CN107766807A - 电子装置、投保牲畜识别方法和计算机可读存储介质 - Google Patents
电子装置、投保牲畜识别方法和计算机可读存储介质 Download PDFInfo
- Publication number
- CN107766807A CN107766807A CN201710914928.4A CN201710914928A CN107766807A CN 107766807 A CN107766807 A CN 107766807A CN 201710914928 A CN201710914928 A CN 201710914928A CN 107766807 A CN107766807 A CN 107766807A
- Authority
- CN
- China
- Prior art keywords
- livestock
- facial photo
- determined
- photo
- training
- 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.)
- Pending
Links
- 244000144972 livestock Species 0.000 title claims abstract description 281
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000009434 installation Methods 0.000 title claims abstract description 23
- 230000001815 facial effect Effects 0.000 claims abstract description 227
- 238000012549 training Methods 0.000 claims abstract description 88
- 230000006870 function Effects 0.000 claims description 31
- 238000013507 mapping Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000007935 neutral effect Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000021393 food security Nutrition 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种投保牲畜识别方法、电子装置及存储介质,所述方法包括:在收到带有被保险的牲畜的身份标识和该牲畜的当前脸部照片的理赔申请后,根据预先存储的身份标识和标准牲畜脸部照片的关联数据,确定该身份标识对应的标准牲畜脸部照片;将该牲畜的当前脸部照片和确定的标准牲畜脸部照片输入到预先训练好的预设类型识别模型中,确定该牲畜的当前脸部照片和确定的标准牲畜脸部照片的相似度;若确定的相似度大于预设阈值,则确定该牲畜的脸部识别通过,或者,若确定的相似度小于或者等于预设阈值,则确定该牲畜的脸部识别失败。本发明技术方案实现了低成本、高效率且可远程批量的对出险牲畜识别。
Description
技术领域
本发明涉及保险领域,特别涉及一种电子装置、投保牲畜识别方法和计算机可读存储介质。
背景技术
目前,畜牧业是人类获取食物的重要来源之一,而养猪业是畜牧业中的重要组成部门。在牲畜养殖过程中,牲畜生病死亡是一个经常发生的事件,对大多数养殖户而言,若发生牲畜生病死亡事件,则通常会造成这些养殖户巨大的经济损失,这种风险一方面或多或少抑制了潜在养殖户投身畜牧业的积极性,给畜牧业的发展造成潜在的阻碍;另一方面增加了养殖户通过非正常途径(例如,药物控制途径)降低牲畜生病死亡概率的可能性,从而对该食品安全构成极大的现实威胁。
为了最大程度降低这种风险带来的影响,很多保险公司推出了牲畜险,以保险的方式为养殖户规避这种风险。为了配合畜牧险的开展,目前出现了许多识别被保牲畜身份的识别方案,例如,为被投保的猪植入芯片、DNA识别、打耳标等方式对被保的猪进行身份识别,但这类现有识别方案成本较高、效率低下、无法远程批量识别。
发明内容
本发明的主要目的是提供一种电子装置、投保牲畜识别方法和计算机可读存储介质,旨在实现低成本、高效率且可远程批量识别的牲畜识别方案。
为实现上述目的,本发明提出的电子装置,包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的投保牲畜识别系统,所述投保牲畜识别系统被所述处理器执行时实现如下步骤:
在收到带有被保险的牲畜的身份标识和该牲畜的当前脸部照片的理赔申请后,根据预先存储的身份标识和标准牲畜脸部照片的关联数据,确定该身份标识对应的标准牲畜脸部照片;
将该牲畜的当前脸部照片和确定的标准牲畜脸部照片输入到预先训练好的预设类型识别模型中,确定该牲畜的当前脸部照片和确定的标准牲畜脸部照片的相似度;
若确定的相似度大于预设阈值,则确定该牲畜的脸部识别通过,或者,若确定的相似度小于或者等于预设阈值,则确定该牲畜的脸部识别失败。
优选地,所述预设类型识别模型为孪生神经网络模型,所述预设类型识别模型包括第一子网络模型、第二子网络模型及结果计算模块,其中:
该第一子网络模型,用于对该牲畜的当前脸部照片进行特征提取,输出第一特征向量;
该第二子网络模型,用于对确定的标准牲畜脸部照片进行特征提取,输出第二特征向量;
该结果计算模块,用于根据预先确定的特征向量距离计算函数计算出所述第一特征向量与第二特征向量的向量距离,该向量距离即为该牲畜的当前脸部照片和确定的标准牲畜脸部照片的相似度。
优选地,所述预先确定的特征向量距离计算函数为:EW(X1,X2)=‖GW(X1)-GW(X2)‖;
其中,GW(X)代表所述预设类型识别模型的网络映射函数,其参数为W,该参数W由所述预设类别识别模型训练得出;该网络映射函数GW(X)针对两个不同的输入特征向量X1和X2,分别输出低维空间结果为GW(X1)和GW(X2),GW(X1)是由X1经过网络映射得到的,GW(X2)是由X2经过网络映射得到的。
优选地,所述网络映射函数GW(X)的参数W满足:使得当X1和X2属于同一个牲畜脸部的时候,特征向量距离度量EW(X1,X2)=‖GW(X1)-GW(X2)‖小于第一阈值;当X1和X2属于不同的类别的时候,特征向量距离度量EW(X1,X2)=‖GW(X1)-GW(X2)‖大于第二阈值;所述第一阈值小于或者等于第二阈值。
优选地,所述预设类型识别模型的训练过程如下:
E1、获取预设数量的投保牲畜的脸部照片和预设数量的出险理赔牲畜的脸部照片;
E2、将获取的所有脸部照片进行两两随机配对获得预设数量的脸部照片对,对属于同一牲畜的脸部照片对标注第一标签,对不属于同一牲畜的脸部照片对标注第二标签;
E3、将所述脸部照片对分为第一百分比的训练集和第二百分比的验证集,所述第一百分比和第二百分比之和小于或者等于100%;
E4、利用训练集中的照片对对所述预设类型识别模型进行训练,并在训练完成后利用验证集对训练的所述预设类型识别模型的准确率进行验证;
E5、若准确率大于预设阈值,则模型训练结束;
E6、若准确率小于或者等于预设阈值,则增加所述脸部照片的样本数量,并基于增加后的脸部照片的样本重新执行上述步骤E2、E3、E4。
本发明还提出出一种投保牲畜识别方法,该方法包括步骤:
在收到带有被保险的牲畜的身份标识和该牲畜的当前脸部照片的理赔申请后,根据预先存储的身份标识和标准牲畜脸部照片的关联数据,确定该身份标识对应的标准牲畜脸部照片;
将该牲畜的当前脸部照片和确定的标准牲畜脸部照片输入到预先训练好的预设类型识别模型中,确定该牲畜的当前脸部照片和确定的标准牲畜脸部照片的相似度;
若确定的相似度大于预设阈值,则确定该牲畜的脸部识别通过,或者,若确定的相似度小于或者等于预设阈值,则确定该牲畜的脸部识别失败。
优选地,所述预设类型识别模型为孪生神经网络模型,所述预设类型识别模型包括第一子网络模型、第二子网络模型及结果计算模块,其中:
该第一子网络模型,用于对该牲畜的当前脸部照片进行特征提取,输出第一特征向量;
该第二子网络模型,用于对确定的标准牲畜脸部照片进行特征提取,输出第二特征向量;
该结果计算模块,用于根据预先确定的特征向量距离计算函数计算出所述第一特征向量与第二特征向量的向量距离,该向量距离即为该牲畜的当前脸部照片和确定的标准牲畜脸部照片的相似度。
优选地,所述预先确定的特征向量距离计算函数为:EW(X1,X2)=‖GW(X1)-GW(X2)‖;
其中,GW(X)代表所述预设类型识别模型的网络映射函数,其参数为W,该参数W由所述预设类别识别模型训练得出;该网络映射函数GW(X)针对两个不同的输入特征向量X1和X2,分别输出低维空间结果为GW(X1)和GW(X2),GW(X1)是由X1经过网络映射得到的,GW(X2)是由X2经过网络映射得到的。
优选地,,所述预设类型识别模型的训练过程如下:
E1、获取预设数量的投保牲畜的脸部照片和预设数量的出险理赔牲畜的脸部照片;
E2、将获取的所有脸部照片进行两两随机配对获得预设数量的脸部照片对,对属于同一牲畜的脸部照片对标注第一标签,对不属于同一牲畜的脸部照片对标注第二标签;
E3、将所述脸部照片对分为第一百分比的训练集和第二百分比的验证集,所述第一百分比和第二百分比之和小于或者等于100%;
E4、利用训练集中的照片对对所述预设类型识别模型进行训练,并在训练完成后利用验证集对训练的所述预设类型识别模型的准确率进行验证;
E5、若准确率大于预设阈值,则模型训练结束;
E6、若准确率小于或者等于预设阈值,则增加所述脸部照片的样本数量,并基于增加后的脸部照片的样本重新执行上述步骤E2、E3、E4。
本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有投保牲畜识别系统,所述投保牲畜识别系统可被至少一个处理器执行,以使所述至少一个处理器执行上述任一项所述的投保牲畜识别方法。
本发明技术方案,在收到出险牲畜的理赔申请后,通过理赔申请中的被保险的牲畜的身份标识和该牲畜的当前脸部照片,从系统的关联数据中确定出该身份标识对应的标准牲畜脸部照片,并将该牲畜当前的脸部照片与所述标准牲畜脸部照片输入预先训练好的预设类型识别模型中,以得出该牲畜的当前脸部照片与确定的标准牲畜脸部照片的相似度,然后,将该相似度与预设阈值比较,根据比较结果确认脸部识别是否通过,从而确定该牲畜的当前脸部照片与确定的标准牲畜脸部照片是否属于同一牲畜。与现有技术相比,本方案在牲畜出险时,用户只需向系统发送带有出险牲畜的当前脸部照片和身份标识的理赔申请即可,保险公司的系统则根据用户发送的理赔申请中附带的当前脸部照片和身份标识对理赔申请的牲畜的进行识别验证,无需现场验证识别,能够及时快速的处理理赔申请,降低了成本,提升了效率,并且可以远程批量识别,更加的方便。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明投保牲畜识别方法一实施例的流程示意图;
图2为本发明投保牲畜识别方法一实施例中预设类型识别模型的训练流程图;
图3为本发明投保牲畜识别系统一实施例的运行环境示意图;
图4为本发明投保牲畜识别系统一实施例的程序模块图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,图1为本发明投保牲畜识别方法一实施例的流程示意图。
本实施例中,该投保牲畜识别方法包括:
步骤S10,在收到带有被保险的牲畜的身份标识和该牲畜的当前脸部照片的理赔申请后,根据预先存储的身份标识和标准牲畜脸部照片的关联数据,确定该身份标识对应的标准牲畜脸部照片;
用户在保险公司为其牲畜(例如,猪、养、牛等)投保时,需要针对每一个要投保的牲畜分别提供标准脸部照片给保险公司,保险公司则针对每一个被保险的牲畜分别提供唯一的身份ID(即被保险的牲畜的身份标识,例如数字编号)给用户,并在系统内将每一个投保的牲畜的身份标识与其标准牲畜脸部照片关联,将关联数据进行存储。当用户有被保险的牲畜发生生病死亡情况时,用户向保险公司发送带有该死亡牲畜的当前脸部照片和身份标识的理赔申请,保险公司的系统在接收到用户发送的该理赔申请后,提取出该理赔申请中的身份标识和当前脸部照片,并根据系统中预先存储的身份标识与标准牲畜脸部照片的关联数据,确定出该提取出的身份标识所对应的标准牲畜脸部照片。
步骤S20,将该牲畜的当前脸部照片和确定的标准牲畜脸部照片输入到预先训练好的预设类型识别模型中,确定该牲畜的当前脸部照片和确定的标准牲畜脸部照片的相似度;
系统中具有预先训练好的预设类型识别模型,该模型用于识别比对脸部照片的相似度;系统在确定了该理赔申请中的身份标识所对应的标准牲畜脸部照片后,将该牲畜的当前脸部照片和确定的标准牲畜脸部照片输入到预先训练好的预设类型识别模型中,从而根据预设类型识别模型输出得到该牲畜的当前脸部照片与确定的标准牲畜脸部照片的相似度。
步骤S30,若确定的相似度大于预设阈值,则确定该牲畜的脸部识别通过,或者,若确定的相似度小于或者等于预设阈值,则确定该牲畜的脸部识别失败。
系统中具有预先设置的相似度结果的判断阈值(即预设阈值,例如90%),当预设类型识别模型输出的相似度结果大于该预设阈值,那么判定该牲畜的当前脸部照片与确定的标准牲畜脸部照片为同一个牲畜的脸部照片,该牲畜的脸部识别通过,保险公司则可确定该牲畜为被保险的牲畜。反之,当预设类型识别模型输出的相似度结果小于或者等于预设阈值,则确定该牲畜的脸部识别失败。
本实施例技术方案,在收到出险牲畜的理赔申请后,通过理赔申请中的被保险的牲畜的身份标识和该牲畜的当前脸部照片,从系统的关联数据中确定出该身份标识对应的标准牲畜脸部照片,并将该牲畜当前的脸部照片与所述标准牲畜脸部照片输入预先训练好的预设类型识别模型中,以得出该牲畜的当前脸部照片与确定的标准牲畜脸部照片的相似度,然后,将该相似度与预设阈值比较,根据比较结果确认脸部识别是否通过,从而确定该牲畜的当前脸部照片与确定的标准牲畜脸部照片是否属于同一牲畜。与现有技术相比,本方案在牲畜出险时,用户只需向系统发送带有出险牲畜的当前脸部照片和身份标识的理赔申请即可,保险公司的系统则根据用户发送的理赔申请中附带的当前脸部照片和身份标识对理赔申请的牲畜的进行识别验证,无需现场验证识别,能够及时快速的处理理赔申请,降低了成本,提升了效率,并且可以远程批量识别,更加的方便。
优选地,本实施例采用的所述预设类型识别模型为孪生神经网络模型(Siamese网络模型),所述预设类型识别模型包括第一子网络模型、第二子网络模型及结果计算模块,其中:
该第一子网络模型(例如,卷积神经网络模型),用于对该牲畜的当前脸部照片进行特征提取,输出第一特征向量;
该第二子网络模型(例如,卷积神经网络模型),用于对确定的标准牲畜脸部照片进行特征提取,输出第二特征向量;
该结果计算模块,用于根据预先确定的特征向量距离计算函数计算出所述第一特征向量与第二特征向量的向量距离,该向量距离即为该牲畜的当前脸部照片和确定的标准牲畜脸部照片的相似度。
也就是,步骤S20包括:
所述第一子网络模型对该牲畜当前脸部照片进行特征提取,输出第一特征向量;
所述第二子网络模型对确定的标准牲畜脸部照片进行特征提取,输出第二特征向量;
所述结果计算模块根据预先确定的特征向量距离计算函数计算出所述第一特征向量与第二特征向量的向量距离(即该牲畜的当前脸部照片与确定的标准牲畜两部照片的相似度)。
本实施例优选所述预先确定的特征向量距离计算函数为:EW(X1,X2)=‖GW(X1)-GW(X2)‖;
其中,GW(X)代表所述预设类型识别模型的网络映射函数,其参数为W,该参数W由所述预设类别识别模型训练得出;该网络映射函数GW(X)针对两个不同的输入特征向量X1和X2,分别输出低维空间结果为GW(X1)和GW(X2),GW(X1)是由X1经过网络映射得到的,GW(X2)是由X2经过网络映射得到的。
给定网络映射函数GW(X),通过训练所述预设类型识别模型,以找出一组参数W,该组参数W满足:使当X1和X2属于同一个牲畜脸部的时候,特征向量距离度量EW(X1,X2)=‖GW(X1)-GW(X2)‖小于第一阈值,以及当X1和X2属于不同的类别的时候,特征向量距离度量EW(X1,X2)=‖GW(X1)-GW(X2)‖大于第二阈值;所述第一阈值小于或者等于所述第二阈值。
如图2所示,图2为本发明投保牲畜识别方法一实施例中预设类型识别模型的训练流程图。
在本实施例中,所述预设类型识别模型的训练过程如下:
步骤E1,获取预设数量的投保牲畜的脸部照片和预设数量的出险理赔牲畜的脸部照片;
例如,预设数量为10万个,即获取10万个投保牲畜的脸部照片以及10万个出险理赔牲畜的脸部照片(即发生保险事故的牲畜的脸部照片)。
步骤E2,将获取的所有脸部照片进行两两随机配对获得预设数量的脸部照片对,对属于同一牲畜的脸部照片对标注第一标签,对不属于同一牲畜的脸部照片对标注第二标签;
将获取的预设数量的投保牲畜的脸部照片和预设数量的出险理赔牲畜的脸部照片进行两两随机配对,从而得到预设数量的脸部照片对(每个所述脸部照片对均包括两张牲畜的脸部照片)。根据脸部照片对中两张牲畜的脸部照片分别对应的身份标识,可确认各个脸部照片对的两张脸部照片是否为同一牲畜的脸部照片,给属于同一牲畜的脸部照片对标注第一标签(例如,label=1),以及给不属于同一牲畜的脸部照片对标注第二标签(例如,label=-1),以供制作训练集或验证集。
步骤E3,将所述脸部照片对分为第一百分比的训练集和第二百分比的验证集,所述第一百分比和第二百分比之和小于或者等于100%;
从所述脸部照片对中分出一个训练集和一个验证集,所述训练集和验证集分别占所述脸部照片对的第一百分比和第二百分比,所述第一百分比和第二百分比之和小于或者等于100%,即可以是将整个所述脸部照片对刚好分成所述训练集和验证集(例如,所述第一百分比为70%,所述第二百分比为30%),也可以是将所述脸部照片对的一部分分成所述训练集和验证集(例如,所述第一百分比为65%,所述第二百分比为25%)。
步骤E4,利用训练集中的照片对对所述预设类型识别模型进行训练,并在训练完成后利用验证集对训练的所述预设类型识别模型的准确率进行验证;
用所述训练集中的脸部照片对训练所述预设类型识别模型,训练完所述预设类型识别模型后,再用所述验证集中的脸部照片对对所述预设类型识别模型进行准确率验证,得到经所述训练集训练完成后的所述预设类型识别模型的准确率。
步骤E5,若准确率大于预设阈值,则模型训练结束;
系统中预先设置了准确率的验证阈值(即所述预设阈值,例如98.5%),用于对所述预设类型识别模型的训练效果进行检验;若通过所述验证集对所述预设类型识别模型验证得到的准确率大于所述预设阈值,那么说明该预设类型识别模型的训练达到了预期标准,此时则结束模型训练。
步骤E6,若准确率小于或者等于预设阈值,则增加所述脸部照片的样本数量,并基于增加后的脸部照片的样本重新执行上述步骤E2、E3、E4。
若是通过所述验证集对所述预设类型识别模型验证得到的准确率小于或等于所述预设阈值,那么说明该预设类型识别模型的训练还没有达到了预期标准,可能是训练集数量不够或验证集数量不够,所以,在这种情况时,则增加所述脸部照片的样本数量(例如,每次增加固定数量或每次增加随机数量),然后在这基础上,重新执行上述步骤E2、E3和E4,如此循环执行,直至达到了步骤E5的要求,则结束模型训练。
此外,本发明还提出一种投保牲畜识别系统。
请参阅图3,是本发明投保牲畜识别系统10较佳实施例的运行环境示意图。
在本实施例中,投保牲畜识别系统10安装并运行于电子装置1中。电子装置1可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置1可包括,但不仅限于,存储器11、处理器12及显示器13。图3仅示出了具有组件11-13的电子装置1,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器11在一些实施例中可以是电子装置1的内部存储单元,例如该电子装置1的硬盘或内存。存储器11在另一些实施例中也可以是电子装置1的外部存储设备,例如电子装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括电子装置1的内部存储单元也包括外部存储设备。存储器11用于存储安装于电子装置1的应用软件及各类数据,例如投保牲畜识别系统10的程序代码等。存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行投保牲畜识别系统10等。
显示器13在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器13用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面,例如业务定制界面等。电子装置1的部件11-13通过系统总线相互通信。
请参阅图4,是本发明投保牲畜识别系统10一实施例的程序模块图。在本实施例中,投保牲畜识别系统10可以被分割成一个或多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行,以完成本发明。例如,在图4中,投保牲畜识别系统10可以被分割成第一确定模块101、第二确定模块102及判断模块103。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述投保牲畜识别系统10在电子装置1中的执行过程,其中:
第一确定模块101,用于在收到带有被保险的牲畜的身份标识和该牲畜的当前脸部照片的理赔申请后,根据预先存储的身份标识和标准牲畜脸部照片的关联数据,确定该身份标识对应的标准牲畜脸部照片;
用户在保险公司为其牲畜(例如,猪、养、牛等)投保时,需要针对每一个要投保的牲畜分别提供标准脸部照片给保险公司,保险公司则针对每一个被保险的牲畜分别提供唯一的身份ID(即被保险的牲畜的身份标识,例如数字编号)给用户,并在系统内将每一个投保的牲畜的身份标识与其标准牲畜脸部照片关联,将关联数据进行存储。当用户有被保险的牲畜发生生病死亡情况时,用户向保险公司发送带有该死亡牲畜的当前脸部照片和身份标识的理赔申请,保险公司的系统在接收到用户发送的该理赔申请后,提取出该理赔申请中的身份标识和当前脸部照片,并根据系统中预先存储的身份标识与标准牲畜脸部照片的关联数据,确定出该提取出的身份标识所对应的标准牲畜脸部照片。
第二确定模块102,用于将该牲畜的当前脸部照片和确定的标准牲畜脸部照片输入到预先训练好的预设类型识别模型中,确定该牲畜的当前脸部照片和确定的标准牲畜脸部照片的相似度;
系统中具有预先训练好的预设类型识别模型,该模型用于识别比对脸部照片的相似度;系统在确定了该理赔申请中的身份标识所对应的标准牲畜脸部照片后,将该牲畜的当前脸部照片和确定的标准牲畜脸部照片输入到预先训练好的预设类型识别模型中,从而根据预设类型识别模型输出得到该牲畜的当前脸部照片与确定的标准牲畜脸部照片的相似度。
判断模块103,用于在确定的相似度大于预设阈值时,确定该牲畜的脸部识别通过,或者,在确定的相似度小于或者等于预设阈值时,确定该牲畜的脸部识别失败。
系统中具有预先设置的相似度结果的判断阈值(即预设阈值,例如90%),当预设类型识别模型输出的相似度结果大于该预设阈值,那么判定该牲畜的当前脸部照片与确定的标准牲畜脸部照片为同一个牲畜的脸部照片,该牲畜的脸部识别通过,保险公司则可确定该牲畜为被保险的牲畜。反之,当预设类型识别模型输出的相似度结果小于或者等于预设阈值,则确定该牲畜的脸部识别失败。
本实施例技术方案,在收到出险牲畜的理赔申请后,通过理赔申请中的被保险的牲畜的身份标识和该牲畜的当前脸部照片,从系统的关联数据中确定出该身份标识对应的标准牲畜脸部照片,并将该牲畜当前的脸部照片与所述标准牲畜脸部照片输入预先训练好的预设类型识别模型中,以得出该牲畜的当前脸部照片与确定的标准牲畜脸部照片的相似度,然后,将该相似度与预设阈值比较,根据比较结果确认脸部识别是否通过,从而确定该牲畜的当前脸部照片与确定的标准牲畜脸部照片是否属于同一牲畜。与现有技术相比,本方案在牲畜出险时,用户只需向系统发送带有出险牲畜的当前脸部照片和身份标识的理赔申请即可,保险公司的系统则根据用户发送的理赔申请中附带的当前脸部照片和身份标识对理赔申请的牲畜的进行识别验证,无需现场验证识别,能够及时快速的处理理赔申请,降低了成本,提升了效率,并且可以远程批量识别,更加的方便。
优选地,本实施例采用的所述预设类型识别模型为孪生神经网络模型(Siamese网络模型),所述预设类型识别模型包括第一子网络模型、第二子网络模型及结果计算模块,其中:
该第一子网络模型(例如,卷积神经网络模型),用于对该牲畜的当前脸部照片进行特征提取,输出第一特征向量;
该第二子网络模型(例如,卷积神经网络模型),用于对确定的标准牲畜脸部照片进行特征提取,输出第二特征向量;
该结果计算模块,用于根据预先确定的特征向量距离计算函数计算出所述第一特征向量与第二特征向量的向量距离,该向量距离即为该牲畜的当前脸部照片和确定的标准牲畜脸部照片的相似度。
也就是,第二确定模块102包括:
第一提取子模块,用于控制所述第一子网络模型对该牲畜当前脸部照片进行特征提取,输出第一特征向量;
第一提取子模块,用于控制所述第二子网络模型对确定的标准牲畜脸部照片进行特征提取,输出第二特征向量;
确定子模块,用于控制所述结果计算模块根据预先确定的特征向量距离计算函数计算出所述第一特征向量与第二特征向量的向量距离(即该牲畜的当前脸部照片与确定的标准牲畜两部照片的相似度)。
本实施例优选所述预先确定的特征向量距离计算函数为:EW(X1,X2)=‖GW(X1)-GW(X2)‖;
其中,GW(X)代表所述预设类型识别模型的网络映射函数,其参数为W,该参数W由所述预设类别识别模型训练得出;该网络映射函数GW(X)针对两个不同的输入特征向量X1和X2,分别输出低维空间结果为GW(X1)和GW(X2),GW(X1)是由X1经过网络映射得到的,GW(X2)是由X2经过网络映射得到的。
给定网络映射函数GW(X),通过训练所述预设类型识别模型,以找出一组参数W,该组参数W满足:使当X1和X2属于同一个牲畜脸部的时候,特征向量距离度量EW(X1,X2)=‖GW(X1)-GW(X2)‖小于第一阈值,以及当X1和X2属于不同的类别的时候,特征向量距离度量EW(X1,X2)=‖GW(X1)-GW(X2)‖大于第二阈值;所述第一阈值小于或者等于所述第二阈值。
进一步地,在本实施例中,所述预设类型识别模型的训练过程如下:
步骤E1,获取预设数量的投保牲畜的脸部照片和预设数量的出险理赔牲畜的脸部照片;
例如,预设数量为10万个,即获取10万个投保牲畜的脸部照片以及10万个出险理赔牲畜的脸部照片(即发生保险事故的牲畜的脸部照片)。
步骤E2,将获取的所有脸部照片进行两两随机配对获得预设数量的脸部照片对,对属于同一牲畜的脸部照片对标注第一标签,对不属于同一牲畜的脸部照片对标注第二标签;
将获取的预设数量的投保牲畜的脸部照片和预设数量的出险理赔牲畜的脸部照片进行两两随机配对,从而得到预设数量的脸部照片对(每个所述脸部照片对均包括两张牲畜的脸部照片)。根据脸部照片对中两张牲畜的脸部照片分别对应的身份标识,可确认各个脸部照片对的两张脸部照片是否为同一牲畜的脸部照片,给属于同一牲畜的脸部照片对标注第一标签(例如,label=1),以及给不属于同一牲畜的脸部照片对标注第二标签(例如,label=-1),以供制作训练集或验证集。
步骤E3,将所述脸部照片对分为第一百分比的训练集和第二百分比的验证集,所述第一百分比和第二百分比之和小于或者等于100%;
从所述脸部照片对中分出一个训练集和一个验证集,所述训练集和验证集分别占所述脸部照片对的第一百分比和第二百分比,所述第一百分比和第二百分比之和小于或者等于100%,即可以是将整个所述脸部照片对刚好分成所述训练集和验证集(例如,所述第一百分比为70%,所述第二百分比为30%),也可以是将所述脸部照片对的一部分分成所述训练集和验证集(例如,所述第一百分比为65%,所述第二百分比为25%)。
步骤E4,利用训练集中的照片对对所述预设类型识别模型进行训练,并在训练完成后利用验证集对训练的所述预设类型识别模型的准确率进行验证;
用所述训练集中的脸部照片对训练所述预设类型识别模型,训练完所述预设类型识别模型后,再用所述验证集中的脸部照片对对所述预设类型识别模型进行准确率验证,得到经所述训练集训练完成后的所述预设类型识别模型的准确率。
步骤E5,若准确率大于预设阈值,则模型训练结束;
系统中预先设置了准确率的验证阈值(即所述预设阈值,例如98.5%),用于对所述预设类型识别模型的训练效果进行检验;若通过所述验证集对所述预设类型识别模型验证得到的准确率大于所述预设阈值,那么说明该预设类型识别模型的训练达到了预期标准,此时则结束模型训练。
步骤E6,若准确率小于或者等于预设阈值,则增加所述脸部照片的样本数量,并基于增加后的脸部照片的样本重新执行上述步骤E2、E3、E4。
若是通过所述验证集对所述预设类型识别模型验证得到的准确率小于或等于所述预设阈值,那么说明该预设类型识别模型的训练还没有达到了预期标准,可能是训练集数量不够或验证集数量不够,所以,在这种情况时,则增加所述脸部照片的样本数量(例如,每次增加固定数量或每次增加随机数量),然后在这基础上,重新执行上述步骤E2、E3和E4,如此循环执行,直至达到了步骤E5的要求,则结束模型训练。
进一步地,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有投保牲畜识别系统,所述投保牲畜识别系统可被至少一个处理器执行,以使所述至少一个处理器执行上述任一实施例中的投保牲畜识别方法。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种电子装置,其特征在于,所述电子装置包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的投保牲畜识别系统,所述投保牲畜识别系统被所述处理器执行时实现如下步骤:
在收到带有被保险的牲畜的身份标识和该牲畜的当前脸部照片的理赔申请后,根据预先存储的身份标识和标准牲畜脸部照片的关联数据,确定该身份标识对应的标准牲畜脸部照片;
将该牲畜的当前脸部照片和确定的标准牲畜脸部照片输入到预先训练好的预设类型识别模型中,确定该牲畜的当前脸部照片和确定的标准牲畜脸部照片的相似度;
若确定的相似度大于预设阈值,则确定该牲畜的脸部识别通过,或者,若确定的相似度小于或者等于预设阈值,则确定该牲畜的脸部识别失败。
2.如权利要求1所述的电子装置,其特征在于,所述预设类型识别模型为孪生神经网络模型,所述预设类型识别模型包括第一子网络模型、第二子网络模型及结果计算模块,其中:
该第一子网络模型,用于对该牲畜的当前脸部照片进行特征提取,输出第一特征向量;
该第二子网络模型,用于对确定的标准牲畜脸部照片进行特征提取,输出第二特征向量;
该结果计算模块,用于根据预先确定的特征向量距离计算函数计算出所述第一特征向量与第二特征向量的向量距离,该向量距离即为该牲畜的当前脸部照片和确定的标准牲畜脸部照片的相似度。
3.如权利要求2所述的电子装置,其特征在于,所述预先确定的特征向量距离计算函数为:EW(X1,X2)=‖GW(X1)-GW(X2)‖;
其中,GW(X)代表所述预设类型识别模型的网络映射函数,其参数为W,该参数W由所述预设类别识别模型训练得出;该网络映射函数GW(X)针对两个不同的输入特征向量X1和X2,分别输出低维空间结果为GW(X1)和GW(X2),GW(X1)是由X1经过网络映射得到的,GW(X2)是由X2经过网络映射得到的。
4.如权利要求3所述的电子装置,所述网络映射函数GW(X)的参数W满足:使得当X1和X2属于同一个牲畜脸部的时候,特征向量距离度量EW(X1,X2)=‖GW(X1)-GW(X2)‖小于第一阈值;当X1和X2属于不同的类别的时候,特征向量距离度量EW(X1,X2)=‖GW(X1)-GW(X2)‖大于第二阈值;所述第一阈值小于或者等于第二阈值。
5.如权利要求1-4中任意一项所述的电子装置,其特征在于,所述预设类型识别模型的训练过程如下:
E1、获取预设数量的投保牲畜的脸部照片和预设数量的出险理赔牲畜的脸部照片;
E2、将获取的所有脸部照片进行两两随机配对获得预设数量的脸部照片对,对属于同一牲畜的脸部照片对标注第一标签,对不属于同一牲畜的脸部照片对标注第二标签;
E3、将所述脸部照片对分为第一百分比的训练集和第二百分比的验证集,所述第一百分比和第二百分比之和小于或者等于100%;
E4、利用训练集中的照片对对所述预设类型识别模型进行训练,并在训练完成后利用验证集对训练的所述预设类型识别模型的准确率进行验证;
E5、若准确率大于预设阈值,则模型训练结束;
E6、若准确率小于或者等于预设阈值,则增加所述脸部照片的样本数量,并基于增加后的脸部照片的样本重新执行上述步骤E2、E3、E4。
6.一种投保牲畜识别方法,其特征在于,该方法包括步骤:
在收到带有被保险的牲畜的身份标识和该牲畜的当前脸部照片的理赔申请后,根据预先存储的身份标识和标准牲畜脸部照片的关联数据,确定该身份标识对应的标准牲畜脸部照片;
将该牲畜的当前脸部照片和确定的标准牲畜脸部照片输入到预先训练好的预设类型识别模型中,确定该牲畜的当前脸部照片和确定的标准牲畜脸部照片的相似度;
若确定的相似度大于预设阈值,则确定该牲畜的脸部识别通过,或者,若确定的相似度小于或者等于预设阈值,则确定该牲畜的脸部识别失败。
7.如权利要求6所述的投保牲畜识别方法,其特征在于,所述预设类型识别模型为孪生神经网络模型,所述预设类型识别模型包括第一子网络模型、第二子网络模型及结果计算模块,其中:
该第一子网络模型,用于对该牲畜的当前脸部照片进行特征提取,输出第一特征向量;
该第二子网络模型,用于对确定的标准牲畜脸部照片进行特征提取,输出第二特征向量;
该结果计算模块,用于根据预先确定的特征向量距离计算函数计算出所述第一特征向量与第二特征向量的向量距离,该向量距离即为该牲畜的当前脸部照片和确定的标准牲畜脸部照片的相似度。
8.如权利要求6所述的投保牲畜识别方法,其特征在于,所述预先确定的特征向量距离计算函数为:EW(X1,X2)=‖GW(X1)-GW(X2)‖;
其中,GW(X)代表所述预设类型识别模型的网络映射函数,其参数为W,该参数W由所述预设类别识别模型训练得出;该网络映射函数GW(X)针对两个不同的输入特征向量X1和X2,分别输出低维空间结果为GW(X1)和GW(X2),GW(X1)是由X1经过网络映射得到的,GW(X2)是由X2经过网络映射得到的。
9.如权利要求6-8中任意一项所述的投保牲畜识别方法,其特征在于,所述预设类型识别模型的训练过程如下:
E1、获取预设数量的投保牲畜的脸部照片和预设数量的出险理赔牲畜的脸部照片;
E2、将获取的所有脸部照片进行两两随机配对获得预设数量的脸部照片对,对属于同一牲畜的脸部照片对标注第一标签,对不属于同一牲畜的脸部照片对标注第二标签;
E3、将所述脸部照片对分为第一百分比的训练集和第二百分比的验证集,所述第一百分比和第二百分比之和小于或者等于100%;
E4、利用训练集中的照片对对所述预设类型识别模型进行训练,并在训练完成后利用验证集对训练的所述预设类型识别模型的准确率进行验证;
E5、若准确率大于预设阈值,则模型训练结束;
E6、若准确率小于或者等于预设阈值,则增加所述脸部照片的样本数量,并基于增加后的脸部照片的样本重新执行上述步骤E2、E3、E4。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有投保牲畜识别系统,所述投保牲畜识别系统可被至少一个处理器执行,以使所述至少一个处理器执行如权利要求6-9中的任一项所述的投保牲畜识别方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710914928.4A CN107766807A (zh) | 2017-09-30 | 2017-09-30 | 电子装置、投保牲畜识别方法和计算机可读存储介质 |
PCT/CN2017/108769 WO2019061662A1 (zh) | 2017-09-30 | 2017-10-31 | 电子装置、投保牲畜识别方法和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710914928.4A CN107766807A (zh) | 2017-09-30 | 2017-09-30 | 电子装置、投保牲畜识别方法和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107766807A true CN107766807A (zh) | 2018-03-06 |
Family
ID=61267818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710914928.4A Pending CN107766807A (zh) | 2017-09-30 | 2017-09-30 | 电子装置、投保牲畜识别方法和计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107766807A (zh) |
WO (1) | WO2019061662A1 (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108549860A (zh) * | 2018-04-09 | 2018-09-18 | 深源恒际科技有限公司 | 一种基于深度神经网络的牛脸识别方法 |
CN108664878A (zh) * | 2018-03-14 | 2018-10-16 | 广州影子控股股份有限公司 | 基于卷积神经网络的猪只身份识别方法 |
CN108764045A (zh) * | 2018-04-26 | 2018-11-06 | 平安科技(深圳)有限公司 | 牲畜识别方法、装置及存储介质 |
CN108830138A (zh) * | 2018-04-26 | 2018-11-16 | 平安科技(深圳)有限公司 | 牲畜识别方法、装置及存储介质 |
CN108876297A (zh) * | 2018-06-14 | 2018-11-23 | 平安健康保险股份有限公司 | 用于商业医保的自动审核方法、装置、设备及存储介质 |
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 |
CN108960258A (zh) * | 2018-07-06 | 2018-12-07 | 江苏迪伦智能科技有限公司 | 一种基于自学习深度特征的模板匹配方法 |
CN109886826A (zh) * | 2019-01-04 | 2019-06-14 | 平安科技(深圳)有限公司 | 基于区块链的牲畜养殖流通追踪方法、电子装置及存储介质 |
CN110610125A (zh) * | 2019-07-31 | 2019-12-24 | 平安科技(深圳)有限公司 | 基于神经网络的牛脸识别方法、装置、设备及存储介质 |
CN110705512A (zh) * | 2019-10-16 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 豢养物身份特征检测方法以及装置 |
CN110728244A (zh) * | 2019-10-16 | 2020-01-24 | 支付宝(杭州)信息技术有限公司 | 豢养物身份信息采集的引导方法以及装置 |
CN110737885A (zh) * | 2019-10-16 | 2020-01-31 | 支付宝(杭州)信息技术有限公司 | 豢养物的身份认证方法及装置 |
CN110909683A (zh) * | 2019-11-25 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 基于保障项目的保障核验方法以及装置 |
CN110956149A (zh) * | 2019-12-06 | 2020-04-03 | 中国平安财产保险股份有限公司 | 宠物身份核验方法、装置、设备及计算机可读存储介质 |
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 |
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 |
CN114097642A (zh) * | 2020-08-27 | 2022-03-01 | 卡尤迪智农科技(北京)有限公司 | 电子耳标、远程监测其拆卸的方法和设备、远程核保方法 |
CN115641458A (zh) * | 2022-10-14 | 2023-01-24 | 吉林鑫兰软件科技有限公司 | 用于待统计目标养殖的ai识别系统及银行风控应用 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308722A (zh) * | 2019-07-28 | 2021-02-02 | 四川谦泰仁投资管理有限公司 | 一种基于红外摄像的养殖业保险申报请求验证系统 |
CN111144378B (zh) * | 2019-12-30 | 2023-10-31 | 众安在线财产保险股份有限公司 | 一种目标对象的识别方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678622A (zh) * | 2016-01-07 | 2016-06-15 | 平安科技(深圳)有限公司 | 车险理赔照片的分析方法及系统 |
CN106778607A (zh) * | 2016-12-15 | 2017-05-31 | 国政通科技股份有限公司 | 一种基于人脸识别的人与身份证同一性认证装置及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654903A (zh) * | 2011-03-04 | 2012-09-05 | 井维兰 | 一种人脸比对方法 |
CN103902961B (zh) * | 2012-12-28 | 2017-02-15 | 汉王科技股份有限公司 | 一种人脸识别方法及装置 |
CN103593598B (zh) * | 2013-11-25 | 2016-09-21 | 上海骏聿数码科技有限公司 | 基于活体检测和人脸识别的用户在线认证方法及系统 |
CN104899579A (zh) * | 2015-06-29 | 2015-09-09 | 小米科技有限责任公司 | 人脸识别方法和装置 |
CN107229947B (zh) * | 2017-05-15 | 2020-11-06 | 翔创科技(北京)有限公司 | 一种基于动物识别的金融保险方法及系统 |
-
2017
- 2017-09-30 CN CN201710914928.4A patent/CN107766807A/zh active Pending
- 2017-10-31 WO PCT/CN2017/108769 patent/WO2019061662A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678622A (zh) * | 2016-01-07 | 2016-06-15 | 平安科技(深圳)有限公司 | 车险理赔照片的分析方法及系统 |
CN106778607A (zh) * | 2016-12-15 | 2017-05-31 | 国政通科技股份有限公司 | 一种基于人脸识别的人与身份证同一性认证装置及方法 |
Non-Patent Citations (2)
Title |
---|
吕婉殊: "基于图像识别与匹配技术的奶牛保险系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张国云等: "一种改进的人脸识别CNN结构研究", 《计算机工程与应用》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664878A (zh) * | 2018-03-14 | 2018-10-16 | 广州影子控股股份有限公司 | 基于卷积神经网络的猪只身份识别方法 |
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 |
WO2019184139A1 (zh) * | 2018-03-27 | 2019-10-03 | 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 |
CN108549860A (zh) * | 2018-04-09 | 2018-09-18 | 深源恒际科技有限公司 | 一种基于深度神经网络的牛脸识别方法 |
CN108764045A (zh) * | 2018-04-26 | 2018-11-06 | 平安科技(深圳)有限公司 | 牲畜识别方法、装置及存储介质 |
CN108830138A (zh) * | 2018-04-26 | 2018-11-16 | 平安科技(深圳)有限公司 | 牲畜识别方法、装置及存储介质 |
CN108830138B (zh) * | 2018-04-26 | 2021-05-07 | 平安科技(深圳)有限公司 | 牲畜识别方法、装置及存储介质 |
WO2019205375A1 (zh) * | 2018-04-26 | 2019-10-31 | 平安科技(深圳)有限公司 | 牲畜识别方法、装置及存储介质 |
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 |
CN108876297A (zh) * | 2018-06-14 | 2018-11-23 | 平安健康保险股份有限公司 | 用于商业医保的自动审核方法、装置、设备及存储介质 |
CN108960258A (zh) * | 2018-07-06 | 2018-12-07 | 江苏迪伦智能科技有限公司 | 一种基于自学习深度特征的模板匹配方法 |
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 |
CN109886826A (zh) * | 2019-01-04 | 2019-06-14 | 平安科技(深圳)有限公司 | 基于区块链的牲畜养殖流通追踪方法、电子装置及存储介质 |
CN109886826B (zh) * | 2019-01-04 | 2023-07-28 | 平安科技(深圳)有限公司 | 基于区块链的牲畜养殖流通追踪方法、电子装置及存储介质 |
CN110610125A (zh) * | 2019-07-31 | 2019-12-24 | 平安科技(深圳)有限公司 | 基于神经网络的牛脸识别方法、装置、设备及存储介质 |
CN110705512A (zh) * | 2019-10-16 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 豢养物身份特征检测方法以及装置 |
CN110728244A (zh) * | 2019-10-16 | 2020-01-24 | 支付宝(杭州)信息技术有限公司 | 豢养物身份信息采集的引导方法以及装置 |
CN110737885A (zh) * | 2019-10-16 | 2020-01-31 | 支付宝(杭州)信息技术有限公司 | 豢养物的身份认证方法及装置 |
CN110728244B (zh) * | 2019-10-16 | 2022-06-14 | 蚂蚁胜信(上海)信息技术有限公司 | 豢养物身份信息采集的引导方法以及装置 |
CN110909683A (zh) * | 2019-11-25 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 基于保障项目的保障核验方法以及装置 |
CN110956149A (zh) * | 2019-12-06 | 2020-04-03 | 中国平安财产保险股份有限公司 | 宠物身份核验方法、装置、设备及计算机可读存储介质 |
CN114097642A (zh) * | 2020-08-27 | 2022-03-01 | 卡尤迪智农科技(北京)有限公司 | 电子耳标、远程监测其拆卸的方法和设备、远程核保方法 |
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 |
CN115641458A (zh) * | 2022-10-14 | 2023-01-24 | 吉林鑫兰软件科技有限公司 | 用于待统计目标养殖的ai识别系统及银行风控应用 |
Also Published As
Publication number | Publication date |
---|---|
WO2019061662A1 (zh) | 2019-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766807A (zh) | 电子装置、投保牲畜识别方法和计算机可读存储介质 | |
CN107632995B (zh) | 随机森林模型训练的方法及模型训练控制系统 | |
CN106951848B (zh) | 图片识别的方法及系统 | |
CN107766809A (zh) | 电子装置、票据信息识别方法和计算机可读存储介质 | |
CN110163476A (zh) | 项目智能推荐方法、电子装置及存储介质 | |
CN108830138A (zh) | 牲畜识别方法、装置及存储介质 | |
CN108734561A (zh) | 电子装置、订单数据处理方法和计算机可读存储介质 | |
CN112396005A (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
CN112052850A (zh) | 车牌识别方法、装置、电子设备及存储介质 | |
CN108491866A (zh) | 色情图片鉴定方法、电子装置及可读存储介质 | |
CN110458644A (zh) | 一种信息处理方法及相关设备 | |
CN108255602A (zh) | 任务组合方法及终端设备 | |
CN109902567A (zh) | 一种快速评估植被健康状况的数据处理方法及系统 | |
CN105046289A (zh) | 一种文字域类型识别方法和文字域类型识别系统 | |
CN109933502A (zh) | 电子装置、用户操作记录的处理方法和存储介质 | |
CN107180413B (zh) | 车损图片角度纠正方法、电子装置及可读存储介质 | |
CN113505273B (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
CN107492187A (zh) | 一种拼接钞的识别方法、装置、终端设备和存储介质 | |
CN109388804A (zh) | 利用深度学习模型的证券研报核心观点提取方法及装置 | |
CN107688595B (zh) | 信息检索准确性评估方法、装置及计算机可读存储介质 | |
CN108960246A (zh) | 一种用于图像识别的二值化处理装置及方法 | |
CN105868279A (zh) | 一种应用推荐方法及服务器 | |
CN107679055A (zh) | 信息检索方法、服务器及可读存储介质 | |
CN106682033A (zh) | 知识库核对方法和装置 | |
CN110148133A (zh) | 基于特征点及其结构关系的电路板残片图像识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180306 |
|
RJ01 | Rejection of invention patent application after publication |