CN111814906B - 快递面单识别模型移植方法、装置、设备及存储介质 - Google Patents

快递面单识别模型移植方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111814906B
CN111814906B CN202010715972.4A CN202010715972A CN111814906B CN 111814906 B CN111814906 B CN 111814906B CN 202010715972 A CN202010715972 A CN 202010715972A CN 111814906 B CN111814906 B CN 111814906B
Authority
CN
China
Prior art keywords
model
file
express delivery
compiled
model file
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.)
Active
Application number
CN202010715972.4A
Other languages
English (en)
Other versions
CN111814906A (zh
Inventor
衡鹤瑞
李斯
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.)
Dongpu Software Co Ltd
Original Assignee
Dongpu Software 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 Dongpu Software Co Ltd filed Critical Dongpu Software Co Ltd
Priority to CN202010715972.4A priority Critical patent/CN111814906B/zh
Publication of CN111814906A publication Critical patent/CN111814906A/zh
Application granted granted Critical
Publication of CN111814906B publication Critical patent/CN111814906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3688—Test management for test execution, e.g. scheduling of test suites
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/30—Creation or generation of source code
    • G06F8/31—Programming languages or programming paradigms
    • G06F8/315—Object-oriented languages
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/40—Transformation of program code
    • G06F8/41—Compilation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/70—Software maintenance or management
    • G06F8/76—Adapting program code to run in a different environment; Porting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及物流技术领域，公开了一种快递面单识别模型移植方法、装置、设备及存储介质，用于提高快递面单识别模型的识别速度和移植效率。快递面单识别模型移植方法包括：利用预设测试样本数据对已训练的快递面单识别模型进行验证，得到验证结果；当验证结果大于或者等于预置阈值时，将已训练的快递面单识别模型转换为中间模型文件，并校验中间模型文件是否运行正常，得到校验结果；当校验结果为校验通过时，对中间模型文件进行简化处理，得到已简化的模型文件，并对已简化的模型文件进行运行测试，得到测试结果；当测试结果为测试通过时，将已简化的模型文件转换为待编译模型文件；对待编译模型文件进行量化和文件编译后，移植到智能移动终端。

Description

快递面单识别模型移植方法、装置、设备及存储介质
技术领域
本发明涉及物流技术领域，尤其涉及一种快递面单识别模型移植方法、装置、设备及存储介质。
背景技术
随着物流行业的快速发展，以及快递包裹数量的增多，快递员在进行快递配送时，可以通过专用条码识别器采用光电的方式识别快递面单上的快递单号；也可以采用智能移动终端的应用软件识别快递单号以及收件人的电话号码。
现有的应用软件不仅对智能移动终端硬件要求高，而且依赖智能移动终端的摄像像素，同时对识别模型的性能也要求高，使得在智能移动终端中的快递面单识别模型的普及率低，并且很难移植到智能移动终端。
发明内容
本发明的主要目的在于解决现有的快递面单识别模型难以移植到智能移动终端的问题。
本发明第一方面提供了一种快递面单识别模型移植方法，包括：获取已训练的快递面单识别模型，利用预设测试样本数据对所述已训练的快递面单识别模型进行验证，得到验证结果；当所述验证结果大于或者等于预置阈值时，将所述已训练的快递面单识别模型转换为中间模型文件，并校验所述中间模型文件是否运行正常，得到校验结果；当所述校验结果为校验通过时，对所述中间模型文件进行简化处理，得到已简化的模型文件，并对所述已简化的模型文件进行运行测试，得到测试结果；当所述测试结果为测试通过时，将所述已简化的模型文件转换为待编译模型文件，所述待编译模型文件包括模型结构文件和模型参数文件；对所述待编译模型文件进行量化处理，得到已量化的模型文件，对所述已量化的模型文件进行文件编译后，得到已编译文件，并将所述已编译文件移植到智能移动终端中。
可选的，在本发明第一方面的第一种实现方式中，所述获取已训练的快递面单识别模型，利用预设测试样本数据对所述已训练的快递面单识别模型进行验证，得到验证结果，包括：构建pytorch框架环境，并基于所述pytorch框架环境设置初始神经网络模型，所述初始神经网络模型包括采用轻量化网络mobilenet-v2改进的骨干网络；采用预设训练样本数据对所述初始神经网络模型进行训练并调试，得到已训练的快递面单识别模型，所述已训练的快递面单识别用于识别快递面单中电话号码区域；利用预设测试样本数据对所述已训练的快递面单识别模型进行精确率验证，得到验证结果。
可选的，在本发明第一方面的第二种实现方式中，在所述构建pytorch框架环境，并基于所述pytorch框架环境设置初始神经网络模型，所述初始神经网络模型包括采用轻量化网络mobilenet-v2改进的骨干网络之前，所述快递面单识别模型移植方法还包括：获取初始快递面单样本数据集，并对所述快递面单样本数据集进行图像处理，得到目标快递面单样本数据集；对所述目标快递面单样本数据集按照预设比例进行数据划分，得到所述预设训练样本数据和所述预设测试样本数据，并对所述预设训练样本数据进行标注处理。
可选的，在本发明第一方面的第三种实现方式中，所述当所述验证结果大于或者等于预置阈值时，将所述已训练的快递面单识别模型转换为中间模型文件，并校验所述中间模型文件是否运行正常，得到校验结果，包括：当所述验证结果大于或者等于预置阈值时，获取所述已训练的快递面单识别模型对应的存储文件路径信息和待转换文件名称；按照预设转换函数、所述存储文件路径信息和所述待转换文件名称，将所述已训练的快递面单识别模型转换为中间模型文件，所述中间模型文件为开放神经网络交换onnx模型文件；搭建onnx框架环境，并校验所述onnx模型文件是否运行正常，得到校验结果。
可选的，在本发明第一方面的第四种实现方式中，所述当所述校验结果为校验通过时，对所述中间模型文件进行简化处理，得到已简化的模型文件，并对所述已简化的模型文件进行运行测试，得到测试结果，包括：当所述校验结果为校验通过时，采用预设简化工具对所述onnx模型文件去除冗余节点并合并零散算子，得到已简化的模型文件；在所述onnx框架环境中对所述已简化的模型文件进行运行测试，得到测试结果。
可选的，在本发明第一方面的第五种实现方式中，所述当所述测试结果为测试通过时，将所述已简化的模型文件转换为待编译模型文件，所述待编译模型文件包括模型结构文件和模型参数文件，包括：当所述测试结果为测试通过时，搭建神经网络前向计算ncnn框架环境，并从所述ncnn框架环境中读取目标可执行文件；调用所述目标可执行文件将所述已简化的模型文件转换为待编译模型文件，所述待编译模型文件包括模型结构文件和模型参数文件。
可选的，在本发明第一方面的第六种实现方式中，所述对所述待编译模型文件进行量化处理，得到已量化的模型文件，对所述已量化的模型文件进行文件编译后，得到已编译文件，并将所述已编译文件移植到智能移动终端中，包括：从所述待编译模型文件中获取所述模型结构文件和所述模型参数文件；从预设文件目录中读取第一可执行文件和第二可执行文件；通过所述第一可执行文件对所述模型结构文件和所述模型参数文件进行量化处理，得到目标量化表；通过所述第二可执行文件对所述模型结构文件、所述模型参数文件和所述目标量化表进行量化处理，得到已量化的模型文件；利用C++对所述已量化的模型文件进行代码编译，得到已编译文件，并将所述已编译文件移植到智能移动终端中。
本发明第二方面提供了一种快递面单识别模型移植装置，包括：获取模块，用于获取已训练的快递面单识别模型，利用预设测试样本数据对所述已训练的快递面单识别模型进行验证，得到验证结果；第一转换模块，当所述验证结果大于或者等于预置阈值时，用于将所述已训练的快递面单识别模型转换为中间模型文件，并校验所述中间模型文件是否运行正常，得到校验结果；简化模块，当所述校验结果为校验通过时，用于对所述中间模型文件进行简化处理，得到已简化的模型文件，并对所述已简化的模型文件进行运行测试，得到测试结果；第二转换模块，当所述测试结果为测试通过时，用于将所述已简化的模型文件转换为待编译模型文件，所述待编译模型文件包括模型结构文件和模型参数文件；移植模块，用于对所述待编译模型文件进行量化处理，得到已量化的模型文件，对所述已量化的模型文件进行文件编译后，得到已编译文件，并将所述已编译文件移植到智能移动终端中。
可选的，在本发明第二方面的第一种实现方式中，所述获取模块包括：构建单元，用于构建pytorch框架环境，并基于所述pytorch框架环境设置初始神经网络模型，所述初始神经网络模型包括采用轻量化网络mobilenet-v2改进的骨干网络；训练单元，用于采用预设训练样本数据对所述初始神经网络模型进行训练并调试，得到已训练的快递面单识别模型，所述已训练的快递面单识别用于识别快递面单中电话号码区域；验证单元，用于利用预设测试样本数据对所述已训练的快递面单识别模型进行精确率验证，得到验证结果。
可选的，在本发明第二方面的第二种实现方式中，所述获取模块还包括：获取单元，用于获取初始快递面单样本数据集，并对所述快递面单样本数据集进行图像处理，得到目标快递面单样本数据集；划分单元，用于对所述目标快递面单样本数据集按照预设比例进行数据划分，得到所述预设训练样本数据和所述预设测试样本数据，并对所述预设训练样本数据进行标注处理。
可选的，在本发明第二方面的第三种实现方式中，所述第一转换模块具体用于：当所述验证结果大于或者等于预置阈值时，获取所述已训练的快递面单识别模型对应的存储文件路径信息和待转换文件名称；按照预设转换函数、所述存储文件路径信息和所述待转换文件名称，将所述已训练的快递面单识别模型转换为中间模型文件，所述中间模型文件为开放神经网络交换onnx模型文件；搭建onnx框架环境，并校验所述onnx模型文件是否运行正常，得到校验结果。
可选的，在本发明第二方面的第四种实现方式中，所述简化模块具体用于：当所述校验结果为校验通过时，采用预设简化工具对所述onnx模型文件去除冗余节点并合并零散算子，得到已简化的模型文件；在所述onnx框架环境中对所述已简化的模型文件进行运行测试，得到测试结果。
可选的，在本发明第二方面的第五种实现方式中，所述第二转换模块具体用于：当所述测试结果为测试通过时，搭建神经网络前向计算ncnn框架环境，并从所述ncnn框架环境中读取目标可执行文件；调用所述目标可执行文件将所述已简化的模型文件转换为待编译模型文件，所述待编译模型文件包括模型结构文件和模型参数文件。
可选的，在本发明第二方面的第六种实现方式中，所述移植模块具体用于：从所述待编译模型文件中获取所述模型结构文件和所述模型参数文件；从预设文件目录中读取第一可执行文件和第二可执行文件；通过所述第一可执行文件对所述模型结构文件和所述模型参数文件进行量化处理，得到目标量化表；通过所述第二可执行文件对所述模型结构文件、所述模型参数文件和所述目标量化表进行量化处理，得到已量化的模型文件；利用C++对所述已量化的模型文件进行代码编译，得到已编译文件，并将所述已编译文件移植到智能移动终端中。
本发明第三方面提供了一种快递面单识别模型移植设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述快递面单识别模型移植设备执行上述的快递面单识别模型移植方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的快递面单识别模型移植方法。
本发明提供的技术方案中，获取已训练的快递面单识别模型，利用预设测试样本数据对所述已训练的快递面单识别模型进行验证，得到验证结果；当所述验证结果大于或者等于预置阈值时，将所述已训练的快递面单识别模型转换为中间模型文件，并校验所述中间模型文件是否运行正常，得到校验结果；当所述校验结果为校验通过时，对所述中间模型文件进行简化处理，得到已简化的模型文件，并对所述已简化的模型文件进行运行测试，得到测试结果；当所述测试结果为测试通过时，将所述已简化的模型文件转换为待编译模型文件，所述待编译模型文件包括模型结构文件和模型参数文件；对所述待编译模型文件进行量化处理，得到已量化的模型文件，对所述已量化的模型文件进行文件编译后，得到已编译文件，并将所述已编译文件移植到智能移动终端中。本发明实施例中，在确保待编译模型文件中网络精度的前提下，对已训练的快递面单识别模型进行模型文件转换、模型简化以及量化处理，精简了快递面单识别模型的结构，提高了快递面单识别速度和识别率，并且降低了移植模型的复杂度，将模型移植到计算能力和存储空间都相对有限的智能移动终端，快速完成移植工作，提高了移植效率。
附图说明
图1为本发明实施例中快递面单识别模型移植方法的一个实施例示意图；
图2为本发明实施例中快递面单识别模型移植方法的另一个实施例示意图；
图3为本发明实施例中快递面单识别模型移植装置的一个实施例示意图；
图4为本发明实施例中快递面单识别模型移植装置的另一个实施例示意图；
图5为本发明实施例中快递面单识别模型移植设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种快递面单识别模型移植方法、装置、设备及存储介质，用于在确保快递面单识别模型中网络精度的前提下，降低移植模型的复杂度，将模型移植到计算能力和存储空间都相对有限的智能移动终端，快速完成移植工作，提高移植效率。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中快递面单识别模型移植方法的一个实施例包括：
101、获取已训练的快递面单识别模型，利用预设测试样本数据对已训练的快递面单识别模型进行验证，得到验证结果。
其中，已训练的快递面单识别模型用于对快递面单图像信息进行检测，包括识别电话号码以及条形码信息，电话号码可包括移动手机号码和座机号码，条形码信息用于指示将宽度不等的多个黑条和空白，按照预设的编码规则排列，用以表达一组信息的图形标识符。具体的，服务器获取待标注的快递面单图像信息，对快递面单图像信息进行数据预处理和数据标注，然后利用已标注的快递面单数据(属于训练样本数据)对快递面单语义分割模型进行训练。并在训练过程中，服务器通过骨干网络backone提取已标注的快递面单数据中的初始特征，然后服务器通过渐进式扩展网络pesnet提取对初始特征进行特征融合处理，得到已训练的快递面单识别模型。
进一步地，服务器获取测试样本数据，服务将测试样本数输入到已训练的快递面单识别模型中，得到预测结果；服务器根据预测结果计算模型识别的预测效果，得到验证结果，其中，预测效果可以为准确率，也可以为精确率，具体此处不做限定。例如，服务器确定验证结果为98％或者0.98，也就是已训练的快递面单识别模型的识别准确率或者识别精确率为98％，服务器判断验证结果是否大于或者等于预置阈值，例如，预置阈值可为95％，则服务器确定验证结果大于预置阈值，预置阈值也可为98％，则服务器确定验证结果等于预置阈值，服务器执行步骤102。预置阈值还可为其他数值，具体此处不做限定。
需要说明的是，当验证结果小于预置阈值时，服务器可对测试样本数据进行标注处理，并添加到训练样本数据中，对快递面单语义分割模型重新训练，得到已训练的快递面单识别模型。服务器按照预设文件格式将已训练的快递面单识别模型进行文件保存，例如，服务器可以采用pytorch、或者apache mxnet框架，对快递面单语义分割模型进行文件存储，并存储到预设文件目录下，得到初始模型文件，初始模型文件中可以保存模型参数，也可以保存模型结构，具体此处不做限定。其中，例如，预设文件格式(初始模型文件扩展名)为.t、.pth、.pt或者.pkl，具体此处不做限定。
可以理解的是，本发明的执行主体可以为快递面单识别模型移植装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
102、当验证结果大于或者等于预置阈值时，将已训练的快递面单识别模型转换为中间模型文件，并校验中间模型文件是否运行正常，得到校验结果。
其中，中间模型文件用于表示深度神经网络模型的标准，可使训练好的模型在不同框架之间进行转移，以采用相同格式存储模型数据并交互。具体的，当验证结果大于或者等于预置阈值时，服务器按照目标文件的名称从预设文件目录下获取已训练的快递面单识别模型对应的初始模型文件，并将初始模型文件转换为中间模型文件，其中，中间模型文件可以为caffe框架格式的文件，也可以为onnx框架格式的文件，具体此处不做先限定。例如，服务器从预设文件目录/var/www/html/file/中获取a.pth模型，并将a.pth模型转换为中间模型文件b.onnx。然后服务器校验中间模型文件是否运行正常，当校验结果小于目标值时，服务器确定校验结果为校验未通过，当校验结果大于或者等于目标值时，服务器确定校验结果为校验通过，其中，目标值的取值范围可为0至1之间。
进一步地，服务器还可将校验结果与验证结果进行比较，确定已训练的快递面单识别模型是否存在精度损失。例如，服务器将校验结果与验证结果进行差值运算，得到运算结果，若运算结果大于或者等于0，或者运算结果大于预设值，则服务器确定校验结果为校验未通过，服务器执行步骤103。其中，预设值用于指示已训练的快递面单识别模型转换后，可接受的精度损失误差，例如，预设值可以为-0.01，也可以为-0.05，具体此处不做限定。
103、当校验结果为校验通过时，对中间模型文件进行简化处理，得到已简化的模型文件，并对已简化的模型文件进行运行测试，得到测试结果。
其中，中间模型文件用于存储已训练的快递面单识别模型的中间转换模型，服务器在对已训练的快递面单识别模型转化为中间模型文件时，存在零散算子或者冗余分支，服务器对中间模型文件进行简化处理，得到已简化的模型文件，例如，服务器利用预设简化工具onnx_simplifier对中间模型文件c.onnx进行简化处理。因此，服务器减小了中间模型文件的大小，从而减少了计算量。
由于已简化的模型文件与原模型(已训练的快递面单识别模型)之间存在精度误差，因此服务器还需要对已简化的模型文件进行运行测试，得到测试结果，当测试结果在精度误差范围内时，服务器确定测试结果为测试通过，服务器执行步骤104，否则，服务器需要对已训练的快递面单识别模型进行重新训练。
104、当测试结果为测试通过时，将已简化的模型文件转换为待编译模型文件，待编译模型文件包括模型结构文件和模型参数文件。
其中，待编译模型文件用于指示智能移动终端中高性能神经网络的框架文件，待编译模型文件可以为神经网络前向计算ncnn模型文件，也可以为张量流tensorflow模型文件，还可以为其他框架格式的文件，具体此处不做限定。进一步地，当测试结果为测试通过时，服务器生成转换语句，服务器执行转换语句，将已简化的模型文件转换为待编译模型文件，转换语句如下所示：
onnx-tf convert-t tf-i/src/in.onnx-o/to/out.pb；
需要说明的是，服务器将已简化的模型文件in.onnx转换为待编译模型文件out.pb。服务器还需要预先安装tensorflow、onnx以及onnx-tensorflow环境，使得转换语句执行正常。而且，待编译模型文件包括模型结构文件和模型参数文件，因此，转换语句还需要支持模型结构文件和模型参数文件的转换，转换后的待编译模型文件包括模型结构文件a.param和模型参数文件b.bin，其中，各模型文件的名称可以自定义，具体此处不做限定。
105、对待编译模型文件进行量化处理，得到已量化的模型文件，对已量化的模型文件进行文件编译后，得到已编译文件，并将已编译文件移植到智能移动终端中。
进一步地，服务器采用预设量化算法对待编译模型文件进行量化处理，得到已量化的模型文件，服务器采用C++对已量化的模型文件进行文件编译后，得到已编译文件，并将已编译文件移植到智能移动终端中。以使得已训练的快递面单识别模型在智能移动终端实现快递面单信息检测与识别。其中，预设量化算法可以为int8量化算法，也可以为其他量化算法，具体此处不做限定。
需要说明的是，服务器对已训练的快递面单识别模型在训练时，通常采用32位单精度浮点数据来表示网络权值和激活值等信息。因此，服务器将待编译模型文件部署到移动智能终端时，需要进行低精度量化操作，也就是减少数据精度。例如，服务器采用8位或者6位代替32位单精度浮点数据，并在确保待编译模型文件中网络精度的前提下，减少待编译模型文件对存储和计算资源的需求。
本发明实施例中，在确保待编译模型文件中网络精度的前提下，对已训练的快递面单识别模型进行模型文件转换、模型简化以及量化处理，精简了快递面单识别模型的结构，提高了快递面单识别速度和识别率，并且降低了移植模型的复杂度，将模型移植到计算能力和存储空间都相对有限的智能移动终端，快速完成移植工作，提高了移植效率。
请参阅图2，本发明实施例中快递面单识别模型移植方法的另一个实施例包括：
201、构建pytorch框架环境，并基于pytorch框架环境设置初始神经网络模型，初始神经网络模型包括采用轻量化网络mobilenet-v2改进的骨干网络。
其中，pytorch框架环境用于对初始神经网络模型进行训练并调试。进一步地，服务器执行预设脚本，生成pytorch框架环境，并导入torch库和torch.nn库。该预设脚本中包括命令解析器shell语句，用于获取pytorch的源码以及进行源码安装，例如，服务器获取pytorch的源码对应的shell语句如下所示：
git clone–recursive https://github.com/pytorch/pytorch；
然后，服务器在pytorch框架环境下设置初始神经网络模型，初始神经网络模型包括采用轻量化网络mobilenet-v2改进的骨干网络，其中轻量化网络还可使用组group卷积和1x1卷积减少各网络计算量，并确保初始神经网络模型的精度。例如mobilenet-v3，具体此处不做限定。
202、采用预设训练样本数据对初始神经网络模型进行训练并调试，得到已训练的快递面单识别模型，已训练的快递面单识别用于识别快递面单中电话号码区域。
需要说明的是，服务器在步骤201之前，服务器获取初始快递面单样本数据集，并对快递面单样本数据集进行图像处理，得到目标快递面单样本数据集，其中，图像处理包括图像尺寸校正与尺寸变换、调整对比度、亮度、色调和饱和度，还可以为其他图像处理操作，具体此处不做限定。服务器对目标快递面单样本数据集按照预设比例进行数据划分，得到预设训练样本数据和预设测试样本数据，其中，预设比例可以为3:1，也可以为5:2，具体此处不做限定；并对预设训练样本数据进行标注处理。也就是，服务器对预设训练样本数据中的电话号码区域进行标注。
具体的，服务器在基于pytorch框架环境中，服务器采用预设训练样本数据对初始神经网络模型进行训练并调试，直到模型训练误差(也可以为损失函数)下降到预设值以下时，服务器停止训练，得到已训练的快递面单识别模型。例如，模型训练误差减小到2％以下时，服务器停止训练。其中预设值还可以为其他数值，具体此处不做限定。进一步地，服务器采用函数torch.save将已训练的快递面单识别模型保存为格式为.pth、.pt或者.pkl的模型文件，例如，服务器采用torch.save(model,"test_model.pth")进行模型保存，得到已训练的快递面单识别模型对应的初始模型文件test_model.pth。进一步地，服务器还可采用渐进式扩展网络对初始神经网络模型进行训练，具体此处不做限定。
203、利用预设测试样本数据对已训练的快递面单识别模型进行精确率验证，得到验证结果。
其中，精确率用于指示已训练的快递面单识别模型正确识别电话号码的正确预测结果数量与实际快递面单样本的预测结果总数量之间的比例，例如，预测结果总数量有100个，其中，正确预测结果数量有88个，所以准确率为0.88(88/100)。也就是，服务器通过已训练的快递面单识别模型检测电话号码方面的正确率为88％。
具体的，服务器利用预设测试样本数据对已训练的快递面单识别模型进行检测，得到检测结果，服务器根据检测结果进行精确率验证，得到验证结果。服务器判断验证结果是否大于或者等于预置阈值，进一步地，服务器将验证结果与预置阈值进行减法运算，得到差值，若差值大于或者等于0时，服务器确定验证结果大于或者等于预置阈值；若差值小于0时，服务器确定验证结果小于预置阈值，其中，预置阈值为根据实际业务需求进行预先设置的值。
204、当验证结果大于或者等于预置阈值时，将已训练的快递面单识别模型转换为中间模型文件，并校验中间模型文件是否运行正常，得到校验结果。
其中，在pytorch框架环境中，已训练的快递面单识别模型采用格式为.pth、.pt或者.pkl的初始模型文件进行保存。可选的，当验证结果大于或者等于预置阈值时，服务器获取已训练的快递面单识别模型对应的存储文件路径信息和待转换文件名称；服务器按照预设转换函数、存储文件路径信息和待转换文件名称，将已训练的快递面单识别模型转换为中间模型文件，中间模型文件为开放神经网络交换onnx模型文件；服务器搭建onnx框架环境，并校验onnx模型文件是否运行正常，得到校验结果。需要说明的是，服务器校验onnx模型文件是否能输出预设的输出结果，测试该onnx模型文件是否能正常工作。
例如，服务器利用torch与开放神经网络切换onnx间的预设转换函数torch.onnx.export，将格式为.pth的初始模型文件c.pth转换为格式为.onnx的onnx模型下的中间模型文件d.onnx。
205、当校验结果为校验通过时，对中间模型文件进行简化处理，得到已简化的模型文件，并对已简化的模型文件进行运行测试，得到测试结果。
由于每个框架对同一模型结构和算子的支持存在差异，因此在模型转换过程中，存在零散算子以及冗余分支，需要对齐转换后的模型文件(中间模型文件)进行简化处理。例如，pytorch中的interpolate算子转换成onnx模型文件之后存在很多零散的算子，如cast、shape等，而这些算子在ncnn模型中并不支持。
可选的，当校验结果为校验通过时，服务器采用预设简化工具对onnx模型文件去除冗余节点并合并零散算子，得到已简化的模型文件；服务器在onnx框架环境中对已简化的模型文件进行运行测试，得到测试结果。其中，预设简化工具可以采用预设shell语句pip3 install onnx-simplifier进行安装，服务器利用预设简化工具进行模型简化处理如下所示：
python-m onnxsim./model.onnx./model_sim.onnx；
进一步地，服务器可以利用OpenCV的cv::dnn::readNetFromONNX或者cv::dnn::readNet从已简化的模型文件中进行模型加载与运行测试，得到测试结果，测试结果包括测试通过和测试不通过，同时还需要确保已简化的模型文件的检测精度。
206、当测试结果为测试通过时，将已简化的模型文件转换为待编译模型文件，待编译模型文件包括模型结构文件和模型参数文件。
其中，模型结构文件对应的文件格式可为.param，模型参数文件对应的文件格式可为.bin，具体此处不做限定。待编译模型文件可以部署在智能移动终端中。可选的，当测试结果为测试通过时，服务器搭建神经网络前向计算ncnn框架环境，并从ncnn框架环境中读取目标可执行文件；服务器调用目标可执行文件将已简化的模型文件转换为待编译模型文件，待编译模型文件包括模型结构文件和模型参数文件。其中，目标可执行文件可为onnx2ncnn(编译ncnn源码可生成，用于将onnx模型文件转化为待编译模型文件)，目标可执行文件还可为其他文件，具体此处不做限定。例如，服务器采用onnx2ncnn将已简化的模型文件转换为待编译模型文件的执行语句如下所示
./onnx2ncnn model_sim.onnx model.param model.bin；
其中，model_sim.onnx为已简化的模型文件，model.param为模型结构文件，model.bin为模型参数文件。
进一步地，服务器利用预设运行库onnxruntime(python)和NCNN(C++)分别提取已简化的模型文件和待编译模型文件中对应的各网络节点的输出结果，并对输出结果进行一一对比，确定待编译模型文件运行正常。
207、对待编译模型文件进行量化处理，得到已量化的模型文件，对已量化的模型文件进行文件编译后，得到已编译文件，并将已编译文件移植到智能移动终端中。
其中，量化处理就是对待编译模型文件进行模型剪枝处理，也就是通过剪去冗余部分，减少网络计算量。可选的，服务器从待编译模型文件中获取待处理文件，待处理文件包括神经网络的参数输入文件和神经网络的结构输入文件；服务器从预设文件目录中获取第一可执行文件和第二可执行文件，例如，在文件目录ncnn/build/tools/quantize下，服务器获取第一可执行文件ncnn2table，在文件目录ncnn/build/tools/quantizw下，服务器获取第二可执行文件ncnn2int8；服务器通过第一可执行文件对神经网络的参数输入文件和神经网络的结构输入文件进行量化处理，得到目标量化表，例如，newModel.table；服务器通过第二可执行文件对神经网络的参数输入文件、神经网络的结构输入文件和目标量化表进行量化处理，得到已量化的模型文件，已量化的模型文件包括神经网络的参数输出文件和神经网络的结构输出文件；服务器采用C++对已量化的模型文件进行代码编译，得到已编译文件，并将已编译文件移植到智能移动终端中。服务器调用opencv c++api调用函数，对预测图片进行剪切和矫正旋转，得到目标手机号区域；并将目标手机号区域输送到crnn网络，得到最终识别结果。
进一步地，服务器还可以对待编译模型文件(模型结构文件和模型参数文件)进行加密处理，防止明文方式发布，导致模型结构的信息泄露，例如，服务器采用ncnn2mem工具将待编译模型文件转换成二进制文件。
本发明实施例中，在确保待编译模型文件中网络精度的前提下，对已训练的快递面单识别模型进行模型文件转换、模型简化以及量化处理，精简了快递面单识别模型的结构，提高了快递面单识别速度和识别率，并且降低了移植模型的复杂度，将模型移植到计算能力和存储空间都相对有限的智能移动终端，快速完成移植工作，提高了移植效率。
上面对本发明实施例中快递面单识别模型移植方法进行了描述，下面对本发明实施例中快递面单识别模型移植装置进行描述，请参阅图3，本发明实施例中快递面单识别模型移植装置一个实施例包括：
获取模块301，用于获取已训练的快递面单识别模型，利用预设测试样本数据对已训练的快递面单识别模型进行验证，得到验证结果；
第一转换模块302，当验证结果大于或者等于预置阈值时，用于将已训练的快递面单识别模型转换为中间模型文件，并校验中间模型文件是否运行正常，得到校验结果；
简化模块303，当校验结果为校验通过时，用于对中间模型文件进行简化处理，得到已简化的模型文件，并对已简化的模型文件进行运行测试，得到测试结果；
第二转换模块304，当测试结果为测试通过时，用于将已简化的模型文件转换为待编译模型文件，待编译模型文件包括模型结构文件和模型参数文件；
移植模块305，用于对待编译模型文件进行量化处理，得到已量化的模型文件，对已量化的模型文件进行文件编译后，得到已编译文件，并将已编译文件移植到智能移动终端中。
本发明实施例中，在确保待编译模型文件中网络精度的前提下，对已训练的快递面单识别模型进行模型文件转换、模型简化以及量化处理，精简了快递面单识别模型的结构，提高了快递面单识别速度和识别率，并且降低了移植模型的复杂度，将模型移植到计算能力和存储空间都相对有限的智能移动终端，快速完成移植工作，提高了移植效率。
请参阅图4，本发明实施例中快递面单识别模型移植装置的另一个实施例包括：
获取模块301，用于获取已训练的快递面单识别模型，利用预设测试样本数据对已训练的快递面单识别模型进行验证，得到验证结果；
第一转换模块302，当验证结果大于或者等于预置阈值时，用于将已训练的快递面单识别模型转换为中间模型文件，并校验中间模型文件是否运行正常，得到校验结果；
简化模块303，当校验结果为校验通过时，用于对中间模型文件进行简化处理，得到已简化的模型文件，并对已简化的模型文件进行运行测试，得到测试结果；
第二转换模块304，当测试结果为测试通过时，用于将已简化的模型文件转换为待编译模型文件，待编译模型文件包括模型结构文件和模型参数文件；
移植模块305，用于对待编译模型文件进行量化处理，得到已量化的模型文件，对已量化的模型文件进行文件编译后，得到已编译文件，并将已编译文件移植到智能移动终端中。
可选的，获取模块301还包括：
构建单元3011，用于构建pytorch框架环境，并基于pytorch框架环境设置初始神经网络模型，初始神经网络模型包括骨干网络、轻量化网络和渐进式扩展网络；
训练单元3012，用于采用预设训练样本数据对初始神经网络模型进行训练并调试，得到已训练的快递面单识别模型，已训练的快递面单识别用于识别快递面单中电话号码区域；
验证单元3013，用于利用预设测试样本数据对已训练的快递面单识别模型进行精确率验证，得到验证结果。
可选的，获取模块301还包括：
获取单元3014，用于获取初始快递面单样本数据集，并对快递面单样本数据集进行图像处理，得到目标快递面单样本数据集；
划分单元3015，用于对目标快递面单样本数据集按照预设比例进行数据划分，得到预设训练样本数据和预设测试样本数据，并对预设训练样本数据进行标注处理。
可选的，第一转换模块302还可以具体用于：
当验证结果大于或者等于预置阈值时，获取已训练的快递面单识别模型对应的存储文件路径信息和待转换文件名称；
按照预设转换函数、存储文件路径信息和待转换文件名称，将已训练的快递面单识别模型转换为中间模型文件，中间模型文件为开放神经网络交换onnx模型文件；
搭建onnx框架环境，并校验onnx模型文件是否运行正常，得到校验结果。
可选的，简化模块303还可以具体用于：
当校验结果为校验通过时，采用预设简化工具对onnx模型文件去除冗余节点并合并零散算子，得到已简化的模型文件；
在onnx框架环境中对已简化的模型文件进行运行测试，得到测试结果。
可选的，第二转换模块304还可以具体用于：
当测试结果为测试通过时，搭建神经网络前向计算ncnn框架环境，并从ncnn框架环境中读取目标可执行文件；
调用目标可执行文件将已简化的模型文件转换为待编译模型文件，待编译模型文件包括模型结构文件和模型参数文件。
可选的，移植模块305还可以具体用于：
从待编译模型文件中获取模型结构文件和模型参数文件；
从预设文件目录中读取第一可执行文件和第二可执行文件；
通过第一可执行文件对模型结构文件和模型参数文件进行量化处理，得到目标量化表；
通过第二可执行文件对模型结构文件、模型参数文件和目标量化表进行量化处理，得到已量化的模型文件；
利用C++对已量化的模型文件进行代码编译，得到已编译文件，并将已编译文件移植到智能移动终端中。
本发明实施例中，在确保待编译模型文件中网络精度的前提下，对已训练的快递面单识别模型进行模型文件转换、模型简化以及量化处理，精简了快递面单识别模型的结构，提高了快递面单识别速度和识别率，并且降低了移植模型的复杂度，将模型移植到计算能力和存储空间都相对有限的智能移动终端，快速完成移植工作，提高了移植效率。
上面图3和图4从模块化的角度对本发明实施例中的快递面单识别模型移植装置进行详细描述，下面从硬件处理的角度对本发明实施例中快递面单识别模型移植设备进行详细描述。
图5是本发明实施例提供的一种快递面单识别模型移植设备的结构示意图，该快递面单识别模型移植设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对快递面单识别模型移植设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在快递面单识别模型移植设备500上执行存储介质530中的一系列指令操作。
快递面单识别模型移植设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的快递面单识别模型移植设备结构并不构成对快递面单识别模型移植设备的限定，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。
本发明还提供一种快递面单识别模型移植设备，所述快递面单识别模型移植设备包括存储器和处理器，存储器中存储有指令，所述指令被处理器执行时，使得处理器执行上述各实施例中的所述快递面单识别模型移植方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述快递面单识别模型移植方法的步骤。
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，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种快递面单识别模型移植方法，其特征在于，所述快递面单识别模型移植方法包括：
获取已训练的快递面单识别模型，利用预设测试样本数据对所述已训练的快递面单识别模型进行验证，得到验证结果；
当所述验证结果大于或者等于预置阈值时，将所述已训练的快递面单识别模型转换为中间模型文件，并校验所述中间模型文件是否运行正常，得到校验结果；
当所述校验结果为校验通过时，对所述中间模型文件进行简化处理，得到已简化的模型文件，并对所述已简化的模型文件进行运行测试，得到测试结果；
当所述测试结果为测试通过时，将所述已简化的模型文件转换为待编译模型文件，所述待编译模型文件包括模型结构文件和模型参数文件；
对所述待编译模型文件进行量化处理，得到已量化的模型文件，对所述已量化的模型文件进行文件编译后，得到已编译文件，并将所述已编译文件移植到智能移动终端中。
2.根据权利要求1所述的快递面单识别模型移植方法，其特征在于，所述获取已训练的快递面单识别模型，利用预设测试样本数据对所述已训练的快递面单识别模型进行验证，得到验证结果，包括：
构建pytorch框架环境，并基于所述pytorch框架环境设置初始神经网络模型，所述初始神经网络模型包括采用轻量化网络mobilenet-v2改进的骨干网络；
采用预设训练样本数据对所述初始神经网络模型进行训练并调试，得到已训练的快递面单识别模型，所述已训练的快递面单识别用于识别快递面单中电话号码区域；
利用预设测试样本数据对所述已训练的快递面单识别模型进行精确率验证，得到验证结果。
3.根据权利要求2所述的快递面单识别模型移植方法，其特征在于，在所述构建pytorch框架环境，并基于所述pytorch框架环境设置初始神经网络模型，所述初始神经网络模型包括采用轻量化网络mobilenet-v2改进的骨干网络之前，所述快递面单识别模型移植方法还包括：
获取初始快递面单样本数据集，并对所述快递面单样本数据集进行图像处理，得到目标快递面单样本数据集；
对所述目标快递面单样本数据集按照预设比例进行数据划分，得到所述预设训练样本数据和所述预设测试样本数据，并对所述预设训练样本数据进行标注处理。
4.根据权利要求1所述的快递面单识别模型移植方法，其特征在于，所述当所述验证结果大于或者等于预置阈值时，将所述已训练的快递面单识别模型转换为中间模型文件，并校验所述中间模型文件是否运行正常，得到校验结果，包括：
当所述验证结果大于或者等于预置阈值时，获取所述已训练的快递面单识别模型对应的存储文件路径信息和待转换文件名称；
按照预设转换函数、所述存储文件路径信息和所述待转换文件名称，将所述已训练的快递面单识别模型转换为中间模型文件，所述中间模型文件为开放神经网络交换onnx模型文件；
搭建onnx框架环境，并校验所述onnx模型文件是否运行正常，得到校验结果。
5.根据权利要求4所述的快递面单识别模型移植方法，其特征在于，所述当所述校验结果为校验通过时，对所述中间模型文件进行简化处理，得到已简化的模型文件，并对所述已简化的模型文件进行运行测试，得到测试结果，包括：
当所述校验结果为校验通过时，采用预设简化工具对所述onnx模型文件去除冗余节点并合并零散算子，得到已简化的模型文件；
在所述onnx框架环境中对所述已简化的模型文件进行运行测试，得到测试结果。
6.根据权利要求1所述的快递面单识别模型移植方法，其特征在于，所述当所述测试结果为测试通过时，将所述已简化的模型文件转换为待编译模型文件，所述待编译模型文件包括模型结构文件和模型参数文件，包括：
当所述测试结果为测试通过时，搭建神经网络前向计算ncnn框架环境，并从所述ncnn框架环境中读取目标可执行文件；
调用所述目标可执行文件将所述已简化的模型文件转换为待编译模型文件，所述待编译模型文件包括模型结构文件和模型参数文件。
7.根据权利要求1-6中任意一项所述的快递面单识别模型移植方法，其特征在于，所述对所述待编译模型文件进行量化处理，得到已量化的模型文件，对所述已量化的模型文件进行文件编译后，得到已编译文件，并将所述已编译文件移植到智能移动终端中，包括：
从所述待编译模型文件中获取所述模型结构文件和所述模型参数文件；
从预设文件目录中读取第一可执行文件和第二可执行文件；
通过所述第一可执行文件对所述模型结构文件和所述模型参数文件进行量化处理，得到目标量化表；
通过所述第二可执行文件对所述模型结构文件、所述模型参数文件和所述目标量化表进行量化处理，得到已量化的模型文件；
利用C++对所述已量化的模型文件进行代码编译，得到已编译文件，并将所述已编译文件移植到智能移动终端中。
8.一种快递面单识别模型移植装置，其特征在于，所述快递面单识别模型移植装置包括：
获取模块，用于获取已训练的快递面单识别模型，利用预设测试样本数据对所述已训练的快递面单识别模型进行验证，得到验证结果；
第一转换模块，当所述验证结果大于或者等于预置阈值时，用于将所述已训练的快递面单识别模型转换为中间模型文件，并校验所述中间模型文件是否运行正常，得到校验结果；
简化模块，当所述校验结果为校验通过时，用于对所述中间模型文件进行简化处理，得到已简化的模型文件，并对所述已简化的模型文件进行运行测试，得到测试结果；
第二转换模块，当所述测试结果为测试通过时，用于将所述已简化的模型文件转换为待编译模型文件，所述待编译模型文件包括模型结构文件和模型参数文件；
移植模块，用于对所述待编译模型文件进行量化处理，得到已量化的模型文件，对所述已量化的模型文件进行文件编译后，得到已编译文件，并将所述已编译文件移植到智能移动终端中。
9.一种快递面单识别模型移植设备，其特征在于，所述快递面单识别模型移植设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述快递面单识别模型移植设备执行如权利要求1-7中任意一项所述的快递面单识别模型移植方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述快递面单识别模型移植方法。
CN202010715972.4A 2020-07-23 2020-07-23 快递面单识别模型移植方法、装置、设备及存储介质 Active CN111814906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010715972.4A CN111814906B (zh) 2020-07-23 2020-07-23 快递面单识别模型移植方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010715972.4A CN111814906B (zh) 2020-07-23 2020-07-23 快递面单识别模型移植方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111814906A CN111814906A (zh) 2020-10-23
CN111814906B true CN111814906B (zh) 2023-07-11

Family

ID=72862280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010715972.4A Active CN111814906B (zh) 2020-07-23 2020-07-23 快递面单识别模型移植方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111814906B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112328674B (zh) * 2020-11-17 2024-05-14 深圳力维智联技术有限公司 跨数据格式的模型转化加速方法及装置
CN112668574A (zh) * 2020-12-28 2021-04-16 深圳前海百递网络有限公司 包裹图像处理方法、装置、计算机设备和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701008A (zh) * 2014-12-10 2016-06-22 通用电气公司 用于安全关键的软件的集成自动化测试用例生成
CN108446621A (zh) * 2018-03-14 2018-08-24 平安科技（深圳）有限公司 票据识别方法、服务器及计算机可读存储介质
CN109902678A (zh) * 2019-02-12 2019-06-18 北京奇艺世纪科技有限公司 模型训练方法、文字识别方法、装置、电子设备及计算机可读介质
CN109903771A (zh) * 2019-01-30 2019-06-18 科讯嘉联信息技术有限公司 一种快递场景智能录入地址方法及系统
CN110348447A (zh) * 2019-06-27 2019-10-18 电子科技大学 一种具有丰富空间信息的多模型集成目标检测方法
CN110427756A (zh) * 2019-06-20 2019-11-08 中国人民解放军战略支援部队信息工程大学 基于胶囊网络的安卓恶意软件检测方法及装置
CN110674923A (zh) * 2019-08-15 2020-01-10 山东领能电子科技有限公司 一种多神经网络框架间的快速模型验证方法
CN110908667A (zh) * 2019-11-18 2020-03-24 北京迈格威科技有限公司 神经网络联合编译的方法、装置和电子设备
CN111260021A (zh) * 2018-11-30 2020-06-09 百度（美国）有限责任公司 预测深度学习缩放

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701008A (zh) * 2014-12-10 2016-06-22 通用电气公司 用于安全关键的软件的集成自动化测试用例生成
CN108446621A (zh) * 2018-03-14 2018-08-24 平安科技（深圳）有限公司 票据识别方法、服务器及计算机可读存储介质
CN111260021A (zh) * 2018-11-30 2020-06-09 百度（美国）有限责任公司 预测深度学习缩放
CN109903771A (zh) * 2019-01-30 2019-06-18 科讯嘉联信息技术有限公司 一种快递场景智能录入地址方法及系统
CN109902678A (zh) * 2019-02-12 2019-06-18 北京奇艺世纪科技有限公司 模型训练方法、文字识别方法、装置、电子设备及计算机可读介质
CN110427756A (zh) * 2019-06-20 2019-11-08 中国人民解放军战略支援部队信息工程大学 基于胶囊网络的安卓恶意软件检测方法及装置
CN110348447A (zh) * 2019-06-27 2019-10-18 电子科技大学 一种具有丰富空间信息的多模型集成目标检测方法
CN110674923A (zh) * 2019-08-15 2020-01-10 山东领能电子科技有限公司 一种多神经网络框架间的快速模型验证方法
CN110908667A (zh) * 2019-11-18 2020-03-24 北京迈格威科技有限公司 神经网络联合编译的方法、装置和电子设备

Also Published As

Publication number Publication date
CN111814906A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN111814906B (zh) 快递面单识别模型移植方法、装置、设备及存储介质
CN109087667B (zh) 语音流利度识别方法、装置、计算机设备及可读存储介质
CN110287125B (zh) 基于图像识别的软件例行化测试方法及装置
CN113271237A (zh) 工控协议的解析方法、装置、存储介质及处理器
CN106919403B (zh) 云环境下基于Java字节码的多粒度代码克隆检测方法
CN110634471A (zh) 一种语音质检方法、装置、电子设备和存储介质
CN116302989A (zh) 压力测试方法及系统、存储介质、计算机设备
CN109002715B (zh) 一种基于卷积神经网络的恶意软件识别方法及系统
CN114647590A (zh) 测试用例生成方法及相关装置
CN111193631B (zh) 信息处理方法、系统和计算机可读存储介质
CN112579465B (zh) 一种测试案例执行方法、装置、存储介质和设备
CN113923268A (zh) 一种针对多版本通信规约的解析方法、设备及存储介质
CN104965742A (zh) 一种处理前端任务的自动化脚本及装置
CN115100592A (zh) 一种输电通道外破隐患识别方法、装置及存储介质
CN113312485B (zh) 日志自动化分类方法及装置、计算机可读存储介质
CN113487550B (zh) 一种基于改进激活函数的目标检测方法及装置
US20220058530A1 (en) Method and device for optimizing deep learning model conversion, and storage medium
CN113849484A (zh) 一种大数据组件升级方法、装置、电子设备及存储介质
CN110083807B (zh) 合同的修改影响自动预测方法、装置、介质及电子设备
CN107729016B (zh) 一种基于docker的rpm包编译方法和系统
CN114253989B (zh) 一种数据修改方案检测方法、装置及电子设备
US12124825B2 (en) Method and apparatus for compatibility detection, device and non-transitory computer-readable storage medium
CN111857678B (zh) 代码生成方法、装置、电子设备及计算机存储介质
CN111459803B (zh) 一种信息处理方法、装置、电子设备和存储介质
CN115412335B (zh) 5g电力物联网边缘设备漏洞检测方法、装置及系统

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
GR01 Patent grant
GR01 Patent grant