CN111401438B - 图像分拣方法、装置及系统 - Google Patents

图像分拣方法、装置及系统 Download PDF

Info

Publication number
CN111401438B
CN111401438B CN202010177781.7A CN202010177781A CN111401438B CN 111401438 B CN111401438 B CN 111401438B CN 202010177781 A CN202010177781 A CN 202010177781A CN 111401438 B CN111401438 B CN 111401438B
Authority
CN
China
Prior art keywords
image
type
images
types
type list
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010177781.7A
Other languages
English (en)
Other versions
CN111401438A (zh
Inventor
王晓春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Delian Yikong Technology Beijing Co ltd
Original Assignee
Delian Yikong Technology Beijing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Delian Yikong Technology Beijing Co ltd filed Critical Delian Yikong Technology Beijing Co ltd
Priority to CN202010177781.7A priority Critical patent/CN111401438B/zh
Publication of CN111401438A publication Critical patent/CN111401438A/zh
Application granted granted Critical
Publication of CN111401438B publication Critical patent/CN111401438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • 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
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Finance (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像分拣方法、装置及系统。其中，该方法包括：获取与车险案件关联的第一图像集合；将第一图像集合输入至机器学习模型进行分析，得到第一图像集合中各个图像的类型，并为第一图像集合中的各个图像分配用于指示各个图像的类型的标签；将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置。本发明解决了由于现有技术中人工分拣照片造成的操作繁琐、耗费时间、效率低小、失误率高的的技术问题。

Description

图像分拣方法、装置及系统
技术领域
本发明涉及图像识别领域，具体而言，涉及一种图像分拣方法、装置及系统。
背景技术
案件处理的时效性是监管机构的硬性要求，目前，在对车险案件进行处理时，通常依赖于保险公司从业人员手动分拣车险案件的照片，但这种分拣方式，由于操作环节要人工对照片进行分类上传，故而存在案件处理耗费时间，效率低小，且容易出错的技术问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种图像分拣方法、装置及系统，以至少解决由于现有技术中人工分拣照片造成的操作繁琐、耗费时间、效率低小、失误率高的的技术问题。
根据本发明实施例的一个方面，提供了一种图像分拣方法，包括：获取与车险案件关联的第一图像集合；将第一图像集合输入至机器学习模型进行分析，得到第一图像集合中各个图像的类型，并为第一图像集合中的各个图像分配用于指示各个图像的类型的标签；将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置。
可选地，获取与车险案件关联的第一图像集合，包括：获取目标对象的身份信息；在身份信息通过验证时，接收目标对象上传的图像，并将目标对象上传的图像存储至第一图像集合中。
可选地，将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置之前，方法还包括：确定与车险案件对应的第一图像类型列表；统计第一图像集合中各个图像的图像类型，得到第二图像类型列表；比较第一图像类型列表和第二图像类型列表，得到比较结果；依据比较结果确定是否将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置。
可选地，依据比较结果确定是否将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置，包括：在比较结果指示第一图像类别列表与第二图像类型列表不一致时，确定暂停将第一图像集合的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置；在比较结果指示第一图像类别列表与第二图像类型列表一致时，确定允许将第一图像集合的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置。
可选地，确定暂停将第一图像集合的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置之后，方法还包括：在比较结果指示第二图像类型列表中的图像类型为第一图像类型列表中的部分图像类型时，生成第一提示信息，该第一提示信息用于提示继续采集与车险案件关联的图像；在比较结果指示第二图像类型列表中的图像类型包含第一图像类型列表中的全部图像类型，且存在与第一图像类型列表中不存在的指定图像类型时，生成第二提示信息，该第二提示信息用于提示是否保留与指定图像类型对应的图像。
可选地，在生成第二提示信息之后，方法还包括：接收来自目标对象的确认指令；在确认指令为删除指定图像类型的图像时，则从第一图像集合中删除指定类型的图像，并将删除指定类型的图像后的第一图像集合中的各个图像分别推送至相应的存储位置；在确认指令为保留指定图像类型的图像时，则继续将第一图像集合中的各个图像分别推送至相应的存储位置。
可选地，将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置，包括：将各个图像以及各个图像对应的分类标签存储至用于对车险案件进行评定的服务器中。
可选地，将第一图像集合输入至机器学习模型进行分析，得到第一图像集合中各个图像的类型之后，方法还包括：确定各个图像的类型的准确率；在准确率小于预设阈值时，调整机器学习模型的模型参数。
可选地，各个图像的类型包括以下至少之一：身份证、驾驶证、车损照片、人伤照片、物损照、现场照、单据图像。
根据本发明实施例的另一方面.还提供了一种数据展示方法，包括：展示获取的与车险案件关联的第一图像集合；展示将第一图像集合输入至机器学习模型进行分析，得到的第一图像集合中各个图像的类型，以及展示为第一图像集合中的各个图像分配的用于指示各个图像的类型的标签；展示第一图像集合中的各个图像以及与各个图像对应的分类标签各自所在的存储位置。
根据本发明实施例的另一方面，还提供了一种图像分拣装置，包括：获取模块，用于获取与车险案件关联的第一图像集合；分析模块，用于将第一图像集合输入至机器学习模型进行分析，得到第一图像集合中各个图像的类型，并为第一图像集合中的各个图像分配用于指示各个图像的类型的标签；存储模块，用于将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置。
根据本发明实施例的另一方面，还提供了一种图像分拣系统，包括：图像采集装置，用于采集与车险案件关联的图像，得到第一图像集合，并将第一图像集合上传至网络侧设备；网络侧设备，用于将第一图像集合输入至机器学习模型进行分析，得到第一图像集合中各个图像的类型，并为第一图像集合中的各个图像分配用于指示各个图像的类型的标签；以及将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行任一种图像分拣方法。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行存储在与处理器连接的存储器中的程序，其中，程序运行时执行任一种图像分拣方法。
在本发明实施例中，采用深度学习模型的方式，通过获取与车险案件关联的第一图像集合；将第一图像集合输入至机器学习模型进行分析，得到第一图像集合中各个图像的类型，并为第一图像集合中的各个图像分配用于指示各个图像的类型的标签，达到了将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置的目的，从而实现了自动分拣照片的技术效果，进而解决了由于现有技术中人工分拣照片造成的操作繁琐、耗费时间、效率低小、失误率高的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1a是根据本发明实施例的一种图像分拣方法的流程示意图；
图1b是根据本发明一种可选的实施例的图像分拣方法的CE案件照片分类模型示意图；
图1c是根据本发明一种可选的实施例的图像分拣方法的CE案件照片分类模型配置结构示意图；
图2是根据本发明实施例的一种数据展示方法的流程示意图；
图3是根据本发明实施例的一种图像分拣装置的结构示意图；
图4是根据本发明实施例的一种图像分拣系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种图像分拣方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1a是根据本发明实施例的一种图像分拣方法，如图1a所示，该方法包括如下步骤：
步骤S102，获取与车险案件关联的第一图像集合；
步骤S104,将第一图像集合输入至机器学习模型进行分析，得到第一图像集合中各个图像的类型，并为第一图像集合中的各个图像分配用于指示各个图像的类型的标签；
步骤S106，将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置。
本申请的一些实施例中，首先，获取与车险案件关联的第一图像集合；然后,将第一图像集合输入至机器学习模型进行分析，得到第一图像集合中各个图像的类型，并为第一图像集合中的各个图像分配用于指示各个图像的类型的标签；最后，将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置，达到了了自动分拣照片目的，进而解决了由于现有技术中人工分拣照片造成的操作繁琐、耗费时间、效率低小、失误率高的技术问题。
在上述实施例中，机器学习模型是通过多组数据训练得到的，其中，多组数据中的每组数据包括：样本图像以及用于标记该样本图像的类型的标签。
图1b是根据本发明一种可选的实施例的图像分拣方法的CE案件照片分类模型示意图，如图1b所示，该实施例的AI图片识别模型运用卷积神经网络算法，对输入的车辆的案件数据(X1、X2、X3…XN)通过多层(比如，大于四层)的卷积操作、池化操作来提取特征，得到一个高质量的特征图片，将其输入至全连接层进行分类处理，得到按照所训练的标准类别的分类结果。
图1c是根据本发明一种可选的实施例的图像分拣方法的CE案件照片分类模型配置结构示意图，该模型主要由数据处理、模型训练、算法配置、模型API四部分组成，其中，数据处理部分用于对输入的数据，进行数据集打标、清洗、放大和拆分，得到训练集、验证集、测试集；然后通过训练集和测试集对机器学习模型进行训练，可以先进行手动训练，比如，进行特征选择，通过训练集进行模型训练，通过测试集进行模型测试，然后进行模型评估，然后，再进行自动训练，比如，进行特征选择，通过训练集进行模型训练，通过测试集进行模型测试，然后进行模型评估，其中，配置的算法可以是算法参数配置文件、TensorFlow、Keras等，其中，在自动训练的模型评估结果可进行可用度低改进算法并进行迭代处理，在模型训练后，在模型上线时，可以形成模型调用接口API，该模型可以包括GPI集群和高性能计算HPC集群。
本申请一种可选的实施例中，获取与车险案件关联的第一图像集合，可以先获取目标对象的身份信息；然后在身份信息通过验证时，接收目标对象上传的图像，并将目标对象上传的图像存储至第一图像集合中。
本申请的一些实施例中，将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置之前，方法还包括：确定与车险案件对应的第一图像类型列表，在本申请实施例中，车险案件对应的第一图像类型列表可以包括以下13种图像类型，其可以是身份证、驾驶证、行驶证、银行卡、公司定制的标准化单据、发票类单据(国家统一标准)、其它文档类、VIN照片、现场照、车损照、人伤照、物损照、其它非文档照；统计第一图像集合中各个图像的图像类型，得到第二图像类型列表，即就是对获取到的与车险案件相关联的第一图像集合的各个图像的图像进行统计，；比较第一图像类型列表和第二图像类型列表中的图像类型，得到比较结果；根据上述的比较结果确定是否将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置。
本申请的一些实施例中，依据比较结果确定是否将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置，可以包括两种情况，第一种情况，在比较结果指示第一图像类别列表与第二图像类型列表不一致时，确定暂停将第一图像集合的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置；例如，第一图像类别列表中的图像为身份证、驾驶证以及行驶证这三种类型，而在第二图像类型仅为身份证，确定暂停将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置；第二种情况，在比较结果指示第一图像类别列表与第二图像类型列表一致时，确定允许将第一图像集合的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置。
本申请一种可选的实施例中，确定暂停将第一图像集合的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置之后：如果比较结果指示第二图像类型列表中的图像类型为第一图像类型列表中的部分图像类型时，生成第一提示信息，该第一提示信息用于提示继续采集与车险案件关联的图像，例如，第二图像类型列表中的图像类型仅为身份证，而第一图像类型列表中包括身份证、驾驶证、行驶证、银行卡、公司定制的标准化单据、发票类单据(国家统一标准)、其它文档类、VIN照片、现场照、车损照、人伤照、物损照、其它非文档照这13种类型时，则继续采集与车险案件关联的其他图像，例如，驾驶证、车损照等；如果比较结果指示第二图像类型列表中的图像类型包含第一图像类型列表中的全部图像类型，且存在与第一图像类型列表中不存在的指定图像类型时，例如，第二图像类型列表中的图像类型包括上述第一图像类型列表的全部13种类型之外，其类型列表还包括时间信息，比如从视频监控中抓拍到的事故发生的时间等，此时，则需要生成第二提示信息，该第二提示信息用于提示是否保留与指定图像类型对应的图像，即是否将抓拍到的时间信息对应图像保留。
本申请的一些实施例中，在生成第二提示信息之后，可以接收来自目标对象的确认指令；如果确认指令为删除指定图像类型的图像时，则从第一图像集合中删除指定类型的图像，并将删除指定类型的图像后的第一图像集合中的各个图像分别推送至相应的存储位置，比如将上述实施例中抓拍到的时间信息对应图像删除；如果确认指令为保留指定图像类型的图像时，则继续将第一图像集合中的各个图像分别推送至相应的存储位置。
本申请一种可选的实施例中，在将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置，包括进一步地将各个图像以及各个图像对应的分类标签存储至用于对车险案件进行评定的服务器中。
需要说明的是，上述服务器不限于对车险案件进行评定，事故的赔偿金额认定等。
本申请一种可选的实施例中，将第一图像集合输入至机器学习模型进行分析，得到第一图像集合中各个图像的类型之后，方法还包括：确定各个图像的类型的准确率；在准确率小于预设阈值时，调整机器学习模型的模型参数，需要说明的是，模型参数就是模型内部的配置变量，可以用数据估计它的值，通常使用优化算法可以估计模型参数。
本申请的一些实施例中，各个图像的类型可以包括以下至少之一：身份证、驾驶证、车损照片、人伤照片、物损照、现场照、单据图像等。
图2是根据本发明实施的一种数据展示方法，如图2所示，该方法包括如下步骤：
步骤S202，展示获取的与车险案件关联的第一图像集合；
步骤S204，展示将第一图像集合输入至机器学习模型进行分析，得到的第一图像集合中各个图像的类型，以及展示为第一图像集合中的各个图像分配的用于指示各个图像的类型的标签；
步骤S206，展示第一图像集合中的各个图像以及与各个图像对应的分类标签各自所在的存储位置。
该数据的展示方法中，首先，展示获取的与车险案件关联的第一图像集合，其次，展示将第一图像集合输入至机器学习模型进行分析，得到的第一图像集合中各个图像的类型，以及展示为第一图像集合中的各个图像分配的用于指示各个图像的类型的标签，最后，展示第一图像集合中的各个图像以及与各个图像对应的分类标签各自所在的存储位置，达到了了自动分拣照片目的，进而解决了由于现有技术中人工分拣照片造成的操作繁琐、耗费时间、效率低小、失误率高的技术问题。
本申请一种可选的实施例中，展示获取与车险案件关联的第一图像集合，可以先获取目标对象的身份信息；然后在身份信息通过验证时，接收目标对象上传的图像，并将目标对象上传的图像存储至第一图像集合中。
本申请的一些实施例中，展示第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置之前，方法还包括：确定与车险案件对应的第一图像类型列表，在本申请实施例中，车险案件对应的第一图像类型列表可以包括以下13种图像类型，其可以是身份证、驾驶证、行驶证、银行卡、公司定制的标准化单据、发票类单据(国家统一标准)、其它文档类、VIN照片、现场照、车损照、人伤照、物损照、其它非文档照；统计第一图像集合中各个图像的图像类型，得到第二图像类型列表，即就是对获取到的与车险案件相关联的第一图像集合的各个图像的图像进行统计；比较第一图像类型列表和第二图像类型列表中的图像类型，得到比较结果；根据上述的比较结果确定是否将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置。
本申请的一些实施例中，依据比较结果确定是否将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置，可以包括两种情况，第一种情况，在比较结果指示第一图像类别列表与第二图像类型列表不一致时，确定暂停将第一图像集合的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置；例如，第一图像类别列表中的图像为身份证、驾驶证以及行驶证这三种类型，而在第二图像类型仅为身份证，确定暂停将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置；第二种情况，在比较结果指示第一图像类别列表与第二图像类型列表一致时，确定允许将第一图像集合的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置。
本申请一种可选的实施例中，确定暂停将第一图像集合的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置之后：如果比较结果指示第二图像类型列表中的图像类型为第一图像类型列表中的部分图像类型时，生成第一提示信息，该第一提示信息用于提示继续采集与车险案件关联的图像，例如，第二图像类型列表中的图像类型仅为身份证，而第一图像类型列表中包括身份证、驾驶证、行驶证、银行卡、公司定制的标准化单据、发票类单据(国家统一标准)、其它文档类、VIN照片、现场照、车损照、人伤照、物损照、其它非文档照这13种类型时，则继续采集与车险案件关联的其他图像，例如，驾驶证、车损照等；如果比较结果指示第二图像类型列表中的图像类型包含第一图像类型列表中的全部图像类型，且存在与第一图像类型列表中不存在的指定图像类型时，例如，第二图像类型列表中的图像类型包括上述第一图像类型列表的全部13种类型之外，其类型列表还包括时间信息，比如从视频监控中抓拍到的事故发生的时间等，此时，则需要生成第二提示信息，该第二提示信息用于提示是否保留与指定图像类型对应的图像，即是否将抓拍到的时间信息对应图像保留。
本申请的一些实施例中，在生成第二提示信息之后，可以接收来自目标对象的确认指令；如果确认指令为删除指定图像类型的图像时，则从第一图像集合中删除指定类型的图像，并将删除指定类型的图像后的第一图像集合中的各个图像分别推送至相应的存储位置，比如将上述实施例中抓拍到的时间信息对应图像删除；如果确认指令为保留指定图像类型的图像时，则继续将第一图像集合中的各个图像分别推送至相应的存储位置。
本申请一种可选的实施例中，展示第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置，包括进一步地将各个图像以及各个图像对应的分类标签存储至用于对车险案件进行评定的服务器中。
需要说明的是，上述服务器不限于对车险案件进行评定，事故的赔偿金额认定等。
图3是根据本发明实施例的一种图像分拣装置，如图3所示，该装置包括：
获取模块30，用于获取与车险案件关联的第一图像集合；
分析模块32，用于将第一图像集合输入至机器学习模型进行分析，得到第一图像集合中各个图像的类型，并为第一图像集合中的各个图像分配用于指示各个图像的类型的标签；
存储模块34，用于将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置。
该装置包括获取模块、分析模块、存储模块，其中，获取模块，用于获取与车险案件关联的第一图像集合；分析模块，用于将第一图像集合输入至机器学习模型进行分析，得到第一图像集合中各个图像的类型，并为第一图像集合中的各个图像分配用于指示各个图像的类型的标签；存储模块，用于将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置。该装置达到了了自动分拣照片目的，进而解决了由于现有技术中人工分拣照片造成的操作繁琐、耗费时间、效率低小、失误率高的技术问题。
图4是根据本发明实施例的一种图像分拣系统，如图4所示，该系统包括：
图像采集装置40，用于采集与车险案件关联的图像，得到第一图像集合，并将第一图像集合上传至网络侧设备；
网络侧设备42，用于将第一图像集合输入至机器学习模型进行分析，得到第一图像集合中各个图像的类型，并为第一图像集合中的各个图像分配用于指示各个图像的类型的标签；以及将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置。
该系统包括图像采集装置、网络侧设备，其中，图像采集装置用于采集与车险案件关联的图像，得到第一图像集合，并将第一图像集合上传至网络侧设备；网络侧设备用于将第一图像集合输入至机器学习模型进行分析，得到第一图像集合中各个图像的类型，并为第一图像集合中的各个图像分配用于指示各个图像的类型的标签；以及将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置，该系统达到了了自动分拣照片目的，进而解决了由于现有技术中人工分拣照片造成的操作繁琐、耗费时间、效率低小、失误率高的技术问题。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行任一种图像分拣方法。
具体地，上述存储介质用于存储执行以下功能的程序指令，实现以下功能：
获取与车险案件关联的第一图像集合；将第一图像集合输入至机器学习模型进行分析，得到第一图像集合中各个图像的类型，并为第一图像集合中的各个图像分配用于指示各个图像的类型的标签；将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行存储在与处理器连接的存储器中的程序，其中，程序运行时执行任一种图像分拣方法。
具体地，上述处理器用于调用存储器中的程序指令，实现以下功能：
获取与车险案件关联的第一图像集合；将第一图像集合输入至机器学习模型进行分析，得到第一图像集合中各个图像的类型，并为第一图像集合中的各个图像分配用于指示各个图像的类型的标签；将第一图像集合中的各个图像以及与各个图像对应的分类标签分别推送至与类型对应的存储位置。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，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。另一点，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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，可以存储在一个计算机可读取存储介质中。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(可为个人计算机、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、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种图像分拣方法，其特征在于，包括：
获取与车险案件关联的第一图像集合；
将所述第一图像集合输入至机器学习模型进行分析，得到所述第一图像集合中各个图像的类型，并为所述第一图像集合中的各个图像分配用于指示所述各个图像的类型的标签；
将所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置，在将所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置之前，还包括：确定与所述车险案件对应的第一图像类型列表；统计所述第一图像集合中各个图像的图像类型，得到第二图像类型列表；比较所述第一图像类型列表和第二图像类型列表，得到比较结果；依据所述比较结果确定是否将所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置；其中，依据所述比较结果确定是否将所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置，包括：在所述比较结果指示所述第一图像类型列表与所述第二图像类型列表不一致时，确定暂停将所述第一图像集合的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置，在所述比较结果指示所述第二图像类型列表中的图像类型为所述第一图像类型列表中的部分图像类型时，生成第一提示信息，该第一提示信息用于提示继续采集与所述车险案件关联的图像；在所述比较结果指示所述第二图像类型列表中的图像类型包含所述第一图像类型列表中的全部图像类型，且存在与所述第一图像类型列表中不存在的指定图像类型时，生成第二提示信息，该第二提示信息用于提示是否保留与所述指定图像类型对应的图像。
2.根据权利要求1所述的方法，其特征在于，获取与车险案件关联的第一图像集合，包括：
获取目标对象的身份信息；
在所述身份信息通过验证时，接收所述目标对象上传的图像，并将所述目标对象上传的图像存储至所述第一图像集合中。
3.根据权利要求1所述的方法，其特征在于，依据所述比较结果确定是否将所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置，包括：
在所述比较结果指示所述第一图像类型列表与所述第二图像类型列表一致时，确定允许将所述第一图像集合的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置。
4.根据权利要求1所述的方法，其特征在于，在生成所述第二提示信息之后，所述方法还包括：
接收来自目标对象的确认指令；
在所述确认指令为删除所述指定图像类型的图像时，则从所述第一图像集合中删除所述指定图像类型对应的图像，并将删除所述指定图像类型对应的图像后的第一图像集合中的各个图像分别推送至相应的存储位置；
在所述确认指令为保留所述指定图像类型的图像时，则继续将所述第一图像集合中的各个图像分别推送至相应的存储位置。
5.根据权利要求1所述的方法，其特征在于，将所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置，包括：
将所述各个图像以及所述各个图像对应的分类标签存储至用于对所述车险案件进行评定的服务器中。
6.根据权利要求1所述的方法，其特征在于，将所述第一图像集合输入至机器学习模型进行分析，得到所述第一图像集合中各个图像的类型之后，所述方法还包括：
确定所述各个图像的类型的准确率；在所述准确率小于预设阈值时，调整所述机器学习模型的模型参数。
7.根据权利要求1至6中任意一项所述的方法，其特征在于，所述各个图像的类型包括以下至少之一：
身份证、驾驶证、车损照片、人伤照片、物损照、现场照、单据图像。
8.一种数据展示方法，其特征在于，包括：
展示获取的与车险案件关联的第一图像集合；
展示将所述第一图像集合输入至机器学习模型进行分析，得到的所述第一图像集合中各个图像的类型，以及展示为所述第一图像集合中的各个图像分配的用于指示所述各个图像的类型的标签；
展示所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签各自所在的存储位置；在将所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置之前，还包括：确定与所述车险案件对应的第一图像类型列表；统计所述第一图像集合中各个图像的图像类型，得到第二图像类型列表；比较所述第一图像类型列表和第二图像类型列表，得到比较结果；依据所述比较结果确定是否将所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置；其中，依据所述比较结果确定是否将所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置，包括：在所述比较结果指示所述第一图像类型列表与所述第二图像类型列表不一致时，确定暂停将所述第一图像集合的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置，在所述比较结果指示所述第二图像类型列表中的图像类型为所述第一图像类型列表中的部分图像类型时，生成第一提示信息，该第一提示信息用于提示继续采集与所述车险案件关联的图像；在所述比较结果指示所述第二图像类型列表中的图像类型包含所述第一图像类型列表中的全部图像类型，且存在与所述第一图像类型列表中不存在的指定图像类型时，生成第二提示信息，该第二提示信息用于提示是否保留与所述指定图像类型对应的图像。
9.一种图像分拣装置，其特征在于，包括：
获取模块，用于获取与车险案件关联的第一图像集合；
分析模块，用于将所述第一图像集合输入至机器学习模型进行分析，得到所述第一图像集合中各个图像的类型，并为所述第一图像集合中的各个图像分配用于指示所述各个图像的类型的标签；
存储模块，用于将所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置；
在将所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置之前，还包括：确定与所述车险案件对应的第一图像类型列表；统计所述第一图像集合中各个图像的图像类型，得到第二图像类型列表；比较所述第一图像类型列表和第二图像类型列表，得到比较结果；依据所述比较结果确定是否将所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置；其中，依据所述比较结果确定是否将所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置，包括：在所述比较结果指示所述第一图像类型列表与所述第二图像类型列表不一致时，确定暂停将所述第一图像集合的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置，在所述比较结果指示所述第二图像类型列表中的图像类型为所述第一图像类型列表中的部分图像类型时，生成第一提示信息，该第一提示信息用于提示继续采集与所述车险案件关联的图像；在所述比较结果指示所述第二图像类型列表中的图像类型包含所述第一图像类型列表中的全部图像类型，且存在与所述第一图像类型列表中不存在的指定图像类型时，生成第二提示信息，该第二提示信息用于提示是否保留与所述指定图像类型对应的图像。
10.一种图像分拣系统，其特征在于，包括：
图像采集装置，用于采集与车险案件关联的图像，得到第一图像集合，并将所述第一图像集合上传至网络侧设备；
所述网络侧设备，用于将所述第一图像集合输入至机器学习模型进行分析，得到所述第一图像集合中各个图像的类型，并为所述第一图像集合中的各个图像分配用于指示所述各个图像的类型的标签；以及将所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置；
在将所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置之前，还包括：确定与所述车险案件对应的第一图像类型列表；统计所述第一图像集合中各个图像的图像类型，得到第二图像类型列表；比较所述第一图像类型列表和第二图像类型列表，得到比较结果；依据所述比较结果确定是否将所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置；其中，依据所述比较结果确定是否将所述第一图像集合中的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置，包括：在所述比较结果指示所述第一图像类型列表与所述第二图像类型列表不一致时，确定暂停将所述第一图像集合的各个图像以及与所述各个图像对应的分类标签分别推送至与所述类型对应的存储位置，在所述比较结果指示所述第二图像类型列表中的图像类型为所述第一图像类型列表中的部分图像类型时，生成第一提示信息，该第一提示信息用于提示继续采集与所述车险案件关联的图像；在所述比较结果指示所述第二图像类型列表中的图像类型包含所述第一图像类型列表中的全部图像类型，且存在与所述第一图像类型列表中不存在的指定图像类型时，生成第二提示信息，该第二提示信息用于提示是否保留与所述指定图像类型对应的图像。
11.一种非易失性存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的图像分拣方法。
12.一种处理器，其特征在于，所述处理器用于运行存储在与所述处理器连接的存储器中的程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的图像分拣方法。
CN202010177781.7A 2020-03-13 2020-03-13 图像分拣方法、装置及系统 Active CN111401438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010177781.7A CN111401438B (zh) 2020-03-13 2020-03-13 图像分拣方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010177781.7A CN111401438B (zh) 2020-03-13 2020-03-13 图像分拣方法、装置及系统

Publications (2)

Publication Number Publication Date
CN111401438A CN111401438A (zh) 2020-07-10
CN111401438B true CN111401438B (zh) 2023-08-25

Family

ID=71432500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010177781.7A Active CN111401438B (zh) 2020-03-13 2020-03-13 图像分拣方法、装置及系统

Country Status (1)

Country Link
CN (1) CN111401438B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220067954A1 (en) * 2020-08-31 2022-03-03 Koninklijke Philips N.V. Dynamic measurement optimization based on image quality
WO2022099685A1 (zh) * 2020-11-16 2022-05-19 深圳市优必选科技股份有限公司 用于手势识别的数据增强方法、装置、计算机设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951746A (zh) * 2014-03-31 2015-09-30 三星电子株式会社 自动图像选择设备和方法
CN106127747A (zh) * 2016-06-17 2016-11-16 史方 基于深度学习的汽车表面损伤分类方法及装置
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
CN108109680A (zh) * 2017-12-20 2018-06-01 南通艾思达智能科技有限公司 一种保险理赔影像包分拣的方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951746A (zh) * 2014-03-31 2015-09-30 三星电子株式会社 自动图像选择设备和方法
CN106127747A (zh) * 2016-06-17 2016-11-16 史方 基于深度学习的汽车表面损伤分类方法及装置
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
CN108109680A (zh) * 2017-12-20 2018-06-01 南通艾思达智能科技有限公司 一种保险理赔影像包分拣的方法
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

Also Published As

Publication number Publication date
CN111401438A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN105144239B (zh) 图像处理装置、图像处理方法
CN109886928B (zh) 一种目标细胞标记方法、装置、存储介质及终端设备
CN111079755B (zh) 一种财务报销数据处理方法、装置及系统
EP3843036B1 (en) Sample labeling method and device, and damage category identification method and device
CN110472082B (zh) 数据处理方法、装置、存储介质及电子设备
CN112052813B (zh) 染色体间易位识别方法、装置、电子设备及可读存储介质
CN111401438B (zh) 图像分拣方法、装置及系统
CN113627411A (zh) 一种基于超分辨率的商品识别与价格匹配方法及系统
CN113963147B (zh) 一种基于语义分割的关键信息提取方法及系统
CN110490237B (zh) 数据处理方法、装置、存储介质及电子设备
CN108229289B (zh) 目标检索方法、装置和电子设备
US20190244282A1 (en) Computerized exchange network
CN112036295A (zh) 票据图像处理方法、装置、存储介质及电子设备
CN113034421A (zh) 一种图像检测方法、装置及存储介质
US11120308B2 (en) Vehicle damage detection method based on image analysis, electronic device and storage medium
CN115830399A (zh) 分类模型训练方法、装置、设备、存储介质和程序产品
CN113205130B (zh) 一种数据审核方法、装置、电子设备及存储介质
CN114612897A (zh) 一种智能果蔬称重打票方法、装置、电子设备及存储介质
CN116824274B (zh) 小样本细粒度图像分类方法及系统
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
CN116052848B (zh) 一种医学成像质控的数据编码方法及系统
CN112613367A (zh) 票据信息文本框获取方法、系统、设备及存储介质
CN111626313A (zh) 一种特征提取模型训练方法、图像处理方法及装置
CN113780335B (zh) 一种小样本商品图像分类方法、装置、设备及存储介质
CN115374517A (zh) 布线软件的测试方法、装置、电子设备及存储介质

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