CN113378619B - 保险业务数据处理方法、装置、电子设备和存储介质 - Google Patents
保险业务数据处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113378619B CN113378619B CN202110268919.9A CN202110268919A CN113378619B CN 113378619 B CN113378619 B CN 113378619B CN 202110268919 A CN202110268919 A CN 202110268919A CN 113378619 B CN113378619 B CN 113378619B
- Authority
- CN
- China
- Prior art keywords
- livestock
- image set
- identification
- insurance
- applicant
- 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
Links
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000003672 processing method Methods 0.000 title claims description 13
- 244000144972 livestock Species 0.000 claims abstract description 237
- 238000012795 verification Methods 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims description 34
- 230000009467 reduction Effects 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000005065 mining Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 241001465754 Metazoa Species 0.000 description 19
- 230000008569 process Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
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
- 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
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Animal Husbandry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Technology Law (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Agronomy & Crop Science (AREA)
- Evolutionary Biology (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及数据处理技术领域,尤其涉及一种保险业务数据处理方法、装置、电子设备和存储介质,在收到投保申请后,根据投保基本信息确定标识验证策略;获取牲畜的第一图像集合;在收到携带有被保险的牲畜的身份标识的理赔申请后,获取待理赔的牲畜的第二图像集合;将第二图像集合和数据库中存储的各第一图像集合输入至预先训练好的牲畜识别模型中,输出识别结果;根据身份标识获取所述牲畜的第一图像集合;根据识别结果和获取结果确定识别错误的样本添加至训练集;利用训练集对所述牲畜识别模型进行训练;通过上述方式,实现了自动制造样本及难样本挖掘,增加了训练样本的多样性,增加了模型的泛化能力,有利于提高所训练的牲畜识别模型的准确率。
Description
【技术领域】
本发明涉及数据处理技术领域,尤其涉及一种保险业务数据处理方法、 装置、电子设备和存储介质。
【背景技术】
生物识别是人工智能领域重要的领域,对于人类来说这是一种天生的 能力,而对于人工智能来说,却代表了最高水平的进展,目前各个AI巨头 都在布局生物识别。人脸识别是生物识别中主要代表也是应用最广泛的一 种生物识别。生物识别根据每个生物个体有特定的轮廓、花纹等特征进行 构建模型从而达到识别的目的。人类天生可以认出很多生物的特征但是要 记住这些特征难于登天。生物识别很好地解决了这类问题。
现有技术中,牲畜识别模型收集样本困难,样本量不高,导致牲畜识 别模型的识别准确率不高。
【发明内容】
本发明的目的在于提供一种保险业务数据处理方法、装置、电子设备 和存储介质,以解决现有技术中牲畜识别模型收集样本困难导致的牲畜识 别模型的识别准确率不高的技术问题。
本发明的技术方案如下:提供一种保险业务数据处理方法,包括:
在收到携带有投保基本信息的投保申请后,根据所述投保基本信息确 定标识验证策略;
基于所述标识验证策略确定进行标识验证的牲畜,获取所述牲畜的第 一图像集合,将所述第一图像集合分别与所述牲畜的保单和身份标识进行 关联,其中,所述第一图像集合包括所述牲畜的不同角度的拍摄图片;
在收到携带有被保险的牲畜的身份标识的理赔申请后,获取待理赔的 牲畜的第二图像集合,其中,所述第二图像集合包括所述牲畜的不同角度 的拍摄图片;
将所述第二图像集合和数据库中存储的各所述第一图像集合输入至预 先训练好的牲畜识别模型中,输出所述被待理赔牲畜的识别结果;
根据所述理赔申请携带的身份标识获取所述牲畜的第一图像集合,当 所述识别结果为识别失败且所述身份标识对应的第一图像集合获取失败时, 根据预设理赔规则执行理赔;
当所述识别结果为识别成功且所述身份标识对应的第一图像集合获取 失败时,根据预设理赔规则执行理赔,利用所述识别结果对应的第一图像 集合和所述待理赔的牲畜的第二图像集合更新训练集;
当所述识别结果为识别成功且所述身份标识对应的第一图像集合获取 成功时,判断所述识别结果和所获取的第一图像集合是否一致,当所述第 一判断结果为否时,利用所述识别结果对应的第一图像集合和所述待理赔 的牲畜的第二图像集合更新所述训练集;
利用所述训练集对所述牲畜识别模型进行训练。
可选地,所述根据所述投保基本信息确定标识验证策略,包括:
获取投保人的保险理赔率以及所述投保人所属地区的牲畜保险的理赔 率;
当投保人的保险理赔率大于或等于投保人理赔率阈值且待投保的牲畜 的数量小于数量阈值时,确定标识验证策略为对全部待投保的牲畜进行标 识验证;
当投保人的保险理赔率大于或等于投保人理赔率阈值且投保人所属地 区的牲畜保险的理赔率大于或等于地区理赔阈值时,确定标识验证策略为 对全部待投保的牲畜进行标识验证;
当投保人的保险理赔率大于或等于投保人理赔率阈值且待投保的牲畜 的数量大于或等于数量阈值时,确定标识验证策略为对第一比例的待投保 的牲畜进行标识验证;
当投保人的保险理赔率小于投保人理赔率阈值且投保人所属地区的牲 畜保险的理赔率大于或等于地区理赔阈值时,确定标识验证策略为对第二 比例的待投保的牲畜进行标识验证;
当投保人的保险理赔率小于投保人理赔率阈值且投保人所属地区的牲 畜保险的理赔率小于地区理赔阈值时,确定标识验证策略为对第三比例的 待投保的牲畜进行标识验证;
其中,第一比例大于第二比例,第二比例大于第三比例。
可选地,所述将所述第二图像集合和数据库中存储的各所述第一图像 集合输入至预先训练好的牲畜识别模型中,输出所述被待理赔牲畜的识别 结果,包括:
将所述第一图像集合或所述第二图像集合中的每个拍摄图片转化为灰 度图;
按照预设的划分方式将所述灰度图划分为不同区域,提取所述灰度图 每个区域的第一特征;
对所述第一特征进行降维处理得到对应的第二特征,根据相同角度的 拍摄图片中同一区域的第二特征计算不同角度不同区域的特征值,根据不 同角度不同区域的特征值分别构建第二图像集合对应的第二特征集合和第 一图像集合对应的第一特征集合,其中,所述特征值为相同角度的多个拍 摄图片的相同区域的第二特征的算术平均值;
根据所述第二特征集合和每个所述第一特征集合获取匹配值;
获取所述匹配值大于或等于预设匹配值阈值的第一图像集合,根据获 取结果生成所述第二图像集合的识别结果。
可选地,所述根据所述第二特征集合和每个所述第一特征集合获取匹 配值,包括:
针对第二特征集合和每个第一特征集合,根据相同角度相同区域的两 个特征值计算该角度该区域的相似度;
根据不同角度不同区域的预设权重以及相似度计算第二特征集合和每 个第一特征集合的总相似度,将所述总相似度作为匹配值。
可选地,不同角度包括正视角度、左侧视角度、右侧视角度以及俯视 角度。
可选地,所述获取所述牲畜的第一图像集合,包括:
获取所述牲畜的第一视频,将所述第一视频的各视频帧存储为对应的 视频帧图片;
以所述牲畜作为检测目标,对所述视频帧图片添加框选所述牲畜的检 测框,基于所述检测框对所述视频帧图片进行裁剪,得到对应的检测图片;
按照预设的角度,从所述检测图片中筛选对应角度的至少一个检测图 片,作为对应角度的拍摄图片;
根据筛选所得不同角度的拍摄图片构建所述牲畜的第一图像集合。
可选地,所述利用所述训练集对所述牲畜识别模型进行训练之前,还 包括:
当所述识别结果为识别失败且所述身份标识对应的第一图像集合获取 成功时,输出二次判断提示信息;
接收用户输入的携带二次判断结果的指令,当所述二次判断结果为第 一图像集合与第二图像集合不一致时,拒绝理赔;
当所述二次判断结果为第一图像集合与第二图像集合一致时,根据预 设理赔规则执行理赔,利用所述身份标识对应的第一图像集合和所述待理 赔的牲畜的第二图像集合更新训练集。
本发明的另一技术方案如下:提供一种保险业务数据处理装置,包括:
策略确定模块,用于在收到携带有投保基本信息的投保申请后,根据 所述投保基本信息确定标识验证策略;
标识验证模块,用于基于所述标识验证策略确定进行标识验证的牲畜, 获取所述牲畜的第一图像集合,将所述第一图像集合分别与所述牲畜的保 单和身份标识进行关联,其中,所述第一图像集合包括所述牲畜的不同角 度的拍摄图片;
理赔响应模块,用于在收到携带有被保险的牲畜的身份标识的理赔申 请后,获取待理赔的牲畜的第二图像集合,其中,所述第二图像集合包括 所述牲畜的不同角度的拍摄图片;
牲畜识别模块,用于将所述第二图像集合和数据库中存储的各所述第 一图像集合输入至预先训练好的牲畜识别模型中,输出所述被待理赔牲畜 的识别结果;
第一更新模块,用于根据所述理赔申请携带的身份标识获取所述牲畜 的第一图像集合,当所述识别结果为识别失败且所述身份标识对应的第一 图像集合获取失败时,根据预设理赔规则执行理赔;
第二更新模块,用于当所述识别结果为识别成功且所述身份标识对应 的第一图像集合获取失败时,根据预设理赔规则执行理赔,利用所述识别 结果对应的第一图像集合和所述待理赔的牲畜的第二图像集合更新训练集;
第三更新模块,用于当所述识别结果为识别成功且所述身份标识对应 的第一图像集合获取成功时,判断所述识别结果和所获取的第一图像集合 是否一致,当所述第一判断结果为否时,利用所述识别结果对应的第一图 像集合和所述待理赔的牲畜的第二图像集合更新所述训练集;
优化训练模块,用于利用所述训练集对所述牲畜识别模型进行训练。
本发明的另一技术方案如下:提供一种电子设备,包括处理器、以及 与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程 序指令;所述处理器执行所述存储器存储的所述程序指令时实现上述的保 险业务数据处理方法。
本发明的另一技术方案如下:提供一种存储介质,所述存储介质内存 储有程序指令,所述程序指令被处理器执行时实现能够实现上述的保险业 务数据处理方法。
本发明的有益效果在于:本发明的保险业务数据处理方法、装置、电 子设备和存储介质,在收到携带有投保基本信息的投保申请后,根据所述 投保基本信息确定标识验证策略;基于所述标识验证策略确定进行标识验 证的牲畜,获取所述牲畜的第一图像集合,将所述第一图像集合分别与所 述牲畜的保单和身份标识进行关联;在收到携带有被保险的牲畜的身份标 识的理赔申请后,获取待理赔的牲畜的第二图像集合;将所述第二图像集合和数据库中存储的各所述第一图像集合输入至预先训练好的牲畜识别模 型中,输出所述被待理赔牲畜的识别结果;根据所述理赔申请携带的身份 标识获取所述牲畜的第一图像集合,当所述识别结果为识别失败且所述身 份标识对应的第一图像集合获取失败时,根据预设理赔规则执行理赔;当 所述识别结果为识别成功且所述身份标识对应的第一图像集合获取失败时, 根据预设理赔规则执行理赔,利用所述识别结果对应的第一图像集合和所 述待理赔的牲畜的第二图像集合更新训练集;当所述识别结果为识别成功 且所述身份标识对应的第一图像集合获取成功时,判断所述识别结果和所 获取的第一图像集合是否一致,当所述第一判断结果为否时,利用所述识 别结果对应的第一图像集合和所述待理赔的牲畜的第二图像集合更新所述 训练集;利用所述训练集对所述牲畜识别模型进行训练;通过上述方式, 利用牲畜识别模型将待理赔的牲畜的第二图像集合与数据库中存储的每个 第一图像集合进行匹配得到识别结果,再获取待理赔牲畜的身份标识的第 一图像集合,根据识别结果和获取结果挖掘识别错误的样本添加至训练集, 实现了自动制造样本及难样本挖掘,增加了训练样本的多样性,增加了模 型的泛化能力,有利于提高所训练的牲畜识别模型的准确率。
【附图说明】
图1为本发明第一实施例的保险业务数据处理方法的流程图;
图2为本发明第二实施例的保险业务数据处理装置的结构示意图;
图3为本发明第三实施例的电子设备的结构示意图;
图4为本发明第四实施例的存储介质的结构示意图。
【具体实施方式】
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,所描述的实施例仅是本发明的一部分实施例, 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 有做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。
本发明中的术语“第一”、“第二”、“第三”仅用于描述目的,而不能 理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由 此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至 少一个该特征。本发明的描述中,“多个”的含义是至少两个,例如两个, 三个等,除非另有明确具体的限定。本发明实施例中所有方向性指示(诸如 上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下 各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时, 则该方向性指示也相应地随之改变。此外,术语“包括”和“具有”以及 它们任何变形,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、产品或设备没有限定于已列出的步骤或单元,而 是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、 方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构 或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出 现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立 的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描 述的实施例可以与其它实施例相结合。
图1是本发明第一实施例的保险业务数据处理方法的流程示意图。需 注意的是,若有实质上相同的结果,本发明的方法并不以图1所示的流程 顺序为限。如图1所示,该保险业务数据处理方法包括步骤:
S101,在收到携带有投保基本信息的投保申请后,根据所述投保基本 信息确定标识验证策略;
其中,投保基本信息包括投保人、投保人所属地区以及待投保的牲畜 的数量;标识验证是指采集待投保的牲畜的图像集合,将该图像集合与该 牲畜的身份标识(例如,耳标)进行关联。具体地,在本步骤中,预先设 定一个投保人理赔率阈值,一个地区理赔率阈值,一个数量阈值;获取投 保人的保险理赔率以及所述投保人所属地区的牲畜保险的理赔率;当投保 人的保险理赔率大于或等于投保人理赔率阈值且待投保的牲畜的数量小于 数量阈值时,标识验证策略为对全部待投保的牲畜进行标识验证;当投保 人的保险理赔率大于或等于投保人理赔率阈值且投保人所属地区的牲畜保 险的理赔率大于或等于地区理赔阈值时,标识验证策略为对全部待投保的 牲畜进行标识验证;当投保人的保险理赔率大于或等于投保人理赔率阈值 且待投保的牲畜的数量大于或等于数量阈值时,标识验证策略为对第一比 例(例如,80%)的待投保的牲畜进行标识验证;当投保人的保险理赔率小 于投保人理赔率阈值且投保人所属地区的牲畜保险的理赔率大于或等于地 区理赔阈值时,标识验证策略为对第二比例(例如,70%)的待投保的牲畜 进行标识验证;当投保人的保险理赔率小于投保人理赔率阈值且投保人所 属地区的牲畜保险的理赔率小于地区理赔阈值时,标识验证策略为对第三 比例(例如,50%)的待投保的牲畜进行标识验证。其中,第一比例大于第 二比例,第二比例大于第三比例。
本实施例综合考虑投保基本信息,确定标识验证策略,在减少标识验 证工作量和降低骗保风险中取得平衡。在本实施例中,不是所有被投保牲 畜均进行了标识验证。并且,在本步骤中,牲畜的第一图像集合可以存储 于数据库中,便于后续进行识别匹配。
S102,基于所述标识验证策略确定进行标识验证的牲畜,获取所述牲 畜的第一图像集合,将所述第一图像集合分别与所述牲畜的保单和身份标 识进行关联,其中,所述第一图像集合包括所述牲畜的不同角度的拍摄图 片;
在本步骤中,牲畜的第一图像集合可以是标识验证人员在现场采集的, 第一图像集合中的拍摄图片至少包括牲畜的正面,牲畜的身份标识例如耳 标也要在拍摄图片中清晰显示,由于牲畜的拍摄图片获取难度较大,为了 后续能够充分提取牲畜的面部轮廓特征以及花纹特征,第一图像集合中的 拍摄图片包括多个不同的角度。
S103,在收到携带有被保险的牲畜的身份标识的理赔申请后,获取待 理赔的牲畜的第二图像集合,其中,所述第二图像集合包括所述牲畜的不 同角度的拍摄图片;
在本步骤中,待理赔的牲畜的第二图像集合为查勘员在现场采集的, 为了后续识别更准确,第二图像集合中的拍摄图片包括多个不同的角度。
S104,将所述第二图像集合和数据库中存储的各所述第一图像集合输 入至预先训练好的牲畜识别模型中,输出所述被待理赔牲畜的识别结果;
在本步骤中,输入牲畜识别模型中的待与第二图像集合匹配的第一图 像集合可以是数据库中存储的所有的第一图像集合,也可以是投保人所属 地区与当前牲畜所在地区相同的所有的第一图像集合。
具体地,牲畜识别模型为一个卷积神经网络,例如,针对输入的每一 个拍摄图片,牲畜识别模型按照预设的划分方式将所述拍摄图片划分为不 同区域;对所述拍摄图片的不同区域分别进行特征提取,对提取到的每个 区域的特征进行降维处理,得到每个拍摄图片的不同区域的低维特征;计 算相同角度的多个拍摄图片的相同区域的低维特征的算术平均值,将该算 术平均值作为对应角度的对应区域的特征;输出第一图像集合对应的第一特征集合,其中,第一特征集合包括不同角度不同区域的特征。相应地, 待理赔的牲畜的第二图像集合输入到牲畜识别模型中,得到对应的第二特 征集合。
接下来,牲畜识别模型将第二特征集合与每个第一特征集合进行匹配, 计算第二特征集合和第一特征集合的匹配值,获取匹配值大于或等于预设 匹配值阈值的牲畜的第一图像集合;若成功获取匹配值大于预设匹配值的 牲畜,则匹配成功,识别结果为匹配成功以及匹配值大于或等于预设匹配 值阈值的牲畜的第一图像集合;若匹配值均小于预设匹配值阈值,则识别 结果为识别失败。
在本步骤中,不论待理赔的牲畜在投保时是否进行了标识验证,均将 该待理赔的牲畜的第二图像集合输入至牲畜识别模型中进行匹配,以充分 收集识别失败的图像作为难样本对牲畜识别模型进行进一步训练。
S105,根据所述理赔申请携带的身份标识获取所述牲畜的第一图像集 合,当所述识别结果为识别失败且所述身份标识对应的第一图像集合获取 失败时,根据预设理赔规则执行理赔;
在本步骤中,基于身份标识和第一图像集合的关联关系,如果在投保 过程中,该牲畜进行了标识验证,能够成功获取第一图像集合;如果在投 保过程中,该牲畜没有进行标识验证,获取第一图像集合失败。
在本步骤中,当所述识别结果为识别失败且所述身份标识对应的第一 图像集合获取失败时,说明待理赔的牲畜在投保时没有进行标识验证的可 能性很大,执行理赔。
进一步地,当所述识别结果为识别失败且所述身份标识对应的第一图 像集合获取成功时,有两种可能的情况,第一种是待理赔的牲畜与身份标 识对应的牲畜不是同一个,第二种是牲畜识别模型的识别结果不准确,具 体参见第三个可选实施方式的记载。
S106,当所述识别结果为识别成功且所述身份标识对应的第一图像集 合获取失败时,根据预设理赔规则执行理赔,利用所述识别结果对应的第 一图像集合和所述待理赔的牲畜的第二图像集合更新训练集;
其中,当所述识别结果为识别成功且所述身份标识对应的第一图像集 合获取失败时,说明牲畜识别模型的识别结果不准确的可能性高,将所述 识别结果对应的第一图像集合和所述待理赔的牲畜的第二图像集合作为难 样本,添加至训练集中。
S107,当所述识别结果为识别成功且所述身份标识对应的第一图像集 合获取成功时,判断所述识别结果和所获取的第一图像集合是否一致,当 所述第一判断结果为否时,利用所述识别结果对应的第一图像集合和所述 待理赔的牲畜的第二图像集合更新所述训练集;
其中,得到第一判断结果,当所述第一判断结果为是时,说明识别结 果正确,根据预设理赔规则执行理赔。当所述第一判断结果为否时,说明 牲畜识别模型的识别结果不准确的可能性高,将所述识别结果对应的第一 图像集合和所述待理赔的牲畜的第二图像集合作为难样本,添加至训练集 中。
S108,利用所述训练集对所述牲畜识别模型进行训练;
在本步骤中,根据牲畜识别模型在使用过程中积累的错误样本更新训 练集,实现了基于真实牲畜图像的难样本挖掘,利用训练集对牲畜识别模 型进行训练,不断优化牲畜识别模型的参数,提高牲畜识别模型的识别准 确率。
在第一个可选的实施方式中,为了增加牲畜识别的准确性,不同角度 包括正视角度、左侧视角度、右侧视角度以及俯视角度,正视角度记载了 牲畜的面部轮廓特征及脸部花纹特征,左侧视角度记载了牲畜的左侧花纹 特征,右侧视角度记载了牲畜的右侧花纹特征,俯视角度记载了牲畜的背 部花纹特征。大型牲畜成年后,一般花纹变化不大,因此,除了牲畜的正 脸,进一步利用牲畜侧部及背部的花纹进行识别有利于提高识别准确率。 不同区域包括左上、左下、右上以及右下。
具体地,步骤S104进一步包括如下步骤:
S201,将所述第一图像集合或所述第二图像集合中的每个拍摄图片转 化为灰度图。
S202,按照预设的划分方式将所述灰度图划分为不同区域,提取所述 灰度图每个区域的第一特征。
S203,对所述第一特征进行降维处理得到对应的第二特征,根据相同 角度的拍摄图片中同一区域的第二特征计算不同角度不同区域的特征值, 根据不同角度不同区域的特征值分别构建第二图像集合对应的第二特征集 合和第一图像集合对应的第一特征集合,其中,所述特征值为相同角度的 多个拍摄图片的相同区域的第二特征的算术平均值。
具体地,对于每个第一图像集合或每个第二图像集合,得到不同角度 不同区域的多个特征。第一特征集合和第二特征集合为特征序列或特征矩 阵,例如,第一特征集合为{U正 左上,U正 左下,U正 右上,U正 右下,U左侧 左上,U左侧 左下,U左侧 右上,U左侧 右下,U右侧 左上,U右侧 左下,U右侧 右上,U右侧 右下,U俯视 左上,U俯视 左下,U 俯视 右上,U俯视 右下}。
S204,针对第二特征集合和每个第一特征集合,根据相同角度相同区 域的两个特征值计算该角度该区域的相似度。
具体地,用第一特征集合中的U正 左上与第二特征集合中的U正 左上计算正 面角度左上区域的相似度X正 左上,依次类推,计算所有相似度。
S205,根据不同角度不同区域的预设权重以及相似度计算第二特征集 合和每个第一特征集合的总相似度,将所述总相似度作为匹配值。
具体地,对于正面角度的特征值,可以设置更高的权重。
S206,获取所述匹配值大于或等于预设匹配值阈值的第一图像集合, 根据获取结果生成所述第二图像集合的识别结果。
本领域技术人员应当理解,上述匹配值还可以有其他的计算方式,例 如,计算两个特征集合的欧式距离。
在第二个可选的实施方式中,为了降低工作人员现场采集牲畜照片的 难度,可以拍摄待投保的牲畜的第一视频,再从第一视频的流数据中提取 不同角度的图像作为拍摄图片,具体地,在步骤S102中,获取所述牲畜的 第一图像集合的步骤具体包括:
S301,获取所述牲畜的第一视频,将所述第一视频的各视频帧存储为 对应的视频帧图片;
S302,以所述牲畜作为检测目标,对所述视频帧图片添加框选所述牲 畜的检测框,基于所述检测框对所述视频帧图片进行裁剪,得到对应的检 测图片;
具体地,利用检测框框选牲畜,去除背景画面;检测框可选为矩形框。
S303,按照预设的角度,从所述检测图片中筛选对应角度的至少一个 检测图片,作为对应角度的拍摄图片;
具体地,以正面角度为例,筛选到所有正面角度的检测图片后,可以 基于检测图片的分辨率大小选择分辨率最优的预设数量个检测图片作为拍 摄图片。
S304,根据筛选所得不同角度的拍摄图片构建所述牲畜的第一图像集 合。
相应地,步骤S103中的第二图像集合也可以按照上述步骤进行构建, 在此不进行一一赘述。
在第三个可选实施方式中,当所述识别结果为识别失败且所述身份标 识对应的第一图像集合获取成功时,有两种可能的情况,第一种是待理赔 的牲畜与身份标识对应的牲畜不是同一个,第二种是牲畜识别模型的识别 结果不准确。此时,由查勘人员人工进行二次判断,将第二图像集合与获 取到的第一图像集合进行人工核对,判断是否一致,得出判断结果,将判 断结果输入。更进一步地,在步骤S105之后、步骤S106之前还包括如下 步骤:
S401,当所述识别结果为识别失败且所述身份标识对应的第一图像集 合获取成功时,输出二次判断提示信息;
具体地,该提示信息用于提醒查勘人员需要进行人工判断。
S402,接收用户输入的携带二次判断结果的指令,当所述二次判断结 果为第一图像集合与第二图像集合不一致时,拒绝理赔;
具体地,工作人员人工判断结果为不一致时,客户涉嫌骗保,拒绝理 赔,并将投保人的涉嫌骗保行为进行记录。
S403,当所述二次判断结果为第一图像集合与第二图像集合一致时, 根据预设理赔规则执行理赔,利用所述身份标识对应的第一图像集合和所 述待理赔的牲畜的第二图像集合更新训练集;
具体地,工作人员人工判断结果为一致时,说明牲畜识别模型识别不 准,所述身份标识对应的第一图像集合和所述待理赔的牲畜的第二图像集 合本应该识别为一致,模型却没有识别出来,为难样本,添加至训练集中 用于后续步骤S108的优化训练。
在第四个可选实施方式中,还可以进一步包括如下步骤:
S109,将第一图像集合上传至区块链中,以使得所述区块链对第一图 像集合进行加密存储。
具体地,基于第一图像集合得到对应的摘要信息,具体来说,摘要信 息是基于第一图像集合进行散列处理得到,比如利用sha256s算法处理得 到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用 户设备可以从区块链中下载得该摘要信息,以便查证第一图像集合是否被 篡改。本示例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。
图2是本发明第二实施例的弹幕信息处理装置的结构示意图。如图2 所示,该装置20包括策略确定模块21、标识验证模块22、理赔响应模块 23、牲畜识别模块24、第一更新模块25、第二更新模块26、第三更新模块 27和优化训练模块28,其中,策略确定模块21,用于在收到携带有投保 基本信息的投保申请后,根据所述投保基本信息确定标识验证策略;标识 验证模块22,用于基于所述标识验证策略确定进行标识验证的牲畜,获取 所述牲畜的第一图像集合,将所述第一图像集合分别与所述牲畜的保单和 身份标识进行关联,其中,所述第一图像集合包括所述牲畜的不同角度的 拍摄图片;理赔响应模块23,用于在收到携带有被保险的牲畜的身份标识 的理赔申请后,获取待理赔的牲畜的第二图像集合,其中,所述第二图像 集合包括所述牲畜的不同角度的拍摄图片;牲畜识别模块24,用于将所述第二图像集合和数据库中存储的各所述第一图像集合输入至预先训练好的 牲畜识别模型中,输出所述被待理赔牲畜的识别结果;第一更新模块25, 用于根据所述理赔申请携带的身份标识获取所述牲畜的第一图像集合,当 所述识别结果为识别失败且所述身份标识对应的第一图像集合获取失败时, 根据预设理赔规则执行理赔;第二更新模块26,用于当所述识别结果为识 别成功且所述身份标识对应的第一图像集合获取失败时,根据预设理赔规 则执行理赔,利用所述识别结果对应的第一图像集合和所述待理赔的牲畜 的第二图像集合更新训练集;第三更新模块27,用于当所述识别结果为识 别成功且所述身份标识对应的第一图像集合获取成功时,判断所述识别结 果和所获取的第一图像集合是否一致,当所述第一判断结果为否时,利用 所述识别结果对应的第一图像集合和所述待理赔的牲畜的第二图像集合更 新所述训练集;优化训练模块28,用于利用所述训练集对所述牲畜识别模型进行训练。
进一步地,策略确定模块21用于获取投保人的保险理赔率以及所述投 保人所属地区的牲畜保险的理赔率;当投保人的保险理赔率大于或等于投 保人理赔率阈值且待投保的牲畜的数量小于数量阈值时,确定标识验证策 略为对全部待投保的牲畜进行标识验证;当投保人的保险理赔率大于或等 于投保人理赔率阈值且投保人所属地区的牲畜保险的理赔率大于或等于地 区理赔阈值时,确定标识验证策略为对全部待投保的牲畜进行标识验证; 当投保人的保险理赔率大于或等于投保人理赔率阈值且待投保的牲畜的数 量大于或等于数量阈值时,确定标识验证策略为对第一比例的待投保的牲 畜进行标识验证;当投保人的保险理赔率小于投保人理赔率阈值且投保人 所属地区的牲畜保险的理赔率大于或等于地区理赔阈值时,确定标识验证 策略为对第二比例的待投保的牲畜进行标识验证;当投保人的保险理赔率 小于投保人理赔率阈值且投保人所属地区的牲畜保险的理赔率小于地区理 赔阈值时,确定标识验证策略为对第三比例的待投保的牲畜进行标识验证; 其中,第一比例大于第二比例,第二比例大于第三比例。
进一步地,牲畜识别模块24用于将所述第一图像集合或所述第二图像 集合中的每个拍摄图片转化为灰度图;按照预设的划分方式将所述灰度图 划分为不同区域,提取所述灰度图每个区域的第一特征;对所述第一特征 进行降维处理得到对应的第二特征,根据相同角度的拍摄图片中同一区域 的第二特征计算不同角度不同区域的特征值,根据不同角度不同区域的特 征值分别构建第二图像集合对应的第二特征集合和第一图像集合对应的第 一特征集合,其中,所述特征值为相同角度的多个拍摄图片的相同区域的 第二特征的算术平均值;根据所述第二特征集合和每个所述第一特征集合 获取匹配值;获取所述匹配值大于或等于预设匹配值阈值的第一图像集合, 根据获取结果生成所述第二图像集合的识别结果。
更进一步地,牲畜识别模块24用于针对第二特征集合和每个第一特征 集合,根据相同角度相同区域的两个特征值计算该角度该区域的相似度; 根据不同角度不同区域的预设权重以及相似度计算第二特征集合和每个第 一特征集合的总相似度,将所述总相似度作为匹配值。
进一步地,标识验证模块22用于获取所述牲畜的第一视频,将所述第 一视频的各视频帧存储为对应的视频帧图片;以所述牲畜作为检测目标, 对所述视频帧图片添加框选所述牲畜的检测框,基于所述检测框对所述视 频帧图片进行裁剪,得到对应的检测图片;按照预设的角度,从所述检测 图片中筛选对应角度的至少一个检测图片,作为对应角度的拍摄图片;根 据筛选所得不同角度的拍摄图片构建所述牲畜的第一图像集合。
进一步地,本实施例的装置30还包括二次判断模块,用于当所述识别 结果为识别失败且所述身份标识对应的第一图像集合获取成功时,输出二 次判断提示信息;接收用户输入的携带二次判断结果的指令,当所述二次 判断结果为第一图像集合与第二图像集合不一致时,拒绝理赔;当所述二 次判断结果为第一图像集合与第二图像集合一致时,根据预设理赔规则执 行理赔,利用所述身份标识对应的第一图像集合和所述待理赔的牲畜的第 二图像集合更新训练集。
图3是本发明第三实施例的电子设备的结构示意图。如图3所示,该 电子设备30包括处理器31及和处理器31耦接的存储器32。
存储器32存储有用于实现上述任一实施例的保险业务数据处理方法 的程序指令。
处理器31用于执行存储器32存储的程序指令以进行保险业务数据处 理。
其中,处理器31还可以称为CPU(Central Processing Unit,中央处 理单元)。处理器31可能是一种集成电路芯片,具有信号的处理能力。处 理器31还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、 现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻 辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以 是任何常规的处理器等。
参阅图4,图4为本发明第四实施例的存储介质的结构示意图。本发 明第五实施例的存储介质存储有能够实现上述所有方法的程序指令41,其 中,该程序指令41可以以软件产品的形式存储在上述存储介质中,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)或处理器(processor)执行本发明各个实施方式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,或者是计算机、服务器、手机、平 板等终端设备。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,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,单元的划分,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,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,装置或单元的 间接耦合或通信连接,可以是电性,机械或其它的形式。
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。以上仅为本发明的实施方式,并非因此限制本发 明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效 流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围。
以上所述的仅是本发明的实施方式,在此应当指出,对于本领域的普 通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出改进, 但这些均属于本发明的保护范围。
Claims (7)
1.一种保险业务数据处理方法,其特征在于,包括:
在收到携带有投保基本信息的投保申请后,根据所述投保基本信息确定标识验证策略;
基于所述标识验证策略确定进行标识验证的牲畜,获取所述牲畜的第一图像集合,将所述第一图像集合分别与所述牲畜的保单和身份标识进行关联,其中,所述第一图像集合包括所述牲畜的不同角度的拍摄图片;
在收到携带有被保险的牲畜的身份标识的理赔申请后,获取待理赔的牲畜的第二图像集合,其中,所述第二图像集合包括所述牲畜的不同角度的拍摄图片;
将所述第二图像集合和数据库中存储的各所述第一图像集合输入至预先训练好的牲畜识别模型中,输出所述待理赔的牲畜的识别结果;
根据所述理赔申请携带的身份标识获取所述牲畜的第一图像集合,当所述识别结果为识别失败且所述身份标识对应的第一图像集合获取失败时,根据预设理赔规则执行理赔;
当所述识别结果为识别成功且所述身份标识对应的第一图像集合获取失败时,根据预设理赔规则执行理赔,利用所述识别结果对应的第一图像集合和所述待理赔的牲畜的第二图像集合更新训练集;
当所述识别结果为识别成功且所述身份标识对应的第一图像集合获取成功时,判断所述识别结果和所获取的第一图像集合是否一致,当第一判断结果为否时,利用所述识别结果对应的第一图像集合和所述待理赔的牲畜的第二图像集合更新所述训练集;
利用所述训练集对所述牲畜识别模型进行训练;
将所述第一图像集合上传至区块链中,以使得所述区块链对第一图像集合进行加密存储;
其中,所述根据所述投保基本信息确定标识验证策略,包括:
获取投保人的保险理赔率以及所述投保人所属地区的牲畜保险的理赔率;
当投保人的保险理赔率大于或等于投保人理赔率阈值且待投保的牲畜的数量小于数量阈值时,确定标识验证策略为对全部待投保的牲畜进行标识验证;
当投保人的保险理赔率大于或等于投保人理赔率阈值且投保人所属地区的牲畜保险的理赔率大于或等于地区理赔阈值时,确定标识验证策略为对全部待投保的牲畜进行标识验证;
当投保人的保险理赔率大于或等于投保人理赔率阈值且待投保的牲畜的数量大于或等于数量阈值时,确定标识验证策略为对第一比例的待投保的牲畜进行标识验证;
当投保人的保险理赔率小于投保人理赔率阈值且投保人所属地区的牲畜保险的理赔率大于或等于地区理赔阈值时,确定标识验证策略为对第二比例的待投保的牲畜进行标识验证;
当投保人的保险理赔率小于投保人理赔率阈值且投保人所属地区的牲畜保险的理赔率小于地区理赔阈值时,确定标识验证策略为对第三比例的待投保的牲畜进行标识验证;
其中,第一比例大于第二比例,第二比例大于第三比例;
其中,所述将所述第二图像集合和数据库中存储的各所述第一图像集合输入至预先训练好的牲畜识别模型中,输出所述待理赔的牲畜的识别结果,包括:
将所述第一图像集合或所述第二图像集合中的每个拍摄图片转化为灰度图;
按照预设的划分方式将所述灰度图划分为不同区域,提取所述灰度图每个区域的第一特征;
对所述第一特征进行降维处理得到对应的第二特征,根据相同角度的拍摄图片中同一区域的第二特征计算不同角度不同区域的特征值,根据不同角度不同区域的特征值分别构建第二图像集合对应的第二特征集合和第一图像集合对应的第一特征集合,其中,所述特征值为相同角度的多个拍摄图片的相同区域的第二特征的算术平均值;
根据所述第二特征集合和每个所述第一特征集合获取匹配值;
获取所述匹配值大于或等于预设匹配值阈值的第一图像集合,根据获取结果生成所述第二图像集合的识别结果;
其中,所述获取所述牲畜的第一图像集合,包括:
获取所述牲畜的第一视频,将所述第一视频的各视频帧存储为对应的视频帧图片;
以所述牲畜作为检测目标,对所述视频帧图片添加框选所述牲畜的检测框,基于所述检测框对所述视频帧图片进行裁剪,得到对应的检测图片;
按照预设的角度,从所述检测图片中筛选对应角度的至少一个检测图片,作为对应角度的拍摄图片;
根据筛选所得不同角度的拍摄图片构建所述牲畜的第一图像集合。
2.根据权利要求1所述的保险业务数据处理方法,其特征在于,所述根据所述第二特征集合和每个所述第一特征集合获取匹配值,包括:
针对第二特征集合和每个第一特征集合,根据相同角度相同区域的两个特征值计算该角度该区域的相似度;
根据不同角度不同区域的预设权重以及相似度计算第二特征集合和每个第一特征集合的总相似度,将所述总相似度作为匹配值。
3.根据权利要求1所述的保险业务数据处理方法,其特征在于,不同角度包括正视角度、左侧视角度、右侧视角度以及俯视角度。
4.根据权利要求1所述的保险业务数据处理方法,其特征在于,所述利用所述训练集对所述牲畜识别模型进行训练之前,还包括:
当所述识别结果为识别失败且所述身份标识对应的第一图像集合获取成功时,输出二次判断提示信息;
接收用户输入的携带二次判断结果的指令,当所述二次判断结果为第一图像集合与第二图像集合不一致时,拒绝理赔;
当所述二次判断结果为第一图像集合与第二图像集合一致时,根据预设理赔规则执行理赔,利用所述身份标识对应的第一图像集合和所述待理赔的牲畜的第二图像集合更新训练集。
5.一种保险业务数据处理装置,其特征在于,包括:
策略确定模块,用于在收到携带有投保基本信息的投保申请后,根据所述投保基本信息确定标识验证策略;
标识验证模块,用于基于所述标识验证策略确定进行标识验证的牲畜,获取所述牲畜的第一图像集合,将所述第一图像集合分别与所述牲畜的保单和身份标识进行关联,其中,所述第一图像集合包括所述牲畜的不同角度的拍摄图片;
理赔响应模块,用于在收到携带有被保险的牲畜的身份标识的理赔申请后,获取待理赔的牲畜的第二图像集合,其中,所述第二图像集合包括所述牲畜的不同角度的拍摄图片;
牲畜识别模块,用于将所述第二图像集合和数据库中存储的各所述第一图像集合输入至预先训练好的牲畜识别模型中,输出所述待理赔的牲畜的识别结果;
第一更新模块,用于根据所述理赔申请携带的身份标识获取所述牲畜的第一图像集合,当所述识别结果为识别失败且所述身份标识对应的第一图像集合获取失败时,根据预设理赔规则执行理赔;
第二更新模块,用于当所述识别结果为识别成功且所述身份标识对应的第一图像集合获取失败时,根据预设理赔规则执行理赔,利用所述识别结果对应的第一图像集合和所述待理赔的牲畜的第二图像集合更新训练集;
第三更新模块,用于当所述识别结果为识别成功且所述身份标识对应的第一图像集合获取成功时,判断所述识别结果和所获取的第一图像集合是否一致,当第一判断结果为否时,利用所述识别结果对应的第一图像集合和所述待理赔的牲畜的第二图像集合更新所述训练集;
优化训练模块,用于利用所述训练集对所述牲畜识别模型进行训练,将所述第一图像集合上传至区块链中,以使得所述区块链对第一图像集合进行加密存储;
进一步地,所述策略确定模块用于获取投保人的保险理赔率以及所述投保人所属地区的牲畜保险的理赔率;当投保人的保险理赔率大于或等于投保人理赔率阈值且待投保的牲畜的数量小于数量阈值时,确定标识验证策略为对全部待投保的牲畜进行标识验证;当投保人的保险理赔率大于或等于投保人理赔率阈值且投保人所属地区的牲畜保险的理赔率大于或等于地区理赔阈值时,确定标识验证策略为对全部待投保的牲畜进行标识验证;当投保人的保险理赔率大于或等于投保人理赔率阈值且待投保的牲畜的数量大于或等于数量阈值时,确定标识验证策略为对第一比例的待投保的牲畜进行标识验证;当投保人的保险理赔率小于投保人理赔率阈值且投保人所属地区的牲畜保险的理赔率大于或等于地区理赔阈值时,确定标识验证策略为对第二比例的待投保的牲畜进行标识验证;当投保人的保险理赔率小于投保人理赔率阈值且投保人所属地区的牲畜保险的理赔率小于地区理赔阈值时,确定标识验证策略为对第三比例的待投保的牲畜进行标识验证;其中,第一比例大于第二比例,第二比例大于第三比例;
进一步地,所述牲畜识别模块用于将所述第一图像集合或所述第二图像集合中的每个拍摄图片转化为灰度图;按照预设的划分方式将所述灰度图划分为不同区域,提取所述灰度图每个区域的第一特征;对所述第一特征进行降维处理得到对应的第二特征,根据相同角度的拍摄图片中同一区域的第二特征计算不同角度不同区域的特征值,根据不同角度不同区域的特征值分别构建第二图像集合对应的第二特征集合和第一图像集合对应的第一特征集合,其中,所述特征值为相同角度的多个拍摄图片的相同区域的第二特征的算术平均值;根据所述第二特征集合和每个所述第一特征集合获取匹配值;获取所述匹配值大于或等于预设匹配值阈值的第一图像集合,根据获取结果生成所述第二图像集合的识别结果;
进一步地,所述标识验证模块用于获取所述牲畜的第一视频,将所述第一视频的各视频帧存储为对应的视频帧图片;以所述牲畜作为检测目标,对所述视频帧图片添加框选所述牲畜的检测框,基于所述检测框对所述视频帧图片进行裁剪,得到对应的检测图片;按照预设的角度,从所述检测图片中筛选对应角度的至少一个检测图片,作为对应角度的拍摄图片;根据筛选所得不同角度的拍摄图片构建所述牲畜的第一图像集合。
6.一种电子设备,其特征在于,包括处理器、以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令;所述处理器执行所述存储器存储的所述程序指令时实现如权利要求1~4中任一项所述的保险业务数据处理方法。
7.一种存储介质,其特征在于,所述存储介质内存储有程序指令,所述程序指令被处理器执行时实现如权利要求1~4中任一项所述的保险业务数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268919.9A CN113378619B (zh) | 2021-03-12 | 2021-03-12 | 保险业务数据处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268919.9A CN113378619B (zh) | 2021-03-12 | 2021-03-12 | 保险业务数据处理方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378619A CN113378619A (zh) | 2021-09-10 |
CN113378619B true CN113378619B (zh) | 2023-07-04 |
Family
ID=77569721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110268919.9A Active CN113378619B (zh) | 2021-03-12 | 2021-03-12 | 保险业务数据处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378619B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409638B (zh) * | 2022-11-02 | 2023-03-24 | 中国平安财产保险股份有限公司 | 基于人工智能的牲畜保险承保和理赔方法及相关设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019149021A1 (zh) * | 2018-02-01 | 2019-08-08 | 阿里巴巴集团控股有限公司 | 理赔业务的数据处理方法、装置、电子设备、服务器 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446618A (zh) * | 2018-03-09 | 2018-08-24 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、电子设备及存储介质 |
CN108492198A (zh) * | 2018-03-27 | 2018-09-04 | 平安科技(深圳)有限公司 | 牲畜保险理赔方法、装置、计算机设备和存储介质 |
CN111652087B (zh) * | 2020-05-15 | 2023-07-18 | 泰康保险集团股份有限公司 | 验车方法、装置、电子设备和存储介质 |
-
2021
- 2021-03-12 CN CN202110268919.9A patent/CN113378619B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019149021A1 (zh) * | 2018-02-01 | 2019-08-08 | 阿里巴巴集团控股有限公司 | 理赔业务的数据处理方法、装置、电子设备、服务器 |
Non-Patent Citations (2)
Title |
---|
Deep learning face representation from predicting 10,000 classes.《Computer Vision and Pattern Recognition(CVPR), 2014 IEEE Conference on》.2014,第1891-1898页. * |
面向防诈骗畜牧养殖保险的猪脸识别系统综述;吴际 等;《电脑知识与技术》(第17期);第181-182页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113378619A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6832504B2 (ja) | 物体追跡方法、物体追跡装置およびプログラム | |
CN107742100B (zh) | 一种考生身份验证方法及终端设备 | |
CN101178768B (zh) | 图像处理设备和方法以及个人识别设备 | |
CN111368772B (zh) | 身份识别方法、装置、设备及存储介质 | |
CN110929806B (zh) | 基于人工智能的图片处理方法、装置及电子设备 | |
CN111785384A (zh) | 基于人工智能的异常数据识别方法及相关设备 | |
CN109740479A (zh) | 一种车辆重识别方法、装置、设备及可读存储介质 | |
CN109325429A (zh) | 一种关联特征数据的方法、装置、存储介质及终端 | |
CN113240031B (zh) | 全景图像特征点匹配模型的训练方法、装置以及服务器 | |
CN115409638B (zh) | 基于人工智能的牲畜保险承保和理赔方法及相关设备 | |
CN110502694A (zh) | 基于大数据分析的律师推荐方法及相关设备 | |
CN112651333B (zh) | 静默活体检测方法、装置、终端设备和存储介质 | |
CN111695502A (zh) | 用于人脸识别的特征更新方法、装置和计算机设备 | |
CN113378619B (zh) | 保险业务数据处理方法、装置、电子设备和存储介质 | |
CN111291627A (zh) | 人脸识别方法、装置及计算机设备 | |
CN115063589A (zh) | 基于知识蒸馏的车辆部件分割方法及相关设备 | |
CN113132633A (zh) | 一种图像处理方法、装置、设备及计算机可读存储介质 | |
Al Qudah et al. | Using Artificial Intelligence applications for E-Government services as iris recognition | |
CN111767839B (zh) | 一种车辆行驶轨迹确定方法、装置、设备及介质 | |
CN112257628A (zh) | 一种户外比赛运动员的身份识别方法、装置及设备 | |
CN117197864A (zh) | 基于深度学习的证件照分类识别及免冠检测方法及系统 | |
CN115147705B (zh) | 人脸翻拍检测方法、装置、电子设备及存储介质 | |
CN113284137B (zh) | 纸张褶皱检测方法、装置、设备及存储介质 | |
CN113989870A (zh) | 一种活体检测方法、门锁系统及电子设备 | |
CN113762031A (zh) | 一种图像识别方法、装置、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 |