U automobilskom autokasko osiguranju fotografiranje osobnih vozila omogućava dobivanje informacija prilikom prihvata u osiguranje i nakon štete. U području računalnog vida za detekciju vozila i izdvajanje značajki koriste se neuronske mreže. U radu se uzima prethodno naučeni model neuronske mreže koji je prilagođen. Prikazuje se metodologija za određivanje granice crvene boje u HSV modelu. Korišten program je Jupiterska bilježnica na platformi COLAB u koju se upisuju naredbe u Pythonu. Analizirano je 135 fotografija. Velik broj fotografija ne kadrira najbolje vozilo koje je predmet osiguranja. Udio površine detektiranog osobnog vozila na fotografiji od 39% pokazuje se kao udio kojemu treba težiti. Orijentacijski 100.000-200.000 piksela bi mogla biti donja granica kod akvizicije fotografije za osobno vozilo neovisno o pozadini koju zadovoljava većina fotografija. Program je na 15 fotografija, koje ne sadrže osobno vozilo, prepoznao da se ne radi o osobnom vozilu. U jednom slučaju program ne detektira osobno vozilo. Osobna vozila s udjelom crvenih piksela 13,1% su crvena. Rezultati dobiveni na fotografijama umanjenim za faktor 2 ne zaostaju za rezultatima na originalnim fotografijama s tim da program radi brže. In car casco insurance, taking photos of personal vehicles allows you to obtain information for underwriting and claim processing. In the field of computer vision, neural networks are used for vehicle detection and feature extraction. A pre-trained neural network model that has been adapted is used in the specialist thesis. The methodology for determining the red color limit in the HSV model is presented. Programming is done on a Jupyter notebook in COLAB environment with Python commands. 135 photos were analyzed. A large number of pictures do not focus the best on the vehicle that is the subject of insurance. The share of the surface of the detected passenger vehicle in the image of 39% proves to be a solid share to strive for. A rough 100.000-200,000 pixels might be the limit of adequate vehicle resolution that most photos meet. The program recognized correctly 15 photos with no personal vehicle. In one case, the program does not detect a personal vehicle. Cars with a proportion of red pixels 13.1% are red. The results obtained on the photos reduced by a factor of 2 do not lag behind the results on the original photos, with the fact that the program works faster.
