CN116052199A - 一种基于ai的工程施工档案文件电子化方法及装置 - Google Patents
一种基于ai的工程施工档案文件电子化方法及装置 Download PDFInfo
- Publication number
- CN116052199A CN116052199A CN202211566265.9A CN202211566265A CN116052199A CN 116052199 A CN116052199 A CN 116052199A CN 202211566265 A CN202211566265 A CN 202211566265A CN 116052199 A CN116052199 A CN 116052199A
- Authority
- CN
- China
- Prior art keywords
- signature
- handwriting
- archive
- file
- paper
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000010276 construction Methods 0.000 title claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000012790 confirmation Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/30—Writer recognition; Reading and verifying signatures
- G06V40/33—Writer recognition; Reading and verifying signatures based only on signature image, e.g. static signature recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供一种基于AI的工程施工档案文件电子化方法及装置,属于数据处理技术领域,具体包括:获取待进行电子化的纸质档案的题目、页数、提交单位,并当不存在与纸质档案的题目一致的电子档案时,获取纸质档案的签字笔迹,并采用基于AI算法的笔迹识别模型,基于签字笔迹确定所述签字人员的身份,并当签字人员的身份具有权限时,基于签字笔迹,采用基于PSO‑CNN‑SVM模型实现对签字笔迹的真伪确认,并根据真伪确认的结果确定是否将所述纸质档案进行电子化处理,从而进一步提升了档案管理的可靠性和完善性。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及一种基于AI的工程施工档案文件电子化方法及装置。
背景技术
为了实现对工程施工档案的电子化处理,在授权发明专利CN112329669B《一种电子档案管理方法》中通过将对待识别文档图像进行切割,得到包含文字的子图,将包含文字的子图与标准文字进行匹配,得到候选文本,将候选文本进行关键词识别,得到关键词,根据关键词得到待识别文档图像的分类,并在待识别文档图像上标记分类信息,从而可以有效的进行分类存储及管理,识别及存储效率高、准确率高,但是却存在以下技术问题:
1、忽视了对档案的签字的真伪识别,在工程施工档案中,不同阶段的工程验收档案,均需要施工单位、监理等单位的负责人的签字确认,但是却存在有些签字均是通过代签或者后期签字等方式进行伪造,若不进行档案的签字的真伪识别,则档案的可靠性和真实性都不能得到保证。
2、忽视了对档案的重复性识别,由于施工档案的数量较多,在实际的进行电子化处理过程中,往往会存在重复归档的行为,不仅会导致存储空间的浪费,而且使得档案的存储管理变得异常混乱。
针对上述技术问题,本发明提供了一种基于AI的工程施工档案文件电子化方法及装置。
发明内容
为实现本发明目的,本发明采用如下技术方案:
根据本发明的一个方面,提供了一种基于AI的工程施工档案文件电子化方法。
一种基于AI的工程施工档案文件电子化方法,其特征在于,具体包括:
S11获取待进行电子化的纸质档案的题目、页数、提交单位,并基于所述纸质档案的提交单位确定待筛选的电子档案;
S12基于所述待筛选的电子档案,判断是否存在于所述纸质档案的题目一致的电子档案,若是,则进入步骤S13,若否,则直接继续进入步骤S14;
S13获取所述纸质档案的页数,并判断是否与所述纸质档案的题目一致的电子档案的页数一致,若是,则输出纸质档案已被电子化处理,进行进一步的确认,若否,则进入步骤S14;
S14获取所述纸质档案的签字笔迹,并采用基于AI算法的笔迹识别模型,基于所述签字笔迹确定所述签字人员的身份,并判断所述签字人员的身份是否具有权限,若是,则进入步骤S15,若否,则输出签字人员不存在权限,档案无法进行电子化处理;
S15基于所述签字笔迹,采用基于PSO-CNN-SVM模型实现对所述签字笔迹的真伪确认,并根据所述真伪确认的结果确定是否将所述纸质档案进行电子化处理。
通过分步骤采用提交单位、纸质档案的题目、页数对纸质档案的重复的判断,不仅较为准确,综合结合多方面的因素实现对重复的判断,而且通过从粗到细,使得总体的重复的判断的效率也得到一定程度的提升。
通过基于签字笔迹首先实现对签字人员的身份的确认,并在此基础上对权限进行确认,从而首先通过对身份的判断首先实现筛选,从而减少了进行签字笔迹的真伪确认的数量,在保证较好的准确性的基础上,进一步提升了整体的判断效率。
通过采用基于PSO-CNN-SVM模型实现对所述签字笔迹的真伪确认,从而结合了CNN算法在提取图像特征的优势以及SVM算法在进行分类判别的效率,并为了进一步提升整体的效率,采用PSO算法对CNN算法的隐含层数量进行寻优,进一步提升了整体的处理效率。
进一步的技术方案在于,采用基于OCR文字识别的方式实现对进行电子化的纸质档案的题目和提交单位的确认。
进一步的技术方案在于,当所述纸质档案的题目一致的电子档案的页数与所述纸质档案的页数一致时,还需要对所述纸质档案的题目一致的电子档案的段数进行确认,当且仅当所述纸质档案的题目一致的电子档案的段数与所述纸质档案的段数一致时,则输出纸质档案已被电子化处理,进行进一步的确认。
进一步的技术方案在于,确认所述签字人员的身份的具体步骤为:
S21获取所述纸质档案的签字笔迹图像,并将所述签字笔迹图像进行初始化处理,得到处理后的签字笔迹图像;
S22将所述处理后的签字笔迹图像进行图像归一化处理,将所述处理后的签字笔迹图像转换为标准尺寸的标准签名笔迹图像;
S23基于所述标准签名笔迹图像,进行特征提取得到笔迹图像特征,采用基于WOA-LSSVM算法的笔迹识别模型,得到签名识别结果;
S24基于所述签名识别结果确定所述签字档案的签字人员的身份。
通过对签字笔迹进行处理并进行归一化处理,从而避免了由于图像的不一致或者质量较低或者倾斜角度存在问题导致的识别的准确性和效率都较低的问题的出现,通过采用WOA-LSSVN算法的预测模型,从而进一步提升了判断的效率。
进一步的技术方案在于,所述初始化处理包括对所述签字笔迹图像进行灰度化处理、图像去噪处理。
进一步的技术方案在于,所述笔迹图像特征包括形状特征、几何特征和纹理特征。
进一步的技术方案在于,实现对签字笔迹的真伪确认的具体步骤为:
S31基于PSO-CNN算法的特征提取模型,对所述标准签名笔迹图像进行特征提取得到笔迹特征,所述笔迹特征包括所述标准签名笔迹图像的beta笔画特征;
S32将所述标准签名笔迹图像的beta笔画特征传输至基于SVM算法的笔迹模型中,得到分类预测结果;
S33基于所述分类预测结果实现对签字笔迹的真伪确认.
通过采用基于PSO-CNN-SVM模型实现对所述签字笔迹的真伪确认,从而结合了CNN算法在提取图像特征的优势以及SVM算法在进行分类判别的效率,并为了进一步提升整体的效率,采用PSO算法对CNN算法的隐含层数量进行寻优,进一步提升了整体的处理效率。
进一步的技术方案在于,基于所述标准签名笔迹图像的beta笔画特征与现有的笔迹签名数据库中的beta历史笔画特征进行比对得到相似度评价结果,并基于所述相似度评价结果实现对所述签字笔迹的真伪确认。
进一步的技术方案在于,基于所述相似度评价结果、所述签字人员的身份所对应的签字笔迹被认定存在问题的次数得到修正相似度评价结果,对所述签字笔迹的真伪进行确认,其中所述修正相似度评价结果的计算公式为:
其中P1为相似度评价结果,取值范围在0到1之间,K1为常数,取值在0到0.2之间,t为所述签字人员的身份所对应的签字笔迹被认定存在问题的次数,t1为次数阈值,至少为4次。
另一方面,本发明提供了一种终端装置,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程序,所述处理器执行所述程序时,实现上述的一种基于AI的工程施工档案文件电子化方法。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1是根据实施例1的一种基于AI的工程施工档案文件电子化方法的流程图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
实施例1
为解决上述问题,根据本发明的一个方面,如图1所示,提供了为解决上述问题,根据本发明的一个方面,如图1所示,提供了一种基于AI的工程施工档案文件电子化方法,其特征在于,具体包括:
S11获取待进行电子化的纸质档案的题目、页数、提交单位,并基于所述纸质档案的提交单位确定待筛选的电子档案;
需要另外说明的是,提交单位可以包括建设单位、监理单位、调试单位、业主方。
S12基于所述待筛选的电子档案,判断是否存在于所述纸质档案的题目一致的电子档案,若是,则进入步骤S13,若否,则直接继续进入步骤S14;
需要另外说明的是,可以进行收到输入,也可以通过OCR文本识别的方式实现对题目的提取。
S13获取所述纸质档案的页数,并判断是否与所述纸质档案的题目一致的电子档案的页数一致,若是,则输出纸质档案已被电子化处理,进行进一步的确认,若否,则进入步骤S14;
需要另外说明的是,可以通过对纸质档案的页数的输入或者自动进行页数的识别等方式实现对纸质档案的页数的确定。
S14获取所述纸质档案的签字笔迹,并采用基于AI算法的笔迹识别模型,基于所述签字笔迹确定所述签字人员的身份,并判断所述签字人员的身份是否具有权限,若是,则进入步骤S15,若否,则输出签字人员不存在权限,档案无法进行电子化处理;
需要另外说明的是,通过签字笔迹可以确认签字人员的姓名,具体的可以采用基于OCR的文字识别方法或者采用基于智能算法的图像识别模型,得到所述签字人员的姓名,根据签字人员的姓名确定身份以及权限。
S15基于所述签字笔迹,采用基于PSO-CNN-SVM模型实现对所述签字笔迹的真伪确认,并根据所述真伪确认的结果确定是否将所述纸质档案进行电子化处理。
需要另外说明的是,当且仅当真伪确认的结果为真时,将所述纸质档案进行电子化处理。
通过分步骤采用提交单位、纸质档案的题目、页数对纸质档案的重复的判断,不仅较为准确,综合结合多方面的因素实现对重复的判断,而且通过从粗到细,使得总体的重复的判断的效率也得到一定程度的提升。
通过基于签字笔迹首先实现对签字人员的身份的确认,并在此基础上对权限进行确认,从而首先通过对身份的判断首先实现筛选,从而减少了进行签字笔迹的真伪确认的数量,在保证较好的准确性的基础上,进一步提升了整体的判断效率。
通过采用基于PSO-CNN-SVM模型实现对所述签字笔迹的真伪确认,从而结合了CNN算法在提取图像特征的优势以及SVM算法在进行分类判别的效率,并为了进一步提升整体的效率,采用PSO算法对CNN算法的隐含层数量进行寻优,进一步提升了整体的处理效率。
在另外一种可能的实施例中,采用基于OCR文字识别的方式实现对进行电子化的纸质档案的题目和提交单位的确认。
在另外一种可能的实施例中,当所述纸质档案的题目一致的电子档案的页数与所述纸质档案的页数一致时,还需要对所述纸质档案的题目一致的电子档案的段数进行确认,当且仅当所述纸质档案的题目一致的电子档案的段数与所述纸质档案的段数一致时,则输出纸质档案已被电子化处理,进行进一步的确认。
在另外一种可能的实施例中,确认所述签字人员的身份的具体步骤为:
S21获取所述纸质档案的签字笔迹图像,并将所述签字笔迹图像进行初始化处理,得到处理后的签字笔迹图像;
S22将所述处理后的签字笔迹图像进行图像归一化处理,将所述处理后的签字笔迹图像转换为标准尺寸的标准签名笔迹图像;
S23基于所述标准签名笔迹图像,进行特征提取得到笔迹图像特征,采用基于WOA-LSSVM算法的笔迹识别模型,得到签名识别结果;
需要另外说明的是,所述WOA算法的自适应收敛因子的计算公式为:
其中rand(0.9,1)为取值在0.9到1之间的随机数,K2为常数,取值范围在1到2之间,l为当前迭代次数,Lmax为最大迭代次数。
S24基于所述签名识别结果确定所述签字档案的签字人员的身份。
通过对签字笔迹进行处理并进行归一化处理,从而避免了由于图像的不一致或者质量较低或者倾斜角度存在问题导致的识别的准确性和效率都较低的问题的出现,通过采用WOA-LSSVN算法的预测模型,从而进一步提升了判断的效率。
在另外一种可能的实施例中,所述初始化处理包括对所述签字笔迹图像进行灰度化处理、图像去噪处理。
在另外一种可能的实施例中,所述笔迹图像特征包括形状特征、几何特征和纹理特征。
在另外一种可能的实施例中,实现对签字笔迹的真伪确认的具体步骤为:
S31基于PSO-CNN算法的特征提取模型,对所述标准签名笔迹图像进行特征提取得到笔迹特征,所述笔迹特征包括所述标准签名笔迹图像的beta笔画特征;
S32将所述标准签名笔迹图像的beta笔画特征传输至基于SVM算法的笔迹模型中,得到分类预测结果;
S33基于所述分类预测结果实现对签字笔迹的真伪确认.
通过采用基于PSO-CNN-SVM模型实现对所述签字笔迹的真伪确认,从而结合了CNN算法在提取图像特征的优势以及SVM算法在进行分类判别的效率,并为了进一步提升整体的效率,采用PSO算法对CNN算法的隐含层数量进行寻优,进一步提升了整体的处理效率。
在另外一种可能的实施例中,基于所述标准签名笔迹图像的beta笔画特征与现有的笔迹签名数据库中的beta历史笔画特征进行比对得到相似度评价结果,并基于所述相似度评价结果实现对所述签字笔迹的真伪确认。
在另外一种可能的实施例中,基于所述相似度评价结果、所述签字人员的身份所对应的签字笔迹被认定存在问题的次数得到修正相似度评价结果,对所述签字笔迹的真伪进行确认,其中所述修正相似度评价结果的计算公式为:
其中P1为相似度评价结果,取值范围在0到1之间,K1为常数,取值在0到0.2之间,t为所述签字人员的身份所对应的签字笔迹被认定存在问题的次数,t1为次数阈值,至少为4次。
实施例2
本发明提供了一种终端装置,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程序,所述处理器执行所述程序时,实现上述的一种基于AI的工程施工档案文件电子化方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于AI的工程施工档案文件电子化方法,其特征在于,具体包括:
S11获取待进行电子化的纸质档案的题目、页数、提交单位,并基于所述纸质档案的提交单位确定待筛选的电子档案;
S12基于所述待筛选的电子档案,判断是否存在于所述纸质档案的题目一致的电子档案,若是,则进入步骤S13,若否,则直接继续进入步骤S14;
S13获取所述纸质档案的页数,并判断是否与所述纸质档案的题目一致的电子档案的页数一致,若是,则输出纸质档案已被电子化处理,进行进一步的确认,若否,则进入步骤S14;
S14获取所述纸质档案的签字笔迹,并采用基于AI算法的笔迹识别模型,基于所述签字笔迹确定所述签字人员的身份,并判断所述签字人员的身份是否具有权限,若是,则进入步骤S15,若否,则输出签字人员不存在权限,档案无法进行电子化处理;
S15基于所述签字笔迹,采用基于PSO-CNN-SVM模型实现对所述签字笔迹的真伪确认,并根据所述真伪确认的结果确定是否将所述纸质档案进行电子化处理。
2.如权利要求1所述的工程施工档案文件电子化方法,其特征在于,采用基于OCR文字识别的方式实现对进行电子化的纸质档案的题目和提交单位的确认。
3.如权利要求1所述的工程施工档案文件电子化方法,其特征在于,当所述纸质档案的题目一致的电子档案的页数与所述纸质档案的页数一致时,还需要对所述纸质档案的题目一致的电子档案的段数进行确认,当且仅当所述纸质档案的题目一致的电子档案的段数与所述纸质档案的段数一致时,则输出纸质档案已被电子化处理,进行进一步的确认。
4.如权利要求1所述的工程施工档案文件电子化方法,其特征在于,确认所述签字人员的身份的具体步骤为:
S21获取所述纸质档案的签字笔迹图像,并将所述签字笔迹图像进行初始化处理,得到处理后的签字笔迹图像;
S22将所述处理后的签字笔迹图像进行图像归一化处理,将所述处理后的签字笔迹图像转换为标准尺寸的标准签名笔迹图像;
S23基于所述标准签名笔迹图像,进行特征提取得到笔迹图像特征,采用基于WOA-LSSVM算法的笔迹识别模型,得到签名识别结果;
S24基于所述签名识别结果确定所述签字档案的签字人员的身份。
5.如权利要求4所述的工程施工档案文件电子化方法,其特征在于,所述初始化处理包括对所述签字笔迹图像进行灰度化处理、图像去噪处理。
6.如权利要求4所述的工程施工档案文件电子化方法,其特征在于,所述笔迹图像特征包括形状特征、几何特征和纹理特征。
7.如权利要求1所述的工程施工档案文件电子化方法,其特征在于,实现对签字笔迹的真伪确认的具体步骤为:
S31基于PSO-CNN算法的特征提取模型,对所述标准签名笔迹图像进行特征提取得到笔迹特征,所述笔迹特征包括所述标准签名笔迹图像的beta笔画特征;
S32将所述标准签名笔迹图像的beta笔画特征传输至基于SVM算法的笔迹模型中,得到分类预测结果;
S33基于所述分类预测结果实现对签字笔迹的真伪确认。
8.如权利要求7所述的工程施工档案文件电子化方法,其特征在于,基于所述标准签名笔迹图像的beta笔画特征与现有的笔迹签名数据库中的beta历史笔画特征进行比对得到相似度评价结果,并基于所述相似度评价结果实现对所述签字笔迹的真伪确认。
10.一种终端装置,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程序,所述处理器执行所述程序时,实现权利要求1-9任一项所述的一种基于AI的工程施工档案文件电子化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211566265.9A CN116052199A (zh) | 2022-12-07 | 2022-12-07 | 一种基于ai的工程施工档案文件电子化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211566265.9A CN116052199A (zh) | 2022-12-07 | 2022-12-07 | 一种基于ai的工程施工档案文件电子化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116052199A true CN116052199A (zh) | 2023-05-02 |
Family
ID=86124445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211566265.9A Pending CN116052199A (zh) | 2022-12-07 | 2022-12-07 | 一种基于ai的工程施工档案文件电子化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116052199A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197782A (zh) * | 2023-11-06 | 2023-12-08 | 北京敏行通达信息技术有限公司 | 一种电子签章的生成方法、装置、设备及可读存储介质 |
-
2022
- 2022-12-07 CN CN202211566265.9A patent/CN116052199A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197782A (zh) * | 2023-11-06 | 2023-12-08 | 北京敏行通达信息技术有限公司 | 一种电子签章的生成方法、装置、设备及可读存储介质 |
CN117197782B (zh) * | 2023-11-06 | 2024-01-12 | 北京敏行通达信息技术有限公司 | 一种电子签章的生成方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2144188B1 (en) | Word detection method and system | |
Smith | An overview of the Tesseract OCR engine | |
Weinman et al. | Scene text recognition using similarity and a lexicon with sparse belief propagation | |
US8391614B2 (en) | Determining near duplicate “noisy” data objects | |
US8015124B2 (en) | Method for determining near duplicate data objects | |
CN109543516A (zh) | 签约意向判断方法、装置、计算机设备和存储介质 | |
CN108053545B (zh) | 证件验真方法和装置、服务器、存储介质 | |
Schmid et al. | Performance analysis of iris-based identification system at the matching score level | |
CN111814472B (zh) | 文本识别方法、装置、设备及存储介质 | |
WO2012165135A1 (ja) | 近似最近傍探索に係るデータベースの登録方法および登録装置 | |
CN109214904B (zh) | 财务造假线索的获取方法、装置、计算机设备和存储介质 | |
CN109840469B (zh) | 基于图像识别的保单录入方法和相关装置 | |
Gordo et al. | Document classification and page stream segmentation for digital mailroom applications | |
CN116663549B (zh) | 一种基于企业档案的数字化管理方法、系统及存储介质 | |
CN116052199A (zh) | 一种基于ai的工程施工档案文件电子化方法及装置 | |
US20230289734A1 (en) | Apparatus and methods for creating a video record | |
Huang et al. | Mapping transcripts to handwritten text | |
CN115422125B (zh) | 一种基于智能算法的电子文档自动归档方法与系统 | |
Zhao et al. | Handwriting identification and verification using artificial intelligence-assisted textural features | |
CN111259894A (zh) | 一种证件信息鉴别方法、装置及计算机设备 | |
Padmajadevi et al. | A review of handwritten signature verification systems and methodologies | |
Chen et al. | A real-world online signature verification system based on correlation algorithm | |
Pourasad et al. | Farsi font recognition using holes of letters and horizontal projection profile | |
KR20100136100A (ko) | 다양한 응용을 위한 다기준 신뢰도 지원 하이브리드 온라인 서명검증 시스템 및 그 방법 | |
CN110909538A (zh) | 问答内容的识别方法、装置、终端设备及介质 |
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 |