基于图像识别的资产评估方法、装置以及计算机存储介质与流程

本发明属于资产评估技术领域，具体涉及一种基于图像识别的资产评估方法、装置以及计算机存储介质。

背景技术：

资产评估，是指评估机构及其评估专业人员根据委托对不动产、动产、无形资产、企业价值、资产损失或者其他经济权益进行评定、估算，并出具评估报告的专业服务行为。

资产评估的主要发挥以下三个方面的作用:

(1)咨询作用：从某种意义上说，资产评估属于一种专业技术咨询活动，具有咨询的作用。咨询的作用是指资产评估结论为资产业务提供专业化估价意见，该意见本身虽然没有强制执行的效力，但可以作为当事人要价和出价的参考。

(2)鉴证作用：鉴证由鉴别和举证两个部分组成。鉴别是专家依据专业原则对资产交易的现时价格做出的独立判断，而举证则为该判断提供理论和事实支撑，使之做到言之有理、持之有据。

(3)促进作用：资产评估的促进作用主要表现在三个方面:一是可以促进资源优化配置，二是可以促进产权主体维护自己的合法权益，三是可以促进资产评估工作的国际化和进一步对外开放。

现有的资产评估多采用人为鉴定，效率低耗时长，缺乏客观性。

技术实现要素：

本发明的目的是提供一种基于图像识别的资产评估方法、装置以及计算机存储介质，用于解决上述。

为了实现上述目的，本发明采用的技术方案如下：

第一方面，本发明提供了一种基于图像识别的资产评估方法，包括以下步骤：

采集资产图像信息；

对所述资产图像信息进行识别，获得所述资产图像信息中的文本数据；

基于预先训练好的分类模型对所述文本数据进行识别分类；

将分好类的所述文本数据输入对应的预先训练好的资产评估模型，获得资产评估结果。

进一步的，所述对所述资产图像信息进行识别，获得所述资产图像信息中的文本数据的方法包括：

利用ocr提取器对所述资产图像信息进行数据提取，获得所述资产图像信息中的文本数据。

进一步的，所述ocr提取器对所述资产图像信息进行数据提取的方法包括：

对所述资产图像信息中的文本行进行定位，获得文本行；

提取所述文本行的特征序列，并获取所述特征序列的标签分布；

对所述标签分布进行去重整合，获得所述文本数据。

进一步的，所述分类模型和所述资产评估模型均为基于深度学习的卷积神经网络模型。

第二方面，本发明还提供了一种基于图像识别的资产评估装置，包括：

采集模块，用于采集资产图像信息；

识别模块，与所述采集模块连接，用于对所述资产图像信息进行识别，获得所述资产图像信息中的文本数据；

分类模块，与所述识别模块连接，用于基于预先训练好的分类模型对所述文本数据进行识别分类；

评估模块，与所述分类模块连接，用于将分好类的所述文本数据输入对应的预先训练好的资产评估模型，获得资产评估结果。

进一步的，所述识别模块为ocr提取器。

进一步的，所述ocr提取器包括：

文本行定位模块，用于对所述资产图像信息中的文本行进行定位，获得文本行；

特征提取模块，与所述文本行定位模块连接，用于提取所述文本行的特征序列；

标签获取模块，与所述特征提取模块连接，用于获取所述特征序列的标签分布；

数据整合模块，与所述标签获取模块连接，用于对所述标签分布进行去重整合，获得所述文本数据。

进一步的，所述分类模型和所述资产评估模型均为基于深度学习的卷积神经网络模型。

第三方面，本发明还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于图像识别的资产评估方法的步骤。

与现有技术相比，本发明提供的技术方案具有如下有益效果或优点：

本发明提供的基于图像识别的资产评估方法、装置以及计算机存储介质通过采集资产图像信息，然后进行自动识别、分类和评估，能够提升准确性与客观性，减少人为判断，降低错误率。

参照后文的说明和附图，详细公开了本发明的特定实施方式，指明了本发明的原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本发明的实施方式包括许多改变、修改和等同。

针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。

应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于图像识别的资产评估方法的方法流程图；

图2为本发明实施例提供的一种基于图像识别的资产评估装置的结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明实施例的描述中，需要说明的是，指示方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接连接，也可以通过中间媒介间接连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义型实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。此外，术语“第一”、“第二”仅用于区分描述，而不能理解为指示或暗示相对重要性。

如图1所示，本发明实施例提供了一种基于图像识别的资产评估方法，包括以下步骤：

步骤s1：采集资产图像信息。

在具体的实施过程中，资产是指由企业过去的交易或事项形成的、由企业拥有或者控制的、预期会给企业带来经济利益的资源。资产按照流动性可以划分为流动资产、长期投资、固定资产、无形资产和其他资产。其中，流动资产是指可以在1年内或者超过1年的1个营业周期内变现或者耗用的资产，包括现金、银行存款、短期投资、应收及预付款项、待摊费用、存货等；长期投资是指除短期投资以外的投资，包括持有时间准备超过1年(不含1年)的各种股权性质的投资、不能变现或不准备变现的债券、其他债权投资和其他长期投资；固定资产是指企业使用期限超过1年的房屋、建筑物、机器、机械、运输工具，以及其他与生产、经营有关的设备、器具、工具等；无形资产是指企业为生产商品或者提供劳务出租给他人，或为管理目的而持有的没有实物形态的非货币性长期资产；其他资产是指除流动资产、长期投资、固定资产、无形资产以外的资产，如长期待摊费用。

本发明实施例中的资产图像信息主要以书面文字信息为主，比如房产证，土地使用证、保单、发票、报表、合同等。

完成步骤s1之后，执行步骤s2：对所述资产图像信息进行识别，获得所述资产图像信息中的文本数据。

在具体的实施过程中，由于资产主要是以文字信息为主，为了能够更好地识别所述资产图像信息中的文字信息，在进一步的实施方案中，本发明实施例中具体采用ocr提取器对所述资产图像信息进行数据提取，获得所述资产图像信息中的文本数据。

具体的，本发明实施例中的所述ocr提取器采用深度学习ctpn结合crnn的网络结构搭建而成，其对所述资产图像信息进行数据提取的方法包括：

对所述资产图像信息中的文本行进行定位，获得文本行；

提取所述文本行的特征序列，并获取所述特征序列的标签分布；

对所述标签分布进行去重整合，获得所述文本数据。

完成步骤s2之后，执行步骤s3：基于预先训练好的分类模型对所述文本数据进行识别分类。

在具体的实施过程中，由于不同的资产，其评估方式不一样，因此，必须对待评估资产进行分类，本发明实施例中具体采用预先训练好的分类模型来进行分类，采用训练好的分类模型进行资产分类，能够提高分类的准确性和效率。

分类模型有很多种，比如随机森林、线性回归、逻辑回归、决策树等，本发明实施例优选基于深度学习的卷积神经网络模型。

所述文本数据分好类之后，执行步骤s4：将分好类的所述文本数据输入对应的预先训练好的资产评估模型，获得资产评估结果。

在具体的实施过程中，由于资产的不同，其评估方式也不尽相同，因此，为了能够更好地对资产进行评估，本发明实施例中准备了多个资产评估模型，每个资产评估模型对应一类资产，比如企业信用评估模型、不动产评估模型(房产、土地)、动产评估模型(车)、知识产权评估模型、应收账款模、金融资产评估模型(银行票据)、股东信用评估模型、古董及工艺品评估模型，及其他资产类型评估模型等。每一个资产评估模型均为基于深度学习的卷积神经网络模型，并且经过了大量的训练。

本发明提供的基于图像识别的资产评估方法通过采集资产图像信息，然后进行自动识别、分类和评估，能够提升准确性与客观性，减少人为判断，降低错误率。

对应于上述基于图像识别的资产评估方法，本发明还提供了一种基于图像识别的资产评估装置，如图2所示，该基于图像识别的资产评估装置包括：

采集模块100，用于采集资产图像信息；

识别模块200，与采集模块100连接，用于对所述资产图像信息进行识别，获得所述资产图像信息中的文本数据；

分类模块300，与识别模块200连接，用于基于预先训练好的分类模型对所述文本数据进行识别分类；

评估模块400，与分类模块300连接，用于将分好类的所述文本数据输入对应的预先训练好的资产评估模型，获得资产评估结果。

在具体的实施过程中，本发明实施例中的识别模块200优选为ocr提取器，所述ocr提取器包括：

文本行定位模块，用于对所述资产图像信息中的文本行进行定位，获得文本行；

特征提取模块，与所述文本行定位模块连接，用于提取所述文本行的特征序列；

标签获取模块，与所述特征提取模块连接，用于获取所述特征序列的标签分布；

数据整合模块，与所述标签获取模块连接，用于对所述标签分布进行去重整合，获得所述文本数据。

为了能够提高评估的准确性，本发明实施例中的所述分类模型和所述资产评估模型均优选基于深度学习的卷积神经网络模型。

对应于上述基于图像识别的资产评估方法，本发明还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于图像识别的资产评估方法的步骤。

本发明实施例提供的基于图像识别的资产评估方法、装置以及计算机存储介质通过采集资产图像信息，然后进行自动识别、分类和评估，能够提升准确性与客观性，减少人为判断，降低错误率。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。