CN107862785A - 票据鉴定方法及装置 - Google Patents
票据鉴定方法及装置 Download PDFInfo
- Publication number
- CN107862785A CN107862785A CN201710957346.4A CN201710957346A CN107862785A CN 107862785 A CN107862785 A CN 107862785A CN 201710957346 A CN201710957346 A CN 201710957346A CN 107862785 A CN107862785 A CN 107862785A
- Authority
- CN
- China
- Prior art keywords
- bill
- network
- interference
- true
- forgery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明实施例提供一种票据鉴定方法及装置。在一个实施例中,所述票据鉴定方法包括:将伪造网络生成的干扰票据及预存的真票据输入鉴伪网络进行训练得到输出数据;将所述输出数据输入判定网络进行干扰票据及真票据的分类,得到将干扰票据与真票据分为不同类时对应的鉴伪网络模型;将待检测票据输入所述鉴伪网络模型中进行鉴定,得到所述待检测票据的鉴定结果。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种票据鉴定方法及装置。
背景技术
现有技术的流程如图所示。优点在于算法设计难度相比简单一些。已经推广使用在公司的各个项目中。缺点主要有三点:1、算法设计鲁棒性较差:有大量的参数需要调节,从而满足不同批次和硬件条件下的产品运行。在产品升级维护中,从研发到推广需要很多额外的人力开销,用于产品的调优。2、适应性有限:一套算法很难适应不同的票据鉴伪。因此,每种票据鉴伪都需要设计自己特殊的算法,并由算法工程师跟踪改进,直到产品稳定。投入人力较多。3.数据利用率低:在公司以往的运营中,积累了大量的票据鉴伪数据,这部分数据人工筛选的用于算法改进,没有得到大数据的分析,数据利用率偏低。因此需要一种更加有效地票据鉴定方法。
发明内容
有鉴于此,本发明实施例的目的在于提供一种票据鉴定方法及装置。
本发明实施例提供的一种票据鉴定方法,所述票据鉴定方法包括:
将伪造网络生成的干扰票据及预存的真票据输入鉴伪网络进行训练得到输出数据;
将所述输出数据输入判定网络进行干扰票据及真票据的分类,得到将干扰票据与真票据分为不同类时对应的鉴伪网络模型;
将待检测票据输入所述鉴伪网络模型中进行鉴定,得到所述待检测票据的鉴定结果。
本发明实施例还提供一种票据鉴定装置,所述票据鉴定装置包括:
训练模块,用于将伪造网络生成的干扰票据及预存的真票据输入鉴伪网络进行训练得到输出数据;
得到模块,用于将所述输出数据输入判定网络进行干扰票据及真票据的分类,得到将干扰票据与真票据分为不同类时对应的鉴伪网络模型;
鉴定模块,用于将待检测票据输入所述鉴伪网络模型中进行鉴定,得到所述待检测票据的鉴定结果。
与现有技术相比,本发明实施例提供的票据鉴定方法及装置,先通过伪造网络生成干扰票据对鉴伪网络进行训练,使用训练好的鉴伪网络模型对输入的票据进行鉴定,可以有效鉴定票据的真伪。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明较佳实施例提供的电子终端的方框示意图。
图2为本发明较佳实施例提供的票据鉴定方法的流程图。
图3为本发明较佳实施例提供的票据鉴定方法的步骤S101的详细流程图。
图4为本发明较佳实施例提供的票据鉴定方法的步骤S102的详细流程图。
图5为本发明较佳实施例提供的票据鉴定方法的步骤S101和步骤S102合并的详细流程图。
图6为本发明较佳实施例提供的票据鉴定装置的功能模块示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,是一电子终端100的方框示意图。所述电子终端100包括票据鉴定装置110、存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对电子终端100的结构造成限定。例如,电子终端100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。本实施例所述的电子终端100可以是个人计算机、图像处理服务器、或者移动电子设备等具有图像处理能力的计算设备。
所述存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述票据鉴定装置110包括至少一个可以软件或固件(Firmware)的形式存储于所述存储器111中或固化在所述电子终端100的操作系统(Operating System,OS)中的软件功能模块。所述处理器113用于执行存储器中存储的可执行模块,例如所述票据鉴定装置110包括的软件功能模块或计算机程序。
其中,所述存储器111可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器111用于存储程序,所述处理器113在接收到执行指令后,执行所述程序,本发明实施例任一实施例揭示的过程定义的电子终端100所执行的方法可以应用于处理器113中,或者由处理器113实现。
所述处理器113可能是一种集成电路芯片,具有信号的处理能力。上述的处理器113可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。
所述外设接口114将各种输入/输入装置耦合至处理器113以及存储器111。在一些实施例中,外设接口114,处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
所述输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是,但不限于,鼠标和键盘等。
所述显示单元116在所述电子终端100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器进行计算和处理。
本申请的实施例为了弥补了现有技术中的缺陷,同时在算法设计中尽量规避深度学习标注带来的巨大工作量。针对现有技术:1.鲁棒性较差2.适应性有限3.数据利用率低,三个缺陷。本申请申请人研究发现利用深度学习网络,用大量数据训练算法网络,可以有效地提高算法在不同情况下的鲁棒性。算法网络中,针对有价票据鉴别真伪的具体任务进行设计:即真伪两种状态的判别。使用端到端的的算法设计来满足真伪两种状态的鉴伪。因此,对于不同的票据鉴伪任务中,算法网络依然有具有适应性,不用重复进行算法设计。在算法网络参数的训练过程中,尽量多的使用以前运行累积的数据,提高识别率,充分利用大数据。
针对上述描述,本申请通过以下几个实施例进行详细描述。
请参阅图2,是本发明较佳实施例提供的应用于图1所示的电子终端的票据鉴定方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤S101,将伪造网络生成的干扰票据及预存的真票据输入鉴伪网络进行训练得到输出数据。
本实施例中,所述票据可以是人民币、美元、英镑等货币,汇票、发票等其它票据。
本实施例中,所述干扰票据由运行在所述电子终端内的伪造网络随机生成的干扰票据,其实所述干扰票据与真实票据越接近所述真票据则表示所述伪造网络生成的干扰票据效果越好。
在执行步骤S101之前所述方法还包括对所述伪造网络进行初始化。在一种实施方式中,所述初始化的步骤可包括:本实施例中,在所述伪造网络中输入赝品票据进行反向传播训练得到输出数据,作为伪造特征。将所述伪造特征输入所述伪造网络进行训练得到赝品还原票据以确定所述伪造网络的参数,完成对所述伪造网络的初始化。本实施例中,每次鉴定不同票据时需要分别进行伪造网络进行初始化。例如,当用来鉴定一百块的人民币时,需要将一百块的人民币假币输入所述进行反向传播训练得到输出数据,作为伪造特征。将所述伪造特征输入所述伪造网络进行训练得到赝品还原票据以确定所述伪造网络的参数,完成对所述伪造网络的初始化。
本实施例中,所述伪造网络生成的干扰票据通过以下方式得到:获取随机向量作为所述伪造网络的输入值进行训练生成所述干扰票据。
步骤S102,将所述输出数据输入判定网络进行干扰票据及真票据的分类,得到将干扰票据与真票据分为不同类时对应的鉴伪网络模型。
本实施例中,所述干扰票据为所述伪造网络产生的假票据,所述伪造网络生成的干扰票据与所述真票据越接近,所述鉴伪网络模型能够准确识别假票据的可能性越大。
本实施例中,可以重复执行步骤S101和步骤S102训练得到所述鉴伪网络模型。其中,所述伪造网络产生的干扰票据越接近真票据可以使所述鉴伪网络模型识别假票据的能力越强。
在一个实例中,将所述真票据的输出向量标记为真,将所述干扰票据的输出向量标记为假。将所述输出向量进行分类为所述将所述真票据的输出向量与所述干扰票据的输出向量的标记对应的类,反复执行以确定所述鉴伪网络的参数得到所述鉴伪网络模型。
步骤S103,将待检测票据输入所述鉴伪网络模型中进行鉴定,得到所述待检测票据的鉴定结果。
本实施例中,可以将所述待检测的票据输入所述鉴伪网络模型中进行分类,在一个实例中,所述鉴伪网络模型分类结果可以有两类,将真票据分类为真,其余全部分类为假。
本实施例中,所述鉴伪网络模型可以是一个二类分类器,将所述待检测票据进行真假分类。
本实施例中,所述伪造网络与所述鉴伪网络构成生成对抗网络(GenerativeAdversarial Nets,简称GAN),其中,所述伪造网络作为生成模型,所述鉴伪网络和所述判定网络组成的网络作为判别模型。通过使用生成对抗网络生成干扰票据,以降低假票据被识别为真票据的概率,提高票据识别的准确率。
本实施中,如图3所示,步骤S101包括:步骤S1011至步骤S1013。
步骤S1011,获取任意一随机向量作为所述伪造网络的输入值进行训练生成所述干扰票据。
步骤S1012,将所述干扰票据及预存的真票据输入鉴伪网络进行训练得到输出数据。
步骤S1013,判断所述干扰票据的输出向量与预存的真票据的输出向量之间的欧式距离是否小于预设值。
若是,则退出循环,确定当前伪造网络的参数得到训练好的伪造网络;若否,则执行步骤S1011。
本实施例中,通过循环训练使所述伪造网络生成的干扰票据的输出向量与真票据的输出向量的欧式距离小,其中,干扰票据的输出向量与真票据的输出向量的欧式距离小表示所述干扰票据越接近真票据。
本实施例中,步骤S1013也可以省略,通过固定所述鉴伪网络,将所述步骤S1012得到的输出向量输入所述鉴伪网络进行分类,当所述鉴伪网络将干扰票据及预存的真票据的输出向量分为不同类时,返回步骤S1011再次生成干扰票据,将新的干扰票据及预存的真票据输入鉴伪网络进行训练得到输出数据,将输出向量再次所述鉴伪网络进行分类直到所述鉴伪网络得到的分类结果为将所述干扰票据及预存的真票据的输出向量分为同类时,确定得到训练好的伪造网络。在一个实例中,所述鉴伪网络可以使用由附图5所示流程训练得到的鉴伪网络模型。
本实施例中,如图4所示,所步骤S102包括:步骤S1021至步骤S1022。
步骤S1021,将所述输出数据输入所述判定网络将所述干扰票据与真票据进行分类,得到分类结果。
步骤S1022,判断干扰票据与真票据是否被分为同类。
若判断为同类,则退出循环;若判断为不同,则再次执行步骤S1021。
本实施例中,将所述伪造网络固定,再重新执行步骤S1021之前还需要使用所述伪造网络生成干扰票据,将干扰票据重新输入所述鉴伪网络进行训练得到输出数据,再次执行步骤S1021时,所述输出向量为更新后的输出向量。
在其它实施例中,如图5所示,所述步骤S101和步骤S102包括以下步骤:步骤S201至步骤S204。
步骤S201,获取任意一随机向量作为所述伪造网络的输入值进行训练生成所述干扰票据。
步骤S202,将所述干扰票据及预存的真票据输入鉴伪网络进行训练得到输出数据。
步骤S203,将所述输出数据输入所述判定网络将所述干扰票据与真票据进行分类,得到分类结果。
步骤S204,判断干扰票据与真票据是否被分为同类。
若判断为同类,则退出循环,得到将干扰票据与真票据分为不同类时确定的鉴伪网络的参数以确定所述鉴伪网络模型;若判断为不同,则再次执行步骤S201。
本实施例中,所述步骤S201使用的伪造网络为使用图3所示的流程训练好的神经网络。
本实施例,所述伪造网络和所述鉴伪网络可以经过多次重复训练以提高鉴定的准确率。例如,先将所述伪造网络进行训练得到第一伪造网络,再使用第一伪造网络训练鉴伪网络和判定网络得到第一鉴伪网络;再使用第一鉴伪网络对第一伪造网络进行训练得到第二伪造网络,再使用第二伪造网络训练第一鉴伪网络得到第二鉴伪网络。通过反复训练可以使用所述伪造网络生成的干扰票据更接近真票据,通过反复训练可以使所述鉴伪网络模型将假票据识别为真票据的概率更低,提高票据识别的准确率。
下面在一个实例中,描述通过多次训练得到所述鉴伪网络模型,具体描述如下。
步骤A,获取任意一随机向量作为所述伪造网络的输入值进行训练生成所述干扰票据。将所述干扰票据及预存的真票据输入鉴伪网络进行训练得到输出数据。判断所述干扰票据的输出向量与预存的真票据的输出向量之间的欧式距离是否小于预设值。若是,则退出循环,确定当前伪造网络的参数得到第一伪造网络;若否,则执行上述步骤。
步骤B,获取任意一随机向量作为所述第一伪造网络的输入值进行训练生成所述干扰票据。将所述干扰票据及预存的真票据输入鉴伪网络进行训练得到输出数据。将所述输出数据输入所述判定网络将所述干扰票据与真票据进行分类,得到分类结果。判断干扰票据与真票据是否被分为同类。若判断为同类,则退出循环,得到将干扰票据与真票据分为不同类时确定的鉴伪网络的参数以确定第一鉴伪网络;若判断为不同,则再次执行上述步骤。
步骤C,获取任意一随机向量作为所述第M-1伪造网络的输入值进行训练生成所述干扰票据。将所述干扰票据及预存的真票据输入第M-1鉴伪网络进行训练得到输出数据。判断所述干扰票据的输出向量与预存的真票据的输出向量之间的欧式距离是否小于预设值。若是,则退出循环,确定当前伪造网络的参数得到第M伪造网络;若否,则执行上述步骤。
步骤D,获取任意一随机向量作为所述第M伪造网络的输入值进行训练生成所述干扰票据。将所述干扰票据及预存的真票据输入第M-1鉴伪网络进行训练得到输出数据。将所述输出数据输入所述判定网络将所述干扰票据与真票据进行分类,得到分类结果。判断干扰票据与真票据是否被分为同类。若判断为同类,则退出循环,得到将干扰票据与真票据分为不同类时确定的鉴伪网络的参数以确定第M鉴伪网络;若判断为不同,则再次执行上述步骤。
重复步骤C和D最后可以得到优化的第N伪造网络和第N鉴伪网络,并将所述第N鉴伪网络作为所述鉴伪网络模型。
根据本发明实施例提供的票据鉴定方法,先通过伪造网络生成干扰票据对鉴伪网络进行训练,使用训练好的鉴伪网络模型对输入的票据进行鉴定,可以有效鉴定票据的真伪;票据的真伪不受算法使用的数据库的影响,通过自身的学习训练得到假票据缩小判定为真票据的范围,提高准确率的同事减少数据库的使用。另外,在算法设计中尽量规避深度学习标注带来的巨大工作量。充分利用有价票据大量的运营数据,采用自己设计的鉴伪竞争网络进行数据训练,完成鲁棒的鉴伪算法。同时,这套算法设计可应用于不同的有价票据鉴伪应用从,从而为用户的云鉴伪提供后台算法支撑。
本实施例中,通过使用伪造网络根据随机变量自动生成的干扰票据接近真票据,使鉴定网络模型识别真票据的能力越高,从而使票据的识别结果更加接近真实结果。通过所述伪造网络生成干扰票据,对鉴伪网络和判定网络进行训练得到所述鉴定网络模型,所述伪造网络起到监督学习的作用,再通过鉴定网络模型对所述输入的待检测的票据进行鉴定以实现高效率鉴定。
请参阅图6,是本发明较佳实施例提供的图1所示的票据鉴定装置110的功能模块示意图。本实施例中的所述票据鉴定装置110包括的模块及单元用于执行上述方法实施例中的步骤。所述票据鉴定装置110包括训练模块1101、得到模块1102、以及鉴定模块1103。
所述训练模块1101,用于将伪造网络生成的干扰票据及预存的真票据输入鉴伪网络进行训练得到输出数据。
在一种实施方式中,所述训练模块的伪造网络生成的干扰票据通过以下方式得到:获取随机向量作为所述伪造网络的输入值进行训练生成所述干扰票据。
所述得到模块1102,用于将所述输出数据输入判定网络进行干扰票据及真票据的分类,得到将干扰票据与真票据分为不同类时对应的鉴伪网络模型。
所述鉴定模块1103,用于将待检测票据输入所述鉴伪网络模型中进行鉴定,得到所述待检测票据的鉴定结果。
本实施例中,所述训练模块1101包括:干扰获取单元及票据训练单元。
所述干扰获取单元,用于获取任意一随机向量作为所述伪造网络的输入值进行训练生成所述干扰票据。
所述票据训练单元,用于将所述干扰票据及预存的真票据输入鉴伪网络进行训练得到输出数据。
本实施例中,所述得到模块1102还用于将所述输出数据输入所述判定网络将所述干扰票据与真票据进行分类,得到分类结果;重复进行分类,直到将干扰票据分类为假及将真票据分类为真的准确率达到指定值时,得到对应的鉴伪网络模型。
本实施例中,请再次参阅图6,所述票据鉴定装置110还包括:初始化模块1104,用于在所述伪造网络中输入赝品票据进行反向传播训练得到输出数据,作为伪造特征,将所述伪造特征输入所述伪造网络进行训练得到赝品还原票据以确定所述伪造网络的参数,完成对所述伪造网络的初始化。
根据本发明实施例提供的票据鉴定装置,先通过伪造网络生成干扰票据对鉴伪网络进行训练,使用训练好的鉴伪网络模型对输入的票据进行鉴定,可以有效鉴定票据的真伪;票据的真伪不受算法使用的数据库的影响,通过自身的学习训练得到假票据缩小判定为真票据的范围,提高准确率的同事减少数据库的使用。另外,在算法设计中尽量规避深度学习标注带来的巨大工作量。充分利用有价票据大量的运营数据,采用自己设计的鉴伪竞争网络进行数据训练,完成鲁棒的鉴伪算法。同时,这套算法设计可应用于不同的有价票据鉴伪应用从,从而为用户的云鉴伪提供后台算法支撑。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种票据鉴定方法,其特征在于,所述票据鉴定方法包括:
将伪造网络生成的干扰票据及预存的真票据输入鉴伪网络进行训练得到输出数据;
将所述输出数据输入判定网络进行干扰票据及真票据的分类,得到将干扰票据与真票据分为不同类时对应的鉴伪网络模型;
将待检测票据输入所述鉴伪网络模型中进行鉴定,得到所述待检测票据的鉴定结果。
2.如权利要求1所述的票据鉴定方法,其特征在于,所述伪造网络生成的干扰票据通过以下方式得到:
获取随机向量作为所述伪造网络的输入值进行训练生成所述干扰票据。
3.如权利要求2所述的票据鉴定方法,其特征在于,所述将伪造网络生成的干扰票据及真票据输入鉴伪网络进行训练得到输出数据的步骤包括:
获取任意一随机向量作为所述伪造网络的输入值进行训练生成所述干扰票据;
将所述干扰票据及预存的真票据输入鉴伪网络进行训练得到输出数据;
重复上述步骤直到所述干扰票据的输出向量与预存的真票据的输出向量之间的欧式距离小于预设值。
4.如权利要求3所述的票据鉴定方法,其特征在于,所述将所述输出数据输入判定网络进行干扰票据及真票据的分类,得到将干扰票据与真票据分为不同类时对应的鉴伪网络模型的步骤包括:
将所述输出数据输入所述判定网络将所述干扰票据与真票据进行分类,得到分类结果;
重复上述步骤,直到将干扰票据分类为假及将真票据分类为真的准确率达到指定值时,得到对应的鉴伪网络模型。
5.如权利要求1-4任意一项所述的票据鉴定方法,其特征在于,所述方法还包括:
在所述伪造网络中输入赝品票据进行反向传播训练得到输出数据,作为伪造特征;
将所述伪造特征输入所述伪造网络进行训练得到赝品还原票据以确定所述伪造网络的参数,完成对所述伪造网络的初始化。
6.一种票据鉴定装置,其特征在于,所述票据鉴定装置包括:
训练模块,用于将伪造网络生成的干扰票据及预存的真票据输入鉴伪网络进行训练得到输出数据;
得到模块,用于将所述输出数据输入判定网络进行干扰票据及真票据的分类,得到将干扰票据与真票据分为不同类时对应的鉴伪网络模型;
鉴定模块,用于将待检测票据输入所述鉴伪网络模型中进行鉴定,得到所述待检测票据的鉴定结果。
7.如权利要求6所述的票据鉴定装置,其特征在于,所述训练模块的伪造网络生成的干扰票据通过以下方式得到:获取随机向量作为所述伪造网络的输入值进行训练生成所述干扰票据。
8.如权利要求7所述的票据鉴定装置,其特征在于,所述训练模块包括:
干扰获取单元,用于获取任意一随机向量作为所述伪造网络的输入值进行训练生成所述干扰票据;
票据训练单元,用于将所述干扰票据及预存的真票据输入鉴伪网络进行训练得到输出数据。
9.如权利要求8所述的票据鉴定装置,其特征在于,所述得到模块还用于将所述输出数据输入所述判定网络将所述干扰票据与真票据进行分类,得到分类结果;重复进行分类,直到将干扰票据分类为假及将真票据分类为真的准确率达到指定值时,得到对应的鉴伪网络模型。
10.如权利要求6-9任意一项所述的票据鉴定装置,其特征在于,所述装置还包括:初始化模块,用于在所述伪造网络中输入赝品票据进行反向传播训练得到输出数据,作为伪造特征,将所述伪造特征输入所述伪造网络进行训练得到赝品还原票据以确定所述伪造网络的参数,完成对所述伪造网络的初始化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710957346.4A CN107862785A (zh) | 2017-10-16 | 2017-10-16 | 票据鉴定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710957346.4A CN107862785A (zh) | 2017-10-16 | 2017-10-16 | 票据鉴定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107862785A true CN107862785A (zh) | 2018-03-30 |
Family
ID=61698862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710957346.4A Pending CN107862785A (zh) | 2017-10-16 | 2017-10-16 | 票据鉴定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107862785A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876166A (zh) * | 2018-06-27 | 2018-11-23 | 平安科技(深圳)有限公司 | 财务风险验证处理方法、装置、计算机设备及存储介质 |
CN109299744A (zh) * | 2018-10-19 | 2019-02-01 | 合肥非度信息技术有限公司 | 合同公章分类模型的训练方法、系统和识别方法、系统 |
CN109409969A (zh) * | 2018-10-24 | 2019-03-01 | 仲恺农业工程学院 | 一种企业税务欺诈检测方法、电子设备及存储介质 |
CN109637000A (zh) * | 2018-10-23 | 2019-04-16 | 深圳壹账通智能科技有限公司 | 发票检验方法及装置、存储介质、电子终端 |
CN111639718A (zh) * | 2020-06-05 | 2020-09-08 | 中国银行股份有限公司 | 分类器应用方法及装置 |
CN112115960A (zh) * | 2020-06-15 | 2020-12-22 | 曹辉 | 一种收藏品鉴别方法和系统 |
WO2021174869A1 (zh) * | 2020-09-02 | 2021-09-10 | 平安科技(深圳)有限公司 | 用户图片数据的处理方法、装置、计算机设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1142642A (zh) * | 1995-08-07 | 1997-02-12 | 货款接收机公司 | 用人工神经网络对硬币的有效性进行图形识别的装置 |
US5678677A (en) * | 1992-11-30 | 1997-10-21 | Mars Incorporated | Method and apparatus for the classification of an article |
JP2008040684A (ja) * | 2006-08-03 | 2008-02-21 | Matsushita Electric Works Ltd | 信号識別装置の学習方法 |
CN103795592A (zh) * | 2014-01-21 | 2014-05-14 | 中国科学院信息工程研究所 | 网络水军的检测方法及装置 |
CN105469141A (zh) * | 2015-11-20 | 2016-04-06 | 北京大学深圳研究生院 | 基于神经网络的预测方法及系统 |
CN105894656A (zh) * | 2016-03-30 | 2016-08-24 | 浙江大学 | 一种纸币图像识别方法 |
CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
CN106845147A (zh) * | 2017-04-13 | 2017-06-13 | 北京大数医达科技有限公司 | 医学经验总结模型的建立方法、装置及数据评估方法 |
CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
-
2017
- 2017-10-16 CN CN201710957346.4A patent/CN107862785A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5678677A (en) * | 1992-11-30 | 1997-10-21 | Mars Incorporated | Method and apparatus for the classification of an article |
CN1142642A (zh) * | 1995-08-07 | 1997-02-12 | 货款接收机公司 | 用人工神经网络对硬币的有效性进行图形识别的装置 |
JP2008040684A (ja) * | 2006-08-03 | 2008-02-21 | Matsushita Electric Works Ltd | 信号識別装置の学習方法 |
CN103795592A (zh) * | 2014-01-21 | 2014-05-14 | 中国科学院信息工程研究所 | 网络水军的检测方法及装置 |
CN105469141A (zh) * | 2015-11-20 | 2016-04-06 | 北京大学深圳研究生院 | 基于神经网络的预测方法及系统 |
CN105894656A (zh) * | 2016-03-30 | 2016-08-24 | 浙江大学 | 一种纸币图像识别方法 |
CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
CN106845147A (zh) * | 2017-04-13 | 2017-06-13 | 北京大数医达科技有限公司 | 医学经验总结模型的建立方法、装置及数据评估方法 |
Non-Patent Citations (3)
Title |
---|
INA J. GOODFELLOW: "Generative Adversarial Nets", 《ARXIV.ORG/ABS/1406.2661》 * |
张淼: "基于矩不变量的印鉴鉴别技术的研究", 《中国优秀硕士学位论文全文数据库》 * |
白明燕: "基于改进主成分分析和神经网络的美元识别研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876166A (zh) * | 2018-06-27 | 2018-11-23 | 平安科技(深圳)有限公司 | 财务风险验证处理方法、装置、计算机设备及存储介质 |
CN109299744A (zh) * | 2018-10-19 | 2019-02-01 | 合肥非度信息技术有限公司 | 合同公章分类模型的训练方法、系统和识别方法、系统 |
CN109637000A (zh) * | 2018-10-23 | 2019-04-16 | 深圳壹账通智能科技有限公司 | 发票检验方法及装置、存储介质、电子终端 |
CN109637000B (zh) * | 2018-10-23 | 2021-12-28 | 深圳壹账通智能科技有限公司 | 发票检验方法及装置、存储介质、电子终端 |
CN109409969A (zh) * | 2018-10-24 | 2019-03-01 | 仲恺农业工程学院 | 一种企业税务欺诈检测方法、电子设备及存储介质 |
CN111639718A (zh) * | 2020-06-05 | 2020-09-08 | 中国银行股份有限公司 | 分类器应用方法及装置 |
CN111639718B (zh) * | 2020-06-05 | 2023-06-23 | 中国银行股份有限公司 | 分类器应用方法及装置 |
CN112115960A (zh) * | 2020-06-15 | 2020-12-22 | 曹辉 | 一种收藏品鉴别方法和系统 |
WO2021174869A1 (zh) * | 2020-09-02 | 2021-09-10 | 平安科技(深圳)有限公司 | 用户图片数据的处理方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862785A (zh) | 票据鉴定方法及装置 | |
CN107391569B (zh) | 数据类型的识别、模型训练、风险识别方法、装置及设备 | |
Aldegheishem et al. | Towards sustainable energy efficiency with intelligent electricity theft detection in smart grids emphasising enhanced neural networks | |
CN102592067B (zh) | 一种网页识别方法、装置及系统 | |
CN105631049A (zh) | 一种识别诈骗短信的方法和系统 | |
CN109063456B (zh) | 图像型验证码的安全性检测方法及系统 | |
CN107437038A (zh) | 一种网页篡改的检测方法及装置 | |
CN106104555A (zh) | 用于保护外围设备的行为分析 | |
CN104820924B (zh) | 一种基于笔迹鉴定的网上安全支付系统 | |
CN108667854A (zh) | 网络漏洞检测方法及装置、网络漏洞自动发布系统 | |
CN107209818A (zh) | 用于检测与移动装置的虚假用户交互以用于改进的恶意软件防护的方法和系统 | |
CN104899508A (zh) | 一种多阶段钓鱼网站检测方法与系统 | |
Bian et al. | Image-based scam detection method using an attention capsule network | |
Sadiq et al. | Fraud detection model based on multi-verse features extraction approach for smart city applications | |
CN107026731A (zh) | 一种用户身份验证的方法及装置 | |
Jonnalagadda et al. | Credit card fraud detection using Random Forest Algorithm | |
WO2021053646A1 (en) | Detection of presence of malicious tools on mobile devices | |
Ojugo et al. | Forging a user-trust memetic modular neural network card fraud detection ensemble: A pilot study | |
CN114817808A (zh) | 非法网站识别方法、装置、电子装置和存储介质 | |
CN110365625B (zh) | 物联网安全检测方法、装置及存储介质 | |
Hsin et al. | Feature engineering and resampling strategies for fund transfer fraud with limited transaction data and a time-inhomogeneous modi operandi | |
CN109597987A (zh) | 一种文本还原方法、装置及电子设备 | |
CN112488163A (zh) | 一种异常账号的识别方法、装置、计算机设备及存储介质 | |
US11755700B2 (en) | Method for classifying user action sequence | |
An et al. | Benchmarking the Robustness of Image Watermarks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180330 |