CN112330469A - 一种医疗保险理赔材料的预审方法及装置 - Google Patents
一种医疗保险理赔材料的预审方法及装置 Download PDFInfo
- Publication number
- CN112330469A CN112330469A CN202011220312.5A CN202011220312A CN112330469A CN 112330469 A CN112330469 A CN 112330469A CN 202011220312 A CN202011220312 A CN 202011220312A CN 112330469 A CN112330469 A CN 112330469A
- Authority
- CN
- China
- Prior art keywords
- quality detection
- image
- quality
- medical insurance
- shot image
- 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 81
- 238000001514 detection method Methods 0.000 claims abstract description 118
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 33
- 238000012552 review Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000007689 inspection Methods 0.000 claims description 75
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 15
- 238000003908 quality control method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/28—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet
- G06V30/287—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet of Kanji, Hiragana or Katakana characters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请实施例提供一种医疗保险理赔材料的预审方法及装置，涉及材料审查领域，该方法包括：获取医疗保险理赔材料的拍摄图像；通过预设的人工智能质检模型对拍摄图像进行质量检测，得到质量检测结果；判断质量检测结果是否符合质检要求；当质量检测结果符合质检要求时，上传拍摄图像至服务器，以使服务器对拍摄图像进行文字识别处理，得到文字识别结果。可见，实施这种实施方式，能够自动对医疗保险资料进行预审，便于工作人员根据有效资料进行后续的工作，从而提高了医疗保险理赔材料的审理效率。
Description
技术领域
本申请涉及材料审查领域，具体而言，涉及一种医疗保险理赔材料的预审方法及装置。
背景技术
目前，保险公司在处理医疗保险理赔案件时，工作人员通常会收到用户提供的个人身份资料图像以及大量的报销票据图像，以便于工作人员根据这些图像进行案件理赔审理以及录入保险案件所需要的数据。然而，在实践中发现，在工作人员进行相应工作之前，往往需要对上述图像一一进行判断以确定上述的图像皆是清晰、完整、有效的。由此可见，这部分工作会消耗掉工作人员的大量时间，从而降低了医疗保险理赔材料的审理效率。
发明内容
本申请的目的在于提供一种医疗保险理赔材料的预审方法及装置，能够自动对医疗保险资料进行预审，便于工作人员根据有效资料进行后续的工作，从而提高了医疗保险理赔材料的审理效率。
本申请实施例第一方面提供了一种医疗保险理赔材料的预审方法，所述方法包括：
获取医疗保险理赔材料的拍摄图像；
通过预设的人工智能质检模型对所述拍摄图像进行质量检测，得到质量检测结果；
判断所述质量检测结果是否符合质检要求；
当所述质量检测结果符合所述质检要求时，上传所述拍摄图像至服务器，以使所述服务器对所述拍摄图像进行文字识别处理，得到文字识别结果。
在上述实现过程中，该医疗保险理赔材料的预审方法可以优先获取医疗保险理赔材料的拍摄图像；然后通过预设的人工智能质检模型对拍摄图像进行质量检测，得到质量检测结果；在获取到质量检测结果之后，判断质量检测结果是否符合质检要求；并在质量检测结果符合质检要求时，上传拍摄图像至服务器，以使服务器对拍摄图像进行文字识别处理，得到文字识别结果。可见，实施这种实施方式，能够在工作人员对医疗保险理赔材料进行处理之前，对医疗保险理赔材料进行预先审核，并在预审完成之后自动上传通过预审的材料文件给服务器进行文字识别，以使工作人员可以根据文字识别结果和医疗保险理赔材料进行进一步的处理工作。
进一步地，所述通过预设的人工智能质检模型对所述拍摄图像进行质量检测，得到质量检测结果的步骤包括：
对所述拍摄图像进行裁剪与调整，得到目标区域图像；
通过预设的人工智能质检模型对所述目标区域图像进行质量检测，得到质量检测结果。
在上述实现过程中，该方法在通过预设的人工智能质检模型对拍摄图像进行质量检测，得到质量检测结果的过程中，可以优先对拍摄图像进行裁剪与调整，得到目标区域图像；然后再通过预设的人工智能质检模型对目标区域图像进行质量检测，得到质量检测结果。可见，实施这种实施方式，能够针对于拍摄图像中的指定目标区域的图像进行质量检测，从而可以得到关于资料本身的质量检测结果，避免了无用信息对质量检测的干扰，从而提高整体材料预审的精度。
进一步地，所述质量检测结果包括所述拍摄图像是否为原件的第一质检评分、所述拍摄图像是否经过裁剪的第二质检评分以及用于表示所述拍摄图像清晰度的质检评分。
在上述实现过程中，质量检测结果包括拍摄图像是否为原件的第一质检评分、拍摄图像是否经过裁剪的第二质检评分以及用于表示拍摄图像清晰度的质检评分。可见，实施这种实施方式，能够从是否为原件的角度、是否经过裁剪的角度以及图像清晰度的角度对拍摄图像进行多方面的质检，从而得到较为全面的质量检测结果，从而能够更客观地完成医疗保险理赔材料的预审过程。
进一步地，所述判断所述质量检测结果是否符合质检要求的步骤之前，所述方法还包括：
通过预设的人工智能质检模型对所述拍摄图像进行图像分类，得到分类结果；所述分类结果至少包括身份表征图像和报销票据图像；
获取与所述分类结果相对应的质检要求。
在上述实现过程中，该方法在判断质量检测结果是否符合质检要求的过程之前，该方法还可以预先通过预设的人工智能质检模型对拍摄图像进行图像分类，得到分类结果；分类结果至少包括身份表征图像和报销票据图像；然后再获取与分类结果相对应的质检要求。可见，实施这种实施方式，能够获取到不同拍摄图像类型的质检要求，从而使得后续的判断可以根据不同的拍摄图像类型进行相应的判断，进而提高了该预审方法的普适性，提高了对医疗保险理赔材料的预审精度。
进一步地，所述方法还包括：
获取所述文字识别结果；
判断所述文字识别结果和预先录入的录入信息是否一致；
当所述文字识别结果和所述录入信息不一致时，输出错误提示信息。
在上述实现过程中，该方法还可以获取文字识别结果；然后再判断文字识别结果和预先录入的录入信息是否一致；最后再在文字识别结果和录入信息不一致时，输出错误提示信息。可见，实施这种实施方式，能够预先对通过质检的医疗保险理赔材料的进行文字识别，从而实现预审后的预处理，进而便于工作人员对医疗保险理赔材料进行进一步处理。
本申请实施例第二方面提供了一种医疗保险理赔材料的预审装置，所述预审装置包括：
获取单元，用于获取医疗保险理赔材料的拍摄图像；
质检单元，用于通过预设的人工智能质检模型对所述拍摄图像进行质量检测，得到质量检测结果；
判断单元，用于判断所述质量检测结果是否符合质检要求；
上传单元，用于当所述质量检测结果符合所述质检要求时，上传所述拍摄图像至服务器，以使所述服务器对所述拍摄图像进行文字识别处理，得到文字识别结果。
在上述实现过程中，预审装置可以通过获取单元来获取医疗保险理赔材料的拍摄图像；通过质检单元来通过预设的人工智能质检模型对所述拍摄图像进行质量检测，得到质量检测结果；通过判断单元来判断所述质量检测结果是否符合质检要求；通过上传单元在所述质量检测结果符合所述质检要求时，上传所述拍摄图像至服务器，以使所述服务器对所述拍摄图像进行文字识别处理，得到文字识别结果。可见，实施这种实施方式，能够在工作人员对医疗保险理赔材料进行处理之前，对医疗保险理赔材料进行预先审核，并在预审完成之后自动上传通过预审的材料文件给服务器进行文字识别，以使工作人员可以根据文字识别结果和医疗保险理赔材料进行进一步的处理工作。
进一步地，所述质检单元包括：
裁剪子单元，用于对所述拍摄图像进行裁剪与调整，得到目标区域图像；
质检子单元，用于通过预设的人工智能质检模型对所述目标区域图像进行质量检测，得到质量检测结果。
在上述实现过程中，该质检单元可以通过裁剪子单元对所述拍摄图像进行裁剪与调整，得到目标区域图像；通过质检子单元来通过预设的人工智能质检模型对所述目标区域图像进行质量检测，得到质量检测结果。可见，实施这种实施方式，能够针对于拍摄图像中的指定目标区域的图像进行质量检测，从而可以得到关于资料本身的质量检测结果，避免了无用信息对质量检测的干扰，从而提高整体材料预审的精度。
进一步地，所述质量检测结果包括所述拍摄图像是否为原件的第一质检评分、所述拍摄图像是否经过裁剪的第二质检评分以及用于表示所述拍摄图像清晰度的质检评分。
在上述实现过程中，质量检测结果包括拍摄图像是否为原件的第一质检评分、拍摄图像是否经过裁剪的第二质检评分以及用于表示拍摄图像清晰度的质检评分。可见，实施这种实施方式，能够从是否为原件的角度、是否经过裁剪的角度以及图像清晰度的角度对拍摄图像进行多方面的质检，从而得到较为全面的质量检测结果，从而能够更客观地完成医疗保险理赔材料的预审过程。
本申请实施例第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例第一方面中任一项所述的医疗保险理赔材料的预审方法。
本申请实施例第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例第一方面中任一项所述的医疗保险理赔材料的预审方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种医疗保险理赔材料的预审方法的流程示意图；
图2为本申请实施例提供的另一种医疗保险理赔材料的预审方法的流程示意图；
图3为本申请实施例提供的一种医疗保险理赔材料的预审装置的结构示意图；
图4为本申请实施例提供的另一种医疗保险理赔材料的预审装置的结构示意图；
图5为本申请实施例提供的一种医疗保险理赔材料的预审方法的举例流程示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
请参看图1，图1为本申请实施例提供了一种医疗保险理赔材料的预审方法的流程示意图。该方法可以用于对医疗保险理赔材料的处理之前对医疗保险理赔材料进行预审的过程当中。其中，该医疗保险理赔材料的预审方法包括：
S101、获取医疗保险理赔材料的拍摄图像。
本实施例中，用户可以通过电子设备或移动装置的摄像头对医疗保险理赔材料进行拍摄，得到拍摄图像，并进行保存。
本实施例中，医疗保险理赔材料包括报销票据、申请人身份证、银行卡或者其他证件图像，对此本实施例中不作任何限定。
S102、通过预设的人工智能质检模型对拍摄图像进行质量检测，得到质量检测结果。
本实施例中，质量检测结果包括拍摄图像是否为原件的第一质检评分、拍摄图像是否经过裁剪的第二质检评分以及用于表示拍摄图像清晰度的质检评分。
本实施例中，该方法能够对拍摄图像进行前端质量把控处理。
在本实施例中，人工智能质检模型可以为深度学习模型，深度学习模型包括卷积神经网络。
在本实施例中，该方法可以通过上述人工智能质检模型进行目标检测和质量检测，从而根据质量检测结果来判断拍摄图像是否可以上传服务器。
本实施例中，该方法可以使用深度学习模型优先获取图像的类型、图像是否是清晰的概率、图像内容是否原件的概率以及图像内容是否经过裁剪的概率；然后，再将原件的概率乘以清晰的概率得到原件的分数(用于判断图像内容是否为原件的分数)，将裁剪的概率乘以清晰的概率得到裁剪的分数(用于判断图像内容是否经过裁剪的分数)。
本实施例中，上述的人工智能质检模型可以分为类型判断和分数回归两种操作。其中，类型判断为对拍摄图像进行是否为身份表征图像或报销票据图像的判断的过程；分数回归则为对拍摄图像的清晰度、完整度、是否为原件进行评分的过程。
在本实施例中，人工智能之间模型可以通过其卷积网络获得目标对象是否清晰(0～1.0)，是否完整(0～1.0)，是否为原件(0～1.0)的分数。
在本实施例中，该方法还可以根据是上述分数进行质量判定。举例来说，当根据用户自己的难易要求判断目标对象是否符合质量要求时，可以使用推荐阈值进行辅助判断，具体来说，当清晰分数大于0.7时认为拍摄图像清晰，当完整分数大于0.7时认为拍摄图像完整，当是否为原件的分数大于0.9时，认为拍摄图像为原件。而上述是否清晰、是否完整以及是否为原件的内容可以融合成质量检测结果。
S103、判断质量检测结果是否符合质检要求，若是，则执行步骤S104；若否，则结束本流程。
作为一种可选的实施方式，当质量检测结果不符合质检要求时，输出图像重拍提示信息，以便于用户进行图像重拍。
S104、上传拍摄图像至服务器，以使服务器对拍摄图像进行文字识别处理，得到文字识别结果。
本实施例中，文字识别结果可以录入至后端数据，以备使用。
作为一种可选的实施方式，该方法还包括：
预先训练人工智能质检模型。
作为一种进一步可选的实施方式，预先训练人工智能质检模型的步骤可以包括：
收集用户上传的身份证、银行卡、其他证件图像；
对用户上传的身份证、银行卡、其他证件图像进行筛选，得到完整、清晰的原始图像；
在原始图像中标注出图像所在区域、目标对象的类别、目标对象是否为原件的标签；
根据标签标注清晰标签分数、完整标签分数、是否为原件的分数；
对图像进行增强处理，得到增强图像；
根据增强图像、清晰标签分数、完整标签分数、是否为原件的分数进行训练，得到人工智能质检模型。
作为一种进一步可选的实施方式，根据增强图像、清晰标签分数、完整标签分数、是否为原件的分数进行训练，得到人工智能质检模型的步骤包括：
对原始图像进行高斯模糊，随机噪点采样，将增强图像的清晰标签置为0.0；
对原始图像进行随机裁剪，将与目标对象重叠区域超过0.5且不超过0.9的对象的裁剪标签置为0.0；
对原始图像和增强数据进行80％、20％划分，其中，80％作为训练集，20％作为评测集；
使用带有清晰度、完整、原件分支/标签的改进版Faster RCNN对训练集进行训练；使用评测集对数据的分类、目标区域、清晰度标签、完整标签、原件标签进行评测；得到人工智能质检模型。
本实施例中，改进版Faster RCNN的网络结构如下：
使用mobilenet-0.5卷积神经网络对用户提供的图像进行特征提取，获得特征图像；
使用区域候选网络推荐候选票据区域；
候选区域中回归较为粗糙的区域；
从特征图像中裁剪出粗糙的区域的特征图；
从裁剪出的特征图，回归票据的精准区域；
从裁剪出的特征图，去分类目标对象的类型；
从裁剪出的特征图，去回归对象的清晰、完整、原件标签。
本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
在本实施例中，该方法的执行主体还可以为智能手机和平板等智能设备，对此本实施例中不作任何限定。
可见，实施图1所描述的医疗保险理赔材料的预审方法，能够优先获取医疗保险理赔材料的拍摄图像；然后通过预设的人工智能质检模型对拍摄图像进行质量检测，得到质量检测结果；在获取到质量检测结果之后，判断质量检测结果是否符合质检要求；并在质量检测结果符合质检要求时，上传拍摄图像至服务器，以使服务器对拍摄图像进行文字识别处理，得到文字识别结果。可见，实施这种实施方式，能够在工作人员对医疗保险理赔材料进行处理之前，对医疗保险理赔材料进行预先审核，并在预审完成之后自动上传通过预审的材料文件给服务器进行文字识别，以使工作人员可以根据文字识别结果和医疗保险理赔材料进行进一步的处理工作。
实施例2
请参看图2，图2为本申请实施例提供的另一种医疗保险理赔材料的预审方法的流程示意图。图2所描述的医疗保险理赔材料的预审方法的流程示意图是根据图1所描述的医疗保险理赔材料的预审方法的流程示意图进行改进得到的。其中，该医疗保险理赔材料的预审方法包括：
S201、获取医疗保险理赔材料的拍摄图像。
本实施例中，对于图像获取方式不做任何限定。
S202、对拍摄图像进行裁剪与调整，得到目标区域图像。
作为一种可选的实施方式，对拍摄图像进行裁剪与调整，得到目标区域图像包括：
通过人工智能质检模型对拍摄图像进行裁剪与调整，得到目标区域图像。
本实施例中，人工智能质检模型还可以优先对拍摄图像进行类型判断；然后，再进一步根据身份表征图像类型确定身份证、银行卡中目标对象的区域，或根据报销票据图像类型确定目标对象的区域；最后对目标对象区域进行裁剪，得到目标区域图像。
本实施例中，上述的调整用于表示对裁剪之后的目标对象区域进行旋转调整，以实现校正目标对象的方向的目的。
S203、通过预设的人工智能质检模型对目标区域图像进行质量检测，得到质量检测结果。
本实施例中，质量检测结果包括拍摄图像是否为原件的第一质检评分、拍摄图像是否经过裁剪的第二质检评分以及用于表示拍摄图像清晰度的质检评分。
本实施例中，该方法可以使用深度学习模型优先获取图像的类型、图像是否是清晰的概率、图像内容是否原件的概率以及图像内容是否经过裁剪的概率；然后，再将原件的概率乘以清晰的概率得到原件的分数(用于判断图像内容是否为原件的分数)，将裁剪的概率乘以清晰的概率得到裁剪的分数(用于判断图像内容是否经过裁剪的分数)。
S204、通过预设的人工智能质检模型对拍摄图像进行图像分类，得到分类结果；分类结果至少包括身份表征图像和报销票据图像。
本实施例中，分类结果可以将拍摄图像分为两种类型，一种是银行卡与身份证类型(即身份表征图像类型)，另一种是报销票据图像类型。
在本实施例中，分类结果还可以将拍摄图像分为第三种类型，即其他类型。
S205、获取与分类结果相对应的质检要求。
本实施例中，当分类结果为身份表征图像时，质检要求包括根据清晰度要求、是否为原件的要求以及图像管未经过裁剪的要求。
本实施例中，当分类结果为报销票据图像时，质检要求仅包括清晰度要求。
S206、判断质量检测结果是否符合质检要求，若是，则执行步骤S207～S209；若否，则结束本流程。
作为一种可选的实施方式，当质量检测结果不符合质检要求时，输出图像重拍提示信息，以便于用户进行图像重拍。
S207、上传拍摄图像至服务器，以使服务器对拍摄图像进行文字识别处理，得到文字识别结果。
S208、获取文字识别结果。
S209、判断文字识别结果和预先录入的录入信息是否一致，若是，则结束本流程；若否，则执行步骤S210。
S210、输出错误提示信息。
举例来说，步骤S208～S210当中，当拍摄图像为身份证与银行卡类型时，该方法可以通过OCR模块获取身份证和银行卡的文本内容和位置；然后根据文本内容和位置，提取身份证上的姓名、名族、出生日期，以及提取银行卡的卡号；对身份证、银行卡进行文本检测、文本识别后，返回识别结果；最后判断图片信息与录入信息是否一致；如果有错误，由人工进行订正。
举例来说，步骤S208～S210当中，当拍摄图像为报销类医疗发票类型时，该方法可以通过OCR模块获取身份证和银行卡的文本内容和位置；然后对医疗发票进行内容提取：对报销票据进行文本检测、文本识别，然后对识别结果进行结构化，获得发票的关键信息，包括病人姓名、性别、自付、住院日期、总扣费等需要录入的内容信息；最后帕努单图片信息与录入信息是否一致；如果有错误，由人工进行订正。
请参见图5，图5示出了一种医疗保险理赔材料的预审方法的举例流程示意图。其中，深度学习模型为人工智能质检模型，分类为对拍摄图像分类，定位为定位图像内容区域，当完成人工智能质检之后，输出的图像根据图像类别如5所示步骤进行后续内容预审，并在完成预审之后提交案件至工作人员，以便于工作人员进行后续工作。
可见，实施图2所描述的医疗保险理赔材料的预审方法，能够在工作人员对医疗保险理赔材料进行处理之前，对医疗保险理赔材料进行预先审核，并在预审完成之后自动上传通过预审的材料文件给服务器进行文字识别，以使工作人员可以根据文字识别结果和医疗保险理赔材料进行进一步的处理工作。
实施例3
请参看图3，图3为本申请实施例提供的一种医疗保险理赔材料的预审装置的结构示意图。其中，该医疗保险理赔材料的预审装置包括：
获取单元310，用于获取医疗保险理赔材料的拍摄图像；
质检单元320，用于通过预设的人工智能质检模型对拍摄图像进行质量检测，得到质量检测结果；
判断单元330，用于判断质量检测结果是否符合质检要求；
上传单元340，用于当质量检测结果符合质检要求时，上传拍摄图像至服务器，以使服务器对拍摄图像进行文字识别处理，得到文字识别结果。
本实施例中，对于医疗保险理赔材料的预审装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
可见，实施图3所描述的医疗保险理赔材料的预审装置，能够在工作人员对医疗保险理赔材料进行处理之前，对医疗保险理赔材料进行预先审核，并在预审完成之后自动上传通过预审的材料文件给服务器进行文字识别，以使工作人员可以根据文字识别结果和医疗保险理赔材料进行进一步的处理工作。
实施例4
请参看图4，图4为本申请实施例提供的另一种医疗保险理赔材料的预审装置的结构示意图。图4所描述的医疗保险理赔材料的预审装置的结构示意图是根据图3所描述的医疗保险理赔材料的预审装置的结构示意图进行改进得到的。其中，该质检单元320包括：
裁剪子单元321，用于对拍摄图像进行裁剪与调整，得到目标区域图像；
质检子单元322，用于通过预设的人工智能质检模型对目标区域图像进行质量检测，得到质量检测结果。
作为一种可选的实施方式，质量检测结果包括拍摄图像是否为原件的第一质检评分、拍摄图像是否经过裁剪的第二质检评分以及用于表示拍摄图像清晰度的质检评分。
作为一种可选的实施方式，医疗保险理赔材料的预审装置还包括：
分类单元350，用于通过预设的人工智能质检模型对拍摄图像进行图像分类，得到分类结果；分类结果至少包括身份表征图像和报销票据图像；
获取单元310，还用于获取与分类结果相对应的质检要求。
作为一种可选的实施方式，医疗保险理赔材料的预审装置还包括：
获取单元310，用于获取文字识别结果；
判断单元330，用于判断文字识别结果和预先录入的录入信息是否一致；
输出单元360，用于在文字识别结果和录入信息不一致时，输出错误提示信息。
本实施例中，对于医疗保险理赔材料的预审装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
可见，实施图4所描述的医疗保险理赔材料的预审装置，能够在工作人员对医疗保险理赔材料进行处理之前，对医疗保险理赔材料进行预先审核，并在预审完成之后自动上传通过预审的材料文件给服务器进行文字识别，以使工作人员可以根据文字识别结果和医疗保险理赔材料进行进一步的处理工作。
本申请实施例提供了一种电子设备，包括存储器以及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行本申请实施例1或实施例2中任一项医疗保险理赔材料的预审方法。
本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，计算机程序指令被一处理器读取并运行时，执行本申请实施例1或实施例2中任一项医疗保险理赔材料的预审方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，本申请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)执行本申请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)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种医疗保险理赔材料的预审方法，其特征在于，所述方法包括：
获取医疗保险理赔材料的拍摄图像；
通过预设的人工智能质检模型对所述拍摄图像进行质量检测，得到质量检测结果；
判断所述质量检测结果是否符合质检要求；
当所述质量检测结果符合所述质检要求时，上传所述拍摄图像至服务器，以使所述服务器对所述拍摄图像进行文字识别处理，得到文字识别结果。
2.根据权利要求1所述的医疗保险理赔材料的预审方法，其特征在于，所述通过预设的人工智能质检模型对所述拍摄图像进行质量检测，得到质量检测结果的步骤包括：
对所述拍摄图像进行裁剪与调整，得到目标区域图像；
通过预设的人工智能质检模型对所述目标区域图像进行质量检测，得到质量检测结果。
3.根据权利要求1所述的医疗保险理赔材料的预审方法，其特征在于，所述质量检测结果包括所述拍摄图像是否为原件的第一质检评分、所述拍摄图像是否经过裁剪的第二质检评分以及用于表示所述拍摄图像清晰度的质检评分。
4.根据权利要求1所述的医疗保险理赔材料的预审方法，其特征在于，所述判断所述质量检测结果是否符合质检要求的步骤之前，所述方法还包括：
通过预设的人工智能质检模型对所述拍摄图像进行图像分类，得到分类结果；所述分类结果至少包括身份表征图像和报销票据图像；
获取与所述分类结果相对应的质检要求。
5.根据权利要求1所述的医疗保险理赔材料的预审方法，其特征在于，所述方法还包括：
获取所述文字识别结果；
判断所述文字识别结果和预先录入的录入信息是否一致；
当所述文字识别结果和所述录入信息不一致时，输出错误提示信息。
6.一种医疗保险理赔材料的预审装置，其特征在于，所述预审装置包括：
获取单元，用于获取医疗保险理赔材料的拍摄图像；
质检单元，用于通过预设的人工智能质检模型对所述拍摄图像进行质量检测，得到质量检测结果；
判断单元，用于判断所述质量检测结果是否符合质检要求；
上传单元，用于当所述质量检测结果符合所述质检要求时，上传所述拍摄图像至服务器，以使所述服务器对所述拍摄图像进行文字识别处理，得到文字识别结果。
7.根据权利要求6所述的医疗保险理赔材料的预审装置，其特征在于，所述质检单元包括：
裁剪子单元，用于对所述拍摄图像进行裁剪与调整，得到目标区域图像；
质检子单元，用于通过预设的人工智能质检模型对所述目标区域图像进行质量检测，得到质量检测结果。
8.根据权利要求6所述的医疗保险理赔材料的预审装置，其特征在于，所述质量检测结果包括所述拍摄图像是否为原件的第一质检评分、所述拍摄图像是否经过裁剪的第二质检评分以及用于表示所述拍摄图像清晰度的质检评分。
9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至5中任一项所述的医疗保险理赔材料的预审方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至5任一项所述的医疗保险理赔材料的预审方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011220312.5A CN112330469A (zh) | 2020-11-04 | 2020-11-04 | 一种医疗保险理赔材料的预审方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011220312.5A CN112330469A (zh) | 2020-11-04 | 2020-11-04 | 一种医疗保险理赔材料的预审方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112330469A true CN112330469A (zh) | 2021-02-05 |
Family
ID=74315695
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011220312.5A Pending CN112330469A (zh) | 2020-11-04 | 2020-11-04 | 一种医疗保险理赔材料的预审方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112330469A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113850764A (zh) * | 2021-09-09 | 2021-12-28 | 深圳新致软件有限公司 | 基于高斯模糊的理赔材料图像质量控制方法、系统以及设备 |
| CN114820211A (zh) * | 2022-04-26 | 2022-07-29 | 中国平安人寿保险股份有限公司 | 理赔资料质检核验方法、装置、计算机设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109639973A (zh) * | 2018-12-21 | 2019-04-16 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 拍摄图像评分方法、评分装置、电子设备及存储介质 |
| CN110428410A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯医疗健康(深圳)有限公司 | 眼底医学图像处理方法、装置、设备及存储介质 |
| CN111144394A (zh) * | 2019-12-13 | 2020-05-12 | 中国平安财产保险股份有限公司 | 基于人工智能的自动审核方法、装置、设备及存储介质 |
| CN111340640A (zh) * | 2020-05-22 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 一种保险理赔材料审核方法、装置和设备 |
| CN111797772A (zh) * | 2020-07-07 | 2020-10-20 | 因凡科技(北京)有限公司 | 发票图像自动分类方法、系统、装置 |
-
2020
- 2020-11-04 CN CN202011220312.5A patent/CN112330469A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109639973A (zh) * | 2018-12-21 | 2019-04-16 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 拍摄图像评分方法、评分装置、电子设备及存储介质 |
| CN110428410A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯医疗健康(深圳)有限公司 | 眼底医学图像处理方法、装置、设备及存储介质 |
| CN111144394A (zh) * | 2019-12-13 | 2020-05-12 | 中国平安财产保险股份有限公司 | 基于人工智能的自动审核方法、装置、设备及存储介质 |
| CN111340640A (zh) * | 2020-05-22 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 一种保险理赔材料审核方法、装置和设备 |
| CN111797772A (zh) * | 2020-07-07 | 2020-10-20 | 因凡科技(北京)有限公司 | 发票图像自动分类方法、系统、装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113850764A (zh) * | 2021-09-09 | 2021-12-28 | 深圳新致软件有限公司 | 基于高斯模糊的理赔材料图像质量控制方法、系统以及设备 |
| CN114820211A (zh) * | 2022-04-26 | 2022-07-29 | 中国平安人寿保险股份有限公司 | 理赔资料质检核验方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107239666B (zh) | 一种对医疗影像数据进行脱敏处理的方法及系统 | |
| US9626555B2 (en) | Content-based document image classification | |
| US9373030B2 (en) | Automated document recognition, identification, and data extraction | |
| WO2018166116A1 (zh) | 车损识别方法、电子装置及计算机可读存储介质 | |
| US10489671B2 (en) | Location based optical character recognition (OCR) | |
| CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
| CN110555372A (zh) | 数据录入方法、装置、设备及存储介质 | |
| CN112330469A (zh) | 一种医疗保险理赔材料的预审方法及装置 | |
| CN111914597B (zh) | 一种文档对照识别方法、装置、电子设备和可读存储介质 | |
| CN111126098B (zh) | 证件图像采集方法、装置、设备及存储介质 | |
| CN111178147B (zh) | 屏幕破碎分级方法、装置、设备及计算机可读存储介质 | |
| CN113963147B (zh) | 一种基于语义分割的关键信息提取方法及系统 | |
| CN111899243A (zh) | 一种图像清晰度评价方法、设备和计算机可读存储介质 | |
| CN111340640A (zh) | 一种保险理赔材料审核方法、装置和设备 | |
| CN115471858A (zh) | 一种用于票据管理的数据处理方法及装置 | |
| US20150379339A1 (en) | Techniques for detecting user-entered check marks | |
| CN115205866A (zh) | 一种基于区块链的科技论文大数据抄袭检测方法及系统 | |
| CN110334107B (zh) | 基于数据分析的资格评审方法、装置及服务器 | |
| CN114897868A (zh) | 极片缺陷识别及模型训练方法、装置及电子设备 | |
| WO2019140641A1 (zh) | 信息处理方法、系统、云处理设备以及计算机程序产品 | |
| CN113780116A (zh) | 发票分类方法、装置、计算机设备和存储介质 | |
| CN111079777B (zh) | 一种基于书页定位的点读方法及电子设备 | |
| CN116824135A (zh) | 基于机器视觉的大气自然环境试验工业产品识别分割方法 | |
| CN113807256A (zh) | 票据数据处理方法、装置、电子设备和存储介质 | |
| KR101800975B1 (ko) | 필기체가 인식되어 생성된 전자문서의 공유 방법 및 그 장치 |
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 |