CN111160188A - 金融票据识别方法、装置、设备及存储介质 - Google Patents

Abstract

本发明提供一种金融票据识别方法、装置、设备及存储介质，涉及票据识别技术领域。本发明通过获取金融票据，并采用N个预设识别模型，分别对金融票据进行识别，得到对应的N个识别结果，其中，N个预设识别模型彼此独立，且N个预设识别模型通过采用N组不同的样本数据对神经网络进行训练所得到，然后，输出N个识别结果中，占比大于预设阈值的目标识别结果作为金融票据的最终识别结果，可以由于N个识别结果彼此独立，而使得通过确定N个预设识别结果中占比大于预设阈值的目标识别结果作为金融票据的最终识别结果时，金融票据的识别准确性更高。

Description

金融票据识别方法、装置、设备及存储介质

技术领域

本发明涉及票据识别技术领域，具体而言，涉及一种金融票据识别方法、装置、设备及存储介质。

背景技术

金融服务覆盖人群广泛、业务工作量大，会产生数量巨大、种类繁多的纸质票据文件，在业务流程中需要进行票据要素的录入。

现有技术中，通常采用光学字符识别(Optical Character Recognition，OCR)技术与人工录入相结合的方式，录入票据要素。目前，常用的OCR识别技术基于二值化、连通域分析、投影分析等图像处理技术和机器学习算法而实现，从输入图像到给出识别结果经历了图像预处理、文字行提取和文字行识别三个阶段。先通过版面分析(如：连通域分析)和行切分(如：投影分析)来生成文本行，然后采用行列分割提取出单字，并通过机器学习算法对分割提取到的单字进行识别，最后可以将识别到的单字连接生成文本行，从而实现票据要素的录入。

虽然上述现有技术中，基于深度学习的OCR技术能够实现端到端字符序列识别，且基于大数据样本训练后的模型识别率有非常大的提升，但是单套识别网络模型的输出结果无法进行验证，因此无法保证识别结果的高准确性，从而导致金融票据的识别准确率较低。

发明内容

本发明提供一种金融票据识别方法、装置、设备及存储介质，可以在金融票据录入时，对金融票据进行识别。

第一方面，本发明实施例提供一种金融票据识别方法，所述方法包括：获取金融票据；采用N个预设识别模型，分别对所述金融票据进行识别，得到对应的N个识别结果；其中，N为大于或等于2的整数，N个所述预设识别模型彼此独立，且N个所述预设识别模型通过采用N组不同的样本数据对神经网络进行训练所得到；输出N个所述识别结果中，占比大于预设阈值的目标识别结果。

可选地，所述输出N个所述识别结果中，占比大于预设阈值的目标识别结果，包括：对N个所述识别结果中的任一目标识别结果：确定所述目标识别结果的数量m；其中，m为大于或等于0、且小于或等于N的整数；根据m和N，计算获取所述目标识别结果在N个所述识别结果中的占比；判断所述目标识别结果在N个所述识别结果中的占比是否大于预设阈值；若大于预设阈值，则输出所述目标识别结果。

可选地，N个所述预设识别模型的神经网络均不相同。

可选地，所述采用N个预设识别模型，分别对所述金融票据进行识别之前，所述方法还包括：获取N组不同的样本数据；构建N个彼此不同的神经网络；采用N组不同的所述样本数据，分别对N个彼此不同的所述神经网络进行训练，获取N个所述预设识别模型。

第二方面，本发明实施例提供一种金融票据识别装置，所述装置包括：第一获取模块，用于获取金融票据；识别模块，用于采用N个预设识别模型，分别对所述金融票据进行识别，得到对应的N个识别结果；其中，N为大于或等于2的整数，N个所述预设识别模型彼此独立，且N个所述预设识别模型通过采用N组不同的样本数据对神经网络进行训练所得到；输出模块，用于输出N个所述识别结果中，占比大于预设阈值的目标识别结果。

可选地，所述输出模块，包括：确定子模块、计算子模块、判断子模块和输出子模块；对N个所述识别结果中的任一目标识别结果：所述确定子模块，用于确定所述目标识别结果的数量m；其中，m为大于或等于0、且小于或等于N的整数；所述计算子模块，用于根据m和N，计算获取所述目标识别结果在N个所述识别结果中的占比；所述判断子模块，用于断所述目标识别结果在N个所述识别结果中的占比是否大于预设阈值；所述输出子模块，用于若大于预设阈值，则输出所述目标识别结果。

可选地，N个所述预设识别模型的神经网络均不相同。

可选地，所述装置还包括：第二获取模块、构建模块和训练模块；在所述识别模块采用N个预设识别模型，分别对所述金融票据进行识别之前，所述第二获取模块，用于获取N组不同的样本数据；所述构建模块，用于构建N个彼此不同的神经网络；所述训练模块，用于采用N组不同的所述样本数据，分别对N个彼此不同的所述神经网络进行训练，获取N个所述预设识别模型。

第三方面，本发明实施例提供一种金融票据识别设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述金融票据识别设备运行时，所述处理器与所述存储介质之间通过所述总线通信，所述处理器执行所述机器可读指令，以执行如第一方面所述的金融票据识别方法。

第四方面，本发明实施例还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面所述的金融票据识别方法。

本发明的有益效果是：

本发明实施例通过获取金融票据，并采用N个预设识别模型，分别对金融票据进行识别，得到对应的N个识别结果，其中，N个预设识别模型彼此独立，且N个预设识别模型通过采用N组不同的样本数据对神经网络进行训练所得到，然后，输出N个识别结果中，占比大于预设阈值的目标识别结果作为金融票据的最终识别结果，可以由于N个识别结果彼此独立，而使得通过确定N个预设识别结果中占比大于预设阈值的目标识别结果作为金融票据的最终识别结果时，金融票据的识别准确性更高。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本发明实施例提供的金融票据识别方法的流程示意图；

图2示出了本发明实施例提供的金融票据识别方法的另一流程示意图；

图3示出了本发明实施例提供的金融票据识别方法的又一流程示意图；

图4示出了本发明实施例提供的金融票据识别方法的又一流程示意图；

图5示出了本发明实施例提供的金融票据识别装置的结构示意图；

图6示出了本发明实施例提供的输出模块的结构示意图；

图7示出了本发明实施例提供的金融票据识别装置的另一结构示意图；

图8示出了本发明实施例提供的金融票据识别设备的结构示意图。

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，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。还需要说明，“第一”、“第二”、“第三”等描述在本发明中仅仅用于区分功能，而不能表示相对重要性。

本发明实施例提供一种金融票据识别方法，可以在金融票据录入时，对金融票据进行识别。该金融票据识别方法的执行主体可以是服务器或计算机，或者，也可以是服务器或计算机中的某一个或多个处理器等，本发明对此不作限制。

图1示出了本发明实施例提供的金融票据识别方法的流程示意图。

如图1所示，该金融票据识别方法，可以包括：

S101、获取金融票据。

可选地，所获取的金融票据可以是通过扫描、拍摄等光学输入方式，得到的金融票据的图像信息。

S102、采用N个预设识别模型，分别对金融票据进行识别，得到对应的N个识别结果。

其中，N为大于或等于2的整数，例如，N可以是2、3、4、8、10等数值，本发明对N的具体数值不作限定。N个预设识别模型彼此独立，且N个预设识别模型通过采用N组不同的样本数据对神经网络进行训练所得到。

也即，在执行该金融票据识别方法之前，可以预先通过采用N组不同的样本数据对神经网络进行训练，得到N组不同的预设识别模型。

一种实施方式中，N个预设识别模型的神经网络可以相同。

另一种实施方式中，N个预设识别模型的神经网络也可以均不相同。

以上述另一种实施方式为例：图2示出了本发明实施例提供的金融票据识别方法的另一流程示意图。

可选地，如图2所示，上述采用N个预设识别模型，分别对金融票据进行识别的步骤之前，该金融票据识别方法，还可以包括：

S201、获取N组不同的样本数据。

可选地，样本数据可以包括：样本金融票据、以及样本金融票据对应的识别标签。识别标签可以预先标注于样本金融票据中，可以用于指示样本金融票据的正确识别结果。

S202、构建N个彼此不同的神经网络。

S203、采用N组不同的样本数据，分别对N个彼此不同的神经网络进行训练，获取N个预设识别模型。

举例说明：可以获取训练样本1、训练样本2、训练样本3、以及训练样本4等四组不同的样本数据。对应的，可以构建四个如下的神经网络：

神经网络1：视觉几何群网络(Visual Geometry Group Network，VGG)+长短期记忆网络(Long Short-Term Memory，LSTM)+连接时序分类算法(Connectionist TemporalClassification，CTC)。

神经网络2：残差网络(Residual Network，ResNet)+LSTM+CTC。

神经网络3：激励网络(Inception)+LSTM+CTC。

神经网络4：密集卷积网络(Dense Convolutional Network，DenseNet)+LSTM+CTC。

其中，VGG、ResNet、Inception、Densenet为卷积神经网络模型，LSTM为循环神经网络模型，CTC为一种时序分类算法。

可以通过训练样本1对神经网络1进行训练，获取预设识别模型1；通过训练样本2对神经网络2进行训练，获取预设识别模型2；通过训练样本3对神经网络3进行训练，获取预设识别模型3；通过训练样本4对神经网络4进行训练，获取预设识别模型4；从而，可以得到四个预设识别模型，即，N为4。

执行完前述步骤S102后，可以通过下述步骤S103输出所获取的金融票据对应的正确识别结果。

S103、输出N个识别结果中，占比大于预设阈值的目标识别结果。

图3示出了本发明实施例提供的金融票据识别方法的又一流程示意图。

可选地，如图3所示，上述输出N个所述识别结果中，占比大于预设阈值的目标识别结果的步骤，具体可以包括：

对N个识别结果中的任一目标识别结果：

S301、确定目标识别结果的数量m。

其中，m为大于或等于0、且小于或等于N的整数。

S302、根据m和N，计算获取目标识别结果在N个识别结果中的占比。

S303、判断目标识别结果在N个识别结果中的占比是否大于预设阈值。

S304、若大于预设阈值，则输出目标识别结果。

可选地，预设阈值可以是30％、50％、70％、90％、95％、97％等值，可以根据实际需要对预设阈值的大小进行设定，本发明在此不作限制。

同样以前述预设识别模型1、预设识别模型2、预设识别模型3、以及预设识别模型4为例，假设预设阈值为50％，若通过预设识别模型1、预设识别模型2、预设识别模型3、以及预设识别模型4分别对某个金融票据进行识别，得到的识别结果依次为：a、a、a、c。

则，对于识别结果中的目标识别结果a而言，在上述四个识别结果中的占比为75％，大于预设阈值50％，此时，可以确定目标识别结果a输出为该金融票据的正确识别结果。

也即，上述金融票据识别方法中，可以针对每个金融票据的票据要素设计多套预设识别模型，并针对每个预设识别模型分配不同的样本数据进行模型训练，保证不同的预设识别模型之间的相互独立性。在金融票据的识别过程中，对于每个票据要素可以通过多个相互独立的模型进行识别，并对识别结果进行对比，确定占比超过预设阈值的目标识别结果进行输出，以此保证要素识别结果的准确性。例如，可以使得输出要素正确率高达99.5％。

需要说明的是，多套预设识别模型在样本训练过程中，可以根据本身网络模型特点学习到不同的特征表示，且在训练过程中，采用不同的样本数据进行训练，可以保证每个模型的相互独立性，从而保证了多个识别结果之间的独立性，进而大大提高了多个预设识别模型的输出之间对比的可信度，以此保证了整体输出的高准确率。

由上所述，本发明实施例通过获取金融票据，并采用N个预设识别模型，分别对金融票据进行识别，得到对应的N个识别结果，其中，N个预设识别模型彼此独立，且N个预设识别模型通过采用N组不同的样本数据对神经网络进行训练所得到，然后，输出N个识别结果中，占比大于预设阈值的目标识别结果作为金融票据的最终识别结果，可以由于N个识别结果彼此独立，而使得通过确定N个预设识别结果中占比大于预设阈值的目标识别结果作为金融票据的最终识别结果时，金融票据的识别准确性更高。

下面以一种具体实施方式对本发明实施例提供的金融票据识别方法作以说明：

图4示出了本发明实施例提供的金融票据识别方法的又一流程示意图。

如图4所示，该金融票据识别方法，可以包括：

S401、获取金融票据。

S402、采用N个预设识别模型，分别对金融票据进行识别，得到对应的N个识别结果。

S403、确定N个识别结果中的任一目标识别结果的数量m。

S404、根据m和N，计算获取目标识别结果在N个识别结果中的占比。

S405、判断目标识别结果在N个识别结果中的占比是否大于预设阈值。

若是，则执行步骤S406；若否，则结束。

S406、输出目标识别结果。

该金融票据识别方法所具备的有益效果，已在前述实施例中进行描述，在此不再赘述。

基于前述方法实施例中所述的金融票据识别方法，本发明实施例还对应提供一种金融票据识别装置，图5示出了本发明实施例提供的金融票据识别装置的结构示意图。

如图5所示，该金融票据识别装置，可以包括：第一获取模块10，用于获取金融票据；识别模块20，用于采用N个预设识别模型，分别对所述金融票据进行识别，得到对应的N个识别结果；其中，N为大于或等于2的整数，N个所述预设识别模型彼此独立，且N个所述预设识别模型通过采用N组不同的样本数据对神经网络进行训练所得到；输出模块30，用于输出N个所述识别结果中，占比大于预设阈值的目标识别结果。

图6示出了本发明实施例提供的输出模块的结构示意图。

可选地，如图6所示，所述输出模块30，可以包括：确定子模块31、计算子模块32、判断子模块33和输出子模块34；对N个所述识别结果中的任一目标识别结果：所述确定子模块31，用于确定所述目标识别结果的数量m；其中，m为大于或等于0、且小于或等于N的整数；所述计算子模块32，用于根据m和N，计算获取所述目标识别结果在N个所述识别结果中的占比；所述判断子模块33，用于断所述目标识别结果在N个所述识别结果中的占比是否大于预设阈值；所述输出子模块34，用于若大于预设阈值，则输出所述目标识别结果。

可选地，N个所述预设识别模型的神经网络均不相同。

图7示出了本发明实施例提供的金融票据识别装置的另一结构示意图。

可选地，如图7所示，该金融票据识别装置，还可以包括：第二获取模块40、构建模块50和训练模块60；在所述识别模块20采用N个预设识别模型，分别对所述金融票据进行识别之前，所述第二获取模块40，用于获取N组不同的样本数据；所述构建模块50，用于构建N个彼此不同的神经网络；所述训练模块60，用于采用N组不同的所述样本数据，分别对N个彼此不同的所述神经网络进行训练，获取N个所述预设识别模型。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中方法的对应过程，本发明中不再赘述。

本发明实施例提供的金融票据识别装置对应于前述方法实施例中所述的金融票据识别方法，因此，装置实施例中所述的金融票据识别装置，具有前述方法实施例中所述的金融票据识别方法所具备的全部有益效果，在此亦不再赘述。

本发明实施例还提供一种金融票据识别设备，该金融票据识别设备可以是服务器或计算机，图8示出了本发明实施例提供的金融票据识别设备的结构示意图。

如图8所示，该金融票据识别设备可以包括：处理器100、存储介质200和总线(图中未标出)，存储介质200存储有处理器100可执行的机器可读指令，当金融票据识别设备运行时，处理器100与存储介质200之间通过总线通信，处理器100执行机器可读指令，以执行如前述任一方法实施例中所述的金融票据识别方法。具体实现方式和技术效果类似，在此不再赘述。

为了便于说明，在上述金融票据识别设备中仅描述了一个处理器。然而，应当注意，本发明中的金融票据识别设备还可以包括多个处理器，因此本发明中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，金融票据识别设备的处理器执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B等。

在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit，CPU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、专用指令集处理器(Application Specific Instruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field ProgrammableGate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing，RISC)、或微处理器等，或其任意组合。

本发明实施例还提供一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行如前述任一方法实施例中所述的金融票据识别方法。具体实现方式和技术效果类似，在此同样不再赘述。

可选地，该存储介质可以是U盘、移动硬盘、ROM、RAM、磁碟或者光盘等。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)

1.一种金融票据识别方法，其特征在于，所述方法包括：

获取金融票据；

采用N个预设识别模型，分别对所述金融票据进行识别，得到对应的N个识别结果；其中，N为大于或等于2的整数，N个所述预设识别模型彼此独立，且N个所述预设识别模型通过采用N组不同的样本数据对神经网络进行训练所得到；

输出N个所述识别结果中，占比大于预设阈值的目标识别结果。

2.根据权利要求1所述的方法，其特征在于，所述输出N个所述识别结果中，占比大于预设阈值的目标识别结果，包括：

对N个所述识别结果中的任一目标识别结果：

确定所述目标识别结果的数量m；其中，m为大于或等于0、且小于或等于N的整数；

根据m和N，计算获取所述目标识别结果在N个所述识别结果中的占比；

判断所述目标识别结果在N个所述识别结果中的占比是否大于预设阈值；

若大于预设阈值，则输出所述目标识别结果。

3.根据权利要求2所述的方法，其特征在于，N个所述预设识别模型的神经网络均不相同。

4.根据权利要求3所述的方法，其特征在于，所述采用N个预设识别模型，分别对所述金融票据进行识别之前，所述方法还包括：

获取N组不同的样本数据；

构建N个彼此不同的神经网络；

采用N组不同的所述样本数据，分别对N个彼此不同的所述神经网络进行训练，获取N个所述预设识别模型。

5.一种金融票据识别装置，其特征在于，所述装置包括：

第一获取模块，用于获取金融票据；

识别模块，用于采用N个预设识别模型，分别对所述金融票据进行识别，得到对应的N个识别结果；其中，N为大于或等于2的整数，N个所述预设识别模型彼此独立，且N个所述预设识别模型通过采用N组不同的样本数据对神经网络进行训练所得到；

输出模块，用于输出N个所述识别结果中，占比大于预设阈值的目标识别结果。

6.根据权利要求5所述的装置，其特征在于，所述输出模块，包括：确定子模块、计算子模块、判断子模块和输出子模块；

对N个所述识别结果中的任一目标识别结果：

所述确定子模块，用于确定所述目标识别结果的数量m；其中，m为大于或等于0、且小于或等于N的整数；

所述计算子模块，用于根据m和N，计算获取所述目标识别结果在N个所述识别结果中的占比；

所述判断子模块，用于断所述目标识别结果在N个所述识别结果中的占比是否大于预设阈值；

所述输出子模块，用于若大于预设阈值，则输出所述目标识别结果。

7.根据权利要求6所述的装置，其特征在于，N个所述预设识别模型的神经网络均不相同。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：第二获取模块、构建模块和训练模块；

在所述识别模块采用N个预设识别模型，分别对所述金融票据进行识别之前，所述第二获取模块，用于获取N组不同的样本数据；

所述构建模块，用于构建N个彼此不同的神经网络；

所述训练模块，用于采用N组不同的所述样本数据，分别对N个彼此不同的所述神经网络进行训练，获取N个所述预设识别模型。

9.一种金融票据识别设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述金融票据识别设备运行时，所述处理器与所述存储介质之间通过所述总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-4任一项所述的金融票据识别方法。

10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1-4任一项所述的金融票据识别方法。

Images