CN110334707A - 一种模型修正方法及修正系统 - Google Patents
一种模型修正方法及修正系统 Download PDFInfo
- Publication number
- CN110334707A CN110334707A CN201910579479.1A CN201910579479A CN110334707A CN 110334707 A CN110334707 A CN 110334707A CN 201910579479 A CN201910579479 A CN 201910579479A CN 110334707 A CN110334707 A CN 110334707A
- Authority
- CN
- China
- Prior art keywords
- data information
- model
- information
- wrong
- coordinate
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/768—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using context analysis, e.g. recognition aided by known co-occurring patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- 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
- G06V30/10—Character recognition
Abstract
本发明公开了一种模型修正方法及修正系统,可以提高模型的识别率。所述模型修正方法,包括:从图片中采集数据信息,所述数据信息包括业务数据和模型识别数据一致的正确数据信息,以及业务数据和模型识别数据不一致的错误数据信息;判断所述错误数据信息是否为模型识别错误,若是,则进入下一步;根据所述错误数据信息,进行模型反义,并自动打标,训练模型。
Description
技术领域
本发明属于模型修正领域,具体来说,涉及一种模型修正方法及修正系统。
背景技术
目前财务共享办公领域发票报销,扫描,审核大多仍采取人工审核方式,财务人员每天都面临着实物票接受,分拣,扫描,审核,批复的过程。整个流程线枯燥乏味,存在着大量重复手工操作,尤其是票据审核,需要反复对比员工提报的报销流程信息与票面信息是否一致,费时费力。
传统的ocr识别都是基于attention_ocr技术完成通用识别模型。通过打标平台不停的标注训练,识别出从左往右,自上至下的文字识别结果,通过坐标和关键字做专项模型封装。需事先告诉模型要识别哪种类型票据才能进行专属模型研发。如果需要提高识别成功率,需要大量样本进行打标训练,缺少基于业务系统整个流水线的纠错机制来提高整体的识别率。
发明内容
本发明提供一种模型修正方法及修正系统,可以提高模型的识别率。
为解决上述技术问题,本发明采用以下技术方案:
第一方面,本发明实施例提供一种模型修正方法,包括:
从图片中采集数据信息,所述数据信息包括业务数据和模型识别数据一致的正确数据信息,以及业务数据和模型识别数据不一致的错误数据信息;
判断所述错误数据信息是否为模型识别错误,若是,则进入下一步;
根据所述错误数据信息,进行模型反义,并自动打标,训练模型。
结合第一方面,作为第一种可实施例的技术方案,所述进行模型反义,包括:
将数据信息生成字段信息;
从所述字段信息查找标记为错误的模型数据信息;
根据所述标记为错误的模型数据信息,还原成带坐标的通用文字识别结果。
结合第一方面,作为第二种可实施例的技术方案,所述自动打标,训练模型,包括:
根据所述带坐标的通用文字识别结果,在图片中对应的坐标处,标记出正确数据信息和错误数据信息;
利用所述正确数据信息调整所述错误数据信息所属模型。
结合第一方面的第二种可实施例的技术方案,作为第三种可实施例的技术方案,所述利用所述正确数据信息调整所述错误数据信息所属模型,包括:
记录坐标信息;
根据所述错误数据信息对应的坐标信息,用正确的数据信息原框还原错误数据信息,并且保持坐标信息不变。
第二方面,本发明实施例还提供一种模型修正系统,包括:
采集模块:用于从图片中采集数据信息,所述数据信息包括业务数据和模型识别数据一致的正确数据信息,以及业务数据和模型识别数据不一致的错误数据信息;
判断模块:用于判断所述错误数据信息是否为模型识别错误,若是,则进入下一步;
训练模块:用于根据所述错误数据信息,进行模型反义,并自动打标,训练模型。
结合第二方面,作为第一种可实施的技术方案,所述训练模块,包括:
生成单元:用于将数据信息生成字段信息;
查找单元:用于从所述字段信息查找标记为错误的模型数据信息;
还原单元:用于根据所述标记为错误的模型数据信息,还原成带坐标的通用文字识别结果。
结合第二方面,作为第二种可实施的技术方案,所述训练模块,还包括:
标记模块:用于根据所述带坐标的通用文字识别结果,在图片中对应的坐标处,标记出正确数据信息和错误数据信息;
调整模块:用于利用所述正确数据信息调整所述错误数据信息所属模型。
结合第二方面的第二种可实施的技术方案,作为第三种可实施的技术方案,所述调整模块,包括:
记录模块:用于记录坐标信息;
还原模块:用于根据所述错误数据信息对应的坐标信息,用正确的数据信息原框还原错误数据信息,并且保持坐标信息不变。
与现有技术相比,本发明实施例的一种模型修正方法及修正系统,可以提高模型的识别率。本发明实施例的模型修正方法,包括:从图片中采集数据信息;判断所述错误数据信息是否为模型识别错误;根据所述错误数据信息,进行模型反义,并自动打标,训练模型。本实施例中,对模型识别错误的情况下,对模型进行修正。根据错误数据信息,进行模型反义,并自动打标,训练模型。这提高模型后续识别正确率。本实施例中,利用模型识别过程中,发生的错误识别对模型进行修正。这样,在模型的使用过程中,通过不断的修正,提高后续的识别正确率。
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它的附图。
图1是本发明实施例的方法流程图;
图2是本发明实施例中进行模型反义的步骤流程图;
图3是本发明实施例中的一界面示意图;
图4是本发明实施例的系统结构框图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本发明实施例中的模型可以票据识别模型。票据识别模型用于识别票据中的数据是否正确无误。通过票据识别模型替代人工审核,加快审核效率。另外,票据识别模型也存在识别错误的情况。对此,采用本发明提供的修正方法及系统,可以对票据识别模型进行修正,提高识别正确率。当然,除了票据识别模型意外,还可以是其他模型。
如图1所示,本发明实施例提供一种模型修正方法,包括:
S10从图片中采集数据信息,所述数据信息包括业务数据和模型识别数据一致的正确数据信息,以及业务数据和模型识别数据不一致的错误数据信息;
S20判断所述错误数据信息是否为模型识别错误,若是,则进入下一步;
S30根据所述错误数据信息,进行模型反义,并自动打标,训练模型。
以票据识别模型为例,所述图片中含有各种票据影像,例如火车票、汽车票、出租车票、餐饮票等。可以事先将各种纸件票据粘贴在纸张上,然后扫描获取票据图片。利用模型,例如专项票据识别模型,识别图片中的数据信息,获得模型识别数据。同时,从图片中获取业务数据。业务数据为申请人在表单上填写,例如报销火车票时,起草差旅流程,填写火车票票面信息。若业务数据和模型识别数据一致,那么该数据信息为正确数据信息。若业务数据和模型识别数据不一致,那么该数据信息为错误数据信息。对于错误数据信息,可能是模型识别错误,也可能是业务数据本身错误。例如,出差地点为南京,业务数据为楠京,模型识别为南京。这样,业务数据和模型识别数据不一致,为错误数据信息。在该例中,业务数据是错误的,而模型没有识别错误。因此,模型不需要修正。本实施例中,仅对模型识别错误的情况下,对模型进行修正。根据错误数据信息,进行模型反义,并自动打标,训练模型。这提高模型后续识别正确率。本实施例中,利用模型识别过程中,发生的错误识别对模型进行修正。这样,在模型的使用过程中,通过不断的修正,提高后续的识别正确率。同时,模型修正过程是自动实现的,也提高了模型修正的效率。
优选的,所述进行模型反义,如图2所示,包括:
S301将数据信息生成字段信息;
S302从所述字段信息查找标记为错误的模型数据信息;
S303根据所述标记为错误的模型数据信息,还原成带坐标的通用文字识别结果。
该优选例中,将数据信息生成字段信息。由于图片中的信息为文字和数据信息,为便于识别,将数据信息生成字段信息。如下面所示的两个实例。
实例1
″ocrName″:″totleMoney″,
″ocrValue″:″198.00″,
″businessFlag″:″1″,
″ocrReusltDet″:false,
″businessValue″:″300.00″
实例1中,金额识别错误,业务数据为300,模型识别为198。因此,标记模型识别错误。
实例2
″ocrName″:″ticketsMoney″,
″ocrValue″:″192.23″,
″businessFlag″:″1″,
″ocrReusltDet″:true,
″businessValue″:″192.23″
实例2中,识别金额,业务数据为192.23,模型识别为192.23。因此,标记模型识别正确。
在将数据信息生成字段信息后,系统容易从所述字段信息中查找标记为错误的模型数据信息。例如,在上述的两个实例中,直接查找“ocrReusltDet”:false的字段信息。当查找到标记为错误的模型数据信息时,获取相应的错误数据信息。最后,根据所述标记为错误的模型数据信息,还原成带坐标的通用文字识别结果。如图3所示,将图中右侧的错误模型数据信息,还原为图中左侧的带坐标的通用文字识别结果。在通用文字识别结果中,每个信息都对应相应的坐标信息。如图3所示,“湖北送用定额发票”对应的坐标信息为“210.83.721.136”。
优选的,所述自动打标,训练模型,包括:
S401根据所述带坐标的通用文字识别结果,在图片中对应的坐标处,标记出正确数据信息和错误数据信息;
S402利用所述正确数据信息调整所述错误数据信息所属模型。
根据带坐标的通用文字识别结果,在图片中对应的坐标处,标记出正确数据信息和错误数据信息,并用正确数据信息替换错误数据信息。通用文字识别结果中的坐标信息和图片中文字的坐标信息一致。因此,根据错误数据信息在通用文字识别结果中的坐标信息,从图片中查找到对应坐标处的数据信息,并用正确数据信息替换错误数据信息。利用所述正确数据信息调整所述错误数据信息所属模型。通过调整修正,提高模型后续的识别正确率。
优选的,利用所述正确数据信息调整所述错误数据信息所属模型,包括:
记录坐标信息;
根据所述错误数据信息对应的坐标信息,用正确的数据信息原框还原错误数据信息,并且保持坐标信息不变。
所述记录坐标信息包括正确的数据信息对应的坐标信息,以及错误的数据信息对应的坐标信息。当判断出有模型识别错误的信息时,对模型进行修正。利用正确的数据信息原框还原错误数据信息。这样,在不断的修正中,模型识别的正确率越来越高。同时,该调整修正过程也是系统自动完成的。通过不断的使用训练模型,模型精度越来越高。
上述实施例的方法应用到票据审核中时,当模型识别数据与员工提报数据(业务数据)完全匹配一致,则自动完成审核,无需财务人员审核岗做任何工作。当模型识别与员工提报数据(业务数据)匹配部分一致时,则将识别错误数据带回财务人员审核页面,可让财务人员在低感知的情况下,通过平时的审核工作完成错误回写。当然也可以自动进行错误识别。
本实施例的方法通过财务人员回写的数据反写专项模型,还原通用识别模型的坐标位置与识别内容,并附上应该正确识别的结果。回馈打标平台,完成自动打标训练。对比传统的基于大量样本的打标模型训练,本发明可以让整个财务流水线通过日常的常规工作不停的自动提高模型识别率,从而达到自动化,无人化越来越高的目标。
在不影响财务审核人员日常工作的前提下,将他们日常的工作进行数据采集,反写模型,自动下发打标平台完成模型训练升级。通过整个业务流水线工作,完成模型的纠错修正升级闭环。在各类票据审核的日常工作中,不停的训练模型从而达到票据审核智能化、自动化、无人化。
本发明实施例还提供一种模型修正系统,如图4所示,包括:
采集模块:用于从图片中采集数据信息,所述数据信息包括业务数据和模型识别数据一致的正确数据信息,以及业务数据和模型识别数据不一致的错误数据信息;
判断模块:用于判断所述错误数据信息是否为模型识别错误,若是,则进入下一步;
训练模块:用于根据所述错误数据信息,进行模型反义,并自动打标,训练模型。
上述实施例中,利用采集模块用于从图片中采集数据信息。若业务数据和模型识别数据一致,那么该数据信息为正确数据信息。若业务数据和模型识别数据不一致,那么该数据信息为错误数据信息。对于错误数据信息,可能是模型识别错误,也可能是业务数据本身错误。利用判断模块判断所述错误数据信息是否为模型识别错误。本实施例中,仅对模型识别错误的情况下,对模型进行修正。利用训练模块根据错误数据信息,进行模型反义,并自动打标,训练模型。这提高模型后续识别正确率。本实施例中,利用模型识别过程中,发生的错误识别对模型进行修正。这样,在模型的使用过程中,通过不断的修正,提高后续的识别正确率。同时,模型修正过程是自动实现的,也提高了模型修正的效率。
优选的,所述训练模块,包括:
生成单元:用于将数据信息生成字段信息;
查找单元:用于从所述字段信息查找标记为错误的模型数据信息;
还原单元:用于根据所述标记为错误的模型数据信息,还原成带坐标的通用文字识别结果。
优选的,所述训练模块,还包括:
标记模块:用于根据所述带坐标的通用文字识别结果,在图片中对应的坐标处,标记出正确数据信息和错误数据信息;
调整模块:用于利用所述正确数据信息调整所述错误数据信息所属模型。
优选的,所述调整模块,包括:
记录模块:用于记录坐标信息;
还原模块:用于根据所述错误数据信息对应的坐标信息,用正确的数据信息原框还原错误数据信息,并且保持坐标信息不变。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
本领域技术人员应该知晓,实现上述实施例的方法或者系统,可以通过计算机程序指令来实现。该计算机程序指令装载到可编程数据处理设备上,例如计算机,从而在可编程数据处理设备上执行相应的指令,用于实现上述实施例的方法或者系统实现的功能。
本领域技术人员依据上述实施例,可以对本申请进行非创造性的技术改进,而不脱离本发明的精神实质。这些改进仍应视为在本申请权利要求的保护范围之内。
Claims (8)
1.一种模型修正方法,其特征在于,包括:
从图片中采集数据信息,所述数据信息包括业务数据和模型识别数据一致的正确数据信息,以及业务数据和模型识别数据不一致的错误数据信息;
判断所述错误数据信息是否为模型识别错误,若是,则进入下一步;
根据所述错误数据信息,进行模型反义,并自动打标,训练模型。
2.按照权利要求1所述的模型修正方法,其特征在于,所述进行模型反义,包括:
将数据信息生成字段信息;
从所述字段信息查找标记为错误的模型数据信息;
根据所述标记为错误的模型数据信息,还原成带坐标的通用文字识别结果。
3.按照权利要求1所述的模型修正方法,其特征在于,所述自动打标,训练模型,包括:
根据所述带坐标的通用文字识别结果,在图片中对应的坐标处,标记出正确数据信息和错误数据信息;
利用所述正确数据信息调整所述错误数据信息所属模型。
4.按照权利要求3所述的模型修正方法,其特征在于,所述利用所述正确数据信息调整所述错误数据信息所属模型,包括:
记录坐标信息;
根据所述错误数据信息对应的坐标信息,用正确的数据信息原框还原错误数据信息,并且保持坐标信息不变。
5.一种模型修正系统,其特征在于,包括:
采集模块:用于从图片中采集数据信息,所述数据信息包括业务数据和模型识别数据一致的正确数据信息,以及业务数据和模型识别数据不一致的错误数据信息;
判断模块:用于判断所述错误数据信息是否为模型识别错误,若是,则进入下一步;
训练模块:用于根据所述错误数据信息,进行模型反义,并自动打标,训练模型。
6.按照权利要求5所述的系统,其特征在于,所述训练模块,包括:
生成单元:用于将数据信息生成字段信息;
查找单元:用于从所述字段信息查找标记为错误的模型数据信息;
还原单元:用于根据所述标记为错误的模型数据信息,还原成带坐标的通用文字识别结果。
7.按照权利要求5所述的系统,其特征在于,所述训练模块,还包括:
标记模块:用于根据所述带坐标的通用文字识别结果,在图片中对应的坐标处,标记出正确数据信息和错误数据信息;
调整模块:用于利用所述正确数据信息调整所述错误数据信息所属模型。
8.按照权利要求7所述的系统,其特征在于,所述调整模块,包括:
记录模块:用于记录坐标信息;
还原模块:用于根据所述错误数据信息对应的坐标信息,用正确的数据信息原框还原错误数据信息,并且保持坐标信息不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910579479.1A CN110334707A (zh) | 2019-06-28 | 2019-06-28 | 一种模型修正方法及修正系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910579479.1A CN110334707A (zh) | 2019-06-28 | 2019-06-28 | 一种模型修正方法及修正系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110334707A true CN110334707A (zh) | 2019-10-15 |
Family
ID=68143781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910579479.1A Pending CN110334707A (zh) | 2019-06-28 | 2019-06-28 | 一种模型修正方法及修正系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334707A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08274921A (ja) * | 1995-03-31 | 1996-10-18 | Nippon Digital Kenkyusho:Kk | ファクシミリocrデ−タ誤り表示方式およびファクシミリocr装置 |
US20160132739A1 (en) * | 2014-11-06 | 2016-05-12 | Alibaba Group Holding Limited | Method and apparatus for information recognition |
CN106485243A (zh) * | 2016-10-31 | 2017-03-08 | 用友网络科技股份有限公司 | 一种票据识别纠错方法及装置 |
CN106934918A (zh) * | 2015-12-30 | 2017-07-07 | 航天信息股份有限公司 | 利用基本语料库辅助进行票据字符识别的方法和装置 |
CN109522862A (zh) * | 2018-11-28 | 2019-03-26 | 科大讯飞股份有限公司 | 一种文档修正方法、装置、设备及可读存储介质 |
CN109840519A (zh) * | 2019-01-25 | 2019-06-04 | 青岛盈智科技有限公司 | 一种自适应的智能单据识别录入装置及其使用方法 |
CN109934227A (zh) * | 2019-03-12 | 2019-06-25 | 上海兑观信息科技技术有限公司 | 图像文字识别系统和方法 |
-
2019
- 2019-06-28 CN CN201910579479.1A patent/CN110334707A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08274921A (ja) * | 1995-03-31 | 1996-10-18 | Nippon Digital Kenkyusho:Kk | ファクシミリocrデ−タ誤り表示方式およびファクシミリocr装置 |
US20160132739A1 (en) * | 2014-11-06 | 2016-05-12 | Alibaba Group Holding Limited | Method and apparatus for information recognition |
CN106934918A (zh) * | 2015-12-30 | 2017-07-07 | 航天信息股份有限公司 | 利用基本语料库辅助进行票据字符识别的方法和装置 |
CN106485243A (zh) * | 2016-10-31 | 2017-03-08 | 用友网络科技股份有限公司 | 一种票据识别纠错方法及装置 |
CN109522862A (zh) * | 2018-11-28 | 2019-03-26 | 科大讯飞股份有限公司 | 一种文档修正方法、装置、设备及可读存储介质 |
CN109840519A (zh) * | 2019-01-25 | 2019-06-04 | 青岛盈智科技有限公司 | 一种自适应的智能单据识别录入装置及其使用方法 |
CN109934227A (zh) * | 2019-03-12 | 2019-06-25 | 上海兑观信息科技技术有限公司 | 图像文字识别系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840519B (zh) | 一种自适应的智能单据识别录入装置及其使用方法 | |
US11816165B2 (en) | Identification of fields in documents with neural networks without templates | |
CN106485243B (zh) | 一种票据识别纠错方法及装置 | |
CN110334640A (zh) | 一种票据审核方法及系统 | |
US7916925B2 (en) | System and method for generating magnetic ink character recognition (MICR) testing documents | |
CN109344831A (zh) | 一种数据表识别方法、装置及终端设备 | |
CN109214382A (zh) | 一种基于crnn的票据信息识别算法、设备及存储介质 | |
US20050207635A1 (en) | Method and apparatus for printing documents that include MICR characters | |
CN110442744A (zh) | 提取图像中目标信息的方法、装置、电子设备及可读介质 | |
CN110929580A (zh) | 一种基于ocr的财务报表信息快速提取方法及系统 | |
CN109598228B (zh) | 将纸质文件电子化著录归档的方法和系统 | |
CN108597565B (zh) | 一种基于ocr与命名实体提取技术的临床队列数据协同校验方法 | |
US20240046684A1 (en) | System for Information Extraction from Form-Like Documents | |
CN110517130A (zh) | 一种智能记账方法及其系统 | |
CN112766255A (zh) | 一种光学文字识别方法、装置、设备及存储介质 | |
US20080252924A1 (en) | System and method for transferring invoice data output of a print job source to an automated data processing system | |
WO2008127443A1 (en) | Image data extraction automation process | |
CN110399334A (zh) | 对纸质文档进行排序的方法和系统 | |
KR102400058B1 (ko) | 민원서류 처리 방법 및 시스템 | |
CN110334707A (zh) | 一种模型修正方法及修正系统 | |
CN112347994B (zh) | 一种基于深度学习的发票图像目标检测与角度检测方法 | |
CN111144409A (zh) | 一种跟单托收审单处理方法及系统 | |
Li et al. | High speed homework data collecting system under K-12 education circumstance | |
JP2006293810A (ja) | 帳票データ化装置、帳票データ化システムおよび帳票データ化方法 | |
TWI768744B (zh) | 參考單據產生方法及系統 |
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: 20191015 |