CN109903172A - 理赔信息提取方法和装置、电子设备 - Google Patents
理赔信息提取方法和装置、电子设备 Download PDFInfo
- Publication number
- CN109903172A CN109903172A CN201910097463.7A CN201910097463A CN109903172A CN 109903172 A CN109903172 A CN 109903172A CN 201910097463 A CN201910097463 A CN 201910097463A CN 109903172 A CN109903172 A CN 109903172A
- Authority
- CN
- China
- Prior art keywords
- image data
- image
- resolution
- classification
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 24
- 238000003058 natural language processing Methods 0.000 claims description 14
- 230000007062 hydrolysis Effects 0.000 claims description 13
- 238000006460 hydrolysis reaction Methods 0.000 claims description 13
- 239000001397 quillaja saponaria molina bark Substances 0.000 claims description 13
- 229930182490 saponin Natural products 0.000 claims description 13
- 150000007949 saponins Chemical class 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 2
- 230000005055 memory storage Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 12
- 238000012015 optical character recognition Methods 0.000 description 11
- 206010039203 Road traffic accident Diseases 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000002372 labelling Methods 0.000 description 5
- 241001269238 Data Species 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000002123 temporal 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Multimedia (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本说明书一个或多个实施例提供一种理赔信息提取方法和装置、电子设备，所述方法包括：获取与理赔案件相关的图像数据集合；将所述图像数据集合中的图像数据输入至第一分类模型中进行分类计算，并基于分类计算结果对所述图像数据集合中的图像数据进行分类；其中，所述第一分类模型为基于若干被标注了图像类别的图像数据样本训练出的机器学习模型；从分类得到的各个图像类别的图像数据中分别提取用于理赔的关键信息。
Description
技术领域
本说明书一个或多个实施例涉及计算机应用技术领域，尤其涉及一种理赔信息提取方法和装置、电子设备。
背景技术
现如今，在发生了车祸事故，接到车主报案之后，通常需要收集大量照片用于理赔。后续在处理相应的理赔案件时，通常需要由该理赔案件的相关责任人对这些照片进行人工归档，并对这些照片进行分析，得到与该理赔案件相关的理赔信息。然而，这样不仅需要消耗大量的人力资源，理赔信息的提取效率也较低。
发明内容
本说明书提出一种理赔信息提取方法，所述方法包括：
获取与理赔案件相关的图像数据集合；
将所述图像数据集合中的图像数据输入至第一分类模型中进行分类计算，并基于分类计算结果对所述图像数据集合中的图像数据进行分类；其中，所述第一分类模型为基于若干被标注了图像类别的图像数据样本训练出的机器学习模型；
从分类得到的各个图像类别的图像数据中分别提取用于理赔的关键信息。
可选地，所述方法还包括：
获取提取出的所述用于理赔的关键信息；
基于所述用于理赔的关键信息进行理赔处理。
可选地，所述第一分类模型为卷积神经网络CNN模型。
可选地，对所述图像数据集合中的图像数据进行分类得到的图像类别包括以下图像类别中的一个或多个：
证件图像；单据图像；现场图像；损伤图像；其他图像。
可选地，所述从分类得到的各个类别的图像数据中分别提取用于理赔的关键信息，包括：
如果分类得到所述证件图像的图像数据，则基于光学字符识别OCR算法，从所述证件图像的图像数据中提取所述理赔案件的相关人员信息和相关车辆信息作为用于理赔的关键信息。
可选地，所述从分类得到的各个类别的图像数据中分别提取用于理赔的关键信息，包括：
如果分类得到所述单据图像的图像数据，则基于OCR算法和自然语言处理NLP算法，从所述单据图像的图像数据中提取所述理赔案件的相关人员的责任比例作为用于理赔的关键信息。
可选地，所述从分类得到的各个类别的图像数据中分别提取用于理赔的关键信息，包括：
如果分类得到所述现场图像的图像数据，则将所述现场图像的图像数据输入至第二分类模型中进行分类计算，并基于分类结果确定与所述现场图像的图像数据对应的事故类型，以将所述事故类型作为用于理赔的关键信息；其中，所述第二分类模型为基于若干被标注了事故类型的现场图像样本训练出的机器学习模型。
可选地，所述第二分类模型为CNN模型。
本说明书还提出一种理赔信息提取装置，所述装置包括：
第一获取模块，用于获取与理赔案件相关的图像数据集合；
分类模块，用于将所述图像数据集合中的图像数据输入至第一分类模型中进行分类计算，并基于分类计算结果对所述图像数据集合中的图像数据进行分类；其中，所述第一分类模型为基于若干被标注了图像类别的图像数据样本训练出的机器学习模型；
提取模块，用于从分类得到的各个图像类别的图像数据中分别提取用于理赔的关键信息。
可选地，所述装置还包括：
第二获取模块，用于获取提取出的所述用于理赔的关键信息；
理赔模块，用于基于所述用于理赔的关键信息进行理赔处理。
可选地，所述第一分类模型为卷积神经网络CNN模型。
可选地，对所述图像数据集合中的图像数据进行分类得到的图像类别包括以下图像类别中的一个或多个：
证件图像；单据图像；现场图像；损伤图像；其他图像。
可选地，所述提取模块具体用于：
如果分类得到所述证件图像的图像数据，则基于光学字符识别OCR算法，从所述证件图像的图像数据中提取所述理赔案件的相关人员信息和相关车辆信息作为用于理赔的关键信息。
可选地，所述提取模块具体用于：
如果分类得到所述单据图像的图像数据，则基于OCR算法和自然语言处理NLP算法，从所述单据图像的图像数据中提取所述理赔案件的相关人员的责任比例作为用于理赔的关键信息。
可选地，所述提取模块具体用于：
如果分类得到所述现场图像的图像数据，则将所述现场图像的图像数据输入至第二分类模型中进行分类计算，并基于分类结果确定与所述现场图像的图像数据对应的事故类型，以将所述事故类型作为用于理赔的关键信息；其中，所述第二分类模型为基于若干被标注了事故类型的现场图像样本训练出的机器学习模型。
可选地，所述第二分类模型为CNN模型。
本说明书还提出一种电子设备，所述电子设备包括：
处理器；
用于存储机器可执行指令的存储器；
其中，通过读取并执行所述存储器存储的与理赔信息提取的控制逻辑对应的机器可执行指令，所述处理器被促使：
获取与理赔案件相关的图像数据集合；
将所述图像数据集合中的图像数据输入至第一分类模型中进行分类计算，并基于分类计算结果对所述图像数据集合中的图像数据进行分类；其中，所述第一分类模型为基于若干被标注了图像类别的图像数据样本训练出的机器学习模型；
从分类得到的各个图像类别的图像数据中分别提取用于理赔的关键信息。
在上述技术方案中，对于某个理赔案件而言，可以将与该理赔案件相关的图像数据集合输入至分类模型，以由该分类模型对该图像数据集合中的图像数据进行分类。后续，可以自动从分类得到的各个图像类别的图像数据中分别提取用于理赔的关键信息。采用这样的方式，与常用的针对理赔案件的图像数据进行人工分类和分析的方式相比，可以提高理赔信息的提取效率，减少人力资源的消耗。
附图说明
图1是本说明书一示例性实施例示出的一种理赔信息提取方法的流程图；
图2是本说明书一示例性实施例示出的一种理赔信息提取装置所在电子设备的硬件结构图；
图3是本说明书一示例性实施例示出的一种理赔信息提取装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本说明书旨在提供一种针对理赔案件，对与该理赔案件相关的图像数据集合中的图像数据进行分类，并从分类得到的各个类别的图像数据中分别提取用于理赔的关键信息的技术方案。
在具体实现时，对于某个理赔案件而言，可以先获取与该理赔案件相关的图像数据集合。
其中，图像数据集合中可以包含与理赔案件相关的至少一个图像类别的图像数据，例如：证件图像的图像数据；单据图像的图像数据；以及该车祸事故的现场图像的图像数据等。
在获取到该图像数据集合后，可以基于分类模型对该图像数据集合中的图像数据进行分类。
其中，该分类模型可以是基于若干被标注了分类标签的图像数据样本训练出的机器学习模型。
后续，即可从分类得到的各个图像类别的图像数据中分别提取用于理赔的关键信息，例如：可以从证件图像的图像数据中提取该理赔案件的相关人员信息；从单据图像的图像数据中提取该理赔案件的相关人员的责任比例；以及基于现场图像的图像数据确定该理赔案件对应的事故类型等。
在上述技术方案中，对于某个理赔案件而言，可以将与该理赔案件相关的图像数据集合输入至分类模型，以由该分类模型对该图像数据集合中的图像数据进行分类。后续，可以自动从分类得到的各个图像类别的图像数据中分别提取用于理赔的关键信息。采用这样的方式，与常用的针对理赔案件的图像数据进行人工分类和分析的方式相比，可以提高理赔信息的提取效率，减少人力资源的消耗。
下面通过具体实施例对本说明书进行描述。
请参考图1，图1是本说明一示例性实施例示出的一种理赔信息提取方法的流程图。该方法可以应用于服务器、手机、平板设备、笔记本电脑、掌上电脑(Personal DigitalAssistants，PDAs)等电子设备，包括如下步骤：
步骤102，获取与理赔案件相关的图像数据集合；
步骤104，将所述图像数据集合中的图像数据输入至第一分类模型中进行分类计算，并基于分类计算结果对所述图像数据集合中的图像数据进行分类；其中，所述第一分类模型为基于若干被标注了图像类别的图像数据样本训练出的机器学习模型；
步骤106，从分类得到的各个图像类别的图像数据中分别提取用于理赔的关键信息。
在本实施例中，对于某个理赔案件而言，可以先获取与该理赔案件相关的图像数据集合。
其中，图像数据集合中可以包含与理赔案件相关的至少一个图像类别的图像数据。
在示出的一种实施方式中，该图像数据集合中包含的图像数据的图像类别可以包括以下图像类别中的一个或多个：证件图像；单据图像；现场图像；损伤图像；其他图像。
举例来说，假设该理赔案件为针对车祸事故中的受损车辆的理赔案件，则该图像数据集合中可以包含证件图像的图像数据(例如：该受损车辆的车主的驾驶证图像、该受损车辆的行车证图像等)；单据图像的图像数据(例如：事故责任认定书的图像数据等)；该车祸事故的现场图像的图像数据；该受损车辆的损伤图像的图像数据；以及不属于前4个图像类别的图像数据(称为其他图像的图像数据)。
在实际应用中，可以获取由用户上传的对驾驶证和行车证等有效证件、事故责任认定书等单据以及事故车辆的受损部位等进行拍摄得到的至少一张图像，并将拍摄得到的图像作为与该理赔案件相关的图像数据集合中的图像数据。
或者，可以利用部署在该理赔案件对应的事故现场附近的摄像头，获取这些摄像头拍摄得到的至少一张图像，并将拍摄得到的图像作为与该理赔案件相关的图像数据集合中的图像数据。
或者，可以利用部署在该理赔案件对应的事故现场附近的摄像头，获取这些摄像头拍摄得到的视频，并提取这些视频中的图像帧，以将这些图像帧作为与该理赔案件相关的图像数据集合中的图像数据。
在获取到与该理赔案件相关的图像数据集合后，可以将该图像数据集合中的图像数据输入至预设的分类模型(称为第一分类模型)中进行分类计算。
其中，第一分类模型可以是常用的卷积神经网络(Convolutional NeuralNetworks，CNN)模型等机器学习模型。
需要说明的是，可以先从历史理赔案件(即以前执行完理赔处理的理赔案件)对应的图像数据集合中获取预设数量的图像数据，并为这些图像数据标注分类标签。
其中，分类标签可以是用于表征图像数据所属的图像类别，例如：可以为这些图像数据中与证件相关的图像数据标注证件图像作为分类标签；为这些图像数据中与单据相关的图像数据标注单据图像作为分类标签；为这些图像中与事故现场相关的图像数据标注现场图像作为分类标签；为这些图像中与事故车辆的受损部位相关的图像标注损伤图像作为分类标签；并为这些图像中与证件、单据、事故现场以及事故车辆的受损部位均不相关的图像标注其他图像作为分类标签。
后续，可以将这些被标注了图像类别的图像数据作为训练样本，采用反向传播的方式，基于预设的机器学习算法(例如：CNN算法)，针对这些图像数据样本进行训练，以得到用于对与上述理赔案件相关的图像数据集合中的图像数据进行分类的上述第一分类模型。
举例来说，假设预设的图像数据样本的数量为100张，则可以从历史理赔案件对应的图像数据集合中获取100张图像，并为这些图像标注图像类别。后续，可以将这100张被标注了图像类别的图像作为训练样本，采用反向传播的方式，基于CNN算法，针对这100张被标注了图像类别的图像进行训练，以得到该第一分类模型。
这样，可以基于已训练好的上述第一分类模型对与上述理赔案件相关的图像数据集合中的图像数据进行分类计算，从而可以基于分类计算结果对该图像数据集合中的图像数据进行分类，即确定该图像数据集合中的图像数据所属的图像类别。
在确定了该图像数据集合中的图像数据所属的图像类别后，可以从各个类别的图像数据中分别提取用于理赔的关键信息。
在示出的一种实施方式中，针对与上述理赔案件相关的图像数据集合中的证件图像的图像数据，可以基于OCR(Optical Character Recognition，光学字符识别)算法，从分类得到的证件图像的图像数据中提取该理赔案件的相关人员信息和相关车辆信息，并将提取出的该理赔案件的相关人员信息和相关车辆信息作为用于理赔的关键信息。
具体地，可以将分类得到的证件图像的图像数据输入至字符串检测模型，以由该字符串检测模型基于该图像数据获取其中包含目标字符串的图像区域。
对于证件图像的图像数据来说，目标字符串可以是用于表征姓名或身份证号码等人员信息的字符串，也可以是用于表征车牌号等车辆信息的字符串。
其中，字符串检测模型可以是常用的CNN模型等机器学习模型。
类似地，可以将被标注了包含目标字符串的图像区域的图像数据作为训练样本，采用反向传播的方式，基于预设的机器学习算法(例如：CNN算法)，针对这些图像数据样本进行训练，以得到用于从上述证件图像的图像数据中检测出包含目标字符串的图像区域的字符串检测模型。
而在获取到包含目标字符串的图像区域后，则可以继续将该图像区域输入至字符串识别模型，以由该字符串识别模型对该图像区域中的目标字符串进行识别，得到该理赔案件的相关人员信息和相关车辆信息，并将得到的该理赔案件的相关人员信息和相关车辆信息作为用于理赔的关键信息。
举例来说，可以基于用于表征姓名的目标字符串识别得到该理赔案件的相关人员的姓名；基于用于表征身份证号码的目标字符串识别得到该理赔案件的相关人员的身份证号码；基于用于表征车牌号的目标字符串识别得到该理赔案件的相关车辆的车牌号等。后续，可以将针对该理赔案件得到的姓名和身份证号码等相关人员信息，以及车牌号等相关车辆信息作为用于理赔的关键信息。
其中，字符串识别模型可以是基于CTC(Connectionist TemporalClassification)损失函数的循环神经网络(Recurrent Neural Network，RNN)模型。
类似地，可以将被标注了字符串对应的文字内容的包含该字符串的图像数据作为训练样本，采用反向传播的方式，基于预设的机器学习算法(例如：基于CTC损失函数的RNN算法)，针对这些图像数据样本进行训练，以得到用于对上述图像区域中的目标字符串进行识别的字符串识别模型。
在示出的一种实施方式中，针对与上述理赔案件相关的图像数据集合中的单据图像的图像数据，可以基于OCR算法，以及NLP(Natural Language Processing，自然语言处理)算法，从分类得到的单据图像的图像数据中提取该理赔案件的相关人员的责任比例，并将提取出的该理赔案件的相关人员的责任比例作为用于理赔的关键信息。
具体地，可以将分类得到的单据图像的图像数据输入至字符串检测模型，以由该字符串检测模型基于该图像数据获取其中包含目标字符串的图像区域。
对于单据图像的图像数据而言，目标字符串可以是用于表征该理赔案件的相关人员的责任信息的字符串。以事故责任认定书为例，事故责任认定书的图像数据中的目标字符串可以是该事故责任认定书中对事故的相关人员所承担的责任进行描述的文字(例如：相关人员A承担主要责任、相关人员B承担次要责任等)对应的字符串。
其中，字符串检测模型可以是常用的CNN模型等机器学习模型。
类似地，可以将被标注了包含目标字符串的图像区域的图像数据作为训练样本，采用反向传播的方式，基于预设的机器学习算法(例如：CNN算法)，针对这些图像数据样本进行训练，以得到用于从上述单据图像的图像数据中检测出包含目标字符串的图像区域的字符串检测模型。
而在获取到包含目标字符串的图像区域后，则可以继续将该图像区域输入至字符串识别模型，以由该字符串识别模型对该图像区域中的目标字符串进行识别，得到该理赔案件的相关人员的责任信息。
其中，字符串识别模型可以是基于CTC损失函数的RNN模型。
类似地，可以将被标注了字符串对应的文字内容的包含该字符串的图像数据作为训练样本，采用反向传播的方式，基于预设的机器学习算法(例如：基于CTC损失函数的RNN算法)，针对这些图像数据样本进行训练，以得到用于对上述图像区域中的目标字符串进行识别的字符串识别模型。
进一步地，在得到该理赔案件的相关人员的责任信息后，可以基于NPL算法对该理赔案件的相关人员的责任信息进行分析，得到该理赔案件的相关人员的责任比例，并将得到的该理赔案件的相关人员的责任比例作为用于理赔的关键信息。
举例来说，在识别得到的该理赔案件的相关人员的责任信息包括“相关人员A承担主要责任”和“相关人员B承担次要责任”时，可以基于NPL算法对该责任信息进行分析，从而可以确定相关人员A的责任比例大于50％，相关人员B的责任比例小于50％。
需要说明的是，用于从上述证件图像的图像数据中检测出包含目标字符串的图像区域的字符串检测模型，与用于从上述单据图像的图像数据中检测出包含目标字符串的图像区域的字符串检测模型可以是同一个字符串检测模型，也可以不同的两个字符串检测模型，本说明书对此不作限定。同样地，用于对证件图像的图像区域中的目标字符串进行识别的字符串识别模型，与用于对单据图像的图像区域中的目标字符串进行识别的字符串识别模型可以是同一个字符串识别模型，也可以不同的两个字符串识别模型，本说明书对此不作限定。
在示出的一种实施方式中，针对与上述理赔案件相关的图像数据集合中的现场图像的图像数据，可以将分类得到的现场图像的图像数据输入至预设的分类模型(称为第二分类模型)中进行分类计算。
其中，第二分类模型可以是常用的CNN模型等机器学习模型。
类似地，可以将被标注了事故类型的现场图像的图像数据作为训练样本，采用反向传播的方式，基于预设的机器学习算法(例如：CNN算法)，针对这些现场图像样本进行训练，以得到用于确定现场图像的图像数据对应的事故类型的上述第二分类模型。
其中，事故类型可以包括单车事故，双车事故，多车事故等。
举例来说，可以将作为训练样本的现场图像中显示的车祸事故仅包含一辆车辆的图像标注为“单车事故”，将这些现场图像中显示的车祸事故包含两辆车辆的图像标注为“双车事故”，将这些现场图像中显示的车祸事故包含三辆及以上车辆的图像标注为“多车事故”。
这样，可以基于已训练好的上述第二分类模型对上述现场图像的图像数据进行分类计算，从而可以基于分类计算结果对该现场图像的图像数据进行分类，即确定该现场图像对应的事故所属的事故类型。
在实际应用中，还可以对从各个类别的图像数据中分别提取出的用于理赔的关键信息加以利用。具体地，可以获取提取出的用于理赔的关键信息，并基于该用于理赔的关键信息进行理赔处理。
举例来说，在获取到该用于理赔的关键信息后，可以将该用于理赔的关键信息输入至装载在电子设备上的理赔系统，以由该理赔系统自行录入该用于理赔的关键信息作为上述理赔案件的信息，从而可以由该理赔系统基于该理赔案件的信息进行后续的理赔处理。
在实际应用中，该理赔系统还可以按照上述分类结果对与该理赔案件相关的图像数据集合进行分类存储，即将该图像数据集合中的图像数据按照其所属的图像类别进行分类存储。
在上述技术方案中，对于某个理赔案件而言，可以将与该理赔案件相关的图像数据集合输入至分类模型，以由该分类模型对该图像数据集合中的图像数据进行分类。后续，可以自动从分类得到的各个图像类别的图像数据中分别提取用于理赔的关键信息。采用这样的方式，与常用的针对理赔案件的图像数据进行人工分类和分析的方式相比，可以提高理赔信息的提取效率，减少人力资源的消耗。
与前述理赔信息提取方法的实施例相对应，本说明书还提供了理赔信息提取装置的实施例。
本说明书理赔信息提取装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图2所示，为本说明书理赔信息提取装置所在电子设备的一种硬件结构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该理赔信息提取的实际功能，还可以包括其他硬件，对此不再赘述。
请参考图3，图3是本说明书一示例性实施例示出的一种理赔信息提取装置的框图。该装置30可以应用于图2所示的电子设备，包括：
第一获取模块301，用于获取与理赔案件相关的图像数据集合；
分类模块302，用于将所述图像数据集合中的图像数据输入至第一分类模型中进行分类计算，并基于分类计算结果对所述图像数据集合中的图像数据进行分类；其中，所述第一分类模型为基于若干被标注了图像类别的图像数据样本训练出的机器学习模型；
提取模块303，用于从分类得到的各个图像类别的图像数据中分别提取用于理赔的关键信息。
在本实施例中，所述装置30还可以包括：
第二获取模块304，用于获取提取出的所述用于理赔的关键信息；
理赔模块305，用于基于所述用于理赔的关键信息进行理赔处理。
在本实施例中，所述第一分类模型可以为卷积神经网络CNN模型。
在本实施例中，对所述图像数据集合中的图像数据进行分类得到的图像类别可以包括以下图像类别中的一个或多个：
证件图像；单据图像；现场图像；损伤图像；其他图像。
在本实施例中，所述提取模块303具体可以用于：
如果分类得到所述证件图像的图像数据，则基于光学字符识别OCR算法，从所述证件图像的图像数据中提取所述理赔案件的相关人员信息和相关车辆信息作为用于理赔的关键信息。
在本实施例中，所述提取模块303具体可以用于：
如果分类得到所述单据图像的图像数据，则基于OCR算法和自然语言处理NLP算法，从所述单据图像的图像数据中提取所述理赔案件的相关人员的责任比例作为用于理赔的关键信息。
在本实施例中，所述提取模块303具体可以用于：
如果分类得到所述现场图像的图像数据，则将所述现场图像的图像数据输入至第二分类模型中进行分类计算，并基于分类结果确定与所述现场图像的图像数据对应的事故类型，以将所述事故类型作为用于理赔的关键信息；其中，所述第二分类模型为基于若干被标注了事故类型的现场图像样本训练出的机器学习模型。
在本实施例中，所述第二分类模型可以为CNN模型。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述实施例阐明的系统、装置、模块或模块，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
与上述理赔信息提取方法实施例相对应，本说明书还提供了一种电子设备的实施例。该电子设备包括：处理器以及用于存储机器可执行指令的存储器；其中，处理器和存储器通常通过内部总线相互连接。在其他可能的实现方式中，所述设备还可能包括外部接口，以能够与其他设备或者部件进行通信。
在本实施例中，通过读取并执行所述存储器存储的与理赔信息提取的控制逻辑对应的机器可执行指令，所述处理器被促使：
获取与理赔案件相关的图像数据集合；
将所述图像数据集合中的图像数据输入至第一分类模型中进行分类计算，并基于分类计算结果对所述图像数据集合中的图像数据进行分类；其中，所述第一分类模型为基于若干被标注了图像类别的图像数据样本训练出的机器学习模型；
从分类得到的各个图像类别的图像数据中分别提取用于理赔的关键信息。
在本实施例中，通过读取并执行所述存储器存储的与理赔信息提取的控制逻辑对应的机器可执行指令，所述处理器还被促使：
获取提取出的所述用于理赔的关键信息；
基于所述用于理赔的关键信息进行理赔处理。
在本实施例中，所述第一分类模型为卷积神经网络CNN模型。
在本实施例中，对所述图像数据集合中的图像数据进行分类得到的图像类别包括以下图像类别中的一个或多个：
证件图像；单据图像；现场图像；损伤图像；其他图像。
在本实施例中，通过读取并执行所述存储器存储的与理赔信息提取的控制逻辑对应的机器可执行指令，所述处理器被促使：
如果分类得到所述证件图像的图像数据，则基于光学字符识别OCR算法，从所述证件图像的图像数据中提取所述理赔案件的相关人员信息和相关车辆信息作为用于理赔的关键信息。
在本实施例中，通过读取并执行所述存储器存储的与理赔信息提取的控制逻辑对应的机器可执行指令，所述处理器被促使：
如果分类得到所述单据图像的图像数据，则基于OCR算法和自然语言处理NLP算法，从所述单据图像的图像数据中提取所述理赔案件的相关人员的责任比例作为用于理赔的关键信息。
在本实施例中，通过读取并执行所述存储器存储的与理赔信息提取的控制逻辑对应的机器可执行指令，所述处理器被促使：
如果分类得到所述现场图像的图像数据，则将所述现场图像的图像数据输入至第二分类模型中进行分类计算，并基于分类结果确定与所述现场图像的图像数据对应的事故类型，以将所述事故类型作为用于理赔的关键信息；其中，所述第二分类模型为基于若干被标注了事故类型的现场图像样本训练出的机器学习模型。
在本实施例中，所述第二分类模型为CNN模型。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (17)
1.一种理赔信息提取方法，所述方法包括：
获取与理赔案件相关的图像数据集合；
将所述图像数据集合中的图像数据输入至第一分类模型中进行分类计算，并基于分类计算结果对所述图像数据集合中的图像数据进行分类；其中，所述第一分类模型为基于若干被标注了图像类别的图像数据样本训练出的机器学习模型；
从分类得到的各个图像类别的图像数据中分别提取用于理赔的关键信息。
2.根据权利要求1所述的方法，所述方法还包括：
获取提取出的所述用于理赔的关键信息；
基于所述用于理赔的关键信息进行理赔处理。
3.根据权利要求1所述的方法，所述第一分类模型为卷积神经网络CNN模型。
4.根据权利要求1所述的方法，对所述图像数据集合中的图像数据进行分类得到的图像类别包括以下图像类别中的一个或多个：
证件图像；单据图像；现场图像；损伤图像；其他图像。
5.根据权利要求4所述的方法，所述从分类得到的各个类别的图像数据中分别提取用于理赔的关键信息，包括：
如果分类得到所述证件图像的图像数据，则基于光学字符识别OCR算法，从所述证件图像的图像数据中提取所述理赔案件的相关人员信息和相关车辆信息作为用于理赔的关键信息。
6.根据权利要求4所述的方法，所述从分类得到的各个类别的图像数据中分别提取用于理赔的关键信息，包括：
如果分类得到所述单据图像的图像数据，则基于OCR算法和自然语言处理NLP算法，从所述单据图像的图像数据中提取所述理赔案件的相关人员的责任比例作为用于理赔的关键信息。
7.根据权利要求4所述的方法，所述从分类得到的各个类别的图像数据中分别提取用于理赔的关键信息，包括：
如果分类得到所述现场图像的图像数据，则将所述现场图像的图像数据输入至第二分类模型中进行分类计算，并基于分类结果确定与所述现场图像的图像数据对应的事故类型，以将所述事故类型作为用于理赔的关键信息；其中，所述第二分类模型为基于若干被标注了事故类型的现场图像样本训练出的机器学习模型。
8.根据权利要求7所述的方法，所述第二分类模型为CNN模型。
9.一种理赔信息提取装置，所述装置包括：
第一获取模块，用于获取与理赔案件相关的图像数据集合；
分类模块，用于将所述图像数据集合中的图像数据输入至第一分类模型中进行分类计算，并基于分类计算结果对所述图像数据集合中的图像数据进行分类；其中，所述第一分类模型为基于若干被标注了图像类别的图像数据样本训练出的机器学习模型；
提取模块，用于从分类得到的各个图像类别的图像数据中分别提取用于理赔的关键信息。
10.根据权利要求9所述的装置，所述装置还包括：
第二获取模块，用于获取提取出的所述用于理赔的关键信息；
理赔模块，用于基于所述用于理赔的关键信息进行理赔处理。
11.根据权利要求9所述的装置，所述第一分类模型为卷积神经网络CNN模型。
12.根据权利要求9所述的装置，对所述图像数据集合中的图像数据进行分类得到的图像类别包括以下图像类别中的一个或多个：
证件图像；单据图像；现场图像；损伤图像；其他图像。
13.根据权利要求12所述的装置，所述提取模块具体用于：
如果分类得到所述证件图像的图像数据，则基于光学字符识别OCR算法，从所述证件图像的图像数据中提取所述理赔案件的相关人员信息和相关车辆信息作为用于理赔的关键信息。
14.根据权利要求12所述的装置，所述提取模块具体用于：
如果分类得到所述单据图像的图像数据，则基于OCR算法和自然语言处理NLP算法，从所述单据图像的图像数据中提取所述理赔案件的相关人员的责任比例作为用于理赔的关键信息。
15.根据权利要求12所述的装置，所述提取模块具体用于：
如果分类得到所述现场图像的图像数据，则将所述现场图像的图像数据输入至第二分类模型中进行分类计算，并基于分类结果确定与所述现场图像的图像数据对应的事故类型，以将所述事故类型作为用于理赔的关键信息；其中，所述第二分类模型为基于若干被标注了事故类型的现场图像样本训练出的机器学习模型。
16.根据权利要求15所述的装置，所述第二分类模型为CNN模型。
17.一种电子设备，所述电子设备包括：
处理器；
用于存储机器可执行指令的存储器；
其中，通过读取并执行所述存储器存储的与理赔信息提取的控制逻辑对应的机器可执行指令，所述处理器被促使：
获取与理赔案件相关的图像数据集合；
将所述图像数据集合中的图像数据输入至第一分类模型中进行分类计算，并基于分类计算结果对所述图像数据集合中的图像数据进行分类；其中，所述第一分类模型为基于若干被标注了图像类别的图像数据样本训练出的机器学习模型；
从分类得到的各个图像类别的图像数据中分别提取用于理赔的关键信息。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910097463.7A CN109903172A (zh) | 2019-01-31 | 2019-01-31 | 理赔信息提取方法和装置、电子设备 |
| TW108131514A TWI712980B (zh) | 2019-01-31 | 2019-09-02 | 理賠資訊提取方法和裝置、電子設備 |
| PCT/CN2019/119352 WO2020155790A1 (zh) | 2019-01-31 | 2019-11-19 | 理赔信息提取方法和装置、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910097463.7A CN109903172A (zh) | 2019-01-31 | 2019-01-31 | 理赔信息提取方法和装置、电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109903172A true CN109903172A (zh) | 2019-06-18 |
Family
ID=66944493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910097463.7A Pending CN109903172A (zh) | 2019-01-31 | 2019-01-31 | 理赔信息提取方法和装置、电子设备 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN109903172A (zh) |
| TW (1) | TWI712980B (zh) |
| WO (1) | WO2020155790A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020155790A1 (zh) * | 2019-01-31 | 2020-08-06 | 阿里巴巴集团控股有限公司 | 理赔信息提取方法和装置、电子设备 |
| CN111680693A (zh) * | 2020-05-28 | 2020-09-18 | 泰康保险集团股份有限公司 | 理赔业务批量处理方法及装置 |
| CN111681116A (zh) * | 2020-04-27 | 2020-09-18 | 中国平安财产保险股份有限公司 | 理赔资料核实方法、装置、设备及存储介质 |
| CN114881671A (zh) * | 2022-05-17 | 2022-08-09 | 飞鸟鱼信息科技有限公司 | 理赔数据的处理方法及装置 |
| CN111401438B (zh) * | 2020-03-13 | 2023-08-25 | 德联易控科技(北京)有限公司 | 图像分拣方法、装置及系统 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132527A (zh) * | 2020-08-07 | 2020-12-25 | 精英数智科技股份有限公司 | 基于企业监测数据的理赔查勘方法及装置 |
| US20230142507A1 (en) * | 2021-11-08 | 2023-05-11 | Ping An Technology (Shenzhen) Co., Ltd. | Systems and methods for estimating monetary loss to an accident damaged vehicle |
| CN116342300B (zh) * | 2023-05-26 | 2023-08-01 | 凯泰铭科技（北京）有限公司 | 一种保险理赔人员特征分析方法、装置和设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160026854A1 (en) * | 2014-07-23 | 2016-01-28 | Samsung Electronics Co., Ltd. | Method and apparatus of identifying user using face recognition |
| CN106780048A (zh) * | 2016-11-28 | 2017-05-31 | 中国平安财产保险股份有限公司 | 一种智能车险的自助理赔方法、自助理赔装置及系统 |
| CN107220648A (zh) * | 2017-04-11 | 2017-09-29 | 平安科技（深圳）有限公司 | 理赔单据的字符识别方法及服务器 |
| CN107292749A (zh) * | 2017-08-04 | 2017-10-24 | 平安科技（深圳）有限公司 | 车损证件照片的分类方法、系统及可读存储介质 |
| CN107610091A (zh) * | 2017-07-31 | 2018-01-19 | 阿里巴巴集团控股有限公司 | 车险图像处理方法、装置、服务器及系统 |
| CN108986468A (zh) * | 2018-08-01 | 2018-12-11 | 平安科技（深圳）有限公司 | 交通事故的处理方法、装置、计算机设备及计算机存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6402653B2 (ja) * | 2015-03-05 | 2018-10-10 | オムロン株式会社 | 物体認識装置、物体認識方法、およびプログラム |
| CN109903172A (zh) * | 2019-01-31 | 2019-06-18 | 阿里巴巴集团控股有限公司 | 理赔信息提取方法和装置、电子设备 |
-
2019
- 2019-01-31 CN CN201910097463.7A patent/CN109903172A/zh active Pending
- 2019-09-02 TW TW108131514A patent/TWI712980B/zh active
- 2019-11-19 WO PCT/CN2019/119352 patent/WO2020155790A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160026854A1 (en) * | 2014-07-23 | 2016-01-28 | Samsung Electronics Co., Ltd. | Method and apparatus of identifying user using face recognition |
| CN106780048A (zh) * | 2016-11-28 | 2017-05-31 | 中国平安财产保险股份有限公司 | 一种智能车险的自助理赔方法、自助理赔装置及系统 |
| CN107220648A (zh) * | 2017-04-11 | 2017-09-29 | 平安科技（深圳）有限公司 | 理赔单据的字符识别方法及服务器 |
| CN107610091A (zh) * | 2017-07-31 | 2018-01-19 | 阿里巴巴集团控股有限公司 | 车险图像处理方法、装置、服务器及系统 |
| CN107292749A (zh) * | 2017-08-04 | 2017-10-24 | 平安科技（深圳）有限公司 | 车损证件照片的分类方法、系统及可读存储介质 |
| CN108986468A (zh) * | 2018-08-01 | 2018-12-11 | 平安科技（深圳）有限公司 | 交通事故的处理方法、装置、计算机设备及计算机存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020155790A1 (zh) * | 2019-01-31 | 2020-08-06 | 阿里巴巴集团控股有限公司 | 理赔信息提取方法和装置、电子设备 |
| CN111401438B (zh) * | 2020-03-13 | 2023-08-25 | 德联易控科技(北京)有限公司 | 图像分拣方法、装置及系统 |
| CN111681116A (zh) * | 2020-04-27 | 2020-09-18 | 中国平安财产保险股份有限公司 | 理赔资料核实方法、装置、设备及存储介质 |
| CN111680693A (zh) * | 2020-05-28 | 2020-09-18 | 泰康保险集团股份有限公司 | 理赔业务批量处理方法及装置 |
| CN114881671A (zh) * | 2022-05-17 | 2022-08-09 | 飞鸟鱼信息科技有限公司 | 理赔数据的处理方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| TWI712980B (zh) | 2020-12-11 |
| WO2020155790A1 (zh) | 2020-08-06 |
| TW202030683A (zh) | 2020-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109903172A (zh) | 理赔信息提取方法和装置、电子设备 | |
| CN110853033B (zh) | 基于帧间相似度的视频检测方法和装置 | |
| CN111931664A (zh) | 混贴票据图像的处理方法、装置、计算机设备及存储介质 | |
| JP6921694B2 (ja) | 監視システム | |
| CN110569856B (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
| CN110033011A (zh) | 车祸事故处理方法和装置、电子设备 | |
| CN113723288B (zh) | 基于多模态混合模型的业务数据处理方法及装置 | |
| US9633272B2 (en) | Real time object scanning using a mobile phone and cloud-based visual search engine | |
| CN110619324A (zh) | 一种行人和安全帽检测方法、装置及系统 | |
| CN109756760A (zh) | 视频标签的生成方法、装置及服务器 | |
| CN112507860A (zh) | 一种视频标注方法、装置、设备及存储介质 | |
| CN110889388A (zh) | 违章识别方法、装置、设备及存储介质 | |
| CN110705489A (zh) | 目标识别网络的训练方法、装置、计算机设备和存储介质 | |
| CN109800675A (zh) | 一种确定人脸对象的识别图像的方法及装置 | |
| CN112084812A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| CN113111880A (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
| CN112990142B (zh) | 一种基于ocr的视频导图生成方法、装置、设备及存储介质 | |
| WO2021049234A1 (ja) | 画像解析装置、制御方法、プログラム | |
| CN113486856A (zh) | 一种基于语义分割和卷积神经网络的驾驶员不规范行为检测方法 | |
| CN111739182A (zh) | 考勤方法及装置、电子设备及存储介质 | |
| EP4332910A1 (en) | Behavior detection method, electronic device, and computer readable storage medium | |
| CN115984853A (zh) | 文字识别方法及装置 | |
| CN114973271A (zh) | 一种文本信息提取方法、提取系统、电子设备及存储介质 | |
| CN113762031A (zh) | 一种图像识别方法、装置、设备及存储介质 | |
| CN109325521B (zh) | 用于虚拟人物的检测方法及装置 |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40007855 Country of ref document: HK |
|
| TA01 | Transfer of patent application right |
Effective date of registration: 20201015 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20201015 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190618 |
|
| RJ01 | Rejection of invention patent application after publication |