[发明专利]图片品质的检测方法及装置

说明书

技术领域

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。

发明内容

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：