CN116311297A - 基于计算机视觉的电子凭据图像识别解析方法 - Google Patents
基于计算机视觉的电子凭据图像识别解析方法 Download PDFInfo
- Publication number
- CN116311297A CN116311297A CN202310384937.2A CN202310384937A CN116311297A CN 116311297 A CN116311297 A CN 116311297A CN 202310384937 A CN202310384937 A CN 202310384937A CN 116311297 A CN116311297 A CN 116311297A
- Authority
- CN
- China
- Prior art keywords
- image
- deep learning
- learning model
- training
- training set
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000013136 deep learning model Methods 0.000 claims abstract description 55
- 238000003709 image segmentation Methods 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013077 scoring method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
- G06V30/16—Image preprocessing
-
- 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
- G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供基于计算机视觉的电子凭据图像识别解析方法，包括下列步骤：S1、上传凭证图像，并对所述凭证图像进行预处理，生成在像素大小一致的待处理图像；S2、建立特征信息训练集以及图像分割训练集，并构建第一深度学习模型以及第二深度学习模型，使用特征信息训练集对第二深度学习模型进行训练，在训练完成后，使用图像分割训练集对第一深度学习模型进行训练，使用第二深度学习模型对第一深度学习模型的分割结果进行检验，直至完成第一深度学习模型的训练；S3、使用第一深度学习模型以及第二深度学习模型对待处理图像进行图像分割以及图像识别，获得所述待处理图像中的内容识别结果。
Description
技术领域
本发明涉及图像识别技术领域，尤其涉及基于计算机视觉的电子凭据图像识别解析方法。
背景技术
在传统工作流程中，电子凭据归档首先需要搜集纸质单据、凭证、报表，通过扫描或摄影技术，将其转化为非结构化图像数据。财务部门为确保纸质凭据背后的高价值凭据数据识别的准确性与安全性，例如发票中的金额、对象、时间等数据、合同金额数据，仍需人工进行结构化处理，录入相关会计电子凭据管理系统中，按流程逐级人工审核，确保数据无误。财务部门需要管理大量诸如此类的的纸质单据、凭证、报表档案，这使得整体录入和审核工作量繁重，效率较低。
并且，在目前的会计信息化管理过程中主要将会计电子凭据以图像的形式存档，其本身是一种非结构化的数据格式，不利于信息的进一步利用与结构化数据处理。
发明内容
本发明的目的在于提供基于计算机视觉的电子凭据图像识别解析方法，以解决上述背景技术中提出的问题。
本发明是通过以下技术方案实现的：本发明实施例提供了基于计算机视觉的电子凭据图像识别解析方法，包括下列步骤：
S1、上传凭证图像，并对所述凭证图像进行预处理，生成在像素大小一致的待处理图像；
S2、建立特征信息训练集以及图像分割训练集，并构建第一深度学习模型以及第二深度学习模型，使用特征信息训练集对第二深度学习模型进行训练，在训练完成后，使用图像分割训练集对第一深度学习模型进行训练，使用第二深度学习模型对第一深度学习模型的分割结果进行检验，直至完成第一深度学习模型的训练；
S3、使用第一深度学习模型以及第二深度学习模型对待处理图像进行图像分割以及图像识别，获得所述待处理图像中的内容识别结果。
可选的，对所述凭证图像进行预处理，预处理包括大小调整、灰度转换、滤波、全局阈值二值化和剪裁。
可选的，所述特征信息包括包括特征图像，所述特征图像内容包括静态文本、特殊符号、分隔符、条码或二维码中的一种或多种。
可选的，所述图像分割训练集中包含不同类型的电子凭证模板图像。
可选的，使用特征信息训练集对第二深度学习模型进行训练，具体包括：
S201、构建多层卷积神经网络，并定义至少一个输出层来输出内容分类的结果；
S202、构建包含静态文本、特殊符号、分隔符、条码或二维码中的一种或多种内容信息在内的特征信息训练集，将所述特征训练集训练输入多层卷积神经网络，并使用误差反向传播算法对所述多层卷积神经网络进行训练；
S203、修改多层卷积神经网络的卷积层层数得到新的多层卷积神经网络，用步骤S202得到的模型参数来初始化所述新的多层卷积神经网络卷积层的权重，将所述特征训练集训练输入新的多层卷积神经网络，并使用误差反向传播算法对新的多层卷积神经网络进行训练；
S204、重复步骤S203，直至所述特征训练集的识别正确率不再提高，最终获得第二深度学习模型。
可选的，使用图像分割训练集对第一深度学习模型进行训练，具体包括：
S2001、以不同类型的电子凭证模板图像的宽与高建立直角坐标系，其中电子凭证模板图像的宽为直角坐标系的X轴，电子凭证模板图像的高为直角坐标系的Y轴；
S2002、设定电子凭证模板图像的初始坐标组，所述初始坐标组中包含多个初始坐标集合，每个初始坐标集合构成电子凭证模板图像的不同区域；
S2003、基于每个初始坐标集合，使用基于U2-net深度学习网络对对待处理图像进行图形分割，获得电子凭证模板图像的分割区域图像；
S2004、将所述分割区域图像输入至所述第二深度学习模型中，获得识别结果；
S2005、通过专家打分法对所述识别结果进行评估，若评估结果符合逾期，则将该坐标集合作为该电子凭证模板图像的识别坐标，若评估结果不符合逾期，对所述初始坐标集合进行调整，并重复步骤S2003-S2005，直到分割区域图像的识别结果符合要求。
可选的，每个初始坐标集合由四个初始坐标构成，四个初始坐标构成待处理图像的待分割区域。
本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述的基于计算机视觉的电子凭据图像识别解析方法。
本发明实施例还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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的基于计算机视觉的电子凭据图像识别解析方法。
与现有技术相比，本发明达到的有益效果如下：
本发明提供的基于计算机视觉的电子凭据图像识别解析方法，通过建立特征信息训练集以及第二深度学习模型，对电子凭证图像的特征信息进行内容识别，可精确识别电子凭证图像上的特征信息，将电子凭据图像转化为可直接使用的结构化会计数据，其次通过图像分割训练集以及第一深度学习模型，对电子凭证图像进行分区域分割，对不同分割电子凭据板块进行标签化，同时采用第二深度学习模型的识别结果来评估第一深度学习模型的分割结果，实现电子凭据信息的高效图像处理、自主化解析匹配。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于计算机视觉的电子凭据图像识别解析方法的结构图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
应当理解的是，本发明能够以不同形式实施，而不应当解释为局限于这里提出的实施例。相反地，提供这些实施例将使公开彻底和完全，并且将本发明的范围完全地传递给本领域技术人员。
在此使用的术语的目的仅在于描述具体实施例并且不作为本发明的限制。在此使用时，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”，当在该说明书中使用时，确定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时，术语“和/或”包括相关所列项目的任何及所有组合。
为了彻底理解本发明，将在下列的描述中提出详细的结构，以便阐释本发明提出的技术方案。本发明的可选实施例详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。
参见图1，本发明实施例提供了基于计算机视觉的电子凭据图像识别解析方法，包括下列步骤：
S1、上传凭证图像，并对所述凭证图像进行预处理，生成在像素大小一致的待处理图像，示例性的，所述预处理包括大小调整、灰度转换、滤波、全局阈值二值化和剪裁中的一种或多种。
S2、建立特征信息训练集以及图像分割训练集，并构建第一深度学习模型以及第二深度学习模型，使用特征信息训练集对第二深度学习模型进行训练，在训练完成后，使用图像分割训练集对第一深度学习模型进行训练，使用第二深度学习模型对第一深度学习模型的分割结果进行检验，直至完成第一深度学习模型的训练，示例性的，所述特征信息包括包括特征图像，所述特征图像内容包括静态文本、特殊符号、分隔符、条码或二维码中的一种或多种；
所述图像分割训练集中包含不同类型的电子凭证模板图像，例如包含发票模板图像，单据模板图像等。
在步骤S2中，使用特征信息训练集对第二深度学习模型进行训练，具体包括：
S201、构建多层卷积神经网络，并定义至少一个输出层来输出内容分类的结果；示例性的，所述多层卷积神经网络可包括5层卷积层+3层全连接层+多个输出层的深度卷积神经网络，并且其输出层的个数与需识别分类的类型个数相同
S202、构建包含静态文本、特殊符号、分隔符、条码或二维码中的一种或多种内容信息在内的特征信息训练集，将所述特征训练集训练输入多层卷积神经网络，并使用误差反向传播算法对所述多层卷积神经网络进行训练；
S203、修改多层卷积神经网络的卷积层层数得到新的多层卷积神经网络，用步骤S202得到的模型参数来初始化所述新的多层卷积神经网络卷积层的权重，将所述特征训练集训练输入新的多层卷积神经网络，并使用误差反向传播算法对新的多层卷积神经网络进行训练；示例性的，所述修改卷积层层数，即在原卷积层的基础上添加至少2个卷积层，例如，第一次添加获得由7层卷积层+3层全连接层+多个输出层的构成的深度卷积神经网络，第二次添加获得由9层卷积层+3层全连接层+多个输出层的构成的深度卷积神经网络，第三次添加获得由11层卷积层+3层全连接层+多个输出层的构成的深度卷积神经网络。
S204、重复步骤S203，直至所述特征训练集的识别正确率不再提高，最终获得第二深度学习模型，通过第二深度学习模型，可以对包含电子凭证必要特征信息的图像进行内容提取。
进一步的，本发明需先进行第二深度学习模型的训练，在训练完成后，才能使用图像分割训练集对第一深度学习模型进行训练，具体训练过程包括：
S2001、以不同类型的电子凭证模板图像的宽与高建立直角坐标系，其中电子凭证模板图像的宽为直角坐标系的X轴，电子凭证模板图像的高为直角坐标系的Y轴；示例性的，以包含发票模板的电子凭证图像作为待训练图像，以该图像的宽与高建立直角坐标系。
S2002、设定电子凭证模板图像的初始坐标组，所述初始坐标组中包含多个初始坐标集合，每个初始坐标集合构成电子凭证模板图像的不同区域；示例性的，每个初始坐标集合由四个初始坐标构成，四个初始坐标构成待处理图像的待分割区域，例如包含发票模板的电子凭证图像的不同区域包括表头、发票金额、开具发票的公司纳税识别号等，因此初始坐标组也同样包含了由上去区域所组成的初始坐标集合，其初始坐标组的设置是根据经验所设定，因此初始坐标组所指代坐标区域可能存在不精确的情况。
S2003、基于每个初始坐标集合，使用基于U2-net深度学习网络对对待处理图像进行图形分割，获得电子凭证模板图像的分割区域图像；示例性的，表头区域由四个坐标所构成的区域框组成，例如由(X1，Y1)、(X2，Y2)、(X3，Y3)、(X4，Y4)这四个坐标构成了虚拟框，其虚拟框所涵盖的区域即指代表头区域，基于U2-net深度学习网络进行图像分割，获得分割后仅可能包含表头区域的图像
S2004、将所述分割区域图像输入至所述第二深度学习模型中，获得识别结果；示例性的，将分割区域图像输入至所述第二深度学习模型进行识别，其识别结果存在正确以及错误两种可能，其正确结果即为识别结果与表头一致，其错误结果包括无法识别或识别结果与表头结不一致。
S2005、通过专家打分法对所述识别结果进行评估，若评估结果符合逾期，则将该坐标集合作为该电子凭证模板图像的识别坐标，若评估结果不符合逾期，对所述初始坐标集合进行调整，并重复步骤S2003-S2005，直到分割区域图像的识别结果符合要求。
S3、在训练完成后，使用第一深度学习模型以及第二深度学习模型对待处理图像进行图像分割以及图像识别，获得所述待处理图像中的内容识别结果。
本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述的基于计算机视觉的电子凭据图像识别解析方法。
本发明实施例还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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的基于计算机视觉的电子凭据图像识别解析方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (9)
1.基于计算机视觉的电子凭据图像识别解析方法，其特征在于，包括下列步骤：
S1、上传凭证图像，并对所述凭证图像进行预处理，生成在像素大小一致的待处理图像；
S2、建立特征信息训练集以及图像分割训练集，并构建第一深度学习模型以及第二深度学习模型，使用特征信息训练集对第二深度学习模型进行训练，在训练完成后，使用图像分割训练集对第一深度学习模型进行训练，使用第二深度学习模型对第一深度学习模型的分割结果进行检验，直至完成第一深度学习模型的训练；
S3、使用第一深度学习模型以及第二深度学习模型对待处理图像进行图像分割以及图像识别，获得所述待处理图像中的内容识别结果。
2.根据权利要求1所述的基于计算机视觉的电子凭据图像识别解析方法，其特征在于，对所述凭证图像进行预处理，预处理包括大小调整、灰度转换、滤波、全局阈值二值化和剪裁。
3.根据权利要求1所述的基于计算机视觉的电子凭据图像识别解析方法，其特征在于，所述特征信息包括包括特征图像，所述特征图像内容包括静态文本、特殊符号、分隔符、条码或二维码中的一种或多种。
4.根据权利要求1所述的基于计算机视觉的电子凭据图像识别解析方法，其特征在于，所述图像分割训练集中包含不同类型的电子凭证模板图像。
5.根据权利要求2所述的基于计算机视觉的电子凭据图像识别解析方法，其特征在于，使用特征信息训练集对第二深度学习模型进行训练，具体包括：
S201、构建多层卷积神经网络，并定义至少一个输出层来输出内容分类的结果；
S202、构建包含静态文本、特殊符号、分隔符、条码或二维码中的一种或多种内容信息在内的特征信息训练集，将所述特征训练集训练输入多层卷积神经网络，并使用误差反向传播算法对所述多层卷积神经网络进行训练；
S203、修改多层卷积神经网络的卷积层层数得到新的多层卷积神经网络，用步骤S202得到的模型参数来初始化所述新的多层卷积神经网络卷积层的权重，将所述特征训练集训练输入新的多层卷积神经网络，并使用误差反向传播算法对新的多层卷积神经网络进行训练；
S204、重复步骤S203，直至所述特征训练集的识别正确率不再提高，最终获得第二深度学习模型。
6.根据权利要求2所述的基于计算机视觉的电子凭据图像识别解析方法，其特征在于，使用图像分割训练集对第一深度学习模型进行训练，具体包括：
S2001、以不同类型的电子凭证模板图像的宽与高建立直角坐标系，其中电子凭证模板图像的宽为直角坐标系的X轴，电子凭证模板图像的高为直角坐标系的Y轴；
S2002、设定电子凭证模板图像的初始坐标组，所述初始坐标组中包含多个初始坐标集合，每个初始坐标集合构成电子凭证模板图像的不同区域；
S2003、基于每个初始坐标集合，使用基于U2-net深度学习网络对对待处理图像进行图形分割，获得电子凭证模板图像的分割区域图像；
S2004、将所述分割区域图像输入至所述第二深度学习模型中，获得识别结果；
S2005、通过专家打分法对所述识别结果进行评估，若评估结果符合逾期，则将该坐标集合作为该电子凭证模板图像的识别坐标，若评估结果不符合逾期，对所述初始坐标集合进行调整，并重复步骤S2003-S2005，直到分割区域图像的识别结果符合要求。
7.根据权利要求6所述的基于计算机视觉的电子凭据图像识别解析方法，其特征在于，每个初始坐标集合由四个初始坐标构成，四个初始坐标构成待处理图像的待分割区域。
8.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的基于计算机视觉的电子凭据图像识别解析方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的基于计算机视觉的电子凭据图像识别解析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310384937.2A CN116311297A (zh) | 2023-04-12 | 2023-04-12 | 基于计算机视觉的电子凭据图像识别解析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310384937.2A CN116311297A (zh) | 2023-04-12 | 2023-04-12 | 基于计算机视觉的电子凭据图像识别解析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116311297A true CN116311297A (zh) | 2023-06-23 |
Family
ID=86787157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310384937.2A Pending CN116311297A (zh) | 2023-04-12 | 2023-04-12 | 基于计算机视觉的电子凭据图像识别解析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116311297A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117688959A (zh) * | 2023-12-27 | 2024-03-12 | 广州讯宝电子科技有限公司 | 一种免持扫码器及其扫码方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919160A (zh) * | 2019-03-04 | 2019-06-21 | 深圳先进技术研究院 | 验证码识别方法、装置、终端及存储介质 |
| CN110008956A (zh) * | 2019-04-01 | 2019-07-12 | 深圳市华付信息技术有限公司 | 发票关键信息定位方法、装置、计算机设备及存储介质 |
| CN110689658A (zh) * | 2019-10-08 | 2020-01-14 | 北京邮电大学 | 一种基于深度学习的出租车票据识别方法和系统 |
| JP6667865B1 (ja) * | 2019-11-19 | 2020-03-18 | 国立大学法人一橋大学 | 会計情報処理装置、会計情報処理方法及び会計情報処理プログラム |
| CN111695385A (zh) * | 2019-03-15 | 2020-09-22 | 杭州海康威视数字技术股份有限公司 | 文本识别方法、装置及设备 |
| CN113780116A (zh) * | 2021-08-26 | 2021-12-10 | 众安在线财产保险股份有限公司 | 发票分类方法、装置、计算机设备和存储介质 |
| CN113963147A (zh) * | 2021-09-26 | 2022-01-21 | 西安交通大学 | 一种基于语义分割的关键信息提取方法及系统 |
-
2023
- 2023-04-12 CN CN202310384937.2A patent/CN116311297A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919160A (zh) * | 2019-03-04 | 2019-06-21 | 深圳先进技术研究院 | 验证码识别方法、装置、终端及存储介质 |
| CN111695385A (zh) * | 2019-03-15 | 2020-09-22 | 杭州海康威视数字技术股份有限公司 | 文本识别方法、装置及设备 |
| CN110008956A (zh) * | 2019-04-01 | 2019-07-12 | 深圳市华付信息技术有限公司 | 发票关键信息定位方法、装置、计算机设备及存储介质 |
| CN110689658A (zh) * | 2019-10-08 | 2020-01-14 | 北京邮电大学 | 一种基于深度学习的出租车票据识别方法和系统 |
| JP6667865B1 (ja) * | 2019-11-19 | 2020-03-18 | 国立大学法人一橋大学 | 会計情報処理装置、会計情報処理方法及び会計情報処理プログラム |
| CN113780116A (zh) * | 2021-08-26 | 2021-12-10 | 众安在线财产保险股份有限公司 | 发票分类方法、装置、计算机设备和存储介质 |
| CN113963147A (zh) * | 2021-09-26 | 2022-01-21 | 西安交通大学 | 一种基于语义分割的关键信息提取方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117688959A (zh) * | 2023-12-27 | 2024-03-12 | 广州讯宝电子科技有限公司 | 一种免持扫码器及其扫码方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902622B (zh) | 一种用于登机牌信息验证的文字检测识别方法 | |
| CN111709349B (zh) | 一种针对带表格合同的ocr识别方法 | |
| US9542752B2 (en) | Document image compression method and its application in document authentication | |
| CN107194400B (zh) | 一种财务报销全票据图片识别处理方法 | |
| US8041113B2 (en) | Image processing device, image processing method, and computer program product | |
| CN111027297A (zh) | 一种对图像型pdf财务数据关键表格信息的处理方法 | |
| CN113343740B (zh) | 表格检测方法、装置、设备和存储介质 | |
| CN105528614A (zh) | 一种漫画图像版面的识别方法和自动识别系统 | |
| CN113963147B (zh) | 一种基于语义分割的关键信息提取方法及系统 | |
| CN109284756A (zh) | 一种基于ocr技术的计算机终端保密检查方法 | |
| CN116311297A (zh) | 基于计算机视觉的电子凭据图像识别解析方法 | |
| CN111783735A (zh) | 一种基于人工智能的钢材单据解析系统 | |
| CN115223166A (zh) | 图片预标注方法、图片标注方法及装置、电子设备 | |
| CN103500323A (zh) | 基于自适应灰度图像滤波的模板匹配方法 | |
| CN110688998A (zh) | 票据识别方法及装置 | |
| CN112508000B (zh) | 一种用于ocr图像识别模型训练数据生成的方法及设备 | |
| CN111597845A (zh) | 一种二维码检测方法、装置、设备及可读存储介质 | |
| Yang et al. | Deep learning aided system design method for intelligent reimbursement robot | |
| CN112883953A (zh) | 基于联合学习的卡片识别装置及方法 | |
| CN107688744A (zh) | 基于图像特征匹配的恶意文件分类方法及装置 | |
| CN113591657B (zh) | Ocr版面识别的方法、装置、电子设备及介质 | |
| CN115205881A (zh) | 一种表格识别方法、设备及介质 | |
| CN113516114B (zh) | 一种自然场景文本检测方法、设备和介质 | |
| CN114758340A (zh) | 物流地址智能识别方法、装置、设备及存储介质 | |
| CN114565749A (zh) | 一种电力建设现场签证文档关键内容识别方法及系统 |
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 |