CN115631497A - 一种工商管理系统及其方法 - Google Patents

一种工商管理系统及其方法 Download PDF

Info

Publication number
CN115631497A
CN115631497A CN202211367695.8A CN202211367695A CN115631497A CN 115631497 A CN115631497 A CN 115631497A CN 202211367695 A CN202211367695 A CN 202211367695A CN 115631497 A CN115631497 A CN 115631497A
Authority
CN
China
Prior art keywords
image
feature map
industrial
corrected
scanned
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.)
Withdrawn
Application number
CN202211367695.8A
Other languages
English (en)
Inventor
史严梅
董文华
魏佳
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.)
Shandong Economic And Trade Vocational College
Original Assignee
Shandong Economic And Trade Vocational College
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 Shandong Economic And Trade Vocational College filed Critical Shandong Economic And Trade Vocational College
Priority to CN202211367695.8A priority Critical patent/CN115631497A/zh
Publication of CN115631497A publication Critical patent/CN115631497A/zh
Withdrawn legal-status Critical Current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
    • G06V30/18—Extraction of features or characteristics of the image
    • 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
    • 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
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及智能评估领域，其具体地公开了一种工商管理系统及其方法，其通过采用基于深度学习的人工智能技术来提取待检测工商纸质档案扫描图像和标准的参考工商纸质档案扫描图像之间的多尺度特征差异，以此来判断扫描的工商纸质档案图像质量是否满足预定标准。这样，能够准确地对扫描的工商纸质档案图像进行质量评估，以确保其能够满足后续的应用需求。

Description

一种工商管理系统及其方法
技术领域
本申请涉及智能评估领域，且更为具体地，涉及一种工商管理系统及其方法。
背景技术
工商档案是企业在登记注册及经营过程中在工商局所留存的信息、文件、档案的总称。工商档案查询是指通过一定的程序，查询企业工商注册登记、经营范围、投资规模、经营状况等综合情况，从而防范交易风险或投资风险，为经营者的决策提供参考。工商档案不但为企业间的经济关系提供了法律依据，而且是企业资信的重要组成部分。
近年来，工商档案数字化管理成为趋势。要实现数字化管理，就存在要将以往工商档案文件转换为计算机可识别的文字，实现录入、存储。工商档案文件进行数字化处理后，可以保存到可存储设备上，具有存储、管理和共享等功能，还可以减少文档库房占地，节省资源。
工商纸质档案数字化的操作流程包括档案的分类整理、图像扫描、文字录入以及存储入库等步骤。其中，图像扫描要使图像清晰，现有的解决方案是通过扫描人员的肉眼来分辨扫描质量是否满足要求，这种方案不仅耗时耗力，还会因人员的工作纰漏而造成图像扫描失误。
因此，期待一种优化的工商管理系统，其对扫描的工商纸质档案图像进行质量评估，以确保其能够满足后续的应用需求。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种工商管理系统及其方法，其通过采用基于深度学习的人工智能技术来提取待检测工商纸质档案扫描图像和标准的参考工商纸质档案扫描图像之间的多尺度特征差异，以此来判断扫描的工商纸质档案图像质量是否满足预定标准。这样，能够准确地对扫描的工商纸质档案图像进行质量评估，以确保其能够满足后续的应用需求。
根据本申请的一个方面，提供了一种工商管理系统，其包括：
纸质档案扫描模块，用于获取待检测工商纸质档案扫描图像以及参考工商纸质档案扫描图像，其中，所述参考工商纸质档案扫描图像具有满足预定标准的扫描成像质量；
扫描图像增强模块，用于分别对所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像进行直方图均衡化预处理和CLAHE颜色校正以得到校正后参考图像和校正后检测图像；
扫描图像编码模块，用于将所述校正后参考图像和所述校正后检测图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到检测特征图和参考特征图；
差分模块，用于计算所述检测特征图和所述参考特征图之间的差分特征图；
特征流形校正模块，用于对所述差分特征图的高维数据流形进行校正以得到校正后差分特征图；
解码模块，用于将所述校正后差分特征图通过解码器以得到用于表示成像质量差异的解码值；以及
管理结果生成模块，用于基于所述解码值与预定阈值之间的比较，确定所述待检测工商纸质档案扫描图像的扫描成像质量是否满足预定标准。
在上述工商管理系统中，所述扫描图像编码模块，包括：检测扫描图像编码单元，用于使用所述第一图像编码器对所述校正后检测图像进行深度卷积编码以得到所述检测特征图；以及，参考扫描图像编码单元，用于使用所述第二图像编码器对所述校正后参考图像进行深度卷积编码以得到所述参考特征图。
在上述工商管理系统中，所述第一图像编码器和所述第二图像编码器为包含多个混合卷积层的深度卷积神经网络模型。
在上述工商管理系统中，所述第一图像编码器和所述第二图像编码器具有相同的网络结构。
在上述工商管理系统中，所述差分模块，包括：以如下公式计算所述检测特征图和所述参考特征图之间的差分特征图；其中，所述公式为：
Figure BDA0003923848610000021
其中，F1表示所述检测特征图，F2表示所述参考特征图，Fc表示所述差分特征图，
Figure BDA0003923848610000022
表示按位置差分。
在上述工商管理系统中，所述特征流形校正模块，进一步用于：以如下公式对所述差分特征图的高维数据流形进行校正以得到所述校正后差分特征图；其中，所述公式为：
Figure BDA0003923848610000031
其中fi是所述差分特征图的特征值，N是所述差分特征图的尺度，且log表示以2为底的对数函数值。
在上述工商管理系统中，所述解码模块，进一步用于：使用所述解码器以如下公式将所述校正后差分特征图进行解码回归以获得用于表示成像质量差异的解码值；
其中，所述公式为：
Figure BDA0003923848610000032
其中X表示所述校正后差分特征图，Y是所述解码值，W是权重矩阵，
Figure BDA0003923848610000033
表示矩阵相乘。
在上述工商管理系统中，所述管理结果生成模块，进一步用于响应于所述解码值小于或等于预定阈值，确定所述待检测工商纸质档案扫描图像的扫描成像质量满足预定标准。
根据本申请的另一方面，提供了一种工商管理方法，其包括：
获取待检测工商纸质档案扫描图像以及参考工商纸质档案扫描图像，其中，所述参考工商纸质档案扫描图像具有满足预定标准的扫描成像质量；
分别对所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像进行直方图均衡化预处理和CLAHE颜色校正以得到校正后参考图像和校正后检测图像；
将所述校正后参考图像和所述校正后检测图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到检测特征图和参考特征图；
计算所述检测特征图和所述参考特征图之间的差分特征图；
对所述差分特征图的高维数据流形进行校正以得到校正后差分特征图；
将所述校正后差分特征图通过解码器以得到用于表示成像质量差异的解码值；以及
基于所述解码值与预定阈值之间的比较，确定所述待检测工商纸质档案扫描图像的扫描成像质量是否满足预定标准。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的工商管理方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的工商管理方法。
与现有技术相比，本申请提供的一种工商管理系统及其方法，其通过采用基于深度学习的人工智能技术来提取待检测工商纸质档案扫描图像和标准的参考工商纸质档案扫描图像之间的多尺度特征差异，以此来判断扫描的工商纸质档案图像质量是否满足预定标准。这样，能够准确地对扫描的工商纸质档案图像进行质量评估，以确保其能够满足后续的应用需求。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的工商管理系统的应用场景图；
图2为根据本申请实施例的工商管理系统的框图；
图3为根据本申请实施例的工商管理系统的系统架构图；
图4为根据本申请实施例的工商管理系统中扫描图像编码模块的框图；
图5为根据本申请实施例的工商管理方法的流程图；
图6为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
相应地，在本申请的技术方案中，可以使用待检测工商纸质档案扫描图像和标准的参考图像进行比对来进行扫描图像的质量检测，然而，考虑到扫描的工商纸质档案图像的质量达不到预定标准是细微式的，也就是说，扫描图像的质量特征在图像端并非显著特征，这也就使得图像中的瑕疵或分辨率等质量不过关问题很难以肉眼对两者图像进行区分。因此，在本申请的技术方案中，将扫描图像和参考图像映射到高维特征空间中，使其进在高维特征空间中进行特征对比，以此来进行工商纸质档案扫描图像的质量评估。
具体地，在本申请的技术方案中，采用基于深度学习的人工智能技术来提取待检测工商纸质档案扫描图像和标准的参考工商纸质档案扫描图像之间的多尺度特征差异，以此来判断扫描的工商纸质档案图像质量是否满足预定标准。也就是，将人工智能技术应用于工商管理技术以构建对扫描的工商纸质档案图像进行质量评估的方案，以确保其能够满足后续的应用需求。
具体地，在本申请的技术方案中，首先，获取待检测工商纸质档案扫描图像以及参考工商纸质档案扫描图像，其中，所述参考工商纸质档案扫描图像具有满足预定标准的扫描成像质量。然后，考虑到在对于待检测工商纸质档案扫描图像进行获取时，会由于外界环境中的粉层等因素的干扰而导致对于所述扫描图像采集的清晰度不够高，从而导致对于所述扫描图像中的隐含特征提取的精准度较差，进而影响质量判断的结果。
基于此，在本申请的技术方案中，分别对所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像进行直方图均衡化预处理和CLAHE颜色校正以得到校正后参考图像和校正后检测图像。也就是，以直方图均衡化预处理和CLAHE校正颜色来分别对于所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像进行图像增强以提高后续对于所述扫描图像和所述参考图像的隐含特征提取的精准度，从而得到所述校正后参考图像和所述校正后检测图像。应可以理解，直方图均衡化能将灰度范围分布不均匀的原始图像通过变换函数映射为灰度分布均匀的图像。该变换函数是指图像各灰度级概率的累积分布函数，变换后图像灰度动态范围增大，图像对比度也相应提高。也就是，由于所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像具有集中性、顺序性、偏离性的特点，利用直方图均衡化能够很好地将待检测防裂匣钵的底表面图像的灰度直方图分布在整个图像灰度的取值范围内，而且其整体灰度值分布也近似均匀分布，从而可以得到具有较高对比度及较大灰度动态范围的校正图像，对于待检测工商纸质档案扫描图像上因环境因素降质严重的图像能够提升一定的对比度。
进一步地，考虑到所述直方图均衡化处理所述待检测工商纸质档案扫描图像可以提升对比度，去除一定的环境因素的影响，但是图像整体偏暗，经直方图均衡化处理后图像前景偏蓝的问题也很明显。因此，进一步采用CLAHE颜色校正来进行进一步处理。应可以理解，CLAHE是根据已设定的亮度最大值对原图的直方图进行截取像素，再将其重新分配到每个灰度级，不仅能一定程度地限制图像噪声增强，而且图像分割的块数增多，对比度限幅处理图像效果就越好，从而可以有效提升图像的亮度及图像细节，达到颜色校正的目的。
接着，进一步将所述校正后参考图像和所述校正后检测图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到检测特征图和参考特征图。特别地，这里，所述第一图像编码器和所述第二图像编码器为包含多个混合卷积层的深度卷积神经网络模型，并且所述第一图像编码器和所述第二图像编码器具有相同的网络结构。也就是，所述双重检测模型使用所述第一图像编码器对所述校正后检测图像进行深度卷积编码以提取出所述校正后检测图像的多尺度隐含关联特征，从而得到所述检测特征图，并且使用所述第二图像编码器对所述校正后参考图像进行深度卷积编码，以提取出所述校正后参考图像的多尺度隐含关联特征，从而得到所述参考特征图。在本申请的一个具体示例中，在所述混合卷积层中，此模块的设计包括并联的四个分支，由一个卷积核大小为3×3的普通卷积层以及三个卷积核大小为3×3的空洞卷积层构成，分别对输入特征图进行操作，将空洞卷积三个分支的扩张率分别设置为2、3、4，通过不同扩张率的设置可获得不同感受域的图像信息，即可得到不同尺度的特征图，在扩大感受野的同时，又避免了下采样损失信息，接着将4个分支特征图进行融合，使得采样更为密集，既拥有了高层特征，也没有增加额外的参数量。
然后，计算所述检测特征图和所述参考特征图之间的差分特征图，以提取出所述待检测工商纸质档案扫描图像和所述参考工商纸质档案扫描图像之间的关于图像质量的多尺度特征差异，并以此来进行解码回归，就能够得到用于表示成像质量差异的解码值。进一步地，基于所述解码值与预定阈值之间的比较，确定所述待检测工商纸质档案扫描图像的扫描成像质量是否满足预定标准。相应地，在本申请的一个具体示例中，响应于所述解码值小于或等于预定阈值，确定所述待检测工商纸质档案扫描图像的扫描成像质量满足预定标准。
特别地，在本申请的技术方案中，所述第一图像编码器和所述第二图像编码器能够通过图像语义特征编码来拉大所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像的源图像的差别，从而使得所述差分特征图增强对于成像质量差异的表达。但是另一方面，所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像的源图像内的不用于图像编解码的语义噪声也会被放大，由此在所述差分特征图中构成高维特征语义空间内的分布发散，从而导致所述差分特征图通过解码器时存在回归发散，影响解码器的训练速度和解码回归结果的准确性。
因此，优选地，对所述差分特征图进行面向回归有界闭域的分布转移优化：
Figure BDA0003923848610000071
fi是所述差分特征图的特征值，N是所述差分特征图的尺度，即宽度乘以高度乘以通道数，且log表示以2为底的对数。
这里，所述面向回归有界闭域的分布转移优化针对所述差分特征图所代表的高维特征分布在转移到回归问题的目标域时可能存在的回归发散，通过基于条件化回归的结构化信息约束来向着特征集合的有界闭域进行特征分布的收敛，以使得特征分布转移到目标域下的具有稳定的可结构化边界的范围内，提升了回归解的归纳迭代的稳定性，即，提高了解码器的解码回归的训练速度和回归结果的准确性。这样，能够准确地对扫描的工商纸质档案图像进行质量评估，以确保其能够满足后续的应用需求。
基于此，本申请提出了一种工商管理系统，其包括：纸质档案扫描模块，用于获取待检测工商纸质档案扫描图像以及参考工商纸质档案扫描图像，其中，所述参考工商纸质档案扫描图像具有满足预定标准的扫描成像质量；扫描图像增强模块，用于分别对所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像进行直方图均衡化预处理和CLAHE颜色校正以得到校正后参考图像和校正后检测图像；扫描图像编码模块，用于将所述校正后参考图像和所述校正后检测图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到检测特征图和参考特征图；差分模块，用于计算所述检测特征图和所述参考特征图之间的差分特征图；特征流形校正模块，用于对所述差分特征图的高维数据流形进行校正以得到校正后差分特征图；解码模块，用于将所述校正后差分特征图通过解码器以得到用于表示成像质量差异的解码值；以及，管理结果生成模块，用于基于所述解码值与预定阈值之间的比较，确定所述待检测工商纸质档案扫描图像的扫描成像质量是否满足预定标准。
图1为根据本申请实施例的工商管理系统的应用场景图。如图1所示，在该应用场景中，通过摄像头(例如，如图1中所示意的C)获取待检测工商纸质档案扫描图像(例如，如图1中所示意的F1)以及参考工商纸质档案扫描图像(例如，如图1中所示意的F2)，其中，所述参考工商纸质档案扫描图像具有满足预定标准的扫描成像质量。然后，将所述图像输入至部署有用于工商管理算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述工商管理算法对上述输入的图像进行处理以生成用于表示成像质量差异的解码值，并基于所述解码值与预定阈值之间的比较，确定所述待检测工商纸质档案扫描图像的扫描成像质量是否满足预定标准。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2为根据本申请实施例的工商管理系统的框图。如图2所示，根据本申请实施例的工商管理系统300，包括：纸质档案扫描模块310；扫描图像增强模块320；扫描图像编码模块330；差分模块340；特征流形校正模块350；解码模块360；以及，管理结果生成模块370。
其中，所述纸质档案扫描模块310，用于获取待检测工商纸质档案扫描图像以及参考工商纸质档案扫描图像，其中，所述参考工商纸质档案扫描图像具有满足预定标准的扫描成像质量；所述扫描图像增强模块320，用于分别对所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像进行直方图均衡化预处理和CLAHE颜色校正以得到校正后参考图像和校正后检测图像；所述扫描图像编码模块330，用于将所述校正后参考图像和所述校正后检测图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到检测特征图和参考特征图；所述差分模块340，用于计算所述检测特征图和所述参考特征图之间的差分特征图；所述特征流形校正模块350，用于对所述差分特征图的高维数据流形进行校正以得到校正后差分特征图；所述解码模块360，用于将所述校正后差分特征图通过解码器以得到用于表示成像质量差异的解码值；以及，所述管理结果生成模块370，用于基于所述解码值与预定阈值之间的比较，确定所述待检测工商纸质档案扫描图像的扫描成像质量是否满足预定标准。
图3为根据本申请实施例的工商管理系统的系统架构图。如图3所示，首先通过所述纸质档案扫描模块310获取待检测工商纸质档案扫描图像以及参考工商纸质档案扫描图像，其中，所述参考工商纸质档案扫描图像具有满足预定标准的扫描成像质量；所述扫描图像增强模块320分别对所述纸质档案扫描模块310获取的参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像进行直方图均衡化预处理和CLAHE颜色校正以得到校正后参考图像和校正后检测图像；接着，所述扫描图像编码模块330将所述扫描图像增强模块320得到的校正后参考图像和所述校正后检测图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到检测特征图和参考特征图；所述差分模块340计算所述扫描图像编码模块330得到的检测特征图和所述参考特征图之间的差分特征图；然后，所述特征流形校正模块350对所述差分模块340计算得到的差分特征图的高维数据流形进行校正以得到校正后差分特征图；所述解码模块360将所述特征流形校正模块350得到的校正后差分特征图通过解码器以得到用于表示成像质量差异的解码值；进而，所述管理结果生成模块370基于所述解码值与预定阈值之间的比较，确定所述待检测工商纸质档案扫描图像的扫描成像质量是否满足预定标准。
具体地，在所述工商管理系统300的运行过程中，所述纸质档案扫描模块310，用于获取待检测工商纸质档案扫描图像以及参考工商纸质档案扫描图像，其中，所述参考工商纸质档案扫描图像具有满足预定标准的扫描成像质量。在本申请的技术方案中，可以使用待检测工商纸质档案扫描图像和标准的参考图像进行比对来进行扫描图像的质量检测，考虑到图像中的瑕疵或分辨率等质量不过关问题很难以肉眼对两者图像进行区分。因此，在本申请的一个具体示例中，可通过分辨率高的摄像头来获取待检测工商纸质档案扫描图像以及参考工商纸质档案扫描图像，再将扫描图像和参考图像映射到高维特征空间中，使其进在高维特征空间中进行特征对比，以此来进行工商纸质档案扫描图像的质量评估。
具体地，在所述工商管理系统300的运行过程中，所述扫描图像增强模块320，用于分别对所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像进行直方图均衡化预处理和CLAHE颜色校正以得到校正后参考图像和校正后检测图像。考虑到在对于待检测工商纸质档案扫描图像进行获取时，会由于外界环境中的粉层等因素的干扰而导致对于所述扫描图像采集的清晰度不够高，从而导致对于所述扫描图像中的隐含特征提取的精准度较差，进而影响质量判断的结果。因此，在本申请的技术方案中，分别对所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像进行直方图均衡化预处理和CLAHE颜色校正以得到校正后参考图像和校正后检测图像。也就是，以直方图均衡化预处理和CLAHE校正颜色来分别对于所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像进行图像增强以提高后续对于所述扫描图像和所述参考图像的隐含特征提取的精准度，从而得到所述校正后参考图像和所述校正后检测图像。应可以理解，直方图均衡化能将灰度范围分布不均匀的原始图像通过变换函数映射为灰度分布均匀的图像。该变换函数是指图像各灰度级概率的累积分布函数，变换后图像灰度动态范围增大，图像对比度也相应提高。也就是，由于所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像具有集中性、顺序性、偏离性的特点，利用直方图均衡化能够很好地将待检测防裂匣钵的底表面图像的灰度直方图分布在整个图像灰度的取值范围内，而且其整体灰度值分布也近似均匀分布，从而可以得到具有较高对比度及较大灰度动态范围的校正图像，对于待检测工商纸质档案扫描图像上因环境因素降质严重的图像能够提升一定的对比度。考虑到所述直方图均衡化处理所述待检测工商纸质档案扫描图像可以提升对比度，去除一定的环境因素的影响，但是图像整体偏暗，经直方图均衡化处理后图像前景偏蓝的问题也很明显。因此，进一步采用CLAHE颜色校正来进行进一步处理。应可以理解，CLAHE是根据已设定的亮度最大值对原图的直方图进行截取像素，再将其重新分配到每个灰度级，不仅能一定程度地限制图像噪声增强，而且图像分割的块数增多，对比度限幅处理图像效果就越好，从而可以有效提升图像的亮度及图像细节，达到颜色校正的目的。
具体地，在所述工商管理系统300的运行过程中，所述扫描图像编码模块330，用于将所述校正后参考图像和所述校正后检测图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到检测特征图和参考特征图。应可以理解，所述第一图像编码器和所述第二图像编码器为包含多个混合卷积层的深度卷积神经网络模型，并且所述第一图像编码器和所述第二图像编码器具有相同的网络结构。也就是，所述双重检测模型使用所述第一图像编码器对所述校正后检测图像进行深度卷积编码以提取出所述校正后检测图像的多尺度隐含关联特征，从而得到所述检测特征图，并且使用所述第二图像编码器对所述校正后参考图像进行深度卷积编码，以提取出所述校正后参考图像的多尺度隐含关联特征，从而得到所述参考特征图。在本申请的一个具体示例中，在所述混合卷积层中，此模块的设计包括并联的四个分支，由一个卷积核大小为3×3的普通卷积层以及三个卷积核大小为3×3的空洞卷积层构成，分别对输入特征图进行操作，将空洞卷积三个分支的扩张率分别设置为2、3、4，通过不同扩张率的设置可获得不同感受域的图像信息，即可得到不同尺度的特征图，在扩大感受野的同时，又避免了下采样损失信息，接着将4个分支特征图进行融合，使得采样更为密集，既拥有了高层特征，也没有增加额外的参数量。更具体地，在所述包含多个混合卷积层的深度卷积神经网络的编码过程中，包括：将所述校正后检测图像和所述校正后参考图像输入所述混合卷积层的第一卷积层以得到第一尺度特征图，其中，所述第一卷积层使用具有第一尺寸的第一卷积核；将所述校正后检测图像和所述校正后参考图像输入所述混合卷积层的第二卷积层以得到第二尺度特征图，其中，所述第二卷积层使用具有第一空洞率的第一空洞卷积核；将所述校正后检测图像和所述校正后参考图像输入所述混合卷积层的第三卷积层以得到第三尺度特征图，其中，所述第三卷积层使用具有第二空洞率的第二空洞卷积核；将所述校正后检测图像和所述校正后参考图像输入所述混合卷积层的第四卷积层以得到第四尺度特征图，其中，所述第四卷积层使用具有第三空洞率的第三空洞卷积核；融合所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图以得到所述检测特征图和所述参考特征图。
图4为根据本申请实施例的工商管理系统中扫描图像编码模块的框图。如图4所示，所述扫描图像编码模块330，包括：检测扫描图像编码单元331，用于使用所述第一图像编码器对所述校正后检测图像进行深度卷积编码以得到所述检测特征图；以及，参考扫描图像编码单元332，用于使用所述第二图像编码器对所述校正后参考图像进行深度卷积编码以得到所述参考特征图。
具体地，在所述工商管理系统300的运行过程中，所述差分模块340，用于计算所述检测特征图和所述参考特征图之间的差分特征图。计算所述检测特征图和所述参考特征图之间的差分特征图，以提取出所述待检测工商纸质档案扫描图像和所述参考工商纸质档案扫描图像之间的关于图像质量的多尺度特征差异。在本申请的一个具体示例中，所述差分模块，包括：以如下公式计算所述检测特征图和所述参考特征图之间的差分特征图；
其中，所述公式为：
Figure BDA0003923848610000122
其中，F1表示所述检测特征图，F2表示所述参考特征图，Fc表示所述差分特征图，
Figure BDA0003923848610000123
表示按位置差分。
具体地，在所述工商管理系统300的运行过程中，所述特征流形校正模块350，用于对所述差分特征图的高维数据流形进行校正以得到校正后差分特征图。在本申请的技术方案中，所述第一图像编码器和所述第二图像编码器能够通过图像语义特征编码来拉大所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像的源图像的差别，从而使得所述差分特征图增强对于成像质量差异的表达。但是另一方面，所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像的源图像内的不用于图像编解码的语义噪声也会被放大，由此在所述差分特征图中构成高维特征语义空间内的分布发散，从而导致所述差分特征图通过解码器时存在回归发散，影响解码器的训练速度和解码回归结果的准确性。
因此，优选地，对所述差分特征图进行面向回归有界闭域的分布转移优化：
Figure BDA0003923848610000121
fi是所述差分特征图的特征值，N是所述差分特征图的尺度，即宽度乘以高度乘以通道数，且log表示以2为底的对数。
这里，所述面向回归有界闭域的分布转移优化针对所述差分特征图所代表的高维特征分布在转移到回归问题的目标域时可能存在的回归发散，通过基于条件化回归的结构化信息约束来向着特征集合的有界闭域进行特征分布的收敛，以使得特征分布转移到目标域下的具有稳定的可结构化边界的范围内，提升了回归解的归纳迭代的稳定性，即，提高了解码器的解码回归的训练速度和回归结果的准确性。这样，能够准确地对扫描的工商纸质档案图像进行质量评估，以确保其能够满足后续的应用需求。
具体地，在所述工商管理系统300的运行过程中，所述解码模块360，用于将所述校正后差分特征图通过解码器以得到用于表示成像质量差异的解码值。也就是，将所述差分特征图通过解码器进行解码回归，就能够得到用于表示成像质量差异的解码值。在本申请的一个具体示例中，使用所述解码器以如下公式将所述校正后差分特征图进行解码回归以获得用于表示成像质量差异的解码值；其中，所述公式为：
Figure BDA0003923848610000131
其中X表示所述校正后差分特征图，Y是所述解码值，W是权重矩阵，
Figure BDA0003923848610000132
表示矩阵相乘。
具体地，在所述工商管理系统300的运行过程中，所述管理结果生成模块370，用于基于所述解码值与预定阈值之间的比较，确定所述待检测工商纸质档案扫描图像的扫描成像质量是否满足预定标准。在本申请的技术方案中，基于所述解码值与预定阈值之间的比较，确定所述待检测工商纸质档案扫描图像的扫描成像质量是否满足预定标准。相应地，在本申请的一个具体示例中，响应于所述解码值小于或等于预定阈值，确定所述待检测工商纸质档案扫描图像的扫描成像质量满足预定标准。
综上，根据本申请实施例的工商管理系统300被阐明，其通过采用基于深度学习的人工智能技术来提取待检测工商纸质档案扫描图像和标准的参考工商纸质档案扫描图像之间的多尺度特征差异，以此来判断扫描的工商纸质档案图像质量是否满足预定标准。这样，能够准确地对扫描的工商纸质档案图像进行质量评估，以确保其能够满足后续的应用需求。
如上所述，根据本申请实施例的工商管理系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的工商管理系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该工商管理系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该工商管理系统300同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该工商管理系统300与该终端设备也可以是分立的设备，并且该工商管理系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图5为根据本申请实施例的工商管理方法的流程图。如图5所示，根据本申请实施例的工商管理方法，包括步骤：S110，获取待检测工商纸质档案扫描图像以及参考工商纸质档案扫描图像，其中，所述参考工商纸质档案扫描图像具有满足预定标准的扫描成像质量；S120，分别对所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像进行直方图均衡化预处理和CLAHE颜色校正以得到校正后参考图像和校正后检测图像；S130，将所述校正后参考图像和所述校正后检测图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到检测特征图和参考特征图；S140，计算所述检测特征图和所述参考特征图之间的差分特征图；S150，对所述差分特征图的高维数据流形进行校正以得到校正后差分特征图；S160，将所述校正后差分特征图通过解码器以得到用于表示成像质量差异的解码值；以及，S170，基于所述解码值与预定阈值之间的比较，确定所述待检测工商纸质档案扫描图像的扫描成像质量是否满足预定标准。
在一个示例中，在上述工商管理方法中，所述步骤S130，包括：使用所述第一图像编码器对所述校正后检测图像进行深度卷积编码以得到所述检测特征图；以及，使用所述第二图像编码器对所述校正后参考图像进行深度卷积编码以得到所述参考特征图。其中，所述第一图像编码器和所述第二图像编码器为包含多个混合卷积层的深度卷积神经网络模型；所述第一图像编码器和所述第二图像编码器具有相同的网络结构。
在一个示例中，在上述工商管理方法中，所述步骤S140，包括：以如下公式计算所述检测特征图和所述参考特征图之间的差分特征图；
其中，所述公式为：
Figure BDA0003923848610000142
其中，F1表示所述检测特征图，F2表示所述参考特征图，Fc表示所述差分特征图，
Figure BDA0003923848610000143
表示按位置差分。
在一个示例中，在上述工商管理方法中，所述步骤S150，包括：以如下公式对所述差分特征图的高维数据流形进行校正以得到所述校正后差分特征图；
其中，所述公式为：
Figure BDA0003923848610000141
其中fi是所述差分特征图的特征值，N是所述差分特征图的尺度，且log表示以2为底的对数函数值。
在一个示例中，在上述工商管理方法中，所述步骤S160，包括：使用所述解码器以如下公式将所述校正后差分特征图进行解码回归以获得用于表示成像质量差异的解码值；
其中，所述公式为：
Figure BDA0003923848610000151
其中X表示所述校正后差分特征图，Y是所述解码值，W是权重矩阵，
Figure BDA0003923848610000152
表示矩阵相乘。
在一个示例中，在上述工商管理方法中，所述步骤S170，包括：响应于所述解码值小于或等于预定阈值，确定所述待检测工商纸质档案扫描图像的扫描成像质量满足预定标准。
综上，根据本申请实施例的工商管理方法被阐明，其通过采用基于深度学习的人工智能技术来提取待检测工商纸质档案扫描图像和标准的参考工商纸质档案扫描图像之间的多尺度特征差异，以此来判断扫描的工商纸质档案图像质量是否满足预定标准。这样，能够准确地对扫描的工商纸质档案图像进行质量评估，以确保其能够满足后续的应用需求。
示例性电子设备
下面，参考图6来描述根据本申请实施例的电子设备。
图6图示了根据本申请实施例的电子设备的框图。
如图6所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的工商管理系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如差分特征图等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的工商管理方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的工商管理方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种工商管理系统，其特征在于，包括：
纸质档案扫描模块，用于获取待检测工商纸质档案扫描图像以及参考工商纸质档案扫描图像，其中，所述参考工商纸质档案扫描图像具有满足预定标准的扫描成像质量；
扫描图像增强模块，用于分别对所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像进行直方图均衡化预处理和CLAHE颜色校正以得到校正后参考图像和校正后检测图像；
扫描图像编码模块，用于将所述校正后参考图像和所述校正后检测图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到检测特征图和参考特征图；
差分模块，用于计算所述检测特征图和所述参考特征图之间的差分特征图；
特征流形校正模块，用于对所述差分特征图的高维数据流形进行校正以得到校正后差分特征图；
解码模块，用于将所述校正后差分特征图通过解码器以得到用于表示成像质量差异的解码值；以及
管理结果生成模块，用于基于所述解码值与预定阈值之间的比较，确定所述待检测工商纸质档案扫描图像的扫描成像质量是否满足预定标准。
2.根据权利要求1所述的工商管理系统，其特征在于，所述扫描图像编码模块，包括：
检测扫描图像编码单元，用于使用所述第一图像编码器对所述校正后检测图像进行深度卷积编码以得到所述检测特征图；以及
参考扫描图像编码单元，用于使用所述第二图像编码器对所述校正后参考图像进行深度卷积编码以得到所述参考特征图。
3.根据权利要求2所述的工商管理系统，其特征在于，所述第一图像编码器和所述第二图像编码器为包含多个混合卷积层的深度卷积神经网络模型。
4.根据权利要求3所述的工商管理系统，其特征在于，所述第一图像编码器和所述第二图像编码器具有相同的网络结构。
5.根据权利要求4所述的工商管理系统，其特征在于，所述差分模块，包括：以如下公式计算所述检测特征图和所述参考特征图之间的差分特征图；
其中，所述公式为：
Figure FDA0003923848600000021
其中，F1表示所述检测特征图，F2表示所述参考特征图，Fc表示所述差分特征图，
Figure FDA0003923848600000022
表示按位置差分。
6.根据权利要求5所述的工商管理系统，其特征在于，所述特征流形校正模块，进一步用于：以如下公式对所述差分特征图的高维数据流形进行校正以得到所述校正后差分特征图；
其中，所述公式为：
Figure FDA0003923848600000023
其中fi是所述差分特征图的特征值，N是所述差分特征图的尺度，且log表示以2为底的对数函数值。
7.根据权利要求6所述的工商管理系统，其特征在于，所述解码模块，进一步用于：使用所述解码器以如下公式将所述校正后差分特征图进行解码回归以获得用于表示成像质量差异的解码值；
其中，所述公式为：
Figure FDA0003923848600000024
其中X表示所述校正后差分特征图，Y是所述解码值，W是权重矩阵，
Figure FDA0003923848600000025
表示矩阵相乘。
8.根据权利要求7所述的工商管理系统，其特征在于，所述管理结果生成模块，进一步用于响应于所述解码值小于或等于预定阈值，确定所述待检测工商纸质档案扫描图像的扫描成像质量满足预定标准。
9.一种工商管理方法，其特征在于，包括：
获取待检测工商纸质档案扫描图像以及参考工商纸质档案扫描图像，其中，所述参考工商纸质档案扫描图像具有满足预定标准的扫描成像质量；
分别对所述参考工商纸质档案扫描图像和所述待检测工商纸质档案扫描图像进行直方图均衡化预处理和CLAHE颜色校正以得到校正后参考图像和校正后检测图像；
将所述校正后参考图像和所述校正后检测图像通过包含第一图像编码器和第二图像编码器的双重检测模型以得到检测特征图和参考特征图；
计算所述检测特征图和所述参考特征图之间的差分特征图；
对所述差分特征图的高维数据流形进行校正以得到校正后差分特征图；
将所述校正后差分特征图通过解码器以得到用于表示成像质量差异的解码值；以及
基于所述解码值与预定阈值之间的比较，确定所述待检测工商纸质档案扫描图像的扫描成像质量是否满足预定标准。
10.根据权利要求9所述的工商管理方法，其特征在于，所述基于所述解码值与预定阈值之间的比较，确定所述待检测工商纸质档案扫描图像的扫描成像质量是否满足预定标准包括响应于所述解码值小于或等于预定阈值，确定所述待检测工商纸质档案扫描图像的扫描成像质量满足预定标准。
CN202211367695.8A 2022-11-03 2022-11-03 一种工商管理系统及其方法 Withdrawn CN115631497A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211367695.8A CN115631497A (zh) 2022-11-03 2022-11-03 一种工商管理系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211367695.8A CN115631497A (zh) 2022-11-03 2022-11-03 一种工商管理系统及其方法

Publications (1)

Publication Number Publication Date
CN115631497A true CN115631497A (zh) 2023-01-20

Family

ID=84908113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211367695.8A Withdrawn CN115631497A (zh) 2022-11-03 2022-11-03 一种工商管理系统及其方法

Country Status (1)

Country Link
CN (1) CN115631497A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843690A (zh) * 2023-09-01 2023-10-03 荣耀终端有限公司 图像质量评估方法、设备及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843690A (zh) * 2023-09-01 2023-10-03 荣耀终端有限公司 图像质量评估方法、设备及系统
CN116843690B (zh) * 2023-09-01 2024-03-01 荣耀终端有限公司 图像质量评估方法、设备及系统

Similar Documents

Publication Publication Date Title
US11816165B2 (en) Identification of fields in documents with neural networks without templates
US10963632B2 (en) Method, apparatus, device for table extraction based on a richly formatted document and medium
CN110516577B (zh) 图像处理方法、装置、电子设备及存储介质
US10482174B1 (en) Systems and methods for identifying form fields
US11816138B2 (en) Systems and methods for parsing log files using classification and a plurality of neural networks
US8224114B2 (en) Method and apparatus for despeckling an image
US11157816B2 (en) Systems and methods for selecting and generating log parsers using neural networks
JP2016206837A (ja) オブジェクト検出方法及び画像検索システム
US20210304364A1 (en) Method and system for removing noise in documents for image processing
CN111914805A (zh) 表格结构化方法、装置、电子设备及存储介质
CN113792853B (zh) 字符生成模型的训练方法、字符生成方法、装置和设备
US11436852B2 (en) Document information extraction for computer manipulation
CN115631497A (zh) 一种工商管理系统及其方法
CN114821610B (zh) 一种基于树状神经网络的从图像生成网页代码的方法
CN114372475A (zh) 一种基于RoBERTa模型的网络舆情情感分析方法及系统
CN112581355A (zh) 图像处理方法、装置、电子设备和计算机可读介质
US20240202344A1 (en) Use of word embeddings to locate sensitive text in computer programming scripts
CN117009968A (zh) 恶意代码的同源分析方法、装置、终端设备及存储介质
CN116955138A (zh) 一种验收方法、装置、设备及存储介质
CN114896594A (zh) 基于图像特征多注意力学习的恶意代码检测装置及方法
CN111783888A (zh) 一种图片电子作业查重系统及方法
Shang et al. Image Quality Assessment Based on Joint Quality‐Aware Representation Construction in Multiple Domains
CN113378118A (zh) 处理图像数据的方法、装置、电子设备和计算机存储介质
CN114723960B (zh) 一种增强银行账号安全的附加验证方法及系统
EP4332892A1 (en) Estimating volumes of liquid

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230120