CN113239313A - 一种艺术品估值系统的图像识别处理方法 - Google Patents

一种艺术品估值系统的图像识别处理方法 Download PDF

Info

Publication number
CN113239313A
CN113239313A CN202110314011.7A CN202110314011A CN113239313A CN 113239313 A CN113239313 A CN 113239313A CN 202110314011 A CN202110314011 A CN 202110314011A CN 113239313 A CN113239313 A CN 113239313A
Authority
CN
China
Prior art keywords
auction
price
image
valuation
artwork
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
CN202110314011.7A
Other languages
English (en)
Other versions
CN113239313B (zh
Inventor
黄志�
万林
彭干
尹晖
范友振
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.)
Shenzhen Yachang Art Net Co ltd
Original Assignee
Shenzhen Yachang Art Net 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 Shenzhen Yachang Art Net Co ltd filed Critical Shenzhen Yachang Art Net Co ltd
Priority to CN202110314011.7A priority Critical patent/CN113239313B/zh
Publication of CN113239313A publication Critical patent/CN113239313A/zh
Application granted granted Critical
Publication of CN113239313B publication Critical patent/CN113239313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0278—Product appraisal

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Finance (AREA)
  • Mathematical Optimization (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Character Discrimination (AREA)

Abstract

本发明提供了一种艺术品估值系统的图像识别处理方法，其包括：步骤S1：第一图像处理模块对图像信息进行转化；步骤S2：第二图像处理模块根据所述第一图像处理模块的转化结果生成第一次预估成交价和第一次拍卖估价区间；步骤S3：所述分类模块对拍卖公司进行层级分类；步骤S4：所述估值模块找到对价格有影响的价格影响因素，得出估值计算公式和计算所需数据特征，以生成第二次预估成交价和第二次拍卖估价区间；步骤S5：根据研究得出的数据特征，采集、清洗、补全数据字段。

Description

一种艺术品估值系统的图像识别处理方法
技术领域
本发明总地涉及艺术品估值领域，且更具体地涉及一种艺术品估值系统的图像识别处理方法。
背景技术
艺术品估值是指对艺术品市场交易价格的估计、预测。因为艺术品的特征是异质性，即每一件艺术都是独一无二的，而且一件艺术品可能和另一件艺术品差异巨大，导致传统的资产评估方法(如房地产、二手车等资产的评估)无法完全适用于艺术品估值。目前，市场常用的艺术品估值的方法有由拍卖行、画廊等业务人员，根据市场交易经验进行的艺术品估值，和由艺术品估值专家、博物馆艺术馆工作人员，根据艺术品的艺术价值、历史价值、学术价值等经验进行艺术品估值。这些常用的艺术品估值方法都是基于人的主观判断进行的估值，受到估值人的经验、学识、喜好等个人因素所影响，很难建立统一的方法和标准化的流程。
在利用数据进行艺术品估值的这一块，从学术上讲，研究比较多的有梅建平和迈克尔·摩西的对艺术品指数的研究——Art as an investment and theunderperformance of masterpieces.，Mei，Jianping；Moses，Michael，The AmericanEconomic Review；Dec 2002；92，5；ProQuest pg.1656这篇论文，基本确认了数据估值的一个大思路是可行的，提出了“重复交易模型”进行一个价格预测。但此类计算，对数据要求特别高，要有艺术品在拍卖会上重复多次交易才能使用。Skate’s Art Investment Handbook则指出另一个可能的计算方向，即“特征价格法”，指的是用艺术品本身的特征，如尺寸、题材等，进行价格评估。但此类计算，往往精准程度无法保证。为此，本发明提供了一种艺术品估值系统的图像识别处理方法，以至少部分的解决上述问题。
发明内容
在发明内容部分中引入了一系列简化形式的概念，这将在具体实施例部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
为至少部分地解决上述技术问题，本发明提供了一种艺术品估值系统的图像识别处理方法，其包括：
步骤S1：第一图像处理模块对图像信息进行转化；
步骤S2：第二图像处理模块根据所述第一图像处理模块的转化结果生成第一次预估成交价和第一次拍卖估价区间；
步骤S3：分类模块对拍卖公司进行层级分类；
步骤S4：估值模块找到对价格有影响的价格影响因素，得出估值计算公式和计算所需数据特征，以生成第二次预估成交价和第二次拍卖估价区间；
步骤S5：根据研究得出的数据特征，采集、清洗、补全数据字段；
所述第一图像处理模块包括图像切分单元、图像识别比对单元和图像标记单元；所述图像切分单元对艺术品的图像进行切分，所述图像切分单元通过切分图像生成特征像素矩阵Q(q1 q2 q3....qn)，矩阵中，q1、q2、q3递推至qn均为图像的像素值；
所述识别比对单元中包括储存部，所述储存部实时从互联网中获取艺术品信息，并生成现有艺术品估值矩阵Sc和待调用信息文件docc，下标c表示现有艺术品的编号，下标c＝1、2、3依次递增直到n；现有艺术品估值矩阵为Sc(Mc Nc)，矩阵中，Mc为初始识别像素矩阵，Nc为特征像素矩阵，初始识别像素矩阵为Mc(mc1 mc2 mc3)，矩阵中，mc1、mc2、mc3均为可识别像素值；像素值mc1、mc2、mc3均由人为设定，特征像素矩阵为Nc(nc1 nc2 nc3....ncn)，矩阵中，nc1 nc2 nc3递推至ncn均为特征像素值；待调用信息文件docc包括对应艺术品的原始成交价和原始拍卖估价区间；
所述图像标记单元将特征像素矩阵Q和初始识别像素矩阵Mc相比较，当存在初始识别像素矩阵Mj，下标j为1、2、3....n中的任意一个数，矩阵Mj中的数值mj1 mj2 mj3均存在于特征像素矩阵Q中时，所述图像标记单元将特征像素矩阵Q和特征像素矩阵Nj相比较，所述图像标记单元根据比较结果生成识别参数kj；
所述第二图像处理模块根据识别参数kj对待调用信息文件docj中的原始成交价和拍卖估价区间进行赋值计算，以生成基于所述艺术品的第一次预估成交价和第一次拍卖估价区间。
进一步地，当原始成交价的币种是非人民币，则转化成人民币价格，中间汇率为取得拍卖时间所处月份所述币种兑人民币的中间汇率；
当拍卖估价区间的币种是非人民币，则转化成人民币价格，中间汇率为取得拍卖时间所处月份所述币种兑人民币的中间汇率。
进一步地，所述分类模块根据其满足判断标准的数量进行层级分类，所述拍卖公司满足判断标准的数量越多，其层级越高。
进一步地，判断标准包括：
市场市值判断标准，当所述拍卖公司成交额总量大于等于市场总量的七成时，所述拍卖公司满足市场市值的判断标准；
征集作品的能力判断标准，当所述拍卖公司的上拍量超过同期50％的同行时，设定所述拍卖公司满足征集作品能力的判断标准；
转化成销售的能力判断标准，当所述拍卖公司的上拍量超过同期50％的同行时，所述拍卖公司满足将征集到的拍品转化成销售的能力的判断标准；
平均成交价的判断标准，当所述拍卖公司的平均成交价超过同期50％的同行时，所述拍卖公司满足平均成交价的判断标准；
持续征集作品及成功销售能力的判断标准，当所述拍卖公司满足过去5年有成交记录，且过去6个拍卖季是有连续拍卖记录时，所述拍卖公司满足持续征集作品及成功销售能力的判断标准。
进一步地，使用柯西型函数计算权重值，计算公式为：
Figure BDA0002990388910000041
式中，α，β，a，b为待定参数，c为可以接受的层级值，d为最高层级的数值，
设定c＝m，最低层级的数值为1，f(1)＝0.01，f(d)＝1，f(m)＝n，通过对待定参数α，β，a，b，m，n进行分别赋值，根据公式(1)计算出每个层级的权重值。
进一步地，所述步骤S4包括：使用多元回归分析，建立数学模型数量关系式；
建立线性模型：ln(P)＝α+β1ln(x) (2)；
式中，P为因变量，x为自变量，α、β1为待定系数。
进一步地，自变量包括：相似作品交易价格rp、尺寸m、题材f和拍卖公司等级a；
根据相似作品交易价格rp、尺寸m、题材f和拍卖公司等级a建立线性模型：
ln(P)＝α+β1ln rp+β2ln m+β3ln f+β4ln a (3)；
式中，P为因变量，α、β1、β2、β3、β4为待定系数。
进一步地，根据所述公式(3)，确定价格影响因素包括相似作品交易价格rp和尺寸m；
设定影响因数分别为i1、i2，并得出计算公式(4)：
Figure BDA0002990388910000051
式中，
Figure BDA0002990388910000052
为相似作品交易价格平均数，
Figure BDA0002990388910000053
为平均尺寸数，α为待定系数；
艺术品估值价格为P＝EXP[ln(P)]；
艺术品估值价格区间Pr的计算公式为：Pr＝P±σ，式中，σ为90％的置信水平计算的浮动值，即σ＝(1-90％)P。
进一步地，根据所述影响因数i1、i2以此类推至in，得出原始艺术品交易数据的特征，对原始艺术品交易数据的特征进行分类，以使部分所述影响因数数i1、i2以此类推至in变成筛选字段标准S1、S2以此类推至Sn。
进一步地，第一次预估成交价SAL’＝kjSAL0；第一次拍卖估价区间ΔSAL’＝kjΔSAL0；其中，kj为识别参数，SAL0为艺术品的原始成交价，ΔSAL0为艺术品的原始拍卖估价区间。
与现有技术相比，本发明的有益效果在于：
本发明提供了一种艺术品估值系统的图像识别处理方法，该方法包括：步骤S1：第一图像处理模块对图像信息进行转化；步骤S2：第二图像处理模块根据所述第一图像处理模块的转化结果生成第一次预估成交价和第一次拍卖估价区间；步骤S3：所述分类模块对拍卖公司进行层级分类；步骤S4：所述估值模块找到对价格有影响的价格影响因素，得出估值计算公式和计算所需数据特征，以生成第二次预估成交价和第二次拍卖估价区间；步骤S5：根据研究得出的数据特征，采集、清洗、补全数据字段，能够准确地进行估值计算。
附图说明
为了使本发明的优点更容易理解，将通过参考在附图中示出的具体实施方式更详细地描述上文简要描述的本发明。可以理解这些附图只描绘了本发明的典型实施方式，因此不应认为是对其保护范围的限制，通过附图以附加的特性和细节描述和解释本发明。
图1为本发明实施例的一种艺术品估值系统的图像识别处理方法的示意图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员来说显而易见的是，本发明实施方式可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明实施方式发生混淆，对于本领域公知的一些技术特征未进行描述。
为了彻底了解本发明实施方式，将在下列的描述中提出详细的结构。显然，本发明实施方式的施行并不限定于本领域的技术人员所熟悉的特殊细节。本发明的较佳实施方式详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。
在本发明的描述中，术语“内侧”、“外侧”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作，因此不能理解为对本发明的限制。
参阅图1所示，本发明提供了一种艺术品估值系统的图像识别处理方法，其包括，
步骤S1：第一图像处理模块对图像信息进行转化；
步骤S2：第二图像处理模块根据所述第一处理模的转化结果生成第一次预估成交价和第一次拍卖估价区间；
步骤S3：所述分类模块对拍卖公司进行层级分类；
步骤S4：所述估值模块找到对价格有影响的价格影响因素，得出估值计算公式和计算所需数据特征，以生成第二次预估成交价和第二次拍卖估价区间；
步骤S5：根据研究得出的数据特征，采集、清洗、补全数据字段；
所述第一图像处理模块包括图像切分单元、图像识别比对单元和图像标记单元；所述图像切分单元对艺术品的图像进行切分，所述图像切分单元通过切分图像生成特征像素矩阵Q(q1 q2 q3....qn)，矩阵中，q1、q2、q3递推至qn均为图像的像素值；
所述识别比对单元中包括储存部，所述储存部实时从互联网中获取艺术品信息，并生成现有艺术品估值矩阵Sc和待调用信息文件docc，下标c表示现有艺术品的编号，下标c＝1、2、3依次递增直到n；现有艺术品估值矩阵为Sc(Mc Nc)，矩阵中，Mc为初始识别像素矩阵，Nc为特征像素矩阵，初始识别像素矩阵为Mc(mc1 mc2 mc3)，矩阵中，mc1、mc2、mc3均为可识别像素值；像素值mc1、mc2、mc3均由人为设定，特征像素矩阵为Nc(nc1 nc2 nc3....ncn)，矩阵中，nc1 nc2 nc3递推至ncn均为特征像素值；待调用信息文件docc包括对应艺术品的原始成交价和原始拍卖估价区间；
所述图像标记单元将特征像素矩阵Q和初始识别像素矩阵Mc相比较，当存在初始识别像素矩阵Mj，下标j为1、2、3....n中的任意一个数，矩阵Mj中的数值mj1 mj2 mj3均存在于特征像素矩阵Q中时，所述图像标记单元将特征像素矩阵Q和特征像素矩阵Nj相比较，所述图像标记单元根据比较结果生成识别参数kj；
所述第二图像处理模块根据识别参数kj对待调用信息文件docj中的原始成交价和拍卖估价区间进行赋值计算，以生成基于所述艺术品的第一次预估成交价和第一次拍卖估价区间。第一次预估成交价SAL’＝kjSAL0；第一次拍卖估价区间ΔSAL’＝kjΔSAL0；其中，kj为识别参数，SAL0为艺术品的原始成交价，ΔSAL0为艺术品的原始拍卖估价区间。
其中，当原始成交价的币种是非人民币，则转化成人民币价格，中间汇率为取得拍卖时间所处月份所述币种兑人民币的中间汇率；以美元为例，计算公式为Prmb＝EXt*PUSD，其中EXt是取得拍卖时间所处月份的美元兑人民币中间汇率。
当拍卖估价区间的币种是非人民币，则转化成人民币价格，中间汇率为取得拍卖时间所处月份所述币种兑人民币的中间汇率；
将尺寸换算成尺寸面积；考虑到书画类别的习惯，此处把尺寸面积转化成平方尺数。计算公式为(长cm*宽cm)*0.0009＝平方尺。
将拍卖公司名字中的文字字段转化成数值字段。
具体而言，拍卖公司根据其满足判断标准的数量进行层级分类，所述拍卖公司满足判断标准的数量越多，其层级越高。
判断标准包括：
市场市值判断标准，当所述拍卖公司成交额总量大于等于市场总量的七成时，所述拍卖公司满足市场市值的判断标准；
征集作品的能力判断标准，当所述拍卖公司的上拍量超过同期50％的同行时，设定所述拍卖公司满足征集作品能力的判断标准；
转化成销售的能力判断标准，当所述拍卖公司的上拍量超过同期50％的同行时，所述拍卖公司满足将征集到的拍品转化成销售的能力的判断标准；
平均成交价的判断标准，当所述拍卖公司的平均成交价超过同期50％的同行时，所述拍卖公司满足平均成交价的判断标准；
持续征集作品及成功销售能力的判断标准，当所述拍卖公司满足过去5年有成交记录，且过去6个拍卖季是有连续拍卖记录时，所述拍卖公司满足持续征集作品及成功销售能力的判断标准。
具体而言，使用柯西型函数计算权重值，计算公式为：
Figure BDA0002990388910000101
式中，α，β，a，b为待定参数，c为可以接受的层级值，d为最高层级的数值，
设定c＝m，最低层级的数值为1，f(1)＝0.01，f(d)＝1，f(m)＝n，通过对待定参数α，β，a，b，m，n进行分别赋值，根据公式(1)计算出每个层级的权重值。
在本发明的一些实施例中，拍卖公司依次分为A，B，C，D，E，F，G(7，6，5，4，3，2，1)七个层级的拍卖公司，其中，A类拍卖公司满足5个判断标准，B类拍卖公司满足4个判断标准，C类拍卖公司满足3个判断标准，D类拍卖公司满足2个判断标准，E类拍卖公司满足1个判断标准，F类拍卖公司满足0个判断标准，G类拍卖公司为不在中拍协或省拍协出现的拍卖公司。
在本发明的一些实施例中，最高层级的数值d＝7，m＝4，n＝0.7，待定参数α＝4.8003，β＝0.7788，a＝0.5372，b＝-0.04532，通过公式(1)，分别计算f(x)，计算结果为：A、B、C、D、E、F、G对应等于(1，0.92，0.82，0.70，0.51，0.24，0.01)。
具体而言，步骤S4包括：使用多元回归分析，建立数学模型数量关系式；
建立线性模型：ln(P)＝α+β1ln(x) (2)；
式中，P为因变量，x为自变量，α、β1为待定系数。自变量包括：相似作品交易价格rp、尺寸m、题材f和拍卖公司等级a；
根据相似作品交易价格rp、尺寸m、题材f和拍卖公司等级a建立线性模型：
ln(P)＝α+β1ln rp+β2ln m+β3ln f+β4ln a (3)；
式中，P为因变量，α、β1、β2、β3、β4为待定系数。
具体而言，确定价格影响因素包括相似作品交易价格rp和尺寸m；
设定影响因数分别为i1、i2，并得出计算公式(4)：
Figure BDA0002990388910000111
式中，
Figure BDA0002990388910000112
为相似作品交易价格平均数，
Figure BDA0002990388910000113
为平均尺寸数，α为待定系数；
艺术品估值价格为P＝EXP[ln(P)]；
艺术品估值价格区间Pr的计算公式为：Pr＝P±σ，式中，σ为90％的置信水平计算的浮动值，即σ＝(1-90％)P。
具体而言，根据所述影响因数i1、i2以此类推至in，得出原始艺术品交易数据的特征，对原始艺术品交易数据的特征进行分类，以使部分所述影响因数数i1、i2以此类推至in变成筛选字段标准S1、S2以此类推至Sn。
在本发明的一些实施例中，筛选字段标准S1、S2以此类推至Sn，所对应的具体因素包括作品交易价格、尺寸、题材、创作年代、装裱。这些字段中，尺寸、题材、创作年代、装裱对艺术品价格影响较大。
具体而言，根据筛选字段标准检查数据库，以确定是否有需要清洗和补充的字段和数值。在本发明的一些实施例中，某件艺术品原始交易数据缺失筛选字段S1，则需要补充相关信息。
具体而言，设定S1是数值n，通过在数据库中检索所有符合S1＝n的数据，并将这些数据打包形成合适数据集。
在本发明的一些实施例中，分别以尺寸、题材、创作年代、装裱四项为维度，筛选出符合条件的数据集，估值目标尺寸为4.5平尺，山水，创作年代是1962年，装裱为立轴；具体筛选步骤如下：
1、筛选3-6平尺的作品，保留下来；
2、筛选山水题材，保留下来；
3、筛选年代1960-1970年期间，保留下来；
4、筛选装裱为立轴的，保留下来。
经过筛选的数据就是可以计算的合适数据集。
具体而言，在找到合适数据集后，此时集合中应该包括了所以可计算的价格影响因素i1，i2和艺术家常量α。如某艺术家常量α＝-1.164，i1＝0.991，i2＝0.857，相似作品交易价格平均数为10,000，平尺4.5，代入公式，Ln(P)＝-1.164+0.991*ln(10,000)*+0.857*ln(4.5)＝9.127+1.289-1.164＝9.252；
艺术品估值价格为EXP(9.252)＝10425。
除非另有定义，本文中所使用的技术和科学术语与本发明的技术领域的技术人员通常理解的含义相同。本文中使用的术语只是为了描述具体的实施目的，不是旨在限制本发明。本文中出现的诸如“部件”等术语既可以表示单个的零件，也可以表示多个零件的组合。本文中出现的诸如“安装”、“设置”等术语既可以表示一个部件直接附接至另一个部件，也可以表示一个部件通过中间件附接至另一个部件。本文中在一个实施方式中描述的特征可以单独地或与其它特征结合地应用于另一个实施方式，除非该特征在该另一个实施方式中不适用或是另有说明。
本发明已经通过上述实施方式进行了说明，但应当理解的是，上述实施方式只是用于举例和说明的目的，而非意在将本发明限制于所描述的实施方式范围内。本领域技术人员可以理解的是，根据本发明的教导还可以做出更多种的变型和修改，这些变型和修改均落在本发明所要求保护的范围以内。

Claims (10)

1.一种艺术品估值系统的图像识别处理方法，其特征在于，包括：
步骤S1：第一图像处理模块对图像信息进行转化；
步骤S2：第二图像处理模块根据所述第一图像处理模块的转化结果生成第一次预估成交价和第一次拍卖估价区间；
步骤S3：分类模块对拍卖公司进行层级分类；
步骤S4：估值模块找到对价格有影响的价格影响因素，得出估值计算公式和计算所需数据特征，以生成第二次预估成交价和第二次拍卖估价区间；
步骤S5：根据研究得出的数据特征，采集、清洗、补全数据字段；
所述第一图像处理模块包括图像切分单元、图像识别比对单元和图像标记单元；所述图像切分单元对艺术品的图像进行切分，所述图像切分单元通过切分图像生成特征像素矩阵Q(q1 q2 q3....qn)，矩阵中，q1、q2、q3递推至qn均为图像的像素值；
所述识别比对单元中包括储存部，所述储存部实时从互联网中获取艺术品信息，并生成现有艺术品估值矩阵Sc和待调用信息文件docc，下标c表示现有艺术品的编号，下标c＝1、2、3依次递增直到n；现有艺术品估值矩阵为Sc(Mc Nc)，矩阵中，Mc为初始识别像素矩阵，Nc为特征像素矩阵，初始识别像素矩阵为Mc(mc1 mc2 mc3)，矩阵中，mc1、mc2、mc3均为可识别像素值；像素值mc1、mc2、mc3均由人为设定，特征像素矩阵为Nc(nc1 nc2 nc3....ncn)，矩阵中，nc1nc2 nc3递推至ncn均为特征像素值；待调用信息文件docc包括对应艺术品的原始成交价和原始拍卖估价区间；
所述图像标记单元将特征像素矩阵Q和初始识别像素矩阵Mc相比较，当存在初始识别像素矩阵Mj，下标j为1、2、3....n中的任意一个数，矩阵Mj中的数值mj1 mj2 mj3均存在于特征像素矩阵Q中时，所述图像标记单元将特征像素矩阵Q和特征像素矩阵Nj相比较，所述图像标记单元根据比较结果生成识别参数kj；
所述第二图像处理模块根据识别参数kj对待调用信息文件docj中的原始成交价和拍卖估价区间进行赋值计算，以生成基于所述艺术品的第一次预估成交价和第一次拍卖估价区间。
2.根据权利要求1所述的艺术品估值系统的图像识别处理方法，其特征在于，当原始成交价的币种是非人民币，则转化成人民币价格，中间汇率为取得拍卖时间所处月份所述币种兑人民币的中间汇率；
当拍卖估价区间的币种是非人民币，则转化成人民币价格，中间汇率为取得拍卖时间所处月份所述币种兑人民币的中间汇率。
3.根据权利要求1所述的艺术品估值系统的图像识别处理方法，其特征在于，所述分类模块根据其满足判断标准的数量进行层级分类，所述拍卖公司满足判断标准的数量越多，其层级越高。
4.根据权利要求3所述的艺术品估值系统的图像识别处理方法，其特征在于，判断标准包括：
市场市值判断标准，当所述拍卖公司成交额总量大于等于市场总量的七成时，所述拍卖公司满足市场市值的判断标准；
征集作品的能力判断标准，当所述拍卖公司的上拍量超过同期50％的同行时，设定所述拍卖公司满足征集作品能力的判断标准；
转化成销售的能力判断标准，当所述拍卖公司的上拍量超过同期50％的同行时，所述拍卖公司满足将征集到的拍品转化成销售的能力的判断标准；
平均成交价的判断标准，当所述拍卖公司的平均成交价超过同期50％的同行时，所述拍卖公司满足平均成交价的判断标准；
持续征集作品及成功销售能力的判断标准，当所述拍卖公司满足过去5年有成交记录，且过去6个拍卖季是有连续拍卖记录时，所述拍卖公司满足持续征集作品及成功销售能力的判断标准。
5.根据权利要求3所述的艺术品估值系统的图像识别处理方法，其特征在于，使用柯西型函数计算权重值，计算公式为：
Figure FDA0002990388900000031
式中，α，β，a，b为待定参数，c为可以接受的层级值，d为最高层级的数值，
设定c＝m，最低层级的数值为1，f(1)＝0.01，f(d)＝1，f(m)＝n，通过对待定参数α，β，a，b，m，n进行分别赋值，根据公式(1)计算出每个层级的权重值。
6.根据权利要求2、4或5任一项所述的艺术品估值系统的图像识别处理方法，其特征在于，所述步骤S4包括：使用多元回归分析，建立数学模型数量关系式；
建立线性模型：ln(P)＝α+β1ln(x) (2)；
式中，P为因变量，x为自变量，α、β1为待定系数。
7.根据权利要求6所述的艺术品估值系统的图像识别处理方法，其特征在于，自变量包括：相似作品交易价格rp、尺寸m、题材f和拍卖公司等级a；
根据相似作品交易价格rp、尺寸m、题材f和拍卖公司等级a建立线性模型：
ln(P)＝α+β1lnrp+β2lnm+β3lnf+β4lna (3)；
式中，P为因变量，α、β1、β2、β3、β4为待定系数。
8.根据权利要求7所述的艺术品估值系统的图像识别处理方法，其特征在于，根据所述公式(3)，确定价格影响因素包括相似作品交易价格rp和尺寸m；
设定影响因数分别为i1、i2，并得出计算公式(4)：
Figure FDA0002990388900000041
式中，
Figure FDA0002990388900000042
为相似作品交易价格平均数，
Figure FDA0002990388900000043
为平均尺寸数，α为待定系数；
艺术品估值价格为P＝EXP[ln(P)]；
艺术品估值价格区间Pr的计算公式为：Pr＝P±σ，式中，σ为90％的置信水平计算的浮动值，即σ＝(1-90％)P。
9.根据权利要求7所述的艺术品估值系统的图像识别处理方法，其特征在于，可以根据i值，得出各个影响因素的重要程度；根据所计算得出影响因数系数i1、i2…in，由数值大小，从高到底进行排序，即可得出各个影响因素对艺术品价格的影响高低；所以，根据影响因数重要程度从i1、i2至in，也可以得知筛选字段标准的重要程度S1、S2至Sn。
10.根据权利要求1所述的艺术品估值系统的图像识别处理方法，其特征在于，第一次预估成交价SAL’＝kjSAL0；第一次拍卖估价区间ΔSAL’＝kjΔSAL0；其中，kj为识别参数，SAL0为艺术品的原始成交价，ΔSAL0为艺术品的原始拍卖估价区间。
CN202110314011.7A 2021-03-24 2021-03-24 一种艺术品估值系统的图像识别处理方法 Active CN113239313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110314011.7A CN113239313B (zh) 2021-03-24 2021-03-24 一种艺术品估值系统的图像识别处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110314011.7A CN113239313B (zh) 2021-03-24 2021-03-24 一种艺术品估值系统的图像识别处理方法

Publications (2)

Publication Number Publication Date
CN113239313A true CN113239313A (zh) 2021-08-10
CN113239313B CN113239313B (zh) 2023-05-23

Family

ID=77130466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110314011.7A Active CN113239313B (zh) 2021-03-24 2021-03-24 一种艺术品估值系统的图像识别处理方法

Country Status (1)

Country Link
CN (1) CN113239313B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5911131A (en) * 1995-12-20 1999-06-08 Vig; Tommy Computer aided calculation, appraisal and valuation of works of art
CN106408342A (zh) * 2016-09-22 2017-02-15 湖南工程学院 艺术品三维测度价值评估系统及其方法
CN108334906A (zh) * 2018-02-08 2018-07-27 杭州华选信息科技有限公司 一种金融典当服务的抵押物自动识别评估方法和装置
CN108647987A (zh) * 2018-04-03 2018-10-12 云南网星大数据科技股份有限公司 房屋资产估价方法
CN112365441A (zh) * 2020-10-12 2021-02-12 深圳市对庄科技有限公司 一种用于翡翠评估的信息处理方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050060271A1 (en) * 1995-09-19 2005-03-17 Tommy Vig Non-subjective valuing
US5911131A (en) * 1995-12-20 1999-06-08 Vig; Tommy Computer aided calculation, appraisal and valuation of works of art
CN106408342A (zh) * 2016-09-22 2017-02-15 湖南工程学院 艺术品三维测度价值评估系统及其方法
CN108334906A (zh) * 2018-02-08 2018-07-27 杭州华选信息科技有限公司 一种金融典当服务的抵押物自动识别评估方法和装置
CN108647987A (zh) * 2018-04-03 2018-10-12 云南网星大数据科技股份有限公司 房屋资产估价方法
CN112365441A (zh) * 2020-10-12 2021-02-12 深圳市对庄科技有限公司 一种用于翡翠评估的信息处理方法及装置

Also Published As

Publication number Publication date
CN113239313B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
KR100771718B1 (ko) 신용 점수의 평가를 추론하는 컴퓨터로 구현되는 추론 방법, 포트폴리오 평가 시스템 및 컴퓨터
KR100771710B1 (ko) 입찰가 판정 방법 및 시스템, 컴퓨터
KR100796058B1 (ko) 예비 실사 문제에 관한 협력 방법과 시스템 및 컴퓨터
KR100766149B1 (ko) 컴퓨터로 구현되는 자산 샘플링 방법, 시스템 및 컴퓨터
CN105760957B (zh) 一种证券软流失客户的预测方法
TWI257556B (en) Rapid valuation of portfolios of assets such as financial instruments
KR100766148B1 (ko) 자산 가치 평가에 대한 최소 변동 가정 선택을 위한 컴퓨터로 구현되는 방법과, 포트폴리오 가치 평가 시스템 및 컴퓨터
KR100746107B1 (ko) 자산 포트폴리오의 기술 속성 상관 방법, 상관 시스템 및 상관 컴퓨터
US7340431B1 (en) Systems and methods for determining the value of assets
KR20010103784A (ko) 입력이 없는 상황에서의 가치 평가 예측 모델
KR20030004316A (ko) 최종 입찰 결정 방법과 그 시스템, 및 컴퓨터
KR20010102452A (ko) 가치를 찾고 위험을 줄이기 위한 방법 및 시스템
Jud et al. What do we know about apartments and their markets?
Hsu A hybrid multiple criteria decision-making model for investment decision making
CN113239313A (zh) 一种艺术品估值系统的图像识别处理方法
CN113139830A (zh) 一种艺术品估值系统的估值计算方法
CN113240446B (zh) 艺术品估值系统的数据分类及处理方法
Lee et al. Analyzing the rent-to-price ratio for the housing market at the micro-spatial scale
Sharma et al. Prediction of Real-Time Estate Pricing using Train-Test Splitting Techniques
Guttery et al. Aggregation bias in price indices for multi-family rental properties
TW554276B (en) Methods, system and computer for determining a winning bid for a sealed bid auction at an optimal bid price
Chen et al. Forecasting housing prices under different submarket assumptions
DEACONU et al. Trends in real estate appraisal: An emerging context
Diala et al. Comparative Analysis of the Performance of Commercial and Residential Real Property Investments in Enugu Urban From 2010
Ramírez Financial vs traditional pricing models: which model explains better real estate prices in Bogotá?

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