一种基于动物识别的金融保险方法及系统与流程

本发明涉及金融保险及动物识别技术领域，具体涉及一种基于基于动物识别的金融保险方法及系统。

背景技术：

随着经济发展的需求以及国家对于农业发展的要求，金融行业对于农业的促进作用越来越重要，尤其是在在家畜保险方面已经开发出了大量的金融产品来帮助养殖户等，这些金融产品尤其是家畜的相关的保险对于农业的发展和农民的增收尤其重要。而这些金融产品尤其是保险要求对于相关的动物比如猪的一生进行唯一性的标示，如何合理的利用科技手段来对于相关家畜进行识别成为非常重要的话题。在实际的业务中，经常出现保户养殖有500头猪，对其中特定的100头进行了投保，在养殖过程中，如果其它的400头未投保的猪出现了问题，养殖户/保户经常拿已经投保的100头猪的合同来要求保险公司进行赔付，保险公司无法对已投保的100头猪与未投保的400猪进行区别，从而无法规避相关的风险，造成经济损失。

传统的对家畜的进行唯一性识别一般采用如下方法：一、在动物身上植入相关的标识，如rfid标签等；二、对动物进行人工识别；三、依靠互保等来规避相关的风险。这些方式有以下的缺点：一、如果采用在动物身上植入相关的标示，一方面养殖户不大容易接受，另外，成本非常高，同时，相关的植入有可能造成动物的病的发生，引起相应的风险；二、植入的标识或者标签随着动物的活动，有可能在皮肤或者肌肉层进行移动，造成后期获取、识别这些标识难；三、动物/家畜在活动的过程中，有可能造成相关的标识损失或者丢失，从而失去标识的作用；四、对于动物的人工识别等有经验与道德层面的风险；五、互保并不能解决家畜或者动物识别的问题，从而无法降低相关的成本。因此上述方式都无法做到快速，有效，低成本，准确的对相关动物进行识别，从而降低相关的识别成本。

技术实现要素：

本发明的目的是实现快速，有效，低成本且准确的对相关动物进行识别，并降低动物识别的成本。

为了实现上述目的，本发明提供了一种基于动物识别的金融保险方法，包括如下步骤：

签订投保协议，采集并获取投保牲畜图像；

构建神经网络模型，利用投保牲畜图像集对神经网络模型进行训练，得到图像特征识别模型；

接收待识别牲畜的图像，并输入至图像特征识别模型，通过计算待识别牲畜与投保牲畜的相似度以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔。

进一步，所述构建神经网络模型，利用投保牲畜图像集对神经网络模型进行训练，得到图像特征识别模型之前包括

对投保牲畜图像进行预处理。

进一步，所述对投保牲畜图像进行预处理包括

获取每个牲畜的图像集，图像集至少包括一种图片；

对各个图像集进行标记。

进一步，所述接收待识别牲畜的图像，并输入至图像特征识别模型以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔包括

判断待识别牲畜的图像的数量是否不为1；

如果识别牲畜的图像的数量不为1，则判断待识别牲畜是否为投保牲畜及每个待识别牲畜的图像对应的牲畜是否为同一个。

进一步，所述接收待识别牲畜的图像，并输入至图像特征识别模型以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔还包括

如果识别牲畜的图像的数量为1，则判断待识别牲畜是否为投保牲畜。

进一步，所述接收待识别牲畜的图像，并输入至图像特征识别模型以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔还包括

根据投保协议获取牲畜养殖户联系方式；

实时采集畜牧服务中心服务器的牲畜疫情信息和/或养殖指导信息，将牲畜疫情信息和/或养殖指导信息发送至联系方式对应的牲畜养殖户。

本发明还提供了一种基于动物识别的金融保险系统，包括

图像采集模块，用于签订投保协议，采集并获取投保牲畜图像；

识别模型模块，用于构建神经网络模型，利用投保牲畜图像集对神经网络模型进行训练，得到图像特征识别模型；

理赔判断模块，用于接收待识别牲畜的图像，并输入至图像特征识别模型，通过计算待识别牲畜与投保牲畜的相似度以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔。

进一步，所述识别模型模块包括

预处理子模块，对投保牲畜图像进行预处理；

其中，预处理子模块包括

提取单元，用于获取每个牲畜的图像集，图像集至少包括一种图片；

标识单元，用于对各个图像集进行标记。

进一步，所述理赔判断模块包括

数量判断单元，用于判断待识别牲畜的图像的数量是否不为1；

牲畜识别单元，用于如果识别牲畜的图像的数量不为1，则判断待识别牲畜是否为投保牲畜及每个待识别牲畜的图像对应的牲畜是否为同一

个；或如果识别牲畜的图像的数量为1，则判断待识别牲畜是否为投保牲畜。

进一步，所述理赔判断模块包括

联系信息提取单元，用于根据投保协议获取牲畜养殖户联系方式；

养殖信息推送单元，用于实时采集畜牧服务中心服务器的牲畜疫情信息和/或养殖指导信息，将牲畜疫情信息和/或养殖指导信息发送至联系方式对应的牲畜养殖户。

在上述技术方案中，本发明通过利用神经网络模型实现对投保牲畜图像的处理，以便计算待识别牲畜与投保牲畜的相似度，降低了牲畜识别了难度，促进了金融尤其是保险在养殖领域的发展，从而提高农民尤其是养殖户的收入与利润。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明所述的基于基于动物识别的金融保险方法一个实施例的流程示意图；

图2为本发明所述的基于动物识别的金融保险方法另一个实施例中s102的流程示意图；

图3为本发明所述的基于动物识别的金融保险方法中s103的流程示意图；

图4为本发明所述的基于动物识别的金融保险方法中又一个实施例中s103的流程示意图；

图5为本发明所述的基于动物识别的金融保险系统的框图结构示意图。

具体实施方式

为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。

如图1所示，本发明提供了一种基于深度学习算法的动物识别方法，包括如下步骤：

s101、签订投保协议，采集并获取投保牲畜图像；

具体地，投保协议可以线下签订，也可线上签订。签订完成后可利用如手机、摄像头、pad等具备摄像头的图像采集设备拍摄获取牲畜图像。本发明的目的在在于对牲畜养殖业内的动物进行识别，以便对牲畜进行金融保险，降低牲畜金融保险业风险。具体地，用户投保协议还可选的通过在线方式进行签订，如利用pc机，在电脑客户端完成在线投保协议的签订；还可选通过在移动设备(如手机)上下载app，通过app完成在线投保协议签订。

s102、构建神经网络模型，利用投保牲畜图像集对神经网络模型进行训练，得到图像特征识别模型；

本发明所指的神经网络简称为神经网络(nns)或称作连接模型(connectionmodel)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。一个计算模型，要划分为神经网络，通常需要大量彼此连接的节点(也称‘神经元’)，并且具备两个特性：每个神经元，通过某种特定的输出函数(也叫激励函数activationfunction)，计算处理来自其它相邻神经元的加权输入值；神经元之间的信息传递的强度，用所谓加权值来定义，算法会不断自我学习，调整这个加权值。在此基础上，神经网络的计算模型，依靠大量的数据来训练。因此本发明构建神经网络靠后，以动物图像对构建的神经网络进行训练，提高神经网络的精确度。

具体的，神经网络模块包括但不限于vgg、facenet等。将动物图像输入到神经网络模型中，利用神经网络模型对图像集进行训练，校验等，从而更新神经模型中的相关的参数与算法分支，形成针对这类动物的新的特征的图像识别模型(可选的包括如猪脸识别模型、猪鼻子等局部特征识别模型，也可选的包括猪身整体识别模型)。具体的，本实施例中，神经网络模型包括输入层、卷积层、批规范化层、非线性层、池化层、全连接层和softmax损耗层等。其中，数据输入层，用于接收动物图像，对动物图像进行预处理；卷积层，用于提取对预处理后的动物图像的图像特征；批规范化层，用于对图像特征进行规划化处理；非线性层，用于图像特征或规范化处理的图像特征进行非线性变换；池化层，用于将图像特征与动物图像进行映射操作；全连接层，用于对图像特征进行线性变换；softmax损耗层，用于计算预测类别和标签类别的误差。

具体地，构建神经网络模型，利用投保牲畜图像集对神经网络模型进行训练过程可选的首先将动物图像数据集设置为训练样本集和矫正样本集；其次，将训练样本集依次通过神经网络各层神经元，得到初步图像特征识别模型；最后将矫正样本集输入到初步图像特征识别模型进行参数矫正，得到图像特征识别模型。

s103、接收待识别牲畜的图像，并输入至图像特征识别模型，通过计算待识别牲畜与投保牲畜的相似度以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔。

本发明在目的在于将金融保险应用到牲畜养殖业，从而促进牲畜养殖业的发展，发展牲畜行业，对农民的增收做出贡献。牲畜投保过程中最难的在于对识别患病或者死去牲畜是否是投保的，因此，为了解决这个分问题，本发明利用人工智能中的深度学习算法，依靠神经网络模型，利用采集的投保牲畜图像(牲畜头部或者其它局部的图像)对神经网络模型进行训练，从而完成相关的特征提炼，得到图像特征识别模型，该图像特别识别模型中包括牲畜图像与对应的计算方法的关系，因此利用图像特征识别模型对待识别牲畜图像进行识别，能够完成对该待识别牲畜图像的特征提取，从而计算与每个投保牲畜图像的相似度，从而判定待识别牲畜图像是否为同一牲畜个体或是否为投保牲畜(具体根据相似度与预设阈值的比较完成判断，当相似度不小于阈值则判断为投保牲畜，否则不是投保牲畜)，从而判断是否进行理赔流程，降低牲畜投保行业的门槛。与传统的技术相比较，本发明不需要在动物活体身上植入任何的标示，可以降低动物活体受伤的风险；拍照或者录像对于使用者来讲非常容易，从而可以加快相关业务的进行，降低业务的成本。

进一步，所述构建神经网络模型，利用投保牲畜图像集对神经网络模型进行训练，得到图像特征识别模型之前包括对投保牲畜图像进行预处理。其中，如图2所示，所述对投保牲畜图像进行预处理包括

s201、获取每个牲畜的图像集并检测动物图像特征框，图像集至少包括一种图片；每个牲畜的图片数量越多，对该牲畜特征的提取越准确。

通过采集牲畜图像对每个牲畜的图像进行标记，以便进行区别，为后期启动理赔流程做准备，防止因他人恶意导致的理赔。具体实施时，可选的利用集合的方式实现对每个投保牲畜图像的处理及标记，如s1(p1、p2...pn)，其中n为不小于1的自然数。

具体实施时，本发明中牲畜图像框可选的采用facedetectionlistener进行动物图像特征检测，并将检测到的动物图像特征(如猪脸、猪鼻子等局部部位，或猪身整体)用矩形框绘制出来。本发明可选的利用playcamerav1.0.0，在camera的open和preview进行处理得到。

具体地，检测动物图像特征框之间可对动物图像进行如下预处理：

1、灰度化后，二值化，hough变换，检测最长的直线；

2、计算斜率和角度，然后校正；

x1＝xy_long(:,1)；

y1＝xy_long(:,2)；

％求得线段的斜率

k1＝-(y1(2)-y1(1))/(x1(2)-x1(1))；

angle＝atan(k1)*180/pi；

i1＝imrotate(i,-90-angle,'bilinear')。

s202、对各个图像集中动物图像特征框进行标记。

由于每个动物图像框的大小可能不同，具体实施时，为了便于管理首先将各个牲畜特征区域范围的图像进行归一处理，可选的将所有的牲畜特征区域归一化为统一的分辨率，如50*50。

进一步，本实施例中，如图3所示s103包括

s1031、判断待识别牲畜的图像的数量是否不为1，如果识别牲畜的图像的数量为1，则执行s1033,否则执行s1032。

s1032、判断待识别牲畜是否为投保牲畜；

具体实施时，可通过计算待识别牲畜与投保牲畜的相似度，将相似度与阈值进行比较，若相似度不小于阈值，则确定待识别牲畜为投保牲畜，否则不是。如待识别牲畜为a，计算得到a与投保牲畜中s1的相似度为50％，与s2的相似度为80％，与s3的相似度为98％，假设阈值为90％,则a判断a为s3，属于投保牲畜。

s1033、判断待识别牲畜是否为投保牲畜及每个待识别牲畜的图像对应的牲畜是否为同一个。

进一步，如图4所示，s103还包括

s301、根据投保协议获取牲畜养殖户联系方式；由于投保协议可选的为手动填写，也可选通过在线填写，因此，当投保协议为手动填写时，可利用图像识别算法提取投保协议图片中投保人联系方式；当投保协议是在线填写时，系统直接获取读取联系方式一栏即可得到。

s302、实时采集畜牧服务中心服务器的牲畜疫情信息和/或养殖指导信息，将牲畜疫情信息和/或养殖指导信息发送至联系方式对应的牲畜养殖户。

本发明的目的在于将金融保险应用到畜牧业从而带动其发展，进而为农民的增收做出贡献。因此可选养殖十分重要，同时为了降低金融保险公司的风险，本发明采集畜牧服务中心服务器的牲畜疫情牲畜疫情信息和/或养殖指导信息并发送至养殖户，实现科学指导养殖户养殖，提高养殖效率，从而既降低养殖户的养殖风险，有降低了金融保险公司的保险投资风险。

如图5所示，本发明还提供了一种基于基于动物识别的金融投保系统，包括图像采集模块10、识别模型模块20和理赔判断模块30。

具体实施时，所述基于基于动物识别的金融投保系统可应用在移动设备(如手机、pad、pc机等)的客户端，用户通过下载该客户端app或者访问该客户端接口即可完成投保牲畜图像处理以及待识别牲畜图像的识

别，从而完成理赔。

其中，

图像采集模块10，用于签订投保协议后，采集并获取投保牲畜图像；具体地，图像采集模块可选的利用预留接口实现访问移动设备摄像头，从而完成投保牲畜图像的采集目的，或者利用专业的相机进行采集。

识别模型模块20，用于构建神经网络模型，利用投保牲畜图像集对神经网络模型进行训练，得到图像特征识别模型；

理赔判断模块30，用于接收待识别牲畜的图像，并输入至图像特征识别模型，通过计算待识别牲畜与投保牲畜的相似度以便判断待识别牲畜是否为投保牲畜，是则根据投保协议进行理赔。

进一步，所述识别模型模块包括

预处理子模块，对投保牲畜图像进行预处理；

其中，预处理子模块包括

提取单元，用于获取每个牲畜的图像集，图像集至少包括一种图片；

标识单元，用于对各个图像集进行标记。

进一步，所述理赔判断模块包括

数量判断单元，用于判断待识别牲畜的图像的数量是否不为1；

牲畜识别单元，用于如果识别牲畜的图像的数量不为1，则判断待识别牲畜是否为投保牲畜及每个待识别牲畜的图像对应的牲畜是否为同一个；或如果识别牲畜的图像的数量为1，则判断待识别牲畜是否为投保牲畜。

进一步，所述理赔判断模块包括

联系信息提取单元，用于根据投保协议获取牲畜养殖户联系方式；

养殖信息推送单元，用于采集预设范围的牲畜养殖信息和/或养殖指导信息，将牲畜养殖信息和/或养殖指导信息发送至联系方式对应的牲畜养殖户。

具体实施时，本发明所述的基于深度学习算法的动物识别系统可选的应用到金融保险领域。如，某养殖户饲养500头猪，向保险公司投保100头猪，保险公司只需要要求养殖户对这100头猪进行摄像，拍照等，在后台利用原有的训练好的猪的猪脸的模型，对这100头猪的新的图像进行学习，完成相关的这100头猪的特征的提取，并存储在模型中。当养殖户报告投保的100头猪中有其中的1头猪生病或者死亡，养殖户只需要对该猪进行录像或拍照，并上传给保险公司，由系统根据该图像的特征(通过人工智能的算法)来判断养殖提供的这头猪是否是之前投保的那100头猪中间的一头，从而决定是否进行赔付即可。

以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。