CN115409638B - 基于人工智能的牲畜保险承保和理赔方法及相关设备 - Google Patents

基于人工智能的牲畜保险承保和理赔方法及相关设备 Download PDF

Info

Publication number
CN115409638B
CN115409638B CN202211359813.0A CN202211359813A CN115409638B CN 115409638 B CN115409638 B CN 115409638B CN 202211359813 A CN202211359813 A CN 202211359813A CN 115409638 B CN115409638 B CN 115409638B
Authority
CN
China
Prior art keywords
livestock
underwriting
standard
information
video information
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
Application number
CN202211359813.0A
Other languages
English (en)
Other versions
CN115409638A (zh
Inventor
赖勇铨
方锐
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 CN202211359813.0A priority Critical patent/CN115409638B/zh
Publication of CN115409638A publication Critical patent/CN115409638A/zh
Application granted granted Critical
Publication of CN115409638B publication Critical patent/CN115409638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Human Computer Interaction (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请提出一种基于人工智能的牲畜保险承保和理赔方法及相关设备，基于人工智能的牲畜保险承保和理赔方法包括：获取投保牲畜的ID信息和视频信息；依据预设标准从视频信息中提取投保牲畜的标准图像；基于视频信息和标准图像生成投保牲畜的生物档案，生物档案包括身份特征、健康检测结果和活体检测结果；基于生物档案和预设承保标准判断是否承保；若承保，将生物档案和ID信息作为保单信息写入保单数据库；当申请理赔时，采集理赔牲畜的理赔视频信息和理赔ID信息；基于理赔ID信息搜索保单数据库得到目标保单信息，对比目标保单信息和理赔视频信息得到理赔结果。本申请能实现自动化承保和理赔，提高牲畜保险承保和理赔的效率。

Description

基于人工智能的牲畜保险承保和理赔方法及相关设备
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于人工智能的牲畜保险承保和理赔方法及相关设备。
背景技术
牲畜保险是一种以牛、马、骡、驴、猪等牲畜为保险标的的保险，承担牲畜因疾病或其他意外事故（风、雨、水、火灾等）而死亡造成的损失。
在牲畜保险的承保过程中，需要由保险人员采集每一个被保牲畜在固定视角的标准图片并判断承保结果，而在牲畜保险的理赔过程中，同样需要保险人员对牲畜的身份进行认证，这种方法人工成本较高且效率底下且成本较高，需要一种自动化的承保和理赔方法，提高牲畜保险承保和理赔效率。
发明内容
鉴于以上内容，有必要提出一种基于人工智能的牲畜保险承保和理赔方法及相关设备，以解决如何提高牲畜保险承保和理赔效率这一技术问题，其中，相关设备包括基于人工智能的牲畜保险承保和理赔装置、电子设备及存储介质。
本申请提供基于人工智能的牲畜保险承保和理赔方法，所述方法包括：
获取投保牲畜的ID信息和视频信息，所述ID信息为所述投保牲畜的唯一标识，所述视频信息包括所述投保牲畜不同视角的图像帧；
依据预设标准筛选所述视频信息的图像帧以获取所述投保牲畜的标准图像，所述标准图像为一个或多个；
基于所述视频信息和所述标准图像生成所述投保牲畜的生物档案，所述生物档案包括身份特征、健康检测结果和活体检测结果；
基于所述投保牲畜的生物档案和预设承保标准得到承保结果，所述承保结果包括承保成功和承保失败；
当所述承保结果为承保成功时，将所述生物档案和所述ID信息作为保单信息，并将所述保单信息储存在保单数据库中；
当申请理赔时，采集理赔牲畜的实时视频信息以作为理赔视频信息，将理赔牲畜的ID信息作为理赔ID信息；
基于所述理赔ID信息搜索所述保单数据库以获取目标保单信息，并对比所述目标保单信息的生物档案和所述理赔视频信息得到理赔结果。
在一些实施例中，所述依据预设标准筛选所述视频信息的图像帧以获取所述投保牲畜的标准图像包括：
获取关键点检测网络，所述关键点检测网络的输入为所述视频信息中的图像帧，输出为所述图像帧的关键点检测图，所述关键点检测图包括每一个关键点的位置坐标，所述关键点为所述投保牲畜身体上不同种类的特征点；
将所述视频信息的图像帧输入所述关键点检测网络得到每一个图像帧的关键点检测图；
匹配所述关键点检测图和预设标准以提取所述投保牲畜的标准图像，所述预设标准为一个或多个，所述预设标准与所述标准图像一一对应。
在一些实施例中，所述基于所述视频信息和所述标准图像生成所述投保牲畜的生物档案，所述生物档案包括身份特征、健康检测结果和活体检测结果，包括：
基于所述关键点检测网络提取所述标准图像的全局特征和局部特征，将所述全局特征和局部特征作为所述投保牲畜的身份特征，每一个标准图像均对应一个全局特征和局部特征；
基于所述视频信息构建运动特征矩阵，并将所述运动特征矩阵送入活体检测网络得到所述投保牲畜的活体检测结果，所述活体检测网络为二分类网络，所述活体检测结果包括活体和非活体；
基于所述标准图像以构建关键区域三维图像，并将所述关键区域三维图像送入健康检测网络得到所述投保牲畜的健康检测结果，所述健康检测网络为二分类网络，所述健康检测结果包括健康和不健康；
将所述身份特征、健康检测结果和活体检测结果作为所述投保牲畜的生物档案。
在一些实施例中，所述基于所述视频信息构建运动特征矩阵包括：
基于所述关键点检测网络获取所述视频信息中每一个图像帧的关键点检测图，所述关键点检测图包括每一个关键点的位置坐标，所述关键点为所述投保牲畜身体上不同种类的特征点；
将同种关键点的位置坐标按照时间戳的先后顺序进行排列可以得到每一种关键点的运动序列，所述时间戳为所述图像帧的采集时间；
将所有关键点的运动序列在列方向上进行排列以构建运动特征矩阵。
在一些实施例中，所述基于所述标准图像以构建关键区域三维图像包括：
基于所述关键点检测网络获取所述标准图像的关键点检测图，所述关键点检测图包括每一个关键点的位置坐标，所述关键点为所述投保牲畜身体上不同种类的特征点；
基于所述标准图像的关键点检测图中关键点的位置坐标截取所述标准图像以获取关键区域图像，所述关键区域可以为一个或多个；
将所有关键区域图像缩放至预设尺寸并堆叠在一起以构建关键区域三维图像。
在一些实施例中，所述基于所述投保牲畜的生物档案和预设承保标准得到承保结果，所述承保结果包括承保成功和承保失败，包括：
依据相似度计算模型计算所述投保牲畜与保单数据库中所有已投保牲畜的相似度，所述相似度计算模型满足关系式：
Figure DEST_PATH_IMAGE001
其中，
Figure 423435DEST_PATH_IMAGE002
为所述投保牲畜的标准图像的数量，/>
Figure DEST_PATH_IMAGE003
表示所述投保牲畜的标准图像k对应的局部特征，/>
Figure 98130DEST_PATH_IMAGE004
表示所述投保牲畜的标准图像k对应的全局特征，/>
Figure DEST_PATH_IMAGE005
和/>
Figure 559198DEST_PATH_IMAGE006
分别表示所述已投保牲畜j的标准图像k对应的局部特征和全局特征，/>
Figure DEST_PATH_IMAGE007
表示投保牲畜i和已投保牲畜j的相似度；
储存所有相似度以作为相似度集合，并对比所述相似度集合和预设阈值以获取重复投保判断结果；
若所述相似度集合中至少有一个相似度大于所述预设阈值，则表示所述投保牲畜已经参保，所述重复投保判断结果为重复投保；若所述相似度集合中所有相似度均不大于所述预设阈值，则所述重复投保判断结果为未投保；
基于所述复投保判断结果、健康检测结果、活体检测结果和预设承保标准得到承保结果，所述预设承保标准为健康、活体且未投保的牲畜，若所述投保牲畜符合预设承保标准，则所述承保结果为承保成功，否则，所述承保结果为承保失败。
在一些实施例中，所述对比所述目标保单信息的生物档案和所述理赔视频信息得到理赔结果包括：
依据所述预设标准提取所述理赔视频信息的图像帧以获取所述理赔牲畜的标准图像，并基于所述理赔视频信息和所述标准图像生成所述理赔牲畜的生物档案；
提取所述理赔牲畜的生物档案中的身份特征和活体检测结果作为理赔身份特征和理赔活体检测结果；
若所述理赔活体检测结果为活体，则理赔申请失败；若所述理赔活体检测结果为非活体，则将所述目标保单信息中的身份特征作为目标身份特征；
依据所述相似度计算模型计算所述理赔身份特征和所述目标身份特征之间的相似度，若所述相似度大于预设阈值，说明所述理赔牲畜与所述目标保单信息的参保牲畜相同，则理赔申请成功；
若所述相似度不大于所述预设阈值，说明所述理赔牲畜与所述目标保单信息的参保牲畜不相同，则理赔申请失败。
本申请实施例还提供一种基于人工智能的牲畜保险承保和理赔装置，所述装置包括：
获取单元，用于获取投保牲畜的ID信息和视频信息，所述ID信息为所述投保牲畜的唯一标识，所述视频信息包括所述投保牲畜不同视角的图像帧；
提取单元，用于依据预设标准筛选所述视频信息的图像帧以获取所述投保牲畜的标准图像，所述标准图像为一个或多个；
生成单元，用于基于所述视频信息和所述标准图像生成所述投保牲畜的生物档案，所述生物档案包括身份特征、健康检测结果和活体检测结果；
承保单元，用于基于所述投保牲畜的生物档案和预设承保标准得到承保结果，所述承保结果包括承保成功和承保失败；
储存单元，用于当所述承保结果为承保成功时，将所述生物档案和所述ID信息作为保单信息，并将所述保单信息储存在保单数据库中；
采集单元，用于当申请理赔时，采集理赔牲畜的实时视频信息以作为理赔视频信息，将理赔牲畜的ID信息作为理赔ID信息；
理赔单元，用于基于所述理赔ID信息搜索所述保单数据库以获取目标保单信息，并对比所述目标保单信息的生物档案和所述理赔视频信息得到理赔结果。
本申请实施例还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
处理器，执行所述存储器中存储的指令以实现所述的基于人工智能的牲畜保险承保和理赔方法。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述的基于人工智能的牲畜保险承保和理赔方法。
综上，本申请能够通过牲畜的视频信息自动提取标准图像，并依据标准图像和视频信息获取身份特征、活体检测结果和健康检测结果以构建牲畜的生物档案，基于生物档案进行牲畜身份的验证，从而实现自动化承保和理赔流程，减少保险人员的工作量，提高牲畜保险承保和理赔效率。
附图说明
图1是本申请所涉及的基于人工智能的牲畜保险承保和理赔方法的较佳实施例的流程图。
图2是本申请所涉及的全局特征和局部特征获取流程示意图。
图3是本申请所涉及的基于人工智能的牲畜保险承保和理赔装置的较佳实施例的功能模块图。
图4是本申请所涉及的基于人工智能的牲畜保险承保和理赔方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本申请的目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请，所述描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
此外，术语“第一”、“第二”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”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请实施例提供一种基于人工智能的牲畜保险承保和理赔方法，可应用于一个或者多个电子设备中，电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
电子设备可以是任何一种可与客户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理（Personal Digital Assistant，PDA）、游戏机、交互式网络电视（Internet Protocol Television，IPTV）、智能式穿戴式设备等。
电子设备还可以包括网络设备和/或客户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云。
电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络（Virtual Private Network，VPN）等。
如图1所示，是本申请基于人工智能的牲畜保险承保和理赔方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
S10，获取投保牲畜的ID信息和视频信息，所述ID信息为所述投保牲畜的唯一标识，所述视频信息包括所述投保牲畜不同视角的图像帧。
在一个可选的实施例中，在牲畜保险的承保阶段，需要投保牲畜的属主采集投保牲畜的ID信息和视频信息，所述承保阶段是指保险公司对愿意购买保险的单位或个人所提出的投保申请进行审核以判断是否接受投保申请的过程，所述ID信息包括但不限于所述投保牲畜的属主信息、活动范围的GPS经纬度信息、品种、病史等与所述投保牲畜身份相关的信息，所述ID信息与所述投保牲畜一一对应；所述视频信息包括所述投保牲畜不同视角的连续图像帧。
如此，采集到投保牲畜的ID信息和视频信息，为承保阶段获取承保结果提供数据基础。
S11，依据预设标准筛选所述视频信息的图像帧以获取所述投保牲畜的标准图像，所述标准图像为一个或多个。
在一个可选的实施例中，投保牲畜的视频信息中包括不同视角下的多张图像帧，不同视角包含的信息不同，为了获取准确的投保牲畜信息，需要依据预设标准从所有图像帧中提取出符合承保要求的标准图像，所述标准图像为一张或多张。
在一个可选的实施例中，所述依据预设标准筛选所述视频信息的图像帧以获取所述投保牲畜的标准图像包括：
获取关键点检测网络，所述关键点检测网络的输入为所述视频信息中的图像帧，输出为所述图像帧的关键点检测图，所述关键点检测图包括每一个关键点的位置坐标，所述关键点为所述投保牲畜身体上不同种类的特征点；
将所述视频信息的图像帧输入所述关键点检测网络得到每一个图像帧的关键点检测图；
匹配所述关键点检测图和预设标准以提取所述投保牲畜的标准图像，所述预设标准为一个或多个，所述预设标准与所述标准图像一一对应。
该可选的实施例中，首先搭建关键点检测初始网络，所述关键点检测初始网络的输入为所述视频信息中的图像帧，预期输出为所述图像帧的关键点检测图，所述关键点检测图包括每一个关键点的位置坐标，其中，所述关键点包括但不限于左右眼、鼻子、左右耳、左右嘴角、四个肘、四个膝盖、四个爪子、尾巴等所述投保牲畜身体上不同种类的特征点，其中，所述肘、膝盖和爪子有包含方向信息，示例性的，所述四个爪子又包括左前爪、右前爪、左后爪和右后爪。所述关键点检测初始网络为编码器和解码器结构，所述编码器由多个卷积层串联而成，卷积层对输入图像帧不断进行特征提取以获取下采样图，随着卷积层的加深，所述下采样图会不断提取输入图像帧的全局特征，将最后一层卷积层输出的下采样图作为全局特征图；所述解码器对所述全局特征图不断进行上采样操作得到与输入图像帧等大的关键点检测图。其中，所述关键点检测初始网络可以采用CPM、DeeperCut等现有的关键点检测网络。
该可选的实施例中，为了使关键点检测初始网络的输出为所述关键点检测图，需要对所述关键点检测初始网络进行训练得到关键点检测网络，所述训练过程与CPM、DeeperCut等现有的关键点检测网络的训练过程相同。
该可选的实施例中，将所述视频信息的图像帧输入所述关键点检测网络得到每一个图像帧的关键点检测图，进一步匹配所述关键点检测图和预设标准以提取所述投保牲畜的标准图像，其中，预设标准可以为正脸、右侧脸、左侧脸、仰视脸、俯视脸、左侧身、右侧身等不同视角中的一个或多个，所述预设标准与所述标准图像一一对应，且不同视角下能够检测到的关键点的种类和数目是不同的，故基于关键点检测图中关键点的种类和数量从所述视频信息中提取每一个预设标准对应的标准图像，将所有预设标准对应的标准图像作为所述投保牲畜的标准图像。
示例性的，若所述预设标准为左侧身，则所述左侧身的视角下能够检测到的关键点包括左眼、左耳、左嘴角、尾巴、左前爪和左后爪、左前肘和左后肘，左前膝盖和左后膝盖等关键点，将关键点的种类和数量与上述关键点相同的图像帧作为左侧身对应的标准图像。
如此，借助关键点检测网络从视频信息中自动提取所述投保牲畜的标准图像，降低人为获取标准图像的主观因素以确保标准图像的准确性。
S12，基于所述视频信息和所述标准图像生成所述投保牲畜的生物档案，所述生物档案包括身份特征、健康检测结果和活体检测结果。
在一个可选的实施例中，所述基于所述视频信息和所述标准图像生成所述投保牲畜的生物档案，所述生物档案包括身份特征、健康检测结果和活体检测结果，包括：
基于所述关键点检测网络提取所述标准图像的全局特征和局部特征，将所述全局特征和局部特征作为所述投保牲畜的身份特征，每一个标准图像均对应一个全局特征和局部特征；
基于所述视频信息构建运动特征矩阵，并将所述运动特征矩阵送入活体检测网络得到所述投保牲畜的活体检测结果，所述活体检测网络为二分类网络，所述活体检测结果包括活体和非活体；
基于所述标准图像以构建关键区域三维图像，并将所述关键区域三维图像送入健康检测网络得到所述投保牲畜的健康检测结果，所述健康检测网络为二分类网络，所述健康检测结果包括健康和不健康；
将所述身份特征、健康检测结果和活体检测结果作为所述投保牲畜的生物档案。
该可选的实施例中，在获取输入图像帧的关键点检测图的过程中，将关键点检测网络的编码器输出的全局特征图作为所述输入图像帧的全局特征，所述全局特征包括所述输入图像帧的整体信息；获取所述编码器中间位置的卷积层输出的下采样特征图以作为所述输入图像帧的局部特征，所述局部特征包括牲畜皮肤或毛色纹理等具体的细节信息，故基于所述关键点检测网络可以获取输入图像帧的局部特征和全局特征；按照上述方法获取所述标准图像的全局特征和局部特征，其中，所述标准图像为一个或多个，每一个标准图像均对应一个全局特征和局部特征，将所有标准图像的全局特征和局部特征作为所述投保牲畜的身份特征，所述全局特征和局部特征获取流程示意图如图2所示。
在一个可选的实施例中，所述基于所述视频信息构建运动特征矩阵包括：
基于所述关键点检测网络获取所述视频信息中每一个图像帧的关键点检测图，所述关键点检测图包括每一个关键点的位置坐标，所述关键点为所述投保牲畜身体上不同种类的特征点；
将同种关键点的位置坐标按照时间戳的先后顺序进行排列可以得到每一种关键点的运动序列，所述时间戳为所述图像帧的采集时间；
将所有关键点的运动序列在列方向上进行排列以构建运动特征矩阵。
该可选的实施例中，基于所述关键点检测网络获取所述视频信息中每一个图像帧的关键点检测图，获取所有关键点检测图中每一种关键点的位置坐标，所述位置坐标包括横纵坐标，将关键点检测图中检测不到的关键点种类用预设字符代替，所述预设字符可以为(*,*)；将同种关键点的位置坐标按照时间戳的先后顺序进行排列可以得到每一种关键点的运动序列，所述时间戳反应图像帧的获取时间，所述运动序列为2行M列的矩阵，其中，2行为关键点位置坐标中的横纵坐标，M为所述视频信息中图像帧的数量；按照相同的方法获取每一种关键点的运动序列，并将所有关键点的运动序列在列方向上排列以构成运动特征矩阵，所述运动特征矩阵的尺寸为2N行M列，所述运动特征矩阵即可以反映时序上的运动情况也可以反应每一个时刻不同关键点的相对位置关系，其中，N为所有关键点种类的数量；将所述运动特征矩阵送入活体检测网络得到所述投保牲畜的活体检测结果，所述活体检测网络为二分类网络，所述活体检测结果包括活体和非活体。
该可选的实施例中，所述活体检测网络的输入为运动特征矩阵，输出所述运动特征矩阵的活体检测结果；所述活体检测网络可以采用ResNet、mobileNet等现有的分类网络，所述活体检测网络的获取过程包括：搭建活体检测判断初始网络；采集大量运动特征矩阵并人工标注运动特征矩阵的活体检测结果，得到训练数据；基于所述训练数据和交叉熵损失函数训练活体检测判断初始网络得到活体检测网络。
在一个可选的实施例中，所述基于所述标准图像以构建关键区域三维图像包括：
基于所述关键点检测网络获取所述标准图像的关键点检测图，所述关键点检测图包括每一个关键点的位置坐标，所述关键点为所述投保牲畜身体上不同种类的特征点；
基于所述标准图像的关键点检测图中关键点的位置坐标截取所述标准图像以获取关键区域图像，所述关键区域可以为一个或多个；
将所有关键区域图像缩放至预设尺寸并堆叠在一起以构建关键区域三维图像。
该可选的实施例中，依据关键点检测网络获取所述标准图像的关键点检测图，基于所述标准图像的关键点检测图中关键点的位置坐标截取所述标准图像以获取关键区域图像，所述关键区域为可以反应牲畜健康程度的区域，所述关键区域可以为一个或多个，示例性的，所述关键区域可以为口鼻区域、眼睛区域等，在获取眼睛区域图像时，分别以左右眼睛关键点为中心点生成预设宽高尺寸的矩形框，基于所述矩形框截取所述标准图像得到所述眼睛区域图像，其中，不同关键区域对应的预设宽高尺寸不同；进一步将所有关键区域图像缩放至预设尺寸并堆叠在一起以构建关键区域三维图像，所述关键区域三维图像的尺寸为W×H×C，其中，W×H为所述预设尺寸，C所述关键区域图像的数量；将所述关键区域三维图像送入健康检测网络得到所述投保牲畜的健康检测结果，所述健康检测网络为二分类网络，所述健康检测结果包括健康和不健康。
该可选的实施例中，所述健康检测网络的输入为关键区域三维图像，输出为所述关键区域三维图像的健康检测结果；所述健康检测网络可以采用ResNet、mobileNet等现有的分类网络，所述健康检测网络的获取过程包括：搭建健康检测初始网络；采集大量关键区域三维图像作为样本数据，并人工标注每一个样本数据的健康检测结果得到训练数据；基于所述训练数据和交叉熵损失函数训练健康检测初始网络得到健康检测网络。
该可选的实施例中，将所述身份特征、健康检测结果和活体检测结果作为所述投保牲畜的生物档案。
如此，基于视频信息和标准图像自动生成投保牲畜的生物档案，为后续实现自动化承保和理赔提供数据基础。
S13，基于所述投保牲畜的生物档案和预设承保标准得到承保结果，所述承保结果包括承保成功和承保失败。
在一个可选的实施例中，所述基于所述投保牲畜的生物档案和预设承保标准得到承保结果，所述承保结果包括承保成功和承保失败，包括：
依据相似度计算模型计算所述投保牲畜与保单数据库中所有已投保牲畜的相似度，所述相似度计算模型满足关系式：
Figure 926726DEST_PATH_IMAGE008
其中，
Figure 168351DEST_PATH_IMAGE002
为所述投保牲畜的标准图像的数量，/>
Figure 443475DEST_PATH_IMAGE003
表示所述投保牲畜的标准图像k对应的局部特征，/>
Figure 24629DEST_PATH_IMAGE004
表示所述投保牲畜的标准图像k对应的全局特征，/>
Figure 359795DEST_PATH_IMAGE005
和/>
Figure 26400DEST_PATH_IMAGE006
分别表示所述已投保牲畜j的标准图像k对应的局部特征和全局特征，/>
Figure DEST_PATH_IMAGE009
表示投保牲畜i和已投保牲畜j的相似度；
储存所有相似度以作为相似度集合，并对比所述相似度集合和预设阈值以获取重复投保判断结果；
若所述相似度集合中至少有一个相似度大于所述预设阈值，则表示所述投保牲畜已经参保，所述重复投保判断结果为重复投保；若所述相似度集合中所有相似度均不大于所述预设阈值，则所述重复投保判断结果为未投保，其中，所述预设阈值为0.8；
基于所述复投保判断结果、健康检测结果、活体检测结果和预设承保标准得到承保结果，所述预设承保标准为健康、活体且未投保的牲畜，若所述投保牲畜符合预设承保标准，则所述承保结果为承保成功，否则，所述承保结果为承保失败。
如此，对比生物档案和预设承保标准获取承保结果，实现自动化承保。
S14，当所述承保结果为承保成功时，将所述生物档案和所述ID信息作为保单信息，并将所述保单信息储存在保单数据库中。
在一个可选的实施例中，当所述承保结果为承保成功时，需要将投保牲畜的ID信息和生物档案作为保单信息并储存在保单数据库中，所述保单数据库包括所有承保成功的保单信息，所述保单信息包括ID信息和生物档案。
如此，基于投保牲畜的ID信息和生物档案自动生成保单信息储存在保单数据库中。
S15，当申请理赔时，采集理赔牲畜的实时视频信息以作为理赔视频信息，将理赔牲畜的ID信息作为理赔ID信息。
在一个可选的实施例中，当申请理赔时，理赔牲畜的属主采集所述理赔牲畜的实时视频信息，在采集所述实时视频信息的过程中，依据所述预设标准提取所述实时视频信息中的标准图像，当提取到所有标准图像时停止采集过程，并将采集到的实时视频信息作为理赔视频信息，将所述理赔牲畜的ID信息作为理赔ID信息。
该可选的实施例中，为了确保理赔视频信息的真实性，降低理赔欺诈的风险，计算所述理赔视频信息的时间戳和所述提交理赔申请的时间戳之间的时间间隔，若所述时间间隔大于预设间隔，则提交理赔申请失败，提醒理赔牲畜的属主重新采集视频信息；若所述时间间隔不大于预设间隔，则提交理赔申请成功。
如此，当有理赔申请的需求时，理赔牲畜的属主可直接采集理赔牲畜的理赔视频信息和ID信息，无需保险人员到场，提高了理赔效率。
S16，基于所述理赔ID信息搜索所述保单数据库以获取目标保单信息，并对比所述目标保单信息的生物档案和所述理赔视频信息得到理赔结果。
在一个可选的实施例中，使用智能搜索引擎在所述保单数据库中搜索理赔ID信息以获取目标保单信息，智能搜索是结合了人工智能技术的新一代搜索引擎，该引擎能提供智能信息化过滤和推送功能。
该可选的实施例中，所述对比所述目标保单信息的生物档案和所述理赔视频信息得到理赔结果包括：
依据所述预设标准提取所述理赔视频信息的图像帧以获取所述理赔牲畜的标准图像，并基于所述理赔视频信息和所述标准图像生成所述理赔牲畜的生物档案；
提取所述理赔牲畜的生物档案中的身份特征和活体检测结果作为理赔身份特征和理赔活体检测结果；
若所述理赔活体检测结果为活体，则理赔申请失败；若所述理赔活体检测结果为非活体，则将所述目标保单信息中的身份特征作为目标身份特征；
依据所述相似度计算模型计算所述理赔身份特征和所述目标身份特征之间的相似度，若所述相似度大于预设阈值，说明所述理赔牲畜与所述目标保单信息的参保牲畜相同，则理赔申请成功；若所述相似度不大于所述预设阈值，说明所述理赔牲畜与所述目标保单信息的参保牲畜不相同，则理赔申请失败。其中，所述预设阈值为0.8。
如此，能够依据理赔牲畜的ID信息确定目标保单信息，并对比视频信息和目标保单信息确认理赔牲畜身份，自动得到理赔结果，降低理赔欺诈风险的同时提高理赔效率。
由以上技术方案可以看出，本申请能够通过牲畜的视频信息自动提取标准图像，并依据标准图像和视频信息获取身份特征、活体检测结果和健康检测结果以构建牲畜的生物档案，基于生物档案进行牲畜身份的验证，从而实现自动化承保和理赔流程，减少保险人员的工作量，提高牲畜保险承保和理赔效率。
请参见图3，图3是本申请基于人工智能的牲畜保险承保和理赔装置的较佳实施例的功能模块图。基于人工智能的牲畜保险承保和理赔装置11包括获取单元110、提取单元111、生成单元112、承保单元113、储存单元114、采集单元115、理赔单元116。本申请所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
在一个可选的实施例中，获取单元110用于获取投保牲畜的ID信息和视频信息，所述ID信息为所述投保牲畜的唯一标识，所述视频信息包括所述投保牲畜不同视角的图像帧。
在一个可选的实施例中，在牲畜保险的承保阶段，需要投保牲畜的属主采集投保牲畜的ID信息和视频信息，所述承保阶段是指保险公司对愿意购买保险的单位或个人所提出的投保申请进行审核以判断是否接受投保申请的过程，所述ID信息包括但不限于所述投保牲畜的属主信息、活动范围的GPS经纬度信息、品种、病史等与所述投保牲畜身份相关的信息，所述ID信息与所述投保牲畜一一对应；所述视频信息包括所述投保牲畜不同视角的连续图像帧。
在一个可选的实施例中，提取单元111用于依据预设标准筛选所述视频信息的图像帧以获取所述投保牲畜的标准图像，所述标准图像为一个或多个。
在一个可选的实施例中，投保牲畜的视频信息中包括不同视角下的多张图像帧，不同视角包含的信息不同，为了获取准确的投保牲畜信息，需要依据预设标准从所有图像帧中提取出符合承保要求的标准图像，所述标准图像为一张或多张。
在一个可选的实施例中，所述依据预设标准筛选所述视频信息的图像帧以获取所述投保牲畜的标准图像包括：
获取关键点检测网络，所述关键点检测网络的输入为所述视频信息中的图像帧，输出为所述图像帧的关键点检测图，所述关键点检测图包括每一个关键点的位置坐标，所述关键点为所述投保牲畜身体上不同种类的特征点；
将所述视频信息的图像帧输入所述关键点检测网络得到每一个图像帧的关键点检测图；
匹配所述关键点检测图和预设标准以提取所述投保牲畜的标准图像，所述预设标准为一个或多个，所述预设标准与所述标准图像一一对应。
该可选的实施例中，首先搭建关键点检测初始网络，所述关键点检测初始网络的输入为所述视频信息中的图像帧，预期输出为所述图像帧的关键点检测图，所述关键点检测图包括每一个关键点的位置坐标，其中，所述关键点包括但不限于左右眼、鼻子、左右耳、左右嘴角、四个肘、四个膝盖、四个爪子、尾巴等所述投保牲畜身体上不同种类的特征点，其中，所述肘、膝盖和爪子有包含方向信息，示例性的，所述四个爪子又包括左前爪、右前爪、左后爪和右后爪。所述关键点检测初始网络为编码器和解码器结构，所述编码器由多个卷积层串联而成，卷积层对输入图像帧不断进行特征提取以获取下采样图，随着卷积层的加深，所述下采样图会不断提取输入图像帧的全局特征，将最后一层卷积层输出的下采样图作为全局特征图；所述解码器对所述全局特征图不断进行上采样操作得到与输入图像帧等大的关键点检测图。其中，所述关键点检测初始网络可以采用CPM、DeeperCut等现有的关键点检测网络。
该可选的实施例中，为了使关键点检测初始网络的输出为所述关键点检测图，需要对所述关键点检测初始网络进行训练得到关键点检测网络，所述训练过程与CPM、DeeperCut等现有的关键点检测网络的训练过程相同。
该可选的实施例中，将所述视频信息的图像帧输入所述关键点检测网络得到每一个图像帧的关键点检测图，进一步匹配所述关键点检测图和预设标准以提取所述投保牲畜的标准图像，其中，预设标准可以为正脸、右侧脸、左侧脸、仰视脸、俯视脸、左侧身、右侧身等不同视角中的一个或多个，所述预设标准与所述标准图像一一对应，且不同视角下能够检测到的关键点的种类和数目是不同的，故基于关键点检测图中关键点的种类和数量从所述视频信息中提取每一个预设标准对应的标准图像，将所有预设标准对应的标准图像作为所述投保牲畜的标准图像。
示例性的，若所述预设标准为左侧身，则所述左侧身的视角下能够检测到的关键点包括左眼、左耳、左嘴角、尾巴、左前爪和左后爪、左前肘和左后肘，左前膝盖和左后膝盖等关键点，将关键点的种类和数量与上述关键点相同的图像帧作为左侧身对应的标准图像。
在一个可选的实施例中，生成单元112用于基于所述视频信息和所述标准图像生成所述投保牲畜的生物档案，所述生物档案包括身份特征、健康检测结果和活体检测结果。
在一个可选的实施例中，所述基于所述视频信息和所述标准图像生成所述投保牲畜的生物档案，所述生物档案包括身份特征、健康检测结果和活体检测结果，包括：
基于所述关键点检测网络提取所述标准图像的全局特征和局部特征，将所述全局特征和局部特征作为所述投保牲畜的身份特征，每一个标准图像均对应一个全局特征和局部特征；
基于所述视频信息构建运动特征矩阵，并将所述运动特征矩阵送入活体检测网络得到所述投保牲畜的活体检测结果，所述活体检测网络为二分类网络，所述活体检测结果包括活体和非活体；
基于所述标准图像以构建关键区域三维图像，并将所述关键区域三维图像送入健康检测网络得到所述投保牲畜的健康检测结果，所述健康检测网络为二分类网络，所述健康检测结果包括健康和不健康；
将所述身份特征、健康检测结果和活体检测结果作为所述投保牲畜的生物档案。
该可选的实施例中，在获取输入图像帧的关键点检测图的过程中，将关键点检测网络的编码器输出的全局特征图作为所述输入图像帧的全局特征，所述全局特征包括所述输入图像帧的整体信息；获取所述编码器中间位置的卷积层输出的下采样特征图以作为所述输入图像帧的局部特征，所述局部特征包括牲畜皮肤或毛色纹理等具体的细节信息，故基于所述关键点检测网络可以获取输入图像帧的局部特征和全局特征；按照上述方法获取所述标准图像的全局特征和局部特征，其中，所述标准图像为一个或多个，每一个标准图像均对应一个全局特征和局部特征，将所有标准图像的全局特征和局部特征作为所述投保牲畜的身份特征，所述全局特征和局部特征获取流程示意图如图2所示。
在一个可选的实施例中，所述基于所述视频信息构建运动特征矩阵包括：
基于所述关键点检测网络获取所述视频信息中每一个图像帧的关键点检测图，所述关键点检测图包括每一个关键点的位置坐标，所述关键点为所述投保牲畜身体上不同种类的特征点；
将同种关键点的位置坐标按照时间戳的先后顺序进行排列可以得到每一种关键点的运动序列，所述时间戳为所述图像帧的采集时间；
将所有关键点的运动序列在列方向上进行排列以构建运动特征矩阵。
该可选的实施例中，基于所述关键点检测网络获取所述视频信息中每一个图像帧的关键点检测图，获取所有关键点检测图中每一种关键点的位置坐标，所述位置坐标包括横纵坐标，将关键点检测图中检测不到的关键点种类用预设字符代替，所述预设字符可以为(*,*)；将同种关键点的位置坐标按照时间戳的先后顺序进行排列可以得到每一种关键点的运动序列，所述时间戳反应图像帧的获取时间，所述运动序列为2行M列的矩阵，其中，2行为关键点位置坐标中的横纵坐标，M为所述视频信息中图像帧的数量；按照相同的方法获取每一种关键点的运动序列，并将所有关键点的运动序列在列方向上排列以构成运动特征矩阵，所述运动特征矩阵的尺寸为2N行M列，所述运动特征矩阵即可以反映时序上的运动情况也可以反应每一个时刻不同关键点的相对位置关系，其中，N为所有关键点种类的数量；将所述运动特征矩阵送入活体检测网络得到所述投保牲畜的活体检测结果，所述活体检测网络为二分类网络，所述活体检测结果包括活体和非活体。
该可选的实施例中，所述活体检测网络的输入为运动特征矩阵，输出所述运动特征矩阵的活体检测结果；所述活体检测网络可以采用ResNet、mobileNet等现有的分类网络，所述活体检测网络的获取过程包括：搭建活体检测判断初始网络；采集大量运动特征矩阵并人工标注运动特征矩阵的活体检测结果，得到训练数据；基于所述训练数据和交叉熵损失函数训练活体检测判断初始网络得到活体检测网络。
在一个可选的实施例中，所述基于所述标准图像以构建关键区域三维图像包括：
基于所述关键点检测网络获取所述标准图像的关键点检测图，所述关键点检测图包括每一个关键点的位置坐标，所述关键点为所述投保牲畜身体上不同种类的特征点；
基于所述标准图像的关键点检测图中关键点的位置坐标截取所述标准图像以获取关键区域图像，所述关键区域可以为一个或多个；
将所有关键区域图像缩放至预设尺寸并堆叠在一起以构建关键区域三维图像。
该可选的实施例中，依据关键点检测网络获取所述标准图像的关键点检测图，基于所述标准图像的关键点检测图中关键点的位置坐标截取所述标准图像以获取关键区域图像，所述关键区域为可以反应牲畜健康程度的区域，所述关键区域可以为一个或多个，示例性的，所述关键区域可以为口鼻区域、眼睛区域等，在获取眼睛区域图像时，分别以左右眼睛关键点为中心点生成预设宽高尺寸的矩形框，基于所述矩形框截取所述标准图像得到所述眼睛区域图像，其中，不同关键区域对应的预设宽高尺寸不同；进一步将所有关键区域图像缩放至预设尺寸并堆叠在一起以构建关键区域三维图像，所述关键区域三维图像的尺寸为W×H×C，其中，W×H为所述预设尺寸，C所述关键区域图像的数量；将所述关键区域三维图像送入健康检测网络得到所述投保牲畜的健康检测结果，所述健康检测网络为二分类网络，所述健康检测结果包括健康和不健康。
该可选的实施例中，所述健康检测网络的输入为关键区域三维图像，输出为所述关键区域三维图像的健康检测结果；所述健康检测网络可以采用ResNet、mobileNet等现有的分类网络，所述健康检测网络的获取过程包括：搭建健康检测初始网络；采集大量关键区域三维图像作为样本数据，并人工标注每一个样本数据的健康检测结果得到训练数据；基于所述训练数据和交叉熵损失函数训练健康检测初始网络得到健康检测网络。
该可选的实施例中，将所述身份特征、健康检测结果和活体检测结果作为所述投保牲畜的生物档案。
在一个可选的实施例中，承保单元113用于基于所述投保牲畜的生物档案和预设承保标准得到承保结果，所述承保结果包括承保成功和承保失败。
在一个可选的实施例中，所述基于所述投保牲畜的生物档案和预设承保标准得到承保结果，所述承保结果包括承保成功和承保失败，包括：
依据相似度计算模型计算所述投保牲畜与保单数据库中所有已投保牲畜的相似度，所述相似度计算模型满足关系式：
Figure 39968DEST_PATH_IMAGE010
其中，
Figure 537945DEST_PATH_IMAGE002
为所述投保牲畜的标准图像的数量，/>
Figure 309592DEST_PATH_IMAGE003
表示所述投保牲畜的标准图像k对应的局部特征，/>
Figure 197914DEST_PATH_IMAGE004
表示所述投保牲畜的标准图像k对应的全局特征，/>
Figure 80419DEST_PATH_IMAGE005
和/>
Figure 432903DEST_PATH_IMAGE006
分别表示所述已投保牲畜j的标准图像k对应的局部特征和全局特征，/>
Figure DEST_PATH_IMAGE011
表示投保牲畜i和已投保牲畜j的相似度；
储存所有相似度以作为相似度集合，并对比所述相似度集合和预设阈值以获取重复投保判断结果；
若所述相似度集合中至少有一个相似度大于所述预设阈值，则表示所述投保牲畜已经参保，所述重复投保判断结果为重复投保；若所述相似度集合中所有相似度均不大于所述预设阈值，则所述重复投保判断结果为未投保，其中，所述预设阈值为0.8；
基于所述复投保判断结果、健康检测结果、活体检测结果和预设承保标准得到承保结果，所述预设承保标准为健康、活体且未投保的牲畜，若所述投保牲畜符合预设承保标准，则所述承保结果为承保成功，否则，所述承保结果为承保失败。
在一个可选的实施例中，储存单元114用于当所述承保结果为承保成功时，将所述生物档案和所述ID信息作为保单信息，并将所述保单信息储存在保单数据库中。
在一个可选的实施例中，当所述承保结果为承保成功时，需要将投保牲畜的ID信息和生物档案作为保单信息并储存在保单数据库中，所述保单数据库包括所有承保成功的保单信息，所述保单信息包括ID信息和生物档案。
在一个可选的实施例中，采集单元115用于当申请理赔时，采集理赔牲畜的实时视频信息以作为理赔视频信息，将理赔牲畜的ID信息作为理赔ID信息。
在一个可选的实施例中，当申请理赔时，理赔牲畜的属主采集所述理赔牲畜的实时视频信息，在采集所述实时视频信息的过程中，依据所述预设标准提取所述实时视频信息中的标准图像，当提取到所有标准图像时停止采集过程，并将采集到的实时视频信息作为理赔视频信息，将所述理赔牲畜的ID信息作为理赔ID信息。
该可选的实施例中，为了确保理赔视频信息的真实性，降低理赔欺诈的风险，计算所述理赔视频信息的时间戳和所述提交理赔申请的时间戳之间的时间间隔，若所述时间间隔大于预设间隔，则提交理赔申请失败，提醒理赔牲畜的属主重新采集视频信息；若所述时间间隔不大于预设间隔，则提交理赔申请成功。
在一个可选的实施例中，理赔单元116用于基于所述理赔ID信息搜索所述保单数据库以获取目标保单信息，并对比所述目标保单信息的生物档案和所述理赔视频信息得到理赔结果。
在一个可选的实施例中，使用智能搜索引擎在所述保单数据库中搜索理赔ID信息以获取目标保单信息，智能搜索是结合了人工智能技术的新一代搜索引擎，该引擎能提供智能信息化过滤和推送功能。
该可选的实施例中，所述对比所述目标保单信息的生物档案和所述理赔视频信息得到理赔结果包括：
依据所述预设标准提取所述理赔视频信息的图像帧以获取所述理赔牲畜的标准图像，并基于所述理赔视频信息和所述标准图像生成所述理赔牲畜的生物档案；
提取所述理赔牲畜的生物档案中的身份特征和活体检测结果作为理赔身份特征和理赔活体检测结果；
若所述理赔活体检测结果为活体，则理赔申请失败；若所述理赔活体检测结果为非活体，则将所述目标保单信息中的身份特征作为目标身份特征；
依据所述相似度计算模型计算所述理赔身份特征和所述目标身份特征之间的相似度，若所述相似度大于预设阈值，说明所述理赔牲畜与所述目标保单信息的参保牲畜相同，则理赔申请成功；若所述相似度不大于所述预设阈值，说明所述理赔牲畜与所述目标保单信息的参保牲畜不相同，则理赔申请失败。其中，所述预设阈值为0.8。
由以上技术方案可以看出，本申请能够通过牲畜的视频信息自动提取标准图像，并依据标准图像和视频信息获取身份特征、活体检测结果和健康检测结果以构建牲畜的生物档案，基于生物档案进行牲畜身份的验证，从而实现自动化承保和理赔流程，减少保险人员的工作量，提高牲畜保险承保和理赔效率。
请参见图4，是本申请实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行所述储器中存储的计算机可读指令以实现上述任一实施例所述的基于人工智能的牲畜保险承保和理赔方法。
在一个可选的实施例中，电子设备1还包括总线、存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于人工智能的牲畜保险承保和理赔程序。
图4仅示出了具有存储器12和处理器13的电子设备1，本领域技术人员可以理解的是，图4示出的结构并不构成对电子设备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。
结合图1，电子设备1中的所述存储器12存储多个计算机可读指令以实现一种基于人工智能的牲畜保险承保和理赔方法，所述处理器13可执行所述多个指令从而实现：
获取投保牲畜的ID信息和视频信息，所述ID信息为所述投保牲畜的唯一标识，所述视频信息包括所述投保牲畜不同视角的图像帧；
依据预设标准筛选所述视频信息的图像帧以获取所述投保牲畜的标准图像，所述标准图像为一个或多个；
基于所述视频信息和所述标准图像生成所述投保牲畜的生物档案，所述生物档案包括身份特征、健康检测结果和活体检测结果；
基于所述投保牲畜的生物档案和预设承保标准得到承保结果，所述承保结果包括承保成功和承保失败；
当所述承保结果为承保成功时，将所述生物档案和所述ID信息作为保单信息，并将所述保单信息储存在保单数据库中；
当申请理赔时，采集理赔牲畜的实时视频信息以作为理赔视频信息，将理赔牲畜的ID信息作为理赔ID信息；
基于所述理赔ID信息搜索所述保单数据库以获取目标保单信息，并对比所述目标保单信息的生物档案和所述理赔视频信息得到理赔结果。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，电子设备1可以是总线型结构，也可以是星形结构，电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。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。存储器12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。存储器12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（Secure Digital, SD）卡、闪存卡（Flash Card）等。存储器12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，例如基于人工智能的牲畜保险承保和理赔程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13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。处理器13是电子设备1的控制核心（Control Unit），利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块（例如执行基于人工智能的牲畜保险承保和理赔程序等），以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的牲畜保险承保和理赔方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如，所述计算机程序可以被分割成获取单元110、提取单元111、生成单元112、承保单元113、储存单元114、采集单元115、理赔单元116。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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、计算机设备，或者网络设备等）或处理器（Processor）执行本申请各个实施例所述的基于人工智能的牲畜保险承保和理赔方法的部分。
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。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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-Only Memory）、随机存储器及其他存储器等。
进一步地，计算机可读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。
本申请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。
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。为便于表示，在图4中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
本申请实施例还提供一种计算机可读存储介质（图未示），计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的牲畜保险承保和理赔方法。
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，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，在本申请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。
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。说明书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。第一、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申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (9)

1.一种基于人工智能的牲畜保险承保和理赔方法，其特征在于，所述方法包括：
投保牲畜的属主采集所述投保牲畜的ID信息和视频信息，所述ID信息为所述投保牲畜的唯一标识，所述视频信息包括所述投保牲畜不同视角的图像帧；
依据预设标准筛选所述视频信息的图像帧以获取所述投保牲畜的标准图像，所述标准图像为一个或多个，包括：
获取关键点检测网络，所述关键点检测网络的输入为所述视频信息中的图像帧，输出为所述图像帧的关键点检测图，所述关键点检测图包括每一个关键点的位置坐标，所述关键点为所述投保牲畜身体上不同种类的特征点；
将所述视频信息的图像帧输入所述关键点检测网络得到每一个图像帧的关键点检测图；
匹配所述关键点检测图和预设标准以提取所述投保牲畜的标准图像，所述预设标准为一个或多个，基于所述关键点检测图中关键点的种类和数量从所述视频信息中提取每一个预设标准对应的标准图像；
基于所述视频信息和所述标准图像生成所述投保牲畜的生物档案，所述生物档案包括身份特征、健康检测结果和活体检测结果，包括：
基于所述关键点检测网络提取所述标准图像的全局特征和局部特征，将所述全局特征和局部特征作为所述投保牲畜的身份特征，每一个标准图像均对应一个全局特征和局部特征；
将关键点检测网络的编码器输出的全局特征图作为标准图像的全局特征，获取所述编码器中间位置的卷积层输出的下采样特征图以作为所述标准图像的局部特征；
基于所述视频信息构建运动特征矩阵，并将所述运动特征矩阵送入活体检测网络得到所述投保牲畜的活体检测结果，基于所述标准图像以构建关键区域三维图像，并将所述关键区域三维图像送入健康检测网络得到所述投保牲畜的健康检测结果；
基于所述投保牲畜的生物档案和预设承保标准得到承保结果，所述承保结果包括承保成功和承保失败；
当所述承保结果为承保成功时，将所述生物档案和所述ID信息作为保单信息，并将所述保单信息储存在保单数据库中；
当申请理赔时，理赔牲畜的属主采集所述理赔牲畜的实时视频信息以作为理赔视频信息，将理赔牲畜的ID信息作为理赔ID信息；
基于所述理赔ID信息搜索所述保单数据库以获取目标保单信息，并对比所述目标保单信息的生物档案和所述理赔视频信息得到理赔结果。
2.如权利要求1所述的基于人工智能的牲畜保险承保和理赔方法，其特征在于，所述基于所述视频信息和所述标准图像生成所述投保牲畜的生物档案，所述生物档案包括身份特征、健康检测结果和活体检测结果，包括：
所述活体检测网络为二分类网络，所述活体检测结果包括活体和非活体；
所述健康检测网络为二分类网络，所述健康检测结果包括健康和不健康；
将所述身份特征、健康检测结果和活体检测结果作为所述投保牲畜的生物档案。
3.如权利要求1所述的基于人工智能的牲畜保险承保和理赔方法，其特征在于，所述基于所述视频信息构建运动特征矩阵包括：
基于所述关键点检测网络获取所述视频信息中每一个图像帧的关键点检测图，所述关键点检测图包括每一个关键点的位置坐标，所述关键点为所述投保牲畜身体上不同种类的特征点；
将同种关键点的位置坐标按照时间戳的先后顺序进行排列可以得到每一种关键点的运动序列，所述时间戳为所述图像帧的采集时间；
将所有关键点的运动序列在列方向上进行排列以构建运动特征矩阵。
4.如权利要求1所述的基于人工智能的牲畜保险承保和理赔方法，其特征在于，所述基于所述标准图像以构建关键区域三维图像包括：
基于所述关键点检测网络获取所述标准图像的关键点检测图，所述关键点检测图包括每一个关键点的位置坐标，所述关键点为所述投保牲畜身体上不同种类的特征点；
基于所述标准图像的关键点检测图中关键点的位置坐标截取所述标准图像以获取关键区域图像，所述关键区域可以为一个或多个；
将所有关键区域图像缩放至预设尺寸并堆叠在一起以构建关键区域三维图像。
5.如权利要求1所述的基于人工智能的牲畜保险承保和理赔方法，其特征在于，所述基于所述投保牲畜的生物档案和预设承保标准得到承保结果，所述承保结果包括承保成功和承保失败，包括：
依据相似度计算模型计算所述投保牲畜与保单数据库中所有已投保牲畜的相似度，所述相似度计算模型满足关系式：
Figure FDA0004008880920000031
其中，K为所述投保牲畜的标准图像的数量，
Figure FDA0004008880920000032
表示所述投保牲畜的标准图像k对应的局部特征，
Figure FDA0004008880920000033
表示所述投保牲畜的标准图像k对应的全局特征，
Figure FDA0004008880920000034
和
Figure FDA0004008880920000035
分别表示所述已投保牲畜j的标准图像k对应的局部特征和全局特征，Sim(i,j)表示投保牲畜i和已投保牲畜j的相似度；
储存所有相似度以作为相似度集合，并对比所述相似度集合和预设阈值以获取重复投保判断结果；
若所述相似度集合中至少有一个相似度大于所述预设阈值，则表示所述投保牲畜已经参保，所述重复投保判断结果为重复投保；若所述相似度集合中所有相似度均不大于所述预设阈值，则所述重复投保判断结果为未投保；
基于所述复投保判断结果、健康检测结果、活体检测结果和预设承保标准得到承保结果，所述预设承保标准为健康、活体且未投保的牲畜，若所述投保牲畜符合预设承保标准，则所述承保结果为承保成功，否则，所述承保结果为承保失败。
6.如权利要求5所述的基于人工智能的牲畜保险承保和理赔方法，其特征在于，所述对比所述目标保单信息的生物档案和所述理赔视频信息得到理赔结果包括：
依据所述预设标准提取所述理赔视频信息的图像帧以获取所述理赔牲畜的标准图像，并基于所述理赔视频信息和所述标准图像生成所述理赔牲畜的生物档案；
提取所述理赔牲畜的生物档案中的身份特征和活体检测结果作为理赔身份特征和理赔活体检测结果；
若所述理赔活体检测结果为活体，则理赔申请失败；若所述理赔活体检测结果为非活体，则将所述目标保单信息中的身份特征作为目标身份特征；
依据所述相似度计算模型计算所述理赔身份特征和所述目标身份特征之间的相似度，若所述相似度大于预设阈值，说明所述理赔牲畜与所述目标保单信息的参保牲畜相同，则理赔申请成功；
若所述相似度不大于所述预设阈值，说明所述理赔牲畜与所述目标保单信息的参保牲畜不相同，则理赔申请失败。
7.一种基于人工智能的牲畜保险承保和理赔装置，其特征在于，所述装置包括：
获取单元，用于获取投保牲畜的ID信息和视频信息，所述ID信息为所述投保牲畜的唯一标识，所述视频信息包括所述投保牲畜不同视角的图像帧；
提取单元，用于依据预设标准筛选所述视频信息的图像帧以获取所述投保牲畜的标准图像，所述标准图像为一个或多个，包括：
获取关键点检测网络，所述关键点检测网络的输入为所述视频信息中的图像帧，输出为所述图像帧的关键点检测图，所述关键点检测图包括每一个关键点的位置坐标，所述关键点为所述投保牲畜身体上不同种类的特征点；
将所述视频信息的图像帧输入所述关键点检测网络得到每一个图像帧的关键点检测图；
匹配所述关键点检测图和预设标准以提取所述投保牲畜的标准图像，所述预设标准为一个或多个，基于所述关键点检测图中关键点的种类和数量从所述视频信息中提取每一个预设标准对应的标准图像；
生成单元，用于基于所述视频信息和所述标准图像生成所述投保牲畜的生物档案，所述生物档案包括身份特征、健康检测结果和活体检测结果，包括：
基于所述关键点检测网络提取所述标准图像的全局特征和局部特征，将所述全局特征和局部特征作为所述投保牲畜的身份特征，每一个标准图像均对应一个全局特征和局部特征；
将关键点检测网络的编码器输出的全局特征图作为标准图像的全局特征，获取所述编码器中间位置的卷积层输出的下采样特征图以作为所述标准图像的局部特征；
基于所述视频信息构建运动特征矩阵，并将所述运动特征矩阵送入活体检测网络得到所述投保牲畜的活体检测结果，基于所述标准图像以构建关键区域三维图像，并将所述关键区域三维图像送入健康检测网络得到所述投保牲畜的健康检测结果；
承保单元，用于基于所述投保牲畜的生物档案和预设承保标准得到承保结果，所述承保结果包括承保成功和承保失败；
储存单元，用于当所述承保结果为承保成功时，将所述生物档案和所述ID信息作为保单信息，并将所述保单信息储存在保单数据库中；
采集单元，用于当申请理赔时，采集理赔牲畜的实时视频信息以作为理赔视频信息，将理赔牲畜的ID信息作为理赔ID信息；
理赔单元，用于基于所述理赔ID信息搜索所述保单数据库以获取目标保单信息，并对比所述目标保单信息的生物档案和所述理赔视频信息得到理赔结果。
8.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至6中任意一项所述的基于人工智能的牲畜保险承保和理赔方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的基于人工智能的牲畜保险承保和理赔方法。
CN202211359813.0A 2022-11-02 2022-11-02 基于人工智能的牲畜保险承保和理赔方法及相关设备 Active CN115409638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211359813.0A CN115409638B (zh) 2022-11-02 2022-11-02 基于人工智能的牲畜保险承保和理赔方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211359813.0A CN115409638B (zh) 2022-11-02 2022-11-02 基于人工智能的牲畜保险承保和理赔方法及相关设备

Publications (2)

Publication Number Publication Date
CN115409638A CN115409638A (zh) 2022-11-29
CN115409638B true CN115409638B (zh) 2023-03-24

Family

ID=84169157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211359813.0A Active CN115409638B (zh) 2022-11-02 2022-11-02 基于人工智能的牲畜保险承保和理赔方法及相关设备

Country Status (1)

Country Link
CN (1) CN115409638B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116205748A (zh) * 2023-05-06 2023-06-02 吉林省中农阳光数据有限公司 一种基于智能物联网的养殖保险精准定损方法及装置
CN116563040A (zh) * 2023-07-07 2023-08-08 中国平安财产保险股份有限公司 基于牲畜识别的农险查勘方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022077113A1 (en) * 2020-10-14 2022-04-21 One Cup Productions Ltd. Animal visual identification, tracking, monitoring and assessment systems and methods thereof
CN115273244A (zh) * 2022-09-29 2022-11-01 合肥工业大学 基于图神经网络的人体动作识别方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080312969A1 (en) * 2007-04-20 2008-12-18 Richard Raines System and method for insurance underwriting and rating
CN109919789B (zh) * 2019-03-05 2022-02-01 王洋 一种人工智能保险审核方法及装置
CN110348524B (zh) * 2019-07-15 2022-03-04 深圳市商汤科技有限公司 一种人体关键点检测方法及装置、电子设备和存储介质
EP3933766B1 (en) * 2020-06-30 2023-06-07 Cattle Eye Ltd A system and a method for livestock monitoring
CN113378619B (zh) * 2021-03-12 2023-07-04 中国平安财产保险股份有限公司 保险业务数据处理方法、装置、电子设备和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022077113A1 (en) * 2020-10-14 2022-04-21 One Cup Productions Ltd. Animal visual identification, tracking, monitoring and assessment systems and methods thereof
CN115273244A (zh) * 2022-09-29 2022-11-01 合肥工业大学 基于图神经网络的人体动作识别方法和系统

Also Published As

Publication number Publication date
CN115409638A (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
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
CN112668453B (zh) 视频识别方法及相关设备
CN115063589A (zh) 基于知识蒸馏的车辆部件分割方法及相关设备
CN115063632A (zh) 基于人工智能的车辆损伤识别方法、装置、设备及介质
CN112541443B (zh) 发票信息抽取方法、装置、计算机设备及存储介质
CN108389053B (zh) 支付方法、装置、电子设备及可读存储介质
CN113240031A (zh) 全景图像特征点匹配模型的训练方法、装置以及服务器
CN115170869A (zh) 重复车损理赔识别方法、装置、设备及存储介质
CN115222427A (zh) 基于人工智能的欺诈风险识别方法及相关设备
CN115049878A (zh) 基于人工智能的目标检测优化方法、装置、设备及介质
CN111192150B (zh) 车辆出险代理业务的处理方法、装置、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
CN113378619B (zh) 保险业务数据处理方法、装置、电子设备和存储介质
CN116416632A (zh) 基于人工智能的文件自动归档方法及相关设备
CN113269179B (zh) 数据处理方法、装置、设备及存储介质
CN112102205B (zh) 图像去模糊方法、装置、电子设备及存储介质
CN115880702A (zh) 数据处理方法、装置、设备、程序产品及存储介质
CN115661472A (zh) 图像查重方法、装置、计算机设备及存储介质
CN111933241B (zh) 医疗数据解析方法、装置、电子设备及存储介质
CN111104844B (zh) 多发票信息录入方法、装置、电子设备及存储介质
CN113920564A (zh) 基于人工智能的客户挖掘方法及相关设备
CN113705468A (zh) 基于人工智能的数字图像识别方法及相关设备
CN113486848A (zh) 文档表格识别方法、装置、设备及存储介质
CN111860486A (zh) 卡片识别方法、装置及设备
CN111476234B (zh) 一种遮挡车牌字符识别方法、装置、存储介质和智能设备

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