如果靠聲紋檢測車輛故障，奔馳維權事件還用哭訴嗎？

• 2019 年 11 月 29 日
• 筆記

By 超神經

場景描述：人工診斷車輛故障的方法並不少，但流程相對繁瑣費時。基於大數據，利用計算機視覺技術以及傳感器監測手段，對車輛故障進行診斷，能夠減少人工工作時間以及檢測準確率。

關鍵詞：計算機視覺 車輛故障診斷 超聲波傳感器

今晨，巴黎聖母院遭遇火災的消息瞬間刷屏，全世界都為它感到痛心。

但是這個時候，奔馳可能正在感謝巴黎聖母院，感謝它的一場大火，把自己從風口浪尖上頂下來。

熱點總會過去，問題卻依然存在。車主維權糾紛的事情並不是個例，由於很多消費者缺乏購車經驗，買到新車不久就發現問題的事情屢見不鮮。

很多以往案件，都是因為車輛檢測流程不規範，對於消費者信息不透明所致。

能否利用現代技術改善這一情形呢？

66 萬買奔馳，出店前故障已暴露

時至今日，奔馳女車主哭訴維權的事件仍遲遲沒得到解決。

奔馳女車主坐在車上哭訴

對於此次新車故障問題，如果不是車主哭訴大「鬧」，「求」圍觀者擴散，也許很多類似問題都還繼續暗藏在冰山之下，被那些打着官腔的客套話所搪塞着。

事實上，不少 4S 店為了降低成本並沒有認真做 PDI 檢測，只是走個過場。

一輛車從生產廠運送到 4S 店期間往往會經歷上千公里的運輸路途和長時間的停放，為了向顧客確保新車的原廠性能和安全性，PDI 檢測必不可少。但在實際銷售過程中，本來必不可少的檢測卻變得可有可無，或如走過場般地在檢測報告上不斷打鉤後，由車主簽字就算交代。

那麼對於這樣的事情，只能聽之任之嗎？

也許，AI 並不答應。

雖然對於車輛的故障檢測，早就有一套接近成熟的人工檢測方法，但過程還是相對繁瑣，而且解釋權也只是掌握在使用者的手中。

不妨設想一下，如果人人都有一款 AI 驗車軟件，今後買車的流程可能會是：

進店，試車，打開 AI 驗車軟件，發現各種潛在故障/車輛無故障。如此便可實現信息透明化，店家無所欺瞞，顧客權益有保障，維權事件減少……

目前，很多公司就已經在做 AI 診斷車輛故障的嘗試。

深度學習聽音辨故障

一家叫 3DSignals 的公司利用「深度學習」技術，通過聲音檢測來判定汽車故障。這就像是經驗老道的師傅，在設備運行的時候，聽一聽就知道問題出在了哪裡。

這家公司的創始人表示，聲音數據的利用，除了語音識別之外，其他方面都還沒有足夠的發展。

而 3DSignals 是通過超聲波傳感器收集的聲音數據，檢測出汽車的異常噪聲，並對監測的異常聲音進行分類標註，從而判斷出具體的故障問題類型。

一種用於連續診斷故障的工具，可以監聽聲音異常

檢測流程很簡單，將傳感器放置在汽車的幾個關鍵部位，通過收集數據來監測汽車的運行狀態，同時將數據饋送到信息處理工具，如果發生異常的聲音數據，信號處理工具就能向駕駛員，客戶，等負責人發送及時的警報。

在判斷分析中，為了預測更加準確，需要提前收集足夠的數據，並對 AI 模型進行有效的訓練，為特定的聲音加上準確的標籤，以區分對應的故障問題。通過這樣的方法，就可以利用收集聲音的方式，調查和維護問題區域以避免災難的發生。

根據報道，在經過訓練之後， 3DSignals 的深度學習算法，在特定問題的判斷上，能達到 98% 的準確率。

而且這項技術，在重工業中已經得到重用。比如訓練計算機「監聽」診斷水電廠和鋼鐵廠等設施的異常問題。

而對於汽車故障方面的準確性，還在不斷研發中，以獲得更好的用戶體驗。

想像一下，對於一輛豪華 SUV ，利用計算機去「傾聽」就能診斷機械問題，在汽出售時，讓買賣雙方都能得到實際真實的檢測報告，就能避免那些欺騙行為的存在。

除了聽音檢測，還能看圖定損

除了能對車輛故障進行檢測外，基於計算機視覺技術的應用還能對發生事故的車輛進行定損，讓定損流程更加快捷且準確。

英國初創公司 Tractable 近日公布了一項技術，利用 AI 進行車輛維修/更換決策的估計，以及對修復工時的預判。

基於計算機視覺原理，通過數以億計的車輛損壞照片，以及大量的維修實例經驗進行訓練，AI 模型可以在 30 秒內可完成車輛定損與維修估計。

Tractable 通過大量圖片訓練 AI 定損系統

該軟件使用起來也很簡單，客戶通過手機傳送照片，便可在電腦上通過 3D 動畫模型判定車輛的損壞情況。

比如選擇 2013 年雪佛蘭科魯茲 LT1、現代和奧迪的圖像作為演示對象，Tractable 還邀請了運營汽車評估經理 Lisa Monzon 同時對圖片進行分析，以進行人工智能評估和人工評估結果的對比。

對於上圖中低里程的 2013 年科魯茲照片，人力保險公司故障診斷評估結果為：要求更換三個部件 —— 保險杠蓋，右前照燈和擋泥板襯裡 ，還有其他操作。預估保險金額為 1568.80 美元。

一個維修公司用傳統的人工診斷給出的結果是：需要更換保險杠蓋，側擋板，前照燈，發動機罩和擋泥板（以及排放標籤），並且包含的操作比原來的估計要多。它的預估保險金額是 3981.49 美元。

而 Tractable 的人工智能評估結果為：要求更換科魯茲的擋泥板，前大燈，引擎蓋和格柵。它的診斷明顯更貼合人為的判斷。

它還對現代的照片進行故障診斷：

右後門的特寫鏡頭導致人工智能診斷它需要被替換。Monzon 表示門上的刮痕看起來有可能修復，但凹痕的存在，使得門需要被更換。

照片無法捕捉相鄰車身面板上的刮擦，可能是因為圖像拍攝有限，而無法識別邊緣部分。

診斷奧迪的案例：

該系統得出結論，奧迪需要一個新的擋泥板，但保險杠面板可以固定，雖然後者只有67％的置信水平。

Monzon 對系統作出的評估表示同意，他認為保險杠面板的「輕微損壞」可修復。

此外，這個 AI 系統能夠對故障的修復給出一個預測的修復時間，能方便用戶做好相應的準備。

AI 會讓世界更美好嗎

人工智能診斷車輛故障靠譜嗎？

如上文所述，聽音診斷車輛故障軟件準確率可達到 98%。同時，據報道，人工智能定損軟件可減少查勘定損人員 50% 的工作量。更重要的是，它會有效幫助私家車保險索賠案，減少消費者與 4S 店的糾紛，以及保險公司理賠滲漏比例。

雖然數據看上去基本令人滿意，但該技術在準確率和普遍性上仍有待提高。期待在不遠的將來，AI 技術能夠幫助我們精準地判斷這些故障。

回到奔馳車主維權事件。在如此漫長的處理過程中，信息的不透明讓維權與調解之路都顯得漫漫無期。也許，技術的進步會讓我們看到信息共享的時代，消費者與店家之間將沒有秘密。那時候，就不再需要坐到發動機蓋上哭訴才能維權了。

超神經百科

注意力機制 Attention mechanism

視覺注意力機制是人類視覺所特有的大腦信號處理機制。這是人類利用有限的注意力資源從大量信息中快速篩選出高價值信息的手段，是人類在長期進化中形成的一種生存機制，人類視覺注意力機制極大地提高了視覺信息處理的效率與準確性。

深度學習中的注意力機制從本質上講和人類的選擇性視覺注意力機制類似，核心目標也是從眾多信息中選擇出對當前任務目標更關鍵的信息。

注意力模型（Attention Model）被廣泛使用在自然語言處理、圖像識別及語音識別等各種不同類型的深度學習任務中，是深度學習技術中最值得關注與深入了解的核心技術之一。