KI-gesteuerte Identifizierung von karosserietechnischen Schäden basierend auf dem VeHIDE-Datensatz

Im Bereich der Autoversicherung ist die Notwendigkeit zur Automatisierung der Schadensbewertung von Fahrzeugen gestiegen, was optimierte Bewertungsprozesse und erhöhte Genauigkeit bietet. Deep-Learning-Techniken haben die Bewertung von Fahrzeugschäden erheblich beeinflusst und die Versicherungsverfahren umgestaltet. Die größte Herausforderung bleibt jedoch die Entwicklung robuster Modelle zur Schadensdetektion und -segmentierung. Diese Studie präsentiert einen neuartigen Beitrag durch die Entwicklung des Datensatzes zur Fahrzeugschadenserkennung (VehiDE), der speziell für umfassende Bewertungen von Fahrzeugschäden konzipiert wurde. Der Datensatz, der 13.945 hochauflösende Bilder umfasst, die in acht Schadenskategorien annotiert sind, dient als grundlegende Ressource zur Förderung automatisierter Identifizierungsmethodologien für Schäden. VehiDE unterstützt zahlreiche Aufgaben, einschließlich Klassifizierung, Objekterkennung, Instanzsegmentierung und Erkennung auffälliger Objekte, und eröffnet somit vielseitige Forschungsansätze. Durch umfangreiche experimentelle Analysen, einschließlich der Bewertung von Methoden auf dem neuesten Stand der Technik anhand von VehiDE, hebt diese Studie nicht nur die Wirksamkeit des Datensatzes hervor, sondern eröffnet auch neue Einblicke in die herausfordernde Natur der Schadensbewertung von Fahrzeugen. Darüber hinaus weist die Studie den Weg zur Erforschung von Techniken zur Erkennung auffälliger Objekte in diesem Bereich, um deren Potenzial zur Bewältigung unregelmäßiger Schadensarten zu demonstrieren. Durch die Bereitstellung von VehiDE für die Forschungsgemeinschaft streben wir an, Fortschritte im Bereich der Schadensbewertung von Fahrzeugen zu katalysieren und den Weg für genauere und effizientere automatisierte Systeme zu ebnen.