System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及人工智能和金融科技,尤其涉及一种图像模糊检测方法、装置、计算机设备及存储介质。
技术介绍
1、保险理赔服务中,保险公司需要通过对客户上传的材料图片进行分析后才能及时为客户进行相应合理的服务,若客户上传的图片中存在一部分质量不高的图片,例如图片模糊,重要文字信息无法识别,会导致公司在人工审核过程中无法准确获得客户相关信息,致使客户无法及时的获得相应的理赔服务。
2、目前对于图像模糊检测方法大多是基于传统算子来进行判断,通常是利用图像的局部特征和统计信息来评估图像的清晰度。
3、然而传统图像模糊检测方法对于模糊图片判定的准确度不高,容易受到图片大小等因素的影响,模糊检测模型的误判易给客户带来困扰,导致客户投诉,影响公司形象。
技术实现思路
1、本申请实施例的目的在于提出一种图像模糊检测方法、装置、计算机设备及存储介质,以解决对于大小不同的模糊图片判定的准确度不高,无法快速处理模糊图片的问题。
2、为了解决上述技术问题,本申请实施例提供一种图像模糊检测方法,采用了如下所述的技术方案:
3、获取待检测图像序列;
4、对所述待检测图像序列进行文件大小分类处理,得到目标图像序列,所述目标图像序列包括第一图像序列以及第二图像序列;
5、对所述第一图像序列进行图像卷积分析处理,得到第一模糊图像序列;
6、将所述第二图像序列输入图像模糊检测模型,生成第二模糊图像序列;
7、将所述第一模糊图像序列
8、进一步的,所述对所述第一图像序列进行图像卷积分析处理,得到第一模糊图像序列的步骤,具体包括:
9、对所述第一图像序列进行图片大小归一化处理,得到第一处理图像序列;
10、对所述第一处理图像序列进行灰度处理,得到第二处理图像序列;
11、对所述第二处理图像序列进行卷积核计算,得到图像序列响应图;
12、计算所述图像序列响应图的方差,并比较所述方差与预设的模糊阈值,得到方差比对结果;
13、基于所述方差比对结果,确定所述第一模糊图像序列。
14、进一步的,在所述将所述第二图像序列输入图像模糊检测模型,生成第二模糊图像序列的步骤之前,还包括:
15、获取第一图像训练数据集;
16、对所述第一图像训练数据集进行模糊筛选处理,得到模糊图像训练数据集;
17、将所述第一图像训练数据集通过光学字符识别模型进行处理,得到清晰图像训练数据集;
18、将所述模糊图像训练数据集和所述清晰图像训练数据集导入到通用模型中进行预训练,得到预训练的图像模糊检测模型;
19、进一步的,通过所述预训练还得到预测错误图像集,在将所述模糊图像训练数据集和所述清晰图像训练数据集导入到通用模型中进行训练,得到预训练的图像模糊检测模型的步骤之后,还包括:
20、获取第二图像训练数据集,所述第二图像训练数据集包括所述预测错误图像集以及新增模糊图像训练数据集;
21、将所述第二图像训练数据集导入到所述预训练的图像模糊检测模型中,输出预测结果;
22、基于所述预测结果与预设标准结果,使用反向传播算法进行拟合,获取预测误差;
23、若所述预测误差大于所述预设阈值,则对所述预设的图像模糊检测模型进行迭代更新,直到所述预测误差小于或等于所述预设阈值为止,获取所述图像模糊检测模型。
24、进一步的,所述图像模糊检测模型包括输入层、处理层和输出层,所述将所述第二图像序列输入图像模糊检测模型,生成第二模糊图像序列的步骤,具体包括:
25、通过所述输入层提取所述第二图像序列中的图像数据;
26、将所述图像数据通过所述处理层进行特征提取处理,得到所述第二图像序列的模糊特征;
27、根据所述模糊特征确定所述第二模糊图像序列;
28、通过所述输出层输出所述第二模糊图像序列。
29、进一步的,所述对所述第一图像训练数据集进行模糊筛选处理,得到模糊图像训练数据集的步骤,具体包括:
30、通过拉普拉斯算子对所述第一图像训练数据集进行评分处理,得到图像评分数据;
31、将所述图像评分数据与预设的图像筛选阈值进行比对,并根据阈值比对结果对所述第一图像训练数据集进行筛选,得到所述模糊图像训练数据集。
32、进一步的,所述将所述第一图像训练数据集通过光学字符识别模型进行处理,得到清晰图像训练数据集的步骤,具体包括:
33、对所述第一图像训练数据集进行分类抽取处理,得到第一样式数据;
34、将所述第一样式数据输入所述光学字符识别模型进行均衡抽样,得到第二样式数据;
35、对所述第二样式数据进行复核处理,得到所述清晰图像训练数据集。
36、为了解决上述技术问题,本申请实施例还提供一种一种图像模糊检测装置,采用了如下所述的技术方案:
37、获取模块,用于获取待检测图像序列;
38、分类模块,用于对所述待检测图像序列进行文件大小分类处理,得到目标图像序列,所述目标图像序列包括第一图像序列以及第二图像序列;
39、处理模块,用于对所述第一图像序列进行图像评估处理,得到第一模糊图像序列;
40、输入模块,用于将所述第二图像序列输入图像模糊检测模型,生成第二模糊图像序列;
41、组合模块,用于将所述第一模糊图像序列与第二模糊图像序列进行组合,得到目标模糊图像序列。
42、为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
43、一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现所述的图像模糊检测方法的步骤。
44、为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
45、一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现所述的图像模糊检测方法的步骤。
46、与现有技术相比,本申请实施例主要有以下有益效果:
47、本申请实施例通过对待检测图像序列按照文件大小进行分类处理,得到第一图像序列以及第二图像序列并分别进行处理,第一图像序列文件存储空间小于第二图像序列,对第一图像序列进行图像卷积分析处理,得到第一模糊图像序列,将第二图像序列输入图像模糊检测模型,生成第二模糊图像序列,将第一模糊图像序列与所述第二模糊图像序列进行组合,得到目标模糊图像序列,可以有效结解决对于大小不同的模糊图片判定的准确度不高,无法快速处理模糊图片的问题,减少了公司人工干预,提高了上传图片的质量,优化了理赔的时效。
本文档来自技高网...【技术保护点】
1.一种图像模糊检测方法,其特征在于,包括下述步骤:
2.根据权利要求1所述的图像模糊检测方法,其特征在于,所述对所述第一图像序列进行图像卷积分析处理,得到第一模糊图像序列的步骤,具体包括:
3.根据权利要求1所述的图像模糊检测方法,其特征在于,在所述将所述第二图像序列输入图像模糊检测模型,生成第二模糊图像序列的步骤之前,还包括:
4.根据权利要求3所述的图像模糊检测方法,其特征在于,通过所述预训练还得到预测错误图像集,在将所述模糊图像训练数据集和所述清晰图像训练数据集导入到通用模型中进行训练,得到预训练的图像模糊检测模型的步骤之后,还包括:
5.根据权利要求1中所述的图像模糊检测方法,其特征在于,所述图像模糊检测模型包括输入层、处理层和输出层,所述将所述第二图像序列输入图像模糊检测模型,生成第二模糊图像序列的步骤,具体包括:
6.根据权利要求3所述的图像模糊检测方法,其特征在于,所述对所述第一图像训练数据集进行模糊筛选处理,得到模糊图像训练数据集的步骤,具体包括:
7.根据权利要求3所述的图像模糊检测方法,
8.一种图像模糊检测装置,其特征在于,包括:
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的图像模糊检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的图像模糊检测方法的步骤。
...【技术特征摘要】
1.一种图像模糊检测方法,其特征在于,包括下述步骤:
2.根据权利要求1所述的图像模糊检测方法,其特征在于,所述对所述第一图像序列进行图像卷积分析处理,得到第一模糊图像序列的步骤,具体包括:
3.根据权利要求1所述的图像模糊检测方法,其特征在于,在所述将所述第二图像序列输入图像模糊检测模型,生成第二模糊图像序列的步骤之前,还包括:
4.根据权利要求3所述的图像模糊检测方法,其特征在于,通过所述预训练还得到预测错误图像集,在将所述模糊图像训练数据集和所述清晰图像训练数据集导入到通用模型中进行训练,得到预训练的图像模糊检测模型的步骤之后,还包括:
5.根据权利要求1中所述的图像模糊检测方法,其特征在于,所述图像模糊检测模型包括输入层、处理层和输出层,所述将所述第二图像序列输入图像模糊检测模型,生成第二模糊图像序列的...
【专利技术属性】
技术研发人员:邓嘉,陶民泽,
申请(专利权)人:平安健康保险股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。