CN113435942A - 评估矿物价格的方法和计算机*** - Google Patents
评估矿物价格的方法和计算机*** Download PDFInfo
- Publication number
- CN113435942A CN113435942A CN202110777039.4A CN202110777039A CN113435942A CN 113435942 A CN113435942 A CN 113435942A CN 202110777039 A CN202110777039 A CN 202110777039A CN 113435942 A CN113435942 A CN 113435942A
- Authority
- CN
- China
- Prior art keywords
- mineral
- evaluated
- parameter
- price
- quality factor
- 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.)
- Pending
Links
- 239000011707 mineral Substances 0.000 title claims abstract description 299
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 294
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 52
- 239000013078 crystal Substances 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 19
- 239000011435 rock Substances 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0278—Product appraisal
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Agronomy & Crop Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及评估矿物价格的方法,包括:根据所评估的矿物的影像,使用基于神经网络训练的第一推测模型,识别所评估的矿物的质量因素;获取所评估的矿物的最大尺寸MaxSize,并获取与所评估的矿物对应的除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceper Size;以及根据所述质量因素、最大尺寸MaxSize以及除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize,计算所评估的矿物的评估价格EvaluatePrice。本公开还涉及评估矿物价格的计算机***。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及评估矿物价格的方法和计算机***。
背景技术
在计算机技术领域中,存在多种用于识别对象的应用程序。这些应用程序通常接收来自用户的影像(包括静态图像、动态图像、以及视频等),并基于由人工智能技术建立的对象识别模型对影像中的待识别对象的进行识别。
发明内容
本公开的一个目的是提供评估矿物价格的方法和计算机***。
根据本公开的第一方面,提供了一种评估矿物价格的方法,包括:根据所评估的矿物的影像,使用基于神经网络训练的第一推测模型,识别所评估的矿物的质量因素;获取所评估的矿物的最大尺寸MaxSize,并获取与所评估的矿物对应的除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize;以及根据所述质量因素、最大尺寸MaxSize以及除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize,计算所评估的矿物的评估价格EvaluatePrice。
根据本公开的第二方面,提供了一种评估矿物价格的方法,包括:根据所评估的矿物的影像,使用基于神经网络训练的推测模型,识别所评估的矿物的质量因素;获取所评估的矿物的最大尺寸MaxSize,并获取与所评估的矿物对应的价格估算函数;以及根据所述质量因素、最大尺寸MaxSize以及价格估算函数,计算所评估的矿物的评估价格EvaluatePrice。
根据本公开的第三方面,提供了一种评估矿物价格的计算机***,包括:一个或多个处理器;以及一个或多个存储器,所述一个或多个存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据,其中,当所述一系列计算机可执行的指令被所述一个或多个处理器执行时,使得所述计算机***进行如上所述的任一方法。
根据本公开的第四方面,提供了一种非临时性计算机可读存储介质,所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令,当所述一系列计算机可执行的指令被一个或多个计算装置执行时,使得所述一个或多个计算装置进行如上所述的任一方法。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1是示意性地示出根据本公开一些实施例的评估矿物价格的方法的至少一部分的流程图。
图2是示意性地示出根据本公开一些实施例的评估矿物价格的方法的至少一部分的流程图。
图3是示意性地示出根据本公开一些实施例的评估矿物价格的计算机***的至少一部分的结构图。
图4是示意性地示出根据本公开一些实施例的评估矿物价格的计算机***的至少一部分的结构图。
图5是示意性地示出适用于根据本公开一些实施例的评估矿物价格的方法的矿物样本数据的示意图。
注意,在以下说明的实施方式中,有时在不同的附图之间共同使用同一附图标记来表示相同部分或具有相同功能的部分,而省略其重复说明。在本说明书中,使用相似的标号和字母表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
具体实施方式
以下将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。在下面描述中,为了更好地解释本公开,阐述了许多细节,然而可以理解的是,在没有这些细节的情况下也可以实践本公开。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
由于矿物可供人学习、研究、观赏的特性,不少爱好者进行矿物收藏。因此,可以结合人工智能技术,提供对矿物的识别或者对矿物的价格进行评估的应用程序。本文所称“矿物”,是指具有确定形貌的矿物,也可被称为矿物标本、矿物样本、矿物晶体等。
影响矿物的价格的因素是多种多样的。本申请的发明人经研究后发现,不同种类、不同尺寸、以及不同质量等级的矿物的价格差异较大,因此可以通过如下三个指标来评估矿物的价格:矿物的类别(不同类别的矿物的估值基础不同)、矿物的最大尺寸(矿物的长、宽、高中的最大尺寸)、以及矿物的质量因素。而质量因素方面,发明人发现,具有底岩的矿物因为较为美观通常其价格也较高;全是小颗粒的晶体的矿物的价格通常低于具有大尺寸晶体的矿物;在某类矿物具备的所有可能颜色中,较高饱和度的矿物其价格通常也较高;晶体的颜色和底岩的颜色的色彩对比度越明显其价格通常越高;颜色越均匀、杂质越少,晶体越完整、越没有破损,其价格通常越高。因此,本公开提出,质量因素与该矿物是否包括底岩、矿物的最大晶体尺寸与所评估的矿物的最大尺寸之比、矿物的颜色饱和度、矿物的晶体的颜色和底岩的颜色的色彩对比度、以及矿物的晶体的均匀完整度等方面相关联。可以为质量因素的这些方面分别设置参数,每个参数可以具有量化值以代表相应方面的不同等级,从而对矿物的质量因素进行量化,进而有利于矿物价格的评估。
图1是示意性地示出根据本公开一些实施例的评估矿物价格的方法100的至少一部分的流程图。方法100包括:根据所评估的矿物的影像,使用基于神经网络训练的第一推测模型,识别所评估的矿物的质量因素(步骤110);获取所评估的矿物的最大尺寸MaxSize,并获取与所评估的矿物对应的除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize(步骤120);以及根据质量因素、最大尺寸MaxSize以及除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize,计算所评估的矿物的评估价格EvaluatePrice(步骤130)。方法100可以由为用户提供评估矿物价格的功能的应用程序来执行。
用户可以将能够呈现所评估的矿物的影像输入到可以进行评估矿物价格的应用程序,来评估该矿物的价格。该影像可以是用户先前存储的、实时拍摄的、或者从网络上下载的。影像可以包括任何形式的视觉呈现,例如静态图像、动态图像、以及视频等。影像可以利用包括摄像头的设备进行拍摄,如手机、平板电脑等。
能够执行方法100的应用程序可以接收来自用户的影像,并在步骤110中使用基于神经网络训练的推测模型对影像中的矿物的质量因素进行识别。可以设置与质量因素相关联的参数Matrix、参数MaxCrystalRatio、参数HighSatuation、参数Contract、以及参数EvenComplete。其中,参数Matrix指示所评估的矿物是否包括底岩,参数MaxCrystalRatio指示所评估的矿物的最大晶体尺寸与所评估的矿物的最大尺寸之比,参数HighSatuation指示所评估的矿物的颜色饱和度,参数Contract指示所评估的矿物的晶体的颜色和底岩的颜色的色彩对比度,参数EvenComplete指示所评估的矿物的晶体的均匀完整度。还可以设置质量因素指数QualityIndex以对质量因素进行量化,其中,质量因素指数QualityIndex可以为参数Matrix、MaxCrystalRatio、HighSatuation、Contract和EvenComplete的函数。
可以为上述与质量因素相关联的参数设置量化值,以代表相应质量方面的不同等级。在一个实施例中,参数Matrix可以具有0、1的取值,分别指示矿物不包括底岩、包括底岩。参数MaxCrystalRatio可以具有-1、0、1的取值,分别指示矿物的最大晶体尺寸与矿物的最大尺寸之比小于1/9、在1/9和1/3之间(可以包括端点值)、大于1/3。参数HighSatuation可以具有-1、0、1的取值,分别指示矿物的颜色饱和度的等级为差、中、好。参数Contract具有-1、0、1的取值,分别指示矿物的晶体的颜色和底岩的颜色的色彩对比度的等级为差、中、好。参数EvenComplete具有-1、0、1的取值,分别指示矿物的晶体的均匀完整度的等级为差、中、好。在该实施例中,质量因素指数QualityIndex与参数Matrix、MaxCrystalRatio、HighSatuation、Contract和EvenComplete可以具有如下的公式1的关系:
公式1:QualityIndex=2(Matrix+MaxCrystalRatio/2+HighSatuation/2+Contract/2+EvenComplete)。
在步骤110,使用推测模型对影像中的矿物的质量因素进行识别可以是,使用推测模型识别出所评估的矿物的参数Matrix、MaxCrystalRatio、HighSatuation、Contract和EvenComplete,然后根据质量因素指数QualityIndex与参数Matrix、MaxCrystalRatio、HighSatuation、Contract和EvenComplete的关系(例如公式1)计算出质量因素指数QualityIndex,从而确定所评估的矿物的质量因素。
推测模型是基于神经网络预先训练的。可以获取训练数据以建立训练样本集。可以从全球各大矿物售卖网站爬取所有矿物商品的图片,并为每张图片标注其中的矿物的参数Matrix、MaxCrystalRatio、HighSatuation、Contract和EvenComplete的值。标注后的图片形成为训练样本集中的训练样本(也可称为训练数据)。然后使用训练样本集,基于深度学习对神经网络进行训练,以得到一个多维度分类模型,其可以根据输入的影像输出影像中的矿物的参数Matrix、MaxCrystalRatio、HighSatuation、Contract和EvenComplete的值。还可以使用测试样本集对该多维度分类模型的输出准确度进行测试,直到输出准确度满足要求时训练完成,从而得到步骤110中使用的推测模型。
在步骤120,获取所评估的矿物的最大尺寸MaxSize。最大尺寸MaxSize的获取可以通过多种途径,在一个实施例中,可以获取自用户的输入。用户可以向能够执行方法100的应用程序输入所评估的矿物的尺寸(包括最大尺寸MaxSize),以便于应用程序使用所评估的矿物的最大尺寸MaxSize来对该矿物的价格进行评估。在一个实施例中,可以通过已训练的推测模型来基于影像识别所评估的矿物的最大尺寸MaxSize。
应当理解,用于识别最大尺寸MaxSize的推测模型,与步骤110中使用的用于识别参数Matrix、MaxCrystalRatio、HighSatuation、Contract和EvenComplete的推测模型,可以是同一个模型也可以是不同的模型。在是同一个模型的示例中,该推测模型可以基于输入的影像识别出参数Matrix、MaxCrystalRatio、HighSatuation、Contract和EvenComplete以及最大尺寸MaxSize。该推测模型的训练样本集中的每个样本可以包括矿物的图片和所标注的图片中的矿物的参数Matrix、MaxCrystalRatio、HighSatuation、Contract和EvenComplete的值以及最大尺寸MaxSize。基于该训练样本集对神经网络训练出来的推测模型,既可以基于输出参数Matrix、MaxCrystalRatio、HighSatuation、Contract和EvenComplete,也可以输出最大尺寸MaxSize。在不是同一个模型的示例中,可以为用于识别最大尺寸MaxSize的推测模型单独建立训练样本集,其中的每个样本可以包括矿物的图片和所标注的图片中的矿物的最大尺寸MaxSize。基于该训练样本集对神经网络训练出来的推测模型可以识别图片中的矿物的最大尺寸MaxSize。
由于影像对矿物的拍摄角度以及拍摄距离等因素,基于影像对其中的矿物的尺寸的识别可能是不准确的。在一个实施例中,能够执行方法100的应用程序可以接收输入的对所识别的最大尺寸的修正,从而得到所评估的矿物的最大尺寸MaxSize。例如,在用户输入了矿物的影像之后,应用程序可以将基于影像识别出的信息输出给用户,用户可以检查其中的矿物的最大尺寸MaxSize与矿物的实际最大尺寸的差异。如果差异较大,用户可以向应用程序输入所评估的矿物的最大尺寸MaxSize以对应用程序自主识别的尺寸进行修正。应用程序以经用户修正后的尺寸为基础进行后续的操作。
在步骤120,还获取与所评估的矿物对应的除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize。除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize可以是在执行方法100之前预先确定的。可以为每个种类的矿物预先确定除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize,例如,预先确定单位尺寸平均估价集AverageEvaluatePriceperSizeSet,其包括与矿物的N个类别Speciesi分别对应的N个除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSizei,其中,i=1,2,…,N。然后可以根据所评估的矿物的类别,从AverageEvaluatePriceperSizeSet中选择与所评估的矿物的类别对应的除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize。
单位尺寸平均估价集AverageEvaluatePriceperSizeSet中的与矿物的类别Speciesi对应的除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSizei根据如下方法确定:获取属于类别Speciesi的矿物的多个样本;根据每个样本中的矿物的实际价格ActualPrice、最大尺寸MaxSize和质量因素,计算每个样本中的矿物的除却质量因素影响的单位尺寸估价EvaluatePriceperSize;以及将属于类别Speciesi的矿物的多个样本中的每个样本中的矿物的除却质量因素影响的单位尺寸估价EvaluatePriceperSize进行平均,以得到与类别Speciesi对应的除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSizei。
在一个实施例中,根据每个样本中的矿物的实际价格ActualPrice、最大尺寸MaxSize和质量因素,来计算每个样本中的矿物的除却质量因素影响的单位尺寸估价EvaluatePriceperSize,可以根据如下的公式2来进行:
公式2:EvaluatePriceperSize=ActualPrice/MaxSize/QualityIndex。
其中,可以根据质量因素指数QualityIndex与参数Matrix、MaxCrystalRatio、HighSatuation、Contract和EvenComplete的关系(例如公式1),来计算质量因素指数QualityIndex。
在步骤130,根据质量因素、最大尺寸MaxSize以及除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize,计算所评估的矿物的评估价格EvaluatePrice。在一个实施例中,可以使用质量因素指数QualityIndex来代表所评估的矿物的质量因素。例如,在质量因素指数QualityIndex具有如公式1所示的计算关系的示例中,可以根据如下的公式3来计算所评估的矿物的评估价格EvaluatePrice:
公式3:EvaluatePrice=AverageEvaluatePriceperSize*MaxSize*QualityIndex。
参考图5所示的矿物样本数据,这些数据对应同一个类别的矿物,例如Speciesi。第一列为样本中的矿物的实际价格ActualPrice,第二列为最大尺寸MaxSize,第三列为用第一列的ActualPrice除以第二列的MaxSize计算出来的尺寸单价PriceperSize,第四列至第八列分别为质量因素相关联的五个参数Matrix、MaxCrystalRatio、HighSatuation、Contract和EvenComplete,第九列为根据公式1计算的代表质量因素的质量因素指数QualityIndex,第十列为根据公式2计算的样本中的矿物除却质量因素影响的单位尺寸估价EvaluatePriceperSize。第十列的最后一行的数据(在图5的示例中为20.72)为将上面的各个样本的除却质量因素影响的单位尺寸估价EvaluatePriceperSize进行平均得到的除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize,该平均估价为针对图5所示的样本数据所对应的矿物类别Speciesi的除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize。之后可以根据第十列的最后一行的除却质量因素影响的单位尺寸估价EvaluatePriceperSize,使用公式3来计算这种类别Speciesi的矿物的评估价格EvaluatePrice。
图2是示意性地示出根据本公开一些实施例的评估矿物价格的方法200的至少一部分的流程图。方法200包括:根据所评估的矿物的影像,使用基于神经网络训练的推测模型,识别所评估的矿物的质量因素(步骤210);获取所评估的矿物的最大尺寸MaxSize,并获取与所评估的矿物对应的价格估算函数(步骤220);以及根据质量因素、最大尺寸MaxSize以及价格估算函数,计算所评估的矿物的评估价格EvaluatePrice(步骤230)。
方法200的步骤210同方法100的步骤110,此处不再赘述。在步骤210获取所评估的矿物的最大尺寸MaxSize,与在步骤120获取所评估的矿物的最大尺寸MaxSize的操作相同,此处也不再赘述。
在步骤210,还获取与所评估的矿物对应的价格估算函数。价格估算函数可以是在执行方法200之前预先确定的。可以为每个种类的矿物预先确定价格估算函数,例如,预先确定价格估算函数集,其包括与矿物的多个类别分别对应的多个价格估算函数。然后可以根据所评估的矿物的类别,从价格估算函数集中选择与所评估的矿物的类别对应的价格估算函数。
价格估算函数集中的与矿物的类别Speciesi(其中,i=1,2,…,N)对应的价格估算函数yi=fi(x1,x2,x3,x4,x5,x6)根据如下方法确定:获取属于类别Speciesi的矿物的多个样本;以及根据属于类别Speciesi的矿物的多个样本中的每个样本中的矿物的实际价格ActualPrice、最大尺寸MaxSize以及参数Matrix、MaxCrystalRatio、HighSatuation、Contract和EvenComplete,拟合出针对类别Speciesi的矿物的价格估算函数yi=fi(x1,x2,x3,x4,x5,x6)。在价格估算函数中价格为最大尺寸MaxSize、以及参数Matrix、MaxCrystalRatio、HighSatuation、Contract和EvenComplete的函数。
下面以为类别为Speciesi的矿物确定价格估算函数为例来具体说明如何确定价格估算函数yi=fi(x1,x2,x3,x4,x5,x6)。可以从各大矿物售卖网站爬取类别为Speciesi的矿物的商品信息共M条,每条信息包含有该矿物商品的实际价格ActualPricej、最大尺寸MaxSizej、与质量因素相关联的参数Matrixj、MaxCrystalRatioj、HighSatuationj、Contractj和EvenCompletej这些数据,其中,j=1,2,…,M。在这些数据中,最大尺寸MaxSizej、与质量因素相关联的参数Matrixj、MaxCrystalRatioj、HighSatuationj、Contractj和EvenCompletej作为对实际价格ActualPricej的影响因素,可以作为价格估算函数的自变量,而实际价格ActualPricej作为价格估算函数的因变量。对这些数据点进行函数拟合(例如通过Matlab),拟合出价格估算函数yi=fi(x1,x2,x3,x4,x5,x6),其中y表示矿物的实际价格,x1至x6分别表示上述最大尺寸MaxSizej至EvenCompletej的6个对实际价格的影响因素。
以上描述了两种评估矿物价格的方法100和200。可以使用方法100和200中的任意一种来得到所评估的矿物的评估价格EvaluatePrice,也可以使用方法100和200的结合来得到所评估的矿物的评估价格EvaluatePrice。例如,可以分别使用方法100和200得到所评估的矿物的第一评估价格EvaluatePrice1和第二评估价格EvaluatePrice2,然后将第一评估价格EvaluatePrice1和第二评估价格EvaluatePrice2进行加权平均,从而得到所评估的矿物的最终评估价格EvaluatePriceFinal。
以上描述的方法100和200的操作过程均需要矿物的类别这个参数。例如,在方法100中,需要根据所评估的矿物的类别,从预先确定单位尺寸平均估价集AverageEvaluatePriceperSizeSet中选择与所评估的矿物的类别对应的除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize。在方法200中,需要根据所评估的矿物的类别,从价格估算函数集中选择与所评估的矿物的类别对应的价格估算函数。获得所评估的矿物的类别可以通过多种途径。在一个实施例中,可以从用户处获得所评估的矿物的类别。用户可以向能够执行方法100和/或200的应用程序输入所评估的矿物的类别,以便于应用程序使用所评估的矿物的类别来对该矿物的价格进行评估。在一个实施例中,可以通过已训练的矿物类别识别模型来基于影像识别所评估的矿物的类别。可以建立训练样本集,其中的每个样本可以包括矿物的图片和所标注的图片中的矿物的类别。可以使用该训练样本集来对神经网络进行训练,直到模型的输出准确率满足要求,从而得到矿物类别识别模型。在一个实施例中,应用程序可以接收输入的对所识别的矿物类别的修正,从而得到所评估的矿物的类别。例如,在用户输入了矿物的影像之后,应用程序可以将基于影像识别出的类别信息输出给用户,用户可以根据其已知的信息判断应用程序的识别结果是否正确。如果不正确或不准确,用户可以向应用程序输入所评估的矿物的类别,以对应用程序自主识别的结果进行修正。应用程序以经用户修正后的类别为基础进行后续的操作。
图3是示意性地示出根据本公开一些实施例的评估矿物价格的计算机***300的至少一部分的结构图。本领域技术人员可以理解,***300只是一个示例,不应将其视为限制本公开的范围或本文所描述的特征。在该示例中,***300可以包括一个或多个存储装置310、一个或多个用户设备320、以及一个或多个计算装置330,其可以通过网络或总线340互相通信连接。一个或多个存储装置310为一个或多个用户设备320、以及一个或多个计算装置330提供存储服务。虽然一个或多个存储装置310在***300中以独立于一个或多个用户设备320、以及一个或多个计算装置330之外的单独的框示出,应当理解,一个或多个存储装置310可以实际存储在***300所包括的其他实体320、330中的任何一个上。一个或多个用户设备320以及一个或多个计算装置330中的每一个可以位于网络或总线340的不同节点处,并且能够直接地或间接地与网络或总线340的其他节点通信。本领域技术人员可以理解,***300还可以包括图3未示出的其他装置,其中每个不同的装置均位于网络或总线340的不同节点处。
一个或多个存储装置310可以被配置为存储上文所述的任何数据,包括但不限于:从用户输入的影像、各训练样本集、各神经网络模型、识别结果、单位尺寸平均估价集、价格估算函数集、应用程序的文件等数据。一个或多个计算装置330可以被配置为执行上述根据实施例的方法中的一个或多个,和/或一个或多个根据实施例的方法中的一个或多个步骤。一个或多个用户设备320可以被配置为为用户提供服务,例如,从用户接收影像和用于修正识别结果的输入,输出识别出的信息以及所评估的矿物的评估价格(包括第一、第二和最终评估价格)等。一个或多个用户设备320还可以被配置为执行上述根据实施例的方法中的一个或多个,和/或一个或多个根据实施例的方法中的一个或多个步骤。
网络或总线340可以是任何有线或无线的网络,也可以包括线缆。网络或总线340可以是互联网、万维网、特定内联网、广域网或局域网的一部分。网络或总线340可以利用诸如以太网、WiFi和HTTP等标准通信协议、对于一个或多个公司来说是专有的协议、以及前述协议的各种组合。网络或总线340还可以包括但不限于工业标准体系结构(ISA)总线、微通道架构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)本地总线、和***部件互连(PCI)总线。
一个或多个用户设备320和一个或多个计算装置330中的每一个可以被配置为与图4所示的***400类似,即具有一个或多个处理器410、一个或多个存储器420、以及指令421和数据422。一个或多个用户设备320和一个或多个计算装置330中的每一个可以是意在由用户使用的个人计算装置或者由企业使用的商业计算机装置,并且具有通常与个人计算装置或商业计算机装置结合使用的所有组件,诸如中央处理单元(CPU)、存储数据和指令的存储器(例如,RAM和内部硬盘驱动器)、诸如显示器(例如,具有屏幕的监视器、触摸屏、投影仪、电视或可操作来显示信息的其他装置)、鼠标、键盘、触摸屏、麦克风、扬声器、和/或网络接口装置等的一个或多个I/O设备。
一个或多个用户设备320还可以包括用于捕获静态图像或记录视频流的一个或多个相机、以及用于将这些元件彼此连接的所有组件。虽然一个或多个用户设备320可以各自包括全尺寸的个人计算装置,但是它们可能可选地包括能够通过诸如互联网等网络与服务器无线地交换数据的移动计算装置。举例来说,一个或多个用户设备320可以是移动电话,或者是诸如带无线支持的PDA、平板PC或能够经由互联网获得信息的上网本等装置。在另一个示例中,一个或多个用户设备320可以是可穿戴式计算***。
图4是示意性地示出根据本公开的一个实施例的评估矿物价格的计算机***400的至少一部分的结构图。***400包括一个或多个处理器410、一个或多个存储器420、以及通常存在于计算机等装置中的其他组件(未示出)。一个或多个存储器420中的每一个可以存储可由一个或多个处理器410访问的内容,包括可以由一个或多个处理器410执行的指令421、以及可以由一个或多个处理器410来检索、操纵或存储的数据422。
指令421可以是将由一个或多个处理器410直接地执行的任何指令集,诸如机器代码,或者间接地执行的任何指令集,诸如脚本。本文中的术语“指令”、“应用”、“过程”、“步骤”和“程序”在本文中可以互换使用。指令421可以存储为目标代码格式以便由一个或多个处理器410直接处理,或者存储为任何其他计算机语言,包括按需解释或提前编译的独立源代码模块的脚本或集合。指令421可以包括引起诸如一个或多个处理器410来充当本文中的各神经网络的指令。本文其他部分更加详细地解释了指令421的功能、方法和例程。
一个或多个存储器420可以是能够存储可由一个或多个处理器410访问的内容的任何临时性或非临时性计算机可读存储介质,诸如硬盘驱动器、存储卡、ROM、RAM、DVD、CD、USB存储器、能写存储器和只读存储器等。一个或多个存储器420中的一个或多个可以包括分布式存储***,其中指令421和/或数据422可以存储在可以物理地位于相同或不同的地理位置处的多个不同的存储装置上。一个或多个存储器420中的一个或多个可以经由网络连接至一个或多个第一装置410,和/或可以直接地连接至或并入一个或多个处理器410中的任何一个中。
一个或多个处理器410可以根据指令421来检索、存储或修改数据422。存储在一个或多个存储器420中的数据422可以包括上文所述的一个或多个存储装置310中存储的各项中一项或多项的至少部分。举例来说,虽然本文所描述的主题不受任何特定数据结构限制,但是数据422还可能存储在计算机寄存器(未示出)中,作为具有许多不同的字段和记录的表格或XML文档存储在关系型数据库中。数据422可以被格式化为任何计算装置可读格式,诸如但不限于二进制值、ASCII或统一代码。此外,数据422可以包括足以识别相关信息的任何信息,诸如编号、描述性文本、专有代码、指针、对存储在诸如其他网络位置处等其他存储器中的数据的引用或者被函数用于计算相关数据的信息。
一个或多个处理器410可以是任何常规处理器,诸如市场上可购得的中央处理单元(CPU)、图形处理单元(GPU)等。可替换地,一个或多个处理器410还可以是专用组件,诸如专用集成电路(ASIC)或其他基于硬件的处理器。虽然不是必需的,但是一个或多个处理器410可以包括专门的硬件组件来更快或更有效地执行特定的计算过程,诸如对影像进行图像处理等。
虽然图4中示意性地将一个或多个处理器410以及一个或多个存储器420示出在同一个框内,但是***400可以实际上包括可能存在于同一个物理壳体内或不同的多个物理壳体内的多个处理器或存储器。例如,一个或多个存储器420中的一个可以是位于与上文所述的一个或多个计算装置(未示出)中的每一个的壳体不同的壳体中的硬盘驱动器或其他存储介质。因此,引用处理器、计算机、计算装置或存储器应被理解成包括引用可能并行操作或可能非并行操作的处理器、计算机、计算装置或存储器的集合。
在说明书及权利要求中的词语“A或B”包括“A和B”以及“A或B”,而不是排他地仅包括“A”或者仅包括“B”,除非另有特别说明。
在本公开中,对“一个实施例”、“一些实施例”的提及意味着结合该实施例描述的特征、结构或特性包含在本公开的至少一个实施例、至少一些实施例中。因此,短语“在一个实施例中”、“在一些实施例中”在本公开的各处的出现未必是指同一个或同一些实施例。此外,在一个或多个实施例中,可以任何合适的组合和/或子组合来组合特征、结构或特性。
如在此所使用的,词语“示例性的”意指“用作示例、实例或说明”,而不是作为将被精确复制的“模型”。在此示例性描述的任意实现方式并不一定要被解释为比其它实现方式优选的或有利的。而且,本公开不受在上述技术领域、背景技术、发明内容或具体实施方式中所给出的任何所表述的或所暗示的理论所限定。
另外,仅仅为了参考的目的,还可以在下面描述中使用某种术语,并且因而并非意图限定。例如,除非上下文明确指出,否则涉及结构或元件的词语“第一”、“第二”和其它此类数字词语并没有暗示顺序或次序。还应理解,“包括/包含”一词在本文中使用时,说明存在所指出的特征、整体、步骤、操作、单元和/或组件,但是并不排除存在或增加一个或多个其它特征、整体、步骤、操作、单元和/或组件以及/或者它们的组合。
在本公开中,术语“部件”和“***”意图是涉及一个与计算机有关的实体,或者硬件、硬件和软件的组合、软件、或执行中的软件。例如,一个部件可以是,但是不局限于,在处理器上运行的进程、对象、可执行态、执行线程、和/或程序等。通过举例说明,在一个服务器上运行的应用程序和所述服务器两者都可以是一个部件。一个或多个部件可以存在于一个执行的进程和/或线程的内部,并且一个部件可以被定位于一台计算机上和/或被分布在两台或更多计算机之间。
另外,本公开的实施方式还可以包括以下示例:
1.一种评估矿物价格的方法,包括:
根据所评估的矿物的影像,使用基于神经网络训练的第一推测模型,识别所评估的矿物的质量因素;
获取所评估的矿物的最大尺寸MaxSize,并获取与所评估的矿物对应的除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize;以及
根据所述质量因素、最大尺寸MaxSize以及除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize,计算所评估的矿物的评估价格EvaluatePrice。
2.根据1所述的方法,其中,所述质量因素与第一参数至第五参数相关联,其中,
所述第一参数Matrix指示所评估的矿物是否包括底岩;
所述第二参数MaxCrystalRatio指示所评估的矿物的最大晶体尺寸与所评估的矿物的最大尺寸之比;
所述第三参数HighSatuation指示所评估的矿物的颜色饱和度;
所述第四参数Contract指示所评估的矿物的晶体的颜色和底岩的颜色的色彩对比度;以及
所述第五参数EvenComplete指示所评估的矿物的晶体的均匀完整度。
3.根据2所述的方法,其中,识别所评估的矿物的质量因素包括:
使用所述第一推测模型,识别所评估的矿物的第一参数至第五参数;以及
根据识别出的第一参数至第五参数,确定所述质量因素。
4.根据3所述的方法,其中,所述第一推测模型通过如下方法得到:
建立训练样本集,所述样本集包括多个样本,每个样本包括矿物的影像和标注的与该影像中的矿物对应的第一参数Matrix、第二参数MaxCrystalRatio、第三参数HighSatuation、第四参数Contract和第五参数EvenComplete;以及
使用所述训练样本集对神经网络进行训练,以得到所述第一推测模型。
5.根据2所述的方法,其中,
所述第一参数Matrix具有0或1的取值,分别指示所评估的矿物不包括底岩或包括底岩;
所述第二参数MaxCrystalRatio具有-1、0或1的取值,分别指示所评估的矿物的最大晶体尺寸与所评估的矿物的最大尺寸之比小于1/9、在1/9和1/3之间或大于1/3;
所述第三参数HighSatuation具有-1、0或1的取值,分别指示所评估的矿物的颜色饱和度的等级为差、中或好;
所述第四参数Contract具有-1、0或1的取值,分别指示所评估的矿物的晶体的颜色和底岩的颜色的色彩对比度的等级为差、中或好;以及
所述第五参数EvenComplete具有-1、0或1的取值,分别指示所评估的矿物的晶体的均匀完整度的等级为差、中或好。
6.根据5所述的方法,其中,
识别所评估的矿物的质量因素包括通过如下公式计算所评估的矿物的质量因素指数QualityIndex:
QualityIndex=2(Matrix+MaxCrystalRatio/2+HighSatuation/2+Contract/2+EvenComplete);以及
根据如下公式计算所评估的矿物的评估价格EvaluatePrice:
EvaluatePrice=AverageEvaluatePriceperSize*MaxSize*QualityIndex。
7.根据1所述的方法,其中,获取所评估的矿物的最大尺寸MaxSize包括:
根据所述影像,使用基于神经网络训练的第二推测模型,识别所述影像中的矿物的最大尺寸,从而得到所评估的矿物的最大尺寸MaxSize。
8.根据7所述的方法,还包括:
接收输入的对所识别的最大尺寸的修正,从而得到所评估的矿物的最大尺寸MaxSize。
9.根据7所述的方法,其中,所述第一推测模型和所述第二推测模型为同一个模型。
10.根据1所述的方法,其中,获取与所评估的矿物对应的除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize包括:
预先确定单位尺寸平均估价集AverageEvaluatePriceperSizeSet,所述单位尺寸平均估价集AverageEvaluatePriceperSizeSet包括与矿物的多个类别Speciesi分别对应的多个除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSizei,其中,i=1,2,…,N;以及
根据所评估的矿物的类别,从所述单位尺寸平均估价集AverageEvaluatePriceperSizeSet中选择与所评估的矿物的类别对应的除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize。
11.根据10所述的方法,所述单位尺寸平均估价集AverageEvaluatePriceperSizeSet中的与矿物的类别Speciesi对应的除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSizei根据如下方法确定:
获取属于类别Speciesi的矿物的多个样本;
根据每个样本中的矿物的实际价格ActualPrice、最大尺寸MaxSize和质量因素,计算每个样本中的矿物的除却质量因素影响的单位尺寸估价EvaluatePriceperSize;以及
将属于类别Speciesi的矿物的多个样本中的每个样本中的矿物的除却质量因素影响的单位尺寸估价EvaluatePriceperSize进行平均,以得到与类别Speciesi对应的除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSizei。
12.根据1所述的方法,还包括:
获取与所评估的矿物对应的价格估算函数;
根据所述质量因素、最大尺寸MaxSize以及价格估算函数,计算所评估的矿物的第二评估价格EvaluatePrice2;以及
将所述评估价格EvaluatePrice和所述第二评估价格EvaluatePrice2进行加权平均,以得到所评估的矿物的最终评估价格EvaluatePriceFinal。
13.根据12所述的方法,其中,获取与所评估的矿物对应的价格估算函数包括:
预先确定价格估算函数集,所述价格估算函数集包括与矿物的多个类别分别对应的多个价格估算函数;以及
根据所评估的矿物的类别,从所述价格估算函数集中选择与所评估的矿物的类别对应的价格估算函数。
14.根据13所述的方法,所述价格估算函数集中的与矿物的类别Speciesi对应的价格估算函数根据如下方法确定:
获取属于类别Speciesi的矿物的多个样本;以及
根据属于类别Speciesi的矿物的多个样本中的每个样本中的矿物的实际价格ActualPrice、最大尺寸MaxSize和质量因素,拟合出针对类别Speciesi的矿物的价格估算函数,在所述价格估算函数中价格为最大尺寸MaxSize和质量因素的函数。
15.一种评估矿物价格的方法,包括:
根据所评估的矿物的影像,使用基于神经网络训练的推测模型,识别所评估的矿物的质量因素;
获取所评估的矿物的最大尺寸MaxSize,并获取与所评估的矿物对应的价格估算函数;以及
根据所述质量因素、最大尺寸MaxSize以及价格估算函数,计算所评估的矿物的评估价格EvaluatePrice。
16.根据15所述的方法,其中,所述质量因素与第一参数至第五参数相关联,其中,
所述第一参数Matrix指示所评估的矿物是否包括底岩;
所述第二参数MaxCrystalRatio指示所评估的矿物的最大晶体尺寸与所评估的矿物的最大尺寸之比;
所述第三参数HighSatuation指示所评估的矿物的颜色饱和度;
所述第四参数Contract指示所评估的矿物的晶体的颜色和底岩的颜色的色彩对比度;以及
所述第五参数EvenComplete指示所评估的矿物的晶体的均匀完整度。
17.根据16所述的方法,其中,识别所评估的矿物的质量因素包括:
使用所述推测模型,识别所评估的矿物的第一参数至第五参数;以及
根据识别出的第一参数至第五参数,确定所述质量因素。
18.根据17所述的方法,其中,所述推测模型通过如下方法得到:
建立训练样本集,所述样本集包括多个样本,每个样本包括矿物的影像和标注的与该影像中的矿物对应的第一参数Matrix、第二参数MaxCrystalRatio、第三参数HighSatuation、第四参数Contract和第五参数EvenComplete;以及
使用所述训练样本集对神经网络进行训练,以得到所述推测模型。
19.根据16所述的方法,其中,
所述第一参数Matrix具有0或1的取值,分别指示所评估的矿物不包括底岩或包括底岩;
所述第二参数MaxCrystalRatio具有-1、0或1的取值,分别指示所评估的矿物的最大晶体尺寸与所评估的矿物的最大尺寸之比小于1/9、在1/9和1/3之间或大于1/3;
所述第三参数HighSatuation具有-1、0或1的取值,分别指示所评估的矿物的颜色饱和度的等级为差、中或好;
所述第四参数Contract具有-1、0或1的取值,分别指示所评估的矿物的晶体的颜色和底岩的颜色的色彩对比度的等级为差、中或好;以及
所述第五参数EvenComplete具有-1、0或1的取值,分别指示所评估的矿物的晶体的均匀完整度的等级为差、中或好。
20.根据15所述的方法,其中,获取所评估的矿物的最大尺寸MaxSize包括:
根据所述影像,使用所述推测模型,识别所述影像中的矿物的最大尺寸,从而得到所评估的矿物的最大尺寸MaxSize。
21.根据20所述的方法,还包括:
接收输入的对所识别的最大尺寸的修正,从而得到所评估的矿物的最大尺寸MaxSize。
22.根据16所述的方法,其中,获取与所评估的矿物对应的价格估算函数包括:
预先确定价格估算函数集,所述价格估算函数集包括与矿物的多个类别分别对应的多个价格估算函数;以及
根据所评估的矿物的类别,从所述价格估算函数集中选择与所评估的矿物的类别对应的价格估算函数。
23.根据22所述的方法,所述价格估算函数集中的与矿物的类别Speciesi对应的价格估算函数根据如下方法确定:
获取属于类别Speciesi的矿物的多个样本;以及
根据属于类别Speciesi的矿物的多个样本中的每个样本中的矿物的实际价格ActualPrice、最大尺寸MaxSize和第一参数至第五参数,拟合出针对类别Speciesi的矿物的价格估算函数,在所述价格估算函数中价格为最大尺寸MaxSize和第一参数至第五参数的函数。
24.一种评估矿物价格的计算机***,包括:
一个或多个处理器;以及
一个或多个存储器,所述一个或多个存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据,
其中,当所述一系列计算机可执行的指令被所述一个或多个处理器执行时,使得所述计算机***进行如1-23中任一项所述的方法。
25.一种非临时性计算机可读存储介质,其特征在于,所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令,当所述一系列计算机可执行的指令被一个或多个计算机***执行时,使得所述一个或多个计算机***进行如1-23中任一项所述的方法。
本领域技术人员应当意识到,在上述操作之间的边界仅仅是说明性的。多个操作可以结合成单个操作,单个操作可以分布于附加的操作中,并且操作可以在时间上至少部分重叠地执行。而且,另选的实施例可以包括特定操作的多个实例,并且在其他各种实施例中可以改变操作顺序。但是,其它的修改、变化和替换同样是可能的。因此,本说明书和附图应当被看作是说明性的,而非限制性的。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。在此公开的各实施例可以任意组合,而不脱离本公开的精神和范围。本领域的技术人员还应理解,可以对实施例进行多种修改而不脱离本公开的范围和精神。本公开的范围由所附权利要求来限定。
Claims (10)
1.一种评估矿物价格的方法,包括:
根据所评估的矿物的影像,使用基于神经网络训练的第一推测模型,识别所评估的矿物的质量因素;
获取所评估的矿物的最大尺寸MaxSize,并获取与所评估的矿物对应的除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize;以及
根据所述质量因素、最大尺寸MaxSize以及除却质量因素影响的单位尺寸平均估价AverageEvaluatePriceperSize,计算所评估的矿物的评估价格EvaluatePrice。
2.根据权利要求1所述的方法,其中,所述质量因素与第一参数至第五参数相关联,其中,
所述第一参数Matrix指示所评估的矿物是否包括底岩;
所述第二参数MaxCrystalRatio指示所评估的矿物的最大晶体尺寸与所评估的矿物的最大尺寸之比;
所述第三参数HighSatuation指示所评估的矿物的颜色饱和度;
所述第四参数Contract指示所评估的矿物的晶体的颜色和底岩的颜色的色彩对比度;以及
所述第五参数EvenComplete指示所评估的矿物的晶体的均匀完整度。
3.根据权利要求2所述的方法,其中,识别所评估的矿物的质量因素包括:
使用所述第一推测模型,识别所评估的矿物的第一参数至第五参数;以及
根据识别出的第一参数至第五参数,确定所述质量因素。
4.根据权利要求3所述的方法,其中,所述第一推测模型通过如下方法得到:
建立训练样本集,所述样本集包括多个样本,每个样本包括矿物的影像和标注的与该影像中的矿物对应的第一参数Matrix、第二参数MaxCrystalRatio、第三参数HighSatuation、第四参数Contract和第五参数EvenComplete;以及
使用所述训练样本集对神经网络进行训练,以得到所述第一推测模型。
5.根据权利要求2所述的方法,其中,
所述第一参数Matrix具有0或1的取值,分别指示所评估的矿物不包括底岩或包括底岩;
所述第二参数MaxCrystalRatio具有-1、0或1的取值,分别指示所评估的矿物的最大晶体尺寸与所评估的矿物的最大尺寸之比小于1/9、在1/9和1/3之间或大于1/3;
所述第三参数HighSatuation具有-1、0或1的取值,分别指示所评估的矿物的颜色饱和度的等级为差、中或好;
所述第四参数Contract具有-1、0或1的取值,分别指示所评估的矿物的晶体的颜色和底岩的颜色的色彩对比度的等级为差、中或好;以及
所述第五参数EvenComplete具有-1、0或1的取值,分别指示所评估的矿物的晶体的均匀完整度的等级为差、中或好。
6.根据权利要求5所述的方法,其中,
识别所评估的矿物的质量因素包括通过如下公式计算所评估的矿物的质量因素指数QualityIndex:
QualityIndex=2(Matrix+MaxCrystalRatio/2+HighSatuation/2+Contract/2+EvenComplete);以及
根据如下公式计算所评估的矿物的评估价格EvaluatePrice:
EvaluatePrice=AverageEvaluatePriceperSize*MaxSize*QualityIndex。
7.根据权利要求1所述的方法,其中,获取所评估的矿物的最大尺寸MaxSize包括:
根据所述影像,使用基于神经网络训练的第二推测模型,识别所述影像中的矿物的最大尺寸,从而得到所评估的矿物的最大尺寸MaxSize。
8.一种评估矿物价格的方法,包括:
根据所评估的矿物的影像,使用基于神经网络训练的推测模型,识别所评估的矿物的质量因素;
获取所评估的矿物的最大尺寸MaxSize,并获取与所评估的矿物对应的价格估算函数;以及
根据所述质量因素、最大尺寸MaxSize以及价格估算函数,计算所评估的矿物的评估价格EvaluatePrice。
9.一种评估矿物价格的计算机***,包括:
一个或多个处理器;以及
一个或多个存储器,所述一个或多个存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据,
其中,当所述一系列计算机可执行的指令被所述一个或多个处理器执行时,使得所述计算机***进行如权利要求1-8中任一项所述的方法。
10.一种非临时性计算机可读存储介质,其特征在于,所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令,当所述一系列计算机可执行的指令被一个或多个计算机***执行时,使得所述一个或多个计算机***进行如权利要求1-8中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110777039.4A CN113435942A (zh) | 2021-07-09 | 2021-07-09 | 评估矿物价格的方法和计算机*** |
PCT/CN2022/099548 WO2023279944A1 (zh) | 2021-07-09 | 2022-06-17 | 评估矿物价格的方法和计算机*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110777039.4A CN113435942A (zh) | 2021-07-09 | 2021-07-09 | 评估矿物价格的方法和计算机*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113435942A true CN113435942A (zh) | 2021-09-24 |
Family
ID=77759738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110777039.4A Pending CN113435942A (zh) | 2021-07-09 | 2021-07-09 | 评估矿物价格的方法和计算机*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113435942A (zh) |
WO (1) | WO2023279944A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023279944A1 (zh) * | 2021-07-09 | 2023-01-12 | 杭州睿胜软件有限公司 | 评估矿物价格的方法和计算机*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101578618A (zh) * | 2006-10-11 | 2009-11-11 | 玫瑰蓝公司 | 钻石评估方法、装置及计算机可读介质产品 |
CN107292660A (zh) * | 2017-05-22 | 2017-10-24 | 北京速信科技有限公司 | 一种基于大数据的珠宝艺术品价值评估方法及*** |
CN108734520A (zh) * | 2018-05-24 | 2018-11-02 | 哈工大机器人(合肥)国际创新研究院 | 一种基于机器学习的玉石价格评估方法及装置 |
CN112116398A (zh) * | 2020-09-27 | 2020-12-22 | 广州华多网络科技有限公司 | 一种宝石估价方法及相关设备 |
CN112365441A (zh) * | 2020-10-12 | 2021-02-12 | 深圳市对庄科技有限公司 | 一种用于翡翠评估的信息处理方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10672088B2 (en) * | 2012-06-19 | 2020-06-02 | Fannie Mae | Automated valuation model with comparative value history information |
CN110852795A (zh) * | 2019-10-30 | 2020-02-28 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种基于计算机视觉的手机估价***及其估价方法 |
CN113435942A (zh) * | 2021-07-09 | 2021-09-24 | 杭州睿胜软件有限公司 | 评估矿物价格的方法和计算机*** |
-
2021
- 2021-07-09 CN CN202110777039.4A patent/CN113435942A/zh active Pending
-
2022
- 2022-06-17 WO PCT/CN2022/099548 patent/WO2023279944A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101578618A (zh) * | 2006-10-11 | 2009-11-11 | 玫瑰蓝公司 | 钻石评估方法、装置及计算机可读介质产品 |
CN107292660A (zh) * | 2017-05-22 | 2017-10-24 | 北京速信科技有限公司 | 一种基于大数据的珠宝艺术品价值评估方法及*** |
CN108734520A (zh) * | 2018-05-24 | 2018-11-02 | 哈工大机器人(合肥)国际创新研究院 | 一种基于机器学习的玉石价格评估方法及装置 |
CN112116398A (zh) * | 2020-09-27 | 2020-12-22 | 广州华多网络科技有限公司 | 一种宝石估价方法及相关设备 |
CN112365441A (zh) * | 2020-10-12 | 2021-02-12 | 深圳市对庄科技有限公司 | 一种用于翡翠评估的信息处理方法及装置 |
Non-Patent Citations (1)
Title |
---|
杨迪威,蔡逸涛,李成凯,张洁: "神经网络在翡翠评估中的应用", 《宝石和宝石学杂志》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023279944A1 (zh) * | 2021-07-09 | 2023-01-12 | 杭州睿胜软件有限公司 | 评估矿物价格的方法和计算机*** |
Also Published As
Publication number | Publication date |
---|---|
WO2023279944A1 (zh) | 2023-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6397144B2 (ja) | 画像からの事業発見 | |
CN111681273B (zh) | 图像分割方法、装置、电子设备及可读存储介质 | |
WO2021073332A1 (zh) | 用于辅助数学应用题的方法及装置 | |
US9569498B2 (en) | Using image features to extract viewports from images | |
CN104715023A (zh) | 基于视频内容的商品推荐方法和*** | |
JP5214760B2 (ja) | 学習装置、方法及びプログラム | |
US20220254134A1 (en) | Region recognition method, apparatus and device, and readable storage medium | |
US20210073890A1 (en) | Catalog-based image recommendations | |
US11853368B2 (en) | Method and system for identifying and displaying an object | |
US20230162466A1 (en) | Method and computer system for displaying identification result | |
CN111639970A (zh) | 基于图像识别的物品价格确定方法及相关设备 | |
CN112036295A (zh) | 票据图像处理方法、装置、存储介质及电子设备 | |
CN112784925A (zh) | 用于对象识别的方法、计算机***及电子设备 | |
CN115115825B (zh) | 图像中的对象检测方法、装置、计算机设备和存储介质 | |
Ferreira et al. | An inception-based data-driven ensemble approach to camera model identification | |
CN113435942A (zh) | 评估矿物价格的方法和计算机*** | |
CN113569070A (zh) | 图像检测方法和装置、电子设备、存储介质 | |
CN110188277B (zh) | 一种资源的推荐方法及装置 | |
CN113705310A (zh) | 特征学习的方法、目标物体的识别方法和对应装置 | |
CN112035605A (zh) | 题目推荐方法、装置、设备及存储介质 | |
CN110796651A (zh) | 图像质量的预测方法及装置、电子设备、存储介质 | |
CN114443898B (zh) | 一种面向互联网智慧教育的视频大数据推送方法 | |
CN111046786A (zh) | 年龄估计神经网络的生成方法、装置以及电子设备 | |
CN113111734B (zh) | 一种水印分类模型训练方法及装置 | |
CN114511715A (zh) | 一种驾驶场景数据挖掘方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210924 |
|
RJ01 | Rejection of invention patent application after publication |