保險(xiǎn)作為當(dāng)今風(fēng)險(xiǎn)保障的重要手段，已然成為眾多企業(yè)、個(gè)人的選擇。作為風(fēng)險(xiǎn)保障的主體，保險(xiǎn)公司在承保、理賠等各類業(yè)務(wù)處理中，都離不開(kāi)影像資料。影像資料已然成為保險(xiǎn)公司大數(shù)據(jù)浪潮中不容忽視的重要數(shù)據(jù)要素。如何做好影像資料的自動(dòng)識(shí)別、真假判定等成為保險(xiǎn)公司降本增效、風(fēng)險(xiǎn)防范的重要課題。本文就保險(xiǎn)行業(yè)的影像資料技術(shù)和應(yīng)用給出探討。

近來(lái)，車聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)、人工智能、區(qū)塊鏈這些新技術(shù)將給保險(xiǎn)業(yè)帶來(lái)新一輪變革已成為共識(shí)。隨著這些新技術(shù)逐漸成熟，行業(yè)內(nèi)對(duì)這些技術(shù)應(yīng)用前景既充滿期待又存在擔(dān)憂。如何把握這些新技術(shù)使其助力公司業(yè)務(wù)發(fā)展，及時(shí)掌控新技術(shù)引起的商業(yè)模式變化，避免企業(yè)錯(cuò)失新技術(shù)應(yīng)用帶來(lái)的新商機(jī)，這些促使各保險(xiǎn)公司在新技術(shù)應(yīng)用上不斷地努力嘗試和創(chuàng)新。

影像資料在保險(xiǎn)行業(yè)中扮演著重要的角色，尤其在核保、核賠環(huán)節(jié)，需要查閱并判斷其真實(shí)性。例如，對(duì)于提供的出險(xiǎn)照片檢查是否為PS加工或翻拍的照片。隨著業(yè)務(wù)的發(fā)展，人工審核顯得力不從心，如何控制影像風(fēng)險(xiǎn)，實(shí)現(xiàn)降本增效，提升風(fēng)控能力，是保險(xiǎn)公司高質(zhì)發(fā)展中需要新技術(shù)來(lái)賦能助力的。

面對(duì)海量的非結(jié)構(gòu)化影像資料快速檢索與智能識(shí)別的需求，傳統(tǒng)的影像處理模式無(wú)法滿足當(dāng)前業(yè)務(wù)對(duì)功能和效率的要求。影像處理的業(yè)務(wù)內(nèi)容已不限于文字和少量圖片，而是大量影像資料（包括靜態(tài)圖片、音頻、視頻資料等）。在系統(tǒng)功能上，不限于查看圖片，而是要對(duì)大量影像資料進(jìn)行快速檢索、對(duì)不符合規(guī)范的圖像進(jìn)行加工處理和識(shí)別；在反欺詐上，不限于人工對(duì)比查看，而是要對(duì)大量影像文件進(jìn)行相似圖像識(shí)別；在系統(tǒng)訪問(wèn)上，全國(guó)的頻繁、大數(shù)據(jù)量訪問(wèn)，傳統(tǒng)方式對(duì)網(wǎng)絡(luò)帶寬需求很高、加上帶寬使用費(fèi)用高，種種局限與不足亟待解決。

原有影像方案中，著重解決的是海量影像的采集、存儲(chǔ)、傳輸、查看等問(wèn)題，主要使用大數(shù)據(jù)和云計(jì)算的技術(shù)，對(duì)于影像本身的深層次處理還有許多不足，不能通過(guò)系統(tǒng)高可靠地智能處理以下場(chǎng)景：識(shí)別不清晰照片、識(shí)別翻拍照片、圖像篡改檢測(cè)、相似圖像識(shí)別、自動(dòng)分類等。在當(dāng)期技術(shù)下，人工智能技術(shù)的發(fā)展使得這些成為現(xiàn)實(shí)，同時(shí)圖像篡改檢測(cè)等AI技術(shù)提高了影像本身的可靠性，AI+OCR的智能識(shí)別模式也就有了更高的業(yè)務(wù)價(jià)值。

    影像系統(tǒng)的智能識(shí)別應(yīng)用

如圖1所示，在影像系統(tǒng)中，智能識(shí)別主要應(yīng)用在的幾種服務(wù)中：

圖像質(zhì)量識(shí)別：主要識(shí)別圖像是否清晰，是否為翻拍處理圖片。

圖像篡改識(shí)別：檢查圖片是否被局部修改，并標(biāo)記修改位置。

圖像分類識(shí)別：用于識(shí)別圖像類型，例如證件、銀行卡、發(fā)票、醫(yī)療單據(jù)等，根據(jù)識(shí)別結(jié)果完成單證自動(dòng)分類。

相似影像識(shí)別：識(shí)別圖像的相似性，在上傳影像文件時(shí)，系統(tǒng)對(duì)圖像文件進(jìn)行歸一化處理，提取圖像本身的顏色、形狀、紋理等底層特征，進(jìn)行相似度計(jì)算，將識(shí)別結(jié)果反饋給影像系統(tǒng)?？梢杂糜谲囯U(xiǎn)、農(nóng)險(xiǎn)等核賠、核保環(huán)節(jié)，對(duì)場(chǎng)景過(guò)程影像進(jìn)行自動(dòng)甄別，智能風(fēng)險(xiǎn)提示，保證影像文件的真實(shí)性，及時(shí)攔截虛假賠案，提升了風(fēng)險(xiǎn)控制能力，節(jié)省人力成本，降低理賠賠付率。

OCR服務(wù)：提供對(duì)自然場(chǎng)景下的文字、單據(jù)、證明、復(fù)雜表格及各種混合模式的圖片進(jìn)行文字識(shí)別，可以供周邊系統(tǒng)調(diào)用，通常用于輔助錄入、人工雙錄等場(chǎng)景。

合同對(duì)比識(shí)別：提供pdf、doc/docx、wps、xls和圖片等主流格式文件對(duì)比，支持以全篇幅、整段落的方式進(jìn)行比對(duì)，支持跨頁(yè)、跨行的文字比對(duì)。

醫(yī)療票據(jù)識(shí)別：醫(yī)療票據(jù)的特點(diǎn)就是種類多。醫(yī)療票據(jù)識(shí)別實(shí)現(xiàn)對(duì)電子病歷的自動(dòng)標(biāo)簽標(biāo)注、智能分類、快速梳理以及復(fù)雜電子病歷的半自動(dòng)閱讀。提供全方位智能風(fēng)控引擎，實(shí)現(xiàn)基于保險(xiǎn)產(chǎn)品的過(guò)程分控管理,支持高風(fēng)險(xiǎn)案件自動(dòng)預(yù)警的機(jī)制。

有了業(yè)務(wù)需求，考慮應(yīng)用場(chǎng)景，下一步考察的就是合適的技術(shù)支撐。目前影像處理在各主要場(chǎng)景下各有一些可供選擇的技術(shù)。

    圖像清晰度識(shí)別（Image Blur Detection）

在影像收集過(guò)程中，會(huì)出現(xiàn)拍攝物品不清晰，文字模糊的現(xiàn)象，影響業(yè)務(wù)判斷，對(duì)于不清晰的圖像需要及時(shí)拒絕上傳。

圖像清晰度評(píng)價(jià)算法有很多種，在空域中，主要思路是考察圖像的領(lǐng)域?qū)Ρ榷?，即相鄰像素間的灰度特征的梯度差；在頻域中，主要思路是考察圖像的頻率分量，對(duì)焦清晰的圖像高頻分量較多，對(duì)焦模糊的圖像低頻分量較多。

實(shí)現(xiàn)清晰度評(píng)價(jià)的3種方法[1]：Tenengrad梯度方法、Laplacian梯度方法和方差方法。

Tenengrad梯度方法利用Sobel算子分別計(jì)算水平和垂直方向的梯度，同一場(chǎng)景下梯度值越高，圖像越清晰。

Laplacian梯度是另一種求圖像梯度的方法。

方差是概率論中用來(lái)考察一組離散數(shù)據(jù)和其期望（即數(shù)據(jù)的均值）之間的離散（偏離）程度的度量方法。方差較大，表示這一組數(shù)據(jù)之間的偏差就較大，組內(nèi)的數(shù)據(jù)有的較大，有的較小，分布不均衡；方差較小，表示這一組數(shù)據(jù)之間的偏差較小，組內(nèi)的數(shù)據(jù)之間分布平均，大小相近。對(duì)焦清晰的圖像相比對(duì)焦模糊的圖像，它的數(shù)據(jù)之間的灰度差異應(yīng)該更大，即它的方差應(yīng)該較大，可以通過(guò)圖像灰度數(shù)據(jù)的方差來(lái)衡量圖像的清晰度，方差越大，表示清晰度越好。

    翻拍檢測(cè)：摩爾紋識(shí)別（Moire Pattern Recognition）

翻拍圖像是經(jīng)過(guò)掃描、印刷或者其他具有拍攝功能的設(shè)備對(duì)真實(shí)圖像進(jìn)行翻拍，考慮到對(duì)真實(shí)圖像進(jìn)行翻拍的過(guò)程中，顯示媒介自身的特性以及翻拍過(guò)程的場(chǎng)景區(qū)別，使得翻拍圖像與真實(shí)圖像存在差異，如翻拍圖像變形等，翻拍圖像表面梯度值與真實(shí)圖像相比會(huì)產(chǎn)生非線性變化，這使翻拍圖像表面梯度值產(chǎn)生異常，進(jìn)而導(dǎo)致翻拍圖像中存在的初始直線分布發(fā)生變化。因此，提取邊緣圖像中的初始直線，以便后續(xù)在初始直線提取更加準(zhǔn)確翻拍像素特征。

翻拍檢測(cè)實(shí)現(xiàn)方法

邊緣檢測(cè)。邊緣檢測(cè)本質(zhì)上就是一種濾波算法，區(qū)別在于濾波器的選擇，濾波的規(guī)則是完全一致的?；镜倪吘壦阕尤鏢obel求得的邊緣圖存在很多問(wèn)題，如噪聲污染沒(méi)有被排除、邊緣線太過(guò)于粗寬等。比較先進(jìn)的邊緣檢測(cè)算子包括Canny算子、Marr-Hildreth算子等。

通過(guò)直線檢測(cè)算法對(duì)邊緣圖像進(jìn)行直線提取，得到初始直線（直線檢測(cè)算法包括Hough（霍夫變換）直線檢測(cè)算法、Freeman（鏈碼）直線檢測(cè)算法或者尺蠖蠕行算法）。

提取翻拍直線。翻拍直線是指滿足直線密集算法判別準(zhǔn)則的直線，即直線密集集中且平行，該判別準(zhǔn)則包括兩條直線的斜率差值小于1°(度)，且相鄰的平行的兩條直線的距離小于預(yù)設(shè)的距離閾值。直線密集算法中，初始直線需要滿足“平行”和“密集集中”這兩個(gè)條件。對(duì)于“平行”這一條件，即兩條初始直線的斜率值寫(xiě)入初始直線像素點(diǎn)后，如果斜率差值小于1°(度)，則初始直線平行，即滿足“平行”的條件。對(duì)于“密集集中”這一條件，即計(jì)算兩條平行直線(初始直線)之間的距離，將滿足該距離小于預(yù)設(shè)的距離閾值的兩條直線確定為滿足“密集集中”這一條件，也即翻拍直線。

    目標(biāo)檢測(cè)（Object Detection）

在計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域中，目標(biāo) 檢 測(cè)（Object Detection）是一項(xiàng)非?；A(chǔ)的技術(shù)，圖像分割、物體追蹤、關(guān)鍵點(diǎn)檢測(cè)等都依賴目標(biāo)檢測(cè)。

使用TensorFlow構(gòu)建YOLO V3目標(biāo)檢測(cè)模型[3]，相比RCNN構(gòu)建的自動(dòng)分類模型，不僅能識(shí)別出圖像上的多個(gè)分類以及更高的準(zhǔn)確率，而且能定位分類對(duì)應(yīng)的位置。YOLO V3模型相比其他模型識(shí)別速度更快。它在 Pascal Titan X顯卡上處理COCO test-dev數(shù)據(jù)集的圖片，速度能達(dá)到30 FPS， mAP可達(dá)57.9% 。如圖2所示，YOLOv3的檢測(cè)速度非?？?，比R-CNN快1000倍，比Fast R-CNN快100倍。在 IoU=0.5的情況下，其mAP值與Focal Loss相當(dāng)，但檢測(cè)速度快了4倍。此外，你可以根據(jù)你的需要，在只需改變模型的大小而不需要進(jìn)行重新訓(xùn)練的情況下，就可以輕松地權(quán)衡檢測(cè)速度和準(zhǔn)確度。

即使圖片的拍攝質(zhì)量低、拍攝的角度不同，依然可以準(zhǔn)確地識(shí)別相應(yīng)的類別以及對(duì)應(yīng)的位置。

    基于內(nèi)容的圖像檢索（Content-Based Image Retrieval）

基于內(nèi)容的圖像檢索，即CBIR（Content-based image retrieval）[4]，是計(jì)算機(jī)視覺(jué)領(lǐng)域中關(guān)注大規(guī)模數(shù)字圖像內(nèi)容檢索的研究分支。如圖3所示，影像檢索系統(tǒng)的圖像識(shí)別功能主要基于CBIR原理，在上傳影像文件時(shí)，系統(tǒng)對(duì)圖像文件進(jìn)行歸一化處理，提取圖像本身的顏色、形狀、紋理等底層特征，從圖像視覺(jué)特征出發(fā)，在圖像大數(shù)據(jù)庫(kù)中通過(guò)搜索引擎找出與之匹配的圖像，并根據(jù)檢索結(jié)果進(jìn)行相似度計(jì)算。

利用CBIR技術(shù)識(shí)別圖像的真實(shí)性，識(shí)別內(nèi)容主要包括：

識(shí)別圖片是否被重復(fù)使用。

識(shí)別圖片是否被PS后重復(fù)使用。

上傳照片是否為翻拍或裁切圖片。

同一批事故車照片是否被使用在不同批次的理賠案件中 。

農(nóng)險(xiǎn)的驗(yàn)標(biāo)圖片是否存在使用相同標(biāo)的分批拍攝的情況。

如圖4所示，二次理賠時(shí)，將圖片進(jìn)行PS處理，然后進(jìn)行理賠申請(qǐng)，通過(guò)圖像內(nèi)容檢索技術(shù)，可以找到原始圖片，并標(biāo)記差異部位。

在影像系統(tǒng)中存在一些銀行卡、客戶身份證件、紙質(zhì)文件的電子掃描件等圖像，而這些類型的圖像在多個(gè)業(yè)務(wù)中允許重復(fù)出現(xiàn)且該類型文件本身相似度極高，通常不需要進(jìn)行影像重復(fù)使用識(shí)別。針對(duì)這些類型的影像和應(yīng)用場(chǎng)景，通過(guò)圖像主體檢測(cè)技術(shù)，辨識(shí)圖像是否需要排除識(shí)別，從而提高圖像內(nèi)容檢索的精準(zhǔn)度和效率，確保檢索識(shí)別的精準(zhǔn)度可達(dá)到96%以上。

    向量搜索（Vector Search）

如圖5所示，相似圖像檢索本質(zhì)是向量檢索技術(shù)，影像存儲(chǔ)的非結(jié)構(gòu)化數(shù)據(jù)通過(guò)人工智能算法，將數(shù)據(jù)進(jìn)行抽象處理，變成多維的向量[5]。這些向量如同數(shù)學(xué)空間中的坐標(biāo)，標(biāo)識(shí)著各個(gè)實(shí)體和實(shí)體關(guān)系，通過(guò)向量搜索，從而找到對(duì)應(yīng)的實(shí)體。

向量搜索主要的應(yīng)用領(lǐng)域如人臉識(shí)別、推薦系統(tǒng)、圖片搜索、視頻指紋、語(yǔ)音處理、自然語(yǔ)言處理、文件搜索等。

隨著AI技術(shù)的廣泛應(yīng)用，以及數(shù)據(jù)規(guī)模的不斷增長(zhǎng)，向量檢索也逐漸成了AI技術(shù)鏈路中不可或缺的一環(huán)，更是對(duì)傳統(tǒng)搜索技術(shù)的補(bǔ)充，并且具備多模態(tài)搜索的能力。

    圖像篡改檢測(cè)（Image Manipulation Detection）

近年來(lái)數(shù)字媒體已經(jīng)成為我們?nèi)粘Ｉ畹囊徊糠?，?shù)字媒體內(nèi)容真?zhèn)舞b別的重要性日漸凸顯。論文Image Manipulation Detection by Multi-View Multi-Scale Supervision[6]提出了一種新的基于多視角(multi-view)、多尺度 (multi-scale)監(jiān)督的圖像篡改檢測(cè)模型MVSS Net，可通過(guò)檢查照片像素、光線、紋理來(lái)判斷照片是否被修改過(guò)。

通常將容易造成視覺(jué)誤解的圖像篡改劃分為Copy-move（在同一張圖內(nèi)，復(fù)制并移動(dòng)某一區(qū)域）, Splicing（從一個(gè)圖像復(fù)制區(qū)域到另一圖像）和 Inpainting（刪除圖片內(nèi)不必要的元素）三種類型， MVSS-Net的目標(biāo)是自動(dòng)檢測(cè)這些類型的操作圖像，區(qū)分出真實(shí)和被篡改圖像，并且在像素水平上精確地定位被篡改的區(qū)域。

MVSS-Net 首次結(jié)合了篡改區(qū)域的邊界特征和噪聲特征以學(xué)習(xí)泛化性更強(qiáng)的語(yǔ)義無(wú)關(guān)特征，并使用多尺度監(jiān)督方式提高對(duì)篡改區(qū)域的敏感度和對(duì)真圖的特異度MVSS-Net 在 DEFACTO 數(shù)據(jù)集上進(jìn)行了消融實(shí)驗(yàn)，在 CASIA，COVERAGE , COLUMBIA ，NIST16和DEFACTO五個(gè)公開(kāi)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)驗(yàn)證。如圖6所示，給出 MVSS-Net 和 SOTA方法在公開(kāi)數(shù)據(jù)集上的部分檢測(cè)結(jié)果，前三行依次為：copy-move，splicing，inpainting三類篡改，后三行為真實(shí)圖片，MVSS-Net在真實(shí)圖片和篡改圖片間取得了好的平衡。實(shí)驗(yàn)表明，MVSS-Net在圖像級(jí)和像素級(jí)均達(dá)到了state-of-the-art，在獲得對(duì)篡改區(qū)域高精度定位的同時(shí)兼顧了對(duì)真圖更少的誤判，是貼合實(shí)際應(yīng)用需求的圖像篡改檢測(cè)方法。

    AI-OCR智能識(shí)別

傳統(tǒng)的OCR已經(jīng)能夠提供精準(zhǔn)的文字檢測(cè)和識(shí)別服務(wù)，但是其基礎(chǔ)是建立在圖像本身的可靠上。通過(guò)上面介紹的相關(guān)技術(shù)，AI能夠幫助進(jìn)行翻拍檢測(cè)、圖像篡改檢測(cè)等，提高了圖像本身的可靠性。

AI-OCR智能識(shí)別系統(tǒng)采用模型遷移、對(duì)抗網(wǎng)絡(luò)數(shù)據(jù)生成和FSL技術(shù)，結(jié)合自身海量的圖像資料、標(biāo)注數(shù)據(jù)和硬件GPU高性能的運(yùn)算，搭建深度學(xué)習(xí)全流程的技術(shù)框架閉環(huán)，并構(gòu)建出完整的OCR識(shí)別結(jié)果方案。包括對(duì)各類常規(guī)證件信息，例如：身份證、銀行卡、行駛證、護(hù)照、營(yíng)業(yè)執(zhí)照、增值稅發(fā)票、車輛合格證等；非常規(guī)證件，例如：銀行卡的行內(nèi)票據(jù)、保險(xiǎn)業(yè)的保單、合同、理賠申請(qǐng)書(shū)等的全文本信息識(shí)別輸出和結(jié)構(gòu)化，簡(jiǎn)化業(yè)務(wù)流程，提升工作效率以實(shí)現(xiàn)商業(yè)化價(jià)值最大化。

目前的應(yīng)用場(chǎng)景主要集中在四十種常用證件類型、各類票據(jù)、各類表單文檔等模塊的識(shí)別，整體字符識(shí)別率在99%以上，在醫(yī)療票據(jù)識(shí)別和合同對(duì)比識(shí)別中應(yīng)用廣泛。

醫(yī)療票據(jù)識(shí)別

通過(guò)醫(yī)學(xué)自然語(yǔ)言處理、文本挖掘、醫(yī)學(xué)信息詞庫(kù)，實(shí)現(xiàn)了對(duì)電子病歷的自動(dòng)標(biāo)簽標(biāo)注、智能分類、快速梳理等技術(shù)，實(shí)現(xiàn)對(duì)復(fù)雜電子病歷的半自動(dòng)閱讀。并且實(shí)現(xiàn)了多項(xiàng)醫(yī)學(xué)信息評(píng)估算法和技術(shù)，建立了專業(yè)的醫(yī)學(xué)知識(shí)圖片，能夠?qū)w檢報(bào)告等數(shù)據(jù)進(jìn)行單病種預(yù)測(cè)及中和醫(yī)學(xué)數(shù)據(jù)評(píng)估。

業(yè)務(wù)人員在影像系統(tǒng)采集和分揀醫(yī)療票據(jù)后把影像文件送給AI-OCR識(shí)別系統(tǒng)進(jìn)行識(shí)別、單證分揀和單證脫敏，然后在數(shù)據(jù)清洗模塊對(duì)數(shù)據(jù)進(jìn)行處理和清洗，最后輸出由標(biāo)準(zhǔn)編碼確定的、經(jīng)過(guò)清洗的信息和做了對(duì)應(yīng)關(guān)系的別名和標(biāo)準(zhǔn)名。

合同對(duì)比識(shí)別

合同一般使用制式合同，為了防止合同被另一方修改或者篡改，制式合同的出具方需要對(duì)合同的全部文字條款審核確認(rèn)，為此就需要法務(wù)人員多次審閱，人工審核合同耗時(shí)長(zhǎng)，不僅準(zhǔn)確率無(wú)法保證，而且風(fēng)險(xiǎn)還高，合同智能比對(duì)系統(tǒng)可為企業(yè)提供有效的技術(shù)支撐和安全保障。

合同比對(duì)基于OCR智能識(shí)別技術(shù)，將定稿合同和用印前（或單方用?。┑暮贤M(jìn)行文字級(jí)別的自動(dòng)比對(duì)，實(shí)現(xiàn)計(jì)算機(jī)替代人工審核比對(duì)，解決合同審核工作中人工審核時(shí)間成本高、人力成本高和風(fēng)險(xiǎn)高三大難題。

    結(jié)語(yǔ)

數(shù)據(jù)處理鏈路“采”“存”“通”的目的都是為了“用”，有了業(yè)務(wù)需求和技術(shù)支撐，提升“用”的水平就是水到渠成的事。從智能理賠的實(shí)踐來(lái)看，如何發(fā)掘數(shù)據(jù)的價(jià)值，目前主要還是依靠人工智能技術(shù)。圖像清晰度識(shí)別，能夠從源頭上對(duì)圖像質(zhì)量提出要求，避免干擾業(yè)務(wù)的判斷；翻拍檢測(cè)和圖像篡改檢測(cè)技術(shù)，能夠及時(shí)發(fā)現(xiàn)細(xì)節(jié)的證據(jù)，減少騙賠的發(fā)生；目標(biāo)檢測(cè)技術(shù)，有利于進(jìn)行影像的自動(dòng)歸類；基于內(nèi)容的圖像檢索和向量搜索技術(shù)，有利于發(fā)現(xiàn)重復(fù)賠案?；谝陨螦I技術(shù)能夠有效提高影像本身的可靠性，在可靠的影像上進(jìn)行OCR得到的結(jié)果更有業(yè)務(wù)價(jià)值。

此外，技術(shù)的提升帶來(lái)了新的改變，影響的不僅是技術(shù)本身直接解決的問(wèn)題（如圖像篡改識(shí)別），也能帶動(dòng)其他現(xiàn)有技術(shù)的深入應(yīng)用（AI+OCR等）。

本文僅代表作者觀點(diǎn)，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請(qǐng)?jiān)谖闹凶⒚鱽?lái)源及作者名字。

免責(zé)聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請(qǐng)及時(shí)與我們聯(lián)系進(jìn)行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com