CN108711093B - 一种基于深度学习的实物租赁智能合约方法及系统 - Google Patents
一种基于深度学习的实物租赁智能合约方法及系统 Download PDFInfo
- Publication number
- CN108711093B CN108711093B CN201810487256.8A CN201810487256A CN108711093B CN 108711093 B CN108711093 B CN 108711093B CN 201810487256 A CN201810487256 A CN 201810487256A CN 108711093 B CN108711093 B CN 108711093B
- Authority
- CN
- China
- Prior art keywords
- article
- video
- package
- block chain
- picture
- 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
Links
Images
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
- G06Q20/3829—Payment protocols; Details thereof insuring higher security of transaction involving key management
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的实物租赁智能合约方法,包括以下步骤:建立基于区块链的物品租赁智能合约;判断物品从借出方正常发出并将物品发出信息写入区块链;在接收物品后,通过写入区块链的包裹一致性检测程序判定收到物品的真实性;在物品使用完毕后,判断物品从借用方正确归还并将归还信息写入区块链;在物品归还后,通过写入区块链的包裹一致性检测程序确定归还物品的准确性并进行定损。通过本发明,能够在去中心化的区块链网络中实现用户间信任的租赁业务。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于深度学习的实物租赁智能合约方法和系统。
背景技术
随着计算机网络技术、深度学习方法与区块链技术的兴起与发展,去中心化的模式逐渐进入大众视野。然而,在去中心化的系统中,智能合约对实物的认证能力还远远不足,故基于区块链技术的去中心化模式一直未能得到较好的落地应用。
目前基于区块链的应用大部分围绕虚拟货币的交易与兑换展开,相比于虚拟货币相关交易,人们对于远距离实物交易的需求更为迫切。由于目前远距离用户间的实物交易与租赁渠道不完善、认证机制漏洞频出等,设计一套去中心化的用户间租赁与交易机制十分有必要。
发明内容
本发明针对现有技术中存在的问题,提供了一种基于深度学习的实物租赁智能合约方法及系统。
一方面,本发明提供一种基于深度学习的实物租赁智能合约方法,其特征在于,包括以下步骤:
建立基于区块链的物品租赁智能合约;
判断物品从借出方正常发出并将物品发出信息写入区块链;
在接收物品后,通过写入区块链的包裹一致性检测程序判定收到物品的真实性;
在物品使用完毕后,判断物品从借用方正确归还并将归还信息写入区块链;
在物品归还后,通过写入区块链的包裹一致性检测程序确定归还物品的准确性并进行定损。
进一步地,所述物品租赁智能合约包括所述借出方出租的所述物品的具体信息、物品出租时长、抵押金额、出租价格、损坏补偿方案和延期补偿方案。
进一步地,判断物品从借出方正常发出并将物品发出信息写入区块链的所述步骤包括:
对借出的所述物品及打包过程进行视频记录,将借出视频上传至网络并将所述借出视频的哈希信息写入区块链;
对上传视频进行真实性检测;
使用基于Faster-RCNN框架的目标检测模型,对所述上传视频中的不同帧进行检测,分别提取包含有物品的物品图片与包含有打包完成情况的包裹图片;
将所述物品图片和所述包裹图片上传至网络,并将所述物品图片的哈希信息和所述包裹图片的哈希信息写入区块链。
进一步地,在物品使用完毕后,判断物品从借用方正确归还并将归还信息写入区块链的所述步骤包括:
对归还的所述物品及打包过程进行视频记录,将归还视频上传至网络并将所述归还视频的哈希信息写入区块链;
对上传视频进行真实性检测;
使用基于Faster-RCNN框架的目标检测模型,对所述上传视频中的不同帧进行检测,分别提取包含有物品的物品图片与包含有打包完成情况的包裹图片;
将所述物品图片和所述包裹图片上传至网络,并将所述物品图片的哈希信息和所述包裹图片的哈希信息写入区块链。
进一步地,在对上传视频进行真实性检测的所述步骤中,包括基于突变点对借出视频进行帧删除与插入检测,包括:
获取所述上传视频中的B帧,并且计算B帧的前向以及后向运动矢量的平均幅值,构成两个平均幅值向量;
利用k邻域峰值离群挖掘方法检测向量中的离群元素;
通过离群元素位置确定异常B帧的位置;
将前后向运动矢量平均幅值向量确定的异常B帧位置进行采集,得到所述上传视频当中时间域篡改发生位置;
将得到的异常帧以及异常帧判定结果写入区块链,若无异常,合约继续,若判定所述上传视频被篡改,则根据所述物品租赁智能合约进行责任判定。
进一步地,在对上传视频进行真实性检测的所述步骤中,包括基于突变点对借出视频进行帧重复检测,包括:
将上传视频分为视频段,计算视频段中任意两帧的相关系数,组成相关系数矩阵,计算两个相关系数矩阵间的相关系数;
判断相关系数的值是否大于阀值,若大于阀值,则矩阵对应的视频段存在帧重复篡改,若小于阀值,则判定为正常,并将判定信息写入区块链,若存在异常,则根据所述物品租赁智能合约进行责任判定。
进一步地,使用基于Faster-RCNN框架的目标检测模型,对所述上传视频中的不同帧进行检测,分别提取包含有物品的物品图片与包含有打包完成情况的包裹图片的所述步骤包括:
使用已完成训练的VGG模型按照租借系统中租借物品列表中的物品进行多类别调整训练,并用训练好的模型构建Faster-RCNN目标检测模型;
使用已经训练好的Faster-RCNN目标检测模型进行目标检测,分别从上传视频中提取所述物品图片和所述包裹图片。
进一步地,在接收物品后,通过写入区块链的包裹一致性检测程序判定收到物品的真实性的所述步骤包括:
在接收物品后,对接收到的包裹进行拍照记录并上传至网络,通过写入区块链的包裹一致性检测程序进行认证,并将认证结果写入区块链;
在确认包裹为寄出包裹后,收货人签收包裹,则借出认证完成。
进一步地,所述包裹一致性检测程序包括:
针对快递单填写部分的字迹部分与封条痕迹部分,采集多个快递包裹运输前后图片,与伪造大量样本一起生成用于训练模型的训练数据;
构建深度卷积神经网络模型,其中,所述深度卷积神经网络模型的输入为需要判别一致性的两张图片的叠加,中间使用VGG-19模型结构,输出为两个包裹一致的概率;
根据构建的所述深度卷积神经网络模型与准备的训练数据对所述深度卷积神经网络模型进行训练,当所述深度卷积神经网络模型收敛时,将所述深度卷积神经网络模型写入区块链;
通过写入区块链的所述深度卷积神经网络模型判别借出方打包发包裹图片与借用方收到的包裹图片是否一致,将认证结果写入区块链。
进一步地,在物品归还后,通过写入区块链的包裹一致性检测程序确定归还物品的准确性并进行定损的所述步骤包括:
针对物品的随机纹理部分以及整体多角度视图,采集多个租借物品列表中物品的图片对,与伪造物品图片一起生成用于物品一致性判定与定损模型的训练数据;
构建物品一致性判定与定损模型,所述物品一致性判定与定损模型的输入为多个图片对,模型隐藏层结构采用Residual Network结构,输出为判定为原物品的概率和消耗损伤等级;
根据采集的训练数据与人工定损标签对所述物品一致性判定与定损模型进行训练,当所述物品一致性判定与定损模型收敛时,将所述物品一致性判定与定损模型写入区块链;
将归还物品拍照上传,与借出时的物品照片进行对比以判定归还物品是否为原物品并进行定损,根据判定结果与所述物品租赁智能合约中的约定条件进行计费。
另一方面,本发明提供一种基于深度学习的实物租赁智能合约系统,其特征在于,包括:
合约条款模块,用于确定交易的价格、物品、租用时间、担保金额、延时计费规则、损坏赔偿规则;
借出过程认证模块,用于确保借出方按照约定借出物品;
归还过程认证模块,用于鉴定物品在使用归还后未被调包、损坏,并且根据消耗程度确定消耗赔偿。
进一步地,所述借出过程认证模块,包括:
第一视频篡改检测单元,用于进行视频重复帧检测、帧插入检测与帧修改检测,确保借出方上传物品与打包视频真实性;
第一视频内容提取单元,用于从借出方上传的视频中提取出包含有物品的物品图片与包含有打包完成情况的包裹图片,以进行一致性检测;
第一包裹一致性检测单元,用于在租借方收到包裹时进行包裹认证,确定包裹为借出方上传视频中的原包裹。
进一步地,所述归还过程认证模块包括:
第二视频篡改检测单元,用于进行视频重复帧检测、帧插入检测与帧修改检测,确保归还方上传物品与打包视频真实性;
第二视频内容提取单元,用于从归还方的上传视频中提取出包含有物品的物品图片与包含有打包完成情况的包裹图片以进行一致性检测;
第二包裹一致性检测单元,用于在借出方收到包裹时进行包裹认证,确定包裹为归还方上传视频中的原包裹;
物品一致性检测单元,用于在物品归还后对物品进行一致性判定以及损伤程度的确定以作为赔偿与付费依据。
本发明实施例提供的技术方案带来的有益效果是:
通过视频展示、视频防篡改算法判断物品从借出方正常发出并将信息写入区块链,收货方在接收货物后通过写入区块链的包裹一致性检测程序判定收到货物真实性,借用方在物品使用完毕后通过视频展示、视频防篡改算法判断物品从借用方正确归还,在物品归还后通过写入区块链中物品一致性判别算法确定归还货物并进行定损。将去中心化的区块链技术与实物租赁业务相结合,实现基于区块链的实物租赁系统。
附图说明
为了更清楚的展示本发明中展示的智能合约方法以及系统,以下将提供多张相关的附图说明:
图1是本发明实施例一提供的基于深度学习的实物租赁智能合约方法的流程示意图;
图2是本发明实施例一提供的实物租赁智能合约方法中的合约流程原理图;
图3是本发明实施例二提供的基于深度学习的实物租赁智能合约系统的原理图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一
本发明实施例提供了一种基于深度学习的实物租赁智能合约方法,参见图1和图2,该方法包括:
S1、建立基于区块链的物品租赁智能合约;
S2、判断物品从借出方正常发出并将物品发出信息写入区块链;
在本步骤中,通过视频展示、视频防篡改算法判断物品从借出方正常发出并将信息写入区块链;
S3、在接收物品后,通过写入区块链的包裹一致性检测程序判定收到物品的真实性;
S4、在物品使用完毕后,判断物品从借用方正确归还并将归还信息写入区块链;
在本步骤中,借用方在物品使用完毕后通过视频展示、视频防篡改算法判断物品从借用方正确归还;
S5、在物品归还后,通过写入区块链的包裹一致性检测程序确定归还物品的准确性并进行定损。
需要说明的是,所建立基于区块链的物品租赁智能合约中,合约内容包括借出方出租的所述物品的的具体信息、物品出租时长、抵押金额、出租价格、损坏补偿方案、延期补偿方案等信息,当合约执行过程中出现任何毁约行为,合约将要求毁约方根据约定条款进行赔偿。
进一步地,通过视频展示、视频防篡改算法判断物品从借出方正常发出并将信息写入区块链的所述步骤,具体包括:
对借出的所述物品及打包过程进行视频记录,将借出视频上传至网络并将所述借出视频的哈希信息写入区块链;
对上传视频进行真实性检测;
使用基于Faster-RCNN框架的目标检测模型,对所述上传视频中的不同帧进行检测,分别提取包含有物品的物品图片与包含有打包完成情况的包裹图片;
将所述物品图片和所述包裹图片上传至网络,并将所述物品图片的哈希信息和所述包裹图片的哈希信息写入区块链。
需要说明的是,在视频记录物品以及打包过程时,需要按照统一规范进行拍摄,以供算法提取视频中包含物品信息以及包裹信息的图片作为后续一致性认证依据。在视频上传至网络后,视频哈希信息写入到区块链,即不可被更改,视频通过合约中包含防篡改检测程序进行防篡改检测。
进一步地,在对上传视频进行真实性检测的所述步骤中,包括基于突变点对借出视频进行帧删除与插入检测,包括:
获取所述上传视频中的B帧,并且计算B帧的前向以及后向运动矢量的平均幅值,构成两个平均幅值向量;
利用k邻域峰值离群挖掘方法检测向量中的离群元素;
通过离群元素位置确定异常B帧的位置;
将前后向运动矢量平均幅值向量确定的异常B帧位置进行采集,得到所述上传视频当中时间域篡改发生位置;
将得到的异常帧以及异常帧判定结果写入区块链,若无异常,合约继续,若判定所述上传视频被篡改,则根据所述物品租赁智能合约进行责任判定。
需要说明的是,在进行视频检测之前,需要对待测视频进行编码,获取其中的B帧,分别计算其中前向和后向运动矢量的平均幅值,设B帧中第i个前向预测矢量的水平分量为hf,i,垂直分量为vf,i,而后向第i个后向预测矢量的水平分量为hb,i,垂直分量为vb,i,则该帧的前向运动矢量平均幅值Ef与后向运动矢量平均幅值Eb计算方法如下:
上式中n表示B帧中预测分块的总数,在对视频中所有的B帧计算前后向运动矢量平均幅值之后,可以得到两个平均幅值向量。
随后,使用k邻域峰值离群挖掘算法对数据进行处理,对于一个单变量的时间序列,X={xi|i=0,1,2,…,n},其中某一序列值xi的k邻域,包含该序列的前k个和后k个序列值,且k邻域内的峰值如下式所示:
对于两个平均幅值向量中的各元素计算k邻域峰值,得到峰值向量,再根据峰值向量中各元素的均值与标准差制定阀值,将峰值大于阀值的位置作为离群点,若出现离群点,则判定视频有帧删除和帧插入可能性。
除此之外,还需对视频进行帧重复检查,本方法利用相关系数矩阵实现,将待测视频划分为相互重叠含有N帧的视频段,相邻视频段间只有1帧的差异,之后计算其中每两帧的相关系数,组成一个相关系数矩阵M,其中M的第i行第j列代表视频段中第i帧和第j帧之间的相关系数,表示如下:
其中Fi(x,y)表示视频段中第i帧中的(x,y)位置的像素值,Ei表示第i帧中所有像素值的平均值,对于两个视频段可以得到两个相关系数矩阵Ma和Mb,计算其相关系数C:
其中Ea、Eb分别代表矩阵Ma、Mb所有元素的均值,得到C之后将其与所设定的阀值T进行比较,如果C>T则说明有被重复篡改的可能性。
进一步地,使用基于Faster-RCNN框架的目标检测模型,对所述上传视频中的不同帧进行检测,分别提取包含有物品的物品图片与包含有打包完成情况的包裹图片的所述步骤包括:
使用已完成训练的VGG模型按照租借系统中租借物品列表中的物品进行多类别调整训练,并用训练好的模型构建Faster-RCNN目标检测模型;
使用已经训练好的Faster-RCNN目标检测模型进行目标检测,分别从上传视频中提取所述物品图片和所述包裹图片。
需要说明的是,Faster-RCNN结构是一种基于深度学习的目标检测通用结构,其结构包含两个部分,其中一个为区域建议网络,其作用为生成判别区域,另一个网络通过生成的判别区域来检测目标。在此方法应用于不同场景时,需要根据租借物品的不同而使用不同的数据对模型进行训练,使模型具有该类别物品判别能力。
VGG Net结构作为模型的一部分,是一种多层次的卷积神经网络结构,可以根据所需场景的复杂程度选择使用不同层次模型,其中每一个卷积层的卷积核大小均为3*3,卷积通道数量随着层数的深入而增加,其输入为3通道图片,输出为租借系统支持租借物品类别总数与包裹样式总数之和,训练时需要大量训练数据支持与计算力支持。
模型训练完成后可从视频中帧中挑选出与需要认证的物品与包裹相关的图片,图片将存储至云端,相关哈希信息写入区块链,将不可被人为修改。
进一步地,在接收物品后,通过写入区块链的包裹一致性检测程序判定收到物品的真实性的所述步骤包括:
在接收物品后,对接收到的包裹进行拍照记录并上传至网络,通过写入区块链的包裹一致性检测程序进行认证,并将认证结果写入区块链;
在确认包裹为寄出包裹后,收货人签收包裹,则借出认证完成。
需要说明的是,借用方收到包裹后进行认证用于保护租赁者收到货物为真实物品,极大程度提高恶意调包包裹难度。
进一步地,所述包裹一致性检测程序包括:
针对快递单填写部分的字迹部分与封条痕迹部分,采集多个快递包裹运输前后图片,与伪造大量样本一起生成用于训练模型的训练数据;
构建深度卷积神经网络模型,其中,所述深度卷积神经网络模型的输入为需要判别一致性的两张图片的叠加,中间使用VGG-19模型结构,输出为两个包裹一致的概率;
根据构建的所述深度卷积神经网络模型与准备的训练数据对所述深度卷积神经网络模型进行训练,当所述深度卷积神经网络模型收敛时,将所述深度卷积神经网络模型写入区块链;
通过写入区块链的所述深度卷积神经网络模型判别借出方打包发包裹图片与借用方收到的包裹图片是否一致,将认证结果写入区块链。
需要说明的是,训练数据的采集需要符合租借场景需求,如采集包裹图片与租借物品打包后大小近似,打包方式近似等,且需要人为伪造大量负样本,需要在快递单填写字迹、快递封装方式上与正样本有较高相似度。
构建模型结构输入层为两图片叠加,分别为运输前的包裹图与运输后包裹图,在模型使用时,运输前包裹图为目标检测算法从借出者上传的打包视频中提取得到,运输后包裹图为借用方签收包裹时拍摄,模型的隐藏层结构采用VGG-19结构,由多层次的卷积层构成,卷积层的卷积核大小均为3*3,且卷积通道数随着层数的深入而增加,输出检测包裹一致的概率,其中模型训练时使用的损失函数为交叉熵损失函数。
进一步地,所述借用方在物品使用完毕后通过视频展示、视频防篡改算法判断物品从借用方正确归还,具体包括:
在借用方使用物品完毕归还时,需要通过借出方借出物品时相同的视频验证机制,包括视频篡改检测与包裹一致性检测,确保物品被顺利打包寄出,并且寄出物品为原借出物品。
需要说明的是,与借出者借出时一致,借用方在归还时所记录的视频需要按照相同的标准拍摄,并上传至网络,哈希写入区块链中,通过目标检测算法提取上传视频中的包裹与归还物品图片。具体参见上述借出方的判定过程,在此不在赘述。
进一步地,在物品归还后,通过写入区块链的包裹一致性检测程序确定归还物品的准确性并进行定损的所述步骤包括:
针对物品的随机纹理部分以及整体多角度视图,采集多个租借物品列表中物品的图片对,与伪造物品图片一起生成用于物品一致性判定与定损模型的训练数据;
构建物品一致性判定与定损模型,所述物品一致性判定与定损模型的输入为多个图片对,模型隐藏层结构采用Residual Network结构,输出为判定为原物品的概率和消耗损伤等级;
根据采集的训练数据与人工定损标签对所述物品一致性判定与定损模型进行训练,当所述物品一致性判定与定损模型收敛时,将所述物品一致性判定与定损模型写入区块链;
将归还物品拍照上传,与借出时的物品照片进行对比以判定归还物品是否为原物品并进行定损,根据判定结果与所述物品租赁智能合约中的约定条件进行计费。
需要说明的是,物品一致性以及定损模型的采用的隐藏层结构为ResidualNetwork结构,该结构的特点是层数多,且泛化能力强,由于物品一致性判别的复杂程度远高于包裹一致性判别,故模型的输入为多张原物品图片与多张目标物品图片的通道叠加,模型的输出部分由两部分组成,一部分为一致性判别结果输出,输出结果为物品一致的概率,通过交叉熵的形式进行训练,另一部分为损耗程度的类别,可以根据需求分为若干损伤等级,并且通过采集训练数据与人为判定标签进行训练。
在物品归还后,物品借出者首先将包裹图片上传,确认为借用方归还时寄出包裹,后将物品细节图片拍照上传,确认归还物品与借出时记录的物品为同一物品,并且根据定损结果计算租借产生的费用。
实施例二:
本实施例提供了一种基于深度学习的实物租赁智能合约系统,参见图3,具体包括:
合约条款模块10,用于确定交易的价格、物品、租用时间、担保金额、延时计费规则、损坏赔偿规则;
借出过程认证模块20,用于确保借出方按照约定借出物品;
归还过程认证模块30,用于鉴定物品在使用归还后未被调包、损坏,并且根据消耗程度确定消耗赔偿。
进一步地,所述借出过程认证模块,包括:
第一视频篡改检测单元,用于进行视频重复帧检测、帧插入检测与帧修改检测,确保借出方上传物品与打包视频真实性;
第一视频内容提取单元,用于从借出方上传的视频中提取出包含有物品的物品图片与包含有打包完成情况的包裹图片,以进行一致性检测;
第一包裹一致性检测单元,用于在租借方收到包裹时进行包裹认证,确定包裹为借出方上传视频中的原包裹。
进一步地,所述归还过程认证模块包括:
第二视频篡改检测单元,用于进行视频重复帧检测、帧插入检测与帧修改检测,确保归还方上传物品与打包视频真实性;
第二视频内容提取单元,用于从归还方的上传视频中提取出包含有物品的物品图片与包含有打包完成情况的包裹图片以进行一致性检测;
第二包裹一致性检测单元,用于在借出方收到包裹时进行包裹认证,确定包裹为归还方上传视频中的原包裹;
物品一致性检测单元,用于在物品归还后对物品进行一致性判定以及损伤程度的确定以作为赔偿与付费依据。
本发明实施例中能够在去中心化的区块链体系中利用深度学习相关认证模型实现用户间实物的租赁智能合约,利用视频的放篡改算法确保在交易的过程中视频记录内容属实,利用基于深度学习的包裹一致性模型确定收到包裹具有极低被调包物品的可能性,利用基于深度学习的物品一致性模型确保物品在借出前后未被替换,且有效判断物品的损耗程度。本发明提出的方法是一种将区块链去中心化思想与实物租赁业务相结合的模式。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神与原则之内,所作的任何修改、等同替换、改进等均应该包含在本发明的保护范围之内。
Claims (11)
1.一种基于深度学习的实物租赁智能合约方法,其特征在于,包括以下步骤:
建立基于区块链的物品租赁智能合约;
判断物品从借出方正常发出并将物品发出信息写入区块链;
在接收物品后,通过写入区块链的包裹一致性检测程序判定收到物品的真实性;
在物品使用完毕后,判断物品从借用方正确归还并将归还信息写入区块链;
在物品归还后,通过写入区块链的包裹一致性检测程序确定归还物品的准确性并进行定损;
其中,所述在接收物品后通过写入区块链的包裹一致性检测程序判定收到物品的真实性的步骤中的所述包裹一致性检测程序包括:
针对快递单填写部分的字迹部分与封条痕迹部分,采集多个快递包裹运输前后图片,与伪造大量样本一起生成用于训练模型的训练数据;
构建深度卷积神经网络模型,其中,所述深度卷积神经网络模型的输入为需要判别一致性的两张图片的叠加,中间使用VGG-19模型结构,输出为两个包裹一致的概率;
根据构建的所述深度卷积神经网络模型与准备的训练数据对所述深度卷积神经网络模型进行训练,当所述深度卷积神经网络模型收敛时,将所述深度卷积神经网络模型写入区块链;
通过写入区块链的所述深度卷积神经网络模型判别借出方打包完成情况的包裹图片与借用方收到的包裹图片是否一致,将认证结果写入区块链;
其中,所述在物品归还后通过写入区块链的包裹一致性检测程序确定归还物品的准确性并进行定损的步骤包括:
针对物品的随机纹理部分以及整体多角度视图,采集多个租借物品列表中物品的图片对,与伪造物品图片一起生成用于物品一致性判定与定损模型的训练数据;
构建物品一致性判定与定损模型,所述物品一致性判定与定损模型的输入为多个图片对,模型隐藏层结构采用Residual Network结构,输出为判定为原物品的概率和消耗损伤等级;
根据采集的训练数据与人工定损标签对所述物品一致性判定与定损模型进行训练,当所述物品一致性判定与定损模型收敛时,将所述物品一致性判定与定损模型写入区块链;
将归还物品拍照上传,通过写入区块链的所述物品一致性判定与定损模型与借出时的物品照片进行对比以判定归还物品是否为原物品并进行定损,根据判定结果与所述物品租赁智能合约中的约定条件进行计费。
2.如权利要求1所述的基于深度学习的实物租赁智能合约方法,其特征在于,所述物品租赁智能合约包括所述借出方出租的所述物品的具体信息、物品出租时长、抵押金额、出租价格、损坏补偿方案和延期补偿方案。
3.如权利要求1所述的基于深度学习的实物租赁智能合约方法,其特征在于,判断物品从借出方正常发出并将物品发出信息写入区块链的所述步骤包括:
对借出的所述物品及打包过程进行视频记录,将借出视频上传至网络并将所述借出视频的哈希信息写入区块链;
对上传视频进行真实性检测;
使用基于Faster-RCNN框架的目标检测模型,对所述上传视频中的不同帧进行检测,分别提取包含有物品的物品图片与包含有打包完成情况的包裹图片;
将所述物品图片和所述包裹图片上传至网络,并将所述物品图片的哈希信息和所述包裹图片的哈希信息写入区块链。
4.如权利要求1所述的基于深度学习的实物租赁智能合约方法,其特征在于,在物品使用完毕后,判断物品从借用方正确归还并将归还信息写入区块链的所述步骤包括:
对归还的所述物品及打包过程进行视频记录,将归还视频上传至网络并将所述归还视频的哈希信息写入区块链;
对上传视频进行真实性检测;
使用基于Faster-RCNN框架的目标检测模型,对所述上传视频中的不同帧进行检测,分别提取包含有物品的物品图片与包含有打包完成情况的包裹图片;
将所述物品图片和所述包裹图片上传至网络,并将所述物品图片的哈希信息和所述包裹图片的哈希信息写入区块链。
5.如权利要求3或4所述的基于深度学习的实物租赁智能合约方法,其特征在于,在对上传视频进行真实性检测的所述步骤中,包括基于突变点对借出视频进行帧删除与插入检测,包括:
获取所述上传视频中的B帧,并且计算B帧的前向以及后向运动矢量的平均幅值,构成两个平均幅值向量;
利用k邻域峰值离群挖掘方法检测向量中的离群元素;
通过离群元素位置确定异常B帧的位置;
将前后向运动矢量平均幅值向量确定的异常B帧位置进行采集,得到所述上传视频当中时间域篡改发生位置;
将得到的异常帧以及异常帧判定结果写入区块链,若无异常,合约继续,若判定所述上传视频被篡改,则根据所述物品租赁智能合约进行责任判定。
6.如权利要求3或4所述的基于深度学习的实物租赁智能合约方法,其特征在于,在对上传视频进行真实性检测的所述步骤中,包括基于突变点对借出视频进行帧重复检测,包括:
将上传视频分为视频段,计算视频段中任意两帧的相关系数,组成相关系数矩阵,计算两个相关系数矩阵间的相关系数;
判断相关系数的值是否大于阀值,若大于阀值,则矩阵对应的视频段存在帧重复篡改,若小于阀值,则判定为正常,并将判定信息写入区块链,若存在异常,则根据所述物品租赁智能合约进行责任判定。
7.如权利要求3或4所述的基于深度学习的实物租赁智能合约方法,其特征在于,使用基于Faster-RCNN框架的目标检测模型,对所述上传视频中的不同帧进行检测,分别提取包含有物品的物品图片与包含有打包完成情况的包裹图片的所述步骤包括:
使用已完成训练的VGG模型按照租借系统中租借物品列表中的物品进行多类别调整训练,并用训练好的模型构建Faster-RCNN目标检测模型;
使用已经训练好的Faster-RCNN目标检测模型进行目标检测,分别从上传视频中提取所述物品图片和所述包裹图片。
8.如权利要求1所述的基于深度学习的实物租赁智能合约方法,其特征在于,在接收物品后,通过写入区块链的包裹一致性检测程序判定收到物品的真实性的所述步骤包括:
在接收物品后,对接收到的包裹进行拍照记录并上传至网络,通过写入区块链的包裹一致性检测程序进行认证,并将认证结果写入区块链;
在确认包裹为寄出包裹后,收货人签收包裹,则借出认证完成。
9.一种用于执行权利要求1所述的基于深度学习的实物租赁智能合约方法的系统,其特征在于,包括:
合约条款模块,用于确定交易的价格、物品、租用时间、担保金额、延时计费规则、损坏赔偿规则;
借出过程认证模块,用于确保借出方按照约定借出物品;
归还过程认证模块,用于鉴定物品在使用归还后未被调包、损坏,并且根据消耗程度确定消耗赔偿。
10.如权利要求9所述的系统,其特征在于,所述借出过程认证模块,包括:
第一视频篡改检测单元,用于进行视频重复帧检测、帧插入检测与帧修改检测,确保借出方上传物品与打包视频真实性;
第一视频内容提取单元,用于从借出方上传的视频中提取出包含有物品的物品图片与包含有打包完成情况的包裹图片,以进行一致性检测;
第一包裹一致性检测单元,用于在租借方收到包裹时进行包裹认证,确定包裹为借出方上传视频中的原包裹。
11.如权利要求9所述的系统,其特征在于,所述归还过程认证模块包括:
第二视频篡改检测单元,用于进行视频重复帧检测、帧插入检测与帧修改检测,确保归还方上传物品与打包视频真实性;
第二视频内容提取单元,用于从归还方的上传视频中提取出包含有物品的物品图片与包含有打包完成情况的包裹图片以进行一致性检测;
第二包裹一致性检测单元,用于在借出方收到包裹时进行包裹认证,确定包裹为归还方上传视频中的原包裹;
物品一致性检测单元,用于在物品归还后对物品进行一致性判定以及损伤程度的确定以作为赔偿与付费依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810487256.8A CN108711093B (zh) | 2018-05-18 | 2018-05-18 | 一种基于深度学习的实物租赁智能合约方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810487256.8A CN108711093B (zh) | 2018-05-18 | 2018-05-18 | 一种基于深度学习的实物租赁智能合约方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108711093A CN108711093A (zh) | 2018-10-26 |
CN108711093B true CN108711093B (zh) | 2021-10-19 |
Family
ID=63869192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810487256.8A Active CN108711093B (zh) | 2018-05-18 | 2018-05-18 | 一种基于深度学习的实物租赁智能合约方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108711093B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488787A (zh) * | 2018-11-30 | 2021-03-12 | 创新先进技术有限公司 | 基于区块链的共享资源租赁方法、装置和计算机设备 |
CN109636531A (zh) * | 2018-12-14 | 2019-04-16 | 韩江博 | 一种商品出租方法及平台 |
CN110245514B (zh) * | 2019-04-30 | 2021-09-03 | 清华大学 | 一种基于区块链的分布式计算方法及系统 |
CN110135953A (zh) * | 2019-05-17 | 2019-08-16 | 深圳市元征科技股份有限公司 | 一种电子租赁合同信息管理方法及相关装置 |
CN110717124B (zh) * | 2019-10-09 | 2021-03-23 | 支付宝(杭州)信息技术有限公司 | 用于实现像素页面的像素占领的方法及装置 |
CN110992305A (zh) * | 2019-10-31 | 2020-04-10 | 中山大学 | 基于深度学习和多目标跟踪技术的包裹计数方法及系统 |
CN111275516A (zh) * | 2020-01-08 | 2020-06-12 | 谭智 | 一种基于区块链的房屋租赁方法 |
CN111401989A (zh) * | 2020-03-04 | 2020-07-10 | 易纬信息科技(广州)有限公司 | 基于机器学习的工具管理方法、系统、介质及智能设备 |
CN115375333B (zh) * | 2022-08-31 | 2023-09-12 | 深圳市彩生活网络服务有限公司 | 一种基于区块链的物业租赁溯源系统及方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007079875A (ja) * | 2005-09-13 | 2007-03-29 | Nec Corp | 評価情報管理システム、該システムに用いられる評価情報管理方法及び評価情報管理プログラム |
US8682804B1 (en) * | 2005-09-21 | 2014-03-25 | Hyoungsoo Yoon | Rental method and system among multiple parties |
US20170017936A1 (en) * | 2015-07-14 | 2017-01-19 | Fmr Llc | Point-to-Point Transaction Guidance Apparatuses, Methods and Systems |
CN106682457A (zh) * | 2016-12-16 | 2017-05-17 | 北京握奇智能科技有限公司 | 一种基于区块链技术的图片版权保护方法和系统 |
CN106991573A (zh) * | 2017-04-07 | 2017-07-28 | 中链科技有限公司 | 基于区块链技术的艺术品保真方法和服务器 |
CN107222303A (zh) * | 2017-05-11 | 2017-09-29 | 暨南大学 | 基于区块链和云平台的数字版权追溯系统建设方法 |
CN107194778A (zh) * | 2017-05-25 | 2017-09-22 | 金立彦 | 基于区块链的设备租赁方法及系统 |
CN107451898A (zh) * | 2017-08-10 | 2017-12-08 | 弭吉荣 | 一种奢侈品租赁方法与系统 |
CN107944887A (zh) * | 2017-12-14 | 2018-04-20 | 法信公证云(厦门)科技有限公司 | 一种基于区块链的民间借贷风险预控方法 |
-
2018
- 2018-05-18 CN CN201810487256.8A patent/CN108711093B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108711093A (zh) | 2018-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108711093B (zh) | 一种基于深度学习的实物租赁智能合约方法及系统 | |
CN111260462B (zh) | 一种基于异质关系网络注意力机制的交易欺诈检测方法 | |
CN105046515B (zh) | 广告排序方法及装置 | |
CN108256562A (zh) | 基于弱监督时空级联神经网络的显著目标检测方法及系统 | |
CN105938559A (zh) | 使用卷积神经网络的数字图像处理 | |
CN112559683A (zh) | 基于多模态数据及多交互记忆网络的方面级情感分析方法 | |
CN115983874A (zh) | 酒类防伪溯源方法及其系统 | |
CN110111365B (zh) | 基于深度学习的训练方法和装置以及目标跟踪方法和装置 | |
Liu et al. | Student abnormal behavior recognition in classroom video based on deep learning | |
Yao et al. | [Retracted] Facial Expression Recognition Based on Convolutional Neural Network Fusion SIFT Features of Mobile Virtual Reality | |
Ren et al. | Towards Efficient Video Detection Object Super‐Resolution with Deep Fusion Network for Public Safety | |
CN112989182B (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
CN114255377A (zh) | 一种智能货柜的差异商品检测分类方法 | |
Chen et al. | Self-supervised multi-category counting networks for automatic check-out | |
CN111582873B (zh) | 评估交互事件的方法及装置、电子设备、存储介质 | |
CN112906671A (zh) | 面审虚假图片识别方法、装置、电子设备及存储介质 | |
CN104376280A (zh) | 一种面向谷歌眼镜的图像代码生成方法 | |
Vidanelage et al. | Study on machine learning techniques with conventional tools for payment fraud detection | |
She et al. | Contrastive self-supervised representation learning using synthetic data | |
CN116342141A (zh) | 一种空壳企业识别方法、装置和设备 | |
CN115311450A (zh) | 轻量化商品识别追踪系统、方法、存储介质、设备、终端 | |
Li et al. | GRAN: graph recurrent attention network for pedestrian orientation classification | |
CN113159255A (zh) | 基于qr码和安全底纹的数字水印防伪方法 | |
Pasqualino et al. | A multi camera unsupervised domain adaptation pipeline for object detection in cultural sites through adversarial learning and self-training | |
Labeni et al. | Objects counting in videos via deep learning and image processing |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220711 Address after: 410137 room 618, No. 1318, Kaiyuan East Road, Xingsha industrial base, Changsha Economic and Technological Development Zone, Changsha City, Hunan Province Patentee after: Hunan Yunfan Flow Technology Co.,Ltd. Address before: 518000 floor 14, Hangsheng building, Gaoxin South 6th Road, Yuehai street, Nanshan District, Shenzhen, Guangdong Patentee before: SHENZHEN TIANQU HOLDINGS Co.,Ltd. |
|
TR01 | Transfer of patent right |