CN110188787A - 一种基于区块链互证和卷积神经网络的凭证式记账方法 - Google Patents

一种基于区块链互证和卷积神经网络的凭证式记账方法 Download PDF

Info

Publication number
CN110188787A
CN110188787A CN201910289748.0A CN201910289748A CN110188787A CN 110188787 A CN110188787 A CN 110188787A CN 201910289748 A CN201910289748 A CN 201910289748A CN 110188787 A CN110188787 A CN 110188787A
Authority
CN
China
Prior art keywords
employee
tensor
neural networks
picture
convolutional neural
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
Application number
CN201910289748.0A
Other languages
English (en)
Other versions
CN110188787B (zh
Inventor
肖绍章
倪金霆
朱全银
陈小艺
马思伟
朱亚飞
王啸
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN201910289748.0A priority Critical patent/CN110188787B/zh
Publication of CN110188787A publication Critical patent/CN110188787A/zh
Application granted granted Critical
Publication of CN110188787B publication Critical patent/CN110188787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本专利公开发明了一种基于区块链互证和卷积神经网络的凭证式记账方法，基于卷积神经网络来进行特征抽取并利用传统机器学习算法进行分类，最后使用区块链互证方式进行数据的整合并分布式存储。具体地，首先通过微信端接收用户发来的需要进行识别的照片信息，而后调用目标检测算法对图片中的人体进行识别和切割，随后通过训练好的神经网络进行特征提取并分类，最后利用互证投票的方式进行识别结果的二次验证，并将验证结果分布式存储在每个员工的手机内。本发明可以有效收集并识别人体的照片，并通过互证的方式准确地进行凭证式记账。

Description

一种基于区块链互证和卷积神经网络的凭证式记账方法
技术领域
本发明属于图像识别技术领域，特别涉及一种基于区块链互证和卷积神经网络的凭证式记账方法。
背景技术
本发明中的基于共识的人体模式识别方法有重要的作用和意义。在传统的目标检测任务中，多数专家仅仅通过目标检测的结果作为最终结果，并没有实际的对象参与进来，此方式能避免这种中心化的识别方式，真正使得员工参与进记账的过程。
冯万利，朱全银等人已有的研究基础包括：Wanli Feng.Research of themestatement extraction for chinese literature based on lexicalchain.International Journal of Multimedia and Ubiquitous Engineering,Vol.11,No.6(2016),pp.379-388；Wanli Feng,Ying Li,Shangbing Gao,Yunyang Yan,JianxunXue.A novel flame edge detection algorithm via a novel active contourmodel.International Journal of Hybrid Information Technology,Vol.9,No.9(2016),pp.275-282；刘金岭,冯万利.基于属性依赖关系的模式匹配方法[J].微电子学与计算机,2011,28(12):167-170；刘金岭,冯万利,张亚红.初始化簇类中心和重构标度函数的文本聚类[J].计算机应用研究,2011,28(11):4115-4117；刘金岭,冯万利,张亚红.基于重新标度的中文短信文本聚类方法[J].计算机工程与应用,2012,48(21):146-150.；朱全银,潘禄,刘文儒,等.Web科技新闻分类抽取算法[J].淮阴工学院学报,2015,24(5):18-24；李翔,朱全银.联合聚类和评分矩阵共享的协同过滤推荐[J].计算机科学与探索,2014,8(6):751-759；Quanyin Zhu,Sunqun Cao.A Novel Classifier-independent FeatureSelection Algorithm for Imbalanced Datasets.2009,p:77-82；Quanyin Zhu,YunyangYan,Jin Ding,Jin Qian.The Case Study for Price Extracting of Mobile PhoneSell Online.2011,p:282-285；Quanyin Zhu,Suqun Cao,Pei Zhou,Yunyang Yan,HongZhou.Integrated Price Forecast based on Dichotomy Backfilling and DisturbanceFactor Algorithm.International Review on Computers and Software,2011,Vol.6(6):1089-1093；朱全银，冯万利等人申请、公开与授权的相关专利：冯万利,邵鹤帅,庄军.一种智能冷藏车状态监测无线网络终端装置:CN203616634U[P].2014；朱全银，胡蓉静，何苏群，周培等.一种基于线性插补与自适应滑动窗口的商品价格预测方法.中国专利:ZL201110423015.5,2015.07.01；朱全银，曹苏群，严云洋，胡蓉静等，一种基于二分数据修补与扰乱因子的商品价格预测方法.中国专利:ZL 2011 10422274.6,2013.01.02；李翔，朱全银，胡荣林，周泓.一种基于谱聚类的冷链物流配载智能推荐方法.中国专利公开号:CN105654267A,2016.06.08；朱全银，辛诚，李翔，许康等人，一种基于K-means和LDA双向验证的网络行为习惯聚类方法.中国专利公开号:CN 106202480 A,2016.12.07。
神经网络算法：
神经网络算法是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络算法主要结构为输入层，隐藏层和输出层。输入层负责输入特征值，输出层则是输出预测结果或分类结果。隐藏层由连接的神经元组成。在深度学习中，为了加深神经网络，增加神经网络层数，引入了激活函数。激活函数通过抛弃部分神经元，达到加深神经网络并提高预测或分类准确率的目的。
交叉熵损失函数：
交叉熵损失函数可以衡量真实结果与预测结果的相似性。和其他损失函数一样，交叉熵损失函数作用是更新神经元连接之间的权值，以达到减少训练误差的目的。与方差损失函数相比，交叉熵损失函数克服了学习速度慢的问题。主要作为由ReLu、Softmax等函数作为输出层函数情况下的损失函数。
在面向传统人体目标相似度比对问题时，已有论文主要基于人工提取特征方式进行相似度比对，但该方法对特征设计要求度高且准确率难以提升，本发明提出了一种基于卷积神经网络的工地工人目标相似度比对方法。
发明内容
发明目的：针对现有技术中存在的问题，本发明提出一种基于区块链互证和卷积神经网络的凭证式记账方法，准确率高；可以有效收集并识别人体的照片，并通过互证的方式可以准确地进行凭证式记账。
技术方案：为解决上述技术问题，本发明提供一种基于区块链互证和卷积神经网络的凭证式记账方法，具体步骤如下：
(1)将获取的员工照片作为初始图像数据集G，通过目标检测并分割后得到图片数据集GC；
(2)通过数据增强后得到的数据集为GUD，得到的分割后的标签集为GUL；
(3)搭建卷积神经网络用以特征抽取；
(4)通过卷积神经网络抽取特征得到特征张量集F，使用SVM分类器进行分类，获得预测的标签集y’；
(5)将识别结果根据个人公钥进行加密，并将结果存储到个人手机上。
进一步的，所述步骤(1)中分割后获得图片数据集GC的具体步骤如下：
(1.1)定义循环变量T，并赋初值T＝0，定义最大循环次数n为图片数据集大小；
(1.2)如果T<n则进入步骤(1.3)否则进入步骤(1.16)；
(1.3)将员工照片进行分批，每批次64张员工图片，得到相应的特征张量集Su；
(1.4)张量Su经过两层以ReLu为激活函数卷积核为3x3的卷积层，设输出张量为Conv1；
(1.5)Conv1经过第一层池化层，设输出矩阵为Pool1；
(1.6)Pool1经过两层以ReLu为激活函数的卷积层，设输出为Conv2；
(1.7)Conv2经过第二层池化层，设输出矩阵为Feature；
(1.8)定义循环变量m，并赋初值m＝0；
(1.9)如果m<64，则进入步骤(1.10)，否则返回步骤(1.1)；
(1.10)将Feature矩阵传入SVM分类器进行分类得到分类矩阵Classify，将Feature矩阵传入回归器得到回归矩阵Logistic；
(1.11)定义循环变量temp,并赋初值0，定义最大循环次数max为Logistic矩阵大小；
(1.12)如果temp<max则进入步骤(1.13)，否则进入步骤(1.9)；
(1.13)如果Classcify[temp]＝1则进入步骤1.14，否则进入步骤(1.12)temp+1；
(1.14)获取Logistic张量对应temp所在位置的坐标矩阵[x1,x2,y1,y2]；
(1.15)调用opencv分割图片对应坐标位置的图片并添加进入GC张量；
(1.16)图片分割结束。
进一步的，所述步骤(2)中通过数据增强后得到的数据集为GUD，得到的分割后的标签集为GUL的具体步骤如下：
(2.1)定义工地员工图像数据集为G＝{G1,G2,…,Gm}，定义员工图像标签集合L＝{L1,…,Lm}，其中m为图片序号；
(2.2)对工地员工图像数据进行等比例缩放，保持长宽中较短项为224，得到新的工地员工图像数据集GB＝{GB1,GB2,…,GBn}，其中n为图片序号；
(2.3)设GBi为数据预处理内的一张图片，对任意i∈[1,n]进行控制长宽均为224的4次随机切割，获得图像数据集C＝{C1,…,Cg}，其中g为图片序号；
(2.4)对数据集C中的图片进行亮度，对比度的随机变化获得新的图像数据集R1＝{R11,…,R1p}，其中p为图片序号；
(2.5)复制员工图像数据集得到R2＝{R21,…,R2p}，将R1，R2中图像两两合并，得到新数据集GU＝{GU1,GU2,…,GUr}，根据合并图片相似性进行标注得到集合GL＝{GL1,…,GLr}，其中r为图片序号。
进一步的，所述步骤(3)中搭建卷积神经网络用以特征抽取的具体步骤如下：
(3.1)定义循环变量t，并赋初值t＝1；
(3.2)如果t<＝8000则进入步骤(3.3)否则进入步骤(3.12)；
(3.3)将员工特征张量GC分批，每批包含128个员工的特征张量，设张量集为Sk，标签集为y*；
(3.4)张量Sk经过以ReLu为激活函数的卷积层，设输出张量为C1；
(3.5)C1经过第一层池化层，设输出矩阵为P1；
(3.6)P1经过三层以ReLu为激活函数的卷积层，设输出为C4；
(3.7)C4经过第二层池化层，设输出矩阵为P2；
(3.8)P2经过归一化处理后进入两层全连接层，输出为F；
(3.9)张量F经过以Softmax为激活函数的神经网络；
(3.10)设经过最后一层神经网络的结果为y_；
(3.11)计算员工真实标签y*与y_之间的损失，更新神经网络连接函数的权值；
(3.12)模型训练完毕。
进一步的，所述步骤(4)中通过卷积神经网络抽取特征得到特征张量集F，使用SVM分类器进行分类，获得预测的标签集y’的具体步骤如下：
(4.1)将步骤三训练的输出F张量取出；
(4.2)将张量F输入进SVM分类器中根据分类结果将照片放入相应类别的文件夹中；
(4.3)分类结束。
进一步的，所述步骤(5)中将识别结果根据个人公钥进行加密，并将结果存储到个人手机上的具体步骤如下：
(5.1)定义循环变量Bt，并赋初值Bt＝0，定义最大循环次数Bn为当前发送图片的员工人数；
(5.2)如果Bt<Bn则进入步骤(5.3)否则进入步骤(5.9)；
(5.3)定义一张哈希表Fm，键为照片名，值为另一张哈希表Cm，Cm的键位员工投票对应的员工名，值为该项获得的票数；
(5.4)Bt所对应的照片名在Fm中存在；
(5.5)新建一张哈希表Cmi添加入父表Fm；
(5.6)Bt对应的投票在Cm中存在；
(5.7)新建键为Bt对应的投票对象，值为1并存储进Cm中；
(5.8)将Cm中对应投票的值+1；
(5.9)将Fm中的每一个Cm按照值进行排序；
(5.10)取每个Cm中最大的值作为对应照片的员工真实身份；
(5.11)将结果通过RSA公钥加密，公钥为每个员工之前生成的公钥；
(5.12)将加密后的结果保存进二进制文件并存放在各个员工的手机之中。
与现有技术相比，本发明的优点在于：
本发明方法基于员工手机获取的照片数据集，利用卷积神经网络进行目标检测和特征提取，本方法改变了传统检测方法的局限性，让对象参与进对结果真伪的鉴别，有效提高了结果的准确性和可靠性。
附图说明
图1为本发明的总体流程图；
图2为图1中员工照片目标检测的流程图；
图3为图1中目标检测后数据预处理和数据增强的流程图；
图4为图1中训练特征提取神经网络的流程图；
图5为图1中训练分类器的流程图；
图6为图1中结果加密及分布式存储的流程图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。
如图1-6示，本发明包括如下步骤：
步骤1：设获取到的员工照片初始图像数据集为G，通过目标检测并分割后的图片数据集为GC，具体方法为：
步骤1.1：定义循环变量T，并赋初值T＝0，定义最大循环次数n为图片数据集大小；
步骤1.2：如果T<n则进入步骤1.3否则进入步骤1.16。
步骤1.3：将员工照片进行分批，每批次64张员工图片，得到相应的特征张量集Su。
步骤1.4：张量Su经过两层以ReLu为激活函数卷积核为3x3的卷积层，设输出张量为Conv1。
步骤1.5：Conv1经过第一层池化层，设输出矩阵为Pool1。
步骤1.6：Pool1经过两层以ReLu为激活函数的卷积层，设输出为Conv2。
步骤1.7：Conv2经过第二层池化层，设输出矩阵为Feature。
步骤1.8：定义循环变量m，并赋初值m＝0。
步骤1.9：如果m<64，则进入步骤1.10，否则进入步骤1.1。
步骤1.10：将Feature矩阵传入SVM分类器进行分类得到分类矩阵Classify，将Feature矩阵传入回归器得到回归矩阵Logistic。
步骤1.11：定义循环变量temp,并赋初值0，定义最大循环次数max为Logistic矩阵大小。
步骤1.12：如果temp<max则进入步骤1.13，否则进入步骤1.9。
步骤1.13：如果Classcify[temp]＝1则进入步骤1.14，否则进入步骤1.12temp+1
步骤1.14：获取Logistic张量对应temp所在位置的坐标矩阵[x1,x2,y1,y2]。
步骤1.15：调用opencv分割图片对应坐标位置的图片并添加进入GC张量。
步骤1.16：图片分割结束
步骤2：通过数据增强后得到的数据集为GUD，得到的分割后的标签集为GUL：
步骤2.1：定义工地员工图像数据集为G＝{G1,G2,…,Gm}，定义员工图像标签集合L＝{L1,…,Lm}，其中m为图片序号；
步骤2.2：对工地员工图像数据进行等比例缩放，保持长宽中较短项为224，得到新的工地员工图像数据集GB＝{GB1,GB2,…,GBn}，其中n为图片序号；
步骤2.3：设GBi为数据预处理内一张图片，对任意i∈[1,n]进行控制长宽均为224的4次随机切割，获得图像数据集C＝{C1,…,Cg}，其中g为图片序号。
步骤2.4：对数据集C中的图片进行亮度，对比度的随机变化获得新的图像数据集R1＝{R11,…,R1p}，其中p为图片序号。
步骤2.5：复制员工图像数据集得到R2＝{R21,…,R2p}，将R1，R2中图像两两合并，得到新数据集GU＝{GU1,GU2,…,GUr}，根据合并图片相似性进行标注得到集合GL＝{GL1,…,GLr}，其中r为图片序号。
步骤3：搭建卷积神经网络用以特征抽取；
步骤3.1：定义循环变量t，并赋初值t＝1；
步骤3.2：如果t<＝8000则进入步骤3.3否则进入步骤3.12；
步骤3.3：将员工特征矩阵GC分批，每批包含128个员工的特征张量，设张量集为Sk，标签集为y*；
步骤3.4：张量Sk经过以ReLu为激活函数的卷积层，设输出张量为C1；
步骤3.5：C1经过第一层池化层，设输出矩阵为P1；
步骤3.6：P1经过三层以ReLu为激活函数的卷积层，设输出为C4；
步骤3.7：C4经过第二层池化层，设输出矩阵为P2；
步骤3.8：P2经过归一化处理后进入两层全连接层，输出为F；
步骤3.9：张量F经过以Softmax为激活函数的神经网络；
步骤3.10：设经过最后一层神经网络的结果为y_；
步骤3.11：计算员工真实标签y*与y_之间的损失，更新神经网络连接函数的权值；
步骤3.12：模型训练完毕。
步骤4：通过卷积神经网络抽取特征得到特征张量集F，使用SVM分类器进行分类，获得预测的标签集y’：
步骤4.1：将步骤三训练的输出F矩阵取出；
步骤4.2：将张量F输入进SVM分类器中根据分类结果将照片放入相应类别的文件夹中；
步骤4.3：分类结束。
步骤5：将识别结果根据个人公钥进行加密，并将结果存储到个人手机上：
步骤5.1：定义循环变量Bt，并赋初值Bt＝0，定义最大循环次数Bn为当前发送图片的员工人数；
步骤5.2：如果Bt<Bn则进入步骤5.3否则进入步骤5.9；
步骤5.3：定义一张哈希表Fm，键为照片名，值为另一张哈希表Cm，Cm的键位员工投票对应的员工名，值为该项获得的票数；
步骤5.4：Bt所对应的照片名在Fm中存在。
步骤5.5：新建一张哈希表Cmi添加入父表Fm。
步骤5.6：Bt对应的投票在Cm中存在。
步骤5.7：新建键为Bt对应的投票对象，值为1并存储进Cm中。
步骤5.8：将Cm中对应投票的值+1。
步骤5.9：将Fm中的每一个Cm按照值进行排序。
步骤5.10：取每个Cm中最大的值作为对应照片的员工真实身份。
步骤5.11：将结果通过RSA公钥加密，公钥在每个员工注册账户时和私钥一并生成。
步骤5.12：将加密后的结果保存进二进制文件并存放在各个员工的手机之中。
通过对8957张工地工人照片进行数据处理，利用卷积神经网络进行特征提取和目标检测并利用区块链共识机制甄别结果。该方法有效克服了传统记账方式的局限性，提高了记账的准确性并在分类的结果上取得了98％的准确率。

Claims (6)

1.一种基于区块链互证和卷积神经网络的凭证式记账方法，其特征在于，具体步骤如下：
(1)将获取的员工照片作为初始图像数据集G，通过目标检测并分割后得到图片数据集GC；
(2)通过数据增强后得到的数据集为GUD，数据增强后相应的标签集为GUL；
(3)搭建卷积神经网络用以特征抽取；
(4)通过卷积神经网络抽取特征得到特征张量集F，使用SVM分类器进行分类，获得预测的标签集y’；
(5)将识别结果根据个人公钥进行加密，并将结果存储到个人手机上。
2.根据权利要求1所述的一种基于区块链互证和卷积神经网络的凭证式记账方法，其特征在于，所述步骤(1)中分割后获得图片数据集GC的具体步骤如下：
(1.1)定义循环变量T，并赋初值T＝0，定义最大循环次数n为图片数据集大小；
(1.2)如果T<n则进入步骤(1.3)否则进入步骤(1.16)；
(1.3)将员工照片进行分批，每批次64张员工图片，得到相应的特征张量集Su；
(1.4)张量Su经过两层以ReLu为激活函数卷积核为3x3的卷积层，设输出张量为Conv1；
(1.5)Conv1经过第一层池化层，设输出矩阵为Pool1；
(1.6)Pool1经过两层以ReLu为激活函数的卷积层，设输出为Conv2；
(1.7)Conv2经过第二层池化层，设输出特征张量为F；
(1.8)定义循环变量m，并赋初值m＝0；
(1.9)如果m<64，则进入步骤(1.10)，否则返回步骤(1.1)；
(1.10)将特征张量Feature传入SVM分类器进行分类得到分类矩阵Classify，将特征张量Feature传入回归器得到回归张量Logistic；
(1.11)定义循环变量temp,并赋初值0，定义最大循环次数max为Logistic张量包含数据集大小；
(1.12)如果temp<max则进入步骤(1.13)，否则进入步骤(1.9)；
(1.13)如果Classcify[temp]＝1则进入步骤1.14，否则进入步骤(1.12)temp+1；
(1.14)获取Logistic张量对应temp所在位置的坐标矩阵[x1,x2,y1,y2]；
(1.15)调用opencv分割图片对应坐标位置的图片并添加进入GC矩阵；
(1.16)图片分割结束。
3.根据权利要求1所述的一种基于区块链互证和卷积神经网络的凭证式记账方法，其特征在于，所述步骤(2)中通过数据增强后得到的数据集为GUD，得到的分割后的标签集为GUL的具体步骤如下：
(2.1)定义工地员工图像数据集为G＝{G1,G2,…,Gm}，定义员工图像标签集合L＝{L1,…,Lm}，其中m为图片序号；
(2.2)对工地员工图像数据进行等比例缩放，保持长宽中较短项为224，得到新的工地员工图像数据集GB＝{GB1,GB2,…,GBn}，其中n为图片序号；
(2.3)设GBi为数据预处理内的一张图片，对任意i∈[1,n]进行控制长宽均为224的4次随机切割，获得图像数据集C＝{C1,…,Cg}，其中g为图片序号；
(2.4)对数据集C中的图片进行亮度，对比度的随机变化获得新的图像数据集R1＝{R11,…,R1p}，其中p为图片序号；
(2.5)复制员工图像数据集得到R2＝{R21,…,R2p}，将R1，R2中图像两两合并，得到新数据集GU＝{GU1,GU2,…,GUr}，根据合并图片相似性进行标注得到集合GL＝{GL1,…,GLr}，其中r为图片序号。
4.根据权利要求1所述的一种基于区块链互证和卷积神经网络的凭证式记账方法，其特征在于，所述步骤(3)中搭建卷积神经网络用以特征抽取的具体步骤如下：
(3.1)定义循环变量t，并赋初值t＝1；
(3.2)如果t<＝8000则进入步骤(3.3)否则进入步骤(3.12)；
(3.3)将员工特征矩阵GC分批，每批包含128个员工的特征张量，设张量集为Sk，标签集为y*；
(3.4)张量Sk经过以ReLu为激活函数的卷积层，设输出张量为C1；
(3.5)C1经过第一层池化层，设输出矩阵为P1；
(3.6)P1经过三层以ReLu为激活函数的卷积层，设输出为C4；
(3.7)C4经过第二层池化层，设输出矩阵为P2；
(3.8)P2经过归一化处理后进入两层全连接层，输出为F；
(3.9)张量F经过以Softmax为激活函数的神经网络；
(3.10)设经过最后一层神经网络的结果为y_；
(3.11)计算员工真实标签y*与y_之间的损失，更新神经网络连接函数的权值；
(3.12)模型训练完毕。
5.根据权利要求1所述的一种基于区块链互证和卷积神经网络的凭证式记账方法，其特征在于，所述步骤(4)中通过卷积神经网络抽取特征得到特征张量集F，使用SVM分类器进行分类，获得预测的标签集y’的具体步骤如下：
(4.1)将步骤三训练的输出F张量取出；
(4.2)将张量F输入进SVM分类器中根据分类结果将照片放入相应类别的文件夹中；
(4.3)分类结束。
6.根据权利要求1所述的一种基于区块链互证和卷积神经网络的识别记账方法，其特征在于，所述步骤(5)中将识别结果根据个人公钥进行加密，并将结果存储到个人手机上的具体步骤如下：
(5.1)定义循环变量Bt，并赋初值Bt＝0，定义最大循环次数Bn为当前发送图片的员工人数；
(5.2)如果Bt<Bn则进入步骤(5.3)否则进入步骤(5.9)；
(5.3)定义一张哈希表Fm，键为照片名，值为另一张哈希表Cm，Cm的键位员工投票对应的员工名，值为该项获得的票数；
(5.4)Bt所对应的照片名在Fm中存在；
(5.5)新建一张哈希表Cmi添加入父表Fm；
(5.6)Bt对应的投票在Cm中存在；
(5.7)新建键为Bt对应的投票对象，值为1并存储进Cm中；
(5.8)将Cm中对应投票的值+1；
(5.9)将Fm中的每一个Cm按照值进行排序；
(5.10)取每个Cm中最大的值作为对应照片的员工真实身份；
(5.11)将结果通过RSA公钥加密，公钥在每个员工注册账户时和私钥一并生成；
(5.12)将加密后的结果保存进二进制文件并存放在各个员工的手机之中。
CN201910289748.0A 2019-04-11 2019-04-11 一种基于区块链互证和卷积神经网络的凭证式记账方法 Active CN110188787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910289748.0A CN110188787B (zh) 2019-04-11 2019-04-11 一种基于区块链互证和卷积神经网络的凭证式记账方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910289748.0A CN110188787B (zh) 2019-04-11 2019-04-11 一种基于区块链互证和卷积神经网络的凭证式记账方法

Publications (2)

Publication Number Publication Date
CN110188787A true CN110188787A (zh) 2019-08-30
CN110188787B CN110188787B (zh) 2020-11-03

Family

ID=67714103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910289748.0A Active CN110188787B (zh) 2019-04-11 2019-04-11 一种基于区块链互证和卷积神经网络的凭证式记账方法

Country Status (1)

Country Link
CN (1) CN110188787B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909195A (zh) * 2019-10-12 2020-03-24 平安科技（深圳）有限公司 基于区块链的图片标注方法、装置及存储介质、服务器
CN113538009A (zh) * 2021-07-20 2021-10-22 黑龙江省疾病预防控制中心(黑龙江省公共卫生监测检验中心) 一种基于区块链的食品安全追溯系统及其装置
CN116797248A (zh) * 2023-08-22 2023-09-22 厦门瞳景智能科技有限公司 基于区块链的数据溯源管理方法及其系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096616A (zh) * 2016-06-08 2016-11-09 四川大学华西医院 一种基于深度学习的磁共振影像特征提取及分类方法
CN107766894A (zh) * 2017-11-03 2018-03-06 吉林大学 基于注意力机制和深度学习的遥感图像自然语言生成方法
CN108615007A (zh) * 2018-04-23 2018-10-02 深圳大学 基于特征张量的三维人脸识别方法、装置及存储介质
CN108765431A (zh) * 2018-05-25 2018-11-06 中国科学院重庆绿色智能技术研究院 一种图像的分割方法及其在医学领域的应用

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096616A (zh) * 2016-06-08 2016-11-09 四川大学华西医院 一种基于深度学习的磁共振影像特征提取及分类方法
CN107766894A (zh) * 2017-11-03 2018-03-06 吉林大学 基于注意力机制和深度学习的遥感图像自然语言生成方法
CN108615007A (zh) * 2018-04-23 2018-10-02 深圳大学 基于特征张量的三维人脸识别方法、装置及存储介质
CN108765431A (zh) * 2018-05-25 2018-11-06 中国科学院重庆绿色智能技术研究院 一种图像的分割方法及其在医学领域的应用

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909195A (zh) * 2019-10-12 2020-03-24 平安科技（深圳）有限公司 基于区块链的图片标注方法、装置及存储介质、服务器
CN113538009A (zh) * 2021-07-20 2021-10-22 黑龙江省疾病预防控制中心(黑龙江省公共卫生监测检验中心) 一种基于区块链的食品安全追溯系统及其装置
CN116797248A (zh) * 2023-08-22 2023-09-22 厦门瞳景智能科技有限公司 基于区块链的数据溯源管理方法及其系统
CN116797248B (zh) * 2023-08-22 2024-01-30 厦门瞳景智能科技有限公司 基于区块链的数据溯源管理方法及其系统

Also Published As

Publication number Publication date
CN110188787B (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
Jiang et al. Credit card fraud detection: A novel approach using aggregation strategy and feedback mechanism
CN108665355B (zh) 金融产品推荐方法、装置、设备和计算机存储介质
Jin et al. Towards utilizing unlabeled data in federated learning: A survey and prospective
Miguéis et al. Predicting direct marketing response in banking: comparison of class imbalance methods
CN112329659B (zh) 基于车辆图像的弱监督语义分割方法及其相关设备
CN110188787A (zh) 一种基于区块链互证和卷积神经网络的凭证式记账方法
US20210374749A1 (en) User profiling based on transaction data associated with a user
WO2023011382A1 (zh) 推荐方法、推荐模型训练方法及相关产品
CN106897727A (zh) 一种用户性别识别方法及装置
CN103886048A (zh) 一种基于聚类的增量数字图书推荐方法
CN112668482B (zh) 人脸识别训练方法、装置、计算机设备及存储介质
Guha et al. M-HMOGA: a new multi-objective feature selection algorithm for handwritten numeral classification
Joo et al. Image as data: Automated content analysis for visual presentations of political actors and events
CN108491431A (zh) 一种基于自编码机和聚类的混合推荐方法
CN108960273A (zh) 一种基于深度学习的贫困生认定方法
Praseetha et al. Secure fingerprint authentication using deep learning and minutiae verification
Ansari et al. Texture feature extraction using intuitionistic fuzzy local binary pattern
CN112102049A (zh) 一种模型训练方法、业务处理方法、装置及设备
CN116151954A (zh) 一种实时团伙反欺诈检测方法及系统
Hayder et al. Predicting reaction based on customer's transaction using machine learning approaches
KR20190084169A (ko) 단말기 사용자들의 집단 작업을 통한 대량 데이터 생산, 처리, 광고, 설문 시스템과 방법, 그리고 이들을 이용한 인공지능 학습 시스템과 방법
US11823217B2 (en) Advanced segmentation with superior conversion potential
Khan et al. Automatic signature verifier using Gaussian gated recurrent unit neural network
Ko et al. Single Classifier-based Multiple Classification Scheme for weak classifiers: An experimental comparison
US20220114592A1 (en) Printer for selectively printing symbolic information on a medium

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190830

Assignee: Nanjing Xinlan Youtu Information Technology Co.,Ltd.

Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY

Contract record no.: X2021980002944

Denomination of invention: A voucher based bookkeeping method based on mutual verification of blockchain and convolutional neural network

Granted publication date: 20201103

License type: Common License

Record date: 20210423