图片品质的检测方法及装置与流程

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系统中，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，则该理赔系统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，则理赔系统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。

技术实现要素：

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系统的工作效率，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系统的工作效率，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。