定损理赔方法、装置、设备及存储介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种定损理赔方法、装置、设备及存储介质。


背景技术：

2.在目前的人伤定损的方案中，由于人伤定损需要分析大量数据，导致人伤定损的过程复杂，使得人伤定损的准确性不佳。因此，如何提高人伤定损的准确性成了亟需解决的问题。


技术实现要素：

3.鉴于以上内容，有必要提供一种定损理赔方法、装置、设备及存储介质，能够解决如何提高人伤定损的准确性的技术问题。
4.一方面，本技术提出一种定损理赔方法，所述定损理赔方法包括：
5.获取定损对象的初始标签以及所述初始标签对应的初始标签信息及理赔表单图像，并使用预先训练的文字辨识模型对所述理赔表单图像进行识别，得到所述理赔表单图像的关键字标签及文本关键字，基于所述关键字标签及所述文本关键字在所述理赔表单图像中对应的标签位置及文本位置生成所述关键字标签对应的关键字标签信息，将所述初始标签、所述初始标签信息、所述关键字标签和所述关键字标签信息分别输入至预设的通用系数模型和预设的特征系数模型中计算出预设定损项的通用系数和所述预设定损项的特征系数，基于所述特征系数对所述通用系数进行调整，得到所述预设定损项的目标系数，以及基于预设的定损标准库对所述目标系数进行修正，得到所述预设定损项的定损系数，根据多个所述预设定损项及每个预设定损项对应的定损系数计算出所述定损对象的理赔数据。
6.根据本技术可选实施例，所述预先训练的文字辨识模型包括循环序列生成网络及解码网络，所述使用预先训练的文字辨识模型对所述理赔表单图像进行识别，得到所述理赔表单图像的关键字标签及文本关键字，包括：
7.基于所述理赔表单图像中像素点的像素值定位出所述理赔表单图像中文本信息的位置，得到文字位置，基于所述文字位置对所述文本信息进行特征提取，得到特征序列，将所述特征序列输入到所述循环序列生成网络中，得到循环序列，基于所述解码网络对所述循环序列进行解码，得到每张定损图像的文字信息，将所述文字信息中的第一预设关键字确定为所述关键字标签，并将所述文字信息中的第二预设关键字确定为所述文本关键字。
8.根据本技术可选实施例，所述基于所述关键字标签及所述文本关键字在所述理赔表单图像中对应的标签位置及文本位置生成所述关键字标签对应的关键字标签信息包括：
9.根据所述标签位置及所述文本位置检测所述关键字标签对应的标签矩形区域与所述文本关键字对应的文本矩形区域是否相交，若所述标签矩形区域与所述文本矩形区域
相交，则计算所述标签矩形区域与每个相交的文本矩形区域的交集区域，计算所述交集区域在所述标签矩形区域上的第一面积比值，并计算所述交集区域在所述文本矩形区域上的第二面积比值，选取出所述第一面积比值及所述第二面积比值均大于预设阈值的文本矩形区域作为目标矩形区域，并基于所述目标矩形区域的数量以及所述目标矩形区域所对应的文本关键字生成所述关键字标签对应的关键字标签信息。
10.根据本技术可选实施例，所述基于所述目标矩形区域的数量以及所述目标矩形区域所对应的文本关键字生成所述关键字标签对应的关键字标签信息包括：
11.若所述目标矩形区域的数量为单个，则将所述目标矩形区域所对应的文本关键字确定为所述关键字标签对应的关键字标签信息，或者，若所述目标矩形区域的数量为多个，则对每个第一面积比值与对应的第二面积比值进行加权和运算，得到每个目标矩形区域的最终得分值，并选取最大的最终得分值的目标矩形区域所对应的文本关键字作为所述关键字标签对应的关键字标签信息。
12.根据本技术可选实施例，在将所述初始标签、所述初始标签信息、所述关键字标签和所述关键字标签信息输入至预设的特征系数模型之前，所述方法还包括：
13.获取预设的对抗神经网络，并获取所述定损对象所属的位置信息及与所述位置信息对应的训练数据，基于预设特征关键字从所述训练数据中选取预设特征数据，基于所述预设特征数据对所述预设的对抗神经网络进行训练，得到所述预设的特征系数模型。
14.根据本技术可选实施例，所述通用系数模型中包括多个预设通用伤残等级及与每个预设通用伤残等级对应的通用对应关系，所述通用系数包括通用伤残系数、通用基数及通用月数，所述将所述初始标签、所述初始标签信息、所述关键字标签和所述关键字标签信息输入至预设的通用系数模型中计算出预设定损项的通用系数包括：
15.基于预设的伤残关键字从所述初始标签及所述关键字标签中选取伤残标签，并将所述理赔表单图像中与所述伤残标签对应的数值作为所述定损对象的初始伤残等级，将所述通用系数模型中与所述初始伤残等级相同的预设通用伤残等级所对应的通用比例系数确定为所述通用伤残系数，并将所述通用系数模型中与该预设通用伤残等级所对应的通用对应关系确定为目标对应关系，从所述初始标签及所述关键字标签中识别出与所述目标对应关系中的通用基数标签所对应的初始基数标签以及与所述目标对应关系中的通用月数标签所对应的初始月数标签，基于所述初始基数标签的初始基数值及所述目标对应关系中的通用基数计算方式计算出所述通用基数，并基于所述初始月数标签的初始月数值及所述目标对应关系中的通用月数计算方式计算出所述通用月数。
16.根据本技术可选实施例，所述基于所述特征系数对所述通用系数进行调整，得到所述预设定损项的目标系数包括：
17.检测所述特征系数是否与每个通用系数对应，若所述特征系数与每个通用系数都不对应，将所述通用系数确定为所述目标系数，或者，若存在至少一个特征系数与所述通用系数对应，将所述通用系数替换为对应的特征系数，并将替换后的通用系数确定为所述目标系数。
18.另一方面，本发明还提出一种定损理赔装置，所述定损理赔装置包括：
19.获取单元，用于获取定损对象的初始标签以及所述初始标签对应的初始标签信息及理赔表单图像，并使用预先训练的文字辨识模型对所述理赔表单图像进行识别，得到所
述理赔表单图像的关键字标签及文本关键字；生成单元，用于基于所述关键字标签及所述文本关键字在所述理赔表单图像中对应的标签位置及文本位置生成所述关键字标签对应的关键字标签信息；输入单元，用于将所述初始标签、所述初始标签信息、所述关键字标签和所述关键字标签信息分别输入至预设的通用系数模型和预设的特征系数模型中计算出预设定损项的通用系数和所述预设定损项的特征系数；调整单元，用于基于所述特征系数对所述通用系数进行调整，得到所述预设定损项的目标系数，以及基于预设的定损标准库对所述目标系数进行修正，得到所述预设定损项的定损系数；计算单元，用于根据多个所述预设定损项及每个预设定损项对应的定损系数计算出所述定损对象的理赔数据。
20.另一方面，本技术还提出一种电子设备，所述电子设备包括：
21.存储器，存储计算机可读指令；及
22.处理器，执行所述存储器中存储的计算机可读指令以实现所述定损理赔方法。
23.另一方面，本技术还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述定损理赔方法。
24.由以上技术方案可以看出，本技术通过对所述理赔表单图像进行识别，能够全面获取到所述定损对象的信息，提取所述理赔表单图像信息中的文本关键字及数值关键字，能够去除冗余信息，基于标签位置及文本位置确定所述关键字标签对应的关键字标签信息，通过将关键字标签与关键字标签信息对应起来，有利于通过关键字标签及关键字标签信息的对应关系快速计算出通用系数及特征系数，基于所述特征系数对所述通用系数进行调整，得到所述预设定损项对应的目标系数，由于所述预设特征数据是比所述预设通用数据更加具体的信息，因此能够提高使用所述特征数据训练的特征系数模型的精确度，从而使得所述特征系数模型输出的特征系数更加准确，基于所述特征系数调整所述通用系数，能够提高所述目标系数的准确性，基于预设的定损标准库对所述目标系数进行修正，能够基于定损标准库输出的准确的定损结果对所述目标系数进行修正，能够确保所述理赔数据的准确性。
附图说明
25.图1是本技术定损理赔方法的较佳实施例的流程图。
26.图2是本技术定损理赔方法的较佳实施例的功能模块图。
27.图3是本技术实现定损理赔方法的较佳实施例的电子设备的结构示意图。
具体实施方式
28.为了使本技术的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本技术进行详细描述。
29.如图1所示，是本技术定损理赔方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
30.所述定损理赔方法可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificialintelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术
及应用系统。
31.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
32.所述定损理赔方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程门阵列(field－programmablegatearray，fpga)、数字信号处理器(digitalsignalprocessor，dsp)、嵌入式设备等。
33.所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personaldigitalassistant，pda)、游戏机、交互式网络电视(internetprotocoltelevision，iptv)、智能穿戴式设备等。
34.所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(cloudcomputing)的由大量主机或网络电子设备构成的云。
35.所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(virtualprivatenetwork，vpn)等。
36.101，获取定损对象的初始标签以及所述初始标签对应的初始标签信息及理赔表单图像，并使用预先训练的文字辨识模型对所述理赔表单图像进行识别，得到所述理赔表单图像的关键字标签及文本关键字。
37.在本技术的至少一个实施例中，所述初始标签是指所述定损对象的部分文字数据，所述初始标签信息是指所述初始标签对应的关键字信息，所述理赔表单图像是指包含所述定损对象进行理赔时所需要的信息的图像。例如：所述初始标签包括，但不限于：所述定损对象所在的统筹地区、所述定损对象的社保卡号码，当所述初始标签为所述定损对象所在的统筹地区时，所述初始标签对应的初始标签信息，例如，可以为上海，所述理赔表单图像中包含所述定损对象的既往伤残鉴定信息、劳动合同履行情况、户籍性质、性别及出生日期等等。
38.在本技术的至少一个实施例中，所述电子设备提供一个信息输入界面，用于供用户通过所述信息输入界面输入所述初始标签信息及导入所述理赔表单图像。所述信息输入界面包括输入标签、所述输入标签对应的输入按钮、所述输入标签对应的信息输入栏位、图像上传按钮及所述图像上传按钮对应的图像导入栏位，所述电子设备接收用户按压所述输入按钮产生的第一触发指令，并根据所述第一触发指令接收用户在所述初始标签对应的输入标签的信息输入栏位中所输入的初始标签信息，所述电子设备接收用户按压所述图像上传按钮产生的第二触发指令，并根据所述第二触发指令接收用户在所述图像导入栏位中所上传的理赔表单图像。
39.在本技术的至少一个实施例中，所述电子设备使用预先训练的文字辨识模型对所述理赔表单图像进行识别，得到所述理赔表单图像的关键字标签及文本关键字。
40.在本技术的至少一个实施例中，所述文字辨识模型是指对所述理赔表单图像中的
文字信息及数字信息进行识别的模型。
41.在本技术的至少一个实施例中，所述关键字标签包括第一关键字标签及第二关键字标签，所述文本关键字包括文字关键字及数值关键字，所述第一关键字标签是指所述文字关键字对应的标签，所述第二关键字标签是指所述数值关键字对应的标签，所述文字关键字是指所述第一关键字标签对应的定损对象的文字具体信息，所述数值关键字是指所述第二关键字标签对应的定损对象的数字具体信息。例如，当所述第一关键字标签为性别时，所述文字关键字为男性，当所述第二关键字标签为出生日期时，所述数值关键字为1987-12-28，当所述第二关键字标签为年龄时，所述数值关键字为35等等。
42.在本技术的至少一个实施例中，所述文字辨识模型包括循环序列生成网络及解码网络，所述电子设备使用预先训练的文字辨识模型对所述理赔表单图像进行识别，得到所述理赔表单图像的关键字标签及文本关键字，包括：
43.所述电子设备基于所述理赔表单图像中像素点的像素值定位出所述理赔表单图像中文本信息的位置，得到文字位置，进一步地，所述电子设备基于所述文字位置对所述文本信息进行特征提取，得到特征序列，更进一步地，所述电子设备将所述特征序列输入到所述循环序列生成网络中，得到循环序列，更进一步地，所述电子设备基于所述解码网络对所述循环序列进行解码，得到每张定损图像的文字信息，更进一步地，所述电子设备将所述文字信息中的第一预设关键字确定为所述关键字标签，并将所述文字信息中的第二预设关键字确定为所述文本关键字。
44.在本实施例中，所述第一预设关键字包括，但不限于：性别、职业类别、年龄、出生日期及每月平均工资等等，所述第二预设关键字包括，但不限于：男性、女性、技术人员、35、1987-12-28及8000等等。
45.具体地，所述电子设备基于特征提取网络对所述文本信息进行特征提取，得到所述特征序列，所述特征提取网络可以为resnet50网络，所述循环序列生成网络可以为双向长短期记忆神经网络，所述解码网络可以为基于神经网络的时序类分类算法(connectionisttemporalclassification，ctc)。
46.具体地，所述电子设备基于所述理赔表单图像中像素点的像素值定位出所述理赔表单图像中文本信息的位置，得到文字位置，包括：
47.所述电子设备获取所述理赔表单图像中所有像素点的像素位置，所述电子设备遍历所述理赔表单图像中所有像素点的像素值，进一步地，所述电子设备将大于预设值的像素值所对应的多个像素点确定为文本信息，并将所述对应的多个像素点的像素位置确定为所述文字位置。
48.具体地，所述循环序列生成网络包括卷积层及池化层，所述电子设备将所述特征序列输入到所述循环序列生成网络中，得到循环序列，包括：
49.所述电子设备将所述特征序列进行分割处理，得到多个分割特征，进一步地，所述电子设备基于所述卷积层对所述多个分割特征进行卷积运算，得到卷积结果，更进一步地，所述电子设备基于所述池化层对所述卷积结果进行池化处理，得到每个分割特征对应的特征向量，更进一步地，所述电子设备将多个所述特征向量进行拼接，得到所述循环序列。
50.其中，分割处理过程为现有技术，本技术在此不作赘述。
51.具体地，所述电子设备基于所述解码网络对所述循环序列进行解码，得到每张定
损图像的文字信息，包括：
52.所述电子设备获取所述循环序列中每个特征向量对应的特征顺序，并基于预先构建的字典对所述循环序列中的每个特征向量进行映射处理，得到每个特征向量对应的特征字符，所述电子设备根据所述特征顺序将多个所述特征字符进行拼接，得到每张定损图像的文字信息。
53.其中，所述预先构建的字典中存储有每个特征向量与每个特征字符的对应关系，将多个所述特征字符根据对应的特征顺序进行拼接，得到每张定损图像的文字信息。
54.在本实施例中，根据所述特征顺序将多个所述特征字符进行组合，能够确保所述文字信息的准确性。
55.102，基于所述关键字标签及所述文本关键字在所述理赔表单图像中对应的标签位置及文本位置生成所述关键字标签对应的关键字标签信息。
56.在本技术的至少一个实施例中，所述电子设备基于所述关键字标签及所述文本关键字在所述理赔表单图像中对应的标签位置及文本位置生成所述关键字标签对应的关键字标签信息包括：
57.所述电子设备根据所述标签位置及所述文本位置检测所述关键字标签对应的标签矩形区域与所述文本关键字对应的文本矩形区域是否相交，若所述标签矩形区域与所述文本矩形区域相交，所述电子设备计算所述标签矩形区域与每个相交的文本矩形区域的交集区域，进一步地，所述电子设备计算所述交集区域在所述标签矩形区域上的第一面积比值，并计算所述交集区域在所述文本矩形区域上的第二面积比值，更进一步地，所述电子设备选取出所述第一面积比值及所述第二面积比值均大于预设阈值的文本矩形区域作为目标矩形区域，并基于所述目标矩形区域的数量以及所述目标矩形区域所对应的文本关键字生成所述关键字标签对应的关键字标签信息。
58.具体地，所述标签位置的定位方式包括：
59.所述电子设备获取所述标签矩形区域中像素点对应的最小的横坐标值，并获取所述标签矩形区域中像素点对应的最小的纵坐标值，获取所述标签矩形区域中像素点对应的最大的横坐标值，并获取所述标签矩形区域中像素点对应的最大的纵坐标值，所述电子设备将所述最小的横坐标值与所述最大的横坐标值所构成的第一横坐标区间及所述最小的纵坐标值与所述最大的纵坐标值所构成的第一纵坐标区间作为所述标签位置。
60.具体地，所述文本位置包括第二横坐标区间及所述第二纵坐标区间，所述电子设备根据所述标签位置及所述文本位置检测所述关键字标签对应的标签矩形区域与所述文本关键字对应的文本矩形区域是否相交包括：
61.所述电子设备识别所述第一横坐标区间与所述第二横坐标区间之间是否重叠，并识别所述第一纵坐标区间与所述第二纵坐标区间之间是否重叠，若所述第一横坐标区间与所述第二横坐标区间之间重叠，及所述第一纵坐标区间与所述第二纵坐标区间之间重叠，确定所述标签矩形区域与所述文本矩形区域相交。
62.具体地，所述电子设备基于所述目标矩形区域的数量以及所述目标矩形区域所对应的文本关键字生成所述关键字标签对应的关键字标签信息包括：
63.若所述目标矩形区域的数量为单个，所述电子设备将所述目标矩形区域所对应的文本关键字确定为所述关键字标签对应的关键字标签信息，或者，若所述目标矩形区域的
数量为多个，所述电子设备对每个第一面积比值与对应的第二面积比值进行加权和运算，得到每个目标矩形区域的最终得分值，并选取最大的最终得分值的目标矩形区域所对应的文本关键字作为所述关键字标签对应的关键字标签信息。
64.本实施例中，当所述目标矩形区域的数量为多个时，选取最大的最终得分值对应的目标矩形区域所对应的文本关键字作为所述关键字标签对应的关键字标签信息，由于所述最终得分值是通过加权运算后生成的，因此能够合理的选取到与所述关键字标签最为匹配的关键字标签信息。
65.103，将所述初始标签、所述初始标签信息、所述关键字标签和所述关键字标签信息分别输入至预设的通用系数模型和预设的特征系数模型中计算出预设定损项的通用系数和所述预设定损项的特征系数。
66.在本技术的至少一个实施例中，所述通用系数模型用于计算出通用系数，所述特征系数模型用于计算出特征系数，所述预设通用数据与所述预设特征数据之间存在交集。例如，所述通用系数包括：通用基数8600、通用月数18及通用伤残系数0.8，所述特征系数包括特征基数8700及特征伤残系数0.8。
67.在本技术的至少一个实施例中，在将所述初始标签、所述初始标签信息、所述关键字标签和所述关键字标签信息输入至预设的特征系数模型之前，所述方法还包括：
68.所述电子设备获取预设的对抗神经网络，并获取所述定损对象所属的位置信息及与所述位置信息对应的训练数据，并基于预设特征关键字从所述训练数据中选取预设特征数据，进一步地，所述电子设备基于所述预设特征数据对所述预设的对抗神经网络进行训练，得到所述预设的特征系数模型。
69.其中，所述位置信息对应的训练数据是指处于所述位置信息的多个定损对象的理赔信息，所述训练数据包括所述预设通用数据及所述预设特征数据。所述预设特征关键字包括所述定损对象的职业类别，劳动合同的类型等等。例如，所述预设特征关键字可以为2022106道路与桥梁工程技术人员、固定期限劳动合同等等。
70.在本技术的至少一个实施例中，所述通用系数模型中包括多个预设通用伤残等级、每个预设通用伤残等级对应的通用比例系数及每个预设通用伤残等级对应的通用对应关系，每个预设通用伤残等级对应的通用对应关系包括通用基数标签及所述通用基数标签对应的通用基数的计算方式、通用月数标签及所述通用月数标签对应的通用月数的计算方式，所述通用系数包括通用伤残系数、通用基数及通用月数。
71.在本技术的至少一个实施例中，所述电子设备将所述初始标签、所述初始标签信息、所述关键字标签和所述关键字标签信息输入至预设的通用系数模型中计算出预设定损项的通用系数包括：
72.所述电子设备基于预设的伤残关键字从所述初始标签及所述关键字标签中选取伤残标签，并将所述理赔表单图像中与所述伤残标签对应的数值作为所述定损对象的初始伤残等级，进一步地，所述电子设备将所述通用系数模型中与所述初始伤残等级相同的预设通用伤残等级所对应的通用比例系数确定为所述通用伤残系数，并将所述通用系数模型中与该预设通用伤残等级所对应的通用对应关系确定为目标对应关系，更进一步地，所述电子设备从所述初始标签及所述关键字标签中识别出与所述目标对应关系中的通用基数标签所对应的初始基数标签以及与所述目标对应关系中的通用月数标签所对应的初始月
数标签，更进一步地，所述电子设备基于所述初始基数标签的初始基数值及所述目标对应关系中的通用基数计算方式计算出所述通用基数，并基于所述初始月数标签的初始月数值及所述目标对应关系中的通用月数计算方式计算出所述通用月数。
73.其中，所述预设定损项包括，但不限于：一次性工伤赔偿金及一次性伤残就业金。
74.例如，所述初始标签及所述初始标签对应的初始标签信息为：工作地址：上海及社保卡号码：000888xxxxx，所述关键字标签及所述关键字标签对应的关键字标签信息为每月平均工资：8000，性别：男性，出生日期：1987-12-28，年龄：35，合同类型：无固定期限劳动合同等等。
75.其中，所述初始基数标签包括每月平均工资，所述初始月数标签包括伤残等级、性别、出生日期及年龄，预设的伤残关键字可以为伤残等级，所述预设通用伤残等级包括一级伤残到十级伤残，每个预设通用伤残等级对应的比例系数的范围为[0,1]。例如，所述初始伤残等级为三级伤残，三级伤残对应的比例系数为0.7。
[0076]
本实施例中，当所述初始标签包括所述初始基数标签在时，所述初始基数值为所述初始标签对应的初始标签信息，当所述关键字标签包括所述初始基数标签时，所述初始基数值为所述关键字标签对应的关键字标签信息。
[0077]
所述通用基数的计算方式包括：
[0078]
根据所述定损对象所在的地区确定参照基数值，并根据所述参照基数值确定第一工资阈值及第二工资阈值，所述第一工资阈值大于所述第二工资阈值，将所述第一工资阈值与所述初始基数值进行比较，若所述初始基数值大于或者等于所述第一工资阈值，将所述第一工资阈值确定为所述通用基数，若所述初始基数值小于或者等于所述第二工资阈值，将所述第二工资阈值确定为所述通用基数，若所述初始基数标签对应的初始基数值处于所述第一工资阈值及所述第二工资阈值之间，将所述初始基数值确定为所述通用基数。
[0079]
例如，所述参照基数值可以为所述定损对象所在的统筹地区的职工平均工资，所述第一工资阈值可以为所述职工平均工资的300％，所述第二工资阈值可以为所述职工平均工资的60％。
[0080]
所述通用月数的计算方式包括：
[0081]
基于预设定损项、预设出生日期、预设年龄、预设伤残等级及预设月数值构建月数映射表，基于所述月数映射表对所述初始月数标签进行映射，并将所述初始月数标签对应的预设月数值确定为所述通用月数。
[0082]
在本实施例中，基于所述通用基数的计算方式及所述通用月数计算方式能够根据所述定损对象的具体信息准确地计算出所述通用系数。
[0083]
在本技术的至少一个实施例中，所述特征系数模型中包括所述特征基数标签对应的标签基数值、特征月数标签及所述特征月数标签对应的标签月数值、特征系数标签及所述特征系数标签对应的特征比例系数，所述特征系数包括特征基数、特征月数及特征伤残系数。
[0084]
在本技术的至少一个实施例中，所述电子设备将所述初始标签、所述初始标签信息、所述关键字标签和所述关键字标签信息输入至预设的特征系数模型中计算出所述预设定损项的特征系数包括：
[0085]
所述电子设备获取所述特征基数标签所对应的基数标签类型，并基于所述基数标
签类型检测所述初始标签及所述关键字标签中是否存在标签与所述特征基数标签对应。
[0086]
在本实施例中，若所述初始标签或者所述关键字标签中存在标签与所述特征基数标签对应，所述电子设备将该特征基数标签所对应的标签基数值确定为所述特征基数，所述电子设备获取所述特征月数标签所对应的月数标签类型，并基于所述月数标签类型检测所述初始标签及所述关键字标签中是否存在标签与所述特征月数标签对应。
[0087]
在本实施例中，若所述初始标签或者所述关键字标签中存在标签与所述特征月数标签对应，所述电子设备将该特征月数标签所对应的标签月数值确定为所述特征月数，所述电子设备获取所述特征系数标签所对应的系数标签类型，并基于所述系数标签类型检测所述初始标签及所述关键字标签中是否存在标签与所述特征系数标签对应。
[0088]
在本实施例中，若所述初始标签或者所述关键字标签中存在标签与所述特征系数标签对应，所述电子设备将该特征系数标签所对应的标签系数值确定为所述特征伤残系数。
[0089]
其中，所述特征基数标签包括，但不限于：伤残等级、每月平均工资、户籍性质、是否签订了劳动合同、工作地址、就业单位的性质、当签订了劳动合同时劳动合同的类型及职业类别，所述特征月数标签包括，但不限于：伤残等级、年龄、性别、职业的类别、户籍性质、工作地址、是否签订了劳动合同以及至今为止是否保留了与就业单位的劳动关系，所述特征系数标签包括，但不限于：伤残等级、户籍性质。
[0090]
通过上述实施方式，由于所述特征基数标签、所述特征月数标签及所述特征系数标签涉及到更多与定损对象有关的具体信息，因此能够使得所述特征系数比所述通用系数更加准确。
[0091]
104，基于所述特征系数对所述通用系数进行调整，得到所述预设定损项的目标系数，以及基于预设的定损标准库对所述目标系数进行修正，得到所述预设定损项的定损系数。
[0092]
在本技术的至少一个实施例中，所述电子设备检测所述特征系数是否与每个通用系数对应，若所述特征系数与每个通用系数都不对应，所述电子设备将所述通用系数确定为所述目标系数，或者，若存在至少一个特征系数与所述通用系数对应，所述电子设备将所述通用系数替换为对应的特征系数，并将替换后的通用系数确定为所述目标系数。
[0093]
例如，所述特征基数与所述通用基数对应，所述特征比例系数与所述通用比例系数对应，所述通用伤残系数与所述特征伤残系数对应。例如，当所述通用基数8600、所述通用月数18及所述通用伤残系数0.8，所述特征基数8700及所述特征伤残系数0.8时，所述通用基数8600与所述特征基数8700对应，所述通用伤残系数0.8与所述特征伤残系数0.8对应。
[0094]
通过上述实施方式，当存在至少一个特征系数与所述通用系数对应时，将所述通用系数替换为对应的特征系数，得到所述目标系数，由于所述特征系数比所述通用系数更加准确，因此能够提高所述目标系数的准确性。
[0095]
在本技术的至少一个实施例中，所述预设的定损标准库包括，但不限于：伤残国标库、赔偿标准库及以伤定残库。所述伤残国标库用于存储各个地理区域所分别对应的伤残判断标准，所述赔偿标准库用于存储根据地区维护国家统计局出台的赔偿标准，所述以伤定残库用于存储地理区域、年龄下限、年龄上限以及赔偿月数评估算法之间的对应关系。
[0096]
在本技术的至少一个实施例中，所述电子设备基于预设的定损标准库对所述目标系数进行修正，得到所述预设定损项的定损系数包括：
[0097]
所述电子设备将所述初始标签、所述初始标签信息、所述关键字标签及所述关键字标签信息输入到所述预设的定损标准库中，并根据定损对象所匹配的多个预设定损项目，确定每个预设定损项目所关联的定损标签，进一步地，所述电子设备根据所述预设的定损标准库所存储的信息数据，确定出所述定损对象在每个预设定损项目所关联的定损标签上的匹配参数，进一步地，所述电子设备将所述目标系数与所述匹配参数进行比较，若所述目标系数与所述匹配参数的差值小于或者等于配置值，所述电子设备将所述目标系数确定为所述定损系数，或者，若所述目标系数与所述匹配参数的差值大于配置值时，所述电子设备将所述匹配参数确定为所述定损系数。
[0098]
例如，当一个预设定损项目为一次性工伤赔偿金时，所述一次性工伤赔偿金的定损标签包括赔偿基数值、伤残系数及赔偿月数。所述定损标准库中存储的赔偿基数值为8000、伤残系数为0.8及赔偿月数为16，当所述目标系数包括目标基数值8050，目标伤残系数0.8及目标赔偿月数18，所述赔偿基数值8000与所述目标基数值8050对应的第一配置值为100，所述伤残系数0.8与所述目标伤残系数0.8对应的第二配置值为0.1，所述赔偿月数16与目标赔偿月数18对应的第三配置值为1时，所述定损系数的定损基数为8000，所述定损系数的定损伤残系数为0.8，所述定损系数的定损月数为18。
[0099]
通过上述实施方式，所述匹配参数是通过所述预设的定损标准库对所述定损对象的全部信息进行分析后生成的，因此，根据获取得到的匹配参数进行逻辑运算处理，以完成定损系数的输出，不仅能够实现人伤定损的自动化计算，还能够提高所述定损系数的准确性。
[0100]
105，根据多个所述预设定损项及每个预设定损项对应的定损系数计算出所述定损对象的理赔数据。
[0101]
需要强调的是，为进一步保证上述理赔数据的私密和安全性，上述理赔数据还可以存储于一区块链的节点中。
[0102]
在本技术的至少一个实施例中，所述定损系数包括定损基数、定损月数及定损伤残系数，所述电子设备根据多个所述预设定损项及每个预设定损项对应的定损系数计算出所述定损对象的理赔数据包括：
[0103]
所述电子设备将所述定损基数、所述定损月数及所述定损伤残系数进行相乘运算，得到每个预设定损项对应的定损金额，进一步地所述电子设备将多个所述预设定损项对应的定损金额进行相加运算，得到所述理赔数据。
[0104]
通过上述实施方式，将多个预设定损项对应的定损基数、定损月数及定损伤残系数进行相乘及相加运算，能够快速计算出所述理赔数据。
[0105]
由以上技术方案可以看出，本技术通过对所述理赔表单图像进行识别，能够全面获取到所述定损对象的信息，提取所述理赔表单图像信息中的文本关键字及数值关键字，能够去除冗余信息，基于标签位置及文本位置确定所述关键字标签对应的关键字标签信息，通过将关键字标签与关键字标签信息对应起来，有利于通过关键字标签及关键字标签信息的对应关系快速计算出通用系数及特征系数，基于所述特征系数对所述通用系数进行调整，得到所述预设定损项对应的目标系数，由于所述预设特征数据是比所述预设通用数
据更加具体的信息，因此能够提高使用所述特征数据训练的特征系数模型的精确度，从而使得所述特征系数模型输出的特征系数更加准确，基于所述特征系数调整所述通用系数，能够提高所述目标系数的准确性，基于预设的定损标准库对所述目标系数进行修正，能够基于定损标准库输出的准确的定损结果对所述目标系数进行修正，能够确保所述理赔数据的准确性。
[0106]
如图2所示，是本发明定损理赔装置的较佳实施例的功能模块图。所述定损理赔装置11包括获取单元110、生成单元111、输入单元112、调整单元113及计算单元114。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
[0107]
获取单元110获取定损对象的初始标签以及所述初始标签对应的初始标签信息及理赔表单图像，并使用预先训练的文字辨识模型对所述理赔表单图像进行识别，得到所述理赔表单图像的关键字标签及文本关键字。
[0108]
在本技术的至少一个实施例中，所述初始标签是指所述定损对象的部分文字数据，所述初始标签信息是指所述初始标签对应的关键字信息，所述理赔表单图像是指包含所述定损对象进行理赔时所需要的信息的图像。例如：所述初始标签包括，但不限于：所述定损对象所在的统筹地区、所述定损对象的社保卡号码，当所述初始标签为所述定损对象所在的统筹地区时，所述初始标签对应的初始标签信息，例如，可以为上海，所述理赔表单图像中包含所述定损对象的既往伤残鉴定信息、劳动合同履行情况、户籍性质、性别及出生日期等等。
[0109]
在本技术的至少一个实施例中，所述获取单元110提供一个信息输入界面，用于供用户通过所述信息输入界面输入所述初始标签信息及导入所述理赔表单图像。所述信息输入界面包括输入标签、所述输入标签对应的输入按钮、所述输入标签对应的信息输入栏位、图像上传按钮及所述图像上传按钮对应的图像导入栏位，所述获取单元110接收用户按压所述输入按钮产生的第一触发指令，并根据所述第一触发指令接收用户在所述初始标签对应的输入标签的信息输入栏位中所输入的初始标签信息，所述获取单元110接收用户按压所述图像上传按钮产生的第二触发指令，并根据所述第二触发指令接收用户在所述图像导入栏位中所上传的理赔表单图像。
[0110]
在本技术的至少一个实施例中，所述获取单元110使用预先训练的文字辨识模型对所述理赔表单图像进行识别，得到所述理赔表单图像的关键字标签及文本关键字。
[0111]
在本技术的至少一个实施例中，所述文字辨识模型是指对所述理赔表单图像中的文字信息及数字信息进行识别的模型。
[0112]
在本技术的至少一个实施例中，所述关键字标签包括第一关键字标签及第二关键字标签，所述文本关键字包括文字关键字及数值关键字，所述第一关键字标签是指所述文字关键字对应的标签，所述第二关键字标签是指所述数值关键字对应的标签，所述文字关键字是指所述第一关键字标签对应的定损对象的文字具体信息，所述数值关键字是指所述第二关键字标签对应的定损对象的数字具体信息。例如，当所述第一关键字标签为性别时，所述文字关键字为男性，当所述第二关键字标签为出生日期时，所述数值关键字为1987-12-28，当所述第二关键字标签为年龄时，所述数值关键字为35等等。
[0113]
在本技术的至少一个实施例中，所述文字辨识模型包括循环序列生成网络及解码网络，所述获取单元110使用预先训练的文字辨识模型对所述理赔表单图像进行识别，得到所述理赔表单图像的关键字标签及文本关键字，包括：
[0114]
所述获取单元110基于所述理赔表单图像中像素点的像素值定位出所述理赔表单图像中文本信息的位置，得到文字位置，进一步地，所述获取单元110基于所述文字位置对所述文本信息进行特征提取，得到特征序列，更进一步地，所述获取单元110将所述特征序列输入到所述循环序列生成网络中，得到循环序列，更进一步地，所述获取单元110基于所述解码网络对所述循环序列进行解码，得到每张定损图像的文字信息，更进一步地，所述获取单元110将所述文字信息中的第一预设关键字确定为所述关键字标签，并将所述文字信息中的第二预设关键字确定为所述文本关键字。
[0115]
在本实施例中，所述第一预设关键字包括，但不限于：性别、职业类别、年龄、出生日期及每月平均工资等等，所述第二预设关键字包括，但不限于：男性、女性、技术人员、35、1987-12-28及8000等等。
[0116]
具体地，所述获取单元110基于特征提取网络对所述文本信息进行特征提取，得到所述特征序列，所述特征提取网络可以为resnet50网络，所述循环序列生成网络可以为双向长短期记忆神经网络，所述解码网络可以为基于神经网络的时序类分类算法(connectionisttemporalclassification，ctc)。
[0117]
具体地，所述获取单元110基于所述理赔表单图像中像素点的像素值定位出所述理赔表单图像中文本信息的位置，得到文字位置，包括：
[0118]
所述获取单元110获取所述理赔表单图像中所有像素点的像素位置，所述获取单元110遍历所述理赔表单图像中所有像素点的像素值，进一步地，所述获取单元110将大于预设值的像素值所对应的多个像素点确定为文本信息，并将所述对应的多个像素点的像素位置确定为所述文字位置。
[0119]
具体地，所述循环序列生成网络包括卷积层及池化层，所述获取单元110将所述特征序列输入到所述循环序列生成网络中，得到循环序列，包括：
[0120]
所述获取单元110将所述特征序列进行分割处理，得到多个分割特征，进一步地，所述获取单元110基于所述卷积层对所述多个分割特征进行卷积运算，得到卷积结果，更进一步地，所述获取单元110基于所述池化层对所述卷积结果进行池化处理，得到每个分割特征对应的特征向量，更进一步地，所述获取单元110将多个所述特征向量进行拼接，得到所述循环序列。
[0121]
其中，分割处理过程为现有技术，本技术在此不作赘述。
[0122]
具体地，所述获取单元110基于所述解码网络对所述循环序列进行解码，得到每张定损图像的文字信息，包括：
[0123]
所述获取单元110获取所述循环序列中每个特征向量对应的特征顺序，并基于预先构建的字典对所述循环序列中的每个特征向量进行映射处理，得到每个特征向量对应的特征字符，所述获取单元110根据所述特征顺序将多个所述特征字符进行拼接，得到每张定损图像的文字信息。
[0124]
其中，所述预先构建的字典中存储有每个特征向量与每个特征字符的对应关系，将多个所述特征字符根据对应的特征顺序进行拼接，得到每张定损图像的文字信息。
[0125]
在本实施例中，根据所述特征顺序将多个所述特征字符进行组合，能够确保所述文字信息的准确性。
[0126]
生成单元111，基于所述关键字标签及所述文本关键字在所述理赔表单图像中对应的标签位置及文本位置生成所述关键字标签对应的关键字标签信息。
[0127]
在本技术的至少一个实施例中，所述生成单元111基于所述关键字标签及所述文本关键字在所述理赔表单图像中对应的标签位置及文本位置生成所述关键字标签对应的关键字标签信息包括：
[0128]
所述生成单元111根据所述标签位置及所述文本位置检测所述关键字标签对应的标签矩形区域与所述文本关键字对应的文本矩形区域是否相交，若所述标签矩形区域与所述文本矩形区域相交，所述生成单元111计算所述标签矩形区域与每个相交的文本矩形区域的交集区域，进一步地，所述生成单元111计算所述交集区域在所述标签矩形区域上的第一面积比值，并计算所述交集区域在所述文本矩形区域上的第二面积比值，更进一步地，所述生成单元111选取出所述第一面积比值及所述第二面积比值均大于预设阈值的文本矩形区域作为目标矩形区域，并基于所述目标矩形区域的数量以及所述目标矩形区域所对应的文本关键字生成所述关键字标签对应的关键字标签信息。
[0129]
具体地，所述标签位置的定位方式包括：
[0130]
所述生成单元111获取所述标签矩形区域中像素点对应的最小的横坐标值，并获取所述标签矩形区域中像素点对应的最小的纵坐标值，获取所述标签矩形区域中像素点对应的最大的横坐标值，并获取所述标签矩形区域中像素点对应的最大的纵坐标值，所述生成单元111将所述最小的横坐标值与所述最大的横坐标值所构成的第一横坐标区间及所述最小的纵坐标值与所述最大的纵坐标值所构成的第一纵坐标区间作为所述标签位置。
[0131]
具体地，所述文本位置包括第二横坐标区间及所述第二纵坐标区间，所述生成单元111根据所述标签位置及所述文本位置检测所述关键字标签对应的标签矩形区域与所述文本关键字对应的文本矩形区域是否相交包括：
[0132]
所述生成单元111识别所述第一横坐标区间与所述第二横坐标区间之间是否重叠，并识别所述第一纵坐标区间与所述第二纵坐标区间之间是否重叠，若所述第一横坐标区间与所述第二横坐标区间之间重叠，及所述第一纵坐标区间与所述第二纵坐标区间之间重叠，确定所述标签矩形区域与所述文本矩形区域相交。
[0133]
具体地，所述生成单元111基于所述目标矩形区域的数量以及所述目标矩形区域所对应的文本关键字生成所述关键字标签对应的关键字标签信息包括：
[0134]
若所述目标矩形区域的数量为单个，所述生成单元111将所述目标矩形区域所对应的文本关键字确定为所述关键字标签对应的关键字标签信息，或者，若所述目标矩形区域的数量为多个，所述生成单元111对每个第一面积比值与对应的第二面积比值进行加权和运算，得到每个目标矩形区域的最终得分值，并选取最大的最终得分值的目标矩形区域所对应的文本关键字作为所述关键字标签对应的关键字标签信息。
[0135]
本实施例中，当所述目标矩形区域的数量为多个时，选取最大的最终得分值对应的目标矩形区域所对应的文本关键字作为所述关键字标签对应的关键字标签信息，由于所述最终得分值是通过加权运算后生成的，因此能够合理的选取到与所述关键字标签最为匹配的关键字标签信息。
[0136]
输入单元112将所述初始标签、所述初始标签信息、所述关键字标签和所述关键字标签信息分别输入至预设的通用系数模型和预设的特征系数模型中计算出预设定损项的通用系数和所述预设定损项的特征系数。
[0137]
在本技术的至少一个实施例中，所述通用系数模型用于计算出通用系数，所述特征系数模型用于计算出特征系数，所述预设通用数据与所述预设特征数据之间存在交集。例如，所述通用系数包括：通用基数8600、通用月数18及通用伤残系数0.8，所述特征系数包括特征基数8700及特征伤残系数0.8。
[0138]
在本技术的至少一个实施例中，在将所述初始标签、所述初始标签信息、所述关键字标签和所述关键字标签信息输入至预设的特征系数模型之前，所述方法还包括：
[0139]
所述输入单元112还用于获取预设的对抗神经网络，并获取所述定损对象所属的位置信息及与所述位置信息对应的训练数据，并基于预设特征关键字从所述训练数据中选取预设特征数据，进一步地，所述输入单元112基于所述预设特征数据对所述预设的对抗神经网络进行训练，得到所述预设的特征系数模型。
[0140]
其中，所述位置信息对应的训练数据是指处于所述位置信息的多个定损对象的理赔信息，所述训练数据包括所述预设通用数据及所述预设特征数据。所述预设特征关键字包括所述定损对象的职业类别，劳动合同的类型等等。例如，所述预设特征关键字可以为2022106道路与桥梁工程技术人员、固定期限劳动合同等等。
[0141]
在本技术的至少一个实施例中，所述通用系数模型中包括多个预设通用伤残等级、每个预设通用伤残等级对应的通用比例系数及每个预设通用伤残等级对应的通用对应关系，每个预设通用伤残等级对应的通用对应关系包括通用基数标签及所述通用基数标签对应的通用基数的计算方式、通用月数标签及所述通用月数标签对应的通用月数的计算方式，所述通用系数包括通用伤残系数、通用基数及通用月数。
[0142]
在本技术的至少一个实施例中，所述输入单元112将所述初始标签、所述初始标签信息、所述关键字标签和所述关键字标签信息输入至预设的通用系数模型中计算出预设定损项的通用系数包括：
[0143]
所述输入单元112基于预设的伤残关键字从所述初始标签及所述关键字标签中选取伤残标签，并将所述理赔表单图像中与所述伤残标签对应的数值作为所述定损对象的初始伤残等级，进一步地，所述输入单元112将所述通用系数模型中与所述初始伤残等级相同的预设通用伤残等级所对应的通用比例系数确定为所述通用伤残系数，并将所述通用系数模型中与该预设通用伤残等级所对应的通用对应关系确定为目标对应关系，更进一步地，所述输入单元112从所述初始标签及所述关键字标签中识别出与所述目标对应关系中的通用基数标签所对应的初始基数标签以及与所述目标对应关系中的通用月数标签所对应的初始月数标签，更进一步地，所述输入单元112基于所述初始基数标签的初始基数值及所述目标对应关系中的通用基数计算方式计算出所述通用基数，并基于所述初始月数标签的初始月数值及所述目标对应关系中的通用月数计算方式计算出所述通用月数。
[0144]
其中，所述预设定损项包括，但不限于：一次性工伤赔偿金及一次性伤残就业金。
[0145]
例如，所述初始标签及所述初始标签对应的初始标签信息为：工作地址：上海及社保卡号码：000888xxxxx，所述关键字标签及所述关键字标签对应的关键字标签信息为每月平均工资：8000，性别：男性，出生日期：1987-12-28，年龄：35，合同类型：无固定期限劳动合
同等等。
[0146]
其中，所述初始基数标签包括每月平均工资，所述初始月数标签包括伤残等级、性别、出生日期及年龄，预设的伤残关键字可以为伤残等级，所述预设通用伤残等级包括一级伤残到十级伤残，每个预设通用伤残等级对应的比例系数的范围为[0,1]。例如，所述初始伤残等级为三级伤残，三级伤残对应的比例系数为0.7。
[0147]
本实施例中，当所述初始标签包括所述初始基数标签在时，所述初始基数值为所述初始标签对应的初始标签信息，当所述关键字标签包括所述初始基数标签时，所述初始基数值为所述关键字标签对应的关键字标签信息。
[0148]
所述通用基数的计算方式包括：
[0149]
根据所述定损对象所在的地区确定参照基数值，并根据所述参照基数值确定第一工资阈值及第二工资阈值，所述第一工资阈值大于所述第二工资阈值，将所述第一工资阈值与所述初始基数值进行比较，若所述初始基数值大于或者等于所述第一工资阈值，将所述第一工资阈值确定为所述通用基数，若所述初始基数值小于或者等于所述第二工资阈值，将所述第二工资阈值确定为所述通用基数，若所述初始基数标签对应的初始基数值处于所述第一工资阈值及所述第二工资阈值之间，将所述初始基数值确定为所述通用基数。
[0150]
例如，所述参照基数值可以为所述定损对象所在的统筹地区的职工平均工资，所述第一工资阈值可以为所述职工平均工资的300％，所述第二工资阈值可以为所述职工平均工资的60％。
[0151]
所述通用月数的计算方式包括：
[0152]
基于预设定损项、预设出生日期、预设年龄、预设伤残等级及预设月数值构建月数映射表，基于所述月数映射表对所述初始月数标签进行映射，并将所述初始月数标签对应的预设月数值确定为所述通用月数。
[0153]
在本实施例中，基于所述通用基数的计算方式及所述通用月数计算方式能够根据所述定损对象的具体信息准确地计算出所述通用系数。
[0154]
在本技术的至少一个实施例中，所述特征系数模型中包括所述特征基数标签对应的标签基数值、特征月数标签及所述特征月数标签对应的标签月数值、特征系数标签及所述特征系数标签对应的特征比例系数，所述特征系数包括特征基数、特征月数及特征伤残系数。
[0155]
在本技术的至少一个实施例中，所述输入单元112将所述初始标签、所述初始标签信息、所述关键字标签和所述关键字标签信息输入至预设的特征系数模型中计算出所述预设定损项的特征系数包括：
[0156]
所述输入单元112获取所述特征基数标签所对应的基数标签类型，并基于所述基数标签类型检测所述初始标签及所述关键字标签中是否存在标签与所述特征基数标签对应。
[0157]
在本实施例中，若所述初始标签或者所述关键字标签中存在标签与所述特征基数标签对应，所述输入单元112将该特征基数标签所对应的标签基数值确定为所述特征基数，所述输入单元112获取所述特征月数标签所对应的月数标签类型，并基于所述月数标签类型检测所述初始标签及所述关键字标签中是否存在标签与所述特征月数标签对应。
[0158]
在本实施例中，若所述初始标签或者所述关键字标签中存在标签与所述特征月数
标签对应，所述输入单元112将该特征月数标签所对应的标签月数值确定为所述特征月数，所述输入单元112获取所述特征系数标签所对应的系数标签类型，并基于所述系数标签类型检测所述初始标签及所述关键字标签中是否存在标签与所述特征系数标签对应。
[0159]
在本实施例中，若所述初始标签或者所述关键字标签中存在标签与所述特征系数标签对应，所述输入单元112将该特征系数标签所对应的标签系数值确定为所述特征伤残系数。
[0160]
其中，所述特征基数标签包括，但不限于：伤残等级、每月平均工资、户籍性质、是否签订了劳动合同、工作地址、就业单位的性质、当签订了劳动合同时劳动合同的类型及职业类别，所述特征月数标签包括，但不限于：伤残等级、年龄、性别、职业的类别、户籍性质、工作地址、是否签订了劳动合同以及至今为止是否保留了与就业单位的劳动关系，所述特征系数标签包括，但不限于：伤残等级、户籍性质。
[0161]
通过上述实施方式，由于所述特征基数标签、所述特征月数标签及所述特征系数标签涉及到更多与定损对象有关的具体信息，因此能够使得所述特征系数比所述通用系数更加准确。
[0162]
调整单元113基于所述特征系数对所述通用系数进行调整，得到所述预设定损项的目标系数，以及基于预设的定损标准库对所述目标系数进行修正，得到所述预设定损项的定损系数。
[0163]
在本技术的至少一个实施例中，所述调整单元113检测所述特征系数是否与每个通用系数对应，若所述特征系数与每个通用系数都不对应，所述调整单元113将所述通用系数确定为所述目标系数，或者，若存在至少一个特征系数与所述通用系数对应，所述调整单元113将所述通用系数替换为对应的特征系数，并将替换后的通用系数确定为所述目标系数。
[0164]
例如，所述特征基数与所述通用基数对应，所述特征比例系数与所述通用比例系数对应，所述通用伤残系数与所述特征伤残系数对应。例如，当所述通用基数8600、所述通用月数18及所述通用伤残系数0.8，所述特征基数8700及所述特征伤残系数0.8时，所述通用基数8600与所述特征基数8700对应，所述通用伤残系数0.8与所述特征伤残系数0.8对应。
[0165]
通过上述实施方式，当存在至少一个特征系数与所述通用系数对应时，将所述通用系数替换为对应的特征系数，得到所述目标系数，由于所述特征系数比所述通用系数更加准确，因此能够提高所述目标系数的准确性。
[0166]
在本技术的至少一个实施例中，所述预设的定损标准库包括，但不限于：伤残国标库、赔偿标准库及以伤定残库。所述伤残国标库用于存储各个地理区域所分别对应的伤残判断标准，所述赔偿标准库用于存储根据地区维护国家统计局出台的赔偿标准，所述以伤定残库用于存储地理区域、年龄下限、年龄上限以及赔偿月数评估算法之间的对应关系。
[0167]
在本技术的至少一个实施例中，所述调整单元113基于预设的定损标准库对所述目标系数进行修正，得到所述预设定损项的定损系数包括：
[0168]
所述调整单元113将所述初始标签、所述初始标签信息、所述关键字标签及所述关键字标签信息输入到所述预设的定损标准库中，并根据定损对象所匹配的多个预设定损项目，确定每个预设定损项目所关联的定损标签，进一步地，所述调整单元113根据所述预设
的定损标准库所存储的信息数据，确定出所述定损对象在每个预设定损项目所关联的定损标签上的匹配参数，进一步地，所述调整单元113将所述目标系数与所述匹配参数进行比较，若所述目标系数与所述匹配参数的差值小于或者等于配置值，所述调整单元113将所述目标系数确定为所述定损系数，或者，若所述目标系数与所述匹配参数的差值大于配置值时，所述调整单元113将所述匹配参数确定为所述定损系数。
[0169]
例如，当一个预设定损项目为一次性工伤赔偿金时，所述一次性工伤赔偿金的定损标签包括赔偿基数值、伤残系数及赔偿月数。所述定损标准库中存储的赔偿基数值为8000、伤残系数为0.8及赔偿月数为16，当所述目标系数包括目标基数值8050，目标伤残系数0.8及目标赔偿月数18，所述赔偿基数值8000与所述目标基数值8050对应的第一配置值为100，所述伤残系数0.8与所述目标伤残系数0.8对应的第二配置值为0.1，所述赔偿月数16与目标赔偿月数18对应的第三配置值为1时，所述定损系数的定损基数为8000，所述定损系数的定损伤残系数为0.8，所述定损系数的定损月数为18。
[0170]
通过上述实施方式，所述匹配参数是通过所述预设的定损标准库对所述定损对象的全部信息进行分析后生成的，因此，根据获取得到的匹配参数进行逻辑运算处理，以完成定损系数的输出，不仅能够实现人伤定损的自动化计算，还能够提高所述定损系数的准确性。
[0171]
计算单元114根据多个所述预设定损项及每个预设定损项对应的定损系数计算出所述定损对象的理赔数据。
[0172]
需要强调的是，为进一步保证上述理赔数据的私密和安全性，上述理赔数据还可以存储于一区块链的节点中。
[0173]
在本技术的至少一个实施例中，所述定损系数包括定损基数、定损月数及定损伤残系数，所述计算单元114根据多个所述预设定损项及每个预设定损项对应的定损系数计算出所述定损对象的理赔数据包括：
[0174]
所述计算单元114将所述定损基数、所述定损月数及所述定损伤残系数进行相乘运算，得到每个预设定损项对应的定损金额，进一步地所述计算单元114将多个所述预设定损项对应的定损金额进行相加运算，得到所述理赔数据。
[0175]
通过上述实施方式，将多个预设定损项对应的定损基数、定损月数及定损伤残系数进行相乘及相加运算，能够快速计算出所述理赔数据。
[0176]
由以上技术方案可以看出，本技术通过对所述理赔表单图像进行识别，能够全面获取到所述定损对象的信息，提取所述理赔表单图像信息中的文本关键字及数值关键字，能够去除冗余信息，基于标签位置及文本位置确定所述关键字标签对应的关键字标签信息，通过将关键字标签与关键字标签信息对应起来，有利于通过关键字标签及关键字标签信息的对应关系快速计算出通用系数及特征系数，基于所述特征系数对所述通用系数进行调整，得到所述预设定损项对应的目标系数，由于所述预设特征数据是比所述预设通用数据更加具体的信息，因此能够提高使用所述特征数据训练的特征系数模型的精确度，从而使得所述特征系数模型输出的特征系数更加准确，基于所述特征系数调整所述通用系数，能够提高所述目标系数的准确性，基于预设的定损标准库对所述目标系数进行修正，能够基于定损标准库输出的准确的定损结果对所述目标系数进行修正，能够确保所述理赔数据的准确性。
[0177]
如图3所示，是本技术实现定损理赔方法的较佳实施例的电子设备的结构示意图。
[0178]
在本技术的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如定损理赔程序。
[0179]
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
[0180]
所述处理器13可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
[0181]
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，例如图2所示的获取单元、生成单元、输入单元、调整单元、计算单元等，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本技术。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。
[0182]
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
[0183]
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、tf卡(trans-flashcard)等等。
[0184]
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
[0185]
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，
randomaccessmemory)。
[0186]
本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0187]
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种定损理赔方法，所述处理器13可执行所述计算机可读指令从而实现：
[0188]
获取定损对象的初始标签以及所述初始标签对应的初始标签信息及理赔表单图像，并使用预先训练的文字辨识模型对所述理赔表单图像进行识别，得到所述理赔表单图像的关键字标签及文本关键字；基于所述关键字标签及所述文本关键字在所述理赔表单图像中对应的标签位置及文本位置生成所述关键字标签对应的关键字标签信息；将所述初始标签、所述初始标签信息、所述关键字标签和所述关键字标签信息分别输入至预设的通用系数模型和预设的特征系数模型中计算出预设定损项的通用系数和所述预设定损项的特征系数；基于所述特征系数对所述通用系数进行调整，得到所述预设定损项的目标系数，以及基于预设的定损标准库对所述目标系数进行修正，得到所述预设定损项的定损系数；根据多个所述预设定损项及每个预设定损项对应的定损系数计算出所述定损对象的理赔数据。
[0189]
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0190]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0191]
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
[0192]
获取定损对象的初始标签以及所述初始标签对应的初始标签信息及理赔表单图像，并使用预先训练的文字辨识模型对所述理赔表单图像进行识别，得到所述理赔表单图像的关键字标签及文本关键字；基于所述关键字标签及所述文本关键字在所述理赔表单图像中对应的标签位置及文本位置生成所述关键字标签对应的关键字标签信息；将所述初始标签、所述初始标签信息、所述关键字标签和所述关键字标签信息分别输入至预设的通用系数模型和预设的特征系数模型中计算出预设定损项的通用系数和所述预设定损项的特征系数；基于所述特征系数对所述通用系数进行调整，得到所述预设定损项的目标系数，以及基于预设的定损标准库对所述目标系数进行修正，得到所述预设定损项的定损系数；根据多个所述预设定损项及每个预设定损项对应的定损系数计算出所述定损对象的理赔数据。
[0193]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0194]
另外，在本技术各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0195]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本技术内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0196]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0197]
最后应说明的是，以上实施例仅用以说明本技术的技术方案而非限制，尽管参照较佳实施例对本技术进行了详细说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或等同替换，而不脱离本技术技术方案的精神和范围。