CN109271977A - 票据自动分类训练方法、装置及自动分类方法、装置 - Google Patents
票据自动分类训练方法、装置及自动分类方法、装置 Download PDFInfo
- Publication number
- CN109271977A CN109271977A CN201811406818.8A CN201811406818A CN109271977A CN 109271977 A CN109271977 A CN 109271977A CN 201811406818 A CN201811406818 A CN 201811406818A CN 109271977 A CN109271977 A CN 109271977A
- Authority
- CN
- China
- Prior art keywords
- picture
- classification
- bill
- feature information
- automatic
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/413—Classification of content, e.g. text, photographs or tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术,其公开了一种票据自动分类训练方法、装置及自动分类方法、装置,解决传统技术中基于机器视觉技术的分类方案在票面图像质量较差,有噪声污染时无法准确分类的问题。本发明中的票据自动分类训练装置,其包括:第一获取模块,用于获取训练票据图片的归属分类库标签,并提取所述训练票据图片的第一特征信息;第二获取模块,用于获取与训练票据图片的类别对应的第一分类标注数据;第一提取模块,用于提取所述训练票据图片的第二特征信息;训练模块,用于根据所述第一特征信息、第二特征信息和第一分类标注数据进行训练,以生成自动分类模型。
Description
技术领域
本发明涉及图像处理技术,具体涉及一种票据自动分类训练方法、装置及自动分类方法、装置。
背景技术
在需要财务费用报账,寿险理赔等操作中,在对批量上传的票据图片进行集中业务处理前,往往需要预先对发票图片进行分类,再做集中业务处理,如发票核算,票面信息录入等。
现有技术中,基于机器视觉技术的分类方案通常使用手工设计出的特征,如LBP(局部二值模式)等作为下一步分类操作的输入,该方案在图像质量好时分类效果好。然而,在现实中,由于不可避免的因素,图片质量好的票据数量占比较低,仅仅使用这些手工设计的特征作为分类的前一步输入就显示出了弊端,直接带来的影响就是在票面图像质量较差,有噪声污染时无法准确分类。
发明内容
本发明所要解决的技术问题是:提出一种票据自动分类训练方法、装置及自动分类方法、装置,解决传统技术中基于机器视觉技术的分类方案在票面图像质量较差,有噪声污染时无法准确分类的问题。
本发明解决上述技术问题所采用的技术方案是:
第一方面,本发明提出了一种票据自动分类训练装置,其包括:
第一获取模块,用于获取训练票据图片的归属分类库标签,并提取所述训练票据图片的第一特征信息;
第二获取模块,用于获取与训练票据图片的类别对应的第一分类标注数据;
第一提取模块,用于提取所述训练票据图片的第二特征信息;
训练模块,用于根据所述第一特征信息、第二特征信息和第一分类标注数据进行训练,以生成自动分类模型。
作为进一步优化,该自动分类训练装置还包括:
第三获取模块,用于获取测试票据图片,并提取所述测试票据图片的第三特征信息;
第四获取模块,用于获取与所述测试票据图片类别对应的第二分类标注数据;
第二提取模块,用于提取所述测试票据图片的第四特征信息;
第一生成模块,用于将所述第三特征信息和所述第四特征信息输入至所述自动分类模型,以通过所述自动分类模型生成所述测试票据图片的分类结果;
计算模块,用于根据所述测试票据图片的分类结果和第二分类标注数据计算所述自动分类模型分类的准确度;
判断模块,用于判断所述自动分类模型分类的准确度是否超过预设阈值;
第一处理模块,用于在判断所述自动分类模型分类的准确度未超过预设阈值时,重新训练所述自动分类模型,直至所述模型分类的准确度超过预设阈值。
第二方面,基于上述票据自动分类训练装置,本发明还提供了一种票据自动分类训练方法,包括以下步骤:
a.获取训练图片的归属分类库标签,并提取所述训练图片的第一特征信息;
b.获取与训练图片的类别对应的第一分类标注数据;
c.提取训练图片的第二特征信息;
d.根据所述第一特征信息、第二特征信息和第一分类标注数据进行训练,以生成用于票据图片的自动分类模型。
作为进一步优化,在步骤d之后还包括:
步骤e:对生成的所述自动分类模型进行准确性测试:
e1.获取测试票据图片,并提取所述测试票据图片的第三特征信息;
e2.获取与所述测试票据图片的类别对应的第二分类标注数据;
e3.提取所述测试票据图片的第四特征信息;
e4.将所述第三特征信息和所述第四特征信息输入至自动分类模型,通过所述自动分类模型自动计算所述测试票据图片的分类结果;
e5.根据自动计算的所述测试票据图片的分类结果和第二分类标注数据计算所述自动分类模型分类的准确度;
e6.判断所述自动分类模型分类的准确度是否超过预设阈值,若否,则重新训练所述自动分类模型,直至所述自动分类模型的分类准确度超过预设阈值。
第三方面,本发明还提供了一种票据自动分类装置,其包括:
第五获取模块,用于获取待处理票据图片,并提取所述待处理票据图片的第五特征信息;
第三提取模块,用于提取所述待处理票据图片的第六特征信息;
第二生成模块,用于将所述第五特征信息和所述第六特征信息输入至自动分类模型,以通过所述自动分类模型生成所述待处理票据图片的分类结果;
第二处理模块,用于根据所述待处理图片的分类结果,并结合OCR技术对待处理图片的识别结果确定是否将所述待处理票据图片提供给相对应业务。
作为进一步优化,所述第二处理模块具体用于,利用OCR技术对待处理票据图片进行OCR识别,并提取OCR识别结果的第七特征信息,将所述第七特征信息与训练图片的归属分类库的标签分别进行匹配,根据已匹配的训练图片归属库的标签将待处理票据图片下发至对应业务。
第四方面,基于上述票据自动分类装置,本发明还提供了一种票据自动分类方法,其包括以下步骤:
a.获取待处理票据图片,并提取所述待处理票据图片的第五特征信息;
b.提取所述待处理票据图片的第六特征信息;
c.将所述第五特征信息和所述第六特征信息输入至自动分类模型,通过所述分类模型生成所述待处理票据图片的分类结果;
d.根据所述待处理图片的分类结果,并结合OCR技术对待处理图片的识别结果确定是否将所述待处理票据图片提供给相对应业务。
作为进一步优化,步骤d中,所述结合OCR技术对待处理图片的识别结果确定是否将所述待处理票据图片提供给相对应业务,具体包括:
d1.提取待处理票据图片的OCR识别结果的第七特征信息;
d2.将所述第七特征信息与训练图片归属库的标签分别匹配;
d3.根据已匹配的训练图片归属库的标签将待处理票据图片下发至对应业务。
本发明的有益效果是:
采用面向业务的基于深度学习的方式提取票据图片的低维特征,建立自动分类模型,利用自动分类模型对待处理票据进行自动分配,节省了处理时间、节省人力、降低成本,并结合OCR技术对自动分类结果进行精确判断,相比单纯使用机器视觉方法手工设计的发票图片特征进行分类,在票面图像质量较差,有噪声污染时提高了分类准确率。
附图说明
图1为实施例1中的票据自动分类训练装置结构框图;
图2为实施例2中的票据自动分类训练装置结构框图;
图3为实施例3中的票据自动分类训练方法流程图;
图4为实施例4中的票据自动分类训练方法流程图;
图5为实施例5中的票据自动分类装置结构框图;
图6为实施例6中的票据自动分类方法流程图。
具体实施方式
本发明所要解决的技术问题是:提出一种票据自动分类训练方法、装置及自动分类方法、装置,解决传统技术中基于机器视觉技术的分类方案在票面图像质量较差,有噪声污染时无法准确分类的问题。
下面结合附图及实施例对本发明的方案作进一步的描述:
实施例1:
如图1所示,本实施例中提出的票据自动分类训练装置,包括:
第一获取模块,用于获取训练票据图片的归属分类库标签,并提取所述训练票据图片的第一特征信息;
第二获取模块,用于获取与训练票据图片的类别对应的第一分类标注数据;
第一提取模块,用于提取所述训练票据图片的第二特征信息;
训练模块,用于根据所述第一特征信息、第二特征信息和第一分类标注数据进行训练,以生成自动分类模型。
利用本实施例提供的票据自动分类训练装置,可以训练出自动分类模型,以便后续对待处理票据图片进行自动分类。
实施例2:
如图2所示,本实施例提出的票据自动分类训练装置在实施例1的结构基础上还增加了以下模块:
第三获取模块,用于获取测试票据图片,并提取所述测试票据图片的第三特征信息;
第四获取模块,用于获取与所述测试票据图片类别对应的第二分类标注数据;
第二提取模块,用于提取所述测试票据图片的第四特征信息;
第一生成模块,用于将所述第三特征信息和所述第四特征信息输入至所述自动分类模型,以通过所述自动分类模型生成所述测试票据图片的分类结果;
计算模块,用于根据所述测试票据图片的分类结果和第二分类标注数据计算所述自动分类模型分类的准确度;
判断模块,用于判断所述自动分类模型分类的准确度是否超过预设阈值;
第一处理模块,用于在判断所述自动分类模型分类的准确度未超过预设阈值时,重新训练所述自动分类模型,直至所述模型分类的准确度超过预设阈值。
利用本实施例提供的票据自动分类训练装置,在训练出自动分类模型后,通过对模型的准确度检测,在模型准确度未达标(未超过预设阈值)时继续训练模型,从而提高模型的分类准确度。
实施例3:
如图3所示,在实施例1和实施例2的基础上,本实施例提出的票据自动分类训练方法包括以下实现步骤:
a.获取训练图片的归属分类库标签,并提取所述训练图片的第一特征信息;
本步骤中,首先获取大量的训练图片,同步获取训练图片对应的归属分类库标签。另外,在获取大量的训练图片后,可提取训练图片的第一特征信息。其中,第一特征信息为训练图片的特征信息。其中,第一特征信息可以包括形态学特征、纹理特征。其中,形态学特征可以包括纵横轴比、面税凹凸比、周长凹凸比、球状性、偏心率、图片旋转角度等特征。其中,纹理特征可以包括小梯度优势、大梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、灰度平均、梯度平均、灰度均方差,梯度均方差、是否有模糊等特征。
b.获取与训练图片的类别对应的第一分类标注数据;
本步骤中,第一分类标注数据是由人工对训练图片进行分类标注。其中,分类的结果分为若干类,具体是根据业务的处理进行划分的。如果分类结果匹配业务线一标签,则将对应的分类结果的类型标注为第一类,否则,继续匹配对应的业务线。如若均不能匹配,则匹配类别“其它”。
c.提取训练图片的第二特征信息;
本步骤中,第二特征信息可以包括深度特征,包括但不限于图片经过深度神经网络的前若干层、自编码器等获得的特征。
d.根据所述第一特征信息、第二特征信息和第一分类标注数据进行训练,以生成用于票据图片的自动分类模型。
本步骤中,可通过多种方式根据第一特征信息、第二特征信息和第一分类标注数据进行训练,以生成自动分类模型。比如,可以选择基于C4.5决策树算法,也可以选择基于softmax回归算法等等。
由此,面向业务提供了自动分类模型分类发票的方法,准确建立了自动分类的分类模型,方便后续根据该模型对发票图片进行分类。
利用本实施例提供的票据自动分类训练方法,可以训练出自动分类模型,以便后续对待处理票据图片进行自动分类。
实施例4:
如图4所示,本实施例中提出的票据自动分类训练方法在实施例3的基础上还增加了对模型准确度进行检测的步骤,具体包括:
e1.获取测试票据图片,并提取所述测试票据图片的第三特征信息;
本步骤中,第三特征信息可以包括形态学特征和纹理特征。其中,形态学特征可以包括纵横轴比、面税凹凸比、周长凹凸比、球状性、偏心率、图片旋转角度等特征。其中,纹理特征可以包括小梯度优势、大梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、灰度平均、梯度平均、灰度均方差,梯度均方差、是否有模糊等特征。
e2.获取与所述测试票据图片的类别对应的第二分类标注数据;
本步骤中,第二分类标注数据是由人工对训练图片进行分类标注。其中,分类的结果分为若干类,具体是根据业务的处理进行划分的。如果分类结果匹配业务线一标签,则将对应的分类结果的类型标注为第一类,否则,继续匹配对应的业务线。如若均不能匹配,则匹配类别“其它”。
e3.提取所述测试票据图片的第四特征信息;
本步骤中,第四特征信息可以包括包括深度特征,包括但不限于图片经过深度神经网络的前若干层、自编码器等获得的特征
e4.将所述第三特征信息和所述第四特征信息输入至自动分类模型,通过所述自动分类模型自动计算所述测试票据图片的分类结果;
本步骤中,在将所述第三特征信息和所述第四特征信息输入至自动分类模型后,自动分类模型根据模型分类算法自动计算所述测试票据图片的分类结果。
e5.根据自动计算的所述测试票据图片的分类结果和第二分类标注数据计算所述自动分类模型分类的准确度;
本步骤中,通过比较自动分类模型输出的分类结果和人工标注的分类结果,判断分类是否正确,统计正确分类的测试票据图片的个数,除以总的测试票据图片的个数,从而计算分类的准确度。
e6.判断所述自动分类模型分类的准确度是否超过预设阈值,若否,则重新训练所述自动分类模型,直至所述自动分类模型的分类准确度超过预设阈值。
本步骤中,预设阈值为预先设置的准确度阈值,如果判断分类模型分类的准确度超过预设阈值,则可以直接使用该模型对待处理图片进行分类处理。
在判断出分类模型分类的准确度未超过预设阈值时,获取人工标注的信息和用分类模型预测得出的模型不一致的测试图片,然后对这些图片进行分析,以根据分析结果确定出用于训练自动分类模型的新特征,例如,原先训练自动分类模型的为第一特征信息和第二特征信息,如果通过分析这些所获取的人工标注的信息和用模型预测得出的模型不一致的测试图片,确定图片像素、图片大小、是否票面字段有轻微倾斜角度等新特征与训练分类模型有关,此时,可结合新特征、第一特征信息和第二特征信息重新对自动分类模型进行训练,以生成更新后的自动分类模型,提高自动分类模型的分类准确度。
利用本实施例提供的票据自动分类训练方法通过训练图片训练出自动分类模型后,通过测试图片对自动分类模型的准确度进行验证,以获取准确度超过预设阈值的自动分类模型,以提高后续在使用该模型对图片进行分类的准确度。
实施例5:
如图5所示,本实施例提供的票据自动分类装置是利用实施例3或实施例4中训练出来的自动分类模型进行票据自动分类的装置,其包括:
第五获取模块,用于获取待处理票据图片,并提取所述待处理票据图片的第五特征信息;
第三提取模块,用于提取所述待处理票据图片的第六特征信息;
第二生成模块,用于将所述第五特征信息和所述第六特征信息输入至自动分类模型,以通过所述自动分类模型生成所述待处理票据图片的分类结果;
第二处理模块,用于根据所述待处理图片的分类结果,并结合OCR技术对待处理图片的识别结果确定是否将所述待处理票据图片提供给相对应业务。
利用本实施例提供的票据自动分类装置可以对批量待处理图片进行准确的自动分类处理,将准确分类后的图片提供给对应业务,避免了返回误分类的图片对业务下一步处理造成干扰。
实施例6:
如图6所示,在实施例5的基础上,本实施例提供的票据自动分类方法包括以下实现步骤:
a.获取待处理票据图片,并提取所述待处理票据图片的第五特征信息;
本步骤中,第五特征信息可以包括形态学特征和纹理特征。其中,形态学特征可以包括纵横轴比、面税凹凸比、周长凹凸比、球状性、偏心率、图片旋转角度等特征。其中,纹理特征可以包括小梯度优势、大梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、灰度平均、梯度平均、灰度均方差,梯度均方差、是否有模糊等特征。
b.提取所述待处理票据图片的第六特征信息;
本步骤中,第六特征信息可以包括深度特征,包括但不限于图片经过深度神经网络的前若干层、自编码器等获得的特征。
c.将所述第五特征信息和所述第六特征信息输入至自动分类模型,通过所述分类模型生成所述待处理票据图片的分类结果;
本步骤中,在将所述第五特征信息和所述第六特征信息输入至自动分类模型后,自动分类模型根据模型分类算法自动计算所述待处理票据图片的分类结果。
d.根据所述待处理图片的分类结果,并结合OCR技术对待处理图片的识别结果确定是否将所述待处理票据图片提供给相对应业务。
本步骤中,结合使用的OCR技术将提取待处理图片的OCR识别结果的第七特征信息,第七特征信息可以包括但不限于数据表块(table block)数、正文块(text block)数、字符数、疑惑字符数、字库、怪异字符数等。将第七特征信息与训练图片归属库的标签分别匹配。根据已匹配的训练图片归属库的标签对图片下发至对应业务。另外,如果根据分类结果结合预先设置的标准确定待处理的图片属于“其它”,则确定待处理图片不能匹配现有的业务线,此时,可对待处理图片进行确认,确认后再根据情况选择是否再次下发至业务。作为一种示例性的实施方式,可通过人工方式对结果为“其它”的图片进行确认,一般的,对待处理图片直接选择不做处理。
利用本实施例提供的票据自动分类方法可以对批量待处理图片进行准确的自动分类处理,可将准确分类后的图片提供给对应业务,避免了返回误分类的图片对业务下一步处理造成干扰。
Claims (8)
1.票据自动分类训练装置,其特征在于,包括:
第一获取模块,用于获取训练票据图片的归属分类库标签,并提取所述训练票据图片的第一特征信息;
第二获取模块,用于获取与训练票据图片的类别对应的第一分类标注数据;
第一提取模块,用于提取所述训练票据图片的第二特征信息;
训练模块,用于根据所述第一特征信息、第二特征信息和第一分类标注数据进行训练,以生成自动分类模型。
2.如权利要求1所述的票据自动分类训练装置,其特征在于,还包括:
第三获取模块,用于获取测试票据图片,并提取所述测试票据图片的第三特征信息;
第四获取模块,用于获取与所述测试票据图片类别对应的第二分类标注数据;
第二提取模块,用于提取所述测试票据图片的第四特征信息;
第一生成模块,用于将所述第三特征信息和所述第四特征信息输入至所述自动分类模型,以通过所述自动分类模型生成所述测试票据图片的分类结果;
计算模块,用于根据所述测试票据图片的分类结果和第二分类标注数据计算所述自动分类模型分类的准确度;
判断模块,用于判断所述自动分类模型分类的准确度是否超过预设阈值;
第一处理模块,用于在判断所述自动分类模型分类的准确度未超过预设阈值时,重新训练所述自动分类模型,直至所述模型分类的准确度超过预设阈值。
3.票据自动分类训练方法,应用于如权利要求1或2所述的票据自动分类训练装置,其特征在于,包括以下步骤:
a.获取训练图片的归属分类库标签,并提取所述训练图片的第一特征信息;
b.获取与训练图片的类别对应的第一分类标注数据;
c.提取训练图片的第二特征信息;
d.根据所述第一特征信息、第二特征信息和第一分类标注数据进行训练,以生成用于票据图片的自动分类模型。
4.如权利要求3所述的票据自动分类训练方法,其特征在于,在步骤d之后还包括:
步骤e:对生成的所述自动分类模型进行准确性测试:
e1.获取测试票据图片,并提取所述测试票据图片的第三特征信息;
e2.获取与所述测试票据图片的类别对应的第二分类标注数据;
e3.提取所述测试票据图片的第四特征信息;
e4.将所述第三特征信息和所述第四特征信息输入至自动分类模型,通过所述自动分类模型自动计算所述测试票据图片的分类结果;
e5.根据自动计算的所述测试票据图片的分类结果和第二分类标注数据计算所述自动分类模型分类的准确度;
e6.判断所述自动分类模型分类的准确度是否超过预设阈值,若否,则重新训练所述自动分类模型,直至所述自动分类模型的分类准确度超过预设阈值。
5.票据自动分类装置,其特征在于,包括:
第五获取模块,用于获取待处理票据图片,并提取所述待处理票据图片的第五特征信息;
第三提取模块,用于提取所述待处理票据图片的第六特征信息;
第二生成模块,用于将所述第五特征信息和所述第六特征信息输入至自动分类模型,以通过所述自动分类模型生成所述待处理票据图片的分类结果;
第二处理模块,用于根据所述待处理图片的分类结果,并结合OCR技术对待处理图片的识别结果确定是否将所述待处理票据图片提供给相对应业务。
6.如权利要求5所述的票据自动分类装置,其特征在于,所述第二处理模块具体用于,利用OCR技术对待处理票据图片进行OCR识别,并提取OCR识别结果的第七特征信息,将所述第七特征信息与训练图片的归属分类库的标签分别进行匹配,根据已匹配的训练图片归属库的标签将待处理票据图片下发至对应业务。
7.票据自动分类方法,应用于如权利要求5或6所述的票据自动分类装置,其特征在于,包括以下步骤:
a.获取待处理票据图片,并提取所述待处理票据图片的第五特征信息;
b.提取所述待处理票据图片的第六特征信息;
c.将所述第五特征信息和所述第六特征信息输入至自动分类模型,通过所述分类模型生成所述待处理票据图片的分类结果;
d.根据所述待处理图片的分类结果,并结合OCR技术对待处理图片的识别结果确定是否将所述待处理票据图片提供给相对应业务。
8.如权利要求7所述的票据自动分类方法,其特征在于,步骤d中,所述结合OCR技术对待处理图片的识别结果确定是否将所述待处理票据图片提供给相对应业务,具体包括:
d1.提取待处理票据图片的OCR识别结果的第七特征信息;
d2.将所述第七特征信息与训练图片归属库的标签分别匹配;
d3.根据已匹配的训练图片归属库的标签将待处理票据图片下发至对应业务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811406818.8A CN109271977A (zh) | 2018-11-23 | 2018-11-23 | 票据自动分类训练方法、装置及自动分类方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811406818.8A CN109271977A (zh) | 2018-11-23 | 2018-11-23 | 票据自动分类训练方法、装置及自动分类方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109271977A true CN109271977A (zh) | 2019-01-25 |
Family
ID=65190604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811406818.8A Pending CN109271977A (zh) | 2018-11-23 | 2018-11-23 | 票据自动分类训练方法、装置及自动分类方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109271977A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886257A (zh) * | 2019-01-30 | 2019-06-14 | 四川长虹电器股份有限公司 | 一种ocr系统中采用深度学习矫正发票图片分割结果的方法 |
CN111584044A (zh) * | 2020-05-14 | 2020-08-25 | 上海深至信息科技有限公司 | 一种标准超声图像训练集的生成方法及系统 |
CN111986015A (zh) * | 2020-06-18 | 2020-11-24 | 励程 | 提取财务信息用于记账的方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504781A (zh) * | 2009-03-10 | 2009-08-12 | 广州广电运通金融电子股份有限公司 | 有价文件识别方法及装置 |
CN103258204A (zh) * | 2012-02-21 | 2013-08-21 | 中国科学院心理研究所 | 一种基于Gabor和EOH特征的自动微表情识别方法 |
CN104331712A (zh) * | 2014-11-24 | 2015-02-04 | 齐齐哈尔格林环保科技开发有限公司 | 一种藻类细胞图像自动分类方法 |
CN104866862A (zh) * | 2015-04-27 | 2015-08-26 | 中南大学 | 一种带钢表面面积型缺陷识别分类的方法 |
CN107392221A (zh) * | 2017-06-05 | 2017-11-24 | 天方创新(北京)信息技术有限公司 | 分类模型的训练方法、分类ocr识别结果的方法及装置 |
CN107578007A (zh) * | 2017-09-01 | 2018-01-12 | 杭州电子科技大学 | 一种基于多特征融合的深度学习人脸识别方法 |
CN107729835A (zh) * | 2017-10-10 | 2018-02-23 | 浙江大学 | 一种基于人脸关键点区域传统特征和人脸全局深度特征融合的表情识别方法 |
CN107832762A (zh) * | 2017-11-06 | 2018-03-23 | 广西科技大学 | 一种基于多特征融合的车牌定位与识别方法 |
CN108682007A (zh) * | 2018-04-28 | 2018-10-19 | 华中师范大学 | 基于深度随机森林的jpeg图像重采样自动检测方法 |
-
2018
- 2018-11-23 CN CN201811406818.8A patent/CN109271977A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504781A (zh) * | 2009-03-10 | 2009-08-12 | 广州广电运通金融电子股份有限公司 | 有价文件识别方法及装置 |
CN103258204A (zh) * | 2012-02-21 | 2013-08-21 | 中国科学院心理研究所 | 一种基于Gabor和EOH特征的自动微表情识别方法 |
CN104331712A (zh) * | 2014-11-24 | 2015-02-04 | 齐齐哈尔格林环保科技开发有限公司 | 一种藻类细胞图像自动分类方法 |
CN104866862A (zh) * | 2015-04-27 | 2015-08-26 | 中南大学 | 一种带钢表面面积型缺陷识别分类的方法 |
CN107392221A (zh) * | 2017-06-05 | 2017-11-24 | 天方创新(北京)信息技术有限公司 | 分类模型的训练方法、分类ocr识别结果的方法及装置 |
CN107578007A (zh) * | 2017-09-01 | 2018-01-12 | 杭州电子科技大学 | 一种基于多特征融合的深度学习人脸识别方法 |
CN107729835A (zh) * | 2017-10-10 | 2018-02-23 | 浙江大学 | 一种基于人脸关键点区域传统特征和人脸全局深度特征融合的表情识别方法 |
CN107832762A (zh) * | 2017-11-06 | 2018-03-23 | 广西科技大学 | 一种基于多特征融合的车牌定位与识别方法 |
CN108682007A (zh) * | 2018-04-28 | 2018-10-19 | 华中师范大学 | 基于深度随机森林的jpeg图像重采样自动检测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886257A (zh) * | 2019-01-30 | 2019-06-14 | 四川长虹电器股份有限公司 | 一种ocr系统中采用深度学习矫正发票图片分割结果的方法 |
CN109886257B (zh) * | 2019-01-30 | 2022-10-18 | 四川长虹电器股份有限公司 | 一种ocr系统中采用深度学习矫正发票图片分割结果的方法 |
CN111584044A (zh) * | 2020-05-14 | 2020-08-25 | 上海深至信息科技有限公司 | 一种标准超声图像训练集的生成方法及系统 |
CN111584044B (zh) * | 2020-05-14 | 2023-07-14 | 上海深至信息科技有限公司 | 一种标准超声图像训练集的生成方法及系统 |
CN111986015A (zh) * | 2020-06-18 | 2020-11-24 | 励程 | 提取财务信息用于记账的方法和系统 |
CN111986015B (zh) * | 2020-06-18 | 2024-04-30 | 励程 | 提取财务信息用于记账的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6424728B1 (en) | Method and apparatus for verification of signatures | |
US7590275B2 (en) | Method and system for recognizing a candidate character in a captured image | |
CN103914680B (zh) | 一种喷印字符图像识别与校验系统及方法 | |
CN103034848B (zh) | 一种表单类型的识别方法 | |
CN109271977A (zh) | 票据自动分类训练方法、装置及自动分类方法、装置 | |
JP2003506767A (ja) | 走査イメージを照合するための装置および方法 | |
CN104899571A (zh) | 一种用于复杂文字识别的随机样本产生方法 | |
CN104573707B (zh) | 一种基于多特征融合的车牌汉字识别方法 | |
CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
CN106529592A (zh) | 一种基于混合特征与灰度投影的车牌识别方法 | |
CN109800698A (zh) | 基于深度网络的图标检测方法 | |
CN109934255A (zh) | 一种适用于饮料瓶回收机投递物分类识别的模型融合方法 | |
CN104867144A (zh) | 基于混合高斯模型的ic元件焊点缺陷检测方法 | |
CN109946304A (zh) | 基于特征匹配的零件表面缺陷在线检测系统及检测方法 | |
CN106960176A (zh) | 一种基于超限学习机和颜色特征融合的行人性别识别方法 | |
CN112464925A (zh) | 基于机器学习的移动端开户资料银行信息自动提取方法 | |
CN106778717A (zh) | 一种基于图像识别和k近邻的测评表识别方法 | |
CN108764361A (zh) | 基于集成学习的游梁式抽油机示功图的工况识别方法 | |
CN110175614A (zh) | 一种印刷电路板过孔内壁质量的检测方法 | |
CN111652117B (zh) | 一种对多文档图像分割的方法及介质 | |
CN114066848A (zh) | 一种fpca外观缺陷视觉检测系统 | |
CN106340116B (zh) | 一种纸币的识别方法和装置 | |
CN115082776A (zh) | 一种基于图像识别的电能表自动检测系统及方法 | |
CN111462388A (zh) | 一种票据检验方法、装置、终端设备及存储介质 | |
Triantoro et al. | Image based water gauge reading developed with ANN Kohonen |
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: 20190125 |