CN109993877B - 基于位置信息的防伪发票识别方法 - Google Patents

基于位置信息的防伪发票识别方法 Download PDF

Info

Publication number
CN109993877B
CN109993877B CN201910173184.4A CN201910173184A CN109993877B CN 109993877 B CN109993877 B CN 109993877B CN 201910173184 A CN201910173184 A CN 201910173184A CN 109993877 B CN109993877 B CN 109993877B
Authority
CN
China
Prior art keywords
invoice
positioning
dimensional code
position information
marked
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.)
Active
Application number
CN201910173184.4A
Other languages
English (en)
Other versions
CN109993877A (zh
Inventor
倪金生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aerospace Science and Technology (Beijing) Space Information Application Co.,Ltd.
Original Assignee
Beijing Aerospace Titan Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Aerospace Titan Technology Co ltd filed Critical Beijing Aerospace Titan Technology Co ltd
Priority to CN201910173184.4A priority Critical patent/CN109993877B/zh
Publication of CN109993877A publication Critical patent/CN109993877A/zh
Application granted granted Critical
Publication of CN109993877B publication Critical patent/CN109993877B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G06K7/1417—2D bar codes
    • 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
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
    • G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
    • G07D7/004—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency using digital security elements, e.g. information coded on a magnetic thread or strip
    • G07D7/0043—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency using digital security elements, e.g. information coded on a magnetic thread or strip using barcodes
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
    • G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
    • G07D7/20—Testing patterns thereon
    • G07D7/2008—Testing patterns thereon using pre-processing, e.g. de-blurring, averaging, normalisation or rotation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Toxicology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Navigation (AREA)

Abstract

本发明公开一种基于位置信息的防伪发票识别方法，包括以下步骤：获取具有标记二维码的发票的待识别图像，其中，所述标记二维码中包含对应发票的发票关键信息、开具时间和开具地理位置信息；确定所述待识别图像中所述标记二维码的4个顶点位置信息；根据所述标记二维码的4个顶点位置信息对所述标记二维码进行识别，得到对应发票的发票关键信息、开具时间和开具地理位置信息。

Description

基于位置信息的防伪发票识别方法
技术领域
本发明涉及税控技术领域，具体而言，涉及一种基于位置信息的防伪发票识别方法。
背景技术
在现实生活中，由于通过开具没有实际发生业务的发票可以给部分企业或个人带来经济利益，因此这种行为在小范围还大量存在，但这种偷税漏税的行为给国家和社会造成了不小的经济损失。
如何对开具没有真实发生业务的真发票的违法行为进行有效的打击，目前还没有较好的办法。
发明内容
本发明提供一种基于位置信息的防伪发票识别方法，用以克服现有技术中存在的至少一个问题。
为达到上述目的，本发明提供了一种基于位置信息的防伪发票识别方法，包括以下步骤：
获取具有标记二维码的发票的待识别图像，其中，所述标记二维码中包含对应发票的发票关键信息、开具时间和开具地理位置信息；
确定所述待识别图像中所述标记二维码的4个顶点位置信息；
根据所述标记二维码的4个顶点位置信息对所述标记二维码进行识别，得到对应发票的发票关键信息、开具时间和开具地理位置信息。
可选地，所述确定所述待识别图像中所述标记二维码的4个顶点位置信息步骤包括：
对所述待识别图像进行平滑滤波及二值化处理，得到所述待识别图像的轮廓图像；
对所述轮廓图像进行像素点特征提取，得到多个像素点连续的子轮廓特征，并从多个所述子轮廓特征中筛选出3个面积最大的子轮廓特征；
将所筛选出的3个子轮廓特作为所述标记二维码的3个定位正方形，并将3个正方形相对于所述待设别图像中心距离最远的点作为所述标记二维码的3个顶点，并根据所述3个顶点间的距离及夹角关系确定所述标记二维码的第4个顶点，并确定所述标记二维码4个顶点的位置信息。
可选地，所述开具地理位置信息包括多个相互独立的定位信息源的定位数据及对应的定位信息源类型；在所述根据所述标记二维码的4个顶点位置信息对所述标记二维码进行识别，得到对应发票的发票关键信息、开具时间和开具地理位置信息步骤之后还包括：
根据扫描识别所述标记二维码得到的多组定位数据及对应的定位信息源类型，利用定位优化模型计算定位信息的优化取值；
其中，所述定位优化模型通过以下方式构建：
形成训练样本集，所述训练样本集包括多组训练样本数据，每组训练样本数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的实际位置数据；
设置神经网络模型的模型参数，所述模型参数包括归一化参数、激励函数、损失函数和隐藏层的层数；
采用所述训练样本集对神经网络模型进行训练，得到定位优化模型。
可选地，所述激励函数为
Figure BDA0001988662260000031
其中，x为隐藏层或输出层中每个节点的输入值，f(x)为该节点的输出值，α为经验值，并且0＜α≤1。
可选地，在训练得到所述定位优化模型之后还包括：
形成测试数据集，所述测试数据集包括多组测试数据，每组所述测试数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的实际位置数据；
通过所述定位优化模型计算得到每组测试数据对应的定位优化数据；
利用每组测试数据对应的定位优化数据和实际位置数据计算对应的误差；
利用多组测试数据对应的误差得到所述定位优化模型的平均误差。
可选地，在所述根据所述标记二维码的4个顶点位置信息对所述标记二维码进行识别，得到对应发票的发票关键信息、开具时间和开具地理位置信息步骤之后还包括：
统计设定时间段内开具地理位置相同的发票数量；
当所述发票数量超过第一设定阈值时，提醒税控人员进行监管核查。
可选地，在所述根据所述标记二维码的4个顶点位置信息对所述标记二维码进行识别，得到对应发票的发票关键信息、开具时间和开具地理位置信息步骤之后还包括：
统计设定时间段内开具地理位置相同的发票开具方的数量；
当所述发票开具方的数量超过第二设定阈值时，提醒税控人员进行监管核查。
本发明实施例通过扫描发票上包含开具地理位置信息的标记二维码，获取开具发票时的开具时间和开具地理位置信息，由于违法出售发票的行为往往存在开票时间密集的特点，可以快速发现短时间内开具大量咨询、劳务等常见违规发票类型的发票的窝点，并进行实地核查；此外，违规开票窝点还存在一间办公点内利用多个公司的名义进行开票的特点，也可以根据同一时间段内同一办公地点开具多个公司出具的发票，从而可以快速锁定违法发票窝点，对违法开具发票的行为进行有效打击。
本发明的创新点包括：
1、在扫描具有标记二维码的发票时，可以快速获取开具发票时的开具时间和开具地理位置信息，由于违法出售发票的行为往往存在开票时间密集的特点，可以快速发现短时间内开具大量咨询、劳务等常见违规发票类型的发票的窝点，并进行实地核查；此外，违规开票窝点还存在一间办公点内利用多个公司的名义进行开票的特点，也可以根据同一时间段内同一办公地点开具多个公司出具的发票，从而可以快速锁定违法发票窝点，对违法开具发票的行为进行有效打击，这是本发明的创新点之一。
2、提提出了一种基于不同定位信息源的定位优化模型，通过将扫描得到的多个来自不同信息源的定位数据进行维度分离，降低了数据的维度，提高了定位精度和运算效率，从而实现了在通用设备上的高效运行，这是本发明的创新点之一。
3、通过改进深度神经网络的激励函数，实现了对GPS、北斗、无线局域网和蓝牙设备等获取的定位信息的优化，提高了室内外定位精度和运算效率，这是本发明的创新点之一。
4、利用二维码的三个角上具有可快速定位的正方形的特征，通过对待识别图像进行二值化处理，进而通过正方形的边是连续的像素点这一特征实现二维码四个顶点位置的快速定位，可以有效提高发票上标记二维码的识别速度，满足税控领域发票数量庞大的应用场景的需求，这是本发明的一个创新点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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为本发明一个实施例的基于位置信息的防伪发票识别方法流程图。
具体实施方式
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，本领域普通技术人员在没有付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。
图1为本发明一个实施例的基于位置信息的防伪发票识别方法流程图；如图1所示，该发票识别方法包括以下步骤：
S110，获取具有标记二维码的发票的待识别图像，其中，所述标记二维码中包含对应发票的发票关键信息、开具时间和开具地理位置信息。
获取发票开具时的标记信息，所述标记信息至少包括开具时间和开具地理位置信息；根据所述标记信息生成标记二维码；根据预先获取的发票关键信息和所述标记二维码对发票进行打印，以得到具有通过扫描所述标记二维码得到开具时间和开具地理位置信息的发票。
需要指出的是，本实施例发票中加入的开具地理位置信息，其目的与通过设置的地位位置信息的目的不同，具体体现在：
1、现有技术中可能有在开票机中设置GPS模块的方案，但现有技术中并没有将GPS信息打印到票据上，只是将开票机的位置信息上传服务器，并没有想到在开具发票时如何有效利用地理位置信息；而本实施例通过在发票上打印具有开具地理位置信息的二维码，使得在验证发票时获取发票开具地点成为了可能，从而可利用所获取到的发票开具地理位置信息在税务监管中对违规开票行为进行有效打击，规范纳税正常秩序。
2、现有技术中可能存在出租车打印发票上带位置信息的方案，但出租车发票上的地理位置信息是出租车这个应用场景所必须的，其目的是要计算路费，这种需求很容易想到，但现有技术中并不存在在常规发票上打印开具地理位置信息这一技术手段，并且现有的公司发票开具通常是通过税控盘插在PC主机上来实现，与出租车这中发票打印方式也不相同。
S120，确定所述待识别图像中所述标记二维码的4个顶点位置信息。
一种实现方式中，所述确定所述待识别图像中所述标记二维码的4个顶点位置信息步骤包括：
对所述待识别图像进行平滑滤波及二值化处理，得到所述待识别图像的轮廓图像；
对所述轮廓图像进行像素点特征提取，得到多个像素点连续的子轮廓特征，并从多个所述子轮廓特征中筛选出3个面积最大的子轮廓特征；
将所筛选出的3个子轮廓特作为所述标记二维码的3个定位正方形，并将3个正方形相对于所述待设别图像中心距离最远的点作为所述标记二维码的3个顶点，并根据所述3个顶点间的距离及夹角关系确定所述标记二维码的第4个顶点，并确定所述标记二维码4个顶点的位置信息。
上述实施例利用二维码的三个角上具有可快速定位的正方形的特征，通过对待识别图像进行二值化处理，进而通过正方形的边是连续的像素点这一特征实现二维码四个顶点位置的快速定位，可以有效提高发票上标记二维码的识别速度，满足税控领域发票数量庞大的应用场景的需求。
S130，根据所述标记二维码的4个顶点位置信息对所述标记二维码进行识别，得到对应发票的发票关键信息、开具时间和开具地理位置信息。
其中，所述开具地理位置信息是通过以下方式中的至少一种来获取的：
WiFi、蓝牙、RFID、北斗卫星、GPS、移动通信基站定位以及AGPS。
一种实现方式中，所述开具地理位置信息包括多个相互独立的定位信息源的定位数据及对应的定位信息源类型；在所述根据所述标记二维码的4个顶点位置信息对所述标记二维码进行识别，得到对应发票的发票关键信息、开具时间和开具地理位置信息步骤之后还包括：
根据扫描识别所述标记二维码得到的多组定位数据及对应的定位信息源类型，利用定位优化模型计算定位信息的优化取值；
其中，所述定位优化模型通过以下方式构建：
形成训练样本集，所述训练样本集包括多组训练样本数据，每组训练样本数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的实际位置数据；
设置神经网络模型的模型参数，所述模型参数包括归一化参数、激励函数、损失函数和隐藏层的层数；
采用所述训练样本集对神经网络模型进行训练，得到定位优化模型。
上述实施例可以实现对GPS、北斗、无线局域网和蓝牙设备等获取的定位信息的优化，提高了室内外定位精度；同时通过将来自不同信息源的定位数据进行维度分离，降低了数据的维度，提高了运算效率，从而实现了在通用设备上的高效运行，这也是是本发明的一个创新点。
一种实现方式中，所述激励函数可以为
Figure BDA0001988662260000081
其中，x为隐藏层或输出层中每个节点的输入值，f(x)为该节点的输出值，α为经验值，并且0＜α≤1。
一种实现方式中，在训练得到所述定位优化模型之后还包括：
形成测试数据集，所述测试数据集包括多组测试数据，每组所述测试数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的实际位置数据；
通过所述定位优化模型计算得到每组测试数据对应的定位优化数据；
利用每组测试数据对应的定位优化数据和实际位置数据计算对应的误差；
利用多组测试数据对应的误差得到所述定位优化模型的平均误差。
一种实现方式中，
以下为本发明一个实施例的定位优化模型的实现过程：
对某个待定位目标给定一类定位信息源(室外定位信息源或室内定位信息源)，设该目标的真实坐标为x，该类定位信息源包含N组(N≥2)相互独立的定位坐标数据[x1,x2,…,xN]。此处N为一个常数，由实际采用的定位传感器类别数决定。
建立一个神经网络模型，该神经网络由输入层(1个)、隐藏层(H个，H≥1)和输出层(1个)组成。上述神经网络模型的每一层均有若干节点(节点数>0)，隐藏层节点与其上层或下层节点是全连接的，即任意一个第k层节点i都与第k-1层的任意一个节点j存在一个连接，设其权重为
Figure BDA0001988662260000082
对于该神经网络，其输入为归一化的传感器定位信息源[x1,x2,…,xN]，输出为目标的真实坐标x。该神经网络的训练过程包括：
1、设置神经网络参数，包括归一化参数、激励函数、损失函数、隐藏层数等；
2、准备训练数据，即传感器定位信息源[x1,x2,…,xN]和与其对应的目标的真实坐标x；
3、归一化输入数据[x1,x2,…,xN]；
4、执行训练，获得神经网络权重配置。
该神经网络的测试过程如下：
5、准备测试数据，即传感器定位信息源[x1,x2,…,xN]；
6、归一化输入数据[x1,x2,…,xN]；
7、获取步骤4中获得的神经网络配置，并输入归一化的测试数据；
8、获得神经网络模型的输出结果，并进行反归一化。
在经典深度神经网络学习应用中，隐藏层和输出层节点的输入和输出之间具有函数关系，这个函数称为激励函数。衡量神经网络模型预测值与真实值之间差异的函数称为代价函数。在经典深度神经网络配置中，通常将激励函数选取为线性整流函数(RectifiedLinear Unit,ReLU)，代价函数选取均方误差。其中，线性整流函数定义为：
f(x)＝max(0，x)
上式中的x是神经网络中的每个节点的输入值，节点根据激励函数求取x的函数值，并将输出值传递给下一层。在本发明中，x取值为归一化的传感器定位信息源[x1,x2,…,xN]。
均方误差定义为：
Figure BDA0001988662260000101
其中
Figure BDA0001988662260000102
表示真值θ的估计值，E表示数学期望。
本发明根据定位信号的特点与办公设备的具体特性重新设计了深度神经网络。为了提高计算精度，改进ReLU方法导致的误差位移问题，重新设计激励函数如下：
Figure BDA0001988662260000103
上式中参数α可根据经验取值为(0,1]。
通过改进激励函数，可以在几乎不影响运算效率的前提下有效提高训练精度。改进后的神经网络可以在常用芯片设备上快速运行，具有低功耗、高效率的特点。
上述方法的优化效果如表1(假设不使用优化的定位误差期望值为1)：
表1
Figure BDA0001988662260000104
本发明提出了一种深度神经网络(DNN)学习的定位优化方法，通过改进深度神经网络的激励函数，实现了对GPS、北斗、无线局域网和蓝牙设备等获取的定位信息的优化，提高了室内外定位精度；通过将来自不同信息源的定位数据进行维度分离，降低了神经网络训练数据的维度，提高了运算效率，从而实现了在通用设备上的高效运行。
在通过扫描发票上的标记二维码得到发票开具时间和开具地理位置信息之后，即可通过对大量发票的开具地理位置信息进行统计分析，实现对有违规代开发票嫌疑的核查，实现对违规行为的快速管控。对发票开具开具地理位置信息的分析利用有以下两种方式：
一种实现方式中，在所述根据所述标记二维码的4个顶点位置信息对所述标记二维码进行识别，得到对应发票的发票关键信息、开具时间和开具地理位置信息步骤之后还包括：
统计设定时间段内开具地理位置相同的发票数量；
当所述发票数量超过第一设定阈值时，提醒税控人员进行监管核查。
一种实现方式中，在所述根据所述标记二维码的4个顶点位置信息对所述标记二维码进行识别，得到对应发票的发票关键信息、开具时间和开具地理位置信息步骤之后还包括：
统计设定时间段内开具地理位置相同的发票开具方的数量；
当所述发票开具方的数量超过第二设定阈值时，提醒税控人员进行监管核查。
本发明实施例通过扫描发票上包含开具地理位置信息的标记二维码，获取开具发票时的开具时间和开具地理位置信息，由于违法出售发票的行为往往存在开票时间密集的特点，可以快速发现短时间内开具大量咨询、劳务等常见违规发票类型的发票的窝点，并进行实地核查；此外，违规开票窝点还存在一间办公点内利用多个公司的名义进行开票的特点，也可以根据同一时间段内同一办公地点开具多个公司出具的发票，从而可以快速锁定违法发票窝点，对违法开具发票的行为进行有效打击。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明实施例技术方案的精神和范围。

Claims (6)

1.一种基于位置信息的防伪发票识别方法，其特征在于，包括以下步骤：
获取具有标记二维码的发票的待识别图像，其中，所述标记二维码中包含对应发票的发票关键信息、开具时间和开具地理位置信息；
确定所述待识别图像中所述标记二维码的4个顶点位置信息；
根据所述标记二维码的4个顶点位置信息对所述标记二维码进行识别，得到对应发票的发票关键信息、开具时间和开具地理位置信息；
其中，所述开具地理位置信息包括多个相互独立的定位信息源的定位数据及对应的定位信息源类型；
根据扫描识别所述标记二维码得到的多组定位数据及对应的定位信息源类型，利用定位优化模型对定位数据进行优化，以使不同定位信息源类型的定位数据维度分离；
所述确定所述待识别图像中所述标记二维码的4个顶点位置信息步骤包括：
对所述待识别图像进行平滑滤波及二值化处理，得到所述待识别图像的轮廓图像；
对所述轮廓图像进行像素点特征提取，得到多个像素点连续的子轮廓特征，并从多个所述子轮廓特征中筛选出3个面积最大的子轮廓特征；
将所筛选出的3个子轮廓特作为所述标记二维码的3个定位正方形，并将3个正方形相对于所述待识别图像中心距离最远的点作为所述标记二维码的3个顶点，并根据所述3个顶点间的距离及夹角关系确定所述标记二维码的第4个顶点，并确定所述标记二维码4个顶点的位置信息。
2.根据权利要求1所述的发票识别方法，其特征在于，所述定位优化模型通过以下方式构建：
形成训练样本集，所述训练样本集包括多组训练样本数据，每组训练样本数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的实际位置数据；
设置神经网络模型的模型参数，所述模型参数包括归一化参数、激励函数、损失函数和隐藏层的层数；
采用所述训练样本集对神经网络模型进行训练，得到定位优化模型。
3.根据权利要求2所述的发票识别方法，其特征在于，所述激励函数为
Figure FDA0003253717450000021
其中，x为隐藏层或输出层中每个节点的输入值，f(x)为该节点的输出值，α为经验值，并且0＜α≤1。
4.根据权利要求2所述的发票识别方法，其特征在于，在训练得到所述定位优化模型之后还包括：
形成测试数据集，所述测试数据集包括多组测试数据，每组所述测试数据包括多个相互独立的定位信息源获取的同一位置的定位数据以及对应的实际位置数据；
通过所述定位优化模型计算得到每组测试数据对应的定位优化数据；
利用每组测试数据对应的定位优化数据和实际位置数据计算对应的误差；
利用多组测试数据对应的误差得到所述定位优化模型的平均误差。
5.根据权利要求1所述的发票识别方法，其特征在于，在所述根据所述标记二维码的4个顶点位置信息对所述标记二维码进行识别，得到对应发票的发票关键信息、开具时间和开具地理位置信息步骤之后还包括：
统计设定时间段内开具地理位置相同的发票数量；
当所述发票数量超过第一设定阈值时，提醒税控人员进行监管核查。
6.根据权利要求1所述的发票识别方法，其特征在于，在所述根据所述标记二维码的4个顶点位置信息对所述标记二维码进行识别，得到对应发票的发票关键信息、开具时间和开具地理位置信息步骤之后还包括：
统计设定时间段内开具地理位置相同的发票开具方的数量；
当所述发票开具方的数量超过第二设定阈值时，提醒税控人员进行监管核查。
CN201910173184.4A 2019-03-07 2019-03-07 基于位置信息的防伪发票识别方法 Active CN109993877B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910173184.4A CN109993877B (zh) 2019-03-07 2019-03-07 基于位置信息的防伪发票识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910173184.4A CN109993877B (zh) 2019-03-07 2019-03-07 基于位置信息的防伪发票识别方法

Publications (2)

Publication Number Publication Date
CN109993877A CN109993877A (zh) 2019-07-09
CN109993877B true CN109993877B (zh) 2021-11-02

Family

ID=67130163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910173184.4A Active CN109993877B (zh) 2019-03-07 2019-03-07 基于位置信息的防伪发票识别方法

Country Status (1)

Country Link
CN (1) CN109993877B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555500B (zh) * 2019-09-11 2023-02-28 北京强华印刷厂 一种地图二维码生成方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017187881A (ja) * 2016-04-04 2017-10-12 セイコーエプソン株式会社 情報表示システム、情報表示システムの制御方法、および印刷装置
CN108776913A (zh) * 2018-06-06 2018-11-09 阿里巴巴集团控股有限公司 发票溯源方法及装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793990B (zh) * 2012-11-02 2016-06-29 航天信息股份有限公司 发票的验证方法和系统
CN103679972B (zh) * 2013-12-26 2016-06-15 北京德信易税网络技术有限公司 税控终端的监控方法、装置及系统
CN104268498B (zh) * 2014-09-29 2017-09-19 杭州华为数字技术有限公司 一种二维码的识别方法及终端
CN105989317B (zh) * 2015-02-11 2021-10-08 北京鼎九信息工程研究院有限公司 一种二维码的识别方法及装置
CN104766037A (zh) * 2015-03-20 2015-07-08 中国联合网络通信集团有限公司 一种二维码的识别方法及设备
CN106912105B (zh) * 2017-03-08 2020-06-09 哈尔滨理工大学 基于pso_bp神经网络的三维定位方法
CN107122816A (zh) * 2017-03-20 2017-09-01 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种自定义寻像图形二维码及生成方法
CN107705472B (zh) * 2017-10-23 2020-05-19 百望金赋科技有限公司 一种用于开票的时空定位模块、云端开票系统及方法
CN109271823A (zh) * 2018-08-08 2019-01-25 佛山市顺德区中山大学研究院 一种自定义二维码的快速定位方法
CN109409158B (zh) * 2018-09-29 2021-08-31 武汉保诚信网络科技有限公司 一种基于二维码边缘粗糙度的防伪方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017187881A (ja) * 2016-04-04 2017-10-12 セイコーエプソン株式会社 情報表示システム、情報表示システムの制御方法、および印刷装置
CN108776913A (zh) * 2018-06-06 2018-11-09 阿里巴巴集团控股有限公司 发票溯源方法及装置

Also Published As

Publication number Publication date
CN109993877A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
CN107194398B (zh) 车损部位的识别方法及系统
CN105427596B (zh) 一种基于时空特征的社区停车位状态检测及服务方法
CN104166841A (zh) 一种视频监控网络中指定行人或车辆的快速检测识别方法
US20230153698A1 (en) Methods and systems for accurately recognizing vehicle license plates
CN105224937A (zh) 基于人体部件位置约束的细粒度语义色彩行人重识别方法
US20230153767A1 (en) Method and internet of things system for waste cleaning volume prediction in smart city
CN102819747B (zh) 林业业务图像自动分类方法
CN112949338A (zh) 深度学习与Hough变换结合的二维条码精确定位方法
CN110852164A (zh) 一种基于YOLOv3的自动检测违章建筑方法及系统
CN112001383A (zh) 一种基于卷积神经网络技术的水表码智能识别方法
Yin et al. A deep learning approach for rooftop geocoding
CN110502977A (zh) 一种建筑物变化分类检测方法、系统、装置及存储介质
CN109993877B (zh) 基于位置信息的防伪发票识别方法
CN110245583A (zh) 一种车辆尾气检验报告的智能识别方法
CN113706291A (zh) 欺诈风险预测方法、装置、设备及存储介质
CN116168246A (zh) 一种用于铁路工程的弃渣场识别方法、装置、设备及介质
Xu et al. Building height calculation for an urban area based on street view images and deep learning
CN112836590B (zh) 洪涝灾害监测方法、装置、电子设备及存储介质
CN206833503U (zh) 一种资产信息管理系统
Gueguen et al. Mapping human settlements and population at country scale from VHR images
CN109887202B (zh) 内置增强模块的税控盘
Zhang et al. Image-based approach for parking-spot detection with occlusion handling
CN109978637B (zh) 发票防抽逃方法
CN110765900A (zh) 一种基于dssd的自动检测违章建筑方法及系统
CN115760854A (zh) 基于深度学习的电力设备缺陷检测方法、装置及电子设备

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
CP01 Change in the name or title of a patent holder

Address after: 100071 6th floor, building 5, District 17, 188 South 4th Ring Road West, Fengtai District, Beijing

Patentee after: Aerospace Science and Technology (Beijing) Space Information Application Co.,Ltd.

Address before: 100071 6th floor, building 5, District 17, 188 South 4th Ring Road West, Fengtai District, Beijing

Patentee before: BEIJING AEROSPACE TITAN TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder