长度获取方法、装置、保险理赔系统、介质及电子设备.pdf

《长度获取方法、装置、保险理赔系统、介质及电子设备.pdf》由会员分享，可在线阅读，更多相关《长度获取方法、装置、保险理赔系统、介质及电子设备.pdf（30页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910271246.5 (22)申请日 2019.04.04 (71)申请人 财付通支付科技有限公司 地址 518000 广东省深圳市南山区高新科 技园科技中一路腾讯大厦8层 (72)发明人 李立琛辛愿 (74)专利代理机构 深圳市隆天联鼎知识产权代 理有限公司 44232 代理人 刘抗美 (51)Int.Cl. G06K 9/00(2006.01) G06T 7/11(2017.01) G06T 7/60(2017.01) G06Q 40/08(2012.01) (54)。

2、发明名称 长度获取方法、 装置、 保险理赔系统、 介质及 电子设备 (57)摘要 本发明实施例公开了一种长度获取方法、 装 置、 保险理赔系统、 存储介质及电子设备， 所述长 度获取方法包括： 获取包含目标物和参照物的图 像； 基于图像分割模型， 从所述图像中分割得到 目标物区域和参照物区域； 获取所述参照物区域 的像素长度与所述参照物的实际长度， 以及获取 所述目标物区域的像素长度； 结合所述参照物区 域的像素长度与所述参照物的实际长度， 根据所 述目标物区域的像素长度获取所述目标物的实 际长度。 采用本发明实施例提供的长度获取方 法、 装置、 保险理赔系统、 存储介质及电子设备解 决了现有。

3、技术中长度测量依赖于人工实现的问 题。 权利要求书3页 说明书14页 附图12页 CN 110175503 A 2019.08.27 CN 110175503 A 1.一种长度获取方法， 其特征在于， 包括： 获取包含目标物和参照物的图像； 基于图像分割模型， 从所述图像中分割得到目标物区域和参照物区域； 获取所述参照物区域的像素长度与所述参照物的实际长度， 以及获取所述目标物区域 的像素长度； 结合所述参照物区域的像素长度与所述参照物的实际长度， 根据所述目标物区域的像 素长度获取所述目标物的实际长度。 2.如权利要求1所述的方法， 其特征在于， 所述结合所述参照物区域的像素长度与所述 参照。

4、物的实际长度， 根据所述目标物区域的像素长度获取所述目标物的实际长度之后， 所 述方法还包括： 基于学习得到的校正因子， 对所述目标物的实际长度进行缩放处理； 将缩放处理结果更新为所述目标物的实际长度。 3.如权利要求2所述的方法， 其特征在于， 所述基于学习得到的校正因子， 对所述目标 物的实际长度进行缩放处理之前， 所述方法还包括： 获取待学习样本； 根据所述待学习样本中待学习目标物的实际长度和真实长度， 进行所述校正因子的学 习。 4.如权利要求3所述的方法， 其特征在于， 所述根据所述待学习样本中待学习目标物的 实际长度和真实长度， 进行所述校正因子的学习， 包括： 针对每一个待学习样。

5、本， 获取该待学习样本中待学习目标物的实际长度和真实长度之 间的相对误差； 对所述相对误差进行求平均值处理， 以所述平均值作为所述校正因子。 5.如权利要求1至4任一项所述的方法， 其特征在于， 所述基于图像分割模型， 从所述图 像中分割得到目标物区域和参照物区域， 包括： 将所述图像由所述图像分割模型的输入层传输至卷积层； 通过所述卷积层对所述图像进行特征提取， 得到所述图像的局部特征； 通过连接层对所述图像的局部特征进行特征融合， 得到所述图像的全局特征； 通过输出层对所述图像的全局特征进行区域类别预测， 得到所述图像中的目标物区域 和参照物区域。 6.如权利要求1至4任一项所述的方法， 。

6、其特征在于， 所述方法还包括： 获取训练样本， 所述训练样本是进行了目标物区域标注和参照物区域标注的图像； 构建基础模型， 并利用所述训练样本对所述基础模型进行模型训练， 得到所述图像分 割模型。 7.如权利要求6所述的方法， 其特征在于， 所述利用所述训练样本对所述基础模型进行 模型训练， 得到所述图像分割模型， 包括： 基于当前一个训练样本和所述基础模型的参数， 构建所述基础模型的损失函数； 获取所述损失函数的损失值； 如果所述损失函数的损失值指示所述损失函数收敛， 则由所述基础模型收敛得到所述 图像分割模型； 权利要求书 1/3 页 2 CN 110175503 A 2 否则， 更新所述。

7、基础模型的参数， 并结合后一个训练样本， 继续构建所述基础模型的损 失函数。 8.如权利要求7所述的方法， 其特征在于， 所述基础模型的损失函数为用于区域类别预 测的分类损失函数、 对候选区域进行位置回归的损失函数、 在所述候选区域上引入分隔掩 模的损失函数之和， 其中， 所述候选区域包括所述目标物区域、 所述参照物区域。 9.如权利要求1至4任一项所述的方法， 其特征在于， 所述获取所述目标物区域的像素 长度和所述参照物区域的像素长度， 包括： 分别对所述目标物区域和所述参照物区域进行曲线拟合， 得到对应于所述目标物区域 的第一拟合区域和对应于所述参照物区域的第二拟合区域； 根据所述第一拟合。

8、区域和所述第二拟合区域， 得到所述目标物区域的像素长度和所述 参照物区域的像素长度。 10.如权利要求9所述的方法， 其特征在于， 所述第一拟合区域为第一矩形， 所述第二拟 合区域为第二矩形； 所述根据所述第一拟合区域和所述第二拟合区域， 得到所述目标物区域的像素长度和 所述参照物区域的像素长度， 包括： 以所述第一矩形中长边的长度作为所述目标物区域的像素长度， 并以所述第二矩形中 长边的长度作为所述参照物区域的像素长度。 11.如权利要求1至4任一项所述的方法， 其特征在于， 所述结合所述参照物区域的像素 长度与所述参照物的实际长度， 根据所述目标物区域的像素长度获取所述目标物的实际长 度，。

9、 包括： 对所述目标物区域的像素长度与所述参照物的实际长度进行乘法运算； 对乘法运算结果与所述参照物区域的像素长度进行除法运算， 将除法运算结果作为所 述目标物的实际长度。 12.一种长度获取装置， 其特征在于， 包括： 图像获取模块， 用于获取包含目标物和参照物的图像； 图像分割模块， 用于基于图像分割模型， 从所述图像中分割得到目标物区域和参照物 区域； 像素长度计算模块， 用于获取所述参照物区域的像素长度与所述参照物的实际长度， 以及获取所述目标物区域的像素长度； 目标物长度计算模块， 用于结合所述参照物区域的像素长度与所述参照物的实际长 度， 根据所述目标物区域的像素长度获取所述目标物。

10、的实际长度。 13.一种保险理赔系统， 其特征在于， 所述保险理赔系统包括请求端、 理赔端和检测端， 其中， 所述请求端， 用于向所述理赔端发起保险理赔请求， 所述保险理赔请求中携带包含牲 畜和参照物的图像； 所述理赔端， 用于响应于所述保险理赔请求， 将所述图像发送至所述检测端； 所述检测端， 用于根据所述图像进行牲畜体长检测， 所述牲畜体长检测包括： 基于图像 分割模型， 从所述图像中分割得到牲畜区域和参照物区域， 由所述牲畜区域分离得到目标 物区域， 并获取所述目标物区域的像素长度和所述参照物区域的像素长度， 结合所述参照 权利要求书 2/3 页 3 CN 110175503 A 3 物。

11、区域的像素长度与所述参照物的实际长度， 根据所述目标物区域的像素长度获得所述牲 畜的估测体长； 所述理赔端， 还用于接收所述检测端返回的所述牲畜的估测体长， 并根据所述牲畜的 估测体长进行保险理赔。 14.一种存储介质， 其特征在于， 其上存储有计算机程序， 所述计算机程序被处理器执 行时实现如权利要求1至11任一项所述的长度获取方法。 15.一种电子设备， 其特征在于， 包括： 处理器； 存储器， 所述存储器上存储有计算机程序， 所述计算机程序被所述处理器执行时实现 如权利要求1至11任一项所述的长度获取方法。 权利要求书 3/3 页 4 CN 110175503 A 4 长度获取方法、 装。

12、置、 保险理赔系统、 介质及电子设备 技术领域 0001 本发明涉及计算机领域， 尤其涉及一种长度获取方法、 装置、 保险理赔系统、 存储 介质及电子设备。 背景技术 0002 长度测量已逐步应用在各种领域， 例如， 在针对牲畜的保险理赔中， 由于牲畜体长 是反映牲畜生长状况的重要指标， 因此， 保险公司的理赔方案通常是基于牲畜体长来确定 理赔金额。 0003 目前， 长度测量主要是采取人工检测目标物长度的方法， 具体地， 测量人员通过卷 尺等测量工具对目标物从头至尾或者从上至下进行测量。 0004 然而， 发明人意识到此方法过程繁琐且依赖于人工实现， 不仅效率低下， 其测量结 果在很大程度上。

13、取决于测量人员的主观性判断， 难以保证测量结果的准确性。 0005 由上可知， 如何避免长度测量依赖于人工实现仍亟待解决。 发明内容 0006 本发明实施例提供一种长度获取方法、 装置、 保险理赔系统、 电子设备及存储介 质， 可以解决相关技术中存在的长度测量依赖于人工实现的问题。 0007 其中， 本发明所采用的技术方案为： 0008 根据本发明实施例的一方面， 一种长度获取方法， 包括： 获取包含目标物和参照物 的图像； 基于图像分割模型， 从所述图像中分割得到目标物区域和参照物区域； 获取所述参 照物区域的像素长度与所述参照物的实际长度， 以及获取所述目标物区域的像素长度； 结 合所述参。

14、照物区域的像素长度与所述参照物的实际长度， 根据所述目标物区域的像素长度 获取所述目标物的实际长度。 0009 根据本发明实施例的一方面， 一种长度获取装置， 包括： 图像获取模块， 用于获取 包含目标物和参照物的图像； 图像分割模块， 用于基于图像分割模型， 从所述图像中分割得 到目标物区域和参照物区域； 像素长度计算模块， 用于获取所述参照物区域的像素长度与 所述参照物的实际长度， 以及获取所述目标物区域的像素长度； 目标物长度计算模块， 用于 结合所述参照物区域的像素长度与所述参照物的实际长度， 根据所述目标物区域的像素长 度计算所述目标物的实际长度。 0010 根据本发明实施例的一方面。

15、， 一种保险理赔系统， 包括请求端、 理赔端和检测端， 其中， 所述请求端， 用于向所述理赔端发起保险理赔请求， 所述保险理赔请求中携带包含牲 畜和参照物的图像； 所述理赔端， 用于响应于所述保险理赔请求， 将所述图像发送至所述检 测端； 所述检测端， 用于根据所述图像进行牲畜体长检测， 所述牲畜体长检测包括： 基于图 像分割模型， 从所述图像中分割得到牲畜区域和参照物区域， 由所述牲畜区域分离得到目 标物区域， 并获取所述目标物区域的像素长度和所述参照物区域的像素长度， 结合所述参 照物区域的像素长度与所述参照物的实际长度， 根据所述目标物区域的像素长度获得所述 说明书 1/14 页 5 C。

16、N 110175503 A 5 牲畜的估测体长； 所述理赔端， 还用于接收所述检测端返回的所述牲畜的估测体长， 并根据 所述牲畜的估测体长进行保险理赔。 0011 根据本发明实施例的一方面， 一种电子设备， 包括处理器及存储器， 所述存储器上 存储有计算机程序， 所述计算机程序被所述处理器执行时实现如上所述的长度获取方法。 0012 根据本发明实施例的一方面， 一种存储介质， 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如上所述的长度获取方法。 0013 在上述技术方案中， 获取包含目标物和参照物的图像， 基于图像分割模型从图像 分割得到目标物区域和参照物区域， 以计算目标物区域。

17、的像素长度和参照物区域的像素长 度， 进而结合参照物的实际长度， 根据目标物区域的像素长度获取目标物的实际长度， 由 此， 通过结合图像分割模型和放置于目标物所在空间内的参照物来自动检测目标物的长 度， 有效地解决了现有技术中长度测量依赖人工实现的问题。 0014 应当理解的是， 以上的一般描述和后文的细节描述仅是示例性和解释性的， 并不 能限制本发明。 附图说明 0015 此处的附图被并入说明书中并构成本说明书的一部分， 示出了符合本发明的实施 例， 并于说明书一起用于解释本发明的原理。 0016 图1是根据本发明所涉及的实施环境的示意图。 0017 图2是根据一示例性实施例示出的一种服务器。

18、的硬件结构框图。 0018 图3是根据一示例性实施例示出的一种长度获取方法的流程图。 0019 图4为图3对应实施例所涉及的牲畜区域分离出目标区域的示意图。 0020 图5是图3对应实施例中步骤370在一个实施例的流程图。 0021 图6是根据一示例性实施例示出的一种长度获取方法的流程图。 0022 图7是根据一示例性实施例示出的一种长度获取方法的流程图。 0023 图8为图7对应实施例中步骤530在一个实施例的流程图。 0024 图9是图3对应实施例中步骤330在一个实施例的流程图。 0025 图10为图9对应实施例所涉及的牲畜区域和参照物区域的示意图。 0026 图11是根据一示例性实施例。

19、示出的一种长度获取方法的流程图。 0027 图12是图11对应实施例中步骤630在一个实施例的流程图。 0028 图13是图3对应实施例中步骤350在一个实施例的流程图。 0029 图14为图13对应实施例所涉及的拟合区域为矩形的示意图。 0030 图15是一应用场景中一种保险理赔方法的时序图。 0031 图16是图15对应应用场景中一种长度获取方法的具体实现示意图。 0032 图17是根据一示例性实施例示出的一种长度获取装置的框图。 0033 图18是根据一示例性实施例示出的一种长度获取装置的硬件结构框图。 0034 通过上述附图， 已示出本发明明确的实施例， 后文中将有更详细的描述， 这些。

20、附图 和文字描述并不是为了通过任何方式限制本发明构思的范围， 而是通过参考特定实施例为 本领域技术人员说明本发明的概念。 说明书 2/14 页 6 CN 110175503 A 6 具体实施方式 0035 这里将详细地对示例性实施例执行说明， 其示例表示在附图中。 下面的描述涉及 附图时， 除非另有表示， 不同附图中的相同数字表示相同或相似的要素。 以下示例性实施例 中所描述的实施方式并不代表与本发明相一致的所有实施方式。 相反， 它们仅是与如所附 权利要求书中所详述的、 本发明的一些方面相一致的装置和方法的例子。 0036 如前所述， 长度测量仍依赖于人工实现， 不仅效率低下， 难以保证长度。

21、测量的准确 性。 0037 为此， 本发明实施例特提出了一种长度获取方法， 结合图像分割模型和放置于目 标物所在空间内的参照物， 来自动测量长度， 能够有效地提高长度测量的准确率， 相应地， 匹配于该种长度获取方法的长度获取装置， 部署于具备冯诺依曼体系结构的电子设备中， 例如， 电子设备为个人计算机(PC)、 服务器、 智能手机等， 以此实现长度获取方法。 0038 图1为一种长度获取方法所涉及的实施环境的示意图。 该实施环境包括终端100和 服务器端200。 0039 其中， 终端100可以是台式电脑、 笔记本电脑、 平板电脑、 智能手机或者其他具有通 信连接功能的电子设备， 在此不进行限。

22、定。 0040 服务器端200可以是一台服务器， 也可以是由多台服务器构成的服务器集群， 甚至 是由多台服务器构成的云计算中心。 此服务器是为用户提供后台服务的电子设备， 例如， 后 台服务包括但不限于长度测量服务等等。 0041 服务器端200通过无线或者有线等方式预先建立与终端100之间的通信连接， 并通 过通信连接实现服务器端200与终端100之间的数据传输。 例如， 传输的数据包括图像、 牲畜 的估测体长等。 0042 通过终端100与服务器端200的交互， 用户便可借助终端100向服务器端200发起请 求， 以使服务器端200提供长度测量服务。 0043 对于服务器端200而言， 便。

23、能够接收到该请求， 并根据该请求中的图像向用户提供 长度测量服务， 以向终端100返回牲畜的估测体长。 0044 具体而言， 长度测量服务包括： 基于图像分割模型， 从包含目标物和参照物的图像 中分割得到目标物区域和参照物区域， 并以此获取目标物区域的像素长度和参照物区域的 像素长度， 进而结合参照物的实际长度， 根据目标物区域的像素长度获得目标物的实际长 度。 0045 图2是根据一示例性实施例示出的一种服务器的硬件结构框图。 该种服务器适用 于图1所示出实施环境的服务器端。 0046 需要说明的是， 该种服务器只是一个适配于本发明的示例， 不能认为是提供了对 本发明的使用范围的任何限制。 。

24、该种服务器也不能解释为需要依赖于或者必须具有图2中 示出的示例性的服务器200中的一个或者多个组件。 0047 服务器200的硬件结构可因配置或者性能的不同而产生较大的差异， 如图2所示， 服务器200包括： 电源210、 接口230、 至少一存储器250、 以及至少一中央处理器(CPU, Central Processing Units)270。 0048 具体地， 电源210用于为服务器200上的各硬件设备提供工作电压。 0049 接口230包括至少一有线或无线网络接口， 用于与外部设备交互。 例如， 进行图1所 说明书 3/14 页 7 CN 110175503 A 7 示出实施环境中终。

25、端100与服务器端200之间的交互。 0050 当然， 在其余本发明适配的示例中， 接口230还可以进一步包括至少一串并转换接 口233、 至少一输入输出接口235以及至少一USB接口237等， 如图2所示， 在此并非对此构成 具体限定。 0051 存储器250作为资源存储的载体， 可以是只读存储器、 随机存储器、 磁盘或者光盘 等， 其上所存储的资源包括操作系统251、 应用程序253及数据255等， 存储方式可以是短暂 存储或者永久存储。 0052 其中， 操作系统251用于管理与控制服务器200上的各硬件设备以及应用程序253， 以实现中央处理器270对存储器250中海量数据255的运算。

26、与处理， 其可以是Windows ServerTM、 Mac OS XTM、 UnixTM、 LinuxTM、 FreeBSDTM等。 0053 应用程序253是基于操作系统251之上完成至少一项特定工作的计算机程序， 其可 以包括至少一模块(图2中未示出)， 每个模块都可以分别包含有对服务器200的一系列计算 机可读指令。 例如， 长度获取装置即可视为部署于服务器的应用程序253。 0054 数据255可以是存储于磁盘中的照片、 图片等， 还可以是包含牲畜和参照物的图像 等， 存储于存储器250中。 0055 中央处理器270可以包括一个或多个以上的处理器， 并设置为通过至少一通信总 线与存。

27、储器250通信， 以读取存储器250中存储的计算机可读指令， 进而实现对存储器250中 海量数据255的运算与处理。 例如， 通过中央处理器270读取存储器250中存储的一系列计算 机可读指令的形式来完成长度获取方法。 0056 可以理解， 图2所示的结构仅为示意， 服务器200还可包括比图2中所示更多或更少 的组件， 或者具有与图2所示不同的组件。 图2中所示的各组件可以采用硬件、 软件或者其组 合来实现。 0057 请参阅图3， 在一示例性实施例中， 一种长度获取方法适用于电子设备， 该电子设 备可以是个人计算机、 智能手机， 还可以是图1所示实施环境的服务器端， 该电子设备的结 构不局限。

28、于图2所示的服务器的结构。 0058 该种长度获取方法可以由电子设备执行， 可以包括以下步骤： 0059 步骤310， 获取包含目标物和参照物的图像。 0060 其中， 所述参照物可以被水平放置于所述目标物所在空间内。 0061 例如， 对于目标物为牲畜而言， 以立方体作为参照物， 水平放置于牲畜的侧面， 或 者， 以卡片作为参照物， 水平放置于牲畜的背上， 这样参照物不受牲畜的遮挡， 且能够始终 保持水平放置， 有效地减少了倾斜， 以此避免以耳标作为参照物时导致的耳标由于水平面 严重倾斜而在成像中存在的系统透视误差。 0062 进一步地， 参照物的尺寸大于耳标的尺寸， 以利于提升牲畜体长检测。

29、的准确率。 0063 图像， 是图像采集端对目标物和参照物进行拍摄生成的， 该图像采集端可以是布 设在目标物所在空间内的摄像设备， 例如， 摄像设备为摄像头， 还可以是其他配置了摄像组 件的电子设备， 例如， 电子设备为配置了摄像头的智能手机。 0064 关于包含目标物和参照物的图像的获取， 既可以实时获取图像采集端采集的图 像， 以便于实时地对图像进行相关处理， 也可以获取一历史时间段内图像采集端采集的图 像， 以便于在处理任务较少的时候对图像进行相关处理， 或者， 在操作人员的指示下对图像 说明书 4/14 页 8 CN 110175503 A 8 进行相关处理， 例如， 相关处理包括图像。

30、分割， 本实施例并未对此加以限定。 0065 换句话说， 获取到的包含目标物和参照物的图像， 可以来源于图像采集端实时采 集的图像， 还可以是预先存储的由图像采集端采集的图像， 例如， 电子设备通过本地读取或 者网络下载的方式获取。 0066 而就图像采集端来说， 电子设备获取到的图像均是由采集设备采集的， 既可以是 图像采集端主动将采集到的图像上传， 也可以是响应于电子设备向图像采集端下发的图像 获取指令， 而将采集到的图像上传至电子设备， 在此也并未加以限定。 0067 那么， 电子设备在获取到包含目标物和参照物的图像之后， 便可提供长度测量服 务， 即借助图像中的目标物和参照物计算目标物。

31、的实际长度。 0068 当然， 对于电子设备而言， 为了确保长度测量的准确率， 还可以针对图像采集端上 传的图像进行相关预处理， 以去除图像传输过程中产生的噪声， 其中， 相关预处理包括但不 限于归一化、 滤波等处理。 0069 值得一提的是， 图像采集端对目标物和参照物进行拍摄， 可以是连续拍摄生成一 段视频， 还可以是非连续拍摄生成若干张图片， 基于此， 本发明实施例中， 长度获取以帧为 单位进行， 也即是， 图像， 可以是指一段视频中的一帧视频图像， 也可以是指若干张图片中 的某一张图片， 在此并未加以限定。 0070 步骤330， 基于图像分割模型， 从所述图像中分割得到目标物区域和参。

32、照物区域。 0071 图像分割， 用于从图像中分割出目标物区域和参照物区域。 具体地， 图像分割实质 上是将图像中属于同一区域的像素赋予相同的灰度值， 以使图像中不同区域的像素具有不 同的灰度值， 进而使得图像中分割出目标物区域和参照物区域。 例如， 目标物区域的像素的 灰度值为0， 参照物区域的像素的灰度值为255。 0072 其中， 目标物区域用于指示图像中目标物关键部位所在位置， 例如， 目标物关键部 位包括头部、 尾部、 四肢、 躯干、 耳朵等， 相应地， 目标物区域包括头部区域、 尾部区域、 四肢 区域、 躯干区域、 耳朵区域等。 0073 参照物区域用于指示图像中参照物所在位置。 。

33、0074 本实施例中， 图像分割， 是基于图像分割模型实现的。 0075 该图像分割模型， 是以机器学习模型为基础模型， 通过训练样本对该基础模型进 行模型训练生成的。 其中， 训练样本指的是对目标物区域和参照物区域进行标注的图像。 0076 也就是说， 图像分割模型， 实质上构建了图像与目标物区域、 参照物区域之间的数 学映射关系， 那么， 在获得图像之后， 便可基于图像分割模型提供的该数学映射关系， 从图 像中分割得到目标物区域和参照物区域。 0077 可选地， 机器学习模型包括但不限于： 卷积神经网络模型、 深度神经网络模型、 残 差神经网络模型等。 0078 可选地， 图像分割包括： 。

34、普通分割、 语义分割、 实力分割等， 其中， 普通分割进一步 包括： 阈值分割、 区域分割、 边缘分割、 直方图分割等。 0079 在一实施例的实现中， 图像分割， 是指以深度神经网络模型为基础模型， 对图像进 行语义分割。 0080 可选地， 目标物为牲畜时， 从图像中分割得到的目标物区域包括但不限于： 牲畜四 肢语义区域、 牲畜躯干语义区域、 牲畜耳朵语义区域、 以及参照物语义区域。 说明书 5/14 页 9 CN 110175503 A 9 0081 应当理解， 长度获取广泛应用于不同领域的各应用场景， 不同应用场景的实际需 求可能有所区别。 以目标物为猪， 目标物的长度为猪体长举例进行。

35、说明， 在一应用场景中， 猪体长是指猪耳根到猪尾的长度， 而在另一应用场景中， 猪体长则是指猪头到猪尾的长度， 相应地， 目标物区域也将有所区别。 0082 如图4(a)所示， 图像中包括头部区域401、 耳朵区域402、 躯干区域403、 四肢区域和 尾部区域405。 其中， 四肢区域包括前肢区域4041和后肢区域4042。 0083 如果猪体长是指猪耳根到猪尾的长度， 则目标物区域是指去除了四肢区域、 头部 区域、 耳朵区域的躯干区域和尾部区域， 如图4(b)中阴影部分所示， 而如果猪体长是指猪头 到猪尾的长度， 则目标物区域即为去除了四肢区域、 耳朵区域的头部区域、 躯干区域和尾部 区域。

36、， 如图4(c)中阴影部分所示。 0084 步骤350， 获取所述参照物区域的像素长度与所述参照物的实际长度， 以及获取所 述目标物区域的像素长度。 0085 首先， 在得到目标物区域和参照物区域之后， 便可基于目标物区域和参照物区域， 确定目标物在图像中的长度、 以及参照物在图像中的长度。 0086 其中， 目标物在图像中的长度， 即目标物区域的像素长度。 0087 参照物在图像中的长度， 即参照物区域的像素长度。 0088 关于像素长度， 可以通过计算目标物区域或者参照物区域中关键点之间的欧式距 离来表示， 也可以通过计算目标物区域或者参照物区域中关键点之间的长度来表示。 0089 例如，。

37、 关键点可以来自于目标物区域或者参照物区域的最小外接轮廓， 那么， 该最 小外接轮廓的长度即可作为目标物区域的像素长度或者参照物区域的像素长度。 0090 其次， 参照物的实际长度， 是指参照物在目标物所在空间内使用卷尺等测量工具 测量得到的实际测量长度。 0091 在此补充说明的是， 长度， 实质是针对点到点的距离而言， 还包含了宽度、 高度等 含义。 0092 步骤370， 结合所述参照物区域的像素长度与所述参照物的实际长度， 根据所述目 标物区域的像素长度计算所述目标物的实际长度。 0093 在确定目标物在图像中的长度、 以及参照物在图像中的长度， 便可结合参照物的 实际长度， 即参照物。

38、在目标物所在空间内使用卷尺等测量工具测量得到的实际测量长度， 估算得到目标物在其所在空间内的长度即是目标物的实际长度， 此处， 由于该长度是估算 得到的， 因此， 定义为目标物的实际长度， 以此区别于目标物在其所在空间内的真实长度。 0094 具体地， 在一实施例的实现中， 如图5所示， 步骤370可以包括以下步骤： 0095 步骤371， 对所述目标物区域的像素长度与所述参照物的实际长度进行乘法运算。 0096 步骤373， 对乘法运算结果与所述参照物区域的像素长度进行除法运算， 将除法运 算结果作为所述目标物的实际长度。 0097 也即是， 目标物的实际长度的计算公式如下： 0098 T(。

39、LTa)/La。 0099 其中， T表示目标物的实际长度， L表示参照物的实际长度， Ta表示目标物在图像中 的长度， 即目标物区域的像素长度， La表示参照物在图像中的长度， 即参照物区域的像素长 度。 说明书 6/14 页 10 CN 110175503 A 10 0100 通过如上所述的过程， 结合图像分割模型和放置的参照物， 实现了长度自动测量， 不仅避免依赖于人工实现， 有效地提高了长度测量的效率， 尤其当目标物为牲畜时还可避 免引发环保卫生问题。 0101 请参阅图6， 在一示例性实施例中， 步骤370之后， 如上所述的方法还可以包括以下 步骤： 0102 步骤410， 基于学习。

40、得到的校正因子， 对所述目标物的实际长度进行缩放处理。 0103 应当理解， 在图像采集端实际拍摄时， 由于成像时存在系统透视误差的可能性， 因 此， 在得到目标物的实际长度之后， 还需要针对目标物的实际长度作进一步修正。 0104 修正， 实质是利用校正因子， 对目标物的实际长度进行缩放运算。 0105 具体地， 修正过程采用如下计算公式： 0106 T T(1+r)。 0107 其中， T 表示修正后的目标物的实际长度， T表示目标物的实际长度， r表示校正因 子。 0108 步骤430， 将缩放处理结果更新为所述目标物的实际长度。 0109 在上述实施例的配合下， 实现了目标物的实际长度。

41、的修正， 以此避免因系统透视 误差而导致目标物的实际长度存在误差的问题， 从而进一步地提高长度测量的准确率。 0110 也可以说， 通过放置的参照物与校正因子的修正的双重保障， 有效地降低了目标 物的实际长度的误差， 从而有效地确保了长度测量的准确性。 0111 请参阅图7， 在一示例性实施例中， 步骤410之前， 如上所述的方法还可以包括以下 步骤： 0112 步骤510， 获取待学习样本。 0113 其中， 所述待学习样本包括待学习目标物的实际长度和真实长度。 0114 如前所述， 目标物的实际长度， 仅是估算得到的目标物在其所在空间内的长度， 区 别于目标物在其所在空间内的真实长度。 0。

42、115 该待学习样本， 可以是由图像采集端对待学习目标物和参照物进行拍摄生成并采 集的， 同理， 关于待学习样本的获取， 可以来源于图像采集端的实时采集， 也可以是预先存 储， 在此不再赘述。 0116 步骤530， 根据所述待学习样本中待学习目标物的实际长度和真实长度， 进行所述 校正因子的学习。 0117 学习， 是指根据若干个待学习样本中待学习目标物的实际长度和真实长度， 统计 得到校正因子， 以基于校正因子， 使得目标物的实际长度近似于真实长度。 0118 具体地， 在一实施例的实现中， 如图8所示， 步骤530可以包括以下步骤： 0119 步骤531， 针对每一个待学习样本， 获取该。

43、待学习样本中待学习目标物的实际长度 与真实长度之间的相对误差。 0120 步骤533， 对所述相对误差进行求平均值处理， 以所述平均值作为所述校正因子。 0121 举例来说， 假设待学习样本中待学习目标物的实际长度为tt1,t2,t3, tn， 待学习样本中待学习目标物的真实长度为gg1,g2,g3,gn， 其中n表示待学习样 本的数量。 0122 则， 待学习目标物的实际长度与真实长度之间的相对误差的计算公式如下： 说明书 7/14 页 11 CN 110175503 A 11 0123 e1(t1-g1)/t1， 0124 ， 0125 en(tn-gn)/tn。 0126 进一步地， 校。

44、正因子的计算公式如下： 0127 r(e1+e2+e3+en)/n。 0128 其中， ei(1iP2， 即表示该图像中该像素属于目标物区域类别， 则判定该像素位于目标 物区域。 0144 反之， 如果P1P2， 即表示该图像中该像素属于参照物区域类别， 则判定该像素位 于参照物区域。 0145 由此， 在针对图像中每一个像素进行概率计算之后， 便可判定每一个像素在图像 中的所在区域， 以此实现目标物区域和参照物区域的分割。 说明书 8/14 页 12 CN 110175503 A 12 0146 仍以目标物为猪， 目标物的长度为猪体长举例进行说明， 如图10(a)所示， 对于包 含目标物60。

45、1和参照物602的图像600而言， 参照物602为一卡片， 水平放置于目标物601背 面。 0147 其中， 目标物区域由头部区域401、 耳朵区域402、 躯干区域403、 四肢区域和尾部区 域405组成。 其中， 四肢区域包括前肢区域4041和后肢区域4042， 而参照物区域为501。 0148 如图10(b)所示， 对于包含目标物601和参照物603的图像600而言， 参照物603为一 长方体， 水平放置于目标物601侧面的地面。 0149 其中， 目标物区域仍由头部区域401、 耳朵区域402、 躯干区域403、 四肢区域和尾部 区域405组成。 其中， 四肢区域包括前肢区域4041和。

46、后肢区域4042， 而参照物区域则为502。 0150 应当说明的是， 在图像中， 除去目标物区域和参照物区域中的像素， 图像中的剩余 像素构成了背景区域。 0151 请参阅图11， 在一示例性实施例中， 如上所述的方法还可以包括以下步骤： 0152 步骤610， 获取训练样本。 0153 其中， 所述训练样本是进行了目标物区域标注和参照物区域标注的图像。 0154 步骤630， 构建基础模型， 并利用所述训练样本对所述基础模型进行模型训练， 得 到所述图像分割模型。 0155 首先， 基础模型， 包括但不限于： 卷积神经网络模型、 深度神经网络模型、 残差神经 网络模型等。 0156 其次，。

47、 模型训练， 是通过训练样本对基础模型的参数加以迭代优化， 使得由训练样 本和基础模型的参数构建的指定算法函数满足收敛条件， 进而使得构建的图像与目标物区 域、 参照物区域之间的数学映射关系达到最优， 则基础模型收敛为图像分割模型。 0157 其中， 指定算法包括但不限于： 最大期望函数、 损失函数等等。 0158 以指定算法为损失函数， 对模型训练过程加以说明如下。 0159 具体而言， 在一实施例的实现中， 如图12所示， 步骤630可以包括以下步骤： 0160 步骤631， 基于当前一个训练样本和所述基础模型的参数， 构建所述基础模型的损 失函数。 0161 具体地， 所述基础模型的损失。

48、函数为用于区域类别预测的分类损失函数、 对候选 区域进行位置回归的损失函数、 在所述候选区域上引入分隔掩模的损失函数之和。 其中， 所 述候选区域包括所述目标物区域、 所述参照物区域。 0162 也即是， LLcls+Lbox+Lmask。 0163 其中， L表示基础函数的损失函数， Lcls表示用于区域类别预测的分类损失函数， Lbox表示对候选区域进行位置回归的损失函数， Lmask表示在所述候选区域上引入分隔掩模 的损失函数。 0164 由此， 基于不同任务的损失函数构建基础模型的损失函数， 便能够更加精准地训 练得到图像分割模型， 进而有利于图像分割的准确率， 从而有利于提高长度测量。

49、的准确率。 0165 应当说明的是， 关于各种任务的损失函数， 可以采用mask-rcnn、 deeplab、 Human Parsing等算法进行构建。 0166 步骤633， 获取所述损失函数的损失值。 0167 举例来说， 随机初始化基础模型的参数， 结合第一个训练样本计算损失函数的损 说明书 9/14 页 13 CN 110175503 A 13 失值。 0168 如果所述损失函数的损失值指示所述损失函数收敛， 即损失函数的损失值达到最 小， 则跳转执行步骤635。 0169 否则， 如果损失函数的损失值指示所述损失函数未收敛， 即损失函数的损失值未 达到最小， 则跳转执行步骤637。。

50、 0170 步骤635， 由所述基础模型收敛得到所述图像分割模型。 0171 步骤637， 更新所述基础模型的参数， 并结合后一个训练样本， 继续构建所述基础 模型的损失函数， 直至该损失函数的损失值收敛。 0172 值得一提的是， 如果在损失函数的损失值收敛之前， 迭代次数已经达到迭代阈值， 也将停止对基础模型的参数继续优化， 以此保证模型训练的效率。 0173 那么， 当损失函数收敛并符合精度要求时， 表示模型训练已完成， 由此即得到图像 分割模型， 进而使得该图像分割模型具有了区域类别预测的能力。 0174 此外， 在上述过程中， 基于整个神经网络的拓扑结构， 使得图像分割为端到端过 程。