一种基于图片识别的活体禽畜抵押贷款贷前估值方法

技术领域

本发明涉及活体禽畜抵押贷款估值技术领域，具体的，涉及一种基于图片识别的活体禽畜抵押贷款贷前估值方法。

背景技术

目前现有贷前调查中对抵质押物进行调查的手段，一般有几种，一是直接的现场调研，通过和贷款人现场会谈、实地考察，查看抵质押活体畜禽的真实情况；二是委托调查，通过中介机构或银行自身网络开展调查。针对活体畜禽抵押贷款，金融机构会对借款人的抵押物，也就是活体畜禽进行价值评估，这个一般是贷前调查人员现场到养殖企业或者农户家进行核查。贷前调查人员到现场后，根据自己的经验，对活体畜禽的数量、质量、总价值进行评估。

但是活体禽畜抵押贷款属于新兴业务，对贷前调查人员要求较高，且由于没有统一的质量评估标准规范，对于活体禽畜的数量及总价值的估算可能存在误差。

发明内容

本发明的目的在于，针对上述问题，提出一种基于图片识别的活体禽畜抵押贷款贷前估值方法。

一种基于图片识别的活体禽畜抵押贷款贷前估值方法，包括如下步骤：

S1：建立优质畜禽图片数据库；

S2：获取图片数据库内家禽类、畜牧类图片数据，建立图片数据集；

S3：将数据集内图片进行标注处理；

S4：将生成带标注的图片数据集划分为训练集和测试集；

S5：训练集作为训练模型输入，导出离线训练yolov4动物数量统计模型；

S6：测试集作为学习模型输入，调整参数，得到最优的yolov4动物数量统计模型；

S7：采集待估值养殖场内畜禽照片；

S8：将待估值养殖场内畜禽照片输入最优的yolov4动物数量统计模型中；

S9：畜禽价值评估。

优选的，所述步骤S3中需对数据集中的每一张图片进行标注，在图片中框选目标区域，并标注框选类别。

优选的，所述步骤S4中图片数据集按照8：2的比例随机划分训练集和测试集。

优选的，所述步骤S5中离线训练yolov4动物数量统计模型利用卷积神经网络（CNN），同时提取适用于大多数模型、任务和数据集的通用特征。

优选的，所述通用特征的处理包括：使用加权残差连接（WRC）、阶段部分连接（CSP）、交叉小批量标准化（CmB N）、自对抗训练（SAT）、Mish激活、马赛克数据增强、CmBN、DropBlock正则化和CIoU丢失。

本发明的有益效果：通过建立训练集和测试集，构建最优yolov4动物数量统计模型，对待估值养殖场内禽畜进行优质禽畜数量统计并进行估值；解决了因缺乏统一质量评估标准规范，对禽畜数量及价值估算不准确的问题。

附图说明

图1为本发明的具体实现流程。

具体实施方式

下面结合附图对本发明做进一步的描述。

如图1所示，一种基于图片识别的活体禽畜抵押贷款贷前估值方法，包括如下步骤：

S1：建立优质畜禽图片数据库；

S2：获取图片数据库内家禽类、畜牧类图片数据，建立图片数据集；

S3：将数据集内图片进行标注处理；

S4：将生成带标注的图片数据集划分为训练集和测试集；

S5：训练集作为训练模型输入，导出离线训练yolov4动物数量统计模型；

S6：测试集作为学习模型输入，调整参数，得到最优的yolov4动物数量统计模型；

S7：采集待估值养殖场内畜禽照片；

S8：将待估值养殖场内畜禽照片输入最优的yolov4动物数量统计模型中；

S9：畜禽价值评估。

需要理解的是，所述步骤S3中需对数据集中的每一张图片进行标注，在图片中框选目标区域，并标注框选类别。

需要理解的是，所述步骤S4中图片数据集按照8：2的比例随机划分训练集和测试集。

需要理解的是，所述步骤S5中离线训练yolov4动物数量统计模型利用卷积神经网络（CNN），同时提取适用于大多数模型、任务和数据集的通用特征。

需要理解的是，所述通用特征的处理包括：使用加权残差连接（WRC）、阶段部分连接（CSP）、交叉小批量标准化（CmB N）、自对抗训练（SAT）、Mish激活、马赛克数据增强、CmBN、DropBlock正则化和CIoU丢失。