[發明專利]一種用于翡翠評估的信息處理方法及裝置

有效

• 申請號: 202011084264.1
• 申請日: 2020-10-12
• 公開（公告）號: CN112365441B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 王秀輝
• 申請（專利權）人: 深圳市對莊科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06Q30/02;G06N3/08;G01N21/87
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 譚穗平

1.一種用于翡翠評估的信息處理方法，其特征在于，包括：

響應于獲取到用戶端發送的包含待評估翡翠的圖片，對所述包含待評估翡翠的圖片進行圖片質量評估，得到圖片質量評估結果；

基于所述圖片質量評估結果指示評估合格，利用預設的級別評估模型，對所述圖片中待評估翡翠進行評估，以得到所述待評估翡翠的級別信息，其中，所述級別評估模型為用于識別圖片中待評估翡翠級別的深度學習神經網絡模型；

在所述基于所述圖片質量評估結果指示評估合格，利用預設的級別評估模型對所述圖片中待評估翡翠進行評估，以得到所述待評估翡翠的級別信息之后，所述方法還包括：

基于預設的匹配方式，在存儲圖像的數據庫中確定與所述圖片中待評估翡翠的圖像相匹配的翡翠圖像，并將與所述圖片中待評估翡翠的圖像相匹配的翡翠圖像確定為相似翡翠圖像；

匹配的過程包括：預先通過卷積神經網絡提取待評估翡翠圖像的特征向量，而后基于EMD計算特征向量的距離，基于該距離，確定與待評估翡翠圖像相匹配的相似匹配圖像；所述特征向量是特征點或者紋理結構的特征向量；存儲圖像的數據庫包括數據同步模塊、HDFS文件存儲、HBSE面向列存儲，業務內容存儲包括評估序列號、圖片ID、用戶ID、圖片提交時間、圖片物品類型、品類、是否過曝光、暗度值、是否被修改、是否飽和失真、是否被強光直射、種識別結果、水識別結果、滿色識別結果、均勻度識別結果、明暗度識別結果、飄花識別結果、飽和度結果、小于相似度閾值的圖片ID、預測值、預測值下限、預測值上限；并將特征向量的距離小于預設值時的特征向量所對應的翡翠圖像確定為相似翡翠圖像；

基于所述圖片中待評估翡翠的圖像與所述相似翡翠圖像的匹配度的大小，確定對所述圖片中待評估翡翠的估值策略；

基于所述估值策略，確定所述圖片中待評估翡翠的價格；

所述基于所述圖片中待評估翡翠的圖像與所述相似翡翠 圖像的匹配度的大小，確定對所述圖片中待評估翡翠的圖像所對應的待評估翡翠的估值策略，包括：

如果所述圖片中待評估翡翠的圖像與所述相似翡翠 圖像的匹配度的大小在第一預設范圍內，則將相似翡翠圖像中相似翡翠對應的價格確定為所述圖片中待評估翡翠的價格；

所述基于所述圖片中待評估翡翠的圖像與所述相似翡翠 圖像的匹配度的大小，確定對所述圖片中待評估翡翠的圖像所對應的待評估翡翠的估值策略，包括：

如果所述圖片中待評估翡翠的圖像與所述相似翡翠 圖像的匹配度的大小在預設的第二預設范圍內，將所述待評估翡翠的級別信息、相似翡翠圖像中相似翡翠對應的價格以及所述待評估翡翠的尺寸信息輸入至預建立的擬合預測模型中，以得到所述待評估翡翠的預估價格；尺寸信息基于待評估翡翠的品類確定；在本過程中，如果匹配度的大小在預設的第二預設范圍內則確定的相似翡翠圖片為多個，相似翡翠圖片對應的翡翠，其所關聯的價格也為多個；

基于所述預建立的擬合預測模型在計算過程中得到的置信區間、擬合優度系數和所述得到的待評估翡翠的預估價格，利用預設的計算策略，計算得到所述待評估翡翠的預估價格區間；

所述利用預設的計算策略，計算得到所述待評估翡翠的預估價格區間，包括：根據模型擬合過程中的擬合優度系數判定該預估價格是否可作為預估待評估翡翠的預估價格區間的參數，如果可以，則根據擬合預測模型過程中確定的置信區間確定待評估翡翠的預估價格區間，若擬合優度系數R0.6，預估價格區間下限＝預估價格*0.7，預估價格區間上限＝預估價格*1.3；

所述響應于獲取到用戶端發送的包含待評估翡翠的圖片，對所述包含待評估翡翠的圖片進行圖片質量評估，得到圖片質量評估結果，包括：

利用預設的圖像識別算法，對所述圖片中待評估翡翠的圖像進行識別，得到所述圖片中待評估翡翠的第一特征信息的識別結果；第一特征信息包括圖片中待評估翡翠的屬性信息，所述屬性信息是指待評估翡翠是否為規定的翡翠；第一特征信息還包括圖片中待評估翡翠的品類信息，所述品類信息包括蛋面翡翠、無事牌翡翠、平安扣翡翠、觀音翡翠、四季豆翡翠、葉子翡翠、手鐲翡翠、佛翡翠或如意翡翠；

利用預設的圖像質量判斷策略，對所述圖片中待評估翡翠的圖像進行判斷，得到待評估翡翠的圖像質量的判斷結果；所述對所述圖片中待評估翡翠的圖像進行判斷，包括：對圖片中待評估翡翠的圖像的曝光程度進行識別、對圖片中待評估翡翠的圖像是否被修改進行判斷、對圖片的飽和失真進行識別和對圖片中待評估翡翠圖像是否被強光折射進行判斷；

其中，對圖片中待評估翡翠的圖像的曝光程度進行識別，包括：通過計算圖片中待評估翡翠的圖像在灰度圖上的均差和方差，評估圖片中待評估翡翠的圖像是否存在過曝光和曝光不足，進而得到的待評估翡翠的圖像質量的判斷結果為圖像存在曝光過度或曝光不足；

對圖片中待評估翡翠的圖像是否被修改進行判斷，包括：通過CNN算法判斷圖片中待評估翡翠的圖像是否被修改，進而得到的待評估翡翠的圖像質量的判斷結果為待評估翡翠圖像被修改或未被修改；

對圖片的飽和失真進行識別，包括：通過灰度圖像值判斷待評估翡翠圖像是否飽和；

對圖片中待評估翡翠圖像是否被強光折射進行判斷，包括：基于深度學習識別圖片中待評估翡翠圖像是否被強光直射；

如果識別得到的所述圖片中待評估翡翠的第一特征信息與預設的翡翠特征信息相符，且所述待評估翡翠的圖像質量的判斷結果滿足預設的標準，則將評估結果確定為評估合格；

如果識別得到的所述圖片中待評估翡翠的第一特征信息與預設的翡翠特征信息不相符，或所述待評估翡翠的圖像質量的判斷結果不滿足預設的標準，則將評估結果確定為評估不合格；

所述基于所述圖片質量評估結果指示評估合格，利用預設的級別評估模型，對所述圖片中待評估翡翠進行評估，以得到所述待評估翡翠的級別信息，包括：

對所述圖片進行預處理，得到僅包含待評估翡翠的圖像；對圖片進行預處理包括對圖片中的待評估翡翠進行進一步的識別，以識別翡翠的屬性信息是否是翡翠，以識別翡翠的品類信息是否確為9種品類中的任一種，如果確認無誤后，則對圖片進行圖像分割，所述圖像分割包括：基于deeplabv3算法從圖片中提取待評估翡翠圖像，并去除背景內容，在提取待評估翡翠的圖像后，去除待評估翡翠圖像的高度反光部分的內容，得到處理后的待評估翡翠的圖像；

利用預設的用于識別圖片中待評估翡翠級別的深度學習神經網絡模型，對所述圖片中待評估翡翠的第二特征信息進行識別，以得到待評估翡翠的第二特征信息的識別結果；

第二特征信息為待評估翡翠的水、種、均勻度、滿色、明暗度、飄花和飽和度信息；待評估翡翠的級別包括：水級別、種級別、均勻度級別、滿色、明暗度、飄花和飽和度；

利用預設的用于識別圖片中待評估翡翠級別的深度學習神經網絡模型，對所述圖片中待評估翡翠的第二特征信息進行識別，以得到待評估翡翠的第二特征信息的識別結果，包括：

調用水級別的分類模型對待評估翡翠的水特征信息進行識別，以得到待評估翡翠的水級別；調用種級別的分類模型對待評估翡翠的種特征信息進行識別，以得到待評估翡翠的種級別；調用均勻度分類模型，判斷待評估翡翠所屬均勻度；調用滿色識別模型，判斷待評估翡翠的滿色信息，以得到待評估翡翠是否為滿色；調用明暗度識別模型，以判斷待評估翡翠所屬的明暗級別；調用飄花識別模型，以判斷待評估翡翠是否有飄花；利用飽和度識別模型，以判斷待評估翡翠所屬的飽和度級別；上述各個特征信息的識別均利用深度學習神經網絡模型實現，對深度學習神經網絡模型的訓練其輸入是各個特征信息，輸出各個特征信息的識別結果，從而可以得到識別圖片中待評估翡翠級別的深度學習神經網絡模型。