CN110705382A - 基于发票类别的电子发票管理方法、装置、设备及介质 - Google Patents

基于发票类别的电子发票管理方法、装置、设备及介质 Download PDF

Info

Publication number
CN110705382A
CN110705382A CN201910864629.3A CN201910864629A CN110705382A CN 110705382 A CN110705382 A CN 110705382A CN 201910864629 A CN201910864629 A CN 201910864629A CN 110705382 A CN110705382 A CN 110705382A
Authority
CN
China
Prior art keywords
invoice
picture
target
network
category
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
Application number
CN201910864629.3A
Other languages
English (en)
Inventor
王春雷
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.)
Wuhan Rusong Technology Co Ltd
Original Assignee
Wuhan Rusong 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 Wuhan Rusong Technology Co Ltd filed Critical Wuhan Rusong Technology Co Ltd
Priority to CN201910864629.3A priority Critical patent/CN110705382A/zh
Publication of CN110705382A publication Critical patent/CN110705382A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • 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
    • G06Q40/12—Accounting
    • G06Q40/125—Finance or payroll
    • 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

Abstract

本发明提出了一种基于发票类别的电子发票管理方法、装置、设备及介质。包括：获取网络标准发票图片以及对应的标准发票的类别，确定目标电子发票的目标发票类别；根据网络标准发票图片建立发票信息录入表，在发票信息录入表中设定网络标准发票图片的特征提取区域；通过全卷积网络和特征提取区域对待识别图片进行特征提取，获得待识别图片的目标特征序列；通过循环神经网络获得目标特征序列的文本识别信息；将文本识别信息录入至发票信息录入表，能够针对性的获得发票信息录入的区域的特征信息，减少了信息录入时间，提高电子发票信息获取的速度，降低了人工信息录入操作失误，避免不必要的经济损失，保障了电子发票信息的真实性。

Description

基于发票类别的电子发票管理方法、装置、设备及介质
技术领域
本发明涉及发票管理领域，尤其涉及一种基于发票类别的电子发票管理方法、装置、设备及介质。
背景技术
电子发票是在购销商品、提供或者接受服务以及从事其他经营活动中，以电子数据方式开具、收取、存储的收付款凭证，具有不可篡改、成本低廉、易交互、易存储等多方面优势；电子发票由于其天然的信息化特征，可帮助税务机关信息管税，帮助消费者售后维权，帮助企业降低发票管理的财务成本。
现有的电子发票信息录入主要是通过人工录入和人工核对的方式，但是由于电子发票的类别很多，且电子发票的发票信息较为繁杂，经常发生因为认为疏忽或客观环境影响，导致录入的发票信息与实际发票信息不一致的情况，这种电子发票信息录入方式耗时耗力，而且容易造成的财务损失和工作效率下降，所以，亟需建立一个可以减小认为录入发票错误，提高电子发票录入效率的管理体系。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
有鉴于此，本发明提出了一种基于发票类别的电子发票管理方法、装置、设备及介质，旨在解决现有技术现有技术人工录入发票效率低，且错误率和成本较高的技术问题。
本发明的技术方案是这样实现的：
一方面，本发明提供了一种基于发票类别的电子发票管理方法，基于发票类别的电子发票管理方法包括以下步骤：
S1，获取网络标准发票图片以及对应的标准发票的类别，将目标电子发票对应的待识别图片与网络标准发票图片进行匹配，根据匹配结果确定目标电子发票的目标发票类别；
S2，根据网络标准发票图片建立发票信息录入表，在发票信息录入表中设定网络标准发票图片的特征提取区域，通过网络标准发票图片的特征提取区域建立数据库，根据目标发票类别从数据库中获取对应的特征提取区域以及发票信息录入表；
S3，建立全卷积网络，通过全卷积网络和特征提取区域对待识别图片进行特征提取，获得待识别图片的目标特征序列；
S4，建立循环神经网络，将待识别图片的目标特征序列输入至循环神经网络中，通过计算获得目标特征序列的文本识别信息；
S5，将文本识别信息录入至发票信息录入表。
在以上技术方案的基础上，优选的，步骤S1中，将目标电子发票对应的待识别图片与网络标准发票图片进行匹配，根据匹配结果确定目标电子发票的目标发票类别，还包括以下步骤，获取网络标准发票图片、网络标准发票图片对应的发票类别以及目标电子发票对应的待识别图片，将待识别图片与各类别的网络标准发票图片进行匹配，生成匹配结果；在匹配结果为匹配成功时，获取匹配成功的网络标准发票图片所属的当前发票类别；并将该当前发票类别作为目标电子发票的目标发票类别。
在以上技术方案的基础上，优选的，获取网络标准发票图片、网络标准发票图片对应的发票类别以及目标电子发票对应的待识别图片，将待识别图片与各类别的网络标准发票图片进行匹配，生成匹配结果，还包括以下步骤，在匹配结果为匹配失败时，上传待识别图片至图片服务器，以使图片服务器对待识别图片进行分析，并接收图片服务器反馈的分析结果；在分析结果为待识别图片为不合格的电子发票时，生成发票错误提示信息；在分析结果为待识别图片为合格的电子发票时，搜索与待识别图片对应的目标标准发票图片，并根据目标标准发票图片更新图片集。
在以上技术方案的基础上，优选的，步骤S2中，根据目标发票类别从数据库中获取对应的特征提取区域以及发票信息录入表，还包括以下步骤，获取各类别的样本发票信息录入表对应的录入项目；获取各录入项目在对应的样本发票信息录入表中的相对位置，根据相对位置生成各类别电子发票图片对应的特征提取区域；将各特征提取区域保存在数据库中。
在以上技术方案的基础上，优选的，步骤S3中，建立全卷积网络，通过全卷积网络和特征提取区域对待识别图片进行特征提取，获得待识别图片的目标特征序列，还包括以下步骤，建立全卷积网络，根据特征提取区域确定与待识别图片对应的特征提取位置；通过全卷积网络对待识别图片进行特征提取，并将在特征提取位置的特征序列数据作为目标特征序列。
在以上技术方案的基础上，优选的，通过全卷积网络对待识别图片进行特征提取，并将在特征提取位置的特征序列数据作为目标特征序列，还包括以下步骤，将待识别图片输入至全卷积网络，获得特征图；在特征图中选取与特征提取位置的对应待提取图像作为目标特征图；获取目标特征图对应的特征序列数据，将特征序列数据作为目标特征序列。
在以上技术方案的基础上，优选的，步骤S4中，建立循环神经网络，将待识别图片的目标特征序列输入至循环神经网络中，通过计算获得目标特征序列的文本识别信息，还包括以下步骤，建立循环神经网络，将目标特征序列输入至循环神经网络，以使循环神经网络对目标特征序列对应的卷积特征向量进行分类识别，获得分类识别结果，并从分类识别结果中提取文本识别信息。
更进一步优选的，基于发票类别的电子发票管理装置包括：
匹配模块，用于获取网络标准发票图片以及对应的标准发票的类别，将目标电子发票对应的待识别图片与网络标准发票图片进行匹配，根据匹配结果确定目标电子发票的目标发票类别；
获取模块，用于根据网络标准发票图片建立发票信息录入表，在发票信息录入表中设定网络标准发票图片的特征提取区域，通过网络标准发票图片的特征提取区域建立数据库，根据目标发票类别从数据库中获取对应的特征提取区域以及发票信息录入表；
提取模块，用于建立全卷积网络，通过全卷积网络和特征提取区域对待识别图片进行特征提取，获得待识别图片的目标特征序列；
循环模块，用于建立循环神经网络，将待识别图片的目标特征序列输入至循环神经网络中，通过计算获得目标特征序列的文本识别信息；
录入模块，用于将文本识别信息录入至发票信息录入表。
第二方面，基于发票类别的电子发票管理方法还包括一种设备，设备包括：存储器、处理器以及存储在存储器上并可在处理器上运行的基于发票类别的电子发票管理方法程序，基于发票类别的电子发票管理方法程序配置为实现如上文的基于发票类别的电子发票管理方法的步骤。
第三方面，基于发票类别的电子发票管理方法还包括一种介质，介质为计算机介质，计算机介质上存储有基于发票类别的电子发票管理方法程序，基于发票类别的电子发票管理方法程序被处理器执行时实现如上文的基于发票类别的电子发票管理方法的步骤。
本发明的一种基于发票类别的电子发票管理方法相对于现有技术具有以下有益效果：
(1)通过通过将目标电子发票对应的待识别图片与网络标准发票图片进行匹配，根据匹配结果确定目标电子发票的目标发票类别；根据目标发票类别从数据库中获取对应的特征提取区域以及发票信息录入表，通过全卷积网络和特征提取区域对待识别图片进行特征提取，获得目标特征序列；能够针对性的获得发票信息录入的区域的特征信息，减少了信息录入时间，提高电子发票信息获取的速度和效率，实现了电子发票信息录入自动化；
(2)通过通过将目标特征序列输入至循环神经网络中，获得文本识别信息；将文本识别信息录入至发票信息录入表，提高了电子发票信息录入的精确度，降低了人工信息录入操作失误，避免了不必要的经济损失，保障了电子发票信息的真实性。
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是本发明实施例方案涉及的硬件运行环境的设备的结构示意图；
图2为本发明基于发票类别的电子发票管理方法第一实施例的流程示意图；
图3为本发明基于发票类别的电子发票管理方法第一实施例的功能模块示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
如图1所示，该设备可以包括：处理器1001，例如中央处理器(Central ProcessingUnit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对设备的限定，在实际应用中设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于发票类别的电子发票管理方法程序。
在图1所示的设备中，网络接口1004主要用于建立设备与存储基于发票类别的电子发票管理方法系统中所需的所有数据的服务器的通信连接；用户接口1003主要用于与用户进行数据交互；本发明基于发票类别的电子发票管理方法设备中的处理器1001、存储器1005可以设置在基于发票类别的电子发票管理方法设备中，基于发票类别的电子发票管理方法设备通过处理器1001调用存储器1005中存储的基于发票类别的电子发票管理方法程序，并执行本发明实施提供的基于发票类别的电子发票管理方法。
结合图2，图2为本发明基于发票类别的电子发票管理方法第一实施例的流程示意图。
本实施例中，基于发票类别的电子发票管理方法包括以下步骤：
S10：获取网络标准发票图片以及对应的标准发票的类别，将目标电子发票对应的待识别图片与网络标准发票图片进行匹配，根据匹配结果确定目标电子发票的目标发票类别。
应当理解的是，目标电子发票为需要进行识别和信息录入的电子发票，电子发票的发票类别包括但不限于：销售发票、加工修理修配发票、收购发票、机动车销售统一发票、粮食销售统一发票、旅业房租发票、服务发票、支票及汇票等。
应当理解的是，网络标准发票图片为预先设置的用于与待识别图片对比匹配的发票图片，网络标准发票图片可以是根据不同的电子发票类别进行分别设置的标准发票图片，也可以是通过大量实验数据训练获得的发票图片，本实施例对此不加以限制；通过将待识别图片与网络标准发票图片进行匹配，可以确定目标电子发票对应的目标发票类别。
相应地，获取目标电子发票对应的待识别图片，将待识别图片与图片集中各类别的网络标准发票图片进行匹配，生成匹配结果；在匹配结果为匹配成功时，获取匹配成功的当前网络标准发票图片所属的当前发票类别；将当前发票类别作为目标电子发票的目标发票类别。
应当理解的是，图片集为预先设置的用于存储各类别的网络标准发票图片的图片集，在待识别图片与网络标准发票图片匹配成功时，则说明此时目标电子发票有对应的发票类别，可以将当前发票类别作为目标电子发票的目标发票类别。
相应地，在匹配结果为匹配失败时，上传待识别图片至图片服务器，以使图片服务器对待识别图片进行分析，并接收图片服务器反馈分析结果；在分析结果为待识别图片为不合格的电子发票时，生成发票错误提示信息；在分析结果为待识别图片为合格的电子发票时，搜索与待识别图片对应的目标标准发票图片，并根据目标标准发票图片更新图片集。
应当理解的是，待识别图片与网络标准发票图片匹配失败时，表明此时待识别图片有问题，不是合格的电子发票，或者图片集中没有相应的网络标准发票图片，此时可以通过发送发票错误提示信息以及通过搜素的方式，获得对应目标标准发票图片，进行图片集的更新，保证了后续电子发票信息录入的准确性。
S20：根据网络标准发票图片建立发票信息录入表，在发票信息录入表中设定网络标准发票图片的特征提取区域，通过网络标准发票图片的特征提取区域建立数据库，根据目标发票类别从数据库中获取对应的特征提取区域以及发票信息录入表。
应当理解的是，数据库为预先设置的用于存储电子发票的相关信息的数据库，数据库中存储有不同发票类型对应的特征提取区域以及电子发票信息录入表，不同的发票类型对应的发票图片在特征提取时会有不同的特征提取区域，不同的发票类型对应的电子发票信息录入表在制式和格式上也不相同，通过数据库可以查找到目标发票类别对应的特征提取区域和发票信息录入表。
相应地，获取各类别的样本发票信息录入表对应的录入项目；获取各录入项目在对应的样本发票信息录入表中的相对位置，根据相对位置生成各类别电子发票图片对应的特征提取区域；将各特征提取区域保存在数据库中。
应当理解的是，不同类别的样本发票信息录入表对应有不同的录入项目及对应的位置，通过相对位置可以生成各类别的电子发票图片对应的特征提取区域，进而可以将特征提取区域录入至数据库中，为后续确定待识别图片的特征提取位置做准备。
S30：建立全卷积网络，通过全卷积网络和特征提取区域对待识别图片进行特征提取，获得待识别图片的目标特征序列。
应当理解的是，全卷积网络为预先设置的用于对待识别图片进行特征提取的全卷积网络；全卷积网络(Fully Convolutional Networks，FCN)为将网络的全连接层变成卷积层之后，整个网络变成了只有卷积层和池化层的网络，通过全卷积网络可以对待识别图片进行特征提取，进而根据特征提取区域确定对应的目标特征序列。
相应地，根据特征提取区域确定与待识别图片对应的特征提取位置；通过全卷积网络对待识别图片进行特征提取，并将在特征提取位置的特征序列数据作为目标特征序列。
相应地，将待识别图片输入至全卷积网络，获得特征图；在特征图中选取与特征提取位置的对应待提取图像作为目标特征图；获取目标特征图对应的特征序列数据，将特征序列数据作为目标特征序列。
应当理解的是，通过全卷积网络可以对待识别图片进行特征提取，能够获取待识别图片对应的目标特种图，通过对特征图的进一步分析，可以获得目标特种图对应的特征序列数据，将特征序列数据作为目标特征序列。
S40：建立循环神经网络，将待识别图片的目标特征序列输入至循环神经网络中，通过计算获得目标特征序列的文本识别信息。
应当理解的是，循环神经网络为预先设置的用于对目标特征序列进行信息提取的循环神经网络，循环神经网络RNN是两种人工神经网络的总称。一种是时间递归神经网络(recurrent neural network)，另一种是结构递归神经网络(recursive neuralnetwork)。时间递归神经网络的神经元间连接构成有向图，而结构递归神经网络利用相似的神经网络结构递归构造更为复杂的深度网络。两者训练的算法不同，但属于同一算法变体；通过将目标特征序列输入至循环神经网络中，可以获得与目标特征训练对应的文本识别数据，即文本识别信息。
S50：将文本识别信息录入至发票信息录入表。
应当理解的是，通过上述步骤获得的文本识别信息已经是既定格式获取的电子发票的既定内容，符合发票信息录入表的格式，将文本识别信息录入至发票信息录入表，能够快速实现发票信息的有效管理，且提高了发票信息的真实性。
相应地，将目标特征序列输入至循环神经网络，以使循环神经网络对目标特征序列对应的卷积特征向量进行分类识别，获得分类识别结果，并从分类识别结果中提取文本识别信息。
应当理解的是，将目标特征序列输入至循环神经网络后，可以通过循环神经网络对目标特征序列对应的特征向量进行分类识别，即对卷积特征向量进行分类识别，一般可以通过在同一时间点不同方向的权重对卷积特征向量进行运算，获得分类后的分类识别结果，通过将分类识别结果进行文字转换，能够获得文本识别信息，从而保证了电子发票信息录入的真实性和准确性。
需要说明的是，以上仅为举例说明，并不对本申请的技术方案构成任何限定。
通过上述描述不难发现，本实施例通过获取网络标准发票图片以及对应的标准发票的类别，确定目标电子发票的目标发票类别；根据网络标准发票图片建立发票信息录入表，在发票信息录入表中设定网络标准发票图片的特征提取区域；通过全卷积网络和特征提取区域对待识别图片进行特征提取，获得待识别图片的目标特征序列；通过循环神经网络获得目标特征序列的文本识别信息；将文本识别信息录入至发票信息录入表，能够针对性的获得发票信息录入的区域的特征信息，减少了信息录入时间，提高电子发票信息获取的速度，降低了人工信息录入操作失误，避免不必要的经济损失，保障了电子发票信息的真实性。
此外，本发明实施例还提出一种基于发票类别的电子发票管理装置。如图3所示，该基于发票类别的电子发票管理装置包括：匹配模块10、获取模块20、提取模块30、循环模块40、录入模块50。
匹配模块10，用于获取网络标准发票图片以及对应的标准发票的类别，将目标电子发票对应的待识别图片与网络标准发票图片进行匹配，根据匹配结果确定目标电子发票的目标发票类别；
获取模块20，用于根据网络标准发票图片建立发票信息录入表，在发票信息录入表中设定网络标准发票图片的特征提取区域，通过网络标准发票图片的特征提取区域建立数据库，根据目标发票类别从数据库中获取对应的特征提取区域以及发票信息录入表；
提取模块30，用于建立全卷积网络，通过全卷积网络和特征提取区域对待识别图片进行特征提取，获得待识别图片的目标特征序列；
循环模块40，用于建立循环神经网络，将待识别图片的目标特征序列输入至循环神经网络中，通过计算获得目标特征序列的文本识别信息；
录入模块50，用于将文本识别信息录入至发票信息录入表。
此外，需要说明的是，以上所描述的装置实施例仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于发票类别的电子发票管理方法，此处不再赘述。
此外，本发明实施例还提出一种介质，介质为计算机介质，计算机介质上存储有基于发票类别的电子发票管理方法程序，基于发票类别的电子发票管理方法程序被处理器执行时实现如下操作：
S1，获取网络标准发票图片以及对应的标准发票的类别，将目标电子发票对应的待识别图片与网络标准发票图片进行匹配，根据匹配结果确定目标电子发票的目标发票类别；
S2，根据网络标准发票图片建立发票信息录入表，在发票信息录入表中设定网络标准发票图片的特征提取区域，通过网络标准发票图片的特征提取区域建立数据库，根据目标发票类别从数据库中获取对应的特征提取区域以及发票信息录入表；
S3，建立全卷积网络，通过全卷积网络和特征提取区域对待识别图片进行特征提取，获得待识别图片的目标特征序列；
S4，建立循环神经网络，将待识别图片的目标特征序列输入至循环神经网络中，通过计算获得目标特征序列的文本识别信息；
S5，将文本识别信息录入至发票信息录入表。
进一步地，基于发票类别的电子发票管理方法程序被处理器执行时还实现如下操作：
获取网络标准发票图片、网络标准发票图片对应的发票类别以及目标电子发票对应的待识别图片，将待识别图片与各类别的网络标准发票图片进行匹配，生成匹配结果；在匹配结果为匹配成功时，获取匹配成功的网络标准发票图片所属的当前发票类别；并将该当前发票类别作为目标电子发票的目标发票类别。
进一步地，基于发票类别的电子发票管理方法程序被处理器执行时还实现如下操作：
在匹配结果为匹配失败时，上传待识别图片至图片服务器，以使图片服务器对待识别图片进行分析，并接收图片服务器反馈的分析结果；在分析结果为待识别图片为不合格的电子发票时，生成发票错误提示信息；在分析结果为待识别图片为合格的电子发票时，搜索与待识别图片对应的目标标准发票图片，并根据目标标准发票图片更新图片集。
进一步地，基于发票类别的电子发票管理方法程序被处理器执行时还实现如下操作：
获取各类别的样本发票信息录入表对应的录入项目；获取各录入项目在对应的样本发票信息录入表中的相对位置，根据相对位置生成各类别电子发票图片对应的特征提取区域；将各特征提取区域保存在数据库中。
进一步地，基于发票类别的电子发票管理方法程序被处理器执行时还实现如下操作：
建立全卷积网络，根据特征提取区域确定与待识别图片对应的特征提取位置；通过全卷积网络对待识别图片进行特征提取，并将在特征提取位置的特征序列数据作为目标特征序列。
进一步地，基于发票类别的电子发票管理方法程序被处理器执行时还实现如下操作：
将待识别图片输入至全卷积网络，获得特征图；在特征图中选取与特征提取位置的对应待提取图像作为目标特征图；获取目标特征图对应的特征序列数据，将特征序列数据作为目标特征序列。
进一步地，基于发票类别的电子发票管理方法程序被处理器执行时还实现如下操作：
建立循环神经网络，将目标特征序列输入至循环神经网络，以使循环神经网络对目标特征序列对应的卷积特征向量进行分类识别，获得分类识别结果，并从分类识别结果中提取文本识别信息。
以上仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于发票类别的电子发票管理方法，其特征在于：包括以下步骤；
S1，获取网络标准发票图片以及对应的标准发票的类别，将目标电子发票对应的待识别图片与网络标准发票图片进行匹配，根据匹配结果确定目标电子发票的目标发票类别；
S2，根据网络标准发票图片建立发票信息录入表，在发票信息录入表中设定网络标准发票图片的特征提取区域，通过网络标准发票图片的特征提取区域建立数据库，根据目标发票类别从数据库中获取对应的特征提取区域以及发票信息录入表；
S3，建立全卷积网络，通过全卷积网络和特征提取区域对待识别图片进行特征提取，获得待识别图片的目标特征序列；
S4，建立循环神经网络，将待识别图片的目标特征序列输入至循环神经网络中，通过计算获得目标特征序列的文本识别信息；
S5，将文本识别信息录入至发票信息录入表。
2.如权利要求1的基于发票类别的电子发票管理方法，其特征在于：步骤S1中，将目标电子发票对应的待识别图片与网络标准发票图片进行匹配，根据匹配结果确定目标电子发票的目标发票类别，还包括以下步骤，获取网络标准发票图片、网络标准发票图片对应的发票类别以及目标电子发票对应的待识别图片，将待识别图片与各类别的网络标准发票图片进行匹配，生成匹配结果；在匹配结果为匹配成功时，获取匹配成功的网络标准发票图片所属的当前发票类别；并将该当前发票类别作为目标电子发票的目标发票类别。
3.如权利要求2的基于发票类别的电子发票管理方法，其特征在于：获取网络标准发票图片、网络标准发票图片对应的发票类别以及目标电子发票对应的待识别图片，将待识别图片与各类别的网络标准发票图片进行匹配，生成匹配结果，还包括以下步骤，在匹配结果为匹配失败时，上传待识别图片至图片服务器，以使图片服务器对待识别图片进行分析，并接收图片服务器反馈的分析结果；在分析结果为待识别图片为不合格的电子发票时，生成发票错误提示信息；在分析结果为待识别图片为合格的电子发票时，搜索与待识别图片对应的目标标准发票图片，并根据目标标准发票图片更新图片集。
4.如权利要求1的基于发票类别的电子发票管理方法，其特征在于：步骤S2中，根据目标发票类别从数据库中获取对应的特征提取区域以及发票信息录入表，还包括以下步骤，获取各类别的样本发票信息录入表对应的录入项目；获取各录入项目在对应的样本发票信息录入表中的相对位置，根据相对位置生成各类别电子发票图片对应的特征提取区域；将各特征提取区域保存在数据库中。
5.如权利要求1的基于发票类别的电子发票管理方法，其特征在于：步骤S3中，建立全卷积网络，通过全卷积网络和特征提取区域对待识别图片进行特征提取，获得待识别图片的目标特征序列，还包括以下步骤，建立全卷积网络，根据特征提取区域确定与待识别图片对应的特征提取位置；通过全卷积网络对待识别图片进行特征提取，并将在特征提取位置的特征序列数据作为目标特征序列。
6.如权利要求5的基于发票类别的电子发票管理方法，其特征在于：通过全卷积网络对待识别图片进行特征提取，并将在特征提取位置的特征序列数据作为目标特征序列，还包括以下步骤，将待识别图片输入至全卷积网络，获得特征图；在特征图中选取与特征提取位置的对应待提取图像作为目标特征图；获取目标特征图对应的特征序列数据，将特征序列数据作为目标特征序列。
7.如权利要求6的基于发票类别的电子发票管理方法，其特征在于：步骤S4中，建立循环神经网络，将待识别图片的目标特征序列输入至循环神经网络中，通过计算获得目标特征序列的文本识别信息，还包括以下步骤，建立循环神经网络，将目标特征序列输入至循环神经网络，以使循环神经网络对目标特征序列对应的卷积特征向量进行分类识别，获得分类识别结果，并从分类识别结果中提取文本识别信息。
8.一种基于发票类别的电子发票管理装置，其特征在于，基于发票类别的电子发票管理装置包括：
匹配模块，用于获取网络标准发票图片以及对应的标准发票的类别，将目标电子发票对应的待识别图片与网络标准发票图片进行匹配，根据匹配结果确定目标电子发票的目标发票类别；
获取模块，用于根据网络标准发票图片建立发票信息录入表，在发票信息录入表中设定网络标准发票图片的特征提取区域，通过网络标准发票图片的特征提取区域建立数据库，根据目标发票类别从数据库中获取对应的特征提取区域以及发票信息录入表；
提取模块，用于建立全卷积网络，通过全卷积网络和特征提取区域对待识别图片进行特征提取，获得待识别图片的目标特征序列；
循环模块，用于建立循环神经网络，将待识别图片的目标特征序列输入至循环神经网络中，通过计算获得目标特征序列的文本识别信息；
录入模块，用于将文本识别信息录入至发票信息录入表。
9.一种设备，其特征在于，设备包括：存储器、处理器以及存储在存储器上并可在处理器上运行的基于发票类别的电子发票管理方法程序，基于发票类别的电子发票管理方法程序配置为实现如权利要求1至7任一项的基于发票类别的电子发票管理方法的步骤。
10.一种介质，其特征在于，介质为计算机介质，计算机介质上存储有基于发票类别的电子发票管理方法程序，基于发票类别的电子发票管理方法程序被处理器执行时实现如权利要求1至7任一项的基于发票类别的电子发票管理方法的步骤。
CN201910864629.3A 2019-09-12 2019-09-12 基于发票类别的电子发票管理方法、装置、设备及介质 Pending CN110705382A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910864629.3A CN110705382A (zh) 2019-09-12 2019-09-12 基于发票类别的电子发票管理方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910864629.3A CN110705382A (zh) 2019-09-12 2019-09-12 基于发票类别的电子发票管理方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN110705382A true CN110705382A (zh) 2020-01-17

Family

ID=69195564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910864629.3A Pending CN110705382A (zh) 2019-09-12 2019-09-12 基于发票类别的电子发票管理方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN110705382A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111488852A (zh) * 2020-04-21 2020-08-04 成都信息工程大学 一种基于图像识别的缴费智能核查预警系统及预警方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140270536A1 (en) * 2013-03-13 2014-09-18 Kofax, Inc. Systems and methods for classifying objects in digital images captured using mobile devices
CN204576535U (zh) * 2014-12-22 2015-08-19 深圳中兴网信科技有限公司 一种票据识别装置
CN105005793A (zh) * 2015-07-15 2015-10-28 广州敦和信息技术有限公司 一种发票字条自动识别录入的方法及装置
US20170351913A1 (en) * 2016-06-07 2017-12-07 The Neat Company, Inc. d/b/a Neatreceipts, Inc. Document Field Detection And Parsing
CN108846379A (zh) * 2018-07-03 2018-11-20 南京览笛信息科技有限公司 面单识别方法、系统、终端设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140270536A1 (en) * 2013-03-13 2014-09-18 Kofax, Inc. Systems and methods for classifying objects in digital images captured using mobile devices
CN204576535U (zh) * 2014-12-22 2015-08-19 深圳中兴网信科技有限公司 一种票据识别装置
CN105005793A (zh) * 2015-07-15 2015-10-28 广州敦和信息技术有限公司 一种发票字条自动识别录入的方法及装置
US20170351913A1 (en) * 2016-06-07 2017-12-07 The Neat Company, Inc. d/b/a Neatreceipts, Inc. Document Field Detection And Parsing
CN108846379A (zh) * 2018-07-03 2018-11-20 南京览笛信息科技有限公司 面单识别方法、系统、终端设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
夏勇: "基于深度学习的自然场景文本检测与识别算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111488852A (zh) * 2020-04-21 2020-08-04 成都信息工程大学 一种基于图像识别的缴费智能核查预警系统及预警方法

Similar Documents

Publication Publication Date Title
WO2019233421A1 (zh) 图像处理方法及装置、电子设备、存储介质
US11496452B2 (en) Non-repeatable challenge-response authentication
EP3001332A1 (en) Target user determination method, device and network server
US8108764B2 (en) Document recognition using static and variable strings to create a document signature
CN108256591B (zh) 用于输出信息的方法和装置
CN109992601B (zh) 待办事项信息的推送方法、装置和计算机设备
CN109086834B (zh) 字符识别方法、装置、电子设备及存储介质
CN111340558B (zh) 基于联邦学习的线上信息处理方法、装置、设备及介质
CN107563757A (zh) 数据风险控制的方法及装置
CN106878275B (zh) 身份验证方法及装置和服务器
CN108509401B (zh) 合同生成方法、装置、计算机设备和存储介质
CN109669954A (zh) 合同数据的获取方法、设备、存储介质及装置
CN113392303A (zh) 后台爆破方法、装置、设备和计算机可读存储介质
CN111209909A (zh) 资质识别模板构建方法、装置、设备和存储介质
US10664697B1 (en) Dynamically generating system-compatible transaction requests derived from external information
CN114386013A (zh) 学籍自动认证方法、装置、计算机设备及存储介质
CN112306854A (zh) 用例测试方法、装置、电子设备及存储介质
CN110705382A (zh) 基于发票类别的电子发票管理方法、装置、设备及介质
US10474688B2 (en) System and method to recommend a bundle of items based on item/user tagging and co-install graph
US20230333720A1 (en) Generating presentation information associated with one or more objects depicted in image data for display via a graphical user interface
CN111402069B (zh) 公积金数据获取方法、装置、计算机设备和存储介质
CN110532304B (zh) 数据处理方法及装置、计算机可读存储介质以及电子设备
CN113052727A (zh) 基于购房资格核验的购房推荐装置及方法
CN113360788A (zh) 一种地址推荐方法、装置、设备及存储介质
CN110750727A (zh) 数据处理方法、装置、系统和计算机可读存储介质

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: 20200117