CN107229947B - 一种基于动物识别的金融保险方法及系统 - Google Patents

一种基于动物识别的金融保险方法及系统 Download PDF

Info

Publication number
CN107229947B
CN107229947B CN201710339219.8A CN201710339219A CN107229947B CN 107229947 B CN107229947 B CN 107229947B CN 201710339219 A CN201710339219 A CN 201710339219A CN 107229947 B CN107229947 B CN 107229947B
Authority
CN
China
Prior art keywords
livestock
image
insured
images
identified
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710339219.8A
Other languages
English (en)
Other versions
CN107229947A (zh
Inventor
邓昌顺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiang Chuang Technology (Beijing) Co., Ltd.
Original Assignee
Xiangchuang Technology Beijing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiangchuang Technology Beijing Co ltd filed Critical Xiangchuang Technology Beijing Co ltd
Priority to CN201710339219.8A priority Critical patent/CN107229947B/zh
Publication of CN107229947A publication Critical patent/CN107229947A/zh
Application granted granted Critical
Publication of CN107229947B publication Critical patent/CN107229947B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Software Systems (AREA)
  • Agronomy & Crop Science (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Technology Law (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于动物识别的金融保险方法及系统，其中方法包括如下步骤：签订投保协议后，采集并获取投保牲畜图像；构建神经网络模型，利用投保牲畜图像集对神经网络模型进行训练，得到图像特征识别模型；接收待识别牲畜的图像，并输入至图像特征识别模型，通过计算待识别牲畜与投保牲畜的相似度以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔。本发明通过利用神经网络模型实现对投保牲畜图像的处理，以便计算待识别牲畜与投保牲畜的相似度，降低了牲畜识别了难度，促进了金融尤其是保险在养殖领域的发展，从而提高农民尤其是养殖户的收入与利润。

Description

一种基于动物识别的金融保险方法及系统
技术领域
本发明涉及金融保险及动物识别技术领域，具体涉及一种基于基于动物识别的金融保险方法及系统。
背景技术
随着经济发展的需求以及国家对于农业发展的要求，金融行业对于农业的促进作用越来越重要，尤其是在在家畜保险方面已经开发出了大量的金融产品来帮助养殖户等，这些金融产品尤其是家畜的相关的保险对于农业的发展和农民的增收尤其重要。而这些金融产品尤其是保险要求对于相关的动物比如猪的一生进行唯一性的标示，如何合理的利用科技手段来对于相关家畜进行识别成为非常重要的话题。在实际的业务中，经常出现保户养殖有500头猪，对其中特定的100头进行了投保，在养殖过程中，如果其它的400头未投保的猪出现了问题，养殖户/保户经常拿已经投保的100头猪的合同来要求保险公司进行赔付，保险公司无法对已投保的100头猪与未投保的400猪进行区别，从而无法规避相关的风险，造成经济损失。
传统的对家畜的进行唯一性识别一般采用如下方法：一、在动物身上植入相关的标识，如RFID标签等；二、对动物进行人工识别；三、依靠互保等来规避相关的风险。这些方式有以下的缺点：一、如果采用在动物身上植入相关的标示，一方面养殖户不大容易接受，另外，成本非常高，同时，相关的植入有可能造成动物的病的发生，引起相应的风险；二、植入的标识或者标签随着动物的活动，有可能在皮肤或者肌肉层进行移动，造成后期获取、识别这些标识难；三、动物/家畜在活动的过程中，有可能造成相关的标识损失或者丢失，从而失去标识的作用；四、对于动物的人工识别等有经验与道德层面的风险；五、互保并不能解决家畜或者动物识别的问题，从而无法降低相关的成本。因此上述方式都无法做到快速，有效，低成本，准确的对相关动物进行识别，从而降低相关的识别成本。
发明内容
本发明的目的是实现快速，有效，低成本且准确的对相关动物进行识别，并降低动物识别的成本。
为了实现上述目的，本发明提供了一种基于动物识别的金融保险方法，包括如下步骤：
签订投保协议，采集并获取投保牲畜图像；
构建神经网络模型，利用投保牲畜图像集对神经网络模型进行训练，得到图像特征识别模型；
接收待识别牲畜的图像，并输入至图像特征识别模型，通过计算待识别牲畜与投保牲畜的相似度以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔。
进一步，所述构建神经网络模型，利用投保牲畜图像集对神经网络模型进行训练，得到图像特征识别模型之前包括
对投保牲畜图像进行预处理。
进一步，所述对投保牲畜图像进行预处理包括
获取每个牲畜的图像集，图像集至少包括一种图片；
对各个图像集进行标记。
进一步，所述接收待识别牲畜的图像，并输入至图像特征识别模型以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔包括
判断待识别牲畜的图像的数量是否不为1；
如果识别牲畜的图像的数量不为1，则判断待识别牲畜是否为投保牲畜及每个待识别牲畜的图像对应的牲畜是否为同一个。
进一步，所述接收待识别牲畜的图像，并输入至图像特征识别模型以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔还包括如果识别牲畜的图像的数量为1，则判断待识别牲畜是否为投保牲畜。
进一步，所述接收待识别牲畜的图像，并输入至图像特征识别模型以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔还包括
根据投保协议获取牲畜养殖户联系方式；
实时采集畜牧服务中心服务器的牲畜疫情信息和/或养殖指导信息，将牲畜疫情信息和/或养殖指导信息发送至联系方式对应的牲畜养殖户。
本发明还提供了一种基于动物识别的金融保险系统，包括
图像采集模块，用于签订投保协议，采集并获取投保牲畜图像；
识别模型模块，用于构建神经网络模型，利用投保牲畜图像集对神经网络模型进行训练，得到图像特征识别模型；
理赔判断模块，用于接收待识别牲畜的图像，并输入至图像特征识别模型，通过计算待识别牲畜与投保牲畜的相似度以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔。
进一步，所述识别模型模块包括
预处理子模块，对投保牲畜图像进行预处理；
其中，预处理子模块包括
提取单元，用于获取每个牲畜的图像集，图像集至少包括一种图片；
标识单元，用于对各个图像集进行标记。
进一步，所述理赔判断模块包括
数量判断单元，用于判断待识别牲畜的图像的数量是否不为1；
牲畜识别单元，用于如果识别牲畜的图像的数量不为1，则判断待识别牲畜是否为投保牲畜及每个待识别牲畜的图像对应的牲畜是否为同一个；或如果识别牲畜的图像的数量为1，则判断待识别牲畜是否为投保牲畜。
进一步，所述理赔判断模块包括
联系信息提取单元，用于根据投保协议获取牲畜养殖户联系方式；
养殖信息推送单元，用于实时采集畜牧服务中心服务器的牲畜疫情信息和/或养殖指导信息，将牲畜疫情信息和/或养殖指导信息发送至联系方式对应的牲畜养殖户。
在上述技术方案中，本发明通过利用神经网络模型实现对投保牲畜图像的处理，以便计算待识别牲畜与投保牲畜的相似度，降低了牲畜识别了难度，促进了金融尤其是保险在养殖领域的发展，从而提高农民尤其是养殖户的收入与利润。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明所述的基于基于动物识别的金融保险方法一个实施例的流程示意图；
图2为本发明所述的基于动物识别的金融保险方法另一个实施例中S102的流程示意图；
图3为本发明所述的基于动物识别的金融保险方法中S103的流程示意图；
图4为本发明所述的基于动物识别的金融保险方法中又一个实施例中S103的流程示意图；
图5为本发明所述的基于动物识别的金融保险系统的框图结构示意图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。
如图1所示，本发明提供了一种基于深度学习算法的动物识别方法，包括如下步骤：
S101、签订投保协议，采集并获取投保牲畜图像；
具体地，投保协议可以线下签订，也可线上签订。签订完成后可利用如手机、摄像头、pad等具备摄像头的图像采集设备拍摄获取牲畜图像。本发明的目的在在于对牲畜养殖业内的动物进行识别，以便对牲畜进行金融保险，降低牲畜金融保险业风险。具体地，用户投保协议还可选的通过在线方式进行签订，如利用PC机，在电脑客户端完成在线投保协议的签订；还可选通过在移动设备(如手机)上下载APP，通过APP完成在线投保协议签订。
S102、构建神经网络模型，利用投保牲畜图像集对神经网络模型进行训练，得到图像特征识别模型；
本发明所指的神经网络简称为神经网络(NNs)或称作连接模型(ConnectionModel)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。一个计算模型，要划分为神经网络，通常需要大量彼此连接的节点(也称‘神经元’)，并且具备两个特性：每个神经元，通过某种特定的输出函数(也叫激励函数activation function)，计算处理来自其它相邻神经元的加权输入值；神经元之间的信息传递的强度，用所谓加权值来定义，算法会不断自我学习，调整这个加权值。在此基础上，神经网络的计算模型，依靠大量的数据来训练。因此本发明构建神经网络靠后，以动物图像对构建的神经网络进行训练，提高神经网络的精确度。
具体的，神经网络模块包括但不限于VGG、Facenet等。将动物图像输入到神经网络模型中，利用神经网络模型对图像集进行训练，校验等，从而更新神经模型中的相关的参数与算法分支，形成针对这类动物的新的特征的图像识别模型(可选的包括如猪脸识别模型、猪鼻子等局部特征识别模型，也可选的包括猪身整体识别模型)。具体的，本实施例中，神经网络模型包括输入层、卷积层、批规范化层、非线性层、池化层、全连接层和softmax损耗层等。其中，数据输入层，用于接收动物图像，对动物图像进行预处理；卷积层，用于提取对预处理后的动物图像的图像特征；批规范化层，用于对图像特征进行规划化处理；非线性层，用于图像特征或规范化处理的图像特征进行非线性变换；池化层，用于将图像特征与动物图像进行映射操作；全连接层，用于对图像特征进行线性变换；softmax损耗层，用于计算预测类别和标签类别的误差。
具体地，构建神经网络模型，利用投保牲畜图像集对神经网络模型进行训练过程可选的首先将动物图像数据集设置为训练样本集和矫正样本集；其次，将训练样本集依次通过神经网络各层神经元，得到初步图像特征识别模型；最后将矫正样本集输入到初步图像特征识别模型进行参数矫正，得到图像特征识别模型。
S103、接收待识别牲畜的图像，并输入至图像特征识别模型，通过计算待识别牲畜与投保牲畜的相似度以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔。
本发明在目的在于将金融保险应用到牲畜养殖业，从而促进牲畜养殖业的发展，发展牲畜行业，对农民的增收做出贡献。牲畜投保过程中最难的在于对识别患病或者死去牲畜是否是投保的，因此，为了解决这个分问题，本发明利用人工智能中的深度学习算法，依靠神经网络模型，利用采集的投保牲畜图像(牲畜头部或者其它局部的图像)对神经网络模型进行训练，从而完成相关的特征提炼，得到图像特征识别模型，该图像特别识别模型中包括牲畜图像与对应的计算方法的关系，因此利用图像特征识别模型对待识别牲畜图像进行识别，能够完成对该待识别牲畜图像的特征提取，从而计算与每个投保牲畜图像的相似度，从而判定待识别牲畜图像是否为同一牲畜个体或是否为投保牲畜(具体根据相似度与预设阈值的比较完成判断，当相似度不小于阈值则判断为投保牲畜，否则不是投保牲畜)，从而判断是否进行理赔流程，降低牲畜投保行业的门槛。与传统的技术相比较，本发明不需要在动物活体身上植入任何的标示，可以降低动物活体受伤的风险；拍照或者录像对于使用者来讲非常容易，从而可以加快相关业务的进行，降低业务的成本。
进一步，所述构建神经网络模型，利用投保牲畜图像集对神经网络模型进行训练，得到图像特征识别模型之前包括对投保牲畜图像进行预处理。其中，如图2所示，所述对投保牲畜图像进行预处理包括
S201、获取每个牲畜的图像集并检测动物图像特征框，图像集至少包括一种图片；每个牲畜的图片数量越多，对该牲畜特征的提取越准确。
通过采集牲畜图像对每个牲畜的图像进行标记，以便进行区别，为后期启动理赔流程做准备，防止因他人恶意导致的理赔。具体实施时，可选的利用集合的方式实现对每个投保牲畜图像的处理及标记，如S1(p1、p2...pn)，其中N为不小于1的自然数。
具体实施时，本发明中牲畜图像框可选的采用FaceDetectionListener进行动物图像特征检测，并将检测到的动物图像特征(如猪脸、猪鼻子等局部部位，或猪身整体)用矩形框绘制出来。本发明可选的利用PlayCameraV1.0.0，在Camera的open和preview进行处理得到。
具体地，检测动物图像特征框之间可对动物图像进行如下预处理：
1、灰度化后，二值化，hough变换，检测最长的直线；
2、计算斜率和角度，然后校正；
x1＝xy_long(:,1)；
y1＝xy_long(:,2)；
％求得线段的斜率
K1＝-(y1(2)-y1(1))/(x1(2)-x1(1))；
angle＝atan(K1)*180/pi；
I1＝imrotate(I,-90-angle,'bilinear')。
S202、对各个图像集中动物图像特征框进行标记。
由于每个动物图像框的大小可能不同，具体实施时，为了便于管理首先将各个牲畜特征区域范围的图像进行归一处理，可选的将所有的牲畜特征区域归一化为统一的分辨率，如50＊50。
进一步，本实施例中，如图3所示S103包括
S1031、判断待识别牲畜的图像的数量是否不为1，如果识别牲畜的图像的数量为1，则执行S1033，否则执行S1032。
S1032、判断待识别牲畜是否为投保牲畜；
具体实施时，可通过计算待识别牲畜与投保牲畜的相似度，将相似度与阈值进行比较，若相似度不小于阈值，则确定待识别牲畜为投保牲畜，否则不是。如待识别牲畜为A，计算得到A与投保牲畜中S1的相似度为50％，与S2的相似度为80％，与S3的相似度为98％，假设阈值为90％，则A判断A为S3，属于投保牲畜。
S1033、判断待识别牲畜是否为投保牲畜及每个待识别牲畜的图像对应的牲畜是否为同一个。
进一步，如图4所示，S103还包括
S301、根据投保协议获取牲畜养殖户联系方式；由于投保协议可选的为手动填写，也可选通过在线填写，因此，当投保协议为手动填写时，可利用图像识别算法提取投保协议图片中投保人联系方式；当投保协议是在线填写时，系统直接获取读取联系方式一栏即可得到。
S302、实时采集畜牧服务中心服务器的牲畜疫情信息和/或养殖指导信息，将牲畜疫情信息和/或养殖指导信息发送至联系方式对应的牲畜养殖户。
本发明的目的在于将金融保险应用到畜牧业从而带动其发展，进而为农民的增收做出贡献。因此可选养殖十分重要，同时为了降低金融保险公司的风险，本发明采集畜牧服务中心服务器的牲畜疫情牲畜疫情信息和/或养殖指导信息并发送至养殖户，实现科学指导养殖户养殖，提高养殖效率，从而既降低养殖户的养殖风险，有降低了金融保险公司的保险投资风险。
如图5所示，本发明还提供了一种基于基于动物识别的金融投保系统，包括图像采集模块10、识别模型模块20和理赔判断模块30。
具体实施时，所述基于基于动物识别的金融投保系统可应用在移动设备(如手机、PAD、PC机等)的客户端，用户通过下载该客户端APP或者访问该客户端接口即可完成投保牲畜图像处理以及待识别牲畜图像的识别，从而完成理赔。
其中，
图像采集模块10，用于签订投保协议后，采集并获取投保牲畜图像；具体地，图像采集模块可选的利用预留接口实现访问移动设备摄像头，从而完成投保牲畜图像的采集目的，或者利用专业的相机进行采集。
识别模型模块20，用于构建神经网络模型，利用投保牲畜图像集对神经网络模型进行训练，得到图像特征识别模型；
理赔判断模块30，用于接收待识别牲畜的图像，并输入至图像特征识别模型，通过计算待识别牲畜与投保牲畜的相似度以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔。
进一步，所述识别模型模块包括
预处理子模块，对投保牲畜图像进行预处理；
其中，预处理子模块包括
提取单元，用于获取每个牲畜的图像集，图像集至少包括一种图片；
标识单元，用于对各个图像集进行标记。
进一步，所述理赔判断模块包括
数量判断单元，用于判断待识别牲畜的图像的数量是否不为1；
牲畜识别单元，用于如果识别牲畜的图像的数量不为1，则判断待识别牲畜是否为投保牲畜及每个待识别牲畜的图像对应的牲畜是否为同一个；或如果识别牲畜的图像的数量为1，则判断待识别牲畜是否为投保牲畜。
进一步，所述理赔判断模块包括
联系信息提取单元，用于根据投保协议获取牲畜养殖户联系方式；
养殖信息推送单元，用于采集预设范围的牲畜养殖信息和/或养殖指导信息，将牲畜养殖信息和/或养殖指导信息发送至联系方式对应的牲畜养殖户。
具体实施时，本发明所述的基于深度学习算法的动物识别系统可选的应用到金融保险领域。如，某养殖户饲养500头猪，向保险公司投保100头猪，保险公司只需要要求养殖户对这100头猪进行摄像，拍照等，在后台利用原有的训练好的猪的猪脸的模型，对这100头猪的新的图像进行学习，完成相关的这100头猪的特征的提取，并存储在模型中。当养殖户报告投保的100头猪中有其中的1头猪生病或者死亡，养殖户只需要对该猪进行录像或拍照，并上传给保险公司，由系统根据该图像的特征(通过人工智能的算法)来判断养殖提供的这头猪是否是之前投保的那100头猪中间的一头，从而决定是否进行赔付即可。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。

Claims (7)

1.一种基于动物识别的金融保险方法，其特征在于，包括如下步骤：
通过在线签订投保协议后，采集并获取投保牲畜图像以及投保人联系方式；
通过采集牲畜图像对每个牲畜的图像进行标记，以对每个投保牲畜进行区别；
对投保牲畜图像进行预处理，包括：灰度化后，二值化，hough变换，检测最长的直线，计算最长的直线的斜率和角度，然后校正；
构建神经网络模型，利用投保牲畜图像集对神经网络模型进行训练，得到图像特征识别模型，所述图像特征包括局部特征和整体特征；
所述利用投保牲畜图像集对神经网络模型进行训练包括：
将投保牲畜图像集设置为训练样本集和矫正样本集；将训练样本集依次通过神经网络各层神经元，得到初步图像特征识别模型；最后将矫正样本集输入到初步图像特征识别模型进行参数矫正，得到图像特征识别模型，所述神经网络包括：输入层、卷积层、批规范化层、非线性层、池化层、全连接层和softmax损耗层，所述批规范化层用于对图像特征进行规划化处理；
在得到图像特征识别模型之后，对签订投保协议后获取的投保牲畜图像进行学习，提取所述投保牲畜图像特征；
接收待识别牲畜的图像，并输入至图像特征识别模型，提取待识别牲畜图像特征，通过计算待识别牲畜与投保牲畜的图像特征相似度以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔；
所述接收待识别牲畜的图像，并输入至图像特征识别模型，提取待识别牲畜图像特征，通过计算待识别牲畜与投保牲畜的图像特征相似度以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔还包括：
实时采集畜牧服务中心服务器的牲畜疫情信息和/或养殖指导信息，将牲畜疫情信息和/或养殖指导信息发送至联系方式对应的牲畜养殖户。
2.根据权利要求1所述的基于动物识别的金融保险方法，其特征在于，所述对投保牲畜图像进行预处理包括
获取每个牲畜的图像集并检测动物图像特征框，图像集至少包括一种图片；
对各个图像集中动物图像特征框进行标记。
3.根据权利要求1所述的基于动物识别的金融保险方法，其特征在于，所述接收待识别牲畜的图像，并输入至图像特征识别模型以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔包括
判断待识别牲畜的图像的数量是否不为1；
如果识别牲畜的图像的数量不为1，则判断待识别牲畜是否为投保牲畜及每个待识别牲畜的图像对应的牲畜是否为同一个。
4.根据权利要求1所述的基于动物识别的金融保险方法，其特征在于，所述接收待识别牲畜的图像，并输入至图像特征识别模型以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔还包括
如果识别牲畜的图像的数量为1，则判断待识别牲畜是否为投保牲畜。
5.一种基于动物识别的金融保险系统，其特征在于，包括
图像采集模块，用于通过在线签订投保协议后，采集并获取投保牲畜图像以及投保人联系方式，通过采集牲畜图像对每个牲畜的图像进行标记，以对每个投保牲畜进行区别，对投保牲畜图像进行预处理，包括：灰度化后，二值化，hough变换，检测最长的直线，计算最长的直线的斜率和角度，然后校正；
识别模型模块，用于构建神经网络模型，利用投保牲畜图像集对神经网络模型进行训练，得到图像特征识别模型；
所述利用投保牲畜图像集对神经网络模型进行训练包括：
将投保牲畜图像集设置为训练样本集和矫正样本集；将训练样本集依次通过神经网络各层神经元，得到初步图像特征识别模型；最后将矫正样本集输入到初步图像特征识别模型进行参数矫正，得到图像特征识别模型，所述神经网络包括：输入层、卷积层、批规范化层、非线性层、池化层、全连接层和softmax损耗层，所述批规范化层用于对图像特征进行规划化处理；
在得到图像特征识别模型之后，对签订投保协议并获取的投保牲畜图像进行学习，提取所述投保牲畜图像特征；
理赔判断模块，用于接收待识别牲畜的图像，并输入至图像特征识别模型，提取待识别牲畜图像特征，通过计算待识别牲畜与投保牲畜的图像特征相似度以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔
所述理赔判断模块包括：
养殖信息推送单元，用于实时采集畜牧服务中心服务器的牲畜疫情信息和/或养殖指导信息，将牲畜疫情信息和/或养殖指导信息发送至联系方式对应的牲畜养殖户。
6.根据权利要求5所述的基于动物识别的金融保险系统，其特征在于，所述识别模型模块包括
预处理子模块，对投保牲畜图像进行预处理；
其中，预处理子模块包括
提取单元，用于获取每个牲畜的图像集，图像集至少包括一种图片；
标识单元，用于对各个图像集进行标记。
7.根据权利要求5所述的基于动物识别的金融保险系统，其特征在于，所述理赔判断模块包括
数量判断单元，用于判断待识别牲畜的图像的数量是否不为1；
牲畜识别单元，用于如果识别牲畜的图像的数量不为1，则判断待识别牲畜是否为投保牲畜及每个待识别牲畜的图像对应的牲畜是否为同一个；或如果识别牲畜的图像的数量为1，则判断待识别牲畜是否为投保牲畜。
CN201710339219.8A 2017-05-15 2017-05-15 一种基于动物识别的金融保险方法及系统 Active CN107229947B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710339219.8A CN107229947B (zh) 2017-05-15 2017-05-15 一种基于动物识别的金融保险方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710339219.8A CN107229947B (zh) 2017-05-15 2017-05-15 一种基于动物识别的金融保险方法及系统

Publications (2)

Publication Number Publication Date
CN107229947A CN107229947A (zh) 2017-10-03
CN107229947B true CN107229947B (zh) 2020-11-06

Family

ID=59934081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710339219.8A Active CN107229947B (zh) 2017-05-15 2017-05-15 一种基于动物识别的金融保险方法及系统

Country Status (1)

Country Link
CN (1) CN107229947B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766807A (zh) * 2017-09-30 2018-03-06 平安科技（深圳）有限公司 电子装置、投保牲畜识别方法和计算机可读存储介质
CN108062708A (zh) * 2017-11-23 2018-05-22 翔创科技（北京）有限公司 牲畜资产的抵押方法、计算机程序、存储介质及电子设备
CN109948395A (zh) * 2017-12-20 2019-06-28 翔升（上海）电子技术有限公司 基于无人机的动物识别及数量统计方法与无人机
CN108335366B (zh) * 2018-01-30 2021-03-30 翔创科技（北京）有限公司 对牲畜进行识别的方法及装置
CN108509976A (zh) * 2018-02-12 2018-09-07 北京佳格天地科技有限公司 动物的识别装置和方法
CN108389061A (zh) * 2018-03-19 2018-08-10 平安科技（深圳）有限公司 电子装置、基于区块链的牲畜保险理赔方法及存储介质
CN108492198A (zh) * 2018-03-27 2018-09-04 平安科技（深圳）有限公司 牲畜保险理赔方法、装置、计算机设备和存储介质
CN108564482B (zh) * 2018-04-16 2021-12-21 翔创科技（北京）有限公司 一种牲畜信息的管理方法、存储介质和电子设备
CN108764045B (zh) * 2018-04-26 2019-11-26 平安科技（深圳）有限公司 牲畜识别方法、装置及存储介质
CN108734114A (zh) * 2018-05-02 2018-11-02 浙江工业大学 一种结合面部和声纹的宠物识别方法
CN108875564A (zh) * 2018-05-02 2018-11-23 浙江工业大学 一种宠物面部识别方法
CN108573286A (zh) * 2018-05-10 2018-09-25 阿里巴巴集团控股有限公司 一种理赔业务的数据处理方法、装置、设备及服务器
CN108921026A (zh) * 2018-06-01 2018-11-30 平安科技（深圳）有限公司 动物身份的识别方法、装置、计算机设备和存储介质
CN108734594B (zh) * 2018-06-07 2021-05-25 内蒙古智牧溯源技术开发有限公司 牲畜死亡成对对比鉴定方法
WO2020003310A1 (en) * 2018-06-25 2020-01-02 Farmsee Ltd. Monitoring livestock in an agricultural pen
CN109190477A (zh) * 2018-08-02 2019-01-11 平安科技（深圳）有限公司 基于牛脸识别的保险理赔方法、装置、计算机设备及存储介质
CN109005361A (zh) * 2018-08-06 2018-12-14 Oppo广东移动通信有限公司 控制方法、装置、成像设备、电子设备及可读存储介质
CN109243003A (zh) * 2018-08-24 2019-01-18 北京京东金融科技控股有限公司 用于巡检车的巡检方法和装置
CN111210227A (zh) * 2018-11-22 2020-05-29 重庆小雨点小额贷款有限公司 一种数据处理方法、装置、服务器及计算机可读存储介质
CN113496438A (zh) * 2020-06-29 2021-10-12 童杉杉 一种基于生物识别的金融保险方法
JP7082647B2 (ja) * 2020-08-28 2022-06-08 アニコム ホールディングス株式会社 保険料算出システム及び保険料算出方法
CN112541432A (zh) * 2020-12-11 2021-03-23 上海品览数据科技有限公司 一种基于深度学习的视频牲畜身份认证系统及方法
CN116563040A (zh) * 2023-07-07 2023-08-08 中国平安财产保险股份有限公司 基于牲畜识别的农险查勘方法、装置、设备及存储介质
CN117745036B (zh) * 2024-02-18 2024-04-30 四川金投科技股份有限公司 一种基于特征识别及近场通信的牲畜信息管理方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106200773A (zh) * 2014-10-07 2016-12-07 Lg电子株式会社 移动终端
CN106415632A (zh) * 2014-02-24 2017-02-15 汉索知识产权私人有限公司 便携式基于生物特征的身份设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2748743B1 (en) * 2011-08-22 2019-11-27 Koninklijke Philips N.V. Data administration system and method
JP2015210702A (ja) * 2014-04-28 2015-11-24 キヤノン株式会社 画像処理装置及び画像処理方法
US20160138258A1 (en) * 2014-11-19 2016-05-19 Schaffert Manufacturing Company, Inc. Folding shed
CN105631394B (zh) * 2015-05-29 2019-08-02 宇龙计算机通信科技(深圳)有限公司 虹膜信息采集方法、虹膜信息采集装置及终端
CN205721827U (zh) * 2015-12-10 2016-11-23 深圳先进技术研究院 基于虹膜识别的动物管理系统及虹膜采集手持机
CN106446925A (zh) * 2016-07-07 2017-02-22 哈尔滨工程大学 一种基于图像处理的海豚身份识别的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106415632A (zh) * 2014-02-24 2017-02-15 汉索知识产权私人有限公司 便携式基于生物特征的身份设备
CN106200773A (zh) * 2014-10-07 2016-12-07 Lg电子株式会社 移动终端

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
兽医领域中数据挖掘的探索;远立国等;《中国兽医杂志》;20150622;第51卷(第6期);全文 *

Also Published As

Publication number Publication date
CN107229947A (zh) 2017-10-03

Similar Documents

Publication Publication Date Title
CN107229947B (zh) 一种基于动物识别的金融保险方法及系统
CN108922622B (zh) 一种动物健康监测方法、装置及计算机可读存储介质
CN110135231B (zh) 动物面部识别方法、装置、计算机设备和存储介质
CN113919443B (zh) 一种基于图像分析烟叶成熟度状态概率计算方法
CN110321956B (zh) 一种基于人工智能的牧草病虫害治理方法及装置
CN107680080B (zh) 牲畜的样本库建立方法和清点方法、存储介质和电子设备
CN110610125A (zh) 基于神经网络的牛脸识别方法、装置、设备及存储介质
CN114514585A (zh) 疾病预测系统、保险费计算系统以及疾病预测方法
US20240087368A1 (en) Companion animal life management system and method therefor
Xue et al. Open set sheep face recognition based on Euclidean space metric
CN116612435B (zh) 一种玉米高产栽培方法
CN110826581A (zh) 一种动物数量识别方法、装置、介质及电子设备
CN115115830A (zh) 一种基于改进Transformer的家畜图像实例分割方法
CN117809336A (zh) 场景自适应的双分支牛脸高效识别方法及相关设备
Hao et al. A novel method for Jinnan cattle individual classification based on deep mutual learning
Warhade et al. Attention module incorporated transfer learning empowered deep learning-based models for classification of phenotypically similar tropical cattle breeds (Bos indicus)
Zhang et al. Lightweight model-based sheep face recognition via face image recording channel
CN115497021A (zh) 一种基于计算机视觉的母猪哺乳行为细粒度识别方法
CN111753854A (zh) 图像处理方法、装置、电子设备及存储介质
Ruchay et al. On-barn cattle facial recognition using deep transfer learning and data augmentation
CN114764948A (zh) 活体检测方法、装置、设备及存储介质
CN118097256A (zh) 病虫害防治方法、装置、计算机可读存储介质及服务器
CN113642671B (zh) 基于任务分布变化的半监督元学习方法及装置
CN114998575B (zh) 训练和使用目标检测模型的方法及装置
CN117711609B (zh) 一种基于大数据的神经移植方案推荐方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20190821

Address after: 102218 Block 505, Longyu Center, Building 1, Courtyard 1, Longyu Zhongjie, Huilongguan, Changping District, Beijing

Applicant after: Xiang Chuang Technology (Beijing) Co., Ltd.

Address before: 102218 Unit 601, Unit 2, Building 48, North Third District, Tiantongyuan, Changping District, Beijing

Applicant before: Deng Changshun

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant