CN110889414A - 光学字符识别方法及装置 - Google Patents

光学字符识别方法及装置 Download PDF

Info

Publication number
CN110889414A
CN110889414A CN201911181595.4A CN201911181595A CN110889414A CN 110889414 A CN110889414 A CN 110889414A CN 201911181595 A CN201911181595 A CN 201911181595A CN 110889414 A CN110889414 A CN 110889414A
Authority
CN
China
Prior art keywords
image data
character recognition
optical character
current image
model
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
CN201911181595.4A
Other languages
English (en)
Inventor
丁平
杨春明
郭铸
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN201911181595.4A priority Critical patent/CN110889414A/zh
Publication of CN110889414A publication Critical patent/CN110889414A/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
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G07D7/202—Testing patterns thereon using pattern matching
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Character Discrimination (AREA)

Abstract

本发明提供了一种光学字符识别方法及装置，该方法包括：获得票据的当前影像数据和历史影像数据，所述历史影像数据包括光学字符识别成功的历史影像数据和光学字符识别失败的历史影像数据；将票据的当前影像数据输入至二分类模型中，判断当前影像数据是否符合预设条件，所述二分类模型是对历史影像数据进行训练获得的；在当前影像数据符合预设条件时，将当前影像数据输入至OCR识别模型中，获得光学字符识别结果。本发明可以对光学字符进行识别，效率高。

Description

光学字符识别方法及装置
技术领域
本发明涉及互联网领域，尤其涉及一种光学字符识别方法及装置。
背景技术
目前，光学字符识别(Optical Character Recognition，OCR)在多个行业广泛使用，例如银行、住宿等，在这些行业中，用户习惯将所有的票据都交给机器，让机器自动对票据的影像识别。虽然目前采用新的深度学习技术来解决票据识别率低的问题，但是仍然存在很多机器无法识别或者很难识别的票据。对于该部分票据，采用OCR技术处理后错误率非常高，现有技术一般通过专业的业务人员去校验OCR识别结果是否正确，效率低下。
发明内容
本发明提出一种光学字符识别方法，用以对光学字符进行识别，效率高，该方法包括：
获得票据的当前影像数据和历史影像数据，所述历史影像数据包括光学字符识别成功的历史影像数据和光学字符识别失败的历史影像数据；
将票据的当前影像数据输入至二分类模型中，判断当前影像数据是否符合预设条件，所述二分类模型是对历史影像数据进行训练获得的；
在当前影像数据符合预设条件时，将当前影像数据输入至OCR识别模型中，获得光学字符识别结果。
本发明提出一种光学字符识别装置，用以对光学字符进行识别，效率高，该装置包括：
数据获得模块，用于获得票据的当前影像数据和历史影像数据，所述历史影像数据包括光学字符识别成功的历史影像数据和光学字符识别失败的历史影像数据；
判断模块，用于将票据的当前影像数据输入至二分类模型中，判断当前影像数据是否符合预设条件，所述二分类模型是对历史影像数据进行训练获得的；
识别模块，用于在当前影像数据符合预设条件时，将当前影像数据输入至OCR识别模型中，获得光学字符识别结果。
本发明实施例还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述光学字符识别方法。
本发明实施例还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述光学字符识别方法的计算机程序。
在本发明实施例中，获得票据的当前影像数据和历史影像数据，所述历史影像数据包括光学字符识别成功的历史影像数据和光学字符识别失败的历史影像数据；票据的当前影像数据输入至二分类模型中，判断当前影像数据是否符合预设条件，所述二分类模型是对历史影像数据进行训练获得的；在当前影像数据符合预设条件时，将当前影像数据输入至OCR识别模型中，获得光学字符识别结果。在上述过程中，在利用OCR识别模型对当前影像数据进行光学字符识别之前，将对当前影像数据是否符合预设条件进行判断，只有在当前影像数据符合预设条件时，才进行光学字符识别，从而提高了光学字符识别的准确度，大大降低了人工进行光学字符识别结果检验的人力和物力，提高了光学字符识别的效率。
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。在附图中：
图1为本发明实施例中光学字符识别方法的流程图；
图2为本发明实施例提出的光学字符识别方法的详细流程图；
图3为本发明实施例提出的光学字符识别装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
图1为本发明实施例中光学字符识别方法的流程图，如图1所示，该方法包括：
步骤101，获得票据的当前影像数据和历史影像数据，所述历史影像数据包括光学字符识别成功的历史影像数据和光学字符识别失败的历史影像数据；
步骤102，将票据的当前影像数据输入至二分类模型中，判断当前影像数据是否符合预设条件，所述二分类模型是对历史影像数据进行训练获得的；
步骤103，在当前影像数据符合预设条件时，将当前影像数据输入至OCR识别模型中，获得光学字符识别结果。
在本发明实施例中，在利用OCR识别模型对当前影像数据进行光学字符识别之前，将对当前影像数据是否符合预设条件进行判断，只有在当前影像数据符合预设条件时，才进行光学字符识别，从而提高了光学字符识别的准确度，大大降低了人工进行光学字符识别结果检验的人力和物力，提高了光学字符识别的效率。
具体实施时，在步骤101中，所述票据可以为银行类、住宿类、出租车类等票据，票据的当前影像数据可以是通过手机、相机、高拍仪等各类具有拍照录像功能的终端设备获得的，所述历史影像数据也可以是通过上述终端设备获得的，但是上述历史影像数据包括之前已经利用OCR识别模型进行光学字符识别时识别成功的历史影像数据和光学字符识别失败的历史影像数据。
在一实施例中，在获得上述当前影像数据后，要对当前影像数据进行预处理，对接收的影像数据进行预处理，即从得到一个不是黑就是白的二值化影像，或灰阶、彩色的影像，到独立出一个个的文字影像的过程，都属于影像数据的预处理。所述预处理的方法有多种，如影像正规化、去除噪声、影像矫正等的影像处理，及图文分析、文字行与字分离的文件前处理。在影像预处理方面，可以先将图片、表格及文字区域分离出来，甚至可将文章的编排方向、文章的题纲及内容主体区分开，而文字的大小及文字的字体亦可如原始文件一样的判断出来。
在步骤102中，预设符合条件可以是预先配置的多个符合条件，包括影像数据清晰度、识别成功率等，这些预先配置的多个符合条件可以是用户预先定义的，然后存储至一个文件中，即配置文件，自动执行时，只需要读取该配置文件即可，而不用每次都更改代码。
二分类模型是对历史影像数据训练后的的，训练方法有多种，在一实施例中，所述二分类模型采用TensorFlow或CNN(Convolutional Neural Network，卷积神经网络)训练获得。不管是哪种训练方式，在训练完成后，为了提高训练的精度，还可以对训练好的二分类模型进行评估，以得到更精确的二分类模型。
另外，上述通过二分类模型判断当前影像数据是否符合预设条件只是其中一种方法，还可以有其他判断方法，例如，可以通过OpenCV上的某种函数对影像数据进行检测，实现关键字段的初步判断，但这种方法的准确度没有二分类模型高，相关变化例均应落入本发明的保护范围。
在步骤103中，在当前影像数据符合预设条件时，将当前影像数据输入至OCR识别模型中，获得光学字符识别结果。
在一实施例中，OCR识别模型包括分类器字符识别模型、字符模板匹配模型和深度学习模型中的其中一种或任意组合。
当然，可以理解的是，还可以有其他方法，例如，欧式空间的比对方法、松弛比对法(Relaxation)、动态程序比对法(Dynamic Programming，DP)，以及类神经网络的数据库建立及比对、HMM(Hidden Markov Model)等。
在一实施例中，所述方法还包括：
在当前影像数据不符合预设条件时，输出当前影像数据不符合预设条件的提示信息；
接收用户根据所述提示信息重新输入的票据的当前影像数据。
在上述实施例中，实现了提醒机制，提高了与用户的界面交互能力，使得在当前影像数据不符合预设条件时，给予用户后续操作的提示，保证光学字符识别的有效进行。
基于上述实施例，本发明提出如下一个实施例来说明光学字符识别方法的详细流程，图2为本发明实施例提出的光学字符识别方法的详细流程图，如图2所示，在一实施例中，光学字符识别方法的详细流程包括：
步骤201，利用历史影像数据对二分类模型进行训练，获得训练好的二分类模型，所述历史影像数据包括光学字符识别成功的历史影像数据和光学字符识别失败的历史影像数据；
步骤202，获得票据的当前影像数据；
步骤203，将票据的当前影像数据输入至二分类模型中，判断当前影像数据是否符合预设条件；在当前影像数据符合预设条件时，进入步骤204，否则进入步骤205；
步骤204，将当前影像数据输入至OCR识别模型中，获得光学字符识别结果；
步骤205，输出当前影像数据不符合预设条件的提示信息；
步骤206，接收用户根据所述提示信息重新输入的票据的当前影像数据，转至步骤203。
当然，可以理解的是，上述光学字符识别方法的详细流程还可以有其他变化例，相关变化例均应落入本发明的保护范围。
综上所述，在本发明实施例提出的方法中，获得票据的当前影像数据和历史影像数据，所述历史影像数据包括光学字符识别成功的历史影像数据和光学字符识别失败的历史影像数据；票据的当前影像数据输入至二分类模型中，判断当前影像数据是否符合预设条件，所述二分类模型是对历史影像数据进行训练获得的；在当前影像数据符合预设条件时，将当前影像数据输入至OCR识别模型中，获得光学字符识别结果。在上述过程中，在利用OCR识别模型对当前影像数据进行光学字符识别之前，将对当前影像数据是否符合预设条件进行判断，只有在当前影像数据符合预设条件时，才进行光学字符识别，从而提高了光学字符识别的准确度，大大降低了人工进行光学字符识别结果检验的人力和物力，提高了光学字符识别的效率。
基于同样的发明构思，本发明实施例还提供了一种光学字符识别装置，如下面的实施例所述。由于这些解决问题的原理与光学字符识别方法相似，因此装置的实施可以参见方法的实施，重复之处不在赘述。
图3为本发明实施例提出的光学字符识别装置的示意图，如图3所示，该装置包括：
数据获得模块301，用于获得票据的当前影像数据和历史影像数据，所述历史影像数据包括光学字符识别成功的历史影像数据和光学字符识别失败的历史影像数据；
判断模块302，用于将票据的当前影像数据输入至二分类模型中，判断当前影像数据是否符合预设条件，所述二分类模型是对历史影像数据进行训练获得的；
识别模块303，用于在当前影像数据符合预设条件时，将当前影像数据输入至OCR识别模型中，获得光学字符识别结果。
在一实施例中，所述二分类模型采用TensorFlow或CNN训练获得。
在一实施例中，所述装置还包括检查模块304，用于：
在当前影像数据不符合预设条件时，输出当前影像数据不符合预设条件的提示信息；
接收用户根据所述提示信息重新输入的票据的当前影像数据。
在一实施例中，OCR识别模型包括分类器字符识别模型、字符模板匹配模型和深度学习模型中的其中一种或任意组合。
综上所述，在本发明实施例提出的装置中，获得票据的当前影像数据和历史影像数据，所述历史影像数据包括光学字符识别成功的历史影像数据和光学字符识别失败的历史影像数据；票据的当前影像数据输入至二分类模型中，判断当前影像数据是否符合预设条件，所述二分类模型是对历史影像数据进行训练获得的；在当前影像数据符合预设条件时，将当前影像数据输入至OCR识别模型中，获得光学字符识别结果。在上述过程中，在利用OCR识别模型对当前影像数据进行光学字符识别之前，将对当前影像数据是否符合预设条件进行判断，只有在当前影像数据符合预设条件时，才进行光学字符识别，从而提高了光学字符识别的准确度，大大降低了人工进行光学字符识别结果检验的人力和物力，提高了光学字符识别的效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种光学字符识别方法，其特征在于，包括：
获得票据的当前影像数据和历史影像数据，所述历史影像数据包括光学字符识别成功的历史影像数据和光学字符识别失败的历史影像数据；
将票据的当前影像数据输入至二分类模型中，判断当前影像数据是否符合预设条件，所述二分类模型是对历史影像数据进行训练获得的；
在当前影像数据符合预设条件时，将当前影像数据输入至OCR识别模型中，获得光学字符识别结果。
2.如权利要求1所述的光学字符识别方法，其特征在于，所述二分类模型采用TensorFlow或CNN训练获得。
3.如权利要求1所述的光学字符识别方法，其特征在于，还包括：
在当前影像数据不符合预设条件时，输出当前影像数据不符合预设条件的提示信息；
接收用户根据所述提示信息重新输入的票据的当前影像数据。
4.如权利要求1所述的光学字符识别方法，其特征在于，OCR识别模型包括分类器字符识别模型、字符模板匹配模型和深度学习模型中的其中一种或任意组合。
5.一种光学字符识别装置，其特征在于，包括：
数据获得模块，用于获得票据的当前影像数据和历史影像数据，所述历史影像数据包括光学字符识别成功的历史影像数据和光学字符识别失败的历史影像数据；
判断模块，用于将票据的当前影像数据输入至二分类模型中，判断当前影像数据是否符合预设条件，所述二分类模型是对历史影像数据进行训练获得的；
识别模块，用于在当前影像数据符合预设条件时，将当前影像数据输入至OCR识别模型中，获得光学字符识别结果。
6.如权利要求5所述的光学字符识别装置，其特征在于，所述二分类模型采用TensorFlow或CNN训练获得。
7.如权利要求5所述的光学字符识别装置，其特征在于，还包括检查模块，用于：
在当前影像数据不符合预设条件时，输出当前影像数据不符合预设条件的提示信息；
接收用户根据所述提示信息重新输入的票据的当前影像数据。
8.如权利要求5所述的光学字符识别装置，其特征在于，OCR识别模型包括分类器字符识别模型、字符模板匹配模型和深度学习模型中的其中一种或任意组合。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一项所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至4任一项所述方法的计算机程序。
CN201911181595.4A 2019-11-27 2019-11-27 光学字符识别方法及装置 Pending CN110889414A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911181595.4A CN110889414A (zh) 2019-11-27 2019-11-27 光学字符识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911181595.4A CN110889414A (zh) 2019-11-27 2019-11-27 光学字符识别方法及装置

Publications (1)

Publication Number Publication Date
CN110889414A true CN110889414A (zh) 2020-03-17

Family

ID=69749037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911181595.4A Pending CN110889414A (zh) 2019-11-27 2019-11-27 光学字符识别方法及装置

Country Status (1)

Country Link
CN (1) CN110889414A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491752A (zh) * 2017-08-14 2017-12-19 中国石油大学(华东) 一种基于深度学习的自然场景中船牌文字识别方法、装置
CN109189365A (zh) * 2018-08-17 2019-01-11 平安普惠企业管理有限公司 一种语音识别方法、存储介质和终端设备
CN109214995A (zh) * 2018-08-20 2019-01-15 阿里巴巴集团控股有限公司 图片质量的确定方法、装置和服务器
CN109784330A (zh) * 2019-01-03 2019-05-21 北京百度网讯科技有限公司 招牌内容识别方法、装置及设备
CN110321830A (zh) * 2019-06-28 2019-10-11 北京邮电大学 一种基于神经网络的中文字符串图片ocr识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491752A (zh) * 2017-08-14 2017-12-19 中国石油大学(华东) 一种基于深度学习的自然场景中船牌文字识别方法、装置
CN109189365A (zh) * 2018-08-17 2019-01-11 平安普惠企业管理有限公司 一种语音识别方法、存储介质和终端设备
CN109214995A (zh) * 2018-08-20 2019-01-15 阿里巴巴集团控股有限公司 图片质量的确定方法、装置和服务器
CN109784330A (zh) * 2019-01-03 2019-05-21 北京百度网讯科技有限公司 招牌内容识别方法、装置及设备
CN110321830A (zh) * 2019-06-28 2019-10-11 北京邮电大学 一种基于神经网络的中文字符串图片ocr识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
和卫民等编著: "《汽车嵌入式系统C编程》", 31 December 2012, 吉林大学出版社 *

Similar Documents

Publication Publication Date Title
US20170068868A1 (en) Enhancing handwriting recognition using pre-filter classification
Joshi et al. Deep learning based Gujarati handwritten character recognition
CN112766255A (zh) 一种光学文字识别方法、装置、设备及存储介质
Pham et al. Offline handwritten signature verification using local and global features
CN112001200A (zh) 识别码识别方法、装置、设备、存储介质和系统
CN107240185A (zh) 一种冠字号识别方法、装置、设备及存储介质
CN115620312A (zh) 跨模态字符笔迹验证方法、系统、设备及存储介质
CN110942063B (zh) 证件文字信息获取方法、装置以及电子设备
CN110796210A (zh) 一种标签信息的识别方法及装置
CN112232336A (zh) 一种证件识别方法、装置、设备及存储介质
CN116597466A (zh) 一种基于改进YOLOv5s的工程图纸文字检测识别方法及系统
CN111462388A (zh) 一种票据检验方法、装置、终端设备及存储介质
CN112508000B (zh) 一种用于ocr图像识别模型训练数据生成的方法及设备
Gupta et al. Machine learning tensor flow based platform for recognition of hand written text
CN111414889B (zh) 基于文字识别的财务报表识别方法及装置
CN114612919B (zh) 一种票据信息处理系统及方法、装置
CN116645683A (zh) 基于提示学习的签名笔迹鉴别方法、系统及存储介质
EP4105896A2 (en) Method, apparatus and platform of generating document, electronic device, storage medium and program product
CN110889414A (zh) 光学字符识别方法及装置
CN111639718B (zh) 分类器应用方法及装置
RU2739342C1 (ru) Способ и система интеллектуальной обработки документа
CN112861847A (zh) 一种ocr图像识别装置
CN110837816A (zh) 光学字符识别系统、边缘节点及系统
CN111243159A (zh) 伪造证件的识别方法、装置及电子设备
WO2021054850A1 (ru) Способ и система интеллектуальной обработки документа

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: 20200317