视觉AI训练营-DAY 4 车辆保险应用

本文涉及的产品
对象存储 OSS,OSS 加速器 50 GB 1个月
简介: 视觉平台搭建车辆识别

作业日-车辆保险应用

今天这个很迷,没有给具体要求。我百度了一下往期大家的作业,我猜应该是用视觉平台提供的车辆识别服务接口做一些事情。
先放几个往期大佬的文章

车辆类型识别
车牌识别

车型识别

image.png
功能描述
RecognizeVehicleType可以识别图片(完整或部件图片)中汽车的类型,目前主要有小轿车、多用途汽车、SUV等类别。

车牌识别

image.png
RecognizeLicensePlate可以准确识别出图像中车牌位置,输出车牌位置坐标、车牌类型、车牌号码、车牌号码置信度、车牌置信度,共5个关键字段信息。

其它

image.png

可用的其它功能还有很多,就不一一介绍了,可以去官方文档

作业

最后,还是选择了比较容易的python实现车辆类型识别及车牌号识别。后续计划利用识别行驶证等功能,增加一些可用性。
参考代码

from aliyunsdkcore.client import AcsClient
from aliyunsdkocr.request.v20191230 import RecognizeIdentityCardRequest
from aliyunsdkocr.request.v20191230 import RecognizeDriverLicenseRequest
# 创建 AcsClient 实例
client = AcsClient("your-access-key-id", "your-access-key-secret", "cn-shanghai")
# 身份证正面识别
request1 = RecognizeIdentityCardRequest.RecognizeIdentityCardRequest();
## 如下url替换为自有的上海region的oss文件地址
request1.set_ImageURL("https://viapi-demo.oss-cn-shanghai.aliyuncs.com/viapi-demo/images/ChangeImageSize/change-image-size-src.png")
request1.set_Side("face")
response = client.do_action_with_exception(request1)
#身份证正面信息输出
#print(isinstance(response, str)) #判断变量的数据类型 返回False,不是字符串
#print(type(response)) #返回变量的类型,class 'bytes'
str = response.decode() #bytes是byte的序列,而str是unicode的序列,转换
#print(str)
aa = eval(str) #字符串转换为字典
a = aa['Data']   #取Data数据
#print(a)
b = a['FrontResult'] #取FrontResult数据
#print(b)
print("身份证信息:")
print('姓名:%s'%b["Name"])
print('性别:%s'%b["Gender"])
print('民族:%s'%b["Nationality"])
print('出生日期:%s'%b["BirthDate"])
print('地址:%s'%b["Address"])
print('公民身份号码:%s'%b["IDNumber"])
#获取身份证反面信息
request = RecognizeIdentityCardRequest.RecognizeIdentityCardRequest();
## 如下url替换为自有的上海region的oss文件地址
request.set_ImageURL("https://viapi-demo.oss-cn-shanghai.aliyuncs.com/viapi-demo/images/ChangeImageSize/change-image-size-src.png")
request.set_Side("back")
response = client.do_action_with_exception(request)
#print(response)
#身份证反面信息输出
str = response.decode() #bytes是byte的序列,而str是unicode的序列,转换
#print(str)
aa = eval(str) #字符串转换为字典
a = aa['Data']   #取Data数据
b = a['BackResult'] 
print('签发机关:%s'%b["Issue"])
print('生效日期:%s'%b["StartDate"])
print('失效日期:%s'%b["EndDate"])
print('\n')
# 驾驶证首页识别
request = RecognizeDriverLicenseRequest.RecognizeDriverLicenseRequest();
request.set_Side("face")
## 如下url替换为自有的上海region的oss文件地址
request.set_ImageURL("https://viapi-demo.oss-cn-shanghai.aliyuncs.com/viapi-demo/images/ChangeImageSize/change-image-size-src.png")
response = client.do_action_with_exception(request)
#输出格式设置
str = response.decode() #bytes是byte的序列,而str是unicode的序列,转换
#print(str)
aa = eval(str) #字符串转换为字典
a = aa['Data']   #取Data数据
b = a['FaceResult'] 
print("驾驶证信息:")
print('证件号:%s'%b["LicenseNumber"])
print('姓名:%s'%b["IssueDate"])
print('性别:%s'%b["Gender"])
print('地址:%s'%b["Address"])
print('生效日期:%s'%b["StartDate"])
print('有效期限:%s年'%b["EndDate"])
print('签发日期:%s'%b["IssueDate"])
print('准驾车型:%s'%b["VehicleType"])
# 驾驶证副页识别
request = RecognizeDriverLicenseRequest.RecognizeDriverLicenseRequest();
request.set_Side("back")
## 如下url替换为自有的上海region的oss文件地址
request.set_ImageURL("https://viapi-demo.oss-cn-shanghai.aliyuncs.com/viapi-demo/images/ChangeImageSize/change-image-size-src.png")
response = client.do_action_with_exception(request)
#输出格式设置
str = response.decode() #bytes是byte的序列,而str是unicode的序列,转换
#print(str)
aa = eval(str) #字符串转换为字典
a = aa['Data']   #取Data数据
b = a['BackResult'] 
print('档案编号:%s'%b["ArchiveNumber"])
# 车牌识别
request = RecognizeLicensePlateRequest.RecognizeLicensePlateRequest();
## 如下url替换为自有的上海region的oss文件地址
request.set_ImageURL("https://harry1.oss-cn-shanghai.aliyuncs.com/car1.png")
response = client.do_action_with_exception(request)
#车牌信息输出
str = response.decode() #bytes是byte的序列,而str是unicode的序列,转换
#print(str)
aa = eval(str) #字符串转换为字典
a = aa['Data']   #取Data数据
#print(a)
b = a['Plates'] #取FrontResult数据
#print(b[0])
b = b[0]
print("车子信息:")
print('车牌号:%s'%b["PlateNumber"])
print('可信度:%s'%b["Confidence"])
print('车子类型:%s'%b["PlateType"])
print('类型可信度:%s'%b["PlateTypeConfidence"])
c = b['Roi']
print('W:%s'%c["W"])
print('H:%s'%c["H"])
print('X:%s'%c["X"])
print('Y:%s'%c["Y"])

最后放一张示意图
image.png

车子信息:
车牌号:京PKR676
可信度:0.9955769295368473
车子类型:小型汽车
类型可信度:1
W:150
H:56
X:278
Y:165
相关实践学习
对象存储OSS快速上手——如何使用ossbrowser
本实验是对象存储OSS入门级实验。通过本实验,用户可学会如何用对象OSS的插件,进行简单的数据存、查、删等操作。
目录
相关文章
|
6月前
|
人工智能 运维 Kubernetes
Serverless 应用引擎 SAE:为传统应用托底,为 AI 创新加速
在容器技术持续演进与 AI 全面爆发的当下,企业既要稳健托管传统业务,又要高效落地 AI 创新,如何在复杂的基础设施与频繁的版本变化中保持敏捷、稳定与低成本,成了所有技术团队的共同挑战。阿里云 Serverless 应用引擎(SAE)正是为应对这一时代挑战而生的破局者,SAE 以“免运维、强稳定、极致降本”为核心,通过一站式的应用级托管能力,同时支撑传统应用与 AI 应用,让企业把更多精力投入到业务创新。
679 30
|
6月前
|
设计模式 人工智能 自然语言处理
3个月圈粉百万,这个AI应用在海外火了
不知道大家还记不记得,我之前推荐过一个叫 Agnes 的 AI 应用,也是当时在 WAIC 了解到的。
685 2
|
6月前
|
人工智能 新制造
TsingtaoAI受邀参加宁波AI海曙科创训练营并分享技术落地实践
10月12日至15日,由宁波市海曙区组织部主办的AI海曙科创训练营在宁波成功举办。作为受邀企业代表,TsingtaoAI团队深入参与了多项活动,与政府领导、行业专家及科创企业代表围绕AI技术在制造业、成果转化等领域的实际应用展开交流,用真实案例诠释了“技术扎根产业”的价值逻辑。
180 2
|
6月前
|
人工智能 安全 Serverless
再看 AI 网关:助力 AI 应用创新的关键基础设施
AI 网关作为云产品推出已有半年的时间,这半年的时间里,AI 网关从内核到外在都进行了大量的进化,本文将从 AI 网关的诞生、AI 网关的产品能力、AI 网关的开放生态,以及新推出的 Serverless 版,对其进行一个全面的介绍,期望对正在进行 AI 应用落地的朋友,在 AI 基础设施选型方面提供一些参考。
1120 85
|
6月前
|
人工智能 缓存 运维
【智造】AI应用实战:6个agent搞定复杂指令和工具膨胀
本文介绍联调造数场景下的AI应用演进:从单Agent模式到多Agent协同的架构升级。针对复杂指令执行不准、响应慢等问题,通过意图识别、工具引擎、推理执行等多Agent分工协作,结合工程化手段提升准确性与效率,并分享了关键设计思路与实践心得。
983 20
【智造】AI应用实战:6个agent搞定复杂指令和工具膨胀
|
6月前
|
人工智能 安全 数据可视化
Dify让你拖拽式搭建企业级AI应用
Dify是开源大模型应用开发平台,融合BaaS与LLMOps理念,通过可视化工作流、低代码编排和企业级监控,支持多模型接入与RAG知识库,助力企业快速构建安全可控的AI应用,实现从原型到生产的高效落地。
Dify让你拖拽式搭建企业级AI应用
|
6月前
|
自然语言处理 数据挖掘 关系型数据库
ADB AI指标分析在广告营销场景的方案及应用
ADB Analytic Agent助力广告营销智能化,融合异动与归因分析,支持自然语言输入、多源数据对接及场景模板化,实现从数据获取到洞察报告的自动化生成,提升分析效率与精度,推动数据驱动决策。
|
6月前
|
消息中间件 人工智能 安全
云原生进化论:加速构建 AI 应用
本文将和大家分享过去一年在支持企业构建 AI 应用过程的一些实践和思考。
1475 64
|
7月前
|
人工智能 安全 中间件
阿里云 AI 中间件重磅发布,打通 AI 应用落地“最后一公里”
9 月 26 日,2025 云栖大会 AI 中间件:AI 时代的中间件技术演进与创新实践论坛上,阿里云智能集团资深技术专家林清山发表主题演讲《未来已来:下一代 AI 中间件重磅发布,解锁 AI 应用架构新范式》,重磅发布阿里云 AI 中间件,提供面向分布式多 Agent 架构的基座,包括:AgentScope-Java(兼容 Spring AI Alibaba 生态),AI MQ(基于Apache RocketMQ 的 AI 能力升级),AI 网关 Higress,AI 注册与配置中心 Nacos,以及覆盖模型与算力的 AI 可观测体系。
1390 70
|
6月前
|
存储 人工智能 NoSQL
AI大模型应用实践 八:如何通过RAG数据库实现大模型的私有化定制与优化
RAG技术通过融合外部知识库与大模型,实现知识动态更新与私有化定制,解决大模型知识固化、幻觉及数据安全难题。本文详解RAG原理、数据库选型(向量库、图库、知识图谱、混合架构)及应用场景,助力企业高效构建安全、可解释的智能系统。