CN116757713A - 基于图像识别的作品估值方法、装置、设备及存储介质 - Google Patents
基于图像识别的作品估值方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116757713A CN116757713A CN202311042855.6A CN202311042855A CN116757713A CN 116757713 A CN116757713 A CN 116757713A CN 202311042855 A CN202311042855 A CN 202311042855A CN 116757713 A CN116757713 A CN 116757713A
- Authority
- CN
- China
- Prior art keywords
- work
- target
- estimation
- dimensional
- point cloud
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 238000004088 simulation Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000007621 cluster analysis Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 238000002310 reflectometry Methods 0.000 claims description 20
- 239000000463 material Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 230000007547 defect Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000009877 rendering Methods 0.000 claims description 8
- 238000005498 polishing Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005336 cracking Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000000306 component Substances 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000013210 evaluation model Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 239000000969 carrier Substances 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000000452 restraining effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010428 oil painting Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0278—Product appraisal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像识别技术领域,公开了一种基于图像识别的作品估值方法、装置、设备及存储介质,用于实现作品估值分析并提高作品估值的准确率。方法包括:对多个目标作品图像进行点云数据提取,得到点云数据集合;构建作品三维模拟实体并进行模拟灯光照射处理,采集作品三维模拟实体的空间分辨率;通过空间分辨率进行作品瑕疵识别,得到瑕疵识别结果;采集历史交易数据;对历史交易数据进行聚类分析,得到多种类型的历史交易数据并进行编码处理,得到多个交易编码;进行交易编码相似度匹配,获取目标交易编码;通过目标交易编码进行估值模型匹配,得到目标估值模型;将作品瑕疵识别结果输入目标估值模型进行估值分析,确定目标估值结果。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种基于图像识别的作品估值方法、装置、设备及存储介质。
背景技术
近年来,随着艺术品市场的繁荣和数字技术的发展,基于图像识别的作品估值方法受到了广泛关注和研究。传统的作品估值方法主要依赖于专家的经验和判断,存在主观性强、效率低等问题。
现有方案主要分为两类:一是基于机器学习算法进行作品估值,如使用卷积神经网络提取艺术品图像特征,并通过回归模型进行估值预测;二是利用区块链技术进行作品估值,将作品信息以及交易记录等数据记录在区块链上,实现作品的去中心化估值。然而,现有方案中仍存在一些不足之处。首先,基于机器学习的作品估值方法可能存在过拟合和欠拟合等问题,导致估值结果不够准确和可信。其次,基于区块链的作品估值方法需要建立庞大的数据库和交易平台,进而导致现有方案的准确率较低。
发明内容
本发明提供了一种基于图像识别的作品估值方法、装置、设备及存储介质,用于实现作品估值分析并提高作品估值的准确率。
本发明第一方面提供了一种基于图像识别的作品估值方法,所述基于图像识别的作品估值方法包括:
采集多个目标作品图像,并对多个所述目标作品图像进行点云数据提取,得到点云数据集合;
通过所述点云数据集合构建作品三维模拟实体;
对所述作品三维模拟实体进行模拟灯光照射处理,同时,采集在模拟灯光照射处理后所述作品三维模拟实体的空间分辨率;
将所述空间分辨率输入目标瑕疵模型进行作品瑕疵识别,得到作品瑕疵识别结果;
通过所述作品瑕疵识别结果,从预置的历史交易数据库中采集作品历史交易数据;
对所述作品历史交易数据进行聚类分析,得到多种类型的作品历史交易数据,同时,对每种类型的作品历史交易数据进行编码处理,得到多个交易编码;
对所述作品瑕疵识别结果进行交易编码相似度匹配,获取目标交易编码;
基于预置的作品估值模型集,通过所述目标交易编码进行估值模型匹配,得到目标估值模型;
将所述作品瑕疵识别结果输入所述目标估值模型进行估值分析,确定目标估值结果。
结合第一方面,在本发明第一方面的第一实施方式中,在所述采集多个目标作品图像,并对多个所述目标作品图像进行点云数据提取,得到点云数据集合之前,还包括:
采集历史作品图像集合,并对所述历史作品图像集合进行图像标注,得到标注图像集合;
将所述标注图像集合输入预置的瑕疵识别模型进行模型训练,得到目标瑕疵模型。
结合第一方面,在本发明第一方面的第二实施方式中,所述通过所述点云数据集合构建作品三维模拟实体,包括:
对所述点云数据集合进行点云深度估计,确定多个深度估计值;
通过多个所述深度估计值对所述点云数据集合进行作品形状分析,确定目标作品形状;
通过所述目标作品形状进行三维重建算法匹配,确定目标三维重建算法;
通过所述目标三维重建算法对所述点云数据集合进行三维重建,得到作品三维模拟实体。
结合第一方面,在本发明第一方面的第三实施方式中,所述对所述作品三维模拟实体进行模拟灯光照射处理,同时,采集在模拟灯光照射处理后所述作品三维模拟实体的空间分辨率,包括:
对所述作品三维模拟实体进行作品类型分析,确定对应的目标作品类型;
通过所述目标作品类型进行模拟灯光类型匹配,确定目标灯光类型;
对所述作品三维模拟实体进行空间位置分析,确定三维空间位置坐标;
通过所述三维空间位置坐标进行灯源位置匹配,确定多个灯源位置;
基于多个所述灯源位置,通过预置的三维渲染算法对所述作品三维模拟实体进行模拟灯光照射处理,同时,采集在模拟灯光照射处理后所述作品三维模拟实体的空间分辨率。
结合第一方面,在本发明第一方面的第四实施方式中,所述通过所述目标作品类型进行模拟灯光类型匹配,确定目标灯光类型,包括:
基于所述目标作品类型对所述作品三维模拟实体进行材质分析,得到作品材质信息;
通过所述作品材质信息进行作品反射率计算,确定对应的目标作品反射率;
通过所述目标作品反射率进行模拟灯光类型匹配,确定目标灯光类型。
结合第一方面,在本发明第一方面的第五实施方式中,所述对所述作品瑕疵识别结果进行交易编码相似度匹配,获取目标交易编码,包括:
对所述作品瑕疵识别结果进行编码转换,确定待匹配编码;
基于多个所述交易编码,对所述作品瑕疵识别结果进行交易编码相似度匹配,确定目标交易编码。
结合第一方面,在本发明第一方面的第六实施方式中,所述将所述作品瑕疵识别结果输入所述目标估值模型进行估值分析,确定目标估值结果,包括:
通过所述目标估值模型对所述作品瑕疵识别结果进行特征参数转换,得到目标特征参数;
通过所述目标特征参数进行作品特征识别,确定作品特征信息,其中,所述作品特征信息包括:重量、颜色、净度、裂纹以及抛光特征;
将所述作品特征信息输入所述目标估值模型进行估值分析,确定目标估值结果。
本发明第二方面提供了一种基于图像识别的作品估值装置,所述基于图像识别的作品估值装置包括:
提取模块,用于采集多个目标作品图像,并对多个所述目标作品图像进行点云数据提取,得到点云数据集合;
构建模块,用于通过所述点云数据集合构建作品三维模拟实体;
处理模块,用于对所述作品三维模拟实体进行模拟灯光照射处理,同时,采集在模拟灯光照射处理后所述作品三维模拟实体的空间分辨率;
识别模块,用于将所述空间分辨率输入目标瑕疵模型进行作品瑕疵识别,得到作品瑕疵识别结果;
采集模块,用于通过所述作品瑕疵识别结果,从预置的历史交易数据库中采集作品历史交易数据;
分析模块,用于对所述作品历史交易数据进行聚类分析,得到多种类型的作品历史交易数据,同时,对每种类型的作品历史交易数据进行编码处理,得到多个交易编码;
获取模块,用于对所述作品瑕疵识别结果进行交易编码相似度匹配,获取目标交易编码;
匹配模块,用于基于预置的作品估值模型集,通过所述目标交易编码进行估值模型匹配,得到目标估值模型;
确定模块,用于将所述作品瑕疵识别结果输入所述目标估值模型进行估值分析,确定目标估值结果。
本发明第三方面提供了一种基于图像识别的作品估值设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于图像识别的作品估值设备执行上述的基于图像识别的作品估值方法。
本发明的第四方面提供了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指令,当其在计算机上运行时,使得计算机执行上述的基于图像识别的作品估值方法。
本发明提供的技术方案中,采集多个目标作品图像,并对多个目标作品图像进行点云数据提取,得到点云数据集合;通过点云数据集合构建作品三维模拟实体;对作品三维模拟实体进行模拟灯光照射处理,同时,采集在模拟灯光照射处理后作品三维模拟实体的空间分辨率;将空间分辨率输入目标瑕疵模型进行作品瑕疵识别,得到作品瑕疵识别结果;通过作品瑕疵识别结果,从预置的历史交易数据库中采集作品历史交易数据;对作品历史交易数据进行聚类分析,得到多种类型的作品历史交易数据,同时,对每种类型的作品历史交易数据进行编码处理,得到多个交易编码;对作品瑕疵识别结果进行交易编码相似度匹配,获取目标交易编码;基于预置的作品估值模型集,通过目标交易编码进行估值模型匹配,得到目标估值模型;将作品瑕疵识别结果输入目标估值模型进行估值分析,确定目标估值结果,在本发明中,基于多个目标作品图像进行作品三维模拟实体构建,同时,对该作品三维模拟实体进行模拟灯光照射,并进行瑕疵识别,可以有效从作品图像中提取对应的作品特征,进而,通过采集多种类型的作品历史交易数据以及作品瑕疵是被结果进行估值模型匹配,得到目标估值模型,最终进行估值分析,确定目标估值结果,最终实现作品的估值分析并进一步提升估值的准确率。
附图说明
图1为本发明实施例中基于图像识别的作品估值方法的一个实施例示意图;
图2为本发明实施例中通过点云数据集合构建作品三维模拟实体的流程图;
图3为本发明实施例中对作品三维模拟实体进行模拟灯光照射处理的流程图;
图4为本发明实施例中对作品瑕疵识别结果进行交易编码相似度匹配的流程图;
图5为本发明实施例中基于图像识别的作品估值装置的一个实施例示意图;
图6为本发明实施例中基于图像识别的作品估值设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于图像识别的作品估值方法、装置、设备及存储介质,用于实现作品估值分析并提高作品估值的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于图像识别的作品估值方法的一个实施例包括:
S101、采集多个目标作品图像,并对多个目标作品图像进行点云数据提取,得到点云数据集合;
可以理解的是,本发明的执行主体可以为基于图像识别的作品估值装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器在进行目标作品图像采集时,通过三维扫描仪作为采集设备获取目标作品的目标作品图像,并将该目标作品图像转换为三维点云数据,其中,目标作品可以为珠宝、画作以及雕塑等。服务器通过Structure-from-Motion(SfM)算法来进行图像处理,通过SfM算法从目标作品图像中重建三维结构,通过对多幅图像进行匹配和捆绑调整来估计三维扫描仪的位置和场景的三维结构,具体包括以下步骤:(1)特征提取:从每张目标作品图像中提取出特征点,例如角点、边缘等;(2)特征匹配:将不同目标作品图像中的特征点进行匹配,找到特征点之间的对应关系;(3)三维扫描仪姿态估计:通过特征点的匹配来估计三维扫描仪的位置和方向;(4)三维重建:将不同视角下的目标作品图像进行匹配并捆绑调整,得到目标作品的三维重建结果。服务器使用点云提取算法将其转换为点云数据。本实施例使用MeshLab等工具来进行点云提取,具体包括:(1)导入模型:将目标作品的三维模型导入到MeshLab中;(2)网格化设置:设置一个合适的网格大小和形状;(3)点云提取:使用MeshLab提供的点云提取工具将网格转换为点云并进行数据集合,得到点云数据集合。
S102、通过点云数据集合构建作品三维模拟实体;
具体的,服务器通过点云数据集合构建作品三维模拟实体,首先是进行点云深度估计,点云深度估计包括深度神经网络方法,深度神经网络方法通过训练一个深度学习模型,将点云坐标作为输入,输出每个点的深度值。然后,可以使用该模型对点云数据集合进行深度估计,得到多个深度估计值。服务器利用多个深度估计值对点云数据集进行作品形状分析,确定目标作品形状。通过将深度图转换为点云,然后使用点云配准算法将不同深度估计值的点云对齐,得到一个准确的目标作品形状。服务器使用三维重建算法进行模型匹配。本实施例可以使用多种算法,包括基于特征点的方法、基于区域的方法和基于深度学习的方法等,可以将目标作品形状与一系列三维模型进行匹配,以找到最佳匹配结果。服务器确定目标三维重建算法,并为下一步的三维重建做好准备。服务器使用目标三维重建算法对点云数据集合进行三维重建,并得到作品的三维模拟实体,通过三角剖分算法将点云转换成网格模型,然后应用纹理映射技术进行渲染,以生成真实感的三维模拟实体,得到作品三维模拟实体。
S103、对作品三维模拟实体进行模拟灯光照射处理,同时,采集在模拟灯光照射处理后作品三维模拟实体的空间分辨率;
具体的,服务器进行作品类型分析,通过对作品三维模拟实体进行作品类型分析,以确定对应的目标作品类型,通过计算机视觉技术对模型进行分类或者手动对模型进行标注,以确定需要使用什么样的灯光类型来对其进行处理。服务器进行模拟灯光类型匹配,在确认目标作品类型之后,接下来进行模拟灯光类型匹配。服务器根据目标作品类型和预设的灯光类型来确定需要使用哪种灯光类型。例如,在展现一个雕塑作品时,需要使用强烈的定向光源来突出其造型和轮廓;而在展现一幅油画作品时,需要使用柔和的全局光源来呈现其细腻的色彩和质感。服务器进行空间位置分析,在进行灯光处理之前,对作品三维模拟实体进行空间位置分析,确定其三维空间位置坐标。服务器通过重建算法来获取模型的空间位置信息,并将其转换为全局坐标系中的坐标。服务器进行灯源位置匹配,通过三维空间位置坐标进行灯源位置匹配,以确定多个灯源位置。服务器使用预设的灯光布局方案,例如平面光源、点光源、环境光等,来确定灯光的位置和数量。本实施例可以采用自动化方法或手动设置灯光位置。服务器进行模拟灯光照射,基于多个灯源位置,通过预置的三维渲染算法对作品三维模拟实体进行模拟灯光照射处理。通过将灯光布局和模型数据输入到渲染引擎中来完成。在此过程中,需要注意灯光的角度、颜色、强度等参数的调整,以达到最佳的视觉效果。同时,也需要采集在模拟灯光照射处理后作品三维模拟实体的空间分辨率,以评估处理效果。
S104、将空间分辨率输入目标瑕疵模型进行作品瑕疵识别,得到作品瑕疵识别结果;
具体的,服务器将空间分辨率输入目标瑕疵模型,其中,目标瑕疵模型的建立用于对作品进行瑕疵识别,该目标瑕疵模型通过深度学习技术来实现,例如卷积神经网络或循环神经网络。服务器利用标注数据集来训练一个目标瑕疵模型,并利用该模型对新的作品图像或视频进行瑕疵识别。进一步地,服务器进行空间分辨率输入,在完成目标瑕疵模型的建立之后,将空间分辨率输入到该模型中进行作品瑕疵识别,将高分辨率的图像或视频数据转换为低分辨率的数据,并将其输入到目标瑕疵模型中进行识别。服务器使用卷积操作或降采样等技术来降低图像或视频的分辨率,服务器进行作品瑕疵识别结果,服务器根据目标瑕疵模型和空间分辨率输入,得到作品瑕疵识别结果,其中,作品瑕疵识别结果用于指示目标作品是否存在缺陷或瑕疵,以及确定瑕疵类型和位置。
可选的,在将空间分辨率输入目标瑕疵模型进行作品瑕疵识别,得到作品瑕疵识别结果时,还可以通过采集一个包含有瑕疵和无瑕疵样本的训练数据集。每个样本都是一个图像,瑕疵样本标记为正类,无瑕疵样本标记为负类,进而构建CNN架构,其中,需要说明的是,CNN由多个卷积层、池化层和全连接层组成,这些层相互堆叠以提取图像中的特征。其中,卷积层是CNN的核心组件,它包含一组卷积核(滤波器)。卷积核通过滑动窗口的方式在输入图像上进行卷积运算,提取图像的局部特征。每个卷积核生成一个特征图,其中每个元素表示该位置的特征强度。并在卷积层后面添加一个非线性激活函数,如ReLU(修正线性单元),其将卷积层输出的负值设为零,保留正值。其中,池化层用于减小特征图的空间尺寸,同时保留重要的特征。常用的池化操作是最大池化,即在每个池化窗口中选择最大的特征值作为池化结果。在经过多个卷积层和池化层之后,将特征图转换为一维向量,并连接到全连接层。全连接层通常是多层感知机(MLP),用于对提取的特征进行分类和输出预测结果。在本申请实施例中,可以将空间分辨率输入基于CNN架构的目标瑕疵模型,目标瑕疵模型会输出作品三维模拟实体的瑕疵预测结果。如果得到作品瑕疵识别结果为0,即无瑕疵,在没有瑕疵的作品三维模拟实体上应该输出负类预测,最终得到作品瑕疵识别结果。
S105、通过作品瑕疵识别结果,从预置的历史交易数据库中采集作品历史交易数据;
具体的,服务器根据作品瑕疵结果从预置的历史交易数据库中采集作品历史交易数据,其中,作品历史交易数据库用于存储已知作品的历史交易数据。该作品历史交易数据库收集各种类型的艺术作品的交易信息,包括价格、时间、地点等。同时,还将作品分类和定位信息与交易数据相结合,建立一个完整的作品档案库。服务器采集历史交易数据,在完成作品瑕疵识别之后,就可以通过瑕疵识别结果从预置的历史交易数据库中采集作品历史交易数据。服务器利用计算机视觉和自然语言处理技术来识别和提取作品相关的文本信息,并根据该信息自动检索历史交易数据库。本实施例还可以利用深度学习技术对大量非结构化或半结构化数据进行自动化处理和分析,以提高数据采集的效率和准确性。服务器进行数据清洗和处理,在完成历史交易数据采集之后,对采集到的数据进行清洗和处理,以保证其质量和完整性。具体的,使用数据挖掘和统计分析方法来分析和比较不同来源的数据集,并进行数据去重、标准化、归一化等处理操作,以消除数据中的噪声和异常值。服务器进行数据存储和管理,将采集到的历史交易数据存储和管理起来,以方便后续的查询和分析。可以利用云计算、分布式数据库和大数据技术来实现数据存储和管理。
S106、对作品历史交易数据进行聚类分析,得到多种类型的作品历史交易数据,同时,对每种类型的作品历史交易数据进行编码处理,得到多个交易编码;
具体的,服务器进行聚类分析,服务器通过聚类分析技术对交易数据进行分类和分组,使用机器学习和数据挖掘技术来对交易数据进行自动化处理和分析。服务器基于密度、基于距离或基于层次等算法来进行聚类分析,以识别不同类型的交易数据。利用统计分析方法来确定聚类数量和阈值,以提高分类精度和效率,得到多种类型的作品历史交易数据。服务器进行编码处理,在完成聚类分析之后,对每种类型的作品历史交易数据进行编码处理,通过机器学习和深度学习技术来对交易数据进行自动化处理和表征。利用自编码器、卷积神经网络或循环神经网络等算法来进行交易特征提取和编码处理。同时,还可以利用降维和特征选择技术来减少编码维度,并提高编码效率和可解释性,得到多个交易编码。
S107、对作品瑕疵识别结果进行交易编码相似度匹配,获取目标交易编码;
具体的,服务器确定待匹配编码,根据已有的历史交易数据和分类档案库,选取与目标作品瑕疵识别结果相似的作品分类和定位信息,并依据其所对应的交易编码作为待匹配编码。通过统计分析方法来确定匹配阈值和相似度评价标准,服务器进行交易编码相似度匹配,在确定待匹配编码之后,基于多个交易编码进行相似度匹配,最终确定目标交易编码。服务器使用机器学习和数据挖掘技术来进行相似度匹配和分类预测。基于距离、基于密度或基于层次的聚类算法来进行相似度匹配和分类预测。同时,还可以利用深度学习和神经网络技术来进行目标交易编码的预测和分类器的训练优化,分析目标交易编码与其他交易编码之间的关系和相似性,以识别艺术市场的趋势和规律。
S108、基于预置的作品估值模型集,通过目标交易编码进行估值模型匹配,得到目标估值模型;
具体的,服务器建立作品估值模型集用于存储各种类型的艺术作品的估值模型。该作品估值模型集可以收集各种类型的艺术作品的估值因素信息,包括创作年代、作者、尺寸、材质、风格等。同时,还可以根据历史交易数据和市场趋势来建立价格预测模型和价值评估模型,以提高估值准确度和精度。其中,目标交易编码选择,通过目标交易编码进行估值模型匹配。具体而言,可以选择与目标作品相似的交易编码,并依据其所对应的估值模型作为目标估值模型。同时,还可以利用统计分析方法来确定匹配阈值和相似度评价标准,服务器进行估值模型匹配,最终得到目标估值模型。服务器根据不同的交易数据构建对应不同的估值模型,对多个不同的估值模型进行模型集成,得到作品估值模型集,然后服务器通过目标交易编码从作品估值模型集中匹配对应的目标估值模型。
S109、将作品瑕疵识别结果输入目标估值模型进行估值分析,确定目标估值结果。
具体的,服务器进行特征参数转换,利用目标估值模型对作品瑕疵识别结果进行特征参数转换,并得到目标特征参数,根据目标估值模型所需要的特征参数,对作品瑕疵识别结果进行处理和转换。服务器进行作品特征识别,确定作品特征信息。作品特征信息包括:重量、颜色、净度、裂纹以及抛光特征等信息,最终服务器将该作品特征信息输入目标估值模型进行估值分析,其中,该目标估值模型包括:两层卷积网络、两层门限循环网络以及三层全连接网络,通过该目标估值模型进行故障分析计算,生成目标估值结果。
本发明实施例中,采集多个目标作品图像,并对多个目标作品图像进行点云数据提取,得到点云数据集合;通过点云数据集合构建作品三维模拟实体;对作品三维模拟实体进行模拟灯光照射处理,同时,采集在模拟灯光照射处理后作品三维模拟实体的空间分辨率;将空间分辨率输入目标瑕疵模型进行作品瑕疵识别,得到作品瑕疵识别结果;通过作品瑕疵识别结果,从预置的历史交易数据库中采集作品历史交易数据;对作品历史交易数据进行聚类分析,得到多种类型的作品历史交易数据,同时,对每种类型的作品历史交易数据进行编码处理,得到多个交易编码;对作品瑕疵识别结果进行交易编码相似度匹配,获取目标交易编码;基于预置的作品估值模型集,通过目标交易编码进行估值模型匹配,得到目标估值模型;将作品瑕疵识别结果输入目标估值模型进行估值分析,确定目标估值结果,在本发明中,基于多个目标作品图像进行作品三维模拟实体构建,同时,对该作品三维模拟实体进行模拟灯光照射,并进行瑕疵识别,可以有效从作品图像中提取对应的作品特征,进而,通过采集多种类型的作品历史交易数据以及作品瑕疵是被结果进行估值模型匹配,得到目标估值模型,最终进行估值分析,确定目标估值结果,最终实现作品的估值分析并进一步提升估值的准确率。
在一具体实施例中,在执行步骤S101之前,还可以具体包括如下步骤:
(1)采集历史作品图像集合,并对历史作品图像集合进行图像标注,得到标注图像集合;
(2)将标注图像集合输入预置的瑕疵识别模型进行模型训练,得到目标瑕疵模型。
具体的,服务器获取包含训练样本的历史作品图像集合,其中,历史作品图像集合中包括包含瑕疵的原始作品样本图像和在原始作品样本图像基础上祛除瑕疵后的标准作品样本图像;利用历史作品图像集合基于预设损失函数对预设瑕疵识别模型进行训练,得到目标瑕疵模型,其中,预设瑕疵识别模型中包括参数待调整的生成对抗网络和预先训练好的参数固定的瑕疵分割网络,生成对抗网络中包含生成网络和判别网络,生成网络用于生成目标域无瑕疵作品图像,瑕疵分割网络用于对生成网络输出的生成图像进行分割以得到基于瑕疵区域和非瑕疵区域的分割结果,预设损失函数中包含抑制瑕疵损失函数,抑制瑕疵损失函数由分割结果转化得到,用于约束生成图像在生成过程中瑕疵的产生;根据目标瑕疵模型中包含的目标生成网络确定作品图像处理模型,其中,作品图像处理模型用于对待处理作品图像进行处理,以祛除待处理作品图像中包含的瑕疵。在利用历史作品图像集合基于预设损失函数对预设瑕疵识别模型进行训练的过程中,生成网络以原始作品样本图像为输入,并输出生成图像,判别网络以对应的标准作品样本图像和生成图像为输入,并输出标准作品样本图像和生成图像是否相同。预设损失函数中还包括重建损失函数和对抗损失函数,重建损失函数用于约束生成图像和对应的标准作品样本图像之间的差距。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、对点云数据集合进行点云深度估计,确定多个深度估计值;
S202、通过多个深度估计值对点云数据集合进行作品形状分析,确定目标作品形状;
S203、通过目标作品形状进行三维重建算法匹配,确定目标三维重建算法;
S204、通过目标三维重建算法对点云数据集合进行三维重建,得到作品三维模拟实体。
具体的,服务器通过多个深度估计值对点云数据集合进行作品形状分析,计算目标作品的共视区域的点云数据;确定目标作品形状;根据点云数据对目标作品进行三维重建,通过目标作品形状进行三维重建算法匹配,得到目标三维重建算法;对三维立体网格模型进行表面渲染处理,通过目标三维重建算法对点云数据集合进行三维重建,输出具有表面渲染信息的作品三维模拟实体,其中,在根据点云数据集合对目标进行三维重建,得到目标三维重建算法之前,还包括:对点云数据集合进行点云滤波处理;根据点云数据集合对目标进行三维重建,得到目标三维重建算法,包括:给定预设离散点,将点云数据集合投影至水平面上;逐行遍历每个点,将相邻点构成三角面片;恢复预设离散点的深度值,生成作品三维模拟实体。具体的,对标准点云数据集进行点云滤波,得到降噪点云数据集,其中,除了离群点这类大的噪声之外,由于目标作品本身的反射率、散射等因素,标准点云数据集中还会产生细小的误差,使得采样点在真实值附近波动,所以需要修改点的部分属性,本实施例针对有序点云,一般采用对图像进行去噪的方法进行处理,将标准点云数据集的z坐标看成灰度图像中的灰度值,然后使用中值滤波、高斯滤波或平均滤波进行处理,得到降噪点云数据集;对降噪点云数据集进行密度平均处理,得到点云数据集合,主要是通过对降噪点云数据集中点密度较大的位置进行下采样处理,以使整个降噪点云数据集中的点密度大致相同,得到点云数据集合。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、对作品三维模拟实体进行作品类型分析,确定对应的目标作品类型;
S302、通过目标作品类型进行模拟灯光类型匹配,确定目标灯光类型;
S303、对作品三维模拟实体进行空间位置分析,确定三维空间位置坐标;
S304、通过三维空间位置坐标进行灯源位置匹配,确定多个灯源位置;
S305、基于多个灯源位置,通过预置的三维渲染算法对作品三维模拟实体进行模拟灯光照射处理,同时,采集在模拟灯光照射处理后作品三维模拟实体的空间分辨率。
具体的,服务器对作品三维模拟实体进行作品类型分析,确定对应的目标作品类型;服务器通过目标作品类型进行模拟灯光类型匹配,确定目标灯光类型,服务器对作品三维模拟实体进行空间位置分析,确定三维空间位置坐标;服务器对作品三维模拟实体进行空间位置分析,确定其三维空间位置坐标。服务器通过重建算法来获取模型的空间位置信息,并将其转换为全局坐标系中的坐标。服务器进行灯源位置匹配,通过三维空间位置坐标进行灯源位置匹配,以确定多个灯源位置。服务器使用预设的灯光布局方案,例如平面光源、点光源、环境光等,来确定灯光的位置和数量。服务器通过三维空间位置坐标进行灯源位置匹配,确定多个灯源位置;提取包含目标作品的图像,基于多个灯源位置,并根据目标三维坐标系对提取的图像进行分析,基于三维渲染算法对作品三维模拟实体进行模拟灯光照射处理,获取目标作品的空间分布区域在提取的空间区域内,分别提取目标作品和背景参照物品的三维坐标,根据背景参照物品的三维坐标确定背景参照物品的相对位置,根据目标作品的三维坐标确定目标作品的位置和范围,并根据背景参照物品的相对位置和目标作品的位置和范围建立目标作品的三维信息特征库,进而生成空间分辨率。
在一具体实施例中,执行步骤S302的过程可以具体包括如下步骤:
(1)基于目标作品类型对作品三维模拟实体进行材质分析,得到作品材质信息;
(2)通过作品材质信息进行作品反射率计算,确定对应的目标作品反射率;
(3)通过目标作品反射率进行模拟灯光类型匹配,确定目标灯光类型。
具体的,服务器对目标作品类型进行分类,不同类型的作品需要使用不同的材质和灯光来表现其独特的特征。服务器对每一类作品,选取相应的材质。在现实世界中,不同材质的目标作品会呈现出不同的反射率和阴影效果。服务器在进行三维模拟实体制作时,需要根据目标作品的特点来选择相应的材质,并进行材质分析,以确定其反射率和阴影效果。服务器通过作品材质信息进行作品反射率计算。在三维模拟中,反射率是指物体表面反射光线的能力。不同类型的材质具有不同的反射率,因此需要对每种材质进行反射率计算。同时,还需要考虑到光照的强度和方向等因素,从而确定最终的反射率。服务器确定对应的目标作品反射率。根据作品材质信息和反射率计算结果,可以得到目标作品的反射率。服务器通过目标作品反射率进行模拟灯光类型匹配,确定目标灯光类型。
在一具体实施例中,如图4所示,执行步骤S107的过程可以具体包括如下步骤:
S401、对作品瑕疵识别结果进行编码转换,确定待匹配编码;
S402、基于多个交易编码,对作品瑕疵识别结果进行交易编码相似度匹配,确定目标交易编码。
具体的,服务器对作品瑕疵识别结果进行编码转换,确定待匹配编码,基于多个交易编码,对作品瑕疵识别结果进行交易编码相似度匹配,确定目标交易编码,其中,交易编码相似度匹配包括:利用四叉树剖分形式形成含有空间信息的二进制编码,与待匹配编码和多个交易编码之间建立对应关系,根据待匹配编码具有的编码特征,将区域范围表达为剖分;建立多个交易编码之间的索引表,网格编码的检索通过匹配编码来实现;运用多类型的一维二进制编码计算;将检索后获得编码数据,对其进行解码处理,实现对待匹配编码的读取,确定目标交易编码。进一步地,服务器获取对作品瑕疵识别结果进行二进制编码的总数据量;获取一个数据载体数据表;其中,数据载体数据表中包括依次排序的多个数据载体,且每个数据载体中的数据为空;对总时长进行哈希计算,得到对应的哈希值,按照预设的编码方式对哈希值进行编码,得到对应的编码值,将编码值作为加密密码,对带有标注的数据集进行加密,得到加密数据集;随机生成预设个数的干扰数据集,并针对每个干扰数据集随机生成一个加密密码进行加密,得到干扰加密数据;将干扰加密数据以及加密数据集进行随机排列之后,依次从数据载体数据表的头部添加至数据载体中;其中,每个数据载体中只添加一个加密后的数据;获取各个干扰加密数据以及加密数据集分别在数据载体数据表中的序号;基于各个干扰加密数据在数据载体数据表中的序号,生成一个序号加密密码,基于序号加密密码对总时长进行加密得到加密时长数据;将加密时长数据存储至数据载体数据表中,并位于干扰加密数据以及加密数据集之后的第一个空的数据载体中;基于加密数据集在数据载体数据表中的序号,对数据载体数据表的长度进行调整,得到目标数据载体数据表;其中,目标数据载体数据表中,在加密时长数据之后具有多个空的数据载体,且空的数据载体的数量与加密数据集在数据载体数据表中的序号对应的数值相同;通过目标数据载体数据表进行一维二进制编码计算,获得编码数据,对其进行解码处理,实现对待匹配编码的读取,确定目标交易编码。
在一具体实施例中,执行步骤S108的过程可以具体包括如下步骤:
(1)通过目标估值模型对作品瑕疵识别结果进行特征参数转换,得到目标特征参数;
(2)通过目标特征参数进行作品特征识别,确定作品特征信息,其中,作品特征信息包括:重量、颜色、净度、裂纹以及抛光特征;
(3)将作品特征信息输入目标估值模型进行估值分析,确定目标估值结果。
具体的,该目标估值模型包括:两层卷积网络、两层门限循环网络以及三层全连接网络,通过两层卷积网络对特征参数进行转化;通过两层门限循环网络根据两层卷积网络的转化结果生成第一估值数据和第一出售数据;通过三层全连接网络对目标作品进行层级分类;获取对估值结果有影响的价格影响因素,得出估值计算公式和计算作品特征信息,其中,作品特征信息包括:重量、颜色、净度、裂纹以及抛光特征,以生成第二估值数据和第二出售数据,进而根据上述的第一估值数据和第一出售数据进行差值运算,得到第一差值数据,然后对第二估值数据和第二出售数据进行差值运算,得到第二差值数据,对第一差值数据和第二差值数据进行差值数据比较,若第一差值数据和第二差值数据符合预设偏差范围,则对第一估值数据和第二估值数据进行均值运算,生成目标估值结果。
上面对本发明实施例中基于图像识别的作品估值方法进行了描述,下面对本发明实施例中基于图像识别的作品估值装置进行描述,请参阅图5,本发明实施例中基于图像识别的作品估值装置一个实施例包括:
提取模块501,用于采集多个目标作品图像,并对多个所述目标作品图像进行点云数据提取,得到点云数据集合;
构建模块502,用于通过所述点云数据集合构建作品三维模拟实体;
处理模块503,用于对所述作品三维模拟实体进行模拟灯光照射处理,同时,采集在模拟灯光照射处理后所述作品三维模拟实体的空间分辨率;
识别模块504,用于将所述空间分辨率输入目标瑕疵模型进行作品瑕疵识别,得到作品瑕疵识别结果;
采集模块505,用于通过所述作品瑕疵识别结果,从预置的历史交易数据库中采集作品历史交易数据;
分析模块506,用于对所述作品历史交易数据进行聚类分析,得到多种类型的作品历史交易数据,同时,对每种类型的作品历史交易数据进行编码处理,得到多个交易编码;
获取模块507,用于对所述作品瑕疵识别结果进行交易编码相似度匹配,获取目标交易编码;
匹配模块508,用于基于预置的作品估值模型集,通过所述目标交易编码进行估值模型匹配,得到目标估值模型;
确定模块509,用于将所述作品瑕疵识别结果输入所述目标估值模型进行估值分析,确定目标估值结果。
通过上述各个组成部分的协同合作,采集多个目标作品图像,并对多个目标作品图像进行点云数据提取,得到点云数据集合;通过点云数据集合构建作品三维模拟实体;对作品三维模拟实体进行模拟灯光照射处理,同时,采集在模拟灯光照射处理后作品三维模拟实体的空间分辨率;将空间分辨率输入目标瑕疵模型进行作品瑕疵识别,得到作品瑕疵识别结果;通过作品瑕疵识别结果,从预置的历史交易数据库中采集作品历史交易数据;对作品历史交易数据进行聚类分析,得到多种类型的作品历史交易数据,同时,对每种类型的作品历史交易数据进行编码处理,得到多个交易编码;对作品瑕疵识别结果进行交易编码相似度匹配,获取目标交易编码;基于预置的作品估值模型集,通过目标交易编码进行估值模型匹配,得到目标估值模型;将作品瑕疵识别结果输入目标估值模型进行估值分析,确定目标估值结果,在本发明中,基于多个目标作品图像进行作品三维模拟实体构建,同时,对该作品三维模拟实体进行模拟灯光照射,并进行瑕疵识别,可以有效从作品图像中提取对应的作品特征,进而,通过采集多种类型的作品历史交易数据以及作品瑕疵是被结果进行估值模型匹配,得到目标估值模型,最终进行估值分析,确定目标估值结果,最终实现作品的估值分析并进一步提升估值的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于图像识别的作品估值装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于图像识别的作品估值设备进行详细描述。
图6是本发明实施例提供的一种基于图像识别的作品估值设备的结构示意图,该基于图像识别的作品估值设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于图像识别的作品估值设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于图像识别的作品估值设备600上执行存储介质630中的一系列指令操作。
基于图像识别的作品估值设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的基于图像识别的作品估值设备结构并不构成对基于图像识别的作品估值设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于图像识别的作品估值设备,所述基于图像识别的作品估值设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于图像识别的作品估值方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于图像识别的作品估值方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的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,本发明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全部或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)执行本发明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(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于图像识别的作品估值方法,其特征在于,所述基于图像识别的作品估值方法包括:
采集多个目标作品图像,并对多个所述目标作品图像进行点云数据提取,得到点云数据集合;
通过所述点云数据集合构建作品三维模拟实体;
对所述作品三维模拟实体进行模拟灯光照射处理,同时,采集在模拟灯光照射处理后所述作品三维模拟实体的空间分辨率;
将所述空间分辨率输入目标瑕疵模型进行作品瑕疵识别,得到作品瑕疵识别结果;
通过所述作品瑕疵识别结果,从预置的历史交易数据库中采集作品历史交易数据;
对所述作品历史交易数据进行聚类分析,得到多种类型的作品历史交易数据,同时,对每种类型的作品历史交易数据进行编码处理,得到多个交易编码;
对所述作品瑕疵识别结果进行交易编码相似度匹配,获取目标交易编码;
基于预置的作品估值模型集,通过所述目标交易编码进行估值模型匹配,得到目标估值模型;
将所述作品瑕疵识别结果输入所述目标估值模型进行估值分析,确定目标估值结果。
2.根据权利要求1所述的基于图像识别的作品估值方法,其特征在于,在所述采集多个目标作品图像,并对多个所述目标作品图像进行点云数据提取,得到点云数据集合之前,还包括:
采集历史作品图像集合,并对所述历史作品图像集合进行图像标注,得到标注图像集合;
将所述标注图像集合输入预置的瑕疵识别模型进行模型训练,得到目标瑕疵模型。
3.根据权利要求1所述的基于图像识别的作品估值方法,其特征在于,所述通过所述点云数据集合构建作品三维模拟实体,包括:
对所述点云数据集合进行点云深度估计,确定多个深度估计值;
通过多个所述深度估计值对所述点云数据集合进行作品形状分析,确定目标作品形状;
通过所述目标作品形状进行三维重建算法匹配,确定目标三维重建算法;
通过所述目标三维重建算法对所述点云数据集合进行三维重建,得到作品三维模拟实体。
4.根据权利要求1所述的基于图像识别的作品估值方法,其特征在于,所述对所述作品三维模拟实体进行模拟灯光照射处理,同时,采集在模拟灯光照射处理后所述作品三维模拟实体的空间分辨率,包括:
对所述作品三维模拟实体进行作品类型分析,确定对应的目标作品类型;
通过所述目标作品类型进行模拟灯光类型匹配,确定目标灯光类型;
对所述作品三维模拟实体进行空间位置分析,确定三维空间位置坐标;
通过所述三维空间位置坐标进行灯源位置匹配,确定多个灯源位置;
基于多个所述灯源位置,通过预置的三维渲染算法对所述作品三维模拟实体进行模拟灯光照射处理,同时,采集在模拟灯光照射处理后所述作品三维模拟实体的空间分辨率。
5.根据权利要求4所述的基于图像识别的作品估值方法,其特征在于,所述通过所述目标作品类型进行模拟灯光类型匹配,确定目标灯光类型,包括:
基于所述目标作品类型对所述作品三维模拟实体进行材质分析,得到作品材质信息;
通过所述作品材质信息进行作品反射率计算,确定对应的目标作品反射率;
通过所述目标作品反射率进行模拟灯光类型匹配,确定目标灯光类型。
6.根据权利要求1所述的基于图像识别的作品估值方法,其特征在于,所述对所述作品瑕疵识别结果进行交易编码相似度匹配,获取目标交易编码,包括:
对所述作品瑕疵识别结果进行编码转换,确定待匹配编码;
基于多个所述交易编码,对所述作品瑕疵识别结果进行交易编码相似度匹配,确定目标交易编码。
7.根据权利要求1所述的基于图像识别的作品估值方法,其特征在于,所述将所述作品瑕疵识别结果输入所述目标估值模型进行估值分析,确定目标估值结果,包括:
通过所述目标估值模型对所述作品瑕疵识别结果进行特征参数转换,得到目标特征参数;
通过所述目标特征参数进行作品特征识别,确定作品特征信息,其中,所述作品特征信息包括:重量、颜色、净度、裂纹以及抛光特征;
将所述作品特征信息输入所述目标估值模型进行估值分析,确定目标估值结果。
8.一种基于图像识别的作品估值装置,其特征在于,所述基于图像识别的作品估值装置包括:
提取模块,用于采集多个目标作品图像,并对多个所述目标作品图像进行点云数据提取,得到点云数据集合;
构建模块,用于通过所述点云数据集合构建作品三维模拟实体;
处理模块,用于对所述作品三维模拟实体进行模拟灯光照射处理,同时,采集在模拟灯光照射处理后所述作品三维模拟实体的空间分辨率;
识别模块,用于将所述空间分辨率输入目标瑕疵模型进行作品瑕疵识别,得到作品瑕疵识别结果;
采集模块,用于通过所述作品瑕疵识别结果,从预置的历史交易数据库中采集作品历史交易数据;
分析模块,用于对所述作品历史交易数据进行聚类分析,得到多种类型的作品历史交易数据,同时,对每种类型的作品历史交易数据进行编码处理,得到多个交易编码;
获取模块,用于对所述作品瑕疵识别结果进行交易编码相似度匹配,获取目标交易编码;
匹配模块,用于基于预置的作品估值模型集,通过所述目标交易编码进行估值模型匹配,得到目标估值模型;
确定模块,用于将所述作品瑕疵识别结果输入所述目标估值模型进行估值分析,确定目标估值结果。
9.一种基于图像识别的作品估值设备,其特征在于,所述基于图像识别的作品估值设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于图像识别的作品估值设备执行如权利要求1-7中任一项所述的基于图像识别的作品估值方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于图像识别的作品估值方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311042855.6A CN116757713B (zh) | 2023-08-18 | 2023-08-18 | 基于图像识别的作品估值方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311042855.6A CN116757713B (zh) | 2023-08-18 | 2023-08-18 | 基于图像识别的作品估值方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116757713A true CN116757713A (zh) | 2023-09-15 |
CN116757713B CN116757713B (zh) | 2024-01-12 |
Family
ID=87959507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311042855.6A Active CN116757713B (zh) | 2023-08-18 | 2023-08-18 | 基于图像识别的作品估值方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757713B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117288761A (zh) * | 2023-11-27 | 2023-12-26 | 天津市海迅科技发展有限公司 | 一种基于测试材料的瑕疵检测分类评估方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381589A (zh) * | 2020-12-04 | 2021-02-19 | 南京浪脆电子商务有限公司 | 一种基于云计算的商品交易平台商品智能估值管理系统 |
CN113920053A (zh) * | 2021-07-22 | 2022-01-11 | 杭州深想科技有限公司 | 基于深度学习的瑕疵检测方法、计算设备和存储介质 |
CN115082416A (zh) * | 2022-07-11 | 2022-09-20 | 心鉴智控(深圳)科技有限公司 | 镜片瑕疵检测方法、装置、设备及存储介质 |
CN115330958A (zh) * | 2022-10-10 | 2022-11-11 | 创数(深圳)网络科技有限公司 | 基于激光雷达的实时三维重建方法及装置 |
CN116106318A (zh) * | 2023-02-13 | 2023-05-12 | 杭州启源视觉科技有限公司 | 一种物体表面缺陷检测方法和装置、三维扫描仪 |
CN116441190A (zh) * | 2023-04-28 | 2023-07-18 | 心鉴智控(深圳)科技有限公司 | 一种龙眼检测系统、方法、设备及存储介质 |
CN116452519A (zh) * | 2023-03-28 | 2023-07-18 | 浙江大学 | 一种基于多模态信息融合的轮胎鼓包瑕疵检测方法 |
-
2023
- 2023-08-18 CN CN202311042855.6A patent/CN116757713B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381589A (zh) * | 2020-12-04 | 2021-02-19 | 南京浪脆电子商务有限公司 | 一种基于云计算的商品交易平台商品智能估值管理系统 |
CN113920053A (zh) * | 2021-07-22 | 2022-01-11 | 杭州深想科技有限公司 | 基于深度学习的瑕疵检测方法、计算设备和存储介质 |
CN115082416A (zh) * | 2022-07-11 | 2022-09-20 | 心鉴智控(深圳)科技有限公司 | 镜片瑕疵检测方法、装置、设备及存储介质 |
CN115330958A (zh) * | 2022-10-10 | 2022-11-11 | 创数(深圳)网络科技有限公司 | 基于激光雷达的实时三维重建方法及装置 |
CN116106318A (zh) * | 2023-02-13 | 2023-05-12 | 杭州启源视觉科技有限公司 | 一种物体表面缺陷检测方法和装置、三维扫描仪 |
CN116452519A (zh) * | 2023-03-28 | 2023-07-18 | 浙江大学 | 一种基于多模态信息融合的轮胎鼓包瑕疵检测方法 |
CN116441190A (zh) * | 2023-04-28 | 2023-07-18 | 心鉴智控(深圳)科技有限公司 | 一种龙眼检测系统、方法、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117288761A (zh) * | 2023-11-27 | 2023-12-26 | 天津市海迅科技发展有限公司 | 一种基于测试材料的瑕疵检测分类评估方法及系统 |
CN117288761B (zh) * | 2023-11-27 | 2024-02-06 | 天津市海迅科技发展有限公司 | 一种基于测试材料的瑕疵检测分类评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116757713B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826416B (zh) | 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置 | |
CN111462120B (zh) | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 | |
Ben-Chen et al. | Characterizing shape using conformal factors. | |
CN107230203B (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN110852225A (zh) | 基于深度卷积神经网络的遥感影像红树林提取方法及系统 | |
CN116757713B (zh) | 基于图像识别的作品估值方法、装置、设备及存储介质 | |
KR20140031201A (ko) | 웨브 기반 재료 내의 불균일성의 검출 시스템 | |
CN102508917B (zh) | 部分特征图像的多维度目标快速鲁棒检索定位方法 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN111144325A (zh) | 变电站电力设备的故障识别定位方法、装置及设备 | |
CN109886297A (zh) | 一种用于从二维图像识别三维模型对象的方法 | |
CN114494164A (zh) | 一种钢材表面缺陷检测方法、装置及计算机存储介质 | |
Giachetti | Effective characterization of relief patterns | |
CN111325734B (zh) | 一种基于视觉模型的骨龄预测方法及装置 | |
CN112614113A (zh) | 一种基于深度学习的带钢缺陷检测方法 | |
JP7225731B2 (ja) | 多変数データシーケンスの画像化 | |
Ehtisham et al. | Computing the characteristics of defects in wooden structures using image processing and CNN | |
CN116245882A (zh) | 电路板电子元件检测方法、装置及计算机设备 | |
CN115630660A (zh) | 基于卷积神经网络的条码定位方法和装置 | |
Boudani et al. | Content-Based Image Retrieval for Surface Defects of Hot Rolled Steel Strip Using Wavelet-Based LBP | |
Patel et al. | Surface defect detection using SVM‐based machine vision system with optimized feature | |
CN116109627B (zh) | 基于迁移学习和小样本学习缺陷检测方法、装置及介质 | |
CN117333492B (zh) | 基于图像处理的光学薄膜质量检测方法及相关装置 | |
CN117315264B (zh) | 基于图像识别的托盘检测方法及相关装置 | |
Yogeswaran | 3D Surface Analysis for the Automated Detection of Deformations on Automotive Panels |
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 |