本技术涉及智能识别,尤其涉及一种基于集成学习模型的拍品分类方法、系统及存储介质。
背景技术:
1、随着科技的不断发展,企业在不断更新升级硬件设施的过程中,会产生大量的废旧物资或者二手设备等废旧物品,如果直接丢弃会造成大量的资源浪费。通过资源回收然后拍卖的方式,既可以给原企业带来一定的回收效益,又可以将废旧物品售卖给合适的新企业,促进资源循环再利用,避免浪费,推动绿色发展。
2、多数废旧物品(也即拍卖物品,简称拍品)大多是通过承接拍卖企业的工作人员现场收集废旧物品的相关信息,通过人工分析,将废旧物品进行分类,需要花费大量的时间,人工成本较高。
3、申请人发现,对于一些小的拍品,基本可以通过外观实现价值评估和分类,无需派人员现场评估。然而,对于上述拍品,现有大多通过人工识别或者简单的图像识别进行分类,识别效果差,准确率低。
技术实现思路
1、本技术提供了一种基于集成学习模型的拍品分类方法、系统及存储介质,以解决部分拍品需要由大多通过简单的图像识别进行分类,识别效果差,准确率低的问题。
2、第一方面,本技术提供了一种基于集成学习模型的拍品分类方法,应用于集成学习模型系统,集成学习模型系统包括信息区块链,信息区块链的每一个信息节点对应存储有一个被上传拍品的图像信息;该方法包括:
3、从目标信息节点获取目标拍品的第一图像信息,并根据第一图像信息提取目标拍品的多个第一图像特征,目标信息节点为信息区块链的任一信息节点;
4、根据多个第一图像特征计算目标拍品的第一分类度,第一分类度用于指示目标拍品的实际分类价值;
5、基于训练好的集成学习模型,根据多个第一图像特征预测目标拍品的第二分类度,第二分类度用于指示目标拍品的预测分类价值;
6、根据第一分类度和第二分类度对目标拍品进行分类。
7、在一种可能的实现方式中,根据第一分类度和第二分类度对目标拍品进行分类,包括:
8、计算第一分类度和第二分类度的比值,作为目标偏差值;
9、根据目标偏差值对目标拍品进行分类。
10、在一种可能的实现方式中,集成学习模型系统还包括分类区块链,分类区块链包括第一子链、第二子链和第三子链;
11、根据目标偏差值对目标拍品进行分类,包括:
12、在目标偏差值小于第一预设偏差值时,将目标拍品标记为稳定,并将目标拍品的图像信息上传至第一子链;
13、在目标偏差值不小于第一预设偏差值,且小于第二预设偏差值时,将目标拍品标记为合理,并将目标拍品的图像信息上传至第二子链;
14、在目标偏差值大于第二预设偏差值时,将目标拍品标记为风险,并将目标拍品的图像信息上传至第三子链;
15、其中,第一预设偏差值小于第二预设偏差值。
16、在一种可能的实现方式中,集成学习模型系统还包括记录区块链,记录区块链的每一个记录节点存储有一个已售拍品的第二图像信息和售价;
17、根据多个第一图像特征计算目标拍品的第一分类度,包括:
18、获取每个记录节点已售拍品的第二图像信息和售价;
19、对于每一个已售拍品,根据第二图像信息提取该已售拍品的多个第二图像特征;
20、计算每个第一图像特征和各个第二图像特征的m个相似度;
21、基于预先确定的第一公式,根据m个相似度和各个已售拍品的售价计算目标拍品的第一分类度。
22、在一种可能的实现方式中,第一公式包括:
23、
24、
25、其中,cz表示目标拍品z的第一分类度,azq表示目标拍品z与已售拍品q的相似度,qq表示已售拍品q的售价,pzi,qj表示目标拍品z的第i个第一图像特征与已售拍品q的第j个第二图像特征的相似度,λ表示售价波动参数,0<λ<1。
26、在一种可能的实现方式中,集成学习模型系统还包括标准区块链,标准区块链中存储有第一数量标准拍品的第三图像信息和标准售价;
27、在从目标信息节点获取目标拍品的第一图像信息之前,该方法还包括:
28、从标准区块链中获取第二数量标准拍品的第三图像信息和售价,第二数量不大于第一数量;
29、计算每一个标准拍品的第三图像特征,并根据第三图像特征计算每一个标准拍品的第三分类度,第三分类度用于指示标准拍品的理论分类价值;
30、根据第二数量标准拍品的第三图像特征和第三分类度对集成学习模型进行训练,得到训练好的集成学习模型。
31、在一种可能的实现方式中,集成学习模型包括第一预测层、第二预测层和第三预测层,第一预测层、第二预测层和第三预测层中包括的模型不完全相同;
32、根据第二数量标准拍品的第三图像特征和第三分类度对集成学习模型进行训练,得到训练好的集成学习模型,包括:
33、将第二数量的标准拍品划分为第一训练集和第一验证集,第一训练集包括x个标准拍品的图像特征和第三分类度,第一验证集包括y个标准拍品的图像特征和第三分类度;
34、根据第一训练集和第一验证集对第一预测层进行训练,得到训练好的第一预测层;
35、将第一预测层的输出结果划分为第二训练集和第二验证集,并根据第二训练集和第二验证集对第二预测层进行训练,得到训练好的第二预测层;
36、将第二预测层的输出结果划分为第三训练集和第三验证集,并根据第三训练集和第三验证集对第三预测层进行训练,得到训练好的第三预测层;
37、根据训练好的第一预测层、训练好的第二预测层和训练好的第三预测层构建训练好的集成学习模型。
38、在一种可能的实现方式中,计算每一个标准拍品的第三分类度的公式为:
39、
40、其中,cy表示标准拍品y的第三分类度,byp表示标准拍品y与其他标准拍品p的相似度,λ表示售价波动参数,0<λ<1。
41、第二方面,本技术提供了一种基于集成学习模型的拍品分类装置,应用于集成学习模型系统,集成学习模型系统包括信息区块链和价值区块链,信息区块链的每一个信息节点对应存储有一个被上传拍品的图像信息,该装置包括:
42、第一获取模块,用于从目标信息节点获取目标拍品的第一图像信息,并根据第一图像信息提取目标拍品的多个第一图像特征,目标信息节点为信息区块链的信息节点;
43、第一计算模块,用于根据多个第一图像特征计算目标拍品的第一分类度,第一分类度用于指示目标拍品的实际分类价值;
44、第二计算模块,用于基于训练好的集成学习模型,根据多个第一图像特征预测目标拍品的第二分类度,第二分类度用于指示目标拍品的预测分类价值;
45、分类模块,用于根据第一分类度和第二分类度对目标拍品进行分类。
46、第三方面,本技术提供了一种ai分类系统,包括存储器和处理器,存储器中存储有可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式基于集成学习模型的拍品分类方法的步骤。
47、第四方面,本技术提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式基于集成学习模型的拍品分类方法的步骤。
48、本技术提供一种基于集成学习模型的拍品分类方法、系统及存储介质,通过构建信息区块链,信息区块链中每一个信息节点对应存储有一个被上传拍品的图像信息。通过获取目标拍品的图像信息,进而提取第一图像特征,然后根据多个第一图像特征计算目标拍品的第一分类度,以及,基于训练好的集成学习模型,根据多个第一图像特征预测目标拍品的第二分类度。最后根据第一分类度和第二分类度对目标拍品进行分类,相较于简单的图像识别,引入了集成学习模型,判断过程全程自动化和智能化,识别更加准确,效率更高,可以极大提升拍品的评判效率,进而提升资源循环的效率。