CN106372651B - 图片品质的检测方法及装置 - Google Patents

图片品质的检测方法及装置 Download PDF

Info

Publication number
CN106372651B
CN106372651B CN201610704799.1A CN201610704799A CN106372651B CN 106372651 B CN106372651 B CN 106372651B CN 201610704799 A CN201610704799 A CN 201610704799A CN 106372651 B CN106372651 B CN 106372651B
Authority
CN
China
Prior art keywords
photo
training
resolution
convolutional neural
neural networks
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
CN201610704799.1A
Other languages
English (en)
Other versions
CN106372651A (zh
Inventor
王健宗
马进
刘铭
郭卉
梁浩
李佳琳
肖京
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 Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201610704799.1A priority Critical patent/CN106372651B/zh
Publication of CN106372651A publication Critical patent/CN106372651A/zh
Priority to PCT/CN2017/091306 priority patent/WO2018036276A1/zh
Application granted granted Critical
Publication of CN106372651B publication Critical patent/CN106372651B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种图片品质的检测方法及装置，所述图片品质的检测方法包括：车险理赔服务器在接收到用户终端上传的理赔照片后，采用预先训练生成的深度卷积神经网络模型对接收到的理赔照片进行清晰度识别，以确定所述理赔照片的清晰度等级；若所述理赔照片的清晰度等级低于预设清晰度等级，则发送第一提示信息至所述用户终端，以提醒用户重新上传理赔照片。本发明通过预先训练生成的深度卷积神经网络模型对理赔照片进行清晰度识别，保证用户所上传的理赔照片均是能够准确地分析得出车险现场信息的理赔照片，这样，有助于提高自助理赔***的工作效率，提高用户体验。

Description

图片品质的检测方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图片品质的检测方法及装置。
背景技术
目前，在车险智能自助理赔***中，图片的品质与车辆图像识别的精确率息息相关。具体地，若用户上传清晰的车辆图像，则该理赔***可以很准确地分析车险现场的情况；反之，若用户所上传的车辆图像不够清晰，则理赔***无法根据所述车辆图像分析得出车险现场信息，无法正常工作。因此，如何准确地识别出用户上传的车辆图像的清晰度是否符合要求，满足分析的需要，成了一个亟待解决的问题。
发明内容
本发明所要解决的技术问题是提供一种图片品质的检测方法及装置。
本发明解决上述技术问题的技术方案如下：一种图片品质的检测方法，所述图片品质的检测方法包括：
S1，车险理赔服务器在接收到用户终端上传的理赔照片后，采用预先训练生成的深度卷积神经网络模型对接收到的理赔照片进行清晰度识别，以确定所述理赔照片的清晰度等级；
S2，若所述理赔照片的清晰度等级低于预设清晰度等级，则发送第一提示信息至所述用户终端，以提醒用户重新上传理赔照片。
优选地，所述步骤S1之前，该方法还包括：
S01，将预设数量的理赔照片按预定的清晰度等级进行分类，并提取每一分类下的理赔照片中预设比例的理赔照片作为训练照片，提取每一分类下剩余的理赔照片作为验证照片；
S02，对每一分类下的每一训练照片进行特征提取，以获取待输入至所述深度卷积神经网络模型中的第一像素向量，并将每一分类下的每一训练照片对应的第一像素向量输入至所述深度卷积神经网络模型中，以训练生成用于识别的深度卷积神经网络模型；
S03，对每一分类下的每一验证照片进行特征提取，以获取输入至训练生成的深度卷积神经网络模型中的第二像素向量，并将每一分类下的每一验证照片对应的第二像素向量输入至训练生成的深度卷积神经网络模型中，以验证训练生成的深度卷积神经网络模型的准确率；
S04，若训练生成的深度卷积神经网络模型的准确率大于等于预设阈值，则训练结束。
优选地，所述步骤S03之后，该方法还包括：S05，若训练生成的深度卷积神经网络模型的准确率小于预设阈值，则向所述用户终端发送第二提醒信息，以提醒用户增加理赔照片的样本数量。
优选地，所述对每一分类下的每一训练照片或验证照片进行特征提取的步骤包括：
对于每一分类下的每一训练照片或验证照片，利用不同卷积核从每一训练照片或验证照片的第一个像素块开始遍历至最后一个像素块进行卷积运算，以提取出每一训练照片或验证照片对应的不同特征图；
对提取出的每一训练照片或验证照片的特征图进行池化及光栅化处理，以将提取出的每一训练照片特征图处理成维度一致的第一像素向量，将提取出的每一验证照片特征图处理成维度一致的第二像素向量。
优选地，在所述步骤S02中，所述深度卷积神经网络模型的参数是通过利用向后传播BP方法估计得到的。
本发明解决上述技术问题的技术方案还如下：一种图片品质的检测装置，所述图片品质的检测装置包括：
识别模块，用于在接收到用户终端上传的理赔照片后，采用预先训练生成的深度卷积神经网络模型对接收到的理赔照片进行清晰度识别，以确定所述理赔照片的清晰度等级；
提醒模块，用于若所述理赔照片的清晰度等级低于预设清晰度等级，则发送第一提示信息至所述用户终端，以提醒用户重新上传理赔照片。
优选地，所述图片品质的检测装置还包括：
分类模块，用于将预设数量的理赔照片按预定的清晰度等级进行分类，并提取每一分类下的理赔照片中预设比例的理赔照片作为训练照片，提取每一分类下剩余的理赔照片作为验证照片；
训练模块，用于对每一分类下的每一训练照片进行特征提取，以获取待输入至所述深度卷积神经网络模型中的第一像素向量，并将每一分类下的每一训练照片对应的第一像素向量输入至所述深度卷积神经网络模型中，以训练生成用于识别的深度卷积神经网络模型；
验证模块，用于对每一分类下的每一验证照片进行特征提取，以获取输入至训练生成的深度卷积神经网络模型中的第二像素向量，并将每一分类下的每一验证照片对应的第二像素向量输入至训练生成的深度卷积神经网络模型中，以验证训练生成的深度卷积神经网络模型的准确率；
结束模块，用于若训练生成的深度卷积神经网络模型的准确率大于等于预设阈值，则训练结束。
优选地，所述图片品质的检测装置还包括：
循环模块，用于若训练生成的深度卷积神经网络模型的准确率小于预设阈值，则向所述用户终端发送第二提醒信息，以提醒用户增加理赔照片的样本数量。
优选地，所述训练模块具体用于，对于每一分类下的每一训练照片，利用不同卷积核从每一训练照片的第一个像素块开始遍历至最后一个像素块进行卷积运算，以提取出每一训练照片对应的不同特征图；对提取出的每一训练照片的特征图进行池化及光栅化处理，以将提取出的每一训练照片特征图处理成维度一致的第一像素向量；
所述验证模块具体用于，对于每一分类下的每一验证照片，利用不同卷积核从每一验证照片的第一个像素块开始遍历至最后一个像素块进行卷积运算，以提取出每一验证照片对应的不同特征图；对提取出的每一验证照片的特征图进行池化及光栅化处理，以将提取出的每一验证照片特征图处理成维度一致的第二像素向量。
优选地，所述训练模块具体用于通过利用向后传播BP方法估计得到所述深度卷积神经网络模型的参数。
本发明的有益效果是：相较于现有技术，本发明所述的图片品质的检测方法及装置在处理车险理赔照片时，由用户终端向车险理赔服务器上传理赔照片，通过预先训练生成的深度卷积神经网络模型对理赔照片进行清晰度分析，确定理赔照片的清晰度等级是否满足实际需要，如果所述理赔照片的清晰度等级不满足实际需要，则向用户终端发送提醒信息，以提醒其重新上传理赔照片。本发明通过预先训练生成的深度卷积神经网络模型对理赔照片进行清晰度识别，保证用户所上传的理赔照片均是能够准确地分析得出车险现场信息的理赔照片，这样，有助于提高自助理赔***的工作效率，提高用户体验。
附图说明
图1为本发明图片品质的检测方法第一实施例的流程示意图；
图2为本发明图片品质的检测方法第二实施例的流程示意图；
图3为本发明图片品质的检测方法第三实施例的流程示意图；
图4为图2中对每一分类下的每一训练照片或验证照片进行特征提取时进行卷积的示意图；
图5为本发明图片品质的检测装置一实施例的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，图1为本发明图片品质的检测方法一实施例的流程示意图，该图片品质的检测方法包括以下步骤：
步骤S1，车险理赔服务器在接收到用户终端上传的理赔照片后，采用预先训练生成的深度卷积神经网络模型对接收到的理赔照片进行清晰度识别，以确定所述理赔照片的清晰度等级；
本实施例中，由车险理赔服务器接收用户终端上传的需要进行清晰度识别的理赔照片。用户终端可以是手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)、可穿戴设备(例如，智能手表、智能眼镜等)等智能终端或者是其它任意适用的电子设备。
本实施例中，预先训练生成深度卷积神经网络模型，采用该预先训练生成的深度卷积神经网络模型对上传的理赔照片进行清晰度识别，具体的，预先训练生成深度卷积神经网络模型是一个多层的神经网络，包括特征提取层(C层)、特征映射层(S层)，每层由多个二维平面组成，而每个平面由多个独立神经元组成，每一个特征提取层(C层)都紧跟着一个用来求局部平均与二次提取的计算层(S层)，这种特有的两次特征提取结构使其在识别时对输入样本有较高的畸变容忍能力。理赔照片输入至该预先训练生成的深度卷积神经网络模型识别时，在C层，每个神经元的输入与前一层的局部感受区域(即照片的一小部分)相连，提取该局部感受区域的特征，提取后，其与其他特征间的位置关系也随之确定；在S层，其由多个特征映射组成，每个特征映射为一个平面，平面上所有神经元的权值相等。特征映射结构可以采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。理赔照片经该预先训练生成的深度卷积神经网络模型进行清晰度识别后，将理赔照片按照清晰度等级分别输出，其中，清晰度等级可以分为高清晰度等级、中清晰度等级、低清晰度等级等，当然，也可以按照其他的方式区分清晰度等级。
步骤S2，若所述理赔照片的清晰度等级低于预设清晰度等级，则发送第一提示信息至所述用户终端，以提醒用户重新上传理赔照片。
本实施例中，如果经深度卷积神经网络模型识别出的理赔照片的清晰度等级低于预设清晰度等级，例如上传的理赔照片为低清晰度等级时，则说明用户终端上传的理赔照片是不符合要求的照片，不能用于准确地分析车险现场的情况，这时向用户终端发送第一提醒信息，以提醒用户重新上传理赔照片；当然，如果对理赔照片的清晰度有更高的要求时，需要用户终端上传更高清晰度等级的理赔照片，例如上传高清晰度等级的理赔照片，而用户终端上传的理赔照片如果是中清晰度等级或者低清晰度等级的，均不符合要求，需要向用户终端发送第一提醒信息，以提醒用户重新上传理赔照片。
与现有技术相比，本实施例由用户终端向车险理赔服务器上传理赔照片，通过预先训练生成的深度卷积神经网络模型对理赔照片进行清晰度分析，确定理赔照片的清晰度等级是否满足实际需要，如果所述理赔照片的清晰度等级不满足实际需要，则向用户终端发送提醒信息，以提醒其重新上传理赔照片。本实施例通过预先训练生成的深度卷积神经网络模型对理赔照片进行清晰度识别，保证用户所上传的理赔照片均是能够准确地分析得出车险现场信息的理赔照片，这样，有助于提高自助理赔***的工作效率，提高用户体验。
在一优选的实施例中，如图2所示，在上述图1的实施例的基础上，上述的步骤S1之前包括：
S01，将预设数量的理赔照片按预定的清晰度等级进行分类，并提取每一分类下的理赔照片中预设比例的理赔照片作为训练照片，提取每一分类下剩余的理赔照片作为验证照片；
S02，对每一分类下的每一训练照片进行特征提取，以获取待输入至所述深度卷积神经网络模型中的第一像素向量，并将每一分类下的每一训练照片对应的第一像素向量输入至所述深度卷积神经网络模型中，以训练生成用于识别的深度卷积神经网络模型；
S03，对每一分类下的每一验证照片进行特征提取，以获取输入至训练生成的深度卷积神经网络模型中的第二像素向量，并将每一分类下的每一验证照片对应的第二像素向量输入至训练生成的深度卷积神经网络模型中，以验证训练生成的深度卷积神经网络模型的准确率；
S04，若训练生成的深度卷积神经网络模型的准确率大于等于预设阈值，则训练结束。
本实施例中，在训练生成深度卷积神经网络模型时，可以预先按照预定的清晰度等级对预设数量的理赔照片进行分类，例如对50万张理赔照片进行清晰度等级分类，可以预先按照理赔照片的分辨率按照预定的清晰度等级进行分类，高分辨率的理赔照片为高清晰度等级、中等分辨率的理赔照片为中清晰度等级、低分辨率的理赔照片为低清晰度等级。分类完成后，对每一分类下的理赔照片各提取预设比例的理赔照片作为训练照片，例如将预设数量的理赔照片中的70％的理赔照片作为训练照片，将每一分类剩余的理赔照片作为验证照片，例如将剩余的30％的理赔照片作为训练照片。
然后，对每一分类下的每一训练照片进行特征提取，以提取得到不同的特征图，对特征图进行卷积处理，以最终得到输入至深度卷积神经网络模型中的第一像素向量，利用该第一像素向量训练生成用于识别的深度卷积神经网络模型；对每一分类下的每一验证照片进行特征提取，以提取得到不同的特征图，对特征图进行卷积处理，以最终得到输入至深度卷积神经网络模型中的第二像素向量，利用该第二像素向量验证训练生成的深度卷积神经网络模型的准确率。如果验证得到训练生成的深度卷积神经网络模型的准确率大于等于预设值，例如大于等于0.95，则说明训练生成的深度卷积神经网络模型能够达到预期的清晰度识别效果，训练结束，后续可使用该训练生成的深度卷积神经网络模型对理赔照片进行清晰度识别。
在一优选的实施例中，如图3所示，在上述图2的实施例的基础上，在上述步骤S03之后还包括：
S05，若训练生成的深度卷积神经网络模型的准确率小于预设阈值，则向所述用户终端发送第二提醒信息，以提醒用户增加理赔照片的样本数量，返回至所述步骤S01并循环。
本实施例中，如果训练生成的深度卷积神经网络模型的准确率小于预设阈值，例如小于0.95，则说明训练生成的深度卷积神经网络模型不能够达到预期的清晰度识别效果，向用户终端发送第二提醒信息，以提醒用户增加理赔照片的样本数量，基于增加的理赔照片继续对深度卷积神经网络模型进行训练，具体地，在接收到用户终端上传的所增加的理赔照片后，可返回至上述的步骤S01中，将增加的理赔照片按预定的清晰度等级进行分类，直至训练生成的深度卷积神经网络模型的准确率大于等于预设阈值为止。
在一优选的实施例中，在上述图2的实施例的基础上，上述步骤S02对每一分类下的每一训练照片进行特征提取的步骤包括：
对于每一分类下的每一训练照片，利用不同卷积核从每一训练照片的第一个像素块开始遍历至最后一个像素块进行卷积运算，以提取出每一训练照片对应的不同特征图；
对提取出的每一训练照片的特征图进行池化及光栅化处理，以将提取出的每一训练照片特征图处理成维度一致的第一像素向量；
步骤S03中对每一分类下的每一验证照片进行特征提取的步骤包括：
对于每一分类下的每一验证照片，利用不同卷积核从每一验证照片的第一个像素块开始遍历至最后一个像素块进行卷积运算，以提取出每一验证照片对应的不同特征图；
对提取出的每一验证照片的特征图进行池化及光栅化处理，以将提取出的每一验证照片特征图处理成维度一致的第二像素向量。
本实施例中，对于每一分类下的每一训练照片或验证照片，利用不同卷积核从每一训练照片或验证照片的第一个像素块开始遍历至最后一个像素块进行卷积运算，如图4所示，对于待输入的每一像素块[(0,0)，(1,0)，(2,0)，(0,1)，(1,1)，(2,1)，(0,2)，(1,2)，(2,2)]，利用卷积核(i，h,g,f,e,d,c,b,a)进行卷积运算，从第一像素块进行卷积运算并遍历至最后一个像素块，每一像素块对应得到输出向量(1,1)，所有输出向量的集合可得到训练照片或验证照片对应的不同特征图。然后，对每一训练照片的特征图进行池化及光栅化处理，将提取出的每一训练照片特征图处理成维度一致的第一像素向量，以及，对每一验证照片的特征图进行池化及光栅化处理，将提取出的每一验证照片特征图处理成维度一致的第二像素向量。
在一优选的实施例中，在上述图2的实施例的基础上，上述步骤S02中，深度卷积神经网络模型的参数通过利用向后传播BP方法估计得到。其中，在训练时，针对每一训练照片按序进行卷积、池化、光栅操作，可以得到理赔照片的真实值与估计值之间的残差，利用每次产生的残差通过光栅化、池化、卷积逆向地对参数进行更新，反复地正向逆向地进行上述操作直至整体误差收敛为止。当整体误差收敛时得到深度卷积神经网络模型的参数。其中，第一次训练时，该深度卷积神经网络模型的参数采用的是默认参数，在此不做赘述。
如图5所示，图5为本发明图片品质的检测装置一实施例的结构示意图，该图片品质的检测装置包括：
识别模块101，用于在接收到用户终端上传的理赔照片后，采用预先训练生成的深度卷积神经网络模型对接收到的理赔照片进行清晰度识别，以确定所述理赔照片的清晰度等级；
本实施例中，图片品质的检测装置集成于车险理赔服务器中。用户终端可以是手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)、可穿戴设备(例如，智能手表、智能眼镜等)等智能终端或者是其它任意适用的电子设备。
本实施例中，预先训练生成深度卷积神经网络模型，采用该预先训练生成的深度卷积神经网络模型对上传的理赔照片进行清晰度识别，具体的，预先训练生成深度卷积神经网络模型是一个多层的神经网络，包括特征提取层(C层)、特征映射层(S层)，每层由多个二维平面组成，而每个平面由多个独立神经元组成，每一个特征提取层(C层)都紧跟着一个用来求局部平均与二次提取的计算层(S层)，这种特有的两次特征提取结构使其在识别时对输入样本有较高的畸变容忍能力。理赔照片输入至该预先训练生成的深度卷积神经网络模型识别时，在C层，每个神经元的输入与前一层的局部感受区域(即照片的一小部分)相连，提取该局部感受区域的特征，提取后，其与其他特征间的位置关系也随之确定；在S层，其由多个特征映射组成，每个特征映射为一个平面，平面上所有神经元的权值相等。特征映射结构可以采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。理赔照片经该预先训练生成的深度卷积神经网络模型进行清晰度识别后，将理赔照片按照清晰度等级分别输出，其中，清晰度等级可以分为高清晰度等级、中清晰度等级、低清晰度等级等，当然，也可以按照其他的方式区分清晰度等级。
提醒模块102，用于若所述理赔照片的清晰度等级低于预设清晰度等级，则发送第一提示信息至所述用户终端，以提醒用户重新上传理赔照片。
本实施例中，如果经深度卷积神经网络模型识别出的理赔照片的清晰度等级低于预设清晰度等级，例如上传的理赔照片为低清晰度等级时，则说明用户终端上传的理赔照片是不符合要求的照片，不能用于准确地分析车险现场的情况，这时向用户终端发送第一提醒信息，以提醒用户重新上传理赔照片；当然，如果对理赔照片的清晰度有更高的要求时，需要用户终端上传更高清晰度等级的理赔照片，例如上传高清晰度等级的理赔照片，而用户终端上传的理赔照片如果是中清晰度等级或者低清晰度等级的，均不符合要求，需要向用户终端发送第一提醒信息，以提醒用户重新上传理赔照片。
在一优选的实施例中，在上述图5的实施例的基础上，上述图片品质的检测装置还包括：
分类模块，用于将预设数量的理赔照片按预定的清晰度等级进行分类，并提取每一分类下的理赔照片中预设比例的理赔照片作为训练照片，提取每一分类下剩余的理赔照片作为验证照片；
训练模块，用于对每一分类下的每一训练照片进行特征提取，以获取待输入至所述深度卷积神经网络模型中的第一像素向量，并将每一分类下的每一训练照片对应的第一像素向量输入至所述深度卷积神经网络模型中，以训练生成用于识别的深度卷积神经网络模型；
验证模块，用于对每一分类下的每一验证照片进行特征提取，以获取输入至训练生成的深度卷积神经网络模型中的第二像素向量，并将每一分类下的每一验证照片对应的第二像素向量输入至训练生成的深度卷积神经网络模型中，以验证训练生成的深度卷积神经网络模型的准确率；
结束模块，用于若训练生成的深度卷积神经网络模型的准确率大于等于预设阈值，则训练结束。
本实施例中，在训练生成深度卷积神经网络模型时，可以预先按照预定的清晰度等级对预设数量的理赔照片进行分类，例如对50万张理赔照片进行清晰度等级分类，可以预先按照理赔照片的分辨率按照预定的清晰度等级进行分类，高分辨率的理赔照片为高清晰度等级、中等分辨率的理赔照片为中清晰度等级、低分辨率的理赔照片为低清晰度等级。分类完成后，对每一分类下的理赔照片各提取预设比例的理赔照片作为训练照片，例如将预设数量的理赔照片中的70％的理赔照片作为训练照片，将每一分类剩余的理赔照片作为验证照片，例如将剩余的30％的理赔照片作为训练照片。
然后，对每一分类下的每一训练照片进行特征提取，以提取得到不同的特征图，对特征图进行卷积处理，以最终得到输入至深度卷积神经网络模型中的第一像素向量，利用该第一像素向量训练生成用于识别的深度卷积神经网络模型；对每一分类下的每一验证照片进行特征提取，以提取得到不同的特征图，对特征图进行卷积处理，以最终得到输入至深度卷积神经网络模型中的第二像素向量，利用该第二像素向量验证训练生成的深度卷积神经网络模型的准确率。如果验证得到训练生成的深度卷积神经网络模型的准确率大于等于预设值，例如大于等于0.95，则说明训练生成的深度卷积神经网络模型能够达到预期的清晰度识别效果，训练结束，后续可使用该训练生成的深度卷积神经网络模型对理赔照片进行清晰度识别。
在一优选的实施例中，在上述的实施例的基础上，上述图片品质的检测装置还包括：循环模块，用于若训练生成的深度卷积神经网络模型的准确率小于预设阈值，则向所述用户终端发送第二提醒信息，以提醒用户增加理赔照片的样本数量，触发所述识别模块并循环。
本实施例中，如果训练生成的深度卷积神经网络模型的准确率小于预设阈值，例如小于0.95，则说明训练生成的深度卷积神经网络模型不能够达到预期的清晰度识别效果，向用户终端发送第二提醒信息，以提醒用户增加理赔照片的样本数量，基于增加的理赔照片继续对深度卷积神经网络模型进行训练，具体地，在接收到用户终端上传的所增加的理赔照片后，可触发上述的识别模块并循环，并将增加的理赔照片按预定的清晰度等级进行分类，直至训练生成的深度卷积神经网络模型的准确率大于等于预设阈值为止。
在一优选的实施例中，在上述的实施例的基础上，所述训练模块具体用于，对于每一分类下的每一训练照片，利用不同卷积核从每一训练照片的第一个像素块开始遍历至最后一个像素块进行卷积运算，以提取出每一训练照片对应的不同特征图；对提取出的每一训练照片的特征图进行池化及光栅化处理，以将提取出的每一训练照片特征图处理成维度一致的第一像素向量；
所述验证模块具体用于，对于每一分类下的每一验证照片，利用不同卷积核从每一验证照片的第一个像素块开始遍历至最后一个像素块进行卷积运算，以提取出每一验证照片对应的不同特征图；对提取出的每一验证照片的特征图进行池化及光栅化处理，以将提取出的每一验证照片特征图处理成维度一致的第二像素向量。
本实施例中，对于每一分类下的每一训练照片或验证照片，利用不同卷积核从每一训练照片或验证照片的第一个像素块开始遍历至最后一个像素块进行卷积运算，如图4所示，对于待输入的每一像素块[(0,0)，(1,0)，(2,0)，(0,1)，(1,1)，(2,1)，(0,2)，(1,2)，(2,2)]，利用卷积核(i，h,g,f,e,d,c,b,a)进行卷积运算，从第一像素块进行卷积运算并遍历至最后一个像素块，每一像素块对应得到输出向量(1,1)，所有输出向量的集合可得到训练照片或验证照片对应的不同特征图。然后，对每一训练照片的特征图进行池化及光栅化处理，将提取出的每一训练照片特征图处理成维度一致的第一像素向量，以及，对每一验证照片的特征图进行池化及光栅化处理，将提取出的每一验证照片特征图处理成维度一致的第二像素向量。
在一优选的实施例中，在上述的实施例的基础上，所述训练模块具体用于通过利用向后传播BP方法估计得到所述深度卷积神经网络模型的参数。其中，在训练时，针对每一训练照片按序进行卷积、池化、光栅操作，可以得到理赔照片的真实值与估计值之间的残差，利用每次产生的残差通过光栅化、池化、卷积逆向地对参数进行更新，反复地正向逆向地进行上述操作直至整体误差收敛为止。当整体误差收敛时得到深度卷积神经网络模型的参数。其中，第一次训练时，该深度卷积神经网络模型的参数采用的是默认参数，在此不做赘述。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种图片品质的检测方法，其特征在于，所述图片品质的检测方法包括：
S1，车险理赔服务器在接收到用户终端上传的理赔照片后，采用预先训练生成的深度卷积神经网络模型对接收到的理赔照片进行清晰度识别，以确定所述理赔照片的清晰度等级；所述预先训练生成的深度卷积神经网络模型是一个多层的神经网络，包括特征提取层、特征映射层，每层由多个二维平面组成，每个平面由多个独立神经元组成，每一个特征提取层都紧跟着一个用来求局部平均与二次提取的计算层；
S2，若所述理赔照片的清晰度等级低于预设清晰度等级，则发送第一提示信息至所述用户终端，以提醒用户重新上传理赔照片；
所述步骤S1之前，该方法还包括：
S01，将预设数量的理赔照片按预定的清晰度等级进行分类，并提取每一分类下的理赔照片中预设比例的理赔照片作为训练照片，提取每一分类下剩余的理赔照片作为验证照片；
S02，对每一分类下的每一训练照片进行特征提取，以获取待输入至所述深度卷积神经网络模型中的第一像素向量，并将每一分类下的每一训练照片对应的第一像素向量输入至所述深度卷积神经网络模型中，以训练生成用于识别的深度卷积神经网络模型；
S03，对每一分类下的每一验证照片进行特征提取，以获取输入至训练生成的深度卷积神经网络模型中的第二像素向量，并将每一分类下的每一验证照片对应的第二像素向量输入至训练生成的深度卷积神经网络模型中，以验证训练生成的深度卷积神经网络模型的准确率；
S04，若训练生成的深度卷积神经网络模型的准确率大于等于预设阈值，则训练结束；
所述对每一分类下的每一训练照片或验证照片进行特征提取的步骤包括：
对于每一分类下的每一训练照片或验证照片，利用不同卷积核从每一训练照片或验证照片的第一个像素块开始遍历至最后一个像素块进行卷积运算，以提取出每一训练照片或验证照片对应的不同特征图；
对提取出的每一训练照片或验证照片的特征图进行池化及光栅化处理，以将提取出的每一训练照片特征图处理成维度一致的第一像素向量，将提取出的每一验证照片特征图处理成维度一致的第二像素向量。
2.根据权利要求1所述图片品质的检测方法，其特征在于，所述步骤S03之后，该方法还包括：
S05，若训练生成的深度卷积神经网络模型的准确率小于预设阈值，则向所述用户终端发送第二提醒信息，以提醒用户增加理赔照片的样本数量。
3.根据权利要求1所述图片品质的检测方法，其特征在于，在所述步骤S02中，所述深度卷积神经网络模型的参数是通过利用向后传播BP方法估计得到的。
4.一种图片品质的检测装置，其特征在于，所述图片品质的检测装置包括：
识别模块，用于在接收到用户终端上传的理赔照片后，采用预先训练生成的深度卷积神经网络模型对接收到的理赔照片进行清晰度识别，以确定所述理赔照片的清晰度等级；所述预先训练生成的深度卷积神经网络模型是一个多层的神经网络，包括特征提取层、特征映射层，每层由多个二维平面组成，每个平面由多个独立神经元组成，每一个特征提取层都紧跟着一个用来求局部平均与二次提取的计算层；
提醒模块，用于若所述理赔照片的清晰度等级低于预设清晰度等级，则发送第一提示信息至所述用户终端，以提醒用户重新上传理赔照片；
所述图片品质的检测装置还包括：
分类模块，用于将预设数量的理赔照片按预定的清晰度等级进行分类，并提取每一分类下的理赔照片中预设比例的理赔照片作为训练照片，提取每一分类下剩余的理赔照片作为验证照片；
训练模块，用于对每一分类下的每一训练照片进行特征提取，以获取待输入至所述深度卷积神经网络模型中的第一像素向量，并将每一分类下的每一训练照片对应的第一像素向量输入至所述深度卷积神经网络模型中，以训练生成用于识别的深度卷积神经网络模型；
验证模块，用于对每一分类下的每一验证照片进行特征提取，以获取输入至训练生成的深度卷积神经网络模型中的第二像素向量，并将每一分类下的每一验证照片对应的第二像素向量输入至训练生成的深度卷积神经网络模型中，以验证训练生成的深度卷积神经网络模型的准确率；
结束模块，用于若训练生成的深度卷积神经网络模型的准确率大于等于预设阈值，则训练结束；
所述训练模块具体用于，对于每一分类下的每一训练照片，利用不同卷积核从每一训练照片的第一个像素块开始遍历至最后一个像素块进行卷积运算，以提取出每一训练照片对应的不同特征图；对提取出的每一训练照片的特征图进行池化及光栅化处理，以将提取出的每一训练照片特征图处理成维度一致的第一像素向量；
所述验证模块具体用于，对于每一分类下的每一验证照片，利用不同卷积核从每一验证照片的第一个像素块开始遍历至最后一个像素块进行卷积运算，以提取出每一验证照片对应的不同特征图；对提取出的每一验证照片的特征图进行池化及光栅化处理，以将提取出的每一验证照片特征图处理成维度一致的第二像素向量。
5.根据权利要求4所述图片品质的检测装置，其特征在于，所述图片品质的检测装置还包括：
循环模块，用于若训练生成的深度卷积神经网络模型的准确率小于预设阈值，则向所述用户终端发送第二提醒信息，以提醒用户增加理赔照片的样本数量。
6.根据权利要求4所述图片品质的检测装置，其特征在于，所述训练模块具体用于通过利用向后传播BP方法估计得到所述深度卷积神经网络模型的参数。
CN201610704799.1A 2016-08-22 2016-08-22 图片品质的检测方法及装置 Active CN106372651B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201610704799.1A CN106372651B (zh) 2016-08-22 2016-08-22 图片品质的检测方法及装置
PCT/CN2017/091306 WO2018036276A1 (zh) 2016-08-22 2017-06-30 图片品质的检测方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610704799.1A CN106372651B (zh) 2016-08-22 2016-08-22 图片品质的检测方法及装置

Publications (2)

Publication Number Publication Date
CN106372651A CN106372651A (zh) 2017-02-01
CN106372651B true CN106372651B (zh) 2018-03-06

Family

ID=57878027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610704799.1A Active CN106372651B (zh) 2016-08-22 2016-08-22 图片品质的检测方法及装置

Country Status (2)

Country Link
CN (1) CN106372651B (zh)
WO (1) WO2018036276A1 (zh)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372651B (zh) * 2016-08-22 2018-03-06 平安科技（深圳）有限公司 图片品质的检测方法及装置
CN107403424B (zh) 2017-04-11 2020-09-18 阿里巴巴集团控股有限公司 一种基于图像的车辆定损方法、装置及电子设备
CN107392218B (zh) 2017-04-11 2020-08-04 创新先进技术有限公司 一种基于图像的车辆定损方法、装置及电子设备
CN107358596B (zh) * 2017-04-11 2020-09-18 阿里巴巴集团控股有限公司 一种基于图像的车辆定损方法、装置、电子设备及***
CN107342962B (zh) * 2017-07-03 2019-12-13 北京邮电大学 基于卷积神经网络的深度学习智能星座图分析方法
CN107918916A (zh) * 2017-09-13 2018-04-17 平安科技（深圳）有限公司 自助理赔申请处理方法、装置、计算机设备及存储介质
CN108764261A (zh) * 2018-05-31 2018-11-06 努比亚技术有限公司 一种图像处理方法、移动终端及存储介质
CN109117753B (zh) * 2018-07-24 2021-04-20 广州虎牙信息科技有限公司 部位识别方法、装置、终端及存储介质
CN109145903A (zh) 2018-08-22 2019-01-04 阿里巴巴集团控股有限公司 一种图像处理方法和装置
CN109785312B (zh) * 2019-01-16 2020-10-09 创新奇智(广州)科技有限公司 一种图像模糊检测方法、***及电子设备
CN109948625A (zh) * 2019-03-07 2019-06-28 上海汽车集团股份有限公司 文本图像清晰度评估方法及***、计算机可读存储介质
CN109949323B (zh) * 2019-03-19 2022-12-20 广东省农业科学院农业生物基因研究中心 一种基于深度学习卷积神经网络的作物种子净度判断方法
CN112906741A (zh) * 2019-05-21 2021-06-04 北京嘀嘀无限科技发展有限公司 图像处理方法、装置、电子设备及存储介质
CN112017100A (zh) * 2019-05-31 2020-12-01 Oppo广东移动通信有限公司 卷积运算方法及相关产品
CN110502998B (zh) * 2019-07-23 2023-01-31 平安科技（深圳）有限公司 车辆定损方法、装置、设备和存储介质
CN110705847A (zh) * 2019-09-18 2020-01-17 中国南方电网有限责任公司超高压输电公司广州局 一种基于图像识别技术的变电站智能巡检方法及***
CN110689322A (zh) * 2019-09-27 2020-01-14 成都知识视觉科技有限公司 一种适用于保险理赔流程的人工智能辅助核赔***
CN110795579B (zh) * 2019-10-29 2022-11-18 Oppo广东移动通信有限公司 图片清理方法、装置、终端及存储介质
CN111327831B (zh) * 2020-03-30 2021-09-10 北京智美智学科技有限公司 一种用于ugc的图像获取方法、装置、电子设备和***
CN111709906A (zh) * 2020-04-13 2020-09-25 北京深睿博联科技有限责任公司 医学图像的质量评估方法和装置
CN111563663B (zh) * 2020-04-16 2023-03-21 五邑大学 一种机器人、服务质量评价方法及***
CN112365451B (zh) * 2020-10-23 2024-06-21 微民保险代理有限公司 图像质量等级的确定方法、装置、设备及计算机可读介质
CN112803341A (zh) * 2020-12-31 2021-05-14 国网浙江省电力有限公司嘉兴供电公司 一种非入侵式电缆防挖断监测装置及方法
US11971953B2 (en) 2021-02-02 2024-04-30 Inait Sa Machine annotation of photographic images
JP2024506691A (ja) 2021-02-18 2024-02-14 アイエヌエイアイティ エスエイ ２ｄ画像において視認可能な使用形跡を使用した３ｄモデルの注釈付け
US11544914B2 (en) 2021-02-18 2023-01-03 Inait Sa Annotation of 3D models with signs of use visible in 2D images
CN114241180A (zh) * 2021-12-15 2022-03-25 平安科技（深圳）有限公司 车损理赔的图片检测方法、装置、计算机设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544705A (zh) * 2013-10-25 2014-01-29 华南理工大学 一种基于深度卷积神经网络的图像质量测试方法
CN104866524A (zh) * 2015-04-10 2015-08-26 大连交通大学 一种商品图像精细分类方法
CN105160678A (zh) * 2015-09-02 2015-12-16 山东大学 基于卷积神经网络的无参考立体图像质量评估方法
CN105512624A (zh) * 2015-12-01 2016-04-20 天津中科智能识别产业技术研究院有限公司 一种人脸图像的笑脸识别方法及其装置
CN105719188A (zh) * 2016-01-22 2016-06-29 平安科技（深圳）有限公司 基于多张图片一致性实现保险理赔反欺诈的方法及服务器

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609500B (zh) * 2008-12-01 2012-07-25 公安部第一研究所 出入境数字人像相片质量评估方法
KR101906827B1 (ko) * 2012-04-10 2018-12-05 삼성전자주식회사 연속 사진 촬영 장치 및 방법
CN105405054A (zh) * 2015-12-11 2016-03-16 平安科技（深圳）有限公司 基于理赔照片深度学习实现保险理赔反欺诈的方法及服务器
CN106372651B (zh) * 2016-08-22 2018-03-06 平安科技（深圳）有限公司 图片品质的检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544705A (zh) * 2013-10-25 2014-01-29 华南理工大学 一种基于深度卷积神经网络的图像质量测试方法
CN104866524A (zh) * 2015-04-10 2015-08-26 大连交通大学 一种商品图像精细分类方法
CN105160678A (zh) * 2015-09-02 2015-12-16 山东大学 基于卷积神经网络的无参考立体图像质量评估方法
CN105512624A (zh) * 2015-12-01 2016-04-20 天津中科智能识别产业技术研究院有限公司 一种人脸图像的笑脸识别方法及其装置
CN105719188A (zh) * 2016-01-22 2016-06-29 平安科技（深圳）有限公司 基于多张图片一致性实现保险理赔反欺诈的方法及服务器

Also Published As

Publication number Publication date
CN106372651A (zh) 2017-02-01
WO2018036276A1 (zh) 2018-03-01

Similar Documents

Publication Publication Date Title
CN106372651B (zh) 图片品质的检测方法及装置
CN110176027B (zh) 视频目标跟踪方法、装置、设备及存储介质
CN110032926B (zh) 一种基于深度学习的视频分类方法以及设备
CN105117729A (zh) 一种识别翻拍图像的方法和装置
Yang et al. No-reference quality assessment for screen content images using visual edge model and adaboosting neural network
CN112560831A (zh) 一种基于多尺度空间校正的行人属性识别方法
CN111723841A (zh) 文本检测方法、装置、电子设备及存储介质
CN109325435B (zh) 基于级联神经网络的视频动作识别及定位方法
CN108241821A (zh) 图像处理设备和方法
CN113657528B (zh) 图像特征点提取方法、装置、计算机终端及存储介质
CN113298024A (zh) 一种基于轻量化神经网络的无人机对地小目标识别方法
CN110956080A (zh) 一种图像处理方法、装置、电子设备及存储介质
US20070223785A1 (en) Image processor and method
CN114511798B (zh) 基于transformer的驾驶员分心检测方法及装置
CN113807237B (zh) 活体检测模型的训练、活体检测方法、计算机设备及介质
CN110751225A (zh) 图像分类方法、装置及存储介质
CN116630917A (zh) 一种车道线检测方法
CN109543556B (zh) 动作识别方法、装置、介质及设备
CN111144361A (zh) 一种基于二值化cgan网络的公路车道检测方法
CN115035461A (zh) 基于机器视觉安全带佩戴检测方法、装置及相关设备
CN116883770A (zh) 深度估计模型的训练方法、装置、电子设备及存储介质
CN114743045A (zh) 一种基于双分支区域建议网络的小样本目标检测方法
CN114511877A (zh) 一种行为识别方法、装置、存储介质及终端
CN112733686A (zh) 用于云联邦的图像中的目标物识别方法及装置
CN111583502A (zh) 基于深度卷积神经网络的人民币冠字号多标签识别方法

Legal Events

Date Code Title Description
C06 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