CN109377240A - 基于神经网络的商户管理方法、装置、计算机设备及存储介质 - Google Patents
基于神经网络的商户管理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109377240A CN109377240A CN201810951775.5A CN201810951775A CN109377240A CN 109377240 A CN109377240 A CN 109377240A CN 201810951775 A CN201810951775 A CN 201810951775A CN 109377240 A CN109377240 A CN 109377240A
- Authority
- CN
- China
- Prior art keywords
- trade company
- page
- image
- certificate
- certificate image
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于神经网络的商户管理方法、装置、计算机设备及存储介质,包括下述步骤:获取商户终端上传的用于表征第一资质的证件图像;将所述证件图像输入到预设的图像识别模型中通过所述证件图像的证件特征识别所述证件图像的证件类型;根据所述证件类型为商户账号配置与所述证件类型具有映射关系的权限接口。通过将获取的商户资质证件的证件图像输入到预设的图像识别模型中,由于图像识别模型被训练用于对证件图像进行类别划分,因此,通过图像识别模型能够获取该证件图像的证件类型,通过查找与证件类型具有映射关系的权限接口,然后对该商户账号开放该权限接口。提高了审核和权限开放的流程效率,缩短了审核的周期,节约了人力资源。
Description
技术领域
本发明实施例涉及模型算法领域,尤其是一种基于神经网络的商户管理方法、装置、计算机设备及存储介质。
背景技术
电子商务平台即是一个为企业或个人提供网上交易洽谈的平台。企业电子商务平台是建立在Internet网上进行商务活动的虚拟网络空间和保障商务顺利运营的管理环境;是协调、整合信息流、货物流、资金流有序、关联、高效流动的重要场所。企业、商家可充分利用电子商务平台提供的网络基础设施、支付平台、安全平台、管理平台等共享资源有效地、低成本地开展自己的商业活动。
现有技术中,商家在于平台对接时,为验证商家的资质需要商家上传对应的资质证明材料,后台则需要人工对每一个商家上传的资质材料进行审核,审核通过后才能够对该商家开放相应的权限。
本发明创造的发明人在研究中发现,当平台对接的商家数量达到一定的数量时,繁重的审核工作需要投入更多的人力资源,同时由于审核排期的问题,延长了验证的周期,工作效率较为低下。
发明内容
本发明实施例提供能够提供能够对商家上传的证件图像,进行类别识别并对应开放权限的基于神经网络的商户管理方法、装置、计算机设备及存储介质。
为解决上述技术问题,本发明创造的实施例采用的一个技术方案是:提供一种基于神经网络的商户管理方法,包括下述步骤:
获取商户终端上传的用于表征第一资质的证件图像;
将所述证件图像输入到预设的图像识别模型中通过所述证件图像的证件特征识别所述证件图像的证件类型;
根据所述证件类型为商户账号配置与所述证件类型具有映射关系的权限接口。
可选地,所述获取商户终端上传的用于表征第一资质的证件图像的步骤之前,还包括下述步骤:
获取商户的商户名称以及证件图像中的法人名称;
将所述法人名称和商户名称发送至预设的公证服务器进行映射关系匹配;
当所述公证服务器确认所述法人名称和商户名称具有映射关系时,确认存储所述证件图像。
可选地,所述获取商户终端上传的用于表征第一资质的证件图像的步骤之前,还包括下述步骤:
获取证件图像中的公司名称;
将所述公司名称发送至预设的公证服务器获取商户的商誉评分;
当所述商户的商誉评分小于预设的商誉阈值时,存储所述证件图像标记所述商户存在商业风险。
可选地,所述根据所述证件类型为商户账号配置与所述证件类型具有映射关系的权限接口的步骤之后,还包括下述步骤:
获取商户网页的页面截图;
将所述页面截图输入到预设的图像相似度比对模型中比对所述页面截图与预设的屏幕页面是否相似;
当所述页面截图与所述屏幕页面不相似时,取消所述商户账号的权限接口。
可选地,所述获取商户网页的页面截图的步骤,具体包括下述步骤
获取商户页面的网页链接;
根据所述网页链接请求获取所述商户页面的页面内容;
对所述页面内容进行截图存储,以生成所述商户页面的页面截图。
可选地,所述将所述页面截图输入到预设的图像相似度比对模型中比对所述页面截图与预设的屏幕页面是否相同的步骤,具体包括下述步骤:
将所述页面截图输入到所述图像相似度比对模型中获取所述页面截图与所述屏幕页面的相似数值;
将所述相似数值与预设的相似阈值进行比对;
当所述相似数值小于所述相似阈值时,确认所述页面截图与所述屏幕页面不相似。
可选地,所述图像识别模型为训练至收敛的卷积神经网络模型;所述图像识别模型的训练方法为:
获取标记有分类参照信息的训练样本数据;
将所述训练样本数据输入卷积神经网络模型获取所述训练样本数据的分类判断信息;
比对所述训练样本数据的分类参照信息与所述分类判断信息是否一致;
当所述分类参照信息与所述分类判断信息不一致时,反复循环迭代的更新所述卷积神经网络模型中的权重,至所述比对结果一致时结束。
为解决上述技术问题,本发明实施例还提供一种基于神经网络的商户管理装置,包括:
获取模块,用于获取商户终端上传的用于表征第一资质的证件图像;
处理模块,用于将所述证件图像输入到预设的图像识别模型中通过所述证件图像的证件特征识别所述证件图像的证件类型;
执行模块,用于根据所述证件类型为商户账号配置与所述证件类型具有映射关系的权限接口。
可选地,所述基于神经网络的商户管理装置还包括:
第一获取子模块,用于获取商户的商户名称以及证件图像中的法人名称;
第一处理子模块,用于将所述法人名称和商户名称发送至预设的公证服务器进行映射关系匹配;
第一处理子模块,用于当所述公证服务器确认所述法人名称和商户名称具有映射关系时,确认存储所述证件图像。
可选地,所述基于神经网络的商户管理装置还包括:
第二获取子模块,用于获取证件图像中的公司名称;
第二处理子模块,用于将所述公司名称发送至预设的公证服务器获取商户的商誉评分;
第二执行子模块,用于当所述商户的商誉评分小于预设的商誉阈值时,存储所述证件图像标记所述商户存在商业风险。
可选地,所述基于神经网络的商户管理装置还包括:
第三获取子模块,用于获取商户网页的页面截图;
第三处理子模块,用于将所述页面截图输入到预设的图像相似度比对模型中比对所述页面截图与预设的屏幕页面是否相似;
第三执行子模块,用于当所述页面截图与所述屏幕页面不相似时,取消所述商户账号的权限接口。
可选地,所述基于神经网络的商户管理装置还包括:
第四获取子模块,用于获取商户页面的网页链接;
第四处理子模块,用于根据所述网页链接请求获取所述商户页面的页面内容;
第四执行子模块,用于对所述页面内容进行截图存储,以生成所述商户页面的页面截图。
可选地,所述基于神经网络的商户管理装置还包括:
第五获取子模块,用于将所述页面截图输入到所述图像相似度比对模型中获取所述页面截图与所述屏幕页面的相似数值;
第五处理子模块,用于将所述相似数值与预设的相似阈值进行比对;
第五执行子模块,用于当所述相似数值小于所述相似阈值时,确认所述页面截图与所述屏幕页面不相似。
可选地,所述图像识别模型为训练至收敛的卷积神经网络模型;所述基于神经网络的商户管理装置还包括:
第六获取子模块,用于获取标记有分类参照信息的训练样本数据;
第六处理子模块,用于将所述训练样本数据输入卷积神经网络模型获取所述训练样本数据的分类判断信息;
第一比对子模块,用于比对所述训练样本数据的分类参照信息与所述分类判断信息是否一致;
第六执行子模块,用于当所述分类参照信息与所述分类判断信息不一致时,反复循环迭代的更新所述卷积神经网络模型中的权重,至所述比对结果一致时结束。
为解决上述技术问题,本发明实施例还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行上述所述基于神经网络的商户管理方法的步骤。
为解决上述技术问题,本发明实施例还提供一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述所述基于神经网络的商户管理方法的步骤。
本发明实施例的有益效果是:通过将获取的商户资质证件的证件图像输入到预设的图像识别模型中,由于图像识别模型被训练用于对证件图像进行类别划分,因此,通过图像识别模型能够获取该证件图像的证件类型,通过查找与证件类型具有映射关系的权限接口,然后对该商户账号开放该权限接口。提高了审核和权限开放的流程效率,缩短了审核的周期,节约了人力资源。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,对于本领域技术人员来讲,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的附图。
图1为本发明实施例基于神经网络的商户管理方法的基本流程示意图;
图2为本发明实施例核对法人名称的流程示意图;
图3为本发明实施例商誉查询的一种流程示意图;
图4为本发明实施例核对商户网页的流程示意图;
图5为本发明实施例网页截图的获取流程示意图;
图6为本发明实施例判断是否相似的流程示意图;
图7为本发明实施例图像识别模型的训练流程示意图;
图8为本发明实施例基于神经网络的商户管理装置基本结构示意图;
图9为本发明实施例计算机设备基本结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动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。
本技术领域技术人员可以理解,这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备,其仅具备无发射能力的无线信号接收器的设备,又包括接收和发射硬件的设备,其具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备;PCS(Personal Communications Service,个人通信系统),其可以组合语音、数据处理、传真和/或数据通信能力;PDA(Personal Digital Assistant,个人数字助理),其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System,全球定位系统)接收器;常规膝上型和/或掌上型计算机或其他设备,其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的,或者适合于和/或配置为在本地运行,和/或以分布形式,运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端,例如可以是PDA、MID(Mobile Internet Device,移动互联网设备)和/或具有音乐/视频播放功能的移动电话,也可以是智能电视、机顶盒等设备。
具体请参阅图1,图1为本实施例基于神经网络的商户管理方法的基本流程示意图。
如图1所示,一种基于神经网络的商户管理方法,包括下述步骤:
S1100、获取商户终端上传的用于表征第一资质的证件图像;
商户在申请开放某一类权限时,根据该权限设定的证件审查条件提示商户上传对应的证件图像。证件图像能够是拍摄的图像也能够是证件图像的扫描件。
举例说明,在一些实施方式中,一些平台的准入条件中,商户必须以公司的名义办理入驻,即要求商户必须以公司的形式入驻。因此,在商户入驻时要求商户上传营业执照正本或者副本的图像。但证件图像的范围不局限于此,在一些实施方式中,商户通过平台销售一些特许经营商品,需要得到国家颁发的特许经营许可证,在确认商户经营范围涉及特许经营商品时,要求商户上传特许经营许可证。
第一资质是指商户入驻平台需要提供的准入资质,该资质通过相应的证件进行体现。
S1200、将所述证件图像输入到预设的图像识别模型中通过所述证件图像的证件特征识别所述证件图像的证件类型;
将商户上传的证件图像输入到预设的图像识别模型中进行图像识别。其中,图像识别模型为训练至收敛状态的卷积神经网络模型,该卷积神经网络模型被训练用于对证件图像进行分类。
本实施方式中的卷积神经网络模型能够是CNN卷积神经网络模型或者VGG卷积神经网络模型。
通过大量的样本数据(不同类型的证件图像)将图像识别模型训练至收敛状态后,图像识别模型就具有对证件图像进行分类的能力。
卷积神经网络模型提取能够区分证件的区分图像(例如,证件的印发单位、证件的标志图形、公证机关的公章图像等),加重上述可区分图像在卷积层中的权重,以使在进行卷积提取时,提取的聚类中心点集中在上述区分图像所在的地方,在提高了的辨识度的同时,提高了分类的准确性。
S1300、根据所述证件类型为商户账号配置与所述证件类型具有映射关系的权限接口。
获取图像识别模型中输出的证件图像的证件类型后,通过查找设定的证件类型对应的权限接口,确定需要向该账户开放的权限。权限接口是指向该商户配置相应的权限。例如,商户的准入权限是允许商户在平台上注册并开放网店功能;商户的特许经营权限是指,允许商户在网店中售卖特许经营商品的权限。
上述实施方式通过将获取的商户资质证件的证件图像输入到预设的图像识别模型中,由于图像识别模型被训练用于对证件图像进行类别划分,因此,通过图像识别模型能够获取该证件图像的证件类型,通过查找与证件类型具有映射关系的权限接口,然后对该商户账号开放该权限接口。提高了审核和权限开放的流程效率,缩短了审核的周期,节约了人力资源。
在一些实施方式中,为防止商户冒用他人或者其他公司的证件图像在平台上获取相应的权限,需要对用户注册时的商户名称和证件图像中的法人名称(法定代表人的名字)进行核对,以确认商户注册账户中的名称与证件图像中的法人名称一致。具体请参阅图2,图2为本实施例核对法人名称的流程示意图。
如图2所示,步骤S1100之前还包括下述步骤:
S1011、获取商户的商户名称以及证件图像中的法人名称;
通过OCR(Optical Character Recognition,光学字符识别)和OpenCV等图像处理技术,对证件图像中的法人名称进行提取,以获取证件图像中的法人姓名。
商户在进行平台账号注册时,商户需要输入商户名称,注册完成后商户名称被存储,通过访问注册信息的存储位置提取该商户名称。
S1012、将所述法人名称和商户名称发送至预设的公证服务器进行映射关系匹配;
将获取到的法人名称与商户名称发送至预设的公证服务器进行映射关系匹配。
具体地,公证服务器是具有公信力的政府或者民间团体设立的能够对法人名称和商户名称进行核对。例如,工商管理局内地企业注册信息数据库所在的服务器就能够被定义为公证服务器。
公证服务器在接收到该法人名称与商户名称后,首先通过商户名称确定该公司注册时的法人姓名,获取法人的姓名后将该姓名与法人名称进行比对,当法人姓名与法人名称相同时,则向本实施方式中的业务服务器发送确认信息;若法人姓名与法人名称不相同时,则向业务服务器发送错误信息。
S1013、当所述公证服务器确认所述法人名称和商户名称具有映射关系时,确认存储所述证件图像。
当获取到公证服务器发送的确认信息后,则表针法人名称与注册时的法人姓名具有一一对应的关系,证明商户为该注册公司的法定代表人。确认后将证件图像进行存储,以便于进一步地的对证件图像的证件类别进行识别。
通过上述实施方式,对商户名称与法人名称进行进一步地公证查询,确认了资质材料的真实性,降低了平台的风险系数。
在一些实施方式中,为进一步地控制平台中的商户的商誉,降低平台的运营风险,需要对商户的商誉进行进一步地查询。具体请参阅图3,图3为本实施例商誉查询的一种流程示意图。
如图3所示,S1100之前还包括下述步骤:
S1021、获取证件图像中的公司名称;
通过OCR(Optical Character Recognition,光学字符识别)和OpenCV等图像处理技术,对证件图像中的公司名称进行提取。
S1022、将所述公司名称发送至预设的公证服务器获取商户的商誉评分;
将获取到的公司名称发送至预设的公证服务器查询商户的商誉,商誉是指对商户公司的运营状况进行综合评价后的评价指数。影响公司商誉的因素包括:与公司相关的诉讼事项、客户评价和工商部门的行政处罚事项。
具体地,公证服务器是具有公信力的政府或者民间团体设立的能够对法人名称和商户名称进行核对。例如,天X查等商业公司提供的公司评估和查询服务器。。
公证服务器在接收到公司名称后,首先通过以该公司为检索关键在在数据库中检索该公司,然后查询该公司的已有的商誉评分。商誉评分被归一化至1-100之间。
S1023、当所述商户的商誉评分小于预设的商誉阈值时,存储所述证件图像标记所述商户存在商业风险。
获取到公证服务器发送的商户的商誉评分后,将该商誉评分与设定的商誉阈值进行比对,当商户的商誉评分小于预设的商誉阈值时,则证明在已有的商誉评价体系中,该商户的商誉评分过低,平台与其合作存储一定的商业风险,需要对主管的人员发送警示,使其在合作时通过合理的手段规避风险。同时将证件图像进行存储,以便于进一步地的对证件图像的证件类别进行识别。
在一些实施方式中,平台在用户进驻后,需要控制商户网店内部的装修风格与平台的主格调一致,因此,需要对商户的网页进行定时的检查。具体请参阅图4,图4为本实施例核对商户网页的流程示意图。
如图4所示,步骤S1300之后还包括下述步骤:
S1410、获取商户网页的页面截图;
通过访问商户网页,并对商户网页的内容进行截图,获取商户网页的页面截图。
S1420、将所述页面截图输入到预设的图像相似度比对模型中比对所述页面截图与预设的屏幕页面是否相似;
将页面截图输入到预设的图像相似度比对模型中,比对页面截图与预设的屏幕页面是否相似。其中,图像相似度比对模型为训练至收敛状态的卷积神经网络模型,该卷积神经网络模型被训练用于对页面截图与屏幕页面相似度进行评价。
本实施方式中的卷积神经网络模型能够是CNN卷积神经网络模型或者VGG卷积神经网络模型。
通过大量的样本数据(不同类型的页面截图)对图像相似度比对模型进行训练,通过判断样本数据与屏幕页面是否相似对图像相似度比对模型进行训练,将图像相似度比对模型训练至收敛状态后,图像相似度比对模型就具有判断网页截图与屏幕页面是否相同的能力。
S1430、当所述页面截图与所述屏幕页面不相似时,取消所述商户账号的权限接口。
当图像相似度比对模型判断页面截图与屏幕页面不相似时,即证明商户未按照统一风格装修网店,此时,取消该商户账号相应的权限接口。例如,平台组织一次主体活动,要求参与的所有商户的网店具有统一的装修风格,与统一风格不搭调的装修网店被禁止参加该活动。因此,通过对参与活动的商户网店进行截屏,然后判断其与主格调的屏幕页面是否相同。
在一些实施方式中,对页面截图的获取需要通过访问商户的网店链接获取。具体请参阅图5,图5为本实施例网页截图的获取流程示意图。
如图5所示,步骤S1410还包括下述步骤:
S1411、获取商户页面的网页链接;
商户在获得平台的准入资格后,将其在平台的网店地址在平台上进行报备。或者平台在分配给该商户网店地址时,记录该商户网店地址,并将该网页链接与商户的平台ID号进行关联。通过查询商户的平台ID号获取该商户页面的网页链接。
S1412、根据所述网页链接请求获取所述商户页面的页面内容;
通过该网页链接访问该网店,该网店所在的服务器在接收到访问请求后,将页面的内容发送至请求服务器内。
S1413、对所述页面内容进行截图存储,以生成所述商户页面的页面截图。
将发送过来的页面内容进行截图存储,或者将页面内容存储为图片格式。生成商户页面的页面截图。
在一些实施方式中,设定相似阈值对页面截图与屏幕页面是否相似进行判断。具体地,请参阅图6,图6为本实施例判断是否相似的流程示意图。
如图6所示,步骤S1420还包括下述步骤:
S1421、将所述页面截图输入到所述图像相似度比对模型中获取所述页面截图与所述屏幕页面的相似数值;
将页面截图输入到预设的图像相似度比对模型中,比对页面截图与预设的屏幕页面是否相似。其中,图像相似度比对模型为训练至收敛状态的卷积神经网络模型,该卷积神经网络模型被训练用于对页面截图与屏幕页面相似度进行评价。评价结果为输出页面截图与屏幕页面的相似数值。相似数值被归一化至0-1之间。
S1422、将所述相似数值与预设的相似阈值进行比对;
将图像相似度比对模型输出的相似数值与相似阈值进行比对。具体地,本实施方式中,相似阈值设定为0.7,但不限于此,根据具体应用场景的不同,相似阈值的设定能够为0-1之间的任意值。
S1423、当所述相似数值小于所述相似阈值时,确认所述页面截图与所述屏幕页面不相似。
当相似数值小于相似阈值时,认所述页面截图与所述屏幕页面不相似。
本实施方式中,还包括神经网络模型的训练方法,具体请参阅图7,图7为本实施例图像识别模型的训练流程示意图。
如图7所述,图像识别模型的训练方法包括下述步骤:
S1510、获取标记有分类参照信息的训练样本数据;
首先准备训练样本,通过数据爬虫在互联网中爬取各种类型的证件图像,每个证件的图像均为一个训练样本数据,训练样本数据是整个训练集的构成单位,训练集是由若干个(1000万张训练样本数据)训练样本训练数据组成的。
训练样本数据是由资质证件图像以及对资质证件进行标记的分类参照信息组成的。
分类参照信息是指人们根据输入卷积神经网络模型的训练方向,通过普适性的判断标准和事实状态对训练样本数据做出的人为的判断,也就是人们对卷积神经网络模型输出数值的期望目标。如,在一个训练样本数据中,人工标定训练样本中的资质证件图像为法人的营业执照副本,该营业执照副本的名称为卷积神经网络模型输出分类数据的期望目标。
S1520、将所述训练样本数据输入卷积神经网络模型获取所述训练样本数据的分类判断信息;
将训练样本集依次输入到卷积神经网络模型中,训练样本输入后模型首先对样本图像中的特征进行提取,然后根据权重计算该样本图像的分类结果,即输出样本图像的分类判断信息。
在训练过程中,随着反向算法不断地调整模型内部的权值,使模型提取的特征向能够区分证件的特征像素靠拢(例如,证件的印发单位、证件的标志图形、公证机关的公章图像等),即随着训练的不断继续,加重上述图像在卷积层中的权重,以使在进行卷积提取时,提取的聚类中心点集中在上述特征像素所在的地方,在提高了的辨识度的同时,提高了分类的准确性。
模型判断参照信息是卷积神经网络模型根据输入的资质证件而输出的激励数据,在卷积神经网络模型未被训练至收敛之前,分类判断信息为离散性较大的数值。
S1530、比对所述训练样本数据的分类参照信息与所述分类判断信息是否一致;
通过损失函数计算期望输出与激励输出是否一致,损失函数是用于检测卷积神经网络模型中模型分类判断信息,与期望的分类参照信息是否具有一致性的检测函数。当卷积神经网络模型的输出结果与分类参照信息的期望结果不一致时,需要对卷积神经网络模型中的权重进行校正,以使卷积神经网络模型的输出结果与分类参照信息的期望结果相同。
L(Y,f(x))=|Y-f(X)|
L表示期望输出与激励输出之间的欧式距离,Y表示期望输出,f(X)表示为激励输出。
当L指大于预设的距离阈值时,表明期望输出与激励输出之间具有较大的差异,输出结果不一致。
S1540、当所述分类参照信息与所述分类判断信息不一致时,反复循环迭代的更新所述卷积神经网络模型中的权重,至所述比对结果一致时结束。
当卷积神经网络模型的分类输出结果与分类参照信息的期望结果不一致时,需要根据反向传播算法对卷积神经网络模型中的权重进行校正,以使卷积神经网络模型的输出结果与分类参照信息的期望结果相同。
训练时采用多张训练样本进行训练(例如1000万证件图像),通过反复的训练与校正,当卷积神经网络模型输出分类数据与各训练样本的分类参照信息比对正确率达到(不限于)99.9%时,训练结束。
本实施方式中,图像相似度比对模型的训练方法与步骤S1510-S1540相同,不同的地方在于图像相似度比对模型的训练样本数据采用的是网页截图,样本数据的期望分类参照信息为人为判断的网页截图与屏幕页面之间的相似度。
为解决上述技术问题,本发明实施例还提供一种基于神经网络的商户管理装置。
具体请参阅图8,图8为本实施例基于神经网络的商户管理装置基本结构示意图。
如图8所示,一种基于神经网络的商户管理装置,包括:获取模块、处理模块和执行模块。其中,获取模块用于获取商户终端上传的用于表征第一资质的证件图像;处理模块用于将证件图像输入到预设的图像识别模型中识别证件图像的证件类型;执行模块用于根据证件类型向商户账号配置与证件类型具有映射关系的权限接口。
基于神经网络的商户管理装置通过将获取的商户资质证件的证件图像输入到预设的图像识别模型中,由于图像识别模型被训练用于对证件图像进行类别划分,因此,通过图像识别模型能够获取该证件图像的证件类型,通过查找与证件类型具有映射关系的权限接口,然后对该商户账号开放该权限接口。提高了审核和权限开放的流程效率,缩短了审核的周期,节约了人力资源。
在一些实施方式中,基于神经网络的商户管理装置还包括:第一获取子模块、第一处理子模块和第一处理子模块。其中,第一获取子模块用于获取商户的商户名称以及证件图像中的法人名称;第一处理子模块用于将法人名称和商户名称发送至预设的公证服务器进行映射关系匹配;第一处理子模块用于当公证服务器确认法人名称和商户名称具有映射关系时,确认存储证件图像。
在一些实施方式中,基于神经网络的商户管理装置还包括:第二获取子模块、第二处理子模块和第二执行子模块。其中,第二获取子模块用于获取证件图像中的公司名称;第二处理子模块用于将公司名称发送至预设的公证服务器获取商户的商誉评分;第二执行子模块用于当商户的商誉评分小于预设的商誉阈值时,存储证件图像标记商户存在商业风险。
在一些实施方式中,基于神经网络的商户管理装置还包括:第三获取子模块、第三处理子模块和第三执行子模块。其中,第三获取子模块用于获取商户网页的页面截图;第三处理子模块用于将页面截图输入到预设的图像相似度比对模型中比对页面截图与预设的屏幕页面是否相似;第三执行子模块用于当页面截图与屏幕页面不相似时,取消商户账号的权限接口。
在一些实施方式中,基于神经网络的商户管理装置还包括:第四获取子模块、第四处理子模块和第四执行子模块。其中,第四获取子模块用于获取商户页面的网页链接;第四处理子模块用于根据网页链接请求获取商户页面的页面内容;第四执行子模块用于对页面内容进行截图存储,以生成商户页面的页面截图。
在一些实施方式中,基于神经网络的商户管理装置还包括:第五获取子模块、第五处理子模块和第五执行子模块。第五获取子模块用于将页面截图输入到图像相似度比对模型中获取页面截图与屏幕页面的相似数值;第五处理子模块用于将相似数值与预设的相似阈值进行比对;第五执行子模块用于当相似数值小于相似阈值时,确认页面截图与屏幕页面不相似。
在一些实施方式中,图像识别模型为训练至收敛的卷积神经网络模型;基于神经网络的商户管理装置还包括:第六获取子模块、第六处理子模块、第一比对子模块和第六执行子模块。其中,第六获取子模块用于获取标记有分类参照信息的训练样本数据;第六处理子模块用于将训练样本数据输入卷积神经网络模型获取训练样本数据的分类判断信息;第一比对子模块用于比对训练样本数据的分类参照信息与分类判断信息是否一致;第六执行子模块用于当分类参照信息与分类判断信息不一致时,反复循环迭代的更新卷积神经网络模型中的权重,至比对结果一致时结束。
为解决上述技术问题,本发明实施例还提供计算机设备。具体请参阅图9,图9为本实施例计算机设备基本结构框图。
如图9所示,计算机设备的内部结构示意图。如图9所示,该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中,该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种基于神经网络的商户管理方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种基于神经网络的商户管理方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本实施方式中处理器用于执行图8中获取模块2100、处理模块2200和执行模块2300的具体功能,存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有人脸图像关键点检测装置中执行所有子模块所需的程序代码及数据,服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
计算机设备通过将获取的商户资质证件的证件图像输入到预设的图像识别模型中,由于图像识别模型被训练用于对证件图像进行类别划分,因此,通过图像识别模型能够获取该证件图像的证件类型,通过查找与证件类型具有映射关系的权限接口,然后对该商户账号开放该权限接口。提高了审核和权限开放的流程效率,缩短了审核的周期,节约了人力资源。
本发明还提供一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任一实施例所述基于神经网络的商户管理方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
Claims (10)
1.一种基于神经网络的商户管理方法,其特征在于,包括下述步骤:
获取商户终端上传的用于表征第一资质的证件图像;
将所述证件图像输入到预设的图像识别模型中通过所述证件图像的证件特征识别所述证件图像的证件类型;
根据所述证件类型为商户账号配置与所述证件类型具有映射关系的权限接口。
2.根据权利要求1所述的基于神经网络的商户管理方法,其特征在于,所述获取商户终端上传的用于表征第一资质的证件图像的步骤之前,还包括下述步骤:
获取商户的商户名称以及证件图像中的法人名称;
将所述法人名称和商户名称发送至预设的公证服务器进行映射关系匹配;
当所述公证服务器确认所述法人名称和商户名称具有映射关系时,确认存储所述证件图像。
3.根据权利要求1所述的基于神经网络的商户管理方法,其特征在于,所述获取商户终端上传的用于表征第一资质的证件图像的步骤之前,还包括下述步骤:
获取证件图像中的公司名称;
将所述公司名称发送至预设的公证服务器获取商户的商誉评分;
当所述商户的商誉评分小于预设的商誉阈值时,存储所述证件图像标记所述商户存在商业风险。
4.根据权利要求1所述的基于神经网络的商户管理方法,其特征在于,所述根据所述证件类型为商户账号配置与所述证件类型具有映射关系的权限接口的步骤之后,还包括下述步骤:
获取商户网页的页面截图;
将所述页面截图输入到预设的图像相似度比对模型中比对所述页面截图与预设的屏幕页面是否相似;
当所述页面截图与所述屏幕页面不相似时,取消所述商户账号的权限接口。
5.根据权利要求4所述的基于神经网络的商户管理方法,其特征在于,所述获取商户网页的页面截图的步骤,具体包括下述步骤
获取商户页面的网页链接;
根据所述网页链接请求获取所述商户页面的页面内容;
对所述页面内容进行截图存储,以生成所述商户页面的页面截图。
6.根据权利要求4所述的基于神经网络的商户管理方法,其特征在于,所述将所述页面截图输入到预设的图像相似度比对模型中比对所述页面截图与预设的屏幕页面是否相同的步骤,具体包括下述步骤:
将所述页面截图输入到所述图像相似度比对模型中获取所述页面截图与所述屏幕页面的相似数值;
将所述相似数值与预设的相似阈值进行比对;
当所述相似数值小于所述相似阈值时,确认所述页面截图与所述屏幕页面不相似。
7.根据权利要求1所述的基于神经网络的商户管理方法,其特征在于,所述图像识别模型为训练至收敛的卷积神经网络模型;所述图像识别模型的训练方法为:
获取标记有分类参照信息的训练样本数据;
将所述训练样本数据输入卷积神经网络模型获取所述训练样本数据的分类判断信息;
比对所述训练样本数据的分类参照信息与所述分类判断信息是否一致;
当所述分类参照信息与所述分类判断信息不一致时,反复循环迭代的更新所述卷积神经网络模型中的权重,至所述比对结果一致时结束。
8.一种基于神经网络的商户管理装置,其特征在于,包括:
获取模块,用于获取商户终端上传的用于表征第一资质的证件图像;
处理模块,用于将所述证件图像输入到预设的图像识别模型中通过所述证件图像的证件特征识别所述证件图像的证件类型;
执行模块,用于根据所述证件类型为商户账号配置与所述证件类型具有映射关系的权限接口。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项权利要求所述基于神经网络的商户管理方法的步骤。
10.一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述基于神经网络的商户管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810951775.5A CN109377240B (zh) | 2018-08-21 | 2018-08-21 | 基于神经网络的商户管理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810951775.5A CN109377240B (zh) | 2018-08-21 | 2018-08-21 | 基于神经网络的商户管理方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109377240A true CN109377240A (zh) | 2019-02-22 |
CN109377240B CN109377240B (zh) | 2023-10-20 |
Family
ID=65403687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810951775.5A Active CN109377240B (zh) | 2018-08-21 | 2018-08-21 | 基于神经网络的商户管理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109377240B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079571A (zh) * | 2019-11-29 | 2020-04-28 | 杭州数梦工场科技有限公司 | 证卡信息识别及其边缘检测模型训练方法、装置 |
CN111243159A (zh) * | 2020-01-20 | 2020-06-05 | 支付宝实验室(新加坡)有限公司 | 伪造证件的识别方法、装置及电子设备 |
CN111311316A (zh) * | 2020-02-03 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 商户画像的刻画方法、装置、电子设备、验证方法及系统 |
CN111310146A (zh) * | 2020-03-10 | 2020-06-19 | 北京意锐新创科技有限公司 | 一种商户管理的方法和装置 |
CN111340078A (zh) * | 2020-02-18 | 2020-06-26 | 平安科技(深圳)有限公司 | 证件信息自动归类的方法、装置、介质及电子设备 |
CN111586448A (zh) * | 2020-01-20 | 2020-08-25 | 全息空间(深圳)智能科技有限公司 | 直播平台主播预筛选方法、装置及存储介质 |
CN111626076A (zh) * | 2019-02-27 | 2020-09-04 | 富士通株式会社 | 信息处理方法、信息处理设备和扫描仪 |
CN111985936A (zh) * | 2020-08-17 | 2020-11-24 | 支付宝(杭州)信息技术有限公司 | 一种商户证件信息的检验方法、装置及设备 |
CN112001662A (zh) * | 2020-09-14 | 2020-11-27 | 支付宝(杭州)信息技术有限公司 | 一种商户图像的风险检验方法、装置及设备 |
CN112487982A (zh) * | 2020-11-30 | 2021-03-12 | 乐刷科技有限公司 | 商户信息的审核方法、系统和存储介质 |
CN116611614A (zh) * | 2023-05-17 | 2023-08-18 | 南京邮电大学 | 一种基于大数据平台的商户出餐管理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002083155A (ja) * | 2000-09-08 | 2002-03-22 | Hitachi Service & Engineering (East) Ltd | インターネット市場における店舗認証システム |
JP2007133627A (ja) * | 2005-11-10 | 2007-05-31 | Dainippon Printing Co Ltd | 画像認識を用いた販売支援システム、サーバ、プログラム、及び、記録媒体 |
CN101025737A (zh) * | 2006-02-22 | 2007-08-29 | 王东 | 基于关注度的同源信息搜索引擎聚合显示方法及相关系统 |
CN102955803A (zh) * | 2011-08-26 | 2013-03-06 | 腾讯科技(深圳)有限公司 | 一种网站展示方法及浏览器 |
CN106157050A (zh) * | 2015-04-13 | 2016-11-23 | 深圳好父母婴幼儿用品有限公司 | 一种社交网络购物系统 |
CN107688985A (zh) * | 2017-08-23 | 2018-02-13 | 武汉恩祁瑞网络有限公司 | 一种基于风格元素的服装搭配推荐系统 |
-
2018
- 2018-08-21 CN CN201810951775.5A patent/CN109377240B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002083155A (ja) * | 2000-09-08 | 2002-03-22 | Hitachi Service & Engineering (East) Ltd | インターネット市場における店舗認証システム |
JP2007133627A (ja) * | 2005-11-10 | 2007-05-31 | Dainippon Printing Co Ltd | 画像認識を用いた販売支援システム、サーバ、プログラム、及び、記録媒体 |
CN101025737A (zh) * | 2006-02-22 | 2007-08-29 | 王东 | 基于关注度的同源信息搜索引擎聚合显示方法及相关系统 |
CN102955803A (zh) * | 2011-08-26 | 2013-03-06 | 腾讯科技(深圳)有限公司 | 一种网站展示方法及浏览器 |
CN106157050A (zh) * | 2015-04-13 | 2016-11-23 | 深圳好父母婴幼儿用品有限公司 | 一种社交网络购物系统 |
CN107688985A (zh) * | 2017-08-23 | 2018-02-13 | 武汉恩祁瑞网络有限公司 | 一种基于风格元素的服装搭配推荐系统 |
Non-Patent Citations (1)
Title |
---|
刘伟地: "护照管理信息系统的设计与实现", 《中国优秀硕士学位论文全文数据库》, pages 1 - 60 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626076A (zh) * | 2019-02-27 | 2020-09-04 | 富士通株式会社 | 信息处理方法、信息处理设备和扫描仪 |
CN111079571A (zh) * | 2019-11-29 | 2020-04-28 | 杭州数梦工场科技有限公司 | 证卡信息识别及其边缘检测模型训练方法、装置 |
CN111243159A (zh) * | 2020-01-20 | 2020-06-05 | 支付宝实验室(新加坡)有限公司 | 伪造证件的识别方法、装置及电子设备 |
CN111586448A (zh) * | 2020-01-20 | 2020-08-25 | 全息空间(深圳)智能科技有限公司 | 直播平台主播预筛选方法、装置及存储介质 |
CN111311316B (zh) * | 2020-02-03 | 2023-05-23 | 支付宝(杭州)信息技术有限公司 | 商户画像的刻画方法、装置、电子设备、验证方法及系统 |
CN111311316A (zh) * | 2020-02-03 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 商户画像的刻画方法、装置、电子设备、验证方法及系统 |
CN111340078A (zh) * | 2020-02-18 | 2020-06-26 | 平安科技(深圳)有限公司 | 证件信息自动归类的方法、装置、介质及电子设备 |
CN111340078B (zh) * | 2020-02-18 | 2024-03-01 | 平安科技(深圳)有限公司 | 证件信息自动归类的方法、装置、介质及电子设备 |
CN111310146A (zh) * | 2020-03-10 | 2020-06-19 | 北京意锐新创科技有限公司 | 一种商户管理的方法和装置 |
CN111985936A (zh) * | 2020-08-17 | 2020-11-24 | 支付宝(杭州)信息技术有限公司 | 一种商户证件信息的检验方法、装置及设备 |
CN112001662A (zh) * | 2020-09-14 | 2020-11-27 | 支付宝(杭州)信息技术有限公司 | 一种商户图像的风险检验方法、装置及设备 |
CN112487982A (zh) * | 2020-11-30 | 2021-03-12 | 乐刷科技有限公司 | 商户信息的审核方法、系统和存储介质 |
CN116611614A (zh) * | 2023-05-17 | 2023-08-18 | 南京邮电大学 | 一种基于大数据平台的商户出餐管理方法及系统 |
CN116611614B (zh) * | 2023-05-17 | 2023-10-13 | 南京邮电大学 | 一种基于大数据平台的商户出餐管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109377240B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109377240A (zh) | 基于神经网络的商户管理方法、装置、计算机设备及存储介质 | |
CN108388888B (zh) | 一种车辆识别方法、装置和存储介质 | |
US20190325675A1 (en) | Identification scan in compliance with jurisdictional or other rules | |
US7774268B2 (en) | System, method, and apparatus for identifying and authenticating the presence of high value assets at remote locations | |
CN107688823A (zh) | 一种图像特征获取方法及装置,电子设备 | |
CN107679997A (zh) | 医疗理赔拒付方法、装置、终端设备及存储介质 | |
CN101661585A (zh) | 基于二维码技术和生物识别技术的无纸化登机系统 | |
CN106104572A (zh) | 用于识别文档处理和业务工作流整合的系统和方法 | |
CN110210981A (zh) | 保险业务理赔方法、装置、计算机装置及存储介质 | |
CN110502694A (zh) | 基于大数据分析的律师推荐方法及相关设备 | |
CN106023038A (zh) | 一种基于官民企直通与便民服务平台系统及其实现方法 | |
CN108323209A (zh) | 信息处理方法、系统、云处理设备以及计算机程序产品 | |
CN108846015A (zh) | 不动产信息查询方法、装置、计算机设备和存储介质 | |
Zaytsev et al. | Formation of a new strategy for crime investigation in the era of digital transformation | |
US11238406B1 (en) | Digital inventory and inventory transfer assistant | |
CN109785093A (zh) | 基于估值系统的制证方法、装置、计算机设备及存储介质 | |
Krysovatyy et al. | Classification Method of Fictitious Enterprises Based on Gaussian Naive Bayes | |
CN111353926B (zh) | 警务情报云平台 | |
CN106708904A (zh) | 对图像进行搜索的方法及装置 | |
CN108537057A (zh) | 用于处理相册浏览请求的方法和装置 | |
US20160063010A1 (en) | System and method of tracking evidence to establish a chain of custody and prevent loss | |
CN117370539A (zh) | 一种基于知识库和大模型的法律条文信息推荐系统 | |
CN109165495B (zh) | 身份通 | |
KR20200092590A (ko) | 실시간 배달기사 중개시스템 | |
CN109978438A (zh) | 一种物流寄递方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |