CN110688513B - 基于视频的农作物查勘方法、装置及计算机设备 - Google Patents
基于视频的农作物查勘方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN110688513B CN110688513B CN201910752906.1A CN201910752906A CN110688513B CN 110688513 B CN110688513 B CN 110688513B CN 201910752906 A CN201910752906 A CN 201910752906A CN 110688513 B CN110688513 B CN 110688513B
- Authority
- CN
- China
- Prior art keywords
- video
- assistance
- picture
- request
- assisting
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90344—Query processing by using string matching techniques
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Abstract
本发明公开了基于视频的农作物查勘方法、装置、计算机设备及存储介质。该方法包括:若检测到请求端发出的查勘协助请求指令,获取所述请求端的定位信息;获取与所定位信息之间的间距在预设的距离阈值之内的协助端,以组成协助端集合;若检测到请求端与协助端集合中一个协助端的视频连接成功指令,获取协助端与请求端之间的视频信息并保存;对所述视频信息进行音频提取,得到音频提取结果,通过语音识别模型获取所述音频提取结果的文本以得到识别结果;以及将所述识别结果发送至所述请求端。该方法实现了查勘定损过程中邀请专业人员在线视频以协助定损,提高了查勘定损结果的准确性以及查勘定损效率。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种基于视频的农作物查勘方法、装置及计算机设备。
背景技术
保险查勘是指通过科学、系统的专业化检查、测试与勘测手段,对投保标的进行综合分析后进行科学系统的估损定价。目前在农业领域中,农作物作为标的的保险得到了一定推广,若投保人对农作物投保后有受灾损失发生时,需要保险公司的查勘员去现场查勘定损。查勘员在查勘过程中,由于对农业领域专业性知识要求较高,导致无法独自对出险状况进行准确评估。而且查勘定损中若涉及到咨询专业人员,无法及时与专业人员实时建立联系,导致处理效率低下。
发明内容
本发明实施例提供了一种基于视频的农作物查勘方法、装置、计算机设备及存储介质,旨在解决现有技术中对农作物投保标的物查勘定损时一般是人工定损,因专业知识欠缺导致定损结果不准确,而且处理效率低下的问题。
第一方面,本发明实施例提供了一种基于视频的农作物查勘方法,其包括:
若检测到请求端发出的查勘协助请求指令,获取所述请求端的定位信息;
获取与所定位信息之间的间距在预设的距离阈值之内的协助端,以组成协助端集合;
若检测到请求端与协助端集合中一个协助端的视频连接成功指令,获取协助端与请求端之间的视频信息并保存;其中,协助端与请求端之间的视频信息包括协助端对应获取的协助端视频数据、以及请求端对应获取的请求端视频数据;所述请求端视频数据包括农作物视频信息及请求人音频数据;所述协助端视频数据包括协助端音频数据;
对所述视频信息进行音频提取,得到音频提取结果,通过语音识别模型获取所述音频提取结果的文本以得到识别结果;以及
将所述识别结果发送至所述请求端。
第二方面,本发明实施例提供了一种基于视频的农作物查勘装置,其包括:
定位获取单元,用于若检测到请求端发出的查勘协助请求指令,获取所述请求端的定位信息;
协助端集合获取单元,用于获取与所定位信息之间的间距在预设的距离阈值之内的协助端,以组成协助端集合;
视频获取单元,用于若检测到请求端与协助端集合中一个协助端的视频连接成功指令,获取协助端与请求端之间的视频信息并保存;其中,协助端与请求端之间的视频信息包括协助端对应获取的协助端视频数据、以及请求端对应获取的请求端视频数据;所述请求端视频数据包括农作物视频信息及请求人音频数据;所述协助端视频数据包括协助端音频数据;
音频识别单元,用于对所述视频信息进行音频提取,得到音频提取结果,通过语音识别模型获取所述音频提取结果的文本以得到识别结果;以及
结果发送单元,用于将所述识别结果发送至所述请求端。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的基于视频的农作物查勘方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于视频的农作物查勘方法。
本发明实施例提供了一种基于视频的农作物查勘方法、装置、计算机设备及存储介质。该方法包括若检测到请求端发出的查勘协助请求指令,获取所述请求端的定位信息;获取与所定位信息之间的间距在预设的距离阈值之内的协助端,以组成协助端集合;若检测到请求端与协助端集合中一个协助端的视频连接成功指令,获取协助端与请求端之间的视频信息并保存;对所述视频信息进行音频提取,得到音频提取结果,通过语音识别模型获取所述音频提取结果的文本以得到识别结果;以及将所述识别结果发送至所述请求端。该方法实现了查勘定损过程中邀请专业人员在线视频以协助定损,提高了查勘定损结果的准确性以及查勘定损效率。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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获得其他的附图。
图1为本发明实施例提供的基于视频的农作物查勘方法的应用场景示意图;
图2为本发明实施例提供的基于视频的农作物查勘方法的流程示意图;
图3为本发明实施例提供的基于视频的农作物查勘方法的另一流程示意图;
图4为本发明实施例提供的基于视频的农作物查勘装置的示意性框图;
图5为本发明实施例提供的基于视频的农作物查勘装置的另一示意性框图;
图6为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的基于视频的农作物查勘方法的应用场景示意图;图2为本发明实施例提供的基于视频的农作物查勘方法的流程示意图,该基于视频的农作物查勘方法应用于服务器中,该方法通过安装于服务器中的应用软件进行执行。
如图2所示,该方法包括步骤S110~S150。
S110、若检测到请求端发出的查勘协助请求指令,获取所述请求端的定位信息。
在本实施例中,用户可以向保险公司对农作物投保。农作物保险是以人工种植的各种农作物为标的的保险,包括粮食作物保险(主要承保谷类、麦类、薯类和豆类作物),经济作物保险(主要承保棉花、麻类、油类、甘蔗等糖类、烟和药用类作物),园艺作物保险(主要承保瓜果、蔬菜和花卉等作物)。农作物保险,可只承保一项风险,也可承保混合责任和一切风险责任。在保险标的上,可以是农作物收获量产值的保险(即以近三年平均常年产量的收获价值的5~7成为保险金额,由于作物受灾损失,其不足保额部分,由保险公司赔偿其差额),也可以是农作物生产成本保险(以种植作物的生产成本为保险标的,保险公司负责在种植成本费范围内对作物遭灾后的实际成本损失给予赔偿)。
当用户对指定位置(如XX农场Y号田)的农作物(如水稻)投保,例如可以设置以下规则:
a)种植的水稻因遭受保险责任范围内的自然灾害事故,但损失率在30%以下,保险人不负责赔偿。
b)实际损失率在30%(含)-70%按比例赔付,70%(含70%)以上全额赔偿。每位被保险人保险水稻地块面积小于实际种植面积时,按承保面积占实际种植面积的比例计算赔偿。
若保险公司的查勘员在接收到了被保险人的理赔请求时,需要去现场查勘定损。若该查勘员在现场查勘时无法独自对出险状况进行准确评估,可以通过视频会议的方式,邀请司内其他业务员或者司外专家来协助进行出险评估等查勘作业流程。
为了更清楚的理解技术方案,将所涉及到的终端进行详细介绍。本申请中,是站在服务器的角度来描述技术方案。
一是请求端,其为查勘员所使用的智能终端。当查勘员到达查看现场对农作物标的进行查勘时,可以点击请求端上的查勘协助虚拟按键,以触发向服务器发送查勘协助请求指令。而且在服务器反馈了协助端集合选择其中一个协助端建立连接后,即可与协助端进行在线视频以辅助农作物查勘定损。
二是服务器,用于接收请求端的查勘协助请求指令,根据请求端的定位信息反馈符合条件的协助端集合,而且在请求端与协助端建立连接后获取视频信息并保存。所保存的视频信息还可提取文本信息得到识别结果后发送至请求端,以供请求端在于协助端联系完成后回看交流记录。
三是协助端,其为农作物标的理赔领域专业人员所使用的智能终端。当协助端与请求端建立连接进行在线视频时,可以辅助查勘员现场定损,提高查看定损效率。
此时当在查勘现场的业务员手持的请求端(如智能手机,平板电脑)向服务器发出查勘协助请求指令,若服务器器检测到请求端发出的查勘协助请求指令,获取所述请求端的定位信息(定位信息为经纬度信息)。
S120、获取与所定位信息之间的间距在预设的距离阈值之内的协助端,以组成协助端集合。
在本实施例中,当服务器接收了请求端的所述查勘协助请求指令及定位信息时,为了推荐更了解此块区域的其他业务员或是在库专家,可以获取与所定位信息之间的间距在预设的距离阈值(如将距离阈值设置为30KM)之内的协助端组成的协助端集合。由于服务器能快速查询满足条件的协助端集合,提高了请求端与协助端快速建立视频连接之前所需基础数据的获取效率。
在一实施例中,步骤S120之后还包括:
获取与所述查勘协助请求对应的请求标签,并获取所述协助端集合各协助端对应的标签与所述请求标签之间的相似度;
若所述协助端集合各协助端对应的标签中存在与所述请求标签的相似度超出预设的相似度阈值的目标标签,以目标标签组成目标标签集合;
获取与所述目标标签集合对应的协助端,以得到更新后的协助端集合。
在本实施例中,由于对每一协助端设置了标签(该标签用于表示该协助端所擅长的理赔领域),当获知了请求标签后,为了更精准的对请求端推荐协助端,此时可以计算协助端集合各协助端对应的标签中与请求标签的相似度超出相似度阈值的目标标签集合,以目标标签集合对应的协助端作为更新后的协助端集合。
在一实施例中,获取所述协助端集合各协助端对应的标签与所述请求标签之间的相似度时,包括:
获取所述协助端集合各协助端对应的标签与所述请求标签之间的字符串编辑距离,以作为所述协助端集合各协助端对应的标签与所述请求标签之间的相似度。
具体的,在计算算协助端集合各协助端对应的标签中与请求标签的相似度时,可以计算两个标签之间的字符串编辑距离以作为两个标签之间的相似度。字符串编辑距离就是从一个字符串修改到另一个字符串时,其中编辑单个字符(比如修改、插入、删除)所需要的最少次数。例如,从字符串“kitten”修改为字符串“sitting”只需3次单字符编辑操作,具体如sitten(k→s)、sittin(e→i)、sittin(_→g),因此“kitten”和“sitting”的字符串编辑距离为3。
S130、若检测到请求端与协助端集合中一个协助端的视频连接成功指令,获取协助端与请求端之间的视频信息并保存;其中,协助端与请求端之间的视频信息包括协助端对应获取的协助端视频数据、以及请求端对应获取的请求端视频数据;所述请求端视频数据包括农作物视频信息及请求人音频数据;所述协助端视频数据包括协助端音频数据。
在本实施例中,若检测到请求端与协助端集合中一个协助端的视频连接成功指令时,表示请求端与选定的协作端建立了视频连接,此时服务器用于获取请求端的视频信息和协助端的视频信息。保存协助端的视频信息,是为了通过服务器这一后台对视频信息进行后续处理,例如语音识别等。
服务器在保存协助端与请求端之间的视频信息时,以请求端对应的用户ID(如查勘员的工号)、协助端对应的用户ID及当前系统时间生成一个流水号,并以该流水号为文件名称在服务器的存储区域新建文件夹,将协助端与请求端之间的视频信息保存在该新建文件夹。
为了更完整的记录请求端与协助端的视频沟通过程,可以请求端对应的用户ID、协助端对应的用户ID与当前系统时间生成流水号对应文件夹中保存请求端对应的视频数据、以及协助端对应的视频数据。当请求端后期需查看与协助端之间的视频数据或视频数据对应的音频数据时,服务器根据请求端的数据查看请求对应反馈数据,实现了对历史数据的有效保存。
S140、对所述视频信息进行音频提取,得到音频提取结果,通过语音识别模型获取所述音频提取结果的文本以得到识别结果。
在本实施例中,去除视频信息中的视频通道信息即可得到音频提成结果,此时通过语音识别模型对所述音频提取结果进行识别,得到识别结果。提取识别结果是为了确保请求端与协助端中断沟通之后,为了便于请求端得到之前视频交流过程中的详细文字信息以重温查勘方案,此时可以通过服务器对所述协助端的视频信息进行音频提取,得到音频提取结果,通过语音识别模型获取所述音频提取结果的文本,得到识别结果。
在一实施例中,步骤S140包括:
通过N-gram模型对所述音频提取结果进行识别,以得到识别结果。
在本实施例中,当通过所述N-gram模型对所述待识别语音进行进行识别,识别得到的是一整句话,例如“XX农场Y号田的损失率在30%以上”,通过N-gram模型能对所述待识别语音进行进行有效识别,得到识别概率最大的语句作为识别结果。
且在步骤S140之前还包括:
接收训练集语料库,将所述训练集语料库输入至初始N-gram模型进行训练,得到N-gram模型;其中,所述N-gram模型为N元模型。
在本实施例中,训练集语料库是通用语料库,通用语料中的词汇并未偏向于某一具体领域,而是每一领域的词汇都有涉及。通过所述训练集语料库输入至初始N-gram模型进行训练,即可得到用于语音识别的N-gram模型。
在一实施例中,如图3所示,步骤S140之后还包括:
S141、通过图像识别获取所述视频信息中存在的农作物类别,将所述农作物类别作为所述识别结果的属性标签。
在本实施例中,当服务器保存了所述视频信息后,除了可以提取视频信息中的音频提取结果的文本,还可以对所述视频信息进行图像识别,以判断所述视频信息中存在的农作物类别,将所述农作物类别作为所述识别结果的属性标签。
在一实施例中,通过图像识别获取所述视频信息中存在的农作物类别的步骤具体包括:
根据预设的起始时间点和获取时长在所述视频信息中获取目标视频段;
通过视频拆分获取所述目标视频段中的多帧图片,以组成目标图片集;
通过卷积神经网络模型对所述目标图片集中各图片进行特征提取,得到与所述目标图片集中各图片对应的图片特征向量;
将与所述图片集中各图片对应的图片特征向量均与预先构建的图片库中各图片的特征向量进行皮尔逊相似度计算,获取与所述图片集中各图片对应的图片特征向量的皮尔逊相似度大于预设相似度阈值的特征向量以作为检索结果特征向量;
获取所述检索结果特征向量在所述图片库中对应的检索结果图片及检索结果图片对应的农作物类别标签,将检索结果图片对应的农作物类别标签作为所述视频信息中存在的农作物类别。
在本实施例中,为了对视频信息进行图像识别且为了减少数据处理量,可以预先设置起始时间点(如第15秒)和获取时长(如15秒),之后在所述请求端对应的视频信息中根据起始时间点和获取时长在所述视频信息中获取目标视频段。例如,此时从所述请求端对应的视频信息中由第15秒开始获取了15秒时长的视频作为目标视频段。
之后通过视频拆分获取所述目标视频段中的多帧图片,以组成目标图片集,在获取个目标图片的图片特征向量时,先获取与每一目标图片对应的像素矩阵,然后将每一目标图片对应的像素矩阵作为卷积神经网络模型中输入层的输入,得到多个特征图,之后将特征图输入池化层,得到每一特征图对应的最大值所对应一维向量,最后将每一特征图对应的最大值所对应一维向量输入至全连接层,得到与每一目标图片对应的图片特征向量。
由于图片库中已存储的特征模板中存储了已采集的海量的人图片的特征向量,有了这些海量的特征模板为数据基础后,可以用来确定目标图片对应的农作物类别,从而实现图像识别。
S150、将所述识别结果发送至所述请求端。
在本实施例中,当服务器完成了对所述音频提取结果的文本提取,将所述识别结果发送至所述请求端,请求端对应的业务员可以根据识别结果中的查勘方案获取理赔中需要得到的重要参数,从而实现现场查勘。
该方法实现了查勘定损过程中邀请专业人员在线视频以协助定损,提高了查勘定损结果的准确性以及查勘定损效率。
本发明实施例还提供一种基于视频的农作物查勘装置,该基于视频的农作物查勘装置用于执行前述基于视频的农作物查勘方法的任一实施例。具体地,请参阅图4,图4是本发明实施例提供的基于视频的农作物查勘装置的示意性框图。该基于视频的农作物查勘装置100可以配置于服务器中。
如图4所示,基于视频的农作物查勘装置100包括定位获取单元110、协助端集合获取单元120、视频获取单元130、音频识别单元140、结果发送单元150。
定位获取单元110,用于若检测到请求端发出的查勘协助请求指令,获取所述请求端的定位信息。
在本实施例中,当用户对指定位置(如XX农场Y号田)的农作物(如水稻)投保,例如可以设置以下规则:
a)种植的水稻因遭受保险责任范围内的自然灾害事故,但损失率在30%以下,保险人不负责赔偿。
b)实际损失率在30%(含)-70%按比例赔付,70%(含70%)以上全额赔偿。每位被保险人保险水稻地块面积小于实际种植面积时,按承保面积占实际种植面积的比例计算赔偿。
若保险公司的查勘员在接收到了被保险人的理赔请求时,需要去现场查勘定损。若该查勘员在现场查勘时无法独自对出险状况进行准确评估,可以通过视频会议的方式,邀请司内其他业务员或者司外专家来协助进行出险评估等查勘作业流程。
此时当在查勘现场的业务员手持的请求端(如智能手机,平板电脑)向服务器发出查勘协助请求指令,若服务器器检测到请求端发出的查勘协助请求指令,获取所述请求端的定位信息(定位信息为经纬度信息)。
协助端集合获取单元120,用于获取与所定位信息之间的间距在预设的距离阈值之内的协助端,以组成协助端集合。
在本实施例中,当服务器接收了请求端的所述查勘协助请求指令及定位信息时,为了推荐更了解此块区域的其他业务员或是在库专家,可以获取与所定位信息之间的间距在预设的距离阈值(如将距离阈值设置为30KM)之内的协助端组成的协助端集合。由于服务器能快速查询满足条件的协助端集合,提高了请求端与协助端快速建立视频连接之前所需基础数据的获取效率。
在一实施例中,所述基于视频的农作物查勘装置100还包括:
相似度获取单元,用于获取与所述查勘协助请求对应的请求标签,并获取所述协助端集合各协助端对应的标签与所述请求标签之间的相似度;
目标标签集合获取单元,用于若所述协助端集合各协助端对应的标签中存在与所述请求标签的相似度超出预设的相似度阈值的目标标签,以目标标签组成目标标签集合;
集合更新单元,用于获取与所述目标标签集合对应的协助端,以得到更新后的协助端集合。
在本实施例中,由于对每一协助端设置了标签(该标签用于表示该协助端所擅长的理赔领域),当获知了请求标签后,为了更精准的对请求端推荐协助端,此时可以计算协助端集合各协助端对应的标签中与请求标签的相似度超出相似度阈值的目标标签集合,以目标标签集合对应的协助端作为更新后的协助端集合。
在一实施例中,所述相似度获取单元还用于:
获取所述协助端集合各协助端对应的标签与所述请求标签之间的字符串编辑距离,以作为所述协助端集合各协助端对应的标签与所述请求标签之间的相似度。
具体的,在计算算协助端集合各协助端对应的标签中与请求标签的相似度时,可以计算两个标签之间的字符串编辑距离以作为两个标签之间的相似度。字符串编辑距离就是从一个字符串修改到另一个字符串时,其中编辑单个字符(比如修改、插入、删除)所需要的最少次数。例如,从字符串“kitten”修改为字符串“sitting”只需3次单字符编辑操作,具体如sitten(k→s)、sittin(e→i)、sittin(_→g),因此“kitten”和“sitting”的字符串编辑距离为3。
视频获取单元130,用于若检测到请求端与协助端集合中一个协助端的视频连接成功指令,获取协助端与请求端之间的视频信息并保存;其中,协助端与请求端之间的视频信息包括协助端对应获取的协助端视频数据、以及请求端对应获取的请求端视频数据;所述请求端视频数据包括农作物视频信息及请求人音频数据;所述协助端视频数据包括协助端音频数据。
在本实施例中,若检测到请求端与协助端集合中一个协助端的视频连接成功指令时,表示请求端与选定的协作端建立了视频连接,此时服务器用于获取请求端的视频信息和协助端的视频信息。保存协助端的视频信息,是为了通过服务器这一后台对视频信息进行后续处理,例如语音识别等。
服务器在保存协助端与请求端之间的视频信息时,以请求端对应的用户ID(如查勘员的工号)、协助端对应的用户ID及当前系统时间生成一个流水号,并以该流水号为文件名称在服务器的存储区域新建文件夹,将协助端与请求端之间的视频信息保存在该新建文件夹。
为了更完整的记录请求端与协助端的视频沟通过程,可以请求端对应的用户ID、协助端对应的用户ID与当前系统时间生成流水号对应文件夹中保存请求端对应的视频数据、以及协助端对应的视频数据。当请求端后期需查看与协助端之间的视频数据或视频数据对应的音频数据时,服务器根据请求端的数据查看请求对应反馈数据,实现了对历史数据的有效保存。
音频识别单元140,用于对所述视频信息进行音频提取,得到音频提取结果,通过语音识别模型获取所述音频提取结果的文本以得到识别结果。
在本实施例中,去除视频信息中的视频通道信息即可得到音频提成结果,此时通过语音识别模型对所述音频提取结果进行识别,得到识别结果。提取识别结果是为了确保请求端与协助端中断沟通之后,为了便于请求端得到之前视频交流过程中的详细文字信息以重温查勘方案,此时可以通过服务器对所述协助端的视频信息进行音频提取,得到音频提取结果,通过语音识别模型获取所述音频提取结果的文本,得到识别结果。
在一实施例中,音频识别单元140还用于:
通过N-gram模型对所述音频提取结果进行识别,以得到识别结果。
在本实施例中,当通过所述N-gram模型对所述待识别语音进行进行识别,识别得到的是一整句话,例如“XX农场Y号田的损失率在30%以上”,通过N-gram模型能对所述待识别语音进行进行有效识别,得到识别概率最大的语句作为识别结果。
且所述基于视频的农作物查勘装置100还包括:
模型训练单元,用于接收训练集语料库,将所述训练集语料库输入至初始N-gram模型进行训练,得到N-gram模型;其中,所述N-gram模型为N元模型。
在本实施例中,训练集语料库是通用语料库,通用语料中的词汇并未偏向于某一具体领域,而是每一领域的词汇都有涉及。通过所述训练集语料库输入至初始N-gram模型进行训练,即可得到用于语音识别的N-gram模型。
在一实施例中,如图5所示,所述基于视频的农作物查勘装置100还包括:
农作物类别识别单元141,用于通过图像识别获取所述视频信息中存在的农作物类别,将所述农作物类别作为所述识别结果的属性标签。
在本实施例中,当服务器保存了所述视频信息后,除了可以提取视频信息中的音频提取结果的文本,还可以对所述视频信息进行图像识别,以判断所述视频信息中存在的农作物类别,将所述农作物类别作为所述识别结果的属性标签。
在一实施例中,农作物类别识别单元141,包括:
目标视频段获取单元,用于根据预设的起始时间点和获取时长在所述视频信息中获取目标视频段;
视频拆分单元,用于通过视频拆分获取所述目标视频段中的多帧图片,以组成目标图片集;
特征向量获取单元,用于通过卷积神经网络模型对所述目标图片集中各图片进行特征提取,得到与所述目标图片集中各图片对应的图片特征向量;
检索结果特征向量获取单元,用于将与所述图片集中各图片对应的图片特征向量均与预先构建的图片库中各图片的特征向量进行皮尔逊相似度计算,获取与所述图片集中各图片对应的图片特征向量的皮尔逊相似度大于预设相似度阈值的特征向量以作为检索结果特征向量;
农作物类别标签获取单元,用于获取所述检索结果特征向量在所述图片库中对应的检索结果图片及检索结果图片对应的农作物类别标签,将检索结果图片对应的农作物类别标签作为所述视频信息中存在的农作物类别。
在本实施例中,为了对视频信息进行图像识别且为了减少数据处理量,可以预先设置起始时间点(如第15秒)和获取时长(如15秒),之后在所述请求端对应的视频信息中根据起始时间点和获取时长在所述视频信息中获取目标视频段。例如,此时从所述请求端对应的视频信息中由第15秒开始获取了15秒时长的视频作为目标视频段。
之后通过视频拆分获取所述目标视频段中的多帧图片,以组成目标图片集,在获取个目标图片的图片特征向量时,先获取与每一目标图片对应的像素矩阵,然后将每一目标图片对应的像素矩阵作为卷积神经网络模型中输入层的输入,得到多个特征图,之后将特征图输入池化层,得到每一特征图对应的最大值所对应一维向量,最后将每一特征图对应的最大值所对应一维向量输入至全连接层,得到与每一目标图片对应的图片特征向量。
由于图片库中已存储的特征模板中存储了已采集的海量的人图片的特征向量,有了这些海量的特征模板为数据基础后,可以用来确定目标图片对应的农作物类别,从而实现图像识别。
结果发送单元150,用于将所述识别结果发送至所述请求端。
在本实施例中,当服务器完成了对所述音频提取结果的文本提取,将所述识别结果发送至所述请求端,请求端对应的业务员可以根据识别结果中的查勘方案获取理赔中需要得到的重要参数,从而实现现场查勘。
该装置实现了查勘定损过程中邀请专业人员在线视频以协助定损,提高了查勘定损结果的准确性以及查勘定损效率。
上述基于视频的农作物查勘装置可以实现为计算机程序的形式,该计算机程序可以在如图6所示的计算机设备上运行。
请参阅图6,图6是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图6,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行基于视频的农作物查勘方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行基于视频的农作物查勘方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图6中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现本发明实施例中基于视频的农作物查勘方法。
本领域技术人员可以理解,图6中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图6所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现本发明实施例中基于视频的农作物查勘方法。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于视频的农作物查勘方法,其特征在于,包括:
若检测到请求端发出的查勘协助请求指令,获取所述请求端的定位信息;
获取与所定位信息之间的间距在预设的距离阈值之内的协助端,以组成协助端集合;
若检测到请求端与协助端集合中一个协助端的视频连接成功指令,获取协助端与请求端之间的视频信息并保存;其中,协助端与请求端之间的视频信息包括协助端对应获取的协助端视频数据、以及请求端对应获取的请求端视频数据;所述请求端视频数据包括农作物视频信息及请求人音频数据;所述协助端视频数据包括协助端音频数据;
对所述视频信息进行音频提取,得到音频提取结果,通过语音识别模型获取所述音频提取结果的文本以得到识别结果;以及
将所述识别结果发送至所述请求端;
所述对所述视频信息进行音频提取,得到音频提取结果,通过语音识别模型获取所述音频提取结果的文本以得到识别结果之后,还包括:
通过图像识别获取所述视频信息中存在的农作物类别,将所述农作物类别作为所述识别结果的属性标签;
所述通过图像识别获取所述视频信息中存在的农作物类别,包括:
根据预设的起始时间点和获取时长在所述视频信息中获取目标视频段;
通过视频拆分获取所述目标视频段中的多帧图片,以组成目标图片集;
通过卷积神经网络模型对所述目标图片集中各图片进行特征提取,得到与所述目标图片集中各图片对应的图片特征向量;
将与所述图片集中各图片对应的图片特征向量均与预先构建的图片库中各图片的特征向量进行皮尔逊相似度计算,获取与所述图片集中各图片对应的图片特征向量的皮尔逊相似度大于预设相似度阈值的特征向量以作为检索结果特征向量;
获取所述检索结果特征向量在所述图片库中对应的检索结果图片及检索结果图片对应的农作物类别标签,将检索结果图片对应的农作物类别标签作为所述视频信息中存在的农作物类别。
2.根据权利要求1所述的基于视频的农作物查勘方法,其特征在于,所述获取与所定位信息之间的间距在预设的距离阈值之内的协助端,以组成协助端集合之后,还包括:
获取与所述查勘协助请求对应的请求标签,并获取所述协助端集合各协助端对应的标签与所述请求标签之间的相似度;
若所述协助端集合各协助端对应的标签中存在与所述请求标签的相似度超出预设的相似度阈值的目标标签,以目标标签组成目标标签集合;
获取与所述目标标签集合对应的协助端,以得到更新后的协助端集合。
3.根据权利要求2所述的基于视频的农作物查勘方法,其特征在于,所述获取所述协助端集合各协助端对应的标签与所述请求标签之间的相似度,包括:
获取所述协助端集合各协助端对应的标签与所述请求标签之间的字符串编辑距离,以作为所述协助端集合各协助端对应的标签与所述请求标签之间的相似度。
4.根据权利要求1所述的基于视频的农作物查勘方法,其特征在于,所述通过语音识别模型获取所述音频提取结果的文本以得到识别结果,包括:
通过N-gram模型对所述音频提取结果进行识别,以得到识别结果;
所述对所述视频信息进行音频提取,得到音频提取结果,通过语音识别模型获取所述音频提取结果的文本以得到识别结果之前,还包括:
接收训练集语料库,将所述训练集语料库输入至初始N-gram模型进行训练,得到N-gram模型;其中,所述N-gram模型为N元模型。
5.一种基于视频的农作物查勘装置,其特征在于,包括:
定位获取单元,用于若检测到请求端发出的查勘协助请求指令,获取所述请求端的定位信息;
协助端集合获取单元,用于获取与所定位信息之间的间距在预设的距离阈值之内的协助端,以组成协助端集合;
视频获取单元,用于若检测到请求端与协助端集合中一个协助端的视频连接成功指令,获取协助端与请求端之间的视频信息并保存;其中,协助端与请求端之间的视频信息包括协助端对应获取的协助端视频数据、以及请求端对应获取的请求端视频数据;所述请求端视频数据包括农作物视频信息及请求人音频数据;所述协助端视频数据包括协助端音频数据;
音频识别单元,用于对所述视频信息进行音频提取,得到音频提取结果,通过语音识别模型获取所述音频提取结果的文本以得到识别结果;以及
结果发送单元,用于将所述识别结果发送至所述请求端;
所述对所述视频信息进行音频提取,得到音频提取结果,通过语音识别模型获取所述音频提取结果的文本以得到识别结果之后,还包括:
通过图像识别获取所述视频信息中存在的农作物类别,将所述农作物类别作为所述识别结果的属性标签;
所述通过图像识别获取所述视频信息中存在的农作物类别,包括:
根据预设的起始时间点和获取时长在所述视频信息中获取目标视频段;
通过视频拆分获取所述目标视频段中的多帧图片,以组成目标图片集;
通过卷积神经网络模型对所述目标图片集中各图片进行特征提取,得到与所述目标图片集中各图片对应的图片特征向量;
将与所述图片集中各图片对应的图片特征向量均与预先构建的图片库中各图片的特征向量进行皮尔逊相似度计算,获取与所述图片集中各图片对应的图片特征向量的皮尔逊相似度大于预设相似度阈值的特征向量以作为检索结果特征向量;
获取所述检索结果特征向量在所述图片库中对应的检索结果图片及检索结果图片对应的农作物类别标签,将检索结果图片对应的农作物类别标签作为所述视频信息中存在的农作物类别。
6.根据权利要求5所述的基于视频的农作物查勘装置,其特征在于,还包括:
相似度获取单元,用于获取与所述查勘协助请求对应的请求标签,并获取所述协助端集合各协助端对应的标签与所述请求标签之间的相似度;
目标标签集合获取单元,用于若所述协助端集合各协助端对应的标签中存在与所述请求标签的相似度超出预设的相似度阈值的目标标签,以目标标签组成目标标签集合;
集合更新单元,用于获取与所述目标标签集合对应的协助端,以得到更新后的协助端集合。
7.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的基于视频的农作物查勘方法。
8.一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计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至4任一项所述的基于视频的农作物查勘方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910752906.1A CN110688513B (zh) | 2019-08-15 | 2019-08-15 | 基于视频的农作物查勘方法、装置及计算机设备 |
PCT/CN2019/118245 WO2021027156A1 (zh) | 2019-08-15 | 2019-11-14 | 基于视频的农作物查勘方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910752906.1A CN110688513B (zh) | 2019-08-15 | 2019-08-15 | 基于视频的农作物查勘方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110688513A CN110688513A (zh) | 2020-01-14 |
CN110688513B true CN110688513B (zh) | 2023-08-18 |
Family
ID=69108260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910752906.1A Active CN110688513B (zh) | 2019-08-15 | 2019-08-15 | 基于视频的农作物查勘方法、装置及计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110688513B (zh) |
WO (1) | WO2021027156A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111698446B (zh) * | 2020-05-26 | 2021-09-21 | 上海智勘科技有限公司 | 在实时视频中同时进行文本信息传输的方法 |
CN113689430B (zh) * | 2021-10-26 | 2022-02-15 | 紫东信息科技(苏州)有限公司 | 肠镜检查状态监测的图像处理方法与装置 |
CN115311103B (zh) * | 2022-09-29 | 2022-12-30 | 中国太平洋财产保险股份有限公司四川分公司 | 一种风险评估系统和方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105898214A (zh) * | 2016-03-24 | 2016-08-24 | 北京农业信息技术研究中心 | 现场查勘装置、现场查勘确认的方法及服务器 |
CN106303426A (zh) * | 2016-08-17 | 2017-01-04 | 苏州华兴源创电子科技有限公司 | 一种车辆远程定损方法及系统 |
KR20170084790A (ko) * | 2016-01-13 | 2017-07-21 | 주식회사 테크인모션 | 음성 인식 기반의 건강 관리 앱을 실행하는 이동통신 단말기 및 그 동작 방법 |
CN107169018A (zh) * | 2017-04-06 | 2017-09-15 | 河南云保遥感科技有限公司 | 一种农业保险查勘、定损系统及其实现方法 |
CN107833141A (zh) * | 2017-11-27 | 2018-03-23 | 无锡同春新能源科技有限公司 | 基于北斗导航的无人机测定山药田水灾的保险理赔系统 |
CN107909492A (zh) * | 2017-11-30 | 2018-04-13 | 河南云保遥感科技有限公司 | 一种利用机器学习技术的农业保险查勘定损方法 |
CN108053325A (zh) * | 2017-11-30 | 2018-05-18 | 河南云保遥感科技有限公司 | 一种基于农作物遥感技术的农业保险定损方法 |
WO2018196837A1 (zh) * | 2017-04-28 | 2018-11-01 | 阿里巴巴集团控股有限公司 | 车辆定损图像获取方法、装置、服务器和终端设备 |
CN108769624A (zh) * | 2018-07-09 | 2018-11-06 | 北京精友世纪软件技术有限公司 | 一种智能车险移动视频查勘系统 |
CN109859055A (zh) * | 2018-12-13 | 2019-06-07 | 中国平安财产保险股份有限公司 | 保费计算方法、装置、计算机设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8688483B2 (en) * | 2013-05-17 | 2014-04-01 | Watts And Associates, Inc. | Systems, computer-implemented methods, and computer medium to determine premiums and indemnities for supplemental crop insurance |
US10062119B2 (en) * | 2014-08-25 | 2018-08-28 | David P. Groeneveld | Method for automated crop insurance loss adjusting for prevented planting conditions |
CN104866956B (zh) * | 2015-05-12 | 2019-03-15 | 集时通(福建)信息科技有限公司 | 应用于养殖业和种植业的现场勘险信息获取辅助管理系统 |
-
2019
- 2019-08-15 CN CN201910752906.1A patent/CN110688513B/zh active Active
- 2019-11-14 WO PCT/CN2019/118245 patent/WO2021027156A1/zh active Application Filing
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170084790A (ko) * | 2016-01-13 | 2017-07-21 | 주식회사 테크인모션 | 음성 인식 기반의 건강 관리 앱을 실행하는 이동통신 단말기 및 그 동작 방법 |
CN105898214A (zh) * | 2016-03-24 | 2016-08-24 | 北京农业信息技术研究中心 | 现场查勘装置、现场查勘确认的方法及服务器 |
CN106303426A (zh) * | 2016-08-17 | 2017-01-04 | 苏州华兴源创电子科技有限公司 | 一种车辆远程定损方法及系统 |
CN107169018A (zh) * | 2017-04-06 | 2017-09-15 | 河南云保遥感科技有限公司 | 一种农业保险查勘、定损系统及其实现方法 |
WO2018196837A1 (zh) * | 2017-04-28 | 2018-11-01 | 阿里巴巴集团控股有限公司 | 车辆定损图像获取方法、装置、服务器和终端设备 |
CN107833141A (zh) * | 2017-11-27 | 2018-03-23 | 无锡同春新能源科技有限公司 | 基于北斗导航的无人机测定山药田水灾的保险理赔系统 |
CN107909492A (zh) * | 2017-11-30 | 2018-04-13 | 河南云保遥感科技有限公司 | 一种利用机器学习技术的农业保险查勘定损方法 |
CN108053325A (zh) * | 2017-11-30 | 2018-05-18 | 河南云保遥感科技有限公司 | 一种基于农作物遥感技术的农业保险定损方法 |
CN108769624A (zh) * | 2018-07-09 | 2018-11-06 | 北京精友世纪软件技术有限公司 | 一种智能车险移动视频查勘系统 |
CN109859055A (zh) * | 2018-12-13 | 2019-06-07 | 中国平安财产保险股份有限公司 | 保费计算方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
新技术在种植险灾害查勘定损中的应用;陈健旺;;中国保险(第01期);第52-56页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110688513A (zh) | 2020-01-14 |
WO2021027156A1 (zh) | 2021-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110688513B (zh) | 基于视频的农作物查勘方法、装置及计算机设备 | |
US11328798B2 (en) | Utilizing multiple sub-models via a multi-model medical scan analysis system | |
US20210407083A1 (en) | System to collect and identify medical conditions from images and expert knowledge | |
AU2021202521A1 (en) | Dynamic search and retrieval of questions | |
US11195128B2 (en) | Systems and methods for estimating healthcare resource demand | |
EP3547327A1 (en) | Feature engineering method, apparatus and system | |
CN112035611B (zh) | 目标用户推荐方法、装置、计算机设备和存储介质 | |
US20190332621A1 (en) | Personnel selecting device, personnel selecting system, personnel selecting method, and recording medium | |
JP2018536937A (ja) | プッシュ情報粗選択ソーティングの方法、デバイス、およびコンピュータ記憶媒体 | |
CN110738511A (zh) | 智能客服方法及装置 | |
US10296924B2 (en) | Document performance indicators based on referral context | |
CN115862868A (zh) | 心理测评系统、平台、电子设备及存储介质 | |
US20200321082A1 (en) | Confidence evaluation to measure trust in behavioral health survey results | |
CN113780048A (zh) | 植物防治方法和装置 | |
CN112328771A (zh) | 服务信息输出方法、装置、服务器及存储介质 | |
CN116504401A (zh) | 一种智能体检项目推荐方法和装置 | |
CN114579867A (zh) | 资源推荐的方法和装置、电子设备和存储介质 | |
Hodgson et al. | A comparison of the accuracy of mushroom identification applications using digital photographs | |
Yin et al. | A diagnosis and prescription system to automatically diagnose pests | |
Al-Hakeem et al. | Generalized exponential distribution with interval-censored data and time dependent covariate | |
US20230083143A1 (en) | System for providing health information through customized search that reflects individual health conditions, and operation method thereof | |
US20200321128A1 (en) | Data processing device, data processing method and non-transitory storage medium storing data processing program | |
US20230178070A1 (en) | Characterization via homologizing disparate speech terminology | |
EP2685407A1 (en) | Computer system, method and program to quantify quality of service provision | |
CN115203473A (zh) | 从视频中提取结构化数据 |
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 |