基于集成学习模型的拍品分类方法、系统及存储介质与流程

1.本技术涉及智能识别技术领域，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：

2.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。
3.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。
4.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。


技术实现要素：

5.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。
6.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：
7.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；
8.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；
9.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；
10.根据第一分类度和第二分类度对目标拍品进行分类。
11.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：
12.计算第一分类度和第二分类度的比值，作为目标偏差值；
13.根据目标偏差值对目标拍品进行分类。
14.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；
15.根据目标偏差值对目标拍品进行分类，包括：
16.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；
17.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；
18.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；
19.其中，第一预设偏差值小于第二预设偏差值。
20.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；
21.根据多个第一图像特征计算目标拍品的第一分类度，包括：
22.获取每个记录节点已售拍品的第二图像信息和售价；
23.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；
24.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；
25.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。
26.在一种可能的实现方式中，第一公式包括：
[0027][0028][0029]
其中，cz表示目标拍品z的第一分类度，a
zq
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，p
zi,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。
[0030]
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；
[0031]
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：
[0032]
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；
[0033]
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；
[0034]
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。
[0035]
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；
[0036]
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：
[0037]
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；
[0038]
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；
[0039]
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；
[0040]
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；
[0041]
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。
[0042]
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：
[0043][0044]
其中，cy表示标准拍品y的第三分类度，b
yp
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。
[0045]
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：
[0046]
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；
[0047]
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；
[0048]
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；
[0049]
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。
[0050]
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。
[0051]
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。
[0052]
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。
附图说明
[0053]
为了更清楚地说明本技术实施例中的技术方案，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技术的一些实施例，对于本领域普通技术人员来讲，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。
[0054]
图1是本技术实施例提供的基于集成学习模型的拍品分类方法的实现流程图；
[0055]
图2是本技术实施例提供的基于集成学习模型的拍品分类装置的结构示意图；
[0056]
图3是本技术实施例提供的ai分类系统的示意图。
具体实施方式
[0057]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
[0058]
本技术实施例主要针对一些小的拍品，基本通过外观图像可以评估价值的拍卖物品。例如，二手电子设备或者小型二手工业设备等。本技术实施例中的ai智能(artificial intelligence，人工智能)识别系统可以包括多个区块链，不同的区块链具有不同的功能，以保证信息的可靠性。
[0059]
可选的，本技术实施例中的集成学习模型系统可以包括信息区块链、分类区块链、记录区块链和标准区块链。
[0060]
信息区块链可以包括多个信息节点，每一个信息节点可以存储有一个被上传拍品的图像信息。卖家用户可以将拍品的图像信息上传至信息区块链的空闲信息节点，或者卖家用户将拍品的图像信息发送给拍卖方，由拍卖方将对应拍品的图像信息上传至空闲信息节点。
[0061]
其中，每一个信息节点可以存储一个相同卖家的多个拍品的图像信息，也可以存储一个拍品的图像信息。具体可以根据实际情况进行设置。为了保证计算的可靠性，本技术实施例中，每一个信息节点仅存储有一个被上传拍品的图像信息。
[0062]
分类区块链中包括多个子链，分类区块链为拍卖方用于存储各个拍品的分类信息，不同的子链可以存储不同类别的拍品的信息，包括图像信息、卖方身份信息等。拍品的类别可以根据实际情况进行划分，例如可以划分为一般、稳定、合理、风险，或者一级、二级、三级，或者a级、b级、c级等，具体类别可以根据分类度确定。
[0063]
每一个分类度范围或者分类度级别可以对应一个子链，不同的子链存储有不同类别的拍品，拍卖方可以从不同的子链确定不同拍品的类别，便于后续进一步评估或者直接设置底价。
[0064]
记录区块链可以包括多个记录节点，每一个记录节点可以存储有一个已售卖拍品的图像信息和售价，记录区块链也可以称之为历史区块链。拍卖方可以将每一个已售拍品的图像信息和售价上传至对应的记录节点。
[0065]
标准区块链中可以包括多个标准节点，每一个标准节点可以存储有一个标准拍品的图像信息以及该标准拍品的标准售价，标准区块链中的数据可以由拍卖方上传。
[0066]
本技术实施例通过设置多个区块链，不同的区块链中存储不同的信息，可以保证信息的可靠性，防止信息被篡改，保证本技术实施例提供的分类方法的可靠性。
[0067]
为使本技术的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
[0068]
参见图1，其示出了本技术实施例提供的基于集成学习模型的拍品分类方法的实现流程图。如图1所示，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，该方法可以包括s101至s104。
[0069]
s101，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。
[0070]
本技术实施例的执行主体为集成学习模型系统，在卖家用户上传拍品之后，集成学习模型系统即可执行分类过程。或者每间隔预设时长，集成学习模型系统检索是否有新的拍品上传，若有，则执行分类过程。具体可以根据实际情况进行选择。
[0071]
目标拍品为卖家用户上传的拍品，第一图像信息可以包括目标拍品的主视图、左视图、右视图、俯视图、局部细节图等彩色图片信息。
[0072]
基于相关的图像特征提取手段，对多个图片进行特征提取，可以得到目标拍品的多个第一图像特征，第一图像特征可以包括角点特征、边缘特征、梯度点特征、纹理特征等，具体提取手段可以包括主成分分析、奇异值分解、线性判别分析等。
[0073]
目标拍品的每一个图片可以对应提取一个第一图像特征，每一个图像特征可以表现为特征向量值，也即根据第一图像信息可以提取目标拍品的多个第一图像特征的特征值。
[0074]
s102，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。
[0075]
可选的，在得到目标拍品的多个第一图像特征之后，可以根据多个第一图像特征计算目标拍品的第一分类度。可以将多个第一图像特征的特征值相加或者相乘作为目标拍品的第一分类度。或者不同的第一图像特征对应不同的权重，根据不同的权重计算目标拍品的第一分类度。
[0076]
第一分类度用于指示目标拍品的实际分类价值，也即根据目标信息节中卖家用户上传的目标拍品的图像信息实时计算取得。
[0077]
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，可以结合记录区块链中的已售拍品的信息计算目标拍品的第一分类度。
[0078]
具体的，计算第一分类度的过程可以包括s1021至s1024。
[0079]
s1021，获取每个记录节点已售拍品的第二图像信息和售价。
[0080]
集成学习模型系统可以从记录区块链中读取已售拍品的相关信息。从记录区块链的记录节点中提取已售拍品的第二图像信息和售价。其中，可以提取所有已售拍品的第二图像信息和售价，也可以提取一定数量已售拍品的第二图像信息和售价，具体可以根据目标拍品卖方用户的重要等级确定。
[0081]
具体的，可以根据目标拍品的卖家用户信息确定用户权限等级，并根据用户权限
等级确定提取已售拍品的数量。用户权限等级与提取数量成正比。
[0082]
在用户权限等级小于第一预设等级时，从认证区块链中提取s个已售拍品的第二图像信息和售价。
[0083]
在用户权限等级不小于第一预设等级，且小于第二预设等级时，从认证区块链中提取f个已售拍品的第二图像信息和售价。
[0084]
在用户权限等级不小于第二预设等级时，从认证区块链中提取g个已售拍品的第二图像信息和售价。其中，s＜f＜g，s、f、g均为不小于3的正整数。
[0085]
根据用户权限不同提取不同数量的已售拍品，可以在满足用户需求的同时，降低资源的占用量，提高整体的计算效率。
[0086]
s1022，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。
[0087]
可以采用与目标拍品相同的图像特征提取方式，提取各个已售拍品的第二图像特征，确定第二图像特征的特征值，以保证第二图像特征和第一图像特征的维度相同，保证计算的可靠性。
[0088]
s1023，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。
[0089]
对于每一个第一图像特征，可以分别计算该第一图像特征和各个第二图像特征的相似度。
[0090]
鉴于第一图像特征和第二图像特征均为特征向量，可以通过余弦相似度、相关系数、明氏距离、欧氏距离、马氏距离中的一种作为第一图像特征和第二图像特征的相似度，具体可以根据实际情况进行选择。
[0091]
本技术实施例通过计算特征向量值评价目标拍品和已售拍品的相似度，将对比过程向量化，更能精准和可靠评价目标拍品。
[0092]
s1024，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。
[0093]
对于每一个与目标拍品计算相似度的已售拍品，可以将该已售拍品与目标拍品的所有相似度相加，得到该已售拍品与目标拍品的总相似度，随后将该总相似度与该已售产品的售价相乘，将得到的值作为该已售拍品与目标拍品的预选分类度。
[0094]
可选的，可以将所有的预选分类度相加，作为目标拍品的第一分类度。或者，求取所有预选分类度的平均值，作为目标拍品的第一分类度。或者，选择所有预选分类度中的最大值，作为目标拍品的第一分类度。或者，选择所有预选分类度中的最小值，作为目标拍品的第一分类度。具体可以根据实际情况进行选择。
[0095]
示例性的，可以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。
[0096]
第一公式包括：
[0097]
[0098][0099]cz
表示目标拍品z的第一分类度，a
zq
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，p
zi,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。其中，λ可以预先设定，例如λ＝0.5，或者λ＝0.7，λ越大表明当前售价越容易波动。
[0100]
示例性的，λ＝0.5，m＝2，a＝1，b＝2，q1＝0.1w，q2＝0.2w，p
z1,11
＝0.5，p
z1,12
＝0.9，p
z1,21
＝0.3，p
z1,22
＝0.7。
[0101]az1
＝0.7，a
z2
＝0.5
[0102]cz
＝0.17
[0103]
此时目标拍品z的第一分类度可以为0.17。
[0104]
本技术实施例通过已售拍品计算目标拍品的第一分类度，可以真实反映目标拍品的实时分类价值。
[0105]
s103，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。
[0106]
集成学习模型中包括多个预测层，每个预测层中可以包括一个预测模型，各个预测层的预测模型不完全相同，多个预测层之间线性串联关，一个预测层的输出可以作为下一个预测层的输入，通过线性串联，多层预测，可以得到目标拍品的第二分类度。第二分类度为根据集成学习模型预测得到，是预测值。
[0107]
具体的，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。标准拍品的第三图像信息是标准拍品在理想状态下拍摄的标准图像信息，标准售价为标准拍品在理想状态下的拍卖成交价，标准拍品是可以作为理想的基准拍品，可以合理地训练集成学习模型。其中，标准拍品的第三图像信息和标准售价可以由拍卖方上传至标准区块链，以保证基准的可靠性、计算的稳定性和数据传输的不可篡改，保证计算标准统一。
[0108]
在进行目标拍品的分类之前，还需要对集成学习模型进行训练，从而得到训练好的集成学习模型。训练过程可以如下：
[0109]
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。其中，第二数量可以根据用户权限确定，可以根据不同的用户权限训练对应的集成学习模型，以保证对应用户权限的目标拍品计算标准统一，保证计算可靠性。
[0110]
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。可以采用与目标拍品相同的图像特征提取方式得到标准拍品的第三图像特征，第三图像特征也即表现为特征向量。
[0111]
其中，计算每一个标准拍品的第三分类度的公式为：
[0112]
[0113]
其中，cy表示标准拍品y的第三分类度，b
yp
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。
[0114]
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。
[0115]
可以将第二数量的标准拍品划分为验证集和训练集，采用训练集对集成学习模型中各个预测层进行训练，然后采用验证集对集成学习模型中各个预测层进行验证，合格后可以得到训练好的集成学习模型。
[0116]
其中，集成学习模型可以包括mlp预测层、xgb预测层、cnn预测层、rf预测层中的一种或者多种，具体可以根据实际情况进行选择。
[0117]
s104，根据第一分类度和第二分类度对目标拍品进行分类。
[0118]
第一分类度用于表示目标拍品的实际分类价值，第二分类度用于表示目标拍品的预测分类价值。在第一分类度和第二分类度相差较大时，表明目标拍品的分类价值波动较大，贸然分类存在一定的风险，可能需要人为再确定一下，以降低分类风险。在第一分类度和第二分类度相差较小时，表明目标拍品的分类价值波动较小，分类风险较小，可以根据实际情况进行分类，无需人工确定。
[0119]
分类最终是将目标拍品分配在相应合理的拍卖底价或者拍卖成交价的类别，通过集成学习模型系统进行初步分类，可以降低人工主观分类的不可靠性，以及降低人工分类耗时，可以提升拍卖企业运转效率，加快拍品的流转效率，进而提高资源循环的效率。
[0120]
可选的，分类过程可以包括：计算第一分类度和第二分类度的比值，作为目标偏差值。或者，计算第一分类度和第二分类度的差值绝对值，作为目标偏差值。或者，计算第一分类度和第二分类度的和值，作为目标偏差值。最后根据目标偏差值对目标拍品进行分类。
[0121]
对于分类风险高的目标拍品，贸然分类可能会导致底价设定过高或者过低，导致目标拍品流拍或者底价出售，导致卖家利益受损。
[0122]
本技术实施例通过结合区块链存储技术，保证数据存储的可靠性，同时满足卖家用户和拍卖方的使用需求，通过利用集成学习模型系统自动计算目标拍品的分类度，从而将目标拍品合理分类，减少人工投入，可以极大加快拍品分类效率，促进资源循环利用，具有广泛的实用性。
[0123]
在本技术的一些实施例中，述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，第一子链用于存储分类为稳定的拍品，第二子链用于存储分类为合理的拍品，第三子链用于存储分类为风险的拍品。上述s104可以包括：
[0124]
s1041，计算第一分类度和第二分类度的比值，作为目标偏差值。
[0125]
目标偏差值用于指示目标拍品的实际计算值和预测计算值之间的偏差程度。目标偏差值越小，表明实际计算值和预测计算值越接近，目标拍品的分类结果越稳定。目标偏差值越大，表明实际计算值和预测计算值越远，目标拍品的分类结果越有风险
[0126]
s1042，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。
[0127]
在目标偏差值小于第一预设偏差值时，表明目标拍品很分类结果稳定，初步估算的底价是稳定的，因此，可以将目标拍品的图像信息上传至第一子链。后续可以优先拍卖标记为稳定的拍品。
[0128]
s1043，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。
[0129]
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，表明目标拍品很分类结果较为合理，初步估算的底价是较稳定的，因此，可以将目标拍品的图像信息上传至第二子链，后续可以较优先的拍卖标记为合理的拍品。
[0130]
s1044，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。其中，第一预设偏差值小于第二预设偏差值。
[0131]
在目标偏差值大于第二预设偏差值时。表明目标拍品的分类结果为风险，可以将目标拍品的图像信息上传至第三子链，后续需要由人工再次评估第三子链中的各个拍品，以降低拍品流拍或者底价拍卖的可能性，保证卖家权益。
[0132]
本技术实施例通过引入分类区块链可以保证分类结果存储的可靠性，同时将不同分类结果的拍品存入不同的子链，有助于后续统一管理和处理，提高企业数据处理的规范性，提高拍卖企业的运行效率。
[0133]
在本技术的一些实施例中，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。
[0134]
上述的“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”，可以包括：
[0135]
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。
[0136]
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。
[0137]
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。
[0138]
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。
[0139]
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。
[0140]
在本技术的实施例中，可以将目标拍品的第一图像特征输入训练好的集成学习模型，经过三层预测层及预测，得到目标拍品用于指示预测分类价值的第二分类度。
[0141]
本技术实施例通过三层预测层相串联，构建集成学习模型，可以保证目标拍品的第二分类度地预测准确性，提高分类准确度。
[0142]
本技术实施例中，计算第二分类度的过程与计算第一分类度的过程相似，不同的是，目标拍品的第一分类度是根据记录区块链中的已售拍品的相关信息计算，为目标拍品的实际分类价值。目标拍品的第二分类度是根据标准区块链中的标准拍品训练建立的集成学习模型进行预测得到，为目标拍品的预测分类价值，通过二者比较，可以确地目标拍品的分类结果。
[0143]
本技术实施例通过两个维度计算目标拍品的第一分类度和第二分类度，随后通过比较得到目标拍品的分类结果，整个过程减少了人工参与，降低了人工成本，加快了拍品的流转效率，提升了资源回收效率。并且引入区块链存储相关数据，保证了数据传输的可靠性
和不可篡改性。同时，以统一标准评价各个拍品，保证了集成学习模型系统的可信度和公平度。
[0144]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0145]
以下为本技术的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
[0146]
图2示出了本技术实施例提供的基于集成学习模型的拍品分类装置的结构示意图，为了便于说明，仅示出了与本技术实施例相关的部分，详述如下：
[0147]
如图2所示，基于集成学习模型的拍品分类装置20，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，该装置20可以包括：
[0148]
第一获取模块201，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任一信息节点；
[0149]
第一计算模块202，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；
[0150]
第二计算模块203，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；
[0151]
分类模块204，用于根据第一分类度和第二分类度对目标拍品进行分类。
[0152]
可以包括：
[0153]
在本技术的一些实施例中，分类模块204可以包括：
[0154]
比值单元，用于计算第一分类度和第二分类度的比值，作为目标偏差值；
[0155]
分类单元，用于根据目标偏差值对目标拍品进行分类。
[0156]
在本技术的一些实施例中，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；分类单元可以包括：
[0157]
第一分类子单元，用于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；
[0158]
第二分类子单元，用于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；
[0159]
第三分类子单元，用于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；
[0160]
其中，第一预设偏差值小于第二预设偏差值。
[0161]
在本技术的一些实施例中，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；
[0162]
第一计算模块202可以包括：
[0163]
获取单元，用于获取每个记录节点已售拍品的第二图像信息和售价；
[0164]
第一计算单元，用于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；
[0165]
第二计算单元，用于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；
[0166]
第三计算单元，用于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。
[0167]
在本技术的一些实施例中，第一公式包括：
[0168][0169][0170]
其中，cz表示目标拍品z的第一分类度，a
zq
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，p
zi,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。
[0171]
在本技术的一些实施例中，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；该装置20还可以包括：
[0172]
第二获取模块，用于在从目标信息节点获取目标拍品的第一图像信息之前，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；
[0173]
第三计算模块，用于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；
[0174]
训练模块，用于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。
[0175]
在本技术的一些实施例中，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；训练模块可以包括：
[0176]
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；
[0177]
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；
[0178]
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；
[0179]
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；
[0180]
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。
[0181]
在本技术的一些实施例中，计算每一个标准拍品的第三分类度的公式为：
[0182]
[0183]
其中，cy表示标准拍品y的第三分类度，b
yp
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。
[0184]
图3是本技术实施例提供的ai分类系统的示意图。如图3所示，该实施例的ai分类系统30包括：处理器300和存储器301，存储器301中存储有可在处理器300上运行的计算机程序302。处理器300执行计算机程序302时实现上述各个基于集成学习模型的拍品分类方法实施例中的步骤，例如图1所示的s101至s104。或者，处理器300执行计算机程序302时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块201至204的功能。
[0185]
示例性的，计算机程序302可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器301中，并由处理器300执行，以完成本技术。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序302在ai分类系统30中的执行过程。例如，计算机程序302可以被分割成图2所示的模块201至204。
[0186]
ai分类系统30可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。ai分类系统30可包括，但不仅限于，处理器300、存储器301。本领域技术人员可以理解，图3仅仅是ai分类系统30的示例，并不构成对ai分类系统30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如ai分类系统还可以包括输入输出设备、网络接入设备、总线等。
[0187]
所称处理器300可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0188]
存储器301可以是ai分类系统30的内部存储单元，例如ai分类系统30的硬盘或内存。存储器301也可以是ai分类系统30的外部存储设备，例如ai分类系统30上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器301还可以既包括ai分类系统30的内部存储单元也包括外部存储设备。存储器301用于存储计算机程序以及ai分类系统所需的其他程序和数据。存储器301还可以用于暂时地存储已经输出或者将要输出的数据。
[0189]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0190]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0191]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0192]
在本技术所提供的实施例中，应该理解到，所揭露的装置/ai分类系统和方法，可以通过其他的方式实现。例如，以上所描述的装置/ai分类系统实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其他的形式。
[0193]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0194]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0195]
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个基于集成学习模型的拍品分类方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。
[0196]
以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。

技术特征：
1.一种基于集成学习模型的拍品分类方法，其特征在于，应用于集成学习模型系统，所述集成学习模型系统包括信息区块链，所述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；所述方法包括：从目标信息节点获取目标拍品的第一图像信息，并根据所述第一图像信息提取所述目标拍品的多个第一图像特征，所述目标信息节点为所述信息区块链的任一信息节点；根据所述多个第一图像特征计算所述目标拍品的第一分类度，所述第一分类度用于指示所述目标拍品的实际分类价值；基于训练好的集成学习模型，根据所述多个第一图像特征预测所述目标拍品的第二分类度，所述第二分类度用于指示所述目标拍品的预测分类价值；根据所述第一分类度和所述第二分类度对所述目标拍品进行分类。2.根据权利要求1所述的基于集成学习模型的拍品分类方法，其特征在于，所述根据所述第一分类度和所述第二分类度对所述目标拍品进行分类，包括：计算所述第一分类度和所述第二分类度的比值，作为目标偏差值；根据所述目标偏差值对所述目标拍品进行分类。3.根据权利要求2所述的基于集成学习模型的拍品分类方法，其特征在于，所述集成学习模型系统还包括分类区块链，所述分类区块链包括第一子链、第二子链和第三子链；所述根据所述目标偏差值对所述目标拍品进行分类，包括：在所述目标偏差值小于第一预设偏差值时，将所述目标拍品标记为稳定，并将所述目标拍品的图像信息上传至所述第一子链；在所述目标偏差值不小于所述第一预设偏差值，且小于第二预设偏差值时，将所述目标拍品标记为合理，并将所述目标拍品的图像信息上传至所述第二子链；在所述目标偏差值大于所述第二预设偏差值时，将所述目标拍品标记为风险，并将所述目标拍品的图像信息上传至所述第三子链；其中，所述第一预设偏差值小于所述第二预设偏差值。4.根据权利要求1所述的基于集成学习模型的拍品分类方法，其特征在于，所述集成学习模型系统还包括记录区块链，所述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；所述根据所述多个第一图像特征计算所述目标拍品的第一分类度，包括：获取每个记录节点已售拍品的第二图像信息和售价；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；计算每个所述第一图像特征和各个所述第二图像特征的m个相似度；基于预先确定的第一公式，根据所述m个相似度和各个已售拍品的售价计算所述目标拍品的第一分类度；其中，所述第一公式包括：
其中，c
z
表示目标拍品z的第一分类度，a
zq
表示目标拍品z与已售拍品q的相似度，q
q
表示已售拍品q的售价，p
zi,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。5.根据权利要求1至4任一项所述的基于集成学习模型的拍品分类方法，其特征在于，所述集成学习模型系统还包括标准区块链，所述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；在所述从目标信息节点获取目标拍品的第一图像信息之前，所述方法还包括：从所述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，所述第二数量不大于所述第一数量；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，所述第三分类度用于指示所述标准拍品的理论分类价值；根据所述第二数量标准拍品的第三图像特征和第三分类度对所述集成学习模型进行训练，得到训练好的集成学习模型。6.根据权利要求5所述的基于集成学习模型的拍品分类方法，其特征在于，所述集成学习模型包括第一预测层、第二预测层和第三预测层，所述第一预测层、所述第二预测层和所述第三预测层中包括的模型不完全相同；所述根据所述第二数量标准拍品的第三图像特征和第三分类度对所述集成学习模型进行训练，得到训练好的集成学习模型，包括：将所述第二数量的标准拍品划分为第一训练集和第一验证集，所述第一训练集包括x个标准拍品的图像特征和第三分类度，所述第一验证集包括y个标准拍品的图像特征和第三分类度；根据所述第一训练集和所述第一验证集对所述第一预测层进行训练，得到训练好的第一预测层；将所述第一预测层的输出结果划分为第二训练集和第二验证集，并根据所述第二训练集和所述第二验证集对所述第二预测层进行训练，得到训练好的第二预测层；将所述第二预测层的输出结果划分为第三训练集和第三验证集，并根据所述第三训练集和所述第三验证集对所述第三预测层进行训练，得到训练好的第三预测层；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所述训练好的集成学习模型。7.根据权利要求5所述的基于集成学习模型的拍品分类方法，其特征在于，所述计算每一个标准拍品的第三分类度的公式为：其中，c
y
表示标准拍品y的第三分类度，b
yp
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。8.一种基于集成学习模型的拍品分类装置，其特征在于，应用于集成学习模型系统，所述集成学习模型系统包括信息区块链，所述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；所述装置包括：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，并根据所述第一图像信息提取所述目标拍品的多个第一图像特征，所述目标信息节点为所述信息区块链的任一信息节点；第一计算模块，用于根据所述多个第一图像特征计算所述目标拍品的第一分类度，所述第一分类度用于指示所述目标拍品的实际分类价值；第二计算模块，用于基于训练好的集成学习模型，根据所述多个第一图像特征预测所述目标拍品的第二分类度，所述第二分类度用于指示所述目标拍品的预测分类价值；分类模块，用于根据所述第一分类度和所述第二分类度对所述目标拍品进行分类。9.一种ai分类系统，包括存储器和处理器，存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述基于集成学习模型的拍品分类方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述基于集成学习模型的拍品分类方法的步骤。

技术总结
本申请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。该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，该方法包括：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；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；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；根据第一分类度和第二分类度对目标拍品进行分类。本申请能够提高拍品的回收效率。收效率。收效率。


技术研发人员：李君彦 李飞
受保护的技术使用者：河北中废通拍卖有限公司
技术研发日：2023.06.06
技术公布日：2023/8/13