CN116824600A - 一种公司印章识别方法及其相关设备 - Google Patents
一种公司印章识别方法及其相关设备 Download PDFInfo
- Publication number
- CN116824600A CN116824600A CN202310770602.4A CN202310770602A CN116824600A CN 116824600 A CN116824600 A CN 116824600A CN 202310770602 A CN202310770602 A CN 202310770602A CN 116824600 A CN116824600 A CN 116824600A
- Authority
- CN
- China
- Prior art keywords
- document
- training
- company seal
- company
- target
- 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 83
- 238000012549 training Methods 0.000 claims abstract description 237
- 230000000007 visual effect Effects 0.000 claims abstract description 81
- 238000000605 extraction Methods 0.000 claims description 35
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000000873 masking effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06V30/19—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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- 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
- G06V30/19—Recognition using electronic means
- G06V30/19007—Matching; Proximity measures
- G06V30/19093—Proximity measures, i.e. similarity or distance measures
-
- 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
- G06V30/1914—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries, e.g. user dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例属于人工智能及金融科技技术领域,应用于对金融保险合同内容进行审核时的公司印章内容识别过程中,涉及一种公司印章识别方法及其相关设备,包括获取批量训练文档;将批量训练文档输入预构建的公司印章识别模型进行模型训练,获得训练完成的公司印章识别模型;获取目标待测文档;将目标待测文档输入训练完成的公司印章识别模型进行结果预测;根据预设的参照词典,采用编辑距离法识别预测结果对应的真实结果,完成对目标待测文档中公司印章的识别。直接赋予视觉模型语言能力,提高了预测速度,通过采用编辑距离算法避免待测文档对应的公司印章文字预测结果中单个字符存在背景干扰,单独的视觉模型无法准确判断,提高预测结果的准确度。
Description
技术领域
本申请涉及人工智能及金融科技技术领域,应用于对金融保险合同内容进行审核时的公司印章内容识别过程中,尤其涉及一种公司印章识别方法及其相关设备。
背景技术
随着计算机行业的发展,越来越多的金融业务需要转变为线上的金融科技业务,例如,金融业务中合同签订时的签订主体识别业务,尤其是对金融保险合同内容进行审核时的公司印章内容识别过程,既可以应用到保险理赔时合同审核过程,也可以用于银行向目标商户进行产业扶持放贷业务中。由于现有的合同审核还依然采用人工审核方式,无疑增加了相关工作人员的工作量,而且也不利于相关业务的快速开展,耗时耗力。
目前,现有的智能化方案一般通过OCR技术识别印章和文件中的公司名以进行比对。然而,由于加盖印章的位置经常与文件文本重叠,文件文本会对印章文本造成很大干扰,导致识别准确率太低。现有的解决方案是在视觉模型之后再增加语义模型来修正结果。但是增加语义模型会极大增加模型参数,导致增大模型开销,延长模型推理时间,同时该方法将视觉与语义信息分割应用,效果不佳。
发明内容
本申请实施例的目的在于提出一种公司印章识别方法及其相关设备,以解决现有技术对文档中加盖印章识别时增加语义模型会极大增加模型参数,导致增大模型开销,延长模型推理时间,识别精度低的问题。
为了解决上述技术问题,本申请实施例提供一种公司印章识别方法,采用了如下所述的技术方案:
一种公司印章识别方法,包括下述步骤:
获取批量训练文档,其中,每个训练文档都为带有公司印章的电子文档;
将所述批量训练文档输入预构建的公司印章识别模型进行模型训练,获得训练完成的公司印章识别模型,其中,所述公司印章识别模型包括由残差神经网络结构构建的特征提取层,由卷积神经网络结构构建的字符掩码层以及由视觉超分辨率单元和并行预测单元共同构建的对照预测层;
获取目标待测文档,其中,所述目标待测文档指带有公司印章的待识别电子文档;
将所述目标待测文档输入所述训练完成的公司印章识别模型进行结果预测,获得预测结果;
根据预设的参照词典,采用编辑距离法识别所述预测结果对应的真实结果,完成对所述目标待测文档中公司印章的识别。
进一步的,在执行所述获取批量训练文档的步骤之后,所述方法还包括:
根据预设的颜色调整方式,对所述批量训练文档中每个训练文档中文字内容进行颜色加深调整,获取颜色调整之后的批量训练文档,其中,所述预设的颜色调整方式包括色彩曲线调整、色阶调整和多层文字叠加调整中至少一种调整方式。
进一步的,在执行所述将所述批量训练文档输入预构建的公司印章识别模型进行模型训练的步骤之前,所述方法还包括:
构建公司印章识别模型,其中,所述公司印章识别模型包括特征提取层、字符掩码层和对照预测层,所述特征提取层为ResNet残差神经网络结构,所述ResNet残差神经网络包括ResNet152残差神经网络,所述字符掩码层为R-CNN卷积神经网络结构,所述对照预测层由ASR视觉超分辨率单元和PP算法并行预测单元共同构成。
进一步的,所述将所述批量训练文档输入预构建的公司印章识别模型进行模型训练,获得训练完成的公司印章识别模型的步骤,具体包括:
将所述颜色调整之后的批量训练文档依次输入到所述预构建的公司印章识别模型;
根据所述预构建的公司印章识别模型中特征提取层的ResNet152残差神经网络对所述颜色调整之后的批量训练文档依次进行视觉特征和文本特征提取,获取每个训练文档对应的视觉特征和文本特征,完成对所述特征提取层的训练;
通过解析每个训练文档对应的视觉特征和文本特征,分别获取每个训练文档中各个目标字符索引的位置信息;
任选一训练文档作为当前训练文档,将当前训练文档的视觉特征输入到所述R-CNN卷积神经网络结构中,并依次将所述当前训练文档中每个目标字符索引的位置信息作为掩码位置信息输入到所述R-CNN卷积神经网络结构中;
根据所述当前训练文档的视觉特征以及所述当前训练文档中每个目标字符索引的位置信息,采用弱监督学习方式,生成初始掩码器;
依次获取所述批量训练文档中每一个训练文档作为所述当前训练文档,采用弱监督学习方式对所述初始掩码器进行更新,直至每一个训练文档均完成所述弱监督学习为止,获得最终掩码器,完成对所述字符掩码层的训练;
将每个训练文档、每个训练文档对应的视觉特征以及文本特征传输到所述对照预测层,对ASR视觉超分辨率单元进行训练,训练出基本文本识别单元,获取每个训练文档对应的第一文本识别结果;
将每个训练文档输入到所述最终掩码器内,获取每个训练文档所对应的目标掩码文档,再将所述每个训练文档所对应的目标掩码文档输入到所述对照预测层,对ASR视觉超分辨率单元进行训练,训练出掩码文本识别单元,获取每个训练文档对应的第二文本识别结果;
采用所述PP算法并行预测单元分别对每个训练文档对应的所述第一文本识别结果和每个训练文档对应的所述第二文本识别结果之间进行对比推断,获得每个训练文档对应的目标掩码文档中被掩码的字符,完成对所述对照预测层的训练。
进一步的,在执行所述获取目标待测文档的步骤之后,所述方法还包括:
按照所述颜色调整方式,对所述目标待测文档中文字内容进行颜色加深调整,获取颜色调整之后的目标待测文档。
进一步的,所述将所述目标待测文档输入所述训练完成的公司印章识别模型进行结果预测,获得预测结果的步骤,具体包括:
将所述目标待测文档输入到训练完成的所述特征提取层,获取所述目标待测文档的视觉特征和文本特征;
通过解析所述目标待测文档的视觉特征和文本特征,依次获取所述目标待测文档中公司印章文字的位置信息;
将每个所述公司印章文字的位置信息作为字符索引信息设置到所述最终掩码器内;
根据所述最终掩码器和每个所述公司印章文字的位置信息,生成所述目标待测文档对应的待测掩码文档,其中,所述待测掩码文档的数量与所述公司印章文字的数量相同;
将所述目标待测文档和所述待测掩码文档输入到训练完成的所述对照预测层,分别获取所述目标待测文档和所述待测掩码文档对应的文本识别结果,通过对比识别,提取所述目标待测文档对应的公司印章文字预测结果。
进一步的,所述根据预设的参照词典,采用编辑距离法识别所述预测结果对应的真实结果,完成对所述目标待测文档中公司印章的识别的步骤,具体包括:
获取预设的参照词典,其中,所述参照词典包含若干个待检测的公司全名信息;
将通过公司印章识别模型提取的所述目标待测文档对应的公司印章文字预测结果与所述若干个待检测的公司全名信息,一一进行对比,并采用编辑距离算法计算每组对比文字间的相似度,选择相似度为最大值时的公司全名信息作为所述预测结果对应的真实结果;
将所述真实结果对应的公司全名信息作为所述目标待测文档中公司印章文字。
为了解决上述技术问题,本申请实施例还提供一种公司印章识别装置,采用了如下所述的技术方案:
一种公司印章识别装置,包括:
训练文档获取模块,用于获取批量训练文档,其中,每个训练文档都为带有公司印章的电子文档;
公司印章识别模型训练模块,用于将所述批量训练文档输入预构建的公司印章识别模型进行模型训练,获得训练完成的公司印章识别模型,其中,所述公司印章识别模型包括由残差神经网络结构构建的特征提取层,由卷积神经网络结构构建的字符掩码层以及由视觉超分辨率单元和并行预测单元共同构建的对照预测层;
待测文档获取模块,用于获取目标待测文档,其中,所述目标待测文档指带有公司印章的待识别电子文档;
公司印章识别模型预测模块,用于将所述目标待测文档输入所述训练完成的公司印章识别模型进行结果预测,获得预测结果;
算法计算对比模块,用于根据预设的参照词典,采用编辑距离法识别所述预测结果对应的真实结果,完成对所述目标待测文档中公司印章的识别。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现上述所述的公司印章识别方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
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计算机可读指令,所述计算机可读指令被处理器执行时实现如上述所述的公司印章识别方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例所述公司印章识别方法,通过获取批量训练文档,其中,每个训练文档都为带有公司印章的电子文档;将所述批量训练文档输入预构建的公司印章识别模型进行模型训练,获得训练完成的公司印章识别模型;获取目标待测文档,其中,所述目标待测文档指带有公司印章的待识别电子文档;将所述目标待测文档输入所述训练完成的公司印章识别模型进行结果预测,获得预测结果;根据预设的参照词典,采用编辑距离法识别所述预测结果对应的真实结果,完成对所述目标待测文档中公司印章的识别。直接赋予视觉模型语言能力,采用其内的特征提取层一并进行视觉特征和文本特征提取,提高了预测速度,通过采用编辑距离算法和参照词典的方式,避免所述目标待测文档对应的公司印章文字预测结果中单个字符存在背景干扰,单独的视觉模型无法准确判断,提高预测结果的准确度。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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。
图1是本申请可以应用于其中的示例性系统架构图;
图2根据本申请的公司印章识别方法的一个实施例的流程图;
图3是图2所示步骤202的一个具体实施例的流程图;
图4是图2所示步骤204的一个具体实施例的流程图;
图5是图2所示步骤205的一个具体实施例的流程图;
图6根据本申请的公司印章识别装置的一个实施例的结构示意图;
图7是图6所示模块602的一个具体实施例的结构示意图;
图8根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的公司印章识别方法一般由服务器/终端设备执行,相应地,公司印章识别装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的公司印章识别方法的一个实施例的流程图。所述的公司印章识别方法,包括以下步骤:
步骤201,获取批量训练文档,其中,每个训练文档都为带有公司印章的电子文档。
本实施例中,所述获取批量训练文档的步骤,具体包括:从预设的保险承保合同存储平台内获取批量已签订完成的保险承保合同,其中,所述批量表示数量不确定的多个,可以根据训练要求由训练人员自由设置。
本实施例中,在执行所述获取批量训练文档的步骤之后,所述方法还包括:根据预设的颜色调整方式,对所述批量训练文档中每个训练文档中文字内容进行颜色加深调整,获取颜色调整之后的批量训练文档,其中,所述预设的颜色调整方式包括色彩曲线调整、色阶调整和多层文字叠加调整中至少一种调整方式。
具体的,可以在获取到批量训练文档之后,接入第三方软件提供的颜色调整接口,调整所述批量训练文档中文字内容的颜色,例如:保险理赔审核流程中,为了识别保险合同的真实性和确定保险签订主体方,在获取到批量用于训练的保险承保合同后,通过接入第三方软件提供的颜色调整接口的方式,调整所有保险承保合同中文字内容的颜色深度,由于,常规的合同文字表述性内容往往为黑色或者蓝色文字,特别提醒的合同文字内容往往为其他区别色文字,保险签订主体方对应的公司印章内容往往为红色文字,因此,进行颜色加深处理,使得公司印章对应的红色文字内容更加鲜艳,避免了颜色较淡,更加便于计算机设备识别。
步骤202,将所述批量训练文档输入预构建的公司印章识别模型进行模型训练,获得训练完成的公司印章识别模型。
本实施例中,所述公司印章识别模型包括由残差神经网络结构构建的特征提取层,由卷积神经网络结构构建的字符掩码层以及由视觉超分辨率单元和并行预测单元共同构建的对照预测层。
本实施例中,在执行所述将所述批量训练文档输入预构建的公司印章识别模型进行模型训练的步骤之前,所述方法还包括:构建公司印章识别模型,其中,所述公司印章识别模型包括特征提取层、字符掩码层和对照预测层,所述特征提取层为ResNet残差神经网络结构,所述ResNet残差神经网络包括ResNet152残差神经网络,所述字符掩码层为R-CNN卷积神经网络结构,所述对照预测层由ASR视觉超分辨率单元和PP算法并行预测单元共同构成。
继续以上述保险承保合同为例,所述公司印章识别模型指视觉语言网络模型,相较于以往的解决方案是在视觉模型之后再增加语义模型来修正结果,所述公司印章识别模型直接赋予视觉模型语言能力,将视觉和语言模型当作一个整体,直接采用其内的特征提取层一并进行视觉特征和文本特征提取,不需要额外的语言模型,并且采用ResNet残差神经网络能够自适应考虑语言信息来增强视觉特征,为了进一步的达到更高的识别准确率,在预备的ResNet18、ResNet34、ResNet50和ResNet151残差神经网络中,优选ResNet151残差神经网络构建所述特征提取层。为了提高字符掩码层的训练精准度,采用R-CNN卷积神经网络结构作为字符掩码层中掩码器的构建神经网络。所述对照预测层由ASR视觉超分辨率单元和PP算法并行预测单元共同构成,其中,所述ASR视觉超分辨率单元用于根据所述特征提取层提取出的视觉特征和文本特征,识别出对应文档中各个文字内容分别在所述文档中的位置信息,所述PP算法并行预测单元用于后期公司印章识别模型预测时,同时根据未进行掩码的文档和进行掩码的文档并行预测掩码字符,其中,所述PP算法并行预测单元优选PP(pipeline parallelism)PP算法并行预测单元,PPPP算法并行预测单元采用了流水线式并行算法对未进行掩码的文档和进行掩码的文档进行预测。
继续参考图3,图3是图2所示步骤202的一个具体实施例的流程图,包括:
步骤301,将所述颜色调整之后的批量训练文档依次输入到所述预构建的公司印章识别模型;
步骤302,根据所述预构建的公司印章识别模型中特征提取层的ResNet152残差神经网络对所述颜色调整之后的批量训练文档依次进行视觉特征和文本特征提取,获取每个训练文档对应的视觉特征和文本特征,完成对所述特征提取层的训练;
步骤303,通过解析每个训练文档对应的视觉特征和文本特征,分别获取每个训练文档中各个目标字符索引的位置信息;
本实施例中,所述每个训练文档中各个目标字符索引的位置信息即所述每个训练文档中公司印章各个文字在文档中的位置信息。
步骤304,任选一训练文档作为当前训练文档,将当前训练文档的视觉特征输入到所述R-CNN卷积神经网络结构中,并依次将所述当前训练文档中每个目标字符索引的位置信息作为掩码位置信息输入到所述R-CNN卷积神经网络结构中;
步骤305,根据所述当前训练文档的视觉特征以及所述当前训练文档中每个目标字符索引的位置信息,采用弱监督学习方式,生成初始掩码器;
本实施例中,每个训练文档对应的掩码器中包含多个掩码块,每个掩码块分别对应公司印章中不同位置信息处的文字块。
步骤306,依次获取所述批量训练文档中每一个训练文档作为所述当前训练文档,采用弱监督学习方式对所述初始掩码器进行更新,直至每一个训练文档均完成所述弱监督学习为止,获得最终掩码器,完成对所述字符掩码层的训练;
本实施例中,循环执行步骤304至步骤306,对所述初始掩码器进行更新,获得最终掩码器的步骤,具体包括:判断所述批量训练文档中所有文档是否都已被作为当前训练文档选择过,若是,则终止循环执行步骤,停止对所述初始掩码器进行更新,获得最终掩码器,具体的,可以采用文档标记的方式记录已被作为当前训练文档选择过的训练文档。
通过循环的方式,不停的训练掩码器,获取一个最终掩码器,该最终掩码器记录了所述训练文档中每个训练文档中公司印章各个文字在文档中的位置信息,以及所述各个文字的文字特征和视觉特征。避免了盲目训练多个掩码器,仅仅采用更新方式获得一个最终掩码器,降低了模型训练的复杂度。
步骤307,将每个训练文档、每个训练文档对应的视觉特征以及文本特征传输到所述对照预测层,对ASR视觉超分辨率单元进行训练,训练出基本文本识别单元,获取每个训练文档对应的第一文本识别结果;
步骤308,将每个训练文档输入到所述最终掩码器内,获取每个训练文档所对应的目标掩码文档,再将所述每个训练文档所对应的目标掩码文档输入到所述对照预测层,对ASR视觉超分辨率单元进行训练,训练出掩码文本识别单元,获取每个训练文档对应的第二文本识别结果;
步骤309,采用所述PP算法并行预测单元分别对每个训练文档对应的所述第一文本识别结果和每个训练文档对应的所述第二文本识别结果之间进行对比推断,获得每个训练文档对应的目标掩码文档中被掩码的字符,完成对所述对照预测层的训练。
通过基本文本识别单元,获取每个训练文档对应的第一文本识别结果,再通过掩码文本识别单元,获取每个训练文档对应的第二文本识别结果,最后通过对比推断,即可识别出每个训练文档对应的目标掩码文档中被掩码的字符,即被进行掩码操作的公司印章中的字符,从而通过结合掩码器、视觉推理方式,识别出训练文档中公司印章字符。
此外,在进行公司印章识别模型训练时,涉及到对所述特征提取层、字符掩码层和对照预测层的调优处理,可以在对照预测层采用Transformer单元(包括Sigmoid层)进行自适应调优和损失度计算。
步骤203,获取目标待测文档,其中,所述目标待测文档指带有公司印章的待识别电子文档。
本实施例中,在执行所述获取目标待测文档的步骤之后,所述方法还包括:按照所述颜色调整方式,对所述目标待测文档中文字内容进行颜色加深调整,获取颜色调整之后的目标待测文档。
步骤204,将所述目标待测文档输入所述训练完成的公司印章识别模型进行结果预测,获得预测结果。
继续参考图4,图4是图2所示步骤204的一个具体实施例的流程图,包括:
步骤401,将所述目标待测文档输入到训练完成的所述特征提取层,获取所述目标待测文档的视觉特征和文本特征;
步骤402,通过解析所述目标待测文档的视觉特征和文本特征,依次获取所述目标待测文档中公司印章文字的位置信息;
步骤403,将每个所述公司印章文字的位置信息作为字符索引信息设置到所述最终掩码器内;
步骤404,根据所述最终掩码器和每个所述公司印章文字的位置信息,生成所述目标待测文档对应的待测掩码文档,其中,所述待测掩码文档的数量与所述公司印章文字的数量相同;
步骤405,将所述目标待测文档和所述待测掩码文档输入到训练完成的所述对照预测层,分别获取所述目标待测文档和所述待测掩码文档对应的文本识别结果,通过对比识别,提取所述目标待测文档对应的公司印章文字预测结果。
步骤205,根据预设的参照词典,采用编辑距离法识别所述预测结果对应的真实结果,完成对所述目标待测文档中公司印章的识别。
继续参考图5,图5是图2所示步骤205的一个具体实施例的流程图,包括:
步骤501,获取预设的参照词典,其中,所述参照词典包含若干个待检测的公司全名信息;
步骤502,将通过公司印章识别模型提取的所述目标待测文档对应的公司印章文字预测结果与所述若干个待检测的公司全名信息,一一进行对比,并采用编辑距离算法计算每组对比文字间的相似度,选择相似度为最大值时的公司全名信息作为所述预测结果对应的真实结果;
步骤503,将所述真实结果对应的公司全名信息作为所述目标待测文档中公司印章文字。
通过采用编辑距离算法和参照词典的方式,避免所述目标待测文档对应的公司印章文字预测结果中单个字符存在背景干扰,单独的视觉模型无法准确判断,提高预测结果的准确度。
本申请通过获取批量训练文档,其中,每个训练文档都为带有公司印章的电子文档;将所述批量训练文档输入预构建的公司印章识别模型进行模型训练,获得训练完成的公司印章识别模型;获取目标待测文档,其中,所述目标待测文档指带有公司印章的待识别电子文档;将所述目标待测文档输入所述训练完成的公司印章识别模型进行结果预测,获得预测结果;根据预设的参照词典,采用编辑距离法识别所述预测结果对应的真实结果,完成对所述目标待测文档中公司印章的识别。直接赋予视觉模型语言能力,采用其内的特征提取层一并进行视觉特征和文本特征提取,提高了预测速度,通过采用编辑距离算法和参照词典的方式,避免所述目标待测文档对应的公司印章文字预测结果中单个字符存在背景干扰,单独的视觉模型无法准确判断,提高预测结果的准确度。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例中,通过获取批量训练文档;将批量训练文档输入预构建的公司印章识别模型进行模型训练,获得训练完成的公司印章识别模型;获取目标待测文档;将目标待测文档输入训练完成的公司印章识别模型进行结果预测,获得预测结果;根据预设的参照词典,采用编辑距离法识别预测结果对应的真实结果,完成对目标待测文档中公司印章的识别。直接赋予视觉模型语言能力,提高了预测速度,通过采用编辑距离算法避免待测文档对应的公司印章文字预测结果中单个字符存在背景干扰,单独的视觉模型无法准确判断,提高预测结果的准确度。
进一步参考图6,作为对上述图2所示方法的实现,本申请提供了一种公司印章识别装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例所述的公司印章识别装置600包括:训练文档获取模块601、公司印章识别模型训练模块602、待测文档获取模块603、公司印章识别模型预测模块604和算法计算对比模块605。其中:
训练文档获取模块601,用于获取批量训练文档,其中,每个训练文档都为带有公司印章的电子文档;
公司印章识别模型训练模块602,用于将所述批量训练文档输入预构建的公司印章识别模型进行模型训练,获得训练完成的公司印章识别模型,其中,所述公司印章识别模型包括由残差神经网络结构构建的特征提取层,由卷积神经网络结构构建的字符掩码层以及由视觉超分辨率单元和并行预测单元共同构建的对照预测层;
待测文档获取模块603,用于获取目标待测文档,其中,所述目标待测文档指带有公司印章的待识别电子文档;
公司印章识别模型预测模块604,用于将所述目标待测文档输入所述训练完成的公司印章识别模型进行结果预测,获得预测结果;
算法计算对比模块605,用于根据预设的参照词典,采用编辑距离法识别所述预测结果对应的真实结果,完成对所述目标待测文档中公司印章的识别。
本实施例的一些具体实施方式中,所述的公司印章识别装置400还包括文档内容颜色调整模块,所述文档内容颜色调整模块用于根据预设的颜色调整方式,对所述批量训练文档中每个训练文档中文字内容进行颜色加深调整,还用于按照所述颜色调整方式,对所述目标待测文档中文字内容进行颜色加深调整,其中,所述预设的颜色调整方式包括色彩曲线调整、色阶调整和多层文字叠加调整中至少一种调整方式。
继续参考图7,图7是图6所示模块602的一个具体实施例的结构示意图,所述的公司印章识别模型训练模块602包括训练文档输入子模块701、特征提取层训练子模块702、字符索引位置信息获取子模块703、掩码位置信息输入子模块704、掩码器生成子模块705、掩码器更新子模块706、第一文本识别结果获取子模块707、第二文本识别结果获取子模块708和并行对比判断子模块709。其中:
训练文档输入子模块701,用于将所述颜色调整之后的批量训练文档依次输入到所述预构建的公司印章识别模型;
特征提取层训练子模块702,用于根据所述预构建的公司印章识别模型中特征提取层的ResNet152残差神经网络对所述颜色调整之后的批量训练文档依次进行视觉特征和文本特征提取,获取每个训练文档对应的视觉特征和文本特征,完成对所述特征提取层的训练;
字符索引位置信息获取子模块703,用于通过解析每个训练文档对应的视觉特征和文本特征,分别获取每个训练文档中各个目标字符索引的位置信息;
掩码位置信息输入子模块704,用于任选一训练文档作为当前训练文档,将当前训练文档的视觉特征输入到所述R-CNN卷积神经网络结构中,并依次将所述当前训练文档中每个目标字符索引的位置信息作为掩码位置信息输入到所述R-CNN卷积神经网络结构中;
掩码器生成子模块705,用于根据所述当前训练文档的视觉特征以及所述当前训练文档中每个目标字符索引的位置信息,采用弱监督学习方式,生成初始掩码器;
掩码器更新子模块706,用于依次获取所述批量训练文档中每一个训练文档作为所述当前训练文档,采用弱监督学习方式对所述初始掩码器进行更新,直至每一个训练文档均完成所述弱监督学习为止,获得最终掩码器,完成对所述字符掩码层的训练;
第一文本识别结果获取子模块707,用于将每个训练文档、每个训练文档对应的视觉特征以及文本特征传输到所述对照预测层,对ASR视觉超分辨率单元进行训练,训练出基本文本识别单元,获取每个训练文档对应的第一文本识别结果;
第二文本识别结果获取子模块708,用于将每个训练文档输入到所述最终掩码器内,获取每个训练文档所对应的目标掩码文档,再将所述每个训练文档所对应的目标掩码文档输入到所述对照预测层,对ASR视觉超分辨率单元进行训练,训练出掩码文本识别单元,获取每个训练文档对应的第二文本识别结果;
并行对比判断子模块709,用于采用所述PP算法并行预测单元分别对每个训练文档对应的所述第一文本识别结果和每个训练文档对应的所述第二文本识别结果之间进行对比推断,获得每个训练文档对应的目标掩码文档中被掩码的字符,完成对所述对照预测层的训练。
本申请通过获取批量训练文档,其中,每个训练文档都为带有公司印章的电子文档;将所述批量训练文档输入预构建的公司印章识别模型进行模型训练,获得训练完成的公司印章识别模型;获取目标待测文档,其中,所述目标待测文档指带有公司印章的待识别电子文档;将所述目标待测文档输入所述训练完成的公司印章识别模型进行结果预测,获得预测结果;根据预设的参照词典,采用编辑距离法识别所述预测结果对应的真实结果,完成对所述目标待测文档中公司印章的识别。直接赋予视觉模型语言能力,采用其内的特征提取层一并进行视觉特征和文本特征提取,提高了预测速度,通过采用编辑距离算法和参照词典的方式,避免所述目标待测文档对应的公司印章文字预测结果中单个字符存在背景干扰,单独的视觉模型无法准确判断,提高预测结果的准确度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图8,图8为本实施例计算机设备基本结构框图。
所述计算机设备8包括通过系统总线相互通信连接存储器8a、处理器8b、网络接口8c。需要指出的是,图中仅示出了具有组件8a-8c的计算机设备8,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field -Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器8a至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器8a可以是所述计算机设备8的内部存储单元,例如该计算机设备8的硬盘或内存。在另一些实施例中,所述存储器8a也可以是所述计算机设备8的外部存储设备,例如该计算机设备8上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器8a还可以既包括所述计算机设备8的内部存储单元也包括其外部存储设备。本实施例中,所述存储器8a通常用于存储安装于所述计算机设备8的操作系统和各类应用软件,例如公司印章识别方法的计算机可读指令等。此外,所述存储器8a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器8b在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器8b通常用于控制所述计算机设备8的总体操作。本实施例中,所述处理器8b用于运行所述存储器8a中存储的计算机可读指令或者处理数据,例如运行所述公司印章识别方法的计算机可读指令。
所述网络接口8c可包括无线网络接口或有线网络接口,该网络接口8c通常用于在所述计算机设备8与其他电子设备之间建立通信连接。
本实施例提出的计算机设备,属于金融科技技术领域,应用于对金融保险合同内容进行审核时的公司印章内容识别过程中。本申请通过获取批量训练文档,其中,每个训练文档都为带有公司印章的电子文档;将所述批量训练文档输入预构建的公司印章识别模型进行模型训练,获得训练完成的公司印章识别模型;获取目标待测文档,其中,所述目标待测文档指带有公司印章的待识别电子文档;将所述目标待测文档输入所述训练完成的公司印章识别模型进行结果预测,获得预测结果;根据预设的参照词典,采用编辑距离法识别所述预测结果对应的真实结果,完成对所述目标待测文档中公司印章的识别。直接赋予视觉模型语言能力,采用其内的特征提取层一并进行视觉特征和文本特征提取,提高了预测速度,通过采用编辑距离算法和参照词典的方式,避免所述目标待测文档对应的公司印章文字预测结果中单个字符存在背景干扰,单独的视觉模型无法准确判断,提高预测结果的准确度。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被处理器执行,以使所述处理器执行如上述的公司印章识别方法的步骤。
本实施例提出的计算机可读存储介质,属于金融科技技术领域,应用于对金融保险合同内容进行审核时的公司印章内容识别过程中。本申请通过获取批量训练文档,其中,每个训练文档都为带有公司印章的电子文档;将所述批量训练文档输入预构建的公司印章识别模型进行模型训练,获得训练完成的公司印章识别模型;获取目标待测文档,其中,所述目标待测文档指带有公司印章的待识别电子文档;将所述目标待测文档输入所述训练完成的公司印章识别模型进行结果预测,获得预测结果;根据预设的参照词典,采用编辑距离法识别所述预测结果对应的真实结果,完成对所述目标待测文档中公司印章的识别。直接赋予视觉模型语言能力,采用其内的特征提取层一并进行视觉特征和文本特征提取,提高了预测速度,通过采用编辑距离算法和参照词典的方式,避免所述目标待测文档对应的公司印章文字预测结果中单个字符存在背景干扰,单独的视觉模型无法准确判断,提高预测结果的准确度。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种公司印章识别方法,其特征在于,包括下述步骤:
获取批量训练文档,其中,每个训练文档都为带有公司印章的电子文档;
将所述批量训练文档输入预构建的公司印章识别模型进行模型训练,获得训练完成的公司印章识别模型,其中,所述公司印章识别模型包括由残差神经网络结构构建的特征提取层,由卷积神经网络结构构建的字符掩码层以及由视觉超分辨率单元和并行预测单元共同构建的对照预测层;
获取目标待测文档,其中,所述目标待测文档指带有公司印章的待识别电子文档;
将所述目标待测文档输入所述训练完成的公司印章识别模型进行结果预测,获得预测结果;
根据预设的参照词典,采用编辑距离法识别所述预测结果对应的真实结果,完成对所述目标待测文档中公司印章的识别。
2.根据权利要求1所述的公司印章识别方法,其特征在于,在执行所述获取批量训练文档的步骤之后,所述方法还包括:
根据预设的颜色调整方式,对所述批量训练文档中每个训练文档中文字内容进行颜色加深调整,获取颜色调整之后的批量训练文档,其中,所述预设的颜色调整方式包括色彩曲线调整、色阶调整和多层文字叠加调整中至少一种调整方式。
3.根据权利要求2所述的公司印章识别方法,其特征在于,在执行所述将所述批量训练文档输入预构建的公司印章识别模型进行模型训练的步骤之前,所述方法还包括:
构建公司印章识别模型,其中,所述公司印章识别模型包括特征提取层、字符掩码层和对照预测层,所述特征提取层为ResNet残差神经网络结构,所述ResNet残差神经网络包括ResNet152残差神经网络,所述字符掩码层为R-CNN卷积神经网络结构,所述对照预测层由ASR视觉超分辨率单元和PP算法并行预测单元共同构成。
4.根据权利要求3所述的公司印章识别方法,其特征在于,所述将所述批量训练文档输入预构建的公司印章识别模型进行模型训练,获得训练完成的公司印章识别模型的步骤,具体包括:
将所述颜色调整之后的批量训练文档依次输入到所述预构建的公司印章识别模型;
根据所述预构建的公司印章识别模型中特征提取层的ResNet152残差神经网络对所述颜色调整之后的批量训练文档依次进行视觉特征和文本特征提取,获取每个训练文档对应的视觉特征和文本特征,完成对所述特征提取层的训练;
通过解析每个训练文档对应的视觉特征和文本特征,分别获取每个训练文档中各个目标字符索引的位置信息;
任选一训练文档作为当前训练文档,将当前训练文档的视觉特征输入到所述R-CNN卷积神经网络结构中,并依次将所述当前训练文档中每个目标字符索引的位置信息作为掩码位置信息输入到所述R-CNN卷积神经网络结构中;
根据所述当前训练文档的视觉特征以及所述当前训练文档中每个目标字符索引的位置信息,采用弱监督学习方式,生成初始掩码器;
依次获取所述批量训练文档中每一个训练文档作为所述当前训练文档,采用弱监督学习方式对所述初始掩码器进行更新,直至每一个训练文档均完成所述弱监督学习为止,获得最终掩码器,完成对所述字符掩码层的训练;
将每个训练文档、每个训练文档对应的视觉特征以及文本特征传输到所述对照预测层,对ASR视觉超分辨率单元进行训练,训练出基本文本识别单元,获取每个训练文档对应的第一文本识别结果;
将每个训练文档输入到所述最终掩码器内,获取每个训练文档所对应的目标掩码文档,再将所述每个训练文档所对应的目标掩码文档输入到所述对照预测层,对ASR视觉超分辨率单元进行训练,训练出掩码文本识别单元,获取每个训练文档对应的第二文本识别结果;
采用所述PP算法并行预测单元分别对每个训练文档对应的所述第一文本识别结果和每个训练文档对应的所述第二文本识别结果之间进行对比推断,获得每个训练文档对应的目标掩码文档中被掩码的字符,完成对所述对照预测层的训练。
5.根据权利要求2所述的公司印章识别方法,其特征在于,在执行所述获取目标待测文档的步骤之后,所述方法还包括:
按照所述颜色调整方式,对所述目标待测文档中文字内容进行颜色加深调整,获取颜色调整之后的目标待测文档。
6.根据权利要求4所述的公司印章识别方法,其特征在于,所述将所述目标待测文档输入所述训练完成的公司印章识别模型进行结果预测,获得预测结果的步骤,具体包括:
将所述目标待测文档输入到训练完成的所述特征提取层,获取所述目标待测文档的视觉特征和文本特征;
通过解析所述目标待测文档的视觉特征和文本特征,依次获取所述目标待测文档中公司印章文字的位置信息;
将每个所述公司印章文字的位置信息作为字符索引信息设置到所述最终掩码器内;
根据所述最终掩码器和每个所述公司印章文字的位置信息,生成所述目标待测文档对应的待测掩码文档,其中,所述待测掩码文档的数量与所述公司印章文字的数量相同;
将所述目标待测文档和所述待测掩码文档输入到训练完成的所述对照预测层,分别获取所述目标待测文档和所述待测掩码文档对应的文本识别结果,通过对比识别,提取所述目标待测文档对应的公司印章文字预测结果。
7.根据权利要求6所述的公司印章识别方法,其特征在于,所述根据预设的参照词典,采用编辑距离法识别所述预测结果对应的真实结果,完成对所述目标待测文档中公司印章的识别的步骤,具体包括:
获取预设的参照词典,其中,所述参照词典包含若干个待检测的公司全名信息;
将通过公司印章识别模型提取的所述目标待测文档对应的公司印章文字预测结果与所述若干个待检测的公司全名信息,一一进行对比,并采用编辑距离算法计算每组对比文字间的相似度,选择相似度为最大值时的公司全名信息作为所述预测结果对应的真实结果;
将所述真实结果对应的公司全名信息作为所述目标待测文档中公司印章文字。
8.一种公司印章识别装置,其特征在于,包括:
训练文档获取模块,用于获取批量训练文档,其中,每个训练文档都为带有公司印章的电子文档;
公司印章识别模型训练模块,用于将所述批量训练文档输入预构建的公司印章识别模型进行模型训练,获得训练完成的公司印章识别模型,其中,所述公司印章识别模型包括由残差神经网络结构构建的特征提取层,由卷积神经网络结构构建的字符掩码层以及由视觉超分辨率单元和并行预测单元共同构建的对照预测层;
待测文档获取模块,用于获取目标待测文档,其中,所述目标待测文档指带有公司印章的待识别电子文档;
公司印章识别模型预测模块,用于将所述目标待测文档输入所述训练完成的公司印章识别模型进行结果预测,获得预测结果;
算法计算对比模块,用于根据预设的参照词典,采用编辑距离法识别所述预测结果对应的真实结果,完成对所述目标待测文档中公司印章的识别。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的公司印章识别方法的步骤。
10.一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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的公司印章识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310770602.4A CN116824600A (zh) | 2023-06-27 | 2023-06-27 | 一种公司印章识别方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310770602.4A CN116824600A (zh) | 2023-06-27 | 2023-06-27 | 一种公司印章识别方法及其相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116824600A true CN116824600A (zh) | 2023-09-29 |
Family
ID=88114118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310770602.4A Pending CN116824600A (zh) | 2023-06-27 | 2023-06-27 | 一种公司印章识别方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116824600A (zh) |
-
2023
- 2023-06-27 CN CN202310770602.4A patent/CN116824600A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112863683B (zh) | 基于人工智能的病历质控方法、装置、计算机设备及存储介质 | |
CN112085091B (zh) | 基于人工智能的短文本匹配方法、装置、设备及存储介质 | |
CN111898550B (zh) | 建立表情识别模型方法、装置、计算机设备及存储介质 | |
CN112861662B (zh) | 基于人脸和交互文本的目标对象行为预测方法及相关设备 | |
CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
CN116453125A (zh) | 基于人工智能的数据录入方法、装置、设备及存储介质 | |
CN114398466A (zh) | 基于语义识别的投诉分析方法、装置、计算机设备及介质 | |
CN117875320A (zh) | 基于人工智能的数据处理方法、装置、设备及存储介质 | |
CN117234505A (zh) | 一种交互页面生成方法、装置、设备及其存储介质 | |
CN117034230A (zh) | 一种数据校验方法、装置、设备及其存储介质 | |
CN117217684A (zh) | 指标数据的处理方法、装置、计算机设备及存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN116704528A (zh) | 票据识别核验方法、装置、计算机设备及存储介质 | |
CN116127100A (zh) | 一种知识图谱构建方法、装置、设备及其存储介质 | |
CN116824600A (zh) | 一种公司印章识别方法及其相关设备 | |
CN117034875A (zh) | 一种文本数据生成方法、装置、设备及其存储介质 | |
CN116934506A (zh) | 一种用户行为预测方法、装置、计算机设备及存储介质 | |
CN116822454A (zh) | 公式配置方法、装置、计算机设备及存储介质 | |
CN117493563A (zh) | 一种会话意图分析方法、装置、设备及其存储介质 | |
CN116821298A (zh) | 一种应用于投保信息的关键词自动识别方法、及相关设备 | |
CN116993516A (zh) | 一种理赔模型解释优化方法、装置、设备及其存储介质 | |
CN117235260A (zh) | 基于人工智能的文本标注方法、装置、设备及存储介质 | |
CN117076775A (zh) | 资讯数据的处理方法、装置、计算机设备及存储介质 | |
CN117056782A (zh) | 一种数据异常识别方法、装置、设备及其存储介质 | |
CN117076243A (zh) | 应用的扩缩容处理方法、装置、计算机设备及存储介质 |
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 |