizujące problemy związane z oceną szkód i redukujące koszty obsługi roszczeń. W obliczu obowiązujących rygorystycznych przepisów technologia AI, w tym deep learning, znacząco usprawnia procesy manualnej inspekcji pojazdów. Dzięki zaawansowanym detektorom, takim jak You Only Look Once (YOLO) v5 oraz YOLOv8, lokalizatory uszkodzeń są w stanie precyzyjnie identyfikować i klasyfikować uszkodzenia pojazdów na podstawie zdjęć.

Lokalizatory te wykorzystują zbiory danych przygotowane przez ekspertów i ubezpieczycieli, co pozwala na uzyskanie wysoce precyzyjnych ocen uszkodzeń. To z kolei znacząco przyspiesza proces obsługi roszczeń. Ubezpieczyciele mogą wykorzystywać technologie AI nie tylko w celu zwiększenia swojej efektywności, ale również w celu ograniczenia strat związanych z tzw. claims leakage, czyli różnicą między tym, co firma faktycznie wydaje na rozliczenie roszczenia, a tym, co powinna wydać. Szacuje się, że w samych Stanach Zjednoczonych wartość ta wynosi około osiemnastu miliardów dolarów rocznie.

W sektorze ubezpieczeń pojazdów obserwuje się ostatnio coraz częstsze wykorzystanie deep learningu w ocenie szkód. Nie powinno to dziwić, biorąc pod uwagę, że rozwój technologii automatycznej oceny szkód okazał się bardzo korzystny, ograniczając nakład pracy manualnej i znacząco zwiększając efektywność inspekcji uszkodzeń. Podczas rutynowego rozpatrywania roszczeń ubezpieczyciele mogą zaoszczędzić wiele czasu i pieniędzy dzięki automatycznej identyfikacji drobnych uszkodzeń zewnętrznych, takich jak stłuczone szyby.

Wykrywanie pojazdów za pomocą tradycyjnych metod przetwarzania obrazu opiera się na analizie wizualnej oraz zastosowaniu algorytmów umożliwiających identyfikację i śledzenie obiektów. Metody te często wykorzystują techniki takie jak detektor krawędzi Canny’ego, rozpoznawanie kształtów oraz transformata Hougha do identyfikacji konturów pojazdów. Ponadto stosuje się techniki segmentacji obrazu, które pozwalają oddzielić pojazdy od tła za pomocą takich metod jak progowanie kolorów czy analiza tekstury. Choć tradycyjne podejścia dają zadowalające rezultaty w kontrolowanych warunkach, ich skuteczność może się pogarszać w mniej sprzyjających okolicznościach, na przykład w słabo oświetlonych miejscach. Dlatego coraz częściej stosuje się bardziej zaawansowane rozwiązania oparte na uczeniu maszynowym i sztucznej inteligencji.

Wykrywanie uszkodzeń pojazdów przy użyciu algorytmów deep learning to nowatorska metoda, która zrewolucjonizowała analizę obrazu i detekcję obiektów. Jedna z najpopularniejszych metod wykorzystuje sieci neuronowe, takie jak konwolucyjne sieci neuronowe (CNN), które potrafią automatycznie wyodrębniać istotne cechy z obrazów, znacząco poprawiając dokładność detekcji. Z kolei modele YOLO oraz Single Shot MultiBox Detector (SSD) umożliwiają jednoczesne wykrywanie i lokalizowanie uszkodzeń.

Algorytmy deep learning umożliwiają również trenowanie modeli na dużych zbiorach danych, dzięki czemu systemy mogą lepiej dostosowywać się do szerokiego zakresu warunków oświetleniowych, kątów widzenia oraz typów pojazdów.

Sztuczna inteligencja, a w szczególności techniki oparte na sieciach CNN, odgrywa kluczową rolę w analizie obrazu w technologii lokalizacji uszkodzeń w branży motoryzacyjnej. Algorytmy takie jak YOLO i SSD są powszechnie wykorzystywane do identyfikowania i lokalizowania defektów w pojazdach.

Sieci CNN (Convolutional Neural Networks) są fundamentalnym elementem analizy obrazu opartej na AI. Te sieci neuronowe zostały zaprojektowane do przetwarzania danych przestrzennych, takich jak obrazy. W kontekście lokalizacji uszkodzeń są wykorzystywane do:

• wykrywania defektów, czyli identyfikowania pęknięć, wgnieceń i odprysków bądź zarysowań na powierzchni karoserii;
• kategoryzowania uszkodzeń, co polega na klasyfikowaniu typów defektów, na przykład rozróżnianiu „zarysowania” od „wgniecenia”;
• lokalizowania uszkodzeń poprzez określanie ich współrzędnych na analizowanym zdjęciu.

Sieci CNN działają w trzech etapach podczas lokalizacji uszkodzeń.

1. Warstwa konwolucyjna, w której segmentowane są cechy obrazu, takie jak krawędzie, tekstury i wzory powierzchni, co pomaga zidentyfikować konkretne cechy, na przykład nierówności w lakierze.
2. Warstwa pooling, która redukuje wymiarowość danych, zachowując najważniejsze informacje. To z kolei zwiększa efektywność obliczeniową.
3. Warstwa w pełni połączona, w której wyodrębnione cechy są łączone w celu klasyfikacji, na przykład jako „Wgniecenie, głębokość X mm”.

YOLO to algorytm detekcji obiektów, który analizuje obrazy w czasie rzeczywistym, dzieląc je na siatkę i jednocześnie przewidując klasy obiektów oraz ich lokalizację (bounding box).

Algorytm YOLO jest popularny w branży motoryzacyjnej ze względu na:

• swoją szybkość; może przetwarzać obrazy w czasie rzeczywistym, co jest kluczowe na przykład podczas pracy na linii produkcyjnej;
• swoje jednolite podejście; jednocześnie identyfikuje uszkodzenia i określa ich lokalizację.

YOLO realizuje kilka działań związanych z lokalizacją uszkodzeń.

1. Podział obrazu: obraz jest dzielony na siatkę (na przykład 13x13), a każda komórka siatki przewiduje bounding box oraz prawdopodobieństwo obecności defektu.
2. Przewidywanie klas obiektów: YOLO przewiduje klasę uszkodzenia, taką jak „pęknięcie” czy „zarysowanie”.
3. Non-maximum suppression (NMS): technika eliminowania nieistotnych lub nakładających się bounding boxów wokół tego samego obiektu. Proces ten poprawia wyniki detekcji, zapewniając, że każdy obiekt jest reprezentowany przez jeden bounding box z najwyższym prawdopodobieństwem. Dla przykładu, system analizuje zdjęcie karoserii pojazdu, a YOLO oznacza uszkodzone obszary bounding boxami wraz z opisami, na przykład „Wgniecenie, 85% pewności”.

SSD to kolejny szybki i precyzyjny algorytm detekcji obiektów. Działa w sposób podobny do YOLO, ale posiada bardziej złożony system przewidywania bounding boxów i jest wykorzystywany w branży motoryzacyjnej, ponieważ zapewnia analizę na różnych poziomach szczegółowości. Generuje liczne propozycje (bounding boxy) potencjalnych uszkodzeń, przy czym każda propozycja jest oceniana pod względem prawdopodobieństwa uszkodzenia i jego klasyfikacji, co daje przewagę w postaci możliwości jednoczesnej identyfikacji dużych wgnieceń i małych pęknięć na jednym obrazie.

SSD zapewnia również:

• wiele map cech; algorytm wykorzystuje różne poziomy szczegółowości obrazu, co ułatwia identyfikację większych i mniejszych defektów;
• szybkie działanie; podobnie jak YOLO, SSD jest zoptymalizowany do pracy w czasie rzeczywistym, co jest kluczowe w zautomatyzowanych systemach kontroli jakości.

Integracja AI w procesach wykrywania uszkodzeń zapewnia liczne korzyści.

1. Szybkość i efektywność: AI skraca czas potrzebny na sprawdzenie pojazdów. Tradycyjne kontrole manualne mogą zajmować kilka godzin, a nawet dni, podczas gdy systemy AI są w stanie wykonać to zadanie w ciągu kilku minut.
2. Precyzja: AI jest w stanie analizować dane w sposób konsekwentny, co eliminuje błąd ludzki i zapewnia bardzo dokładne wyniki. Jest to szczególnie istotne w przypadku identyfikacji ukrytych lub niewielkich uszkodzeń oraz wykrywania defektów w trudno dostępnych miejscach.
3. Redukcja kosztów: rozbudowane bazy danych systemów lokalizacji uszkodzeń umożliwiają szybkie i efektywne rozpoznawanie uszkodzeń. Pozwala to zmniejszyć koszty naprawy i czas operacyjny.
4. Skalowalność: systemy AI są w stanie obsługiwać duże ilości danych.
5. Lepsze doświadczenie klienta: AI usprawnia doświadczenie klienta, przyspieszając proces obsługi roszczeń ubezpieczeniowych.

Mimo swoich zalet, AI napotyka w branży motoryzacyjnej na szereg wyzwań.

1. Ograniczenia danych: systemy AI są skalowalne, co stanowi ich dużą zaletę. Jednak skuteczne lokalizatory uszkodzeń wymagają ogromnych ilości poprawnie posegregowanych danych, co może być czasochłonne i kosztowne. Systemy wymagają dużych, wysokiej jakości zbiorów danych do treningu.
2. Problemy z adaptacją: w przypadku technologii wykorzystujących AI należy pamiętać, że nadal mogą one generować problemy. Pojazdy różnią się rozmiarem, kształtem i materiałami, co może powodować błędy po stronie lokalizatora uszkodzeń. Modele AI muszą być dostosowywane do różnych typów pojazdów, co z kolei wymaga czasochłonnego treningu.
3. Kwestie etyczne: w erze licznych obowiązujących przepisów prawnych zawsze będą pojawiać się obawy dotyczące prywatności danych oraz potencjalnych błędów w algorytmach AI, szczególnie w kontekście ubezpieczeń.

Integracja sztucznej inteligencji z systemami wykrywania uszkodzeń pojazdów będzie się nadal rozwijać. Systemy AI będą coraz częściej łączyć dane wizualne z innymi danymi wejściowymi, takimi jak odczyty czujników, aby zapewnić kompleksowy obraz stanu pojazdu. Roboty wykorzystujące AI mogłyby ostatecznie wykonywać drobne naprawy, ograniczając potrzebę ingerencji człowieka. AI umożliwia również wykrywanie uszkodzeń pojazdu w czasie rzeczywistym, co zwiększa bezpieczeństwo. Ponadto, z dużym prawdopodobieństwem, firmy ubezpieczeniowe będą akceptować uszkodzenia wykryte przez AI ze względu na uproszczenie procesów i oszczędności, jakie za tym idą.

Sztuczna inteligencja zmienia branżę motoryzacyjną, umożliwiając szybkie i dokładne wykrywanie uszkodzeń pojazdów. Algorytmy uczenia głębokiego, takie jak CNN, YOLO i SSD, otwierają drogę do automatyzacji procesów kontroli jakości, konserwacji i oceny uszkodzeń. Technologia AI zwiększa efektywność, minimalizuje błędy ludzkie i redukuje koszty zarówno w sektorze motoryzacyjnym, jak i ubezpieczeniowym. Nie dziwi więc wcale, że trend inwestowania w integrację AI w zakresie diagnostyki i napraw pojazdów wciąż przybiera na sile.

1. BMW Group, AI in Quality Control;
2. Corzo-García D., L. Pro-Martín J., Álvarez-García J. A., Martínez-del-Amor Miguel A., Fernández-Cabrera D., Pérez-Zarate S. A., Automated Car Damage Assessment Using Computer Vision: Insurance Company Use Case, “Applied Sciences” Volume 14, Issue 20, 2024;
3. European Space Agency, Applications of AI in Industry;
4. GeeksforGeeks, Difference between YOLO and SSD;
5. Harvin H., YOLO and SSD in Deep Learning | Machine Learning Tutorial Beginners;
6. Hoang, V. D., Huynh, N. T., Tran, N., Le, K., Le, T. M. C., Selamat, A., & Nguyen, H. D., Powering AI-driven car damage identification based on VeHIDE dataset, “Journal of Information and Telecommunication”, 1–19;
7. Kumar S., From SSD to YOLO: Introduction to Modern Object Detection, Tredence
8. McKinsey & Company, AI and the Future of Automotive;
9. Qaddour J., Siddiqa S. A., Automatic damaged vehicle estimator using enhanced deep learning algorithm, “Intelligent Systems with Applications” Volume 18, 2023;
10. Tesla, Predictive Maintenance Technology.