CN111931852B - 目标物的定价方法及装置 - Google Patents

Abstract

本发明公开了一种目标物的定价方法及装置，属于人工智能领域，其中，该方法包括：获取目标物的目标图像，并对目标图像进行预处理；将预处理后的图像进行特征提取操作和区域推荐操作，以生成具有推荐区域的特征图像；将具有推荐区域的特征图像输入至预先训练的目标判别模块，以输出目标图像的类别信息，类别信息包括：目标图像的目标特征；根据目标图像的类别信息从预先建立的基准特征库中确定与该类别信息相应的基准特征，并确定目标特征与基准特征之间的差异信息；根据目标图像的类别信息、差异信息和预先建立的基准价格库确定目标图像的价格信息，并根据目标图像的价格信息对目标物进行定价。本发明可以减少人力资源、缩短核保周期。

Description

目标物的定价方法及装置

技术领域

本发明涉及人工智能领域，具体涉及一种目标物的定价方法及装置。

背景技术

在传统财险活动生命周期核保阶段，一般需要通过人为操作来判定保险标的(该保险标的为投保目标主体，即目标所保的财产项，如：汽车、衣物、皮包箱具等)是否属于可承保范畴，并基于人为操作对所承保物进行估价定值以核算保费价格。

上述装置存在如下缺点：①耗费大量人力资源；②拖长核保周期；③保险标的价值判定准确性受人为因素干扰较大；④保险标的价格更新具有一定滞后性。

发明内容

有鉴于此，本发明提供一种目标物的定价方法及装置，以解决上述提及的至少一个问题。

根据本发明的第一方面，提供一种目标物的定价方法，所述方法包括：

获取目标物的目标图像，并对所述目标图像进行预处理；

将预处理后的图像进行特征提取操作和区域推荐操作，以生成具有推荐区域的特征图像；

将所述具有推荐区域的特征图像输入至预先训练的目标判别模块，以输出所述目标图像的类别信息，所述类别信息包括：所述目标图像的目标特征；

根据所述目标图像的类别信息从预先建立的基准特征库中确定与该类别信息相应的基准特征，并确定所述目标特征与所述基准特征之间的差异信息；

根据所述目标图像的类别信息、所述差异信息和预先建立的基准价格库确定所述目标图像的价格信息，并根据所述目标图像的价格信息对所述目标物进行定价，所述基准价格库包括：与类别信息相应的价格信息。

根据本发明的第二方面，提供一种目标物的定价装置，所述装置包括：

目标图像获取单元，用于获取目标物的目标图像；

预处理单元，用于对所述目标图像进行预处理；

推荐区域特征图像生成单元，用于将预处理后的图像进行特征提取操作和区域推荐操作，以生成具有推荐区域的特征图像；

类别信息生成单元，用于将所述具有推荐区域的特征图像输入至预先训练的目标判别模块，以输出所述目标图像的类别信息，所述类别信息包括：所述目标图像的目标特征；

基准特征确定单元，用于根据所述目标图像的类别信息从预先建立的基准特征库中确定与该类别信息相应的基准特征；

特征差异确定单元，用于确定所述目标特征与所述基准特征之间的差异信息；

价格确定单元，用于根据所述目标图像的类别信息、所述差异信息和预先建立的基准价格库确定所述目标图像的价格信息，所述基准价格库包括：与类别信息相应的价格信息；

定价单元，用于根据所述目标图像的价格信息对所述目标物进行定价。

根据本发明的第三方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。

根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

由上述技术方案可知，通过对目标物的目标图像进行预处理后进行特征提取操作和区域推荐操作，可以生成具有推荐区域的特征图像，之后将具有推荐区域的特征图像输入至预先训练的目标判别模块，输出目标图像的类别信息，随后根据目标图像的类别信息从基准特征库中确定与该类别信息相应的基准特征，并确定目标图像的目标特征与该基准特征之间的差异信息，之后根据目标图像的类别信息、特征差异信息和基准价格库确定该目标图像的价格信息，以此对目标物进行定价，相比于现有技术中的通过人为操作进行核保，本技术方案在核保阶段无需人为操作，从而可以较少地耗费人力资源，并且可以缩短核保周期，保险标的的准确性受人为因素干扰较小。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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是根据本发明实施例的目标物定价方法的流程图；

图2是根据本发明实施例的目标物定价方法的详细流程图；

图3是根据本发明实施例的目标物定价装置的结构框图；

图4是根据本发明实施例的推荐区域特征图像生成单元33的结构框图；

图5是根据本发明实施例的目标物定价装置的详细结构框图；

图6是根据本发明实施例的目标物的定价装置的示例结构框图；

图7为本发明实施例的电子设备600的系统构成的示意框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，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作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。

由于目前的财险活动生命周期核保需要人为操作，导致了耗费人力资源、核保周期长、保险标的的准确性受人为因素干扰较大等问题。基于此，本发明实施例结合深度学习、图像识别、特征工程等技术，提供了一种目标物的定价方案，该方案在核保阶段无需人为操作，因而可以克服上述问题。以下结合附图来详细描述本发明实施例。

图1是根据本发明实施例的目标物的定价方法的流程图，如图1所示，该方法包括：

步骤11，获取目标物的目标图像，并对所述目标图像进行预处理。

这里的预处理可以是对图像进行裁剪、拉伸等尺寸适应性调整，以及对图像进行白平衡、降噪、旋转/翻转等操作。

步骤12，将预处理后的图像进行特征提取操作和区域推荐操作，以生成具有推荐区域的特征图像。

步骤13，将所述具有推荐区域的特征图像输入至预先训练的目标判别模块，以输出所述目标图像的类别信息，所述类别信息包括：所述目标图像的目标特征。

在一个实施例中，类别信息可以称为目标图像的ID(标识)信息，该ID具体可以包括：目标图像的类别、型号等，例如，目标图像的ID可以是北京奔驰SUV型汽车，型号为GLC300L-4MAC-2020。

步骤14，根据所述目标图像的类别信息从预先建立的基准特征库中确定与该类别信息相应的基准特征，并确定所述目标特征与所述基准特征之间的差异信息。

这里的基准特征库包括：类别信息及与其相应的基准特征。

具体地，可以根据目标特征向量与基准特征向量之间的欧氏余弦相似度确定目标特征与基准特征之间的差异信息。

步骤15，根据所述目标图像的类别信息、所述差异信息和预先建立的基准价格库确定所述目标图像的价格信息，并根据所述目标图像的价格信息对所述目标物进行定价，所述基准价格库包括：与类别信息相应的价格信息。

在一个实施例中，可以先根据目标图像的类别信息从基准价格库确定与该类别信息相应的基准价格；之后根据所述差异信息和所述基准价格确定该目标图像的价格信息。

通过对目标物的目标图像进行预处理后进行特征提取操作和区域推荐操作，可以生成具有推荐区域的特征图像，之后将具有推荐区域的特征图像输入至预先训练的目标判别模块，输出目标图像的类别信息，随后根据目标图像的类别信息从基准特征库中确定与该类别信息相应的基准特征，并确定目标图像的目标特征与该基准特征之间的差异信息，之后根据目标图像的类别信息、特征差异信息和基准价格库确定该目标图像的价格信息，以此对目标物进行定价，相比于现有技术中的通过人为操作进行核保，本发明实施例在核保阶段无需人为操作，从而可以减少人力资源，缩短核保周期，并且保险标的的准确性受人为因素干扰较小。

对于上述步骤12的生成具有推荐区域的特征图像，具体包括如下流程(1)-(3)：

(1)将所述预处理后的图像输入至预先训练的神经网络，以输出所述目标图像的特征图像。

在一个实施例中，该神经网络可以为卷积神经网络，将预处理后的图像输入至卷积神经网络中，将对图像进行卷积、池化、局部线性归一化操作，以提取该图像的特征，之后根据操作结果生成目标图像的特征图像。

需要说明的是，训练神经网络的过程可以参见现有的训练过程，本发明对此不作限制。

(2)基于区域推荐网络对所述目标图像的特征图像进行区域推荐操作，以生成基于该特征图像的全量推荐区域。

具体地，可以先基于区域推荐网络为所述目标图像的特征图像生成多个不同尺寸的检测框；之后以单个像素为步长，根据所述多个不同尺寸的检测框分别对所述目标图像的特征图像进行区域推荐操作，以生成基于该特征图像的全量推荐区域。

(3)将所述目标图像的特征图像与所述全量推荐区域进行叠加处理，以生成所述具有推荐区域的特征图像。

在一个实施例中，上述的基准价格库可以通过如下方式建立：先获取历史目标物信息，所述历史目标物信息包括：该历史目标物的类别信息；随后，根据所述历史目标物的类别信息通过爬虫技术从网络上获取与该类别信息相应的价格信息，例如从网上商城获取价格；之后，根据所述历史目标物的类别信息以及获取的与该类别信息相应的价格信息建立所述基准价格库。

优选地，还可以根据从网络上获取的价格信息周期性更新上述基准价格库。

为了更好地理解本发明，以下结合图2来详细描述本发明实施例的目标物定价方法流程。

图2是根据本发明实施例的目标物定价方法的详细流程图，如图2所示，该流程具体包括：建库(包括：基准特征库和基准价格库)流程(步骤401-503)和定价流程(步骤301-305)。以下结合图2详细描述各步骤。

步骤101：以目标图像外部输入项作为输入，根据本发明实施例预先设置的神经网络，对输入图像进行裁剪、拉伸等尺寸适应性调整，使图像归一化为预定尺寸格式，例如，640×768尺寸格式。

步骤102：对步骤101调整尺寸后的图像进行白平衡、降噪、旋转/翻转等基础性的预处理。

步骤103：根据本发明实施例预先设置的卷积神经网络，对目标图像进行多层次地特征提取工作。例如，对输入的目标图像进行14轮卷积、4轮池化、13轮局部线性归一化处理，线性提取输入图像特征，最终生成256维的特征图像(feature map)。

步骤104：使用区域推荐网络，针对步骤103生成的特征图像中像素点，生成多个(例如，9个)尺寸不同的检测框，并使用交叉熵判别每个检测框中是否为客观物体(Object)。

步骤105：以步长为1的窗口在步骤103生成的特征图像上进行滑动，对于每一个像素点都进行步骤104操作，最终生成基于特征图像的全量推荐区域(proposals)。

步骤106：将步骤103生成的特征图像与步骤105生成的推荐区域进行叠加，作为原始输入图像的特征图像，输入目标判定模块进行后续类别判定处理。

步骤201：以携带推荐区域的特征图像为输入，针对每一个不同区域，提取出该推荐区域内的特征图像，并利用softmax(逻辑回归模型)计算loss(损失函数)损失，对其进行类别判断。

步骤202：判别目标类别、型号信息(例如，识别出的目标物体为“北京奔驰SUV型汽车，型号GLC300L-4MAC-2020”)，并将目标类别和型号信息作为目标的ID标识及基础属性信息。

之后执行判断步骤：是否为建库任务？如果是，则执行建库任务场景(步骤401-503)，否则，执行定价任务场景(步骤301-305)。

需要说明的是，如果是执行建库任务场景，则上述步骤101-202中涉及到的目标图像来源于为历史数据；而对于定价任务场景，上述步骤101-202中涉及到的目标图像来源于当前需要定价的标的物。以下详细描述这两个场景。

建库任务场景：

步骤401：根据步骤202识别出的目标ID，在财产项基准特征库(对应于上述的基准特征库)中创建对应的基准项。例如，在财产项基准特征数据库中创建“BJBENZSUVGLC300L4MAC2020ZXFY”ID，表示“北京奔驰SUV型汽车，型号GLC300L-4MAC-2020”)。

步骤402：根据步骤201提取出的目标特征矩阵及步骤202识别出的目标ID，将目标特征存入对应目标ID的存储空间，以此作为该财产项的基准特征。

步骤501：根据步骤202识别出的目标ID，在财产项基准价格库(对应于上述的基准价格库)中创建对应基准项(即，基准特征)。例如，在财产项基准特征数据库中创建“BJBENZSUVGLC300L4MAC2020ZXFY”ID，表示“北京奔驰SUV型汽车，型号GLC300L-4MAC-2020”)。

步骤502：根据步骤202识别出的目标ID的型号信息，使用价格检测系统(详见步骤602)，获取对应目标项官方价格。

步骤503：根据获取的目标项官方价格，存入财产项基准价格库的目标ID对应的存储空间，以此作为该财产项的基准价格。例如，目标判定模块识别出原始输入图像中包含的目标主体为“北京奔驰SUV汽车，型号：GLC300L-4MAC-2020”，步骤501已创建ID“BJBENZSUVGLC300L4MAC2020ZXFY”作为代表该财产项的主键，步骤502已使用价格检测系统获取“北京奔驰SUV汽车，型号：GLC300L-4MAC-2020”财产项的官方指导价格为￥470,000，步骤503将“470,000”插入财产项价格数据库以“BJBENZSUVGLC300L4MAC2020ZXFY”为ID的数据项中所对应的“OFFICIALVALUE”字段，以此来代表该财产项的官方价格(即，基准价格)。

需要说明的是，建库任务是预先完成的，并在后期进行更新，例如，添加新的目标ID，以及对基准价格进行更新等。在建库完成之后，就可以执行以下的定价任务流程。

定价任务场景：

步骤301：根据步骤202识别出的目标ID，在财产项基准特征库中提取出对应的目标物体基准特征。

步骤302：根据步骤201提取出的目标特征矩阵并将其卷积为向量，与步骤301提取出的对应基准特征向量(即，基准特征用向量表示)，计算两向量间的欧氏余弦相似度，以此量化目标特征与对应基准特征之间的距离差。

步骤303：根据步骤202识别出的目标ID，在财产项基准价格库中提取出对应的目标物体基准价格。

步骤304：根据步骤302判定的目标特征与基准特征的特征差异，将其转换为百分比，并基于此百分比与基准价格，判定出最终预估价格。例如，步骤302量化出的目标财产项特征与其所对应的基准特征余弦相似度为0.889999991，则以0.89乘以步骤303所提取的基准价格，以此结果作为目标财产项的预估价格。

步骤305：输出最终预估价格。

为了进一步理解本发明，以下描述获取和更新基准价格的流程。

价格监测与实时/批量更新场景：

步骤601：轮询财产项基准价格库，获取对应财产项ID作为价格检测目标。

步骤602：根据步骤601获取的目标ID，基于财产项价格来源渠道，实时检测对应目标价格。针对各品牌官方商城的爬虫系统，根据识别出的具体财产项ID进行官方价格获取操作。例如：链接北京奔驰官方网站，爬取各类汽车型号与对应价格信息，以上述步骤识别出的型号为“GLC300L-4MAC-2020”的车型作为目标进行信息过滤因子，获取其官方指导价格为￥470,000，以此作为财产项BJBENZSUVGLC3004MAC2020ZXFY的对应官方价格(即，基准价格)。

步骤603：根据实时更新/批量更新策略，实时/批量更新财产项基准价格库。

具体地，实时更新可以为7x24小时实时监测目标的官方价格变动，官方网站信息更新，则同步更新财产项价格数据库。批量更新为定期监测目标的官方价格变动，官方网站信息更新，则同步更新财产项价格数据库，可以是人为设置的一个时间间隔(如每月1号)更新一次。

本发明实施例通过图像处理算法中间产物与财险核保定价业务的创新结合方式，提供了一种基于深度学习实现财险自动核保定价方案，较大地减少了核保阶段的人力消耗、缩短了核保周期时长，并提高了保险标的价值判定的准确性与价格更新的实时性，实现了财险核保阶段线上化。

基于相似的发明构思，本发明实施例还提供一种目标物的定价装置，优选地用于实现上述方法实施例中的流程。

图3是该目标物定价装置的结构框图，如图3所示，该装置包括：目标图像获取单元31、预处理单元32、推荐区域特征图像生成单元33、类别信息生成单元34、基准特征确定单元35、特征差异确定单元36、价格确定单元37和定价单元38，其中：

目标图像获取单元31，用于获取目标物的目标图像。

预处理单元32，用于对所述目标图像进行预处理。

推荐区域特征图像生成单元33，用于将预处理后的图像进行特征提取操作和区域推荐操作，以生成具有推荐区域的特征图像。

类别信息生成单元34，用于将所述具有推荐区域的特征图像输入至预先训练的目标判别模块，以输出所述目标图像的类别信息，所述类别信息包括：所述目标图像的目标特征。

基准特征确定单元35，用于根据所述目标图像的类别信息从预先建立的基准特征库中确定与该类别信息相应的基准特征。

特征差异确定单元36，用于确定所述目标特征与所述基准特征之间的差异信息。

在一个实施例中，可以根据目标特征向量与基准特征向量之间的欧氏余弦相似度确定所述目标特征与所述基准特征之间的差异信息。

价格确定单元37，用于根据所述目标图像的类别信息、所述差异信息和预先建立的基准价格库确定所述目标图像的价格信息，所述基准价格库包括：与类别信息相应的价格信息。

在实际操作中，价格确定单元37可以包括：基准价格确定模块和价格确定模块，其中：

基准价格确定模块，用于根据所述目标图像的类别信息从所述基准价格库确定与该类别信息相应的基准价格；

价格确定模块，用于根据所述差异信息和所述基准价格确定该目标图像的价格信息。

定价单元38，用于根据所述目标图像的价格信息对所述目标物进行定价。

通过推荐区域特征图像生成单元33对目标物的目标图像进行预处理后进行特征提取操作和区域推荐操作，可以生成具有推荐区域的特征图像，之后类别信息生成单元34将具有推荐区域的特征图像输入至预先训练的目标判别模块，输出目标图像的类别信息，随后基准特征确定单元35根据目标图像的类别信息从基准特征库中确定与该类别信息相应的基准特征，特征差异确定单元36确定目标图像的目标特征与该基准特征之间的差异信息，之后价格确定单元37根据目标图像的类别信息、特征差异信息和基准价格库确定该目标图像的价格信息，定价单元38以此对目标物进行定价，相比于现有技术中的通过人为操作进行核保，本发明实施例在核保阶段无需人为操作，从而可以较少地耗费人力资源，并且可以缩短核保周期，保险标的的准确性受人为因素干扰较小。

图4是上述推荐区域特征图像生成单元33的结构框图，如图4所示，推荐区域特征图像生成单元33包括：特征图像生成模块331、推荐区域生成模块332和推荐区域特征图像生成模块333，以下分别描述各模块。

特征图像生成模块331，用于将所述预处理后的图像输入至预先训练的神经网络，以输出所述目标图像的特征图像。该神经网络可以为卷积神经网络。

在一个实施例中，特征图像生成模块331具体可以包括：特征提取操作子模块和特征图像生成子模块，其中：

特征提取操作子模块，用于将所述预处理后的图像输入至所述卷积神经网络进行卷积、池化、局部线性归一化操作；

特征图像生成子模块，用于根据操作结果生成所述目标图像的特征图像。

推荐区域生成模块332，用于基于区域推荐网络对所述目标图像的特征图像进行区域推荐操作，以生成基于该特征图像的全量推荐区域。

在一个实施例中，推荐区域生成模块332具体包括：检测框生成子模块和推荐区域生成子模块，其中：

检测框生成子模块，用于基于所述区域推荐网络为所述目标图像的特征图像生成多个不同尺寸的检测框；

推荐区域生成子模块，用于以单个像素为步长，根据所述多个不同尺寸的检测框分别对所述目标图像的特征图像进行区域推荐操作，以生成基于该特征图像的全量推荐区域。

推荐区域特征图像生成模块333，用于将所述目标图像的特征图像与所述全量推荐区域进行叠加处理，以生成所述具有推荐区域的特征图像。

在具体实施过程中，如图5所示，上述装置还包括：基准价格库建立单元39，用于建立所述基准价格库。

该基准价格库建立单元39具体包括：历史信息获取模块、价格信息获取模块和基准价格库建立模块，其中：

历史信息获取模块，用于获取历史目标物信息，所述历史目标物信息包括：该历史目标物的类别信息；

价格信息获取模块，用于根据所述历史目标物的类别信息通过爬虫技术从网络上获取与该类别信息相应的价格信息；

基准价格库建立模块，用于根据所述历史目标物的类别信息以及获取的与该类别信息相应的价格信息建立所述基准价格库。

继续参见图5，上述装置还包括：更新单元310，用于根据从网络上获取的价格信息周期性更新所述基准价格库。

上述各单元、各模块的具体执行过程，可以参见上述装置实施例中的描述，此处不再赘述。

在实际操作中，上述各单元、各模块可以组合设置、也可以单一设置，本发明不限于此。

图6是根据本发明实施例的目标物的定价装置的示例结构框图，如图6所示，该示例装置包括：目标项特征工程模块1、目标项检测判定模块2(也可以简称为上述的目标判定模块)、目标项特征比对模块3、财产项基准特征库4、财产项基准价格库5、财产项价格监测更新系统6这六个主体部分，以及目标图像、财产项价格来源渠道两个外部输入项、定价结果一个外部输出项。

为了更好地理解本实例，以下分别描述各模块。

目标项特征工程模块1，该模块基于深度学习算法，将采样图像作为训练数据，训练神经网络形成图像特征提取模块，用于对输入图像进行特征工程，形成最终的图像目标特征提取结果。

目标项检测判定模块2，以模块1输出的目标特征结果为输入，判别目标所属类别、型号等具体信息，生成目标ID，输出作为财产项基准特征库4与财产项基准价格库5的个体索引，用于后期建库与比对基准。

目标项特征比对模块3，以模块1输出的目标特征结果及模块2输出的目标ID信息为输入，根据目标ID从财产项基准特征库4中提取目标ID的基准特征，实现基准特征与目标项特征的比对分析；根据目标ID从财产项基准价格库5中提取目标ID的基准价格；根据特征比对结果生成定价结果并输出。

财产项基准特征库4，以模块2输出的目标项ID信息为输入，创建对应财产项；以模块1输出的目标特征结果作为对应财产项基准特征，存入对应财产项存储空间。

财产项基准价格库5，以模块2输出的目标项ID信息为输入，创建对应财产项；以财产项价格监测更新系统6输出的目标项最新价格作为对应财产项基准价格，存入对应财产项存储空间。

财产项价格监测更新系统6，可以是官方价格实时监测系统，以模块2输出的目标ID为基准，实时监测其价格变化，并实时/批量更新财产项基准价格库5中对应的存储信息。

本实施例还提供一种电子设备，该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照上述装置实施例进行实施及目标物的定价装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。

图7为本发明实施例的电子设备600的系统构成的示意框图。如图7所示，该电子设备600可以包括中央处理器100和存储器140；存储器140耦合到中央处理器100。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

一实施例中，目标物的定价功能可以被集成到中央处理器100中。其中，中央处理器100可以被配置为进行如下控制：

获取目标物的目标图像，并对所述目标图像进行预处理；

将预处理后的图像进行特征提取操作和区域推荐操作，以生成具有推荐区域的特征图像；

将所述具有推荐区域的特征图像输入至预先训练的目标判别模块，以输出所述目标图像的类别信息，所述类别信息包括：所述目标图像的目标特征；

根据所述目标图像的类别信息从预先建立的基准特征库中确定与该类别信息相应的基准特征，并确定所述目标特征与所述基准特征之间的差异信息；

根据所述目标图像的类别信息、所述差异信息和预先建立的基准价格库确定所述目标图像的价格信息，并根据所述目标图像的价格信息对所述目标物进行定价，所述基准价格库包括：与类别信息相应的价格信息。

从上述描述可知，本申请实施例提供的电子设备，通过对目标物的目标图像进行预处理后进行特征提取操作和区域推荐操作，可以生成具有推荐区域的特征图像，之后将具有推荐区域的特征图像输入至预先训练的目标判别模块，输出目标图像的类别信息，随后根据目标图像的类别信息从基准特征库中确定与该类别信息相应的基准特征，并确定目标图像的目标特征与该基准特征之间的差异信息，之后根据目标图像的类别信息、特征差异信息和基准价格库确定该目标图像的价格信息，以此对目标物进行定价，相比于现有技术中的通过人为操作进行核保，本发明实施例在核保阶段无需人为操作，从而可以较少地耗费人力资源，并且可以缩短核保周期，保险标的的准确性受人为因素干扰较小。

在另一个实施方式中，目标物的定价装置可以与中央处理器100分开配置，例如可以将目标物的定价装置配置为与中央处理器100连接的芯片，通过中央处理器的控制来实现目标物的定价功能。

如图7所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图7中所示的所有部件；此外，电子设备600还可以包括图7中没有示出的部件，可以参考现有技术。

如图7所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。

其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。

输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。

存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现上述目标物的定价装置的步骤。

综上所述，本发明实施例设计了一种自动化的目标项定价方法，将图像识别、特征工程与财险生命周期核保定价任务在业务模式上进行了结合。

本发明实施例利用图像识别算法进行目标判定，利用图像识别算法的中间产物表达目标特征，使用神经网络实现目标分类；本发明实施例通过建立财产项基准特征库和财产项基准价格库，在定价任务过程中，积累大量财产项特征、价格等信息，在不断扩充财产项丰富性、全面性的同时，为基于财产项的二次开发提供了宝贵的数据基础；另外，通过设计财产项价格实时监测系统，使得静态定价系统与动态更新系统有机地结合，为静态定价系统赋予了实时刷新能力，保证了定价任务实时性和准确性。

以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的，因此权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。

本领域内的技术人员应明白，本发明的实施例可提供为装置、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的装置、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的装置及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (14)

1.一种目标物的定价方法，其特征在于，所述方法包括：

获取目标物的目标图像，并对所述目标图像进行预处理；

将预处理后的图像进行特征提取操作和区域推荐操作，以生成具有推荐区域的特征图像；

将所述具有推荐区域的特征图像输入至预先训练的目标判别模块，以输出所述目标图像的类别信息，所述类别信息包括：所述目标图像的目标特征；

根据所述目标图像的类别信息从预先建立的基准特征库中确定与该类别信息相应的基准特征，并确定所述目标特征与所述基准特征之间的差异信息；

根据所述目标图像的类别信息、所述差异信息和预先建立的基准价格库确定所述目标图像的价格信息，并根据所述目标图像的价格信息对所述目标物进行定价，所述基准价格库包括：与类别信息相应的价格信息；

其中，将预处理后的图像进行特征提取操作和区域推荐操作，以生成具有推荐区域的特征图像包括：

将所述预处理后的图像输入至预先训练的神经网络，以输出所述目标图像的特征图像；

基于区域推荐网络对所述目标图像的特征图像进行区域推荐操作，以生成基于该特征图像的全量推荐区域；

将所述目标图像的特征图像与所述全量推荐区域进行叠加处理，以生成所述具有推荐区域的特征图像；

其中，基于区域推荐网络对所述目标图像的特征图像进行区域推荐操作，以生成基于该特征图像的全量推荐区域包括：

基于所述区域推荐网络为所述目标图像的特征图像生成多个不同尺寸的检测框；

以单个像素为步长，根据所述多个不同尺寸的检测框分别对所述目标图像的特征图像进行区域推荐操作，以生成基于该特征图像的全量推荐区域。

2.根据权利要求1所述的方法，其特征在于，所述神经网络为卷积神经网络，将所述预处理后的图像输入至预先训练的神经网络，以输出所述目标图像的特征图像包括：

将所述预处理后的图像输入至所述卷积神经网络进行卷积、池化、局部线性归一化操作；

根据操作结果生成所述目标图像的特征图像。

3.根据权利要求1所述的方法，其特征在于，确定所述目标特征与所述基准特征之间的差异信息包括：

根据目标特征向量与基准特征向量之间的欧氏余弦相似度确定所述目标特征与所述基准特征之间的差异信息。

4.根据权利要求1所述的方法，其特征在于，根据所述目标图像的类别信息、所述差异信息和预先建立的基准价格库确定所述目标图像的价格信息包括：

根据所述目标图像的类别信息从所述基准价格库确定与该类别信息相应的基准价格；

根据所述差异信息和所述基准价格确定该目标图像的价格信息。

5.根据权利要求1所述的方法，其特征在于，通过如下方式建立所述基准价格库：

获取历史目标物信息，所述历史目标物信息包括：该历史目标物的类别信息；

根据所述历史目标物的类别信息通过爬虫技术从网络上获取与该类别信息相应的价格信息；

根据所述历史目标物的类别信息以及获取的与该类别信息相应的价格信息建立所述基准价格库。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

根据从网络上获取的价格信息周期性更新所述基准价格库。

7.一种目标物的定价装置，其特征在于，所述装置包括：

目标图像获取单元，用于获取目标物的目标图像；

预处理单元，用于对所述目标图像进行预处理；

推荐区域特征图像生成单元，用于将预处理后的图像进行特征提取操作和区域推荐操作，以生成具有推荐区域的特征图像；

类别信息生成单元，用于将所述具有推荐区域的特征图像输入至预先训练的目标判别模块，以输出所述目标图像的类别信息，所述类别信息包括：所述目标图像的目标特征；

基准特征确定单元，用于根据所述目标图像的类别信息从预先建立的基准特征库中确定与该类别信息相应的基准特征；

特征差异确定单元，用于确定所述目标特征与所述基准特征之间的差异信息；

价格确定单元，用于根据所述目标图像的类别信息、所述差异信息和预先建立的基准价格库确定所述目标图像的价格信息，所述基准价格库包括：与类别信息相应的价格信息；

定价单元，用于根据所述目标图像的价格信息对所述目标物进行定价；

其中，所述推荐区域特征图像生成单元包括：

特征图像生成模块，用于将所述预处理后的图像输入至预先训练的神经网络，以输出所述目标图像的特征图像；

推荐区域生成模块，用于基于区域推荐网络对所述目标图像的特征图像进行区域推荐操作，以生成基于该特征图像的全量推荐区域；

推荐区域特征图像生成模块，用于将所述目标图像的特征图像与所述全量推荐区域进行叠加处理，以生成所述具有推荐区域的特征图像；

其中，所述推荐区域生成模块包括：

检测框生成子模块，用于基于所述区域推荐网络为所述目标图像的特征图像生成多个不同尺寸的检测框；

推荐区域生成子模块，用于以单个像素为步长，根据所述多个不同尺寸的检测框分别对所述目标图像的特征图像进行区域推荐操作，以生成基于该特征图像的全量推荐区域。

8.根据权利要求7所述的装置，其特征在于，所述神经网络为卷积神经网络，所述特征图像生成模块包括：

特征提取操作子模块，用于将所述预处理后的图像输入至所述卷积神经网络进行卷积、池化、局部线性归一化操作；

特征图像生成子模块，用于根据操作结果生成所述目标图像的特征图像。

9.根据权利要求7所述的装置，其特征在于，所述特征差异确定单元具体用于：

根据目标特征向量与基准特征向量之间的欧氏余弦相似度确定所述目标特征与所述基准特征之间的差异信息。

10.根据权利要求7所述的装置，其特征在于，所述价格确定单元包括：

基准价格确定模块，用于根据所述目标图像的类别信息从所述基准价格库确定与该类别信息相应的基准价格；

价格确定模块，用于根据所述差异信息和所述基准价格确定该目标图像的价格信息。

11.根据权利要求7所述的装置，其特征在于，所述装置还包括：

基准价格库建立单元，用于建立所述基准价格库，

所述基准价格库建立单元包括：

历史信息获取模块，用于获取历史目标物信息，所述历史目标物信息包括：该历史目标物的类别信息；

价格信息获取模块，用于根据所述历史目标物的类别信息通过爬虫技术从网络上获取与该类别信息相应的价格信息；

基准价格库建立模块，用于根据所述历史目标物的类别信息以及获取的与该类别信息相应的价格信息建立所述基准价格库。

12.根据权利要求11所述的装置，其特征在于，所述装置还包括：

更新单元，用于根据从网络上获取的价格信息周期性更新所述基准价格库。

13.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现权利要求1至6中任一项所述方法的步骤。

14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。