CN112329596A - 目标物定损方法、装置、电子设备及计算机可读存储介质 - Google Patents

目标物定损方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN112329596A
CN112329596A CN202011204228.4A CN202011204228A CN112329596A CN 112329596 A CN112329596 A CN 112329596A CN 202011204228 A CN202011204228 A CN 202011204228A CN 112329596 A CN112329596 A CN 112329596A
Authority
CN
China
Prior art keywords
damage assessment
pixel point
target object
hyperplane
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.)
Granted
Application number
CN202011204228.4A
Other languages
English (en)
Other versions
CN112329596B (zh
Inventor
高扬磊
任称心
张文杰
陈莲莲
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.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China 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 Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202011204228.4A priority Critical patent/CN112329596B/zh
Publication of CN112329596A publication Critical patent/CN112329596A/zh
Application granted granted Critical
Publication of CN112329596B publication Critical patent/CN112329596B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种目标物定损方法，包括：获取目标物的图片集，对所述图片集中的图片进行拼接，得到拼接图；识别出所述拼接图的像素点集；对所述像素点集中的像素点粗分类，根据所述粗分类对一个预构建的超平面分类模型进行训练，得到训练完成的超平面分类模型；利用所述训练完成的超平面分类模型对所述像素点集中的像素点进行精分类，得到不同类别的像素点集；根据所述不同类别的像素点集利用预设的目标物定损算法分析所述目标物的定损结果。此外，本发明涉及区块链技术，所述目标物的图片集可存储于区块链节点中。本发明还提出一种目标物定损装置、电子设备以及一种计算机可读存储介质。本发明可以提高目标物定损的准确率。

Description

目标物定损方法、装置、电子设备及计算机可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种目标物定损方法、装置、电子设备及计算机可读存储介质。
背景技术
随着科技快速发展，对于目标物的定损已逐渐从人工定损转为自动化定损，如农田定损服务已经可以利用AI图像识别技术实现农田地块级的灾损程度及其面积的识别。
然而传统的AI图像识别技术在识别受损农田图像时往往都是全局识别，没有对受损的类型细化分类处理，导致受损农田识别结果的准确性降低。
发明内容
本发明提供一种目标物定损方法、装置、电子设备及计算机可读存储介质，其主要目的在于对农田受损的类型细化分类处理，以提高受损农田识别结果的准确率。
为实现上述目的，本发明提供的一种目标物定损方法，包括：
获取目标物的图片集，对所述图片集中的图片进行拼接，得到拼接图；
识别出所述拼接图的像素点集；
对所述像素点集中的像素点粗分类，根据所述粗分类对一个预构建的超平面分类模型进行训练，得到训练完成的超平面分类模型；
利用所述训练完成的超平面分类模型对所述像素点集中的像素点进行精分类，得到不同类别的像素点集；
根据所述不同类别的像素点集利用预设的目标物定损算法分析所述目标物的定损结果。
可选地，所述对所述图片集中的图片进行拼接，得到拼接图，包括：
获取所述目标物的全景二维模型；
对所述图片集中的每一张图片执行去噪操作，得到标准图片集；
利用所述全景二维模型匹配所述标准图片集中的每一张图片，得到所述目标物的拼接图。
可选地，所述识别出所述拼接图的像素点集，包括：
对所述拼接图进行卷积操作，得到拼接图二维画布；
映射所述拼接图二维画布至处理器，得到原始像素点集；
对所述原始像素点集进行池化操作，得到所述拼接图的像素点集。
可选地，所述映射所述拼接图二维画布至处理器，得到原始像素点集，包括：
利用如下公式映射所述拼接图二维画布：
Figure BDA0002756516390000021
其中，zx,y表示原始像素点集，p*q表示卷积核，w表示卷积核权重，v表示卷积核通道数，b表示偏置数，h()表示非线性激活函数。
可选地，所述根据所述粗分类对一个预构建的超平面分类模型进行训练，得到训练完成的超平面分类模型，包括：
根据所述粗分类，得到不同类别的训练集；
构建初始超平面；
构建所述初始超平面与所述训练集的几何间隔函数；
根据所述几何间隔函数构建几何间隔最小值优化函数；
求解所述几何间隔最小值优化函数的约束条件；
根据所述约束条件及所述几何间隔最小值优化函数，重复训练所述初始超平面，得到所述超平面分类模型。
可选地，所述构建所述初始超平面与所述训练集的几何间隔函数，包括：
利用下述公式构建所述初始超平面与所述训练集集的几何间隔函数：
Figure BDA0002756516390000022
其中，λi表示几何间隔的值，yi表示所述初始超平面中y轴的值，xi表示所述初始超平面中x轴的值，w表示一元一次方程的系数，||w||表示w的转置共轭矩阵与w的积的最大特征根的平方根值，d表示一元一次方程的常数。
可选地，所述根据所述不同类别的像素点集利用预设的目标物定损算法分析所述目标物的定损结果，包括：
利用下述方法分析所述目标物的定损结果：
Figure BDA0002756516390000031
其中，H表示定损结果，J表示轻度受损的像素点个数，K表示中度受损的像素点个数，M表示重度受损的像素点个数，P表示原始像素点集的像素点个数，δ，μ，σ为预设的百分比。
为了解决上述问题，本发明还提供一种目标物定损装置，所述装置包括：
获取模块，用于获取目标物的图片集，对所述图片集中的图片进行拼接，得到拼接图；
识别模块，用于识别出所述拼接图的像素点集；
分类模块，用于对所述像素点集中的像素点粗分类，根据所述粗分类对一个预构建的超平面分类模型进行训练，得到训练完成的超平面分类模型；利用所述训练完成的超平面分类模型对所述像素点集中的像素点进行精分类，得到不同类别的像素点集；
计算模块，用于利用预设的目标物定损算法分析所述目标物的定损结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够实现上述所述的目标物定损方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现上述所述的目标物定损方法。
本发明实施例对所述图片集中的图片进行拼接，得到拼接图，避免了因零散图片中有重叠的区域，导致的目标物受损识别不准确性的问题；对所述像素点集中的像素点粗分类，根据所述粗分类对一个预构建的超平面分类模型进行训练，得到训练完成的超平面分类模型，利用所述超平面分类模型执行所有像素点的分类，提高了像素点分类的精确性及速度；根据所述不同类别的像素点集利用预设的目标物定损算法分析所述目标物的定损结果，实现了对受损的类型进行细化分类处理，提高了目标物损伤识别的准确性。因此本发明提出的目标物定损方法、装置及计算机可读存储介质，可以提高目标物定损的准确率。
附图说明
图1为本发明一实施例提供的目标物定损方法的流程示意图；
图2为图1提供的目标物定损方法中其中一个步骤的详细流程示意图；
图3为图1提供的目标物定损方法中另一个步骤的详细流程示意图；
图4为本发明一实施例提供的目标物定损方法中另一个步骤的详细流程示意图；
图5为本发明一实施例提供的目标物定损装置的模块示意图；
图6为本发明一实施例提供的实现目标物定损方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种目标物定损方法。所述目标物定损方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述目标物定损方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的目标物定损方法的流程示意图。在本实施例中，所述目标物定损方法包括：
S1、获取目标物的图片集，对所述图片集中的图片进行拼接，得到拼接图。
本发明较佳实施例中，所述目标物包括遭受气象灾害等不可逆因素导致的农作物受损的农田，如一块农田中的小麦遭受大风影响导致大范围小麦倒伏，或者一块农田中的玉米遭受病虫害影响导致大范围玉米的颗粒很少，则该农田即为目标物。
其中，所述获取目标物的图片集方法包括，如客服系统收到所述目标物所有人的报案信息后，通过所述报案信息确定所述目标物的具体位置，利用无人机根据所述报案信息自动生成航拍任务拍摄得到的图片即为所述目标物的图片集。
进一步地，由于所述无人机采集的图片集都是所述目标物的零散图片，零散图片可能有重叠的区域，对所述零散图片进行分析可能导致目标物受损识别不准确性的问题，因此本发明实施例为每张图片添加坐标信息，并利用所述坐标信息对所述图片集中的图片进行拼接成一张完整的图片。
其中，所述添加坐标信息的图片可以存储在区块链中，以用于数据共享及保障数据安全。
详细的，参阅图2所示，所述对所述图片集中的图片进行拼接，得到拼接图，包括：
S11、获取所述目标物的全景二维模型；
本发明实施例中，所述全景二维模型可以利用监控设备，根据一个成像模型公式生成。
详细地，所述成像模型公式为：
sm＝KR[I-C]M
其中，s为尺度系数；m为像点坐标，M为物点坐标(物点、像点分别是光学成像中的物方位置和像方位置)；K为监控设备内的参数矩阵，由焦距、像主点坐标组成；R为旋转矩阵；C为投影中心的位置向量，可直接由监控设备记录的经度(longitude)、纬度(latitude)、高(altitude)近似得到；I为3阶单位矩阵。基于成像模型公式得到所述目标物的二维平面坐标模型。
S12、对所述图片集中的每一张图片执行去噪操作，得到标准图片集；
所述图片集中的图片在数字化和传输过程中常受到成像设备与外部环境噪声干燥等影响，如图片不进行去噪处理，可能会导致图片的清晰度下降，因此要为所述图片集中的每一张图片进行去噪处理。
详细地，本发明较佳实施例利用中值滤波器技术对所述图片集中的每一张图片进行去噪处理。其中，所述中值滤波器技术是一种非线性数字滤波器技术，经常用于去除图像或其他信号中的噪声。
S13、利用所述全景二维模型匹配所述标准图片集中的每一张图片，得到所述目标物的拼接图。
本发明较佳实施例中，可以利用相位相关算法根据所述全景二维模型匹配所述标准图片集中的每一张图片，得到所述目标的拼接图。
所述相位相关算法是利用傅里叶变化，在频域进行相位匹配从而达到图像配准的方法。
S2、识别出所述拼接图的像素点集。
本发明较佳实施例可以利用卷积神经网络算法识别出所述拼接图的像素点集。参阅图3所示，所述识别出所述拼接图的像素点集详细包括：
S21、对所述拼接图进行卷积操作，得到拼接图二维画布；
其中，本发明实施例利用如下方法执行卷积操作，得到所述拼接图：
Figure BDA0002756516390000061
其中convx,y表示得到的所述拼接图二维画布，p*q表示卷积核，w表示卷积核权重，v表示卷积核通道数。
S22、映射所述拼接图二维画布至处理器，得到原始像素点集；
较佳地，本发明实施例利用如下方法映射所述拼接图二维画布：
Figure BDA0002756516390000062
其中，zx,y表示原始像素点集，p*q表示卷积核，w表示卷积核权重，v表示卷积核通道数，b表示偏置数，h()表示非线性激活函数。
S23、对所述原始像素点集进行池化操作，得到所述拼接图的像素点集。
详细地，本发明实施例可以利用下述算法对所述原始像素点集进行池化操作，得到所述拼接图的像素点集：
Figure BDA0002756516390000071
其中，Nx,y表示所述拼接图的像素点集，δ表示偏置系数，Zx表示原始像素点在x轴的坐标值，Zy表示原始像素点在y轴的坐标值，Zxy表示Zx与Zy的乘积。
S3、对所述像素点集中的像素点粗分类，根据所述粗分类对一个预构建的超平面分类模型进行训练，得到训练完成的超平面分类模型。
本发明实施例中，所述对所述像素点集中的像素点粗分类是指从所述像素点集中找出属于轻度受损类别、中度受损类别、重度受损类别的若干个像素点。
本发明其中一个实施例中，可以通过用户指定的方式，从所述像素点集中找出属于轻度受损类别、中度受损类别、重度受损类别的若干个像素点。由于所述像素点集中的不同类别的像素点集的数量非常庞大，这些不同类别的像素点如果全部靠人工进行分类，人工成本消耗较大，因此，本发明实施例在庞大的像素点集中选取若干不同类别的像素点作为训练集，利用所述训练集构建所述超平面分类模型，以识别对所述像素点集中的所有像素点进行类别识别。
进一步地，参阅图4所示，所述根据所述粗分类对一个预构建的超平面分类模型进行训练，得到训练完成的超平面分类模型，包括：
S31、根据所述粗分类，得到不同类别的训练集；
如上所述，本发明较佳实施例中，所述不同类别包括轻度受损类别、中度受损类别、重度受损类别。本发明实施例根据用户指定，从所述像素点集中找出属于轻度受损类别、中度受损类别、重度受损类别的若干个像素点，得到分别属于轻度受损类别、中度受损类别、重度受损类别的训练集。
S32、构建初始超平面；
一个可选实施例中，利用如下公式构建超平面：
yi＝w*xi+b
其中，yi表示所述初始超平面中y轴的值，xi表示所述初始超平面中x轴的值，w表示一元一次方程的系数，b表示一元一次方程的常数。
S33、构建所述初始超平面与所述训练集的几何间隔函数；
一个可选实施例中，利用下述公式构建所述超平面与所述训练集的几何间隔函数：
Figure BDA0002756516390000081
其中，λi表示几何间隔的值，yi表示所述初始超平面中y轴的值，xi表示所述初始超平面中x轴的值，w表示一元一次方程的系数，||w||表示w的转置共轭矩阵与w的积的最大特征根的平方根值，d表示一元一次方程的常数。
S34、根据所述几何间隔函数构建几何间隔最小值优化函数；
一个可选实施例中，利用下述公式构建几何间隔最小值优化函数：
γ＝mini＝1,2,....nλi
其中，γ表示几何间隔最小值优化值，λi表示几何间隔的值，min表示最小值，i表示取值范围。
S35、求解所述几何间隔最小值优化函数的约束条件；
一个可选实施例中，利用下述公式求解所述几何间隔最小值优化函数的约束条件：
Figure BDA0002756516390000082
其中，yi表示二维坐标平面中y轴的值，xi表示二维坐标平面中x轴的值，w表示一元一次方程的系数，||w||表示w的转置共轭矩阵与矩阵w的积的最大特征根的平方根值，b表示一元一次方程的常数，λ表示几何间隔的最小值。
S36、根据所述约束条件及所述几何间隔最小值优化函数，重复训练所述初始超平面，得到所述超平面分类模型。
S4、利用所述训练完成的超平面分类模型对所述拼接图中的像素点进行精分类，得到不同类别的像素点集。
本发明实施例中，利用所述训练完成的超平面分类模型可以识别出所述所述拼接图中的所有像素点的所属类别，包括轻度受损类别、中度受损类别、重度受损类别。
S5、根据所述不同类别的像素点集利用预设的目标物定损算法分析所述目标物的定损结果。
本发明较佳实施例中，所述预设的农田定损算法是指根据所述不同类别像素点的个数，通过预设的百分比计算所述三大受损类别的比例，最后根据所述比例评估农田受损的情况。
优选地，如计算小麦倒伏受损率时，可采用如下计算方法计算小麦倒伏的受损率。
Figure BDA0002756516390000091
其中，H表示定损结果，J表示轻度受损的像素点个数，K表示中度受损的像素点个数，M表示重度受损的像素点个数，P表示原始像素点集的像素点个数，δ，μ，σ为预设的百分比，且δ+μ+σ＝1。
如小麦受损农田中，轻度受损的像素点个数为500，中度受损的像素点个数为300，重度受损的像素点个数为200，完整农田的像素点为1000，预设的受损百分比为轻度受损占20％，中度受损占35％，重度受损占45％，则最终的结果为(500*20％+300*35％+200*45％)/1000＝29.5％，即得到该小麦受损农田的定损结果，也就是该小麦受损农田的受损率为29.5％。
如图5所示，是本发明目标物定损装置的模块示意图。
本发明实施例所述目标物定损装置100可以安装于电子设备中。根据实现的功能，所述目标物定损装置可以包括获取模块101、识别模块102、分类模块103、计算模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本发明实施例中，关于各模块/单元的功能如下：
所述获取模块101，用于获取目标物的图片集，对所述图片集中的图片进行拼接，得到拼接图；
所述识别模块102，用于识别出所述拼接图的像素点集；
所述分类模块103，用于对所述像素点集中的像素点粗分类，根据所述粗分类对一个预构建的超平面分类模型进行训练，得到训练完成的超平面分类模型；利用所述训练完成的超平面分类模型对所述像素点集中的像素点进行精分类，得到不同类别的像素点集；
所述计算模块104，用于利用预设的目标物定损算法分析所述目标物的定损结果。
本发明实施例所提供的所述目标物定损的装置100中的各个模块能够在使用时与上述目标物定损的方法一样，根据对受损的类型细化分类处理，生成准确率更高目标物定损结果。所述目标物定损的装置100中模块的详细实施过程可以参阅上述的图2至图4，这里不再赘述。
如图6所示，是本发明实现目标物定损方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如目标物定损程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(FlashCard)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如目标物定损程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行目标物定损程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图6仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图6示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的目标物定损程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取目标物的图片集，对所述图片集中的图片进行拼接，得到拼接图；
识别出所述拼接图的像素点集；
对所述像素点集中的像素点粗分类，根据所述粗分类对一个预构建的超平面分类模型进行训练，得到训练完成的超平面分类模型；
利用所述训练完成的超平面分类模型对所述像素点集中的像素点进行精分类，得到不同类别的像素点集；
根据所述不同类别的像素点集利用预设的目标物定损算法分析所述目标物的定损结果。
进一步地，所述电子设备1集成的模块/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。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
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，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
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模块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模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种目标物定损方法，其特征在于，所述方法包括：
获取目标物的图片集，对所述图片集中的图片进行拼接，得到拼接图；
识别出所述拼接图的像素点集；
对所述像素点集中的像素点粗分类，根据所述粗分类对一个预构建的超平面分类模型进行训练，得到训练完成的超平面分类模型；
利用所述训练完成的超平面分类模型对所述像素点集中的像素点进行精分类，得到不同类别的像素点集；
根据所述不同类别的像素点集利用预设的目标物定损算法分析所述目标物的定损结果。
2.如权利要求1所述的目标物定损方法，其特征在于，所述对所述图片集中的图片进行拼接，得到拼接图，包括：
获取所述目标物的全景二维模型；
对所述图片集中的每一张图片执行去噪操作，得到标准图片集；
利用所述全景二维模型匹配所述标准图片集中的每一张图片，得到所述目标物的拼接图。
3.如权利要求1所述的目标物定损方法，其特征在于，所述识别出所述拼接图的像素点集，包括：
对所述拼接图进行卷积操作，得到拼接图二维画布；
映射所述拼接图二维画布至处理器，得到原始像素点集；
对所述原始像素点集进行池化操作，得到所述拼接图的像素点集。
4.如权利要求3所述的目标物定损方法，其特征在于，所述映射所述拼接图二维画布至处理器，得到原始像素点集，包括：
利用如下公式映射所述拼接图二维画布：
Figure FDA0002756516380000011
其中，zx,y表示原始像素点集，p*q表示卷积核，w表示卷积核权重，v表示卷积核通道数，b表示偏置数，h()表示非线性激活函数。
5.如权利要求1所述的目标物定损方法，其特征在于，所述根据所述粗分类对一个预构建的超平面分类模型进行训练，得到训练完成的超平面分类模型，包括：
根据所述粗分类，得到不同类别的训练集；
构建初始超平面；
构建所述初始超平面与所述训练集的几何间隔函数；
根据所述几何间隔函数构建几何间隔最小值优化函数；
求解所述几何间隔最小值优化函数的约束条件；
根据所述约束条件及所述几何间隔最小值优化函数，重复训练所述初始超平面，得到所述超平面分类模型。
6.如权利要求5所述的目标物定损方法，其特征在于，所述构建所述初始超平面与所述训练集的几何间隔函数，包括：
利用下述公式构建所述初始超平面与所述训练集集的几何间隔函数：
Figure FDA0002756516380000021
其中,λi表示几何间隔的值，yi表示所述初始超平面中y轴的值，xi表示所述初始超平面中x轴的值，w表示一元一次方程的系数，||w||表示w的转置共轭矩阵与w的积的最大特征根的平方根值，d表示一元一次方程的常数。
7.如权利要求1所述的目标物定损方法，其特征在于，所述根据所述不同类别的像素点集利用预设的目标物定损算法分析所述目标物的定损结果，包括：
利用下述方法分析所述目标物的定损结果：
Figure FDA0002756516380000022
其中，H表示定损结果，J表示轻度受损的像素点个数，K表示中度受损的像素点个数，M表示重度受损的像素点个数，P表示原始像素点集的像素点个数，δ，μ，σ为预设的百分比。
8.一种目标物定损装置，其特征在于，所述装置包括：
获取模块，用于获取目标物的图片集，对所述图片集中的图片进行拼接，得到拼接图；
识别模块，用于识别出所述拼接图的像素点集；
分类模块，用于对所述像素点集中的像素点粗分类，根据所述粗分类对一个预构建的超平面分类模型进行训练，得到训练完成的超平面分类模型；利用所述训练完成的超平面分类模型对所述像素点集中的像素点进行精分类，得到不同类别的像素点集；
计算模块，用于利用预设的目标物定损算法分析所述目标物的定损结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的目标物定损方法。
10.一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的目标物定损方法。
CN202011204228.4A 2020-11-02 2020-11-02 目标物定损方法、装置、电子设备及计算机可读存储介质 Active CN112329596B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011204228.4A CN112329596B (zh) 2020-11-02 2020-11-02 目标物定损方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011204228.4A CN112329596B (zh) 2020-11-02 2020-11-02 目标物定损方法、装置、电子设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112329596A true CN112329596A (zh) 2021-02-05
CN112329596B CN112329596B (zh) 2021-08-24

Family

ID=74324401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011204228.4A Active CN112329596B (zh) 2020-11-02 2020-11-02 目标物定损方法、装置、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112329596B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344198A (zh) * 2021-06-09 2021-09-03 北京三快在线科技有限公司 一种模型训练的方法及装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092922A (zh) * 2017-03-13 2017-08-25 平安科技（深圳）有限公司 车损识别方法及服务器
CN107194398A (zh) * 2017-05-10 2017-09-22 平安科技（深圳）有限公司 车损部位的识别方法及系统
CN108171220A (zh) * 2018-01-31 2018-06-15 南京云思创智信息科技有限公司 基于全卷积神经网络与crf技术的道路自动识别方法
CN109215027A (zh) * 2018-10-11 2019-01-15 平安科技（深圳）有限公司 一种基于神经网络的车辆定损方法、服务器及介质
CN109447998A (zh) * 2018-09-29 2019-03-08 华中科技大学 基于PCANet深度学习模型下的自动分割方法
CN109635742A (zh) * 2018-12-13 2019-04-16 深源恒际科技有限公司 一种车辆图像定损中的子部件损伤识别方法
CN109635651A (zh) * 2018-11-07 2019-04-16 中国平安财产保险股份有限公司 一种基于图像识别的车辆定损方法、存储介质及服务器
CN110264444A (zh) * 2019-05-27 2019-09-20 阿里巴巴集团控股有限公司 基于弱分割的损伤检测方法及装置
CN111353515A (zh) * 2018-12-21 2020-06-30 湖南工业大学 一种基于多尺度分级的列车轮对踏面损伤分类识别方法
US10783643B1 (en) * 2019-05-27 2020-09-22 Alibaba Group Holding Limited Segmentation-based damage detection
CN111695609A (zh) * 2020-05-26 2020-09-22 平安科技（深圳）有限公司 目标物损伤程度判定方法、装置、电子设备及存储介质
CN111696123A (zh) * 2020-06-15 2020-09-22 荆门汇易佳信息科技有限公司 超像素分类识别的遥感图像水域分割提取方法
CN111860268A (zh) * 2020-07-13 2020-10-30 江西中医药大学 基于机器学习的伪造图像检测识别方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092922A (zh) * 2017-03-13 2017-08-25 平安科技（深圳）有限公司 车损识别方法及服务器
CN107194398A (zh) * 2017-05-10 2017-09-22 平安科技（深圳）有限公司 车损部位的识别方法及系统
CN108171220A (zh) * 2018-01-31 2018-06-15 南京云思创智信息科技有限公司 基于全卷积神经网络与crf技术的道路自动识别方法
CN109447998A (zh) * 2018-09-29 2019-03-08 华中科技大学 基于PCANet深度学习模型下的自动分割方法
CN109215027A (zh) * 2018-10-11 2019-01-15 平安科技（深圳）有限公司 一种基于神经网络的车辆定损方法、服务器及介质
CN109635651A (zh) * 2018-11-07 2019-04-16 中国平安财产保险股份有限公司 一种基于图像识别的车辆定损方法、存储介质及服务器
CN109635742A (zh) * 2018-12-13 2019-04-16 深源恒际科技有限公司 一种车辆图像定损中的子部件损伤识别方法
CN111353515A (zh) * 2018-12-21 2020-06-30 湖南工业大学 一种基于多尺度分级的列车轮对踏面损伤分类识别方法
CN110264444A (zh) * 2019-05-27 2019-09-20 阿里巴巴集团控股有限公司 基于弱分割的损伤检测方法及装置
US10783643B1 (en) * 2019-05-27 2020-09-22 Alibaba Group Holding Limited Segmentation-based damage detection
CN111695609A (zh) * 2020-05-26 2020-09-22 平安科技（深圳）有限公司 目标物损伤程度判定方法、装置、电子设备及存储介质
CN111696123A (zh) * 2020-06-15 2020-09-22 荆门汇易佳信息科技有限公司 超像素分类识别的遥感图像水域分割提取方法
CN111860268A (zh) * 2020-07-13 2020-10-30 江西中医药大学 基于机器学习的伪造图像检测识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐鑫: "基于支持向量机—机器学习方法的海洋平台结构损伤识别方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344198A (zh) * 2021-06-09 2021-09-03 北京三快在线科技有限公司 一种模型训练的方法及装置
CN113344198B (zh) * 2021-06-09 2022-08-26 北京三快在线科技有限公司 一种模型训练的方法及装置

Also Published As

Publication number Publication date
CN112329596B (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN109191424B (zh) 一种乳腺肿块检测与分类系统、计算机可读存储介质
CN110363176B (zh) 一种图像分析方法及装置
CN114758249B (zh) 基于野外夜间环境的目标物监测方法、装置、设备及介质
CN113705462B (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN112507934A (zh) 活体检测方法、装置、电子设备及存储介质
CN113065609B (zh) 图像分类方法、装置、电子设备及可读存储介质
US20200250401A1 (en) Computer system and computer-readable storage medium
CN112132812B (zh) 证件校验方法、装置、电子设备及介质
CN112329596B (zh) 目标物定损方法、装置、电子设备及计算机可读存储介质
CN114066664A (zh) 基于行为画像的风险等级评估方法、装置、设备及介质
CN114637326A (zh) 区域策略制定方法、装置、设备及存储介质
CN110895543B (zh) 人口迁徙跟踪展示方法、装置及存储介质
CN117455762A (zh) 基于全景行车记录仪的记录画面分辨率提升方法及系统
CN116309612B (zh) 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质
CN115294426B (zh) 介入医学设备的跟踪方法、装置、设备及存储介质
CN115880448A (zh) 基于双目成像的三维测量方法、装置、设备及存储介质
CN115908175A (zh) 低照度图像多级增强方法、装置、电子设备以及存储介质
CN114882059A (zh) 基于图像分析的尺寸测量方法、装置、设备及存储介质
CN114463685A (zh) 行为识别方法、装置、电子设备及存储介质
CN110415110B (zh) 进度监测方法、进度监测装置和电子设备
CN114612425A (zh) 基于神经网络的自然环境修复评估方法、装置及设备
CN113792801A (zh) 人脸炫光程度的检测方法、装置、设备及存储介质
CN113792671A (zh) 人脸合成图像的检测方法、装置、电子设备及介质
CN113516083B (zh) 一种草原区弃耕地植被的生态修复建模方法
CN112561893A (zh) 图片匹配方法、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