CN111753785A - 一种基于深度学习技术的印章检测方法 - Google Patents
一种基于深度学习技术的印章检测方法 Download PDFInfo
- Publication number
- CN111753785A CN111753785A CN202010616105.5A CN202010616105A CN111753785A CN 111753785 A CN111753785 A CN 111753785A CN 202010616105 A CN202010616105 A CN 202010616105A CN 111753785 A CN111753785 A CN 111753785A
- Authority
- CN
- China
- Prior art keywords
- seal
- deep learning
- method based
- detection method
- learning technology
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000005516 engineering process Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明特别涉及一种基于深度学习技术的印章检测方法。该基于深度学习技术的印章检测方法,首先构建印章检测模型,然后利用原始印章图片数据进行模型训练,最后利用训练好的模型进行印章的检测即可。该基于深度学习技术的印章检测方法,可以利用深度学习技术快速准确地检测图片中是否含有印章以及印章所在的具体位置坐标,操作简洁、高效,鲁棒性能好,对各种环境下、各种颜色的印章均能进行快速、有效地检测。
Description
技术领域
本发明涉及图像识别与深度学习技术领域,特别涉及一种基于深度学习技术的印章检测方法。
背景技术
随着政务服务的发展,事项秒批系统需要涉及大量的证明材料、合同、报告、批文等各种类型文档,例如办事群众在提交健康证明时必须要盖有医院的公章。目前,对印章的检查与复核均采用人工检查的方式,这种方法不仅会增加大量的人工成本,且检查效率较低,无疑会延长审核时长,降低人民群众办事效率。
为了加快审核效率,本发明提出了一种基于深度学习技术的印章检测方法,旨在快速地检测上传的材料图片中是否含有印章,以及印章所在的具体位置坐标。
发明内容
本发明为了弥补现有技术的缺陷,提供了一种简单高效的基于深度学习技术的印章检测方法。
本发明是通过如下技术方案实现的:
一种基于深度学习技术的印章检测方法,其特征在于:包括以下步骤:
第一步,构建印章检测模型
构建印章检测模型,每张图像只需要进行一次检测,即可得到图像中是否包含印章以及印章的位置;
第二步,利用原始印章图片数据进行模型训练
在印章检测模型训练过程中采用多种数据扩充方法,解决原始印章材料图片数量不足的问题;
第三步,利用训练好的印章检测模型进行印章的检测,预测印章的边界框坐标及边界框中所含印章的置信度即可。
所述第一步中,首先构建YOLOv3网络结构,并通过YOLOv3网络将输入图像划分为多个栅格;
每个栅格预测多个边界框以及边界框的置信度得分,所述置信度得分代表该栅格是否含有物体以及对物体边界框的坐标预测准确度。
所述YOLOv3模型由多层卷积神经网络及其变体组成,卷积神经网络利用卷积计算来提图像特征,卷积的计算公式如下:
为了解决前期训练样本过少的问题,所述第二步中采用数据增强的方法,利用图像处理技术将原始印章复制到随机背景中,且在背景中的位置及方向也进行随机摆放,然后对整幅图像进行旋转及亮度处理。
所述第二步中,利用OpenCV(Open Source Computer Vision Library,开源计算机视觉库)技术对原始印章进行提取,并将提取的印章随机旋转一定角度后复制到不同的材料背景中的随机位置,然后利用Pillow模块对图像的亮度在一定范围内进行随机设定,从而利用一个原始印章得到多个训练样本。
所述第二步中,将利用图像处理技术生成的图像尺寸统一缩放至指定尺寸后作为训练样本分批次输入YOLOv3模型,并利用损失函数对模型参数不断进行训练优化,最终获得准确度满足需求的印章检测模型。
所述第三步中,首先输入原始图片,将图片缩放到指定尺寸后通过印章检测模型的特征提取网络获取不同尺度的特征图,然后根据特征图预测印章的边界框坐标及边界框中所含印章的置信度即可。
所述指定尺寸为800*800像素。
所述第三步中,输入待测图片,经YOLOv3模型预测出图片中是否含有印章以及印章坐标的置信度得分,置信度得分公式如下:
其中Pr(Object)为该图片是否存在待检测物体,若图片中含有印章则Pr(Object)为1,否则为0;IOU为预测的物体边界框与物体实际边界框的联合交叉面积。
本发明的有益效果是:该基于深度学习技术的印章检测方法,可以利用深度学习技术快速准确地检测图片中是否含有印章以及印章所在的具体位置坐标,操作简洁、高效,鲁棒性能好,对各种环境下、各种颜色的印章均能进行快速、有效地检测。
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。
附图1为本发明基于深度学习技术的印章检测方法示意图。
具体实施方式
为了使本技术领域的人员更好的理解本发明中的技术方案,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚,完整的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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例,都应当属于本发明保护的范围。
该基于深度学习技术的印章检测方法,包括以下步骤:
第一步,构建印章检测模型
构建印章检测模型,每张图像只需要进行一次检测,即可得到图像中是否包含印章以及印章的位置;
第二步,利用原始印章图片数据进行模型训练
在印章检测模型训练过程中采用多种数据扩充方法,解决原始印章材料图片数量不足的问题;
第三步,利用训练好的印章检测模型进行印章的检测,预测印章的边界框坐标及边界框中所含印章的置信度即可。
所述第一步中,首先构建YOLOv3网络结构,并通过YOLOv3网络将输入图像划分为多个栅格;
每个栅格预测多个边界框以及边界框的置信度得分,所述置信度得分代表该栅格是否含有物体以及对物体边界框的坐标预测准确度。
所述YOLOv3模型由多层卷积神经网络及其变体组成,卷积神经网络利用卷积计算来提图像特征,卷积的计算公式如下:
为了解决前期训练样本过少的问题,所述第二步中采用数据增强的方法,利用图像处理技术将原始印章复制到随机背景中,且在背景中的位置及方向也进行随机摆放,然后对整幅图像进行旋转及亮度处理。
所述第二步中,利用OpenCV(Open Source Computer Vision Library,开源计算机视觉库)技术对原始印章进行提取,并将提取的印章随机旋转一定角度后复制到不同的材料背景中的随机位置,然后利用Pillow模块对图像的亮度在一定范围内进行随机设定,从而利用一个原始印章得到多个训练样本。
所述第二步中,将利用图像处理技术生成的图像尺寸统一缩放至指定尺寸后作为训练样本分批次输入YOLOv3模型,并利用损失函数对模型参数不断进行训练优化,最终获得准确度满足需求的印章检测模型。
所述第三步中,首先输入原始图片,将图片缩放到指定尺寸后通过印章检测模型的特征提取网络获取不同尺度的特征图,然后根据特征图预测印章的边界框坐标及边界框中所含印章的置信度即可。
所述指定尺寸为800*800像素。
所述第三步中,输入待测图片,经YOLOv3模型预测出图片中是否含有印章以及印章坐标的置信度得分,置信度得分公式如下:
其中Pr(Object)为该图片是否存在待检测物体,若图片中含有印章则Pr(Object)为1,否则为0;IOU为预测的物体边界框与物体实际边界框的联合交叉面积。
与目前的现有技术相比,该基于深度学习技术的印章检测方法,具有以下特点:
第一、利用深度学习技术,能够自动检测图片中是否含有印章以及印章所在的具体位置坐标,解决了人工成本高、检查效率低的问题。
第二、相比于其他传统的检测方法,该方法具有更好的鲁棒性能,对各种环境下、各种颜色的印章均能进行快速、有效地检测。
以上所述的实施例,只是本发明具体实施方式的一种,本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (9)
1.一种基于深度学习技术的印章检测方法,其特征在于:包括以下步骤:
第一步,构建印章检测模型
构建印章检测模型,每张图像只需要进行一次检测,即可得到图像中是否包含印章以及印章的位置;
第二步,利用原始印章图片数据进行模型训练
在印章检测模型训练过程中采用多种数据扩充方法,解决原始印章材料图片数量不足的问题;
第三步,利用训练好的印章检测模型进行印章的检测,预测印章的边界框坐标及边界框中所含印章的置信度即可。
2.根据权利要求1所述的基于深度学习技术的印章检测方法,其特征在于:所述第一步中,首先构建YOLOv3网络结构,并通过YOLOv3网络将输入图像划分为多个栅格;
每个栅格预测多个边界框以及边界框的置信度得分,所述置信度得分代表该栅格是否含有物体以及对物体边界框的坐标预测准确度。
4.根据权利要求1所述的基于深度学习技术的印章检测方法,其特征在于:为了解决前期训练样本过少的问题,所述第二步中采用数据增强的方法,利用图像处理技术将原始印章复制到随机背景中,且在背景中的位置及方向也进行随机摆放,然后对整幅图像进行旋转及亮度处理。
5.根据权利要求4所述的基于深度学习技术的印章检测方法,其特征在于:所述第二步中,利用OpenCV技术对原始印章进行提取,将提取的印章随机旋转一定角度后复制到不同的材料背景中的随机位置,然后利用Pillow模块对图像的亮度在一定范围内进行随机设定。
6.根据权利要求3或5所述的基于深度学习技术的印章检测方法,其特征在于:所述第二步中,将利用图像处理技术生成的图像尺寸统一缩放至指定尺寸后作为训练样本分批次输入YOLOv3模型,并利用损失函数对模型参数不断进行训练优化,最终获得准确度满足需求的印章检测模型。
7.根据权利要求6所述的基于深度学习技术的印章检测方法,其特征在于:所述第三步中,首先输入原始图片,将图片缩放到指定尺寸后通过印章检测模型的特征提取网络获取不同尺度的特征图,然后根据特征图预测印章的边界框坐标及边界框中所含印章的置信度即可。
8.根据权利要求6或7所述的基于深度学习技术的印章检测方法,其特征在于:所述指定尺寸为800*800像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010616105.5A CN111753785A (zh) | 2020-07-01 | 2020-07-01 | 一种基于深度学习技术的印章检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010616105.5A CN111753785A (zh) | 2020-07-01 | 2020-07-01 | 一种基于深度学习技术的印章检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111753785A true CN111753785A (zh) | 2020-10-09 |
Family
ID=72676811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010616105.5A Pending CN111753785A (zh) | 2020-07-01 | 2020-07-01 | 一种基于深度学习技术的印章检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753785A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743360A (zh) * | 2021-09-16 | 2021-12-03 | 京东科技信息技术有限公司 | 智能化印章解析的方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108681738A (zh) * | 2018-03-21 | 2018-10-19 | 江苏善壶网络科技有限公司 | 一种印章识别方法及系统 |
CN109886974A (zh) * | 2019-01-28 | 2019-06-14 | 北京易道博识科技有限公司 | 一种印章去除方法 |
CN110443250A (zh) * | 2019-07-31 | 2019-11-12 | 天津车之家数据信息技术有限公司 | 一种合同印章的类别识别方法、装置和计算设备 |
CN110619642A (zh) * | 2019-09-05 | 2019-12-27 | 四川大学 | 一种票据图像中印章与背景文字分离方法 |
CN111027553A (zh) * | 2019-12-23 | 2020-04-17 | 武汉唯理科技有限公司 | 一种圆形印章文字识别方法 |
-
2020
- 2020-07-01 CN CN202010616105.5A patent/CN111753785A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108681738A (zh) * | 2018-03-21 | 2018-10-19 | 江苏善壶网络科技有限公司 | 一种印章识别方法及系统 |
CN109886974A (zh) * | 2019-01-28 | 2019-06-14 | 北京易道博识科技有限公司 | 一种印章去除方法 |
CN110443250A (zh) * | 2019-07-31 | 2019-11-12 | 天津车之家数据信息技术有限公司 | 一种合同印章的类别识别方法、装置和计算设备 |
CN110619642A (zh) * | 2019-09-05 | 2019-12-27 | 四川大学 | 一种票据图像中印章与背景文字分离方法 |
CN111027553A (zh) * | 2019-12-23 | 2020-04-17 | 武汉唯理科技有限公司 | 一种圆形印章文字识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743360A (zh) * | 2021-09-16 | 2021-12-03 | 京东科技信息技术有限公司 | 智能化印章解析的方法和装置 |
CN113743360B (zh) * | 2021-09-16 | 2024-03-05 | 京东科技信息技术有限公司 | 智能化印章解析的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111488826B (zh) | 一种文本识别方法、装置、电子设备和存储介质 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN111179217A (zh) | 一种基于注意力机制的遥感图像多尺度目标检测方法 | |
CN111640125A (zh) | 基于Mask R-CNN的航拍图建筑物检测和分割方法及装置 | |
CN111753828A (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
CN110781648A (zh) | 一种基于深度学习的试卷自动转录系统及方法 | |
CN112651966A (zh) | 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 | |
CN110689000A (zh) | 一种基于生成复杂环境下车牌样本的车辆车牌识别方法 | |
CN111062854A (zh) | 检测水印的方法、装置、终端及存储介质 | |
CN115761773A (zh) | 基于深度学习的图像内表格识别方法及系统 | |
CN113516053A (zh) | 一种具有旋转不变性的舰船目标精细化检测方法 | |
US11906441B2 (en) | Inspection apparatus, control method, and program | |
CN112766381B (zh) | 有限样本下属性引导的sar图像生成方法 | |
CN111753785A (zh) | 一种基于深度学习技术的印章检测方法 | |
Wang et al. | Deep-learning-based automatic detection of photovoltaic cell defects in electroluminescence images | |
Cui et al. | Real-time detection of wood defects based on SPP-improved YOLO algorithm | |
Li et al. | Multiple factors influence coal and gangue image recognition method and experimental research based on deep learning | |
CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
Qiu et al. | Techniques for the automatic detection and hiding of sensitive targets in emergency mapping based on remote sensing data | |
CN112801109A (zh) | 一种基于多尺度特征融合的遥感图像分割方法及系统 | |
CN116912366A (zh) | 一种基于ai的平面设计生成方法及系统 | |
CN115294392B (zh) | 基于生成网络模型的可见光遥感图像云去除方法及系统 | |
CN114596273B (zh) | 利用yolov4网络的陶瓷基板多种瑕疵智能检测方法 | |
CN115345895A (zh) | 用于视觉检测的图像分割方法、装置、计算机设备及介质 | |
Varkentin et al. | Development of an application for car license plates recognition using neural network technologies |
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 |
Application publication date: 20201009 |
|
RJ01 | Rejection of invention patent application after publication |