CN116884026A - 业务申请单分类方法、模型、计算机设备和存储介质 - Google Patents

业务申请单分类方法、模型、计算机设备和存储介质 Download PDF

Info

Publication number
CN116884026A
CN116884026A CN202310609719.4A CN202310609719A CN116884026A CN 116884026 A CN116884026 A CN 116884026A CN 202310609719 A CN202310609719 A CN 202310609719A CN 116884026 A CN116884026 A CN 116884026A
Authority
CN
China
Prior art keywords
service application
application form
sample
preset
image
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
Application number
CN202310609719.4A
Other languages
English (en)
Inventor
赵志超
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202310609719.4A priority Critical patent/CN116884026A/zh
Publication of CN116884026A publication Critical patent/CN116884026A/zh
Pending legal-status Critical Current

Links

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
    • G06V30/413—Classification of content, e.g. text, photographs or tables
    • 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
    • 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
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19127—Extracting features by transforming the feature space, e.g. multidimensional scaling; Mappings, e.g. subspace methods
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种业务申请单分类方法、模型、计算机设备、存储介质和计算机程序产品。所述方法包括：获取对目标业务申请单拍摄获得的预设图像尺寸的目标业务申请单图像；将目标业务申请单图像进行预设层级数的卷积组合特征提取，获得特征尺寸的卷积层特征；将目标业务申请单图像进行预设层级数的核函数变换组合特征提取，获得特征尺寸的核函数变换特征；融合卷积层特征和核函数变换特征，获得目标业务申请单图像的特征尺寸的综合特征；基于综合特征对目标业务申请单图像分类，获得目标业务申请单所属的业务申请单类别。本方法可用于人工智能领域，采用本方法能够提高业务申请单分类效率。

Description

业务申请单分类方法、模型、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种业务申请单分类方法、模型、计算机设备、存储介质和计算机程序产品。
背景技术
业务申请单是用于申请办理业务所提交的单据。在银行内申请办理各类金融业务时，通常需要提交纸质的对应类别的业务申请单，例如，办理开户业务时提交开户申请单，办理转账业务时提交转账申请单。银行业务人员在接收用户提交的业务申请单办理完成业务后，需要对业务申请单进行分类归档。目前，通常是由银行业务人员人工判断业务申请单的类别，手动地对业务申请单分类。
然而，由银行业务人员人工判断业务申请单的类别并手动地对业务申请单分类的方式，增加了银行业务人员的人工时间成本，业务申请单分类效率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高分类效率的业务申请单分类方法、模型、计算机设备、存储介质和计算机程序产品。
第一方面，本申请提供了一种业务申请单分类方法。所述方法包括：
获取对目标业务申请单拍摄获得的预设图像尺寸的目标业务申请单图像；
将所述目标业务申请单图像进行预设层级数的卷积组合特征提取，获得特征尺寸的卷积层特征；所述卷积组合特征提取包括依次进行的一次卷积处理和一次用于减小所述特征尺寸的池化处理；
将所述目标业务申请单图像进行所述预设层级数的核函数变换组合特征提取，获得所述特征尺寸的核函数变换特征；所述核函数变换组合特征提取包括依次进行的一次核函数变换和一次用于减小所述特征尺寸的池化处理；
融合所述卷积层特征和所述核函数变换特征，获得所述目标业务申请单图像的所述特征尺寸的综合特征；
基于所述综合特征对所述目标业务申请单图像分类，获得所述目标业务申请单所属的业务申请单类别。
第二方面，本申请还提供了一种业务申请单分类模型。所述模型包括：
输入层，用于获取对目标业务申请单拍摄获得的预设图像尺寸的目标业务申请单图像；
卷积组合特征提取层，用于将所述目标业务申请单图像进行预设层级数的卷积组合特征提取，获得特征尺寸的卷积层特征；所述卷积组合特征提取包括依次进行的一次卷积处理和一次用于减小所述特征尺寸的池化处理；
核函数变换组合特征提取层，用于将所述目标业务申请单图像进行所述预设层级数的核函数变换组合特征提取，获得所述特征尺寸的核函数变换特征；所述核函数变换组合特征提取包括依次进行的一次核函数变换和一次用于减小所述特征尺寸的池化处理；
特征融合层，用于融合所述卷积层特征和所述核函数变换特征，获得所述目标业务申请单图像的所述特征尺寸的综合特征；
输出层，用于基于所述综合特征对所述目标业务申请单图像分类，获得所述目标业务申请单所属的业务申请单类别。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取对目标业务申请单拍摄获得的预设图像尺寸的目标业务申请单图像；
将所述目标业务申请单图像进行预设层级数的卷积组合特征提取，获得特征尺寸的卷积层特征；所述卷积组合特征提取包括依次进行的一次卷积处理和一次用于减小所述特征尺寸的池化处理；
将所述目标业务申请单图像进行所述预设层级数的核函数变换组合特征提取，获得所述特征尺寸的核函数变换特征；所述核函数变换组合特征提取包括依次进行的一次核函数变换和一次用于减小所述特征尺寸的池化处理；
融合所述卷积层特征和所述核函数变换特征，获得所述目标业务申请单图像的所述特征尺寸的综合特征；
基于所述综合特征对所述目标业务申请单图像分类，获得所述目标业务申请单所属的业务申请单类别。
第四方面，本申请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，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取对目标业务申请单拍摄获得的预设图像尺寸的目标业务申请单图像；
将所述目标业务申请单图像进行预设层级数的卷积组合特征提取，获得特征尺寸的卷积层特征；所述卷积组合特征提取包括依次进行的一次卷积处理和一次用于减小所述特征尺寸的池化处理；
将所述目标业务申请单图像进行所述预设层级数的核函数变换组合特征提取，获得所述特征尺寸的核函数变换特征；所述核函数变换组合特征提取包括依次进行的一次核函数变换和一次用于减小所述特征尺寸的池化处理；
融合所述卷积层特征和所述核函数变换特征，获得所述目标业务申请单图像的所述特征尺寸的综合特征；
基于所述综合特征对所述目标业务申请单图像分类，获得所述目标业务申请单所属的业务申请单类别。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取对目标业务申请单拍摄获得的预设图像尺寸的目标业务申请单图像；
将所述目标业务申请单图像进行预设层级数的卷积组合特征提取，获得特征尺寸的卷积层特征；所述卷积组合特征提取包括依次进行的一次卷积处理和一次用于减小所述特征尺寸的池化处理；
将所述目标业务申请单图像进行所述预设层级数的核函数变换组合特征提取，获得所述特征尺寸的核函数变换特征；所述核函数变换组合特征提取包括依次进行的一次核函数变换和一次用于减小所述特征尺寸的池化处理；
融合所述卷积层特征和所述核函数变换特征，获得所述目标业务申请单图像的所述特征尺寸的综合特征；
基于所述综合特征对所述目标业务申请单图像分类，获得所述目标业务申请单所属的业务申请单类别。
上述业务申请单分类方法、模型、计算机设备、存储介质和计算机程序产品，通过对目标业务申请单拍摄获得的目标业务申请单图像分别进行卷积组合特征提取和核函数变换组合特征提取，获得卷积层特征和核函数变换特征，即获得两种不同的图像特征，融合两种不同的图像特征获得综合特征，相比于仅采用一种特征提取方式增强特征提取能力，能够提取更准确的特征，进而基于综合特征对目标业务申请单图像分类获得目标业务申请单所属的业务申请单类别，通过自动地对目标业务申请单图像进行处理实现分类，可较为准确快速地获得目标业务申请单所属的业务申请单类别，提高了对业务申请单分类的效率。
附图说明
图1为一个实施例中业务申请单分类方法的应用环境图；
图2为一个实施例中业务申请单分类方法的流程示意图；
图3为一个实施例中基于综合特征对目标业务申请单图像分类，获得目标业务申请单所属的业务申请单类别步骤的流程示意图；
图4为一个实施例中业务申请单分类模型的示例结构示意图；
图5为一个实施例中业务申请单分类模型的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的业务申请单分类方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他服务器上。服务器104可获取终端102对目标业务申请单拍摄获得的预设图像尺寸的目标业务申请单图像，服务器104可将目标业务申请单图像分别进行预设层级数的卷积组合特征提取和预设层级数的核函数变换组合特征提取，分别获得卷积层特征和核函数变换特征并融合，获得目标业务申请单图像的综合特征，基于综合特征进行分类获得目标业务申请单所属的业务申请单类别。可以理解的是，上述数据处理方法还可以在终端102上独立执行。其中，终端102可以是各种台式计算机、笔记本电脑、智能手机、平板电脑或专用智能设备，该专用智能设备可以是专门用于实现特定功能的智能设备，该特定功能可以是实现业务申请单分类。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种业务申请单分类方法，本实施例以该方法应用于图1中的服务器104为例进行说明，该方法包括以下步骤：
步骤202，获取对目标业务申请单拍摄获得的预设图像尺寸的目标业务申请单图像。
其中，业务申请单是用于申请办理业务所提交的单据。业务申请单可以是用于申请办理金融业务所提交的单据，还可以是用于申请办理企业中财务业务所提交的单据。
业务申请单图像是对业务申请单拍摄获得的图像。业务申请单图像可以是单通道图像。业务申请单可以是纸质的，终端上可设置有摄像头，用于拍摄纸质的业务申请单获得业务申请单图像。目标业务申请单是需进行分类的业务申请单。目标业务申请单图像是需进行分类的业务申请单图像。
预设图像尺寸是预先设置的图像尺寸。业务申请单图像是二维图像，可以是矩形形式，图像尺寸可包括图像长度和图像宽度。图像尺寸可以是以像素的数量为单位的尺寸，例如图像尺寸可以是256*256，表征图像的图像长度和图像宽度分别是256个像素。
在一个实施例中，服务器可响应于终端发送的业务申请单分类请求，从终端获取对目标业务申请单拍摄获得的预设图像尺寸的目标业务申请单图像。其中，业务申请单分类请求是对业务申请单进行分类的请求。
在一个实施例中，终端可响应于对终端上业务申请单分类功能键的触发，显示拍摄界面，当通过拍摄界面对目标业务申请单拍摄完成获得预设图像尺寸的目标业务申请单图像，向服务器发送业务申请单分类请求，并发送拍摄获得的预设图像尺寸的目标业务申请单图像。其中，业务申请单分类功能键是用于对业务申请单进行分类的功能键，该功能键可以是虚拟功能键或物理功能键。
步骤204，将目标业务申请单图像进行预设层级数的卷积组合特征提取，获得特征尺寸的卷积层特征；卷积组合特征提取包括依次进行的一次卷积处理和一次用于减小特征尺寸的池化处理。
其中，预设层级数是预先设置的层级数。特征层级数是对业务申请单图像依次进行相同组合特征提取的次数。组合特征提取可以是卷积组合特征提取或核函数变换组合特征提取。卷积组合特征提取是通过卷积处理与池化处理的组合处理提取业务申请单图像的特征的处理。
卷积层特征是对目标业务申请单图像进行预设层级数的卷积组合特征提取的目标业务申请单图像的特征。目标业务申请单图像的特征是区分目标业务申请单图像于其他类别的业务申请单图像的特征图像。特征尺寸是卷积层特征的尺寸。特征尺寸可包括特征图像的长度和特征图像的宽度。
卷积处理是将卷积核按照卷积步进长度，在业务申请单图像的各像素上移动，以将图像中各像素的像素值分别与卷积核进行卷积运算并根据运算结果更新图像中像素的像素值的处理。卷积核是用于与像素值进行卷积运算的矩阵。卷积核可以是3*3尺寸的矩阵、5*5尺寸的矩阵或其它尺寸的矩阵。卷积步进长度是卷积核在业务申请单图像的各像素每次移动时移动的像素个数。
池化处理是基于池化核采用预设池化方式减小对图像进行卷积处理后得到的特征的尺寸的处理。池化核是用于池化处理的空矩阵，池化核尺寸可以是2*2、4*4等。预设池化方式可以是平均池化方式，也可以是最大池化方式。举例说明，当卷积处理后得到的特征的尺寸是256*256，且池化核尺寸是4*4，则池化处理减小256*256的尺寸得到64*64的尺寸。
在一个实施例中，预设层级数可以是一层级。本实施例中，服务器可将目标业务申请单图像依次进行一次卷积处理和一次池化处理，获得特征尺寸的卷积层特征。
在一个实施例中，预设层级数是大于一层级的层级数。本实施例中，服务器可将目标业务申请单图像依次进行一次卷积处理和一次池化处理，获得中间卷积层特征，继续对获得的中间卷积层特征进行一次卷积处理和一次池化处理，直至完成预设层级数的卷积组合特征提取，获得特征尺寸的卷积层特征。
在一个实施例中，将目标业务申请单图像依次进行一次卷积处理和一次池化处理，获得特征尺寸的卷积层特征可包括：服务器可将目标业务申请单图像中各像素分别与卷积核进行卷积运算，根据卷积运算得到的运算结果更新目标业务申请单图像中对应像素的像素值，对更新像素值后的目标业务申请单图像按照预设池化核尺寸划分成多个区域，按照预设池化方式对所划分的多个区域中每个区域确定代表像素值，基于多个区域中每个区域的代表像素值生成特征尺寸的卷积层特征。其中，多个区域中每个区域是预设池化核尺寸的目标业务申请单图像像素块。代表像素值是代表所划分区域中各像素值的代表值，可以是各像素值的平均值，也可以是各像素值中的最大像素值。
步骤206，将目标业务申请单图像进行预设层级数的核函数变换组合特征提取，获得特征尺寸的核函数变换特征；核函数变换组合特征提取包括依次进行的一次核函数变换和一次用于减小特征尺寸的池化处理。
其中，核函数变换组合特征提取是通过核函数变换与池化处理的组合处理提取业务申请单图像的特征的处理。核函数变换特征是对目标业务申请单图像进行预设层级数的核函数变换组合特征提取的目标业务申请单图像的特征。
核函数变换是通过预设核函数将业务申请单图像映射到高维空间以提取业务申请单图像的特征的处理。预设核函数可以是线性核函数、多项式核函数、高斯核函数或其它。当预设核函数为高斯核函数，可通过下述公式(1)对业务申请单图像进行核函数变换。
其中，k(x,x')可表征业务申请单图像中的两个点x、x'之间的欧式距离的单调函数。x可表征二维的业务申请单图像中任一像素点，可通过对二维的业务申请单图像建立直角坐标系后像素点的二维坐标表示；x'可表征中心点，该中心点可以是预设的业务申请单图像中的像素点，也可以是预设的其它点；||x-x'||可表征两个点x、x'之间的欧式距离；||x-x'||2可表征两个点x、x'之间的欧式距离的平方。σ可表征高斯核函数的带宽参数，取值可以是2、3、4或其它；σ取值与高斯核函数的作用范围呈正相关，即σ取值越大，高斯核函数的作用范围越大；2σ2可表征带宽参数的平方的两倍值。可表征该上述欧式距离的平方于该两倍值得比值的负值。e是自然常数，/>可表征e的/>次方。
在一个实施例中，预设层级数可以是一层级。本实施例中，服务器可将目标业务申请单图像依次进行一次核函数变换和一次池化处理，获得特征尺寸的核函数变换特征。
在一个实施例中，预设层级数是大于一层级的层级数。本实施例中，服务器可将目标业务申请单图像依次进行一次核函数变换和一次池化处理，获得中间核函数变换特征，继续对获得的中间核函数变换特征进行一次核函数变换和一次池化处理，直至完成预设层级数的核函数变换组合特征提取，获得特征尺寸的核函数变换特征。
在一个实施例中，将目标业务申请单图像依次进行一次核函数变换和一次池化处理，获得特征尺寸的核函数变换特征可包括：服务器可通过预设核函数将目标业务申请单图像中各像素映射到预设核函数所指示的高维空间中，对高维空间中所映射的各像素进行分类，获得经过核函数变换提取的特征；对经过核函数变换所提取的特征进行池化处理，获得特征尺寸的核函数变换特征。举例说明，目标业务申请单图像是二维图像，通过核函数变化可以将目标业务申请单图像中各像素从二维空间映射到三维空间中，在映射到的三维空间中对各像素进行分类。
本实施例中，通过核函数变换将目标业务申请单图像映射到高维空间，使得目标业务申请单图像在二维空间难以识别的特征在高维空间中被识别出来，从而获取能够较合理地表征目标业务申请单图像的核函数变换特征。
步骤208，融合卷积层特征和核函数变换特征，获得目标业务申请单图像的特征尺寸的综合特征。
其中，综合特征是融合卷积层特征和核函数变换特征所得的特征。
在一个实施例中，服务器可对特征尺寸的融合卷积层特征和特征尺寸的核函数变换特征中一一对应的像素进行融合，获得目标业务申请单图像的特征尺寸的综合特征。
在一个实施例中，服务器可针对特征尺寸的融合卷积层特征和特征尺寸的核函数变换特征中每一一对应的像素，根据所针对的一一对应的像素的像素值确定所针对的像素所在像素位置的参考像素值，基于确定的各像素位置的参考像素值确定特征尺寸的综合特征，使得综合特征中各像素位置的像素值分别是对应像素位置的参考像素值。
步骤210，基于综合特征对目标业务申请单图像分类，获得目标业务申请单所属的业务申请单类别。
其中，业务申请单类别是业务申请单所属的类别。例如，业务申请单是用于申请办理金融业务所提交的单据时，业务申请单类别可以是用于申请办理开设金融账户业务的开户申请单，可以是用于申请办理注销金融账户业务的销户申请单，可以是用于申请办理转账业务的转账申请单，可以是用于申请办理金融贷款业务的贷款申请单或其它。业务申请单是用于申请办理企业中财务业务所提交的单据时，业务申请单类别可以是报销申请单、请款申请单或其它。
在一个实施例中，服务器可对综合特征进行特征降维展开处理，获得一维全连接矩阵，基于一维全连接矩阵对目标业务申请单图像分类，获得目标业务申请单所属的业务申请单类别。
在一个实施例中，服务器可对一维全连接矩阵进行特征压缩处理，获得具有预设数量的元素的一维压缩特征全连接矩阵，基于一维压缩特征全连接矩阵对目标业务申请单图像分类，获得目标业务申请单所属的业务申请单类别。
上述业务申请单分类方法中，通过对目标业务申请单拍摄获得的目标业务申请单图像分别进行卷积组合特征提取和核函数变换组合特征提取，获得卷积层特征和核函数变换特征，即获得两种不同的图像特征，融合两种不同的图像特征获得综合特征，相比于仅采用一种特征提取方式增强特征提取能力，能够更提取准确的特征，进而基于综合特征对目标业务申请单图像分类获得目标业务申请单所属的业务申请单类别，通过自动地对目标业务申请单图像进行处理实现分类，可较为准确快速地获得目标业务申请单所属的业务申请单类别，提高了对业务申请单分类的效率。
在一个实施例中，业务申请单类别是预设数量的不同预设业务申请单类别中的一种类别，综合特征是二维矩阵；如图3所示，步骤210包括：
步骤302，将二维矩阵进行特征降维展开处理，获得一维全连接矩阵；一维全连接矩阵的元素数量与二维矩阵的元素数量相同。
其中，特征降维展开处理是将二维矩阵中各元素连接展开成一维全连接矩阵的处理，使得一维全连接矩阵包括二维矩阵中各元素，并且一维全连接矩阵的元素数量与二维矩阵的元素数量相同。二维矩阵的元素是综合特征中各像素的像素值。一维全连接矩阵是将综合特征中所有特征信息连接起来的矩阵。一维全连接矩阵具有二维矩阵中所有元素的一维矩阵。元素数量是元素的个数。
举例说明，综合特征的特征尺寸可以是16*16，即二维矩阵的尺寸是16*16，则一维全连接矩阵的尺寸是1*256，即一维全连接矩阵是一维的列矩阵，具有256个元素。
步骤304，将一维全连接矩阵进行至少一次特征压缩处理，获得具有预设数量的元素的一维压缩全连接矩阵。
其中，特征压缩处理是减少一维全连接矩阵中的元素的处理。一维压缩全连接矩阵是对一维全连接矩阵经过至少一次特征压缩处理后得到的矩阵。预设数量是预先设置的数量。一维压缩全连接矩阵的元素数量与目标业务申请单所属的业务申请单类别所在的多种预设业务申请单类别的种类数量相同。举例说明，多种预设业务申请单类别可以是开户申请单、销户申请单、转账申请单和贷款申请单，种类数量是4，即预设数量是4，一维压缩全连接矩阵的元素数量也是4。
步骤306，基于一维压缩全连接矩阵对目标业务申请单图像分类，获得目标业务申请单所属的业务申请单类别。
在一个实施例中，服务器可将一维压缩全连接矩阵的每个元素映射为对应的预设业务申请单类别的概率值，基于一维全连接矩阵的每个元素所映射的概率值对目标业务申请单图像分类，获得目标业务申请单所属的业务申请单类别。
本实施例中，通过将二维的综合特征进行特征降维展开处理获得一维全连接矩阵，并且将一维全连接矩阵进行特征压缩处理，减少冗余信息，从而基于压缩的一维压缩全连接矩阵能够实现目标业务申请单的分类，提高业务申请单分类效率。
在一个实施例中，一维压缩全连接矩阵的每个元素对应有预设业务申请单类别，步骤306包括：将一维压缩全连接矩阵的每个元素映射为对应的预设业务申请单类别的概率值；确定一维压缩全连接矩阵所映射的概率值中最大的概率值所对应的预设业务申请单类别；将确定的预设业务申请单类别作为目标业务申请单所属的业务申请单类别。
其中，预设业务申请单类别的概率值是目标业务申请单类别可能是该预设业务申请单类别的概率值。
本实施例中，一维压缩全连接矩阵的每个元素对应有预设业务申请单类别，进而将一维压缩全连接矩阵的每个元素映射为对应的预设业务申请单类别的概率值，从而能够实现对目标业务申请单分类，可提高业务申请单分类的效率。
在一个实施例中，针对一维压缩全连接矩阵的每个元素，以所针对的元素为指数计算所针对的元素对应的自然对数函数值，获得一维压缩全连接矩阵的每个元素各自对应的自然对数函数值，计算一维压缩全连接矩阵的每个元素各自对应的自然对数函数值的和，确定所针对的元素对应的自然对应函数值与该和的比值，将该比值作为所针对的元素对应的预设业务申请单类别的概率值。
在一个实施例中，至少一次特征压缩处理中每次特征压缩处理对应有权值矩阵，步骤304包括：将一维全连接矩阵进行至少一次特征压缩处理，并在每次进行特征压缩处理时，根据对应的权值矩阵将所压缩的一维全连接矩阵映射至后一一维全连接矩阵，获得具有预设数量的元素的一维压缩全连接矩阵。
其中，权值矩阵是将一维全连接矩阵压缩至后一一维全连接矩阵的矩阵。权值矩阵具有两维度，且权值矩阵中的行数与采用该权值矩阵进行特征压缩处理得到的后一一维全连接矩阵的行数相同，权值矩阵中的列数与采用该权值矩阵进行特征压缩处理的前一一维全连接矩阵的行数相同。举例说明，当前一一维全连接矩阵的尺寸是1*256，通过256*128尺寸的权值矩阵对该1*256尺寸的前一一维全连接矩阵进行特征压缩处理得到1*128尺寸的后一一维全连接矩阵。
本实施例中，通过权值矩阵，可对一维全连接矩阵依次映射，以压缩获得一维压缩全连接矩阵，使得可实现对一维全连接矩阵的压缩处理，进而结合后续步骤实现对目标业务申请单图像分类，可提高对业务申请单图像分类的效率。
在一个实施例中，服务器可获取将前一一维全连接矩阵压缩至后一一维全连接矩阵时对应的权值矩阵，基于前一一维全连接矩阵和该对应的权值矩阵作矩阵乘法，获得后一一维全连接矩阵。
在一个实施例中，上述业务申请单分类方法是通过业务申请单分类模型实现的，业务申请单分类模型的训练步骤包括：获取样本集合，样本集合包括对预设数量的不同预设业务申请单类别各自的样本业务申请单分别拍摄获得的预设数量的不同预设业务申请单类别各自的预设图像尺寸的样本业务申请单图像；对样本集合中预设数量的不同预设业务申请单类别中每种预设业务申请单类别的样本业务申请单图像进行图像变换，将进行图像变换后的样本业务申请单图像增加至样本集合中；基于样本集合进行模型迭代训练，获得模型迭代训练完成的业务申请单分类模型。
其中，样本业务申请单是作为样本的业务申请单。样本业务申请单图像是作为样本用于模型训练的业务申请单图像。样本集合是样本业务申请单图像的集合。样本集合中可存在对同一样本业务申请单采用不同角度和/或不同光照强度拍摄获得的样本业务申请单。
图像变换是改变样本业务申请单图像的处理。图像变换可以是对样本业务申请单图像裁剪、旋转、缩放、拉伸变形或其它。模型迭代训练是迭代地对未训练完成的业务申请单分类模型进行训练以获得训练完成的业务申请单分类模型的处理过程。
本实施例中，对样本业务申请单图像进行图像变换后增加值样本集合中，可增加用于训练模型的样本量，可快速获得大量样本，进而基于获得的样本集合进行迭代训练，可获得准确度较高的业务申请单分类模型，从而后续通过该模型对业务申请单图像进行分类，可提高对业务申请单分类的效率。
在一个实施例中，基于样本集合进行模型迭代训练，获得模型迭代训练完成的业务申请单分类模型的步骤包括：针对样本集合中的样本业务申请单图像，将所针对的样本业务申请单图像进行预设层级数的卷积组合特征提取，获得特征尺寸的样本卷积层特征；将所针对的样本业务申请单图像进行预设层级数的核函数变换组合特征提取，获得特征尺寸的样本核函数变换特征；融合样本卷积层特征和样本核函数变换特征，获得所针对的样本业务申请单图像的特征尺寸的样本综合特征；基于样本综合特征对所针对的样本业务申请单图像分类，获得所针对的样本业务申请单图像所属的业务申请单类别；根据多个样本业务申请单图像各自所属的业务申请单类别以及各自预先标记的所属的预设业务申请单类别，确定模型分类误差；当根据模型分类误差判定训练的业务申请单分类模型未收敛，基于模型分类误差更新对样本申请单进行卷积组合特征提取时的卷积核参数以及基于样本综合特征对所针对的样本业务申请单图像分类时的权值矩阵，重新执行针对多个样本业务申请单图像中样本业务申请单图像，将所针对的样本业务申请单图像进行预设层级数的卷积组合特征提取，获得特征尺寸的样本卷积层特征的步骤，直至训练的业务申请单分类模型收敛，获得模型迭代训练完成的业务申请单分类模型。
其中，样本卷积层特征是对样本业务申请单图像进行卷积组合特征提取的样本业务申请单图像的特征。样本核函数变换特征是对样本业务申请单图像进行核函数变换组合特征提取的样本业务申请单图像的特征。样本综合特征是融合样本卷积层特征和样本核函数变换特征所得的特征。
预先标记的所属的预设业务申请单类别是预先标记的样本业务申请单图像所属的预设业务申请单类别。模型分类误差是通过业务申请单分类模型对样本业务申请单图像分类所得的业务申请单类别与实际业务申请单类别之间的误差。实际业务申请单类别即预先标记的预设业务申请单类别。
卷积核参数包括卷积核尺寸、卷积核中各元素和卷积步进长度。基于样本综合特征对所针对的样本业务申请单图像分类时的权值矩阵，是对一维全连接矩阵进行至少一次特征压缩处理获得一维压缩全连接矩阵时各权值矩阵。
本实施例中，通过获取训练的业务申请单分类模型对样本集合中各样本业务申请单图像分类的业务申请单类别和预先标记的预设业务申请单类别，确定模型分类误差，以判断训练的业务申请单分类模型是否收敛，在未收敛时，更新模型参数，以迭代地对训练的业务申请单分类模型进行训练，可获得准确度较高的业务申请单分类模型，从而后续通过该模型对业务申请单图像进行分类，可提高对业务申请单分类的效率。
在一个实施例中，服务器可针对多个样本业务申请单图像中每个样本业务申请单图像，根据针对样本业务申请单图像所属的业务申请单类别以及预先标记的所属的预设业务申请单类别，确定针对样本业务申请单图像的分类准确率，基于多个样本业务申请单图像各自的分类准确率确定模型分类误差。其中，当样本业务申请单图像所属的业务申请单类别以及预先标记的所属的预设业务申请单类别相同时，分类准确率可为100％，不相同时分类准确率可为0％。对多个样本业务申请单图像各自的分类准确率求和后计算平均值，可获得模型分类误差。
在一个实施例中，在一个具体的应用场景中，上述业务申请单分类方法可以是通过业务申请单分类模型实现的，该业务申请单分类模型的结构可如图4所示，该业务申请单分类模型可包括输入层、两层级的卷积组合特征提取层(卷积层1、池化层1、卷积层2、池化层2)、两层级的核函数变换组合特征提取层(核函数变换层1、池化层1、核函数变换层2、池化层2)、特征融合层和输出层(全连接层1、全连接层2、全连接层3和用于输出分类的全连接层)。该业务申请单分类模型可用于将目标业务申请单或样本业务申请单划分至四种预设业务申请单类别中的一种，该四种预设业务申请单类别可以是开户申请单、转账申请单、销户申请单或贷款申请单，预设图像尺寸可以是256*256，业务申请单分类模型的训练步骤可包括下述步骤。
服务器可获取样本集合，样本集合包括对上述四种预设业务申请单类别各自的样本业务申请单分别拍摄获得的四种预设业务申请单类别各自的256*256的样本业务申请单图像，并对获取的样本集合中各样本业务申请单图像标注有各自所属的预设业务申请单类别；
服务器可对样本集合中四种预设业务申请单类别中每种预设业务申请单类别的样本业务申请单图像进行图像变换，将进行图像变换后的样本业务申请单图像增加至样本集合中，以实现数据增强，可获得两万张样本业务申请单图像。
服务器可针对样本集合中的样本业务申请单图像，将所针对的样本业务申请单图像进行两层级数的卷积组合特征提取，并在进行两层级数的卷积组合特征提取时，对所针对的尺寸为256*256的样本业务申请单图像依次经过第一次卷积处理、将尺寸256*256减小为尺寸64*64的一次池化处理、第二次卷积处理和将尺寸64*64减小为16*16的一次池化处理，获得特征尺寸为16*16的样本卷积层特征。
服务器可将所针对的样本业务申请单图像进行两层级数的核函数变换组合特征提取，并在进行两层级数的核函数变换组合特征提取时，对所针对的尺寸为256*256的样本业务申请单图像依次经过第一次核函数变换、将尺寸256*256减小为尺寸64*64的一次池化处理、第二次核函数变换和将尺寸64*64减小为16*16的一次池化处理，获得特征尺寸为16*16的样本核函数变换特征。
服务器可融合样本卷积层特征和样本核函数变换特征，获得所针对的样本业务申请单图像的16*16的样本综合特征。服务器可将16*16的样本综合特征进行特征降维展开处理(可通过全连接层1实现)，获得尺寸为1*256的一维样本全连接矩阵；对尺寸为1*256的一维样本全连接矩阵进行三次特征压缩处理，将1*256的一维样本全连接矩阵依次进行压缩为1*128尺寸的一维样本全连接矩阵(可通过全连接层2实现)、压缩为1*32尺寸的一维样本全连接矩阵(可通过全连接层3实现)以及压缩为1*4尺寸的一维样本压缩全连接矩阵。其中，1*4尺寸的一维样本压缩全连接矩阵具有4个元素，与四种预设申请单类别一一对应。
服务器可将一维样本压缩全连接矩阵的每个元素映射为对应的预设业务申请单类别的概率值；确定一维样本压缩全连接矩阵所映射的概率值中最大的概率值所对应的预设业务申请单类别；将确定的预设业务申请单类别作为所针对的样本业务申请单图像所属的业务申请单类别。
服务器可根据多个样本业务申请单图像各自所属的业务申请单类别以及各自预先标记的所属的预设业务申请单类别，确定模型分类误差；当根据模型分类误差判定训练的业务申请单分类模型未收敛，基于模型分类误差更新对样本申请单进行卷积组合特征提取时的卷积核参数以及基于样本综合特征对所针对的样本业务申请单图像分类时的权值矩阵，重新执行服务器可针对样本集合中的样本业务申请单图像，将所针对的样本业务申请单图像进行两层级数的卷积组合特征提取步骤，直至训练的业务申请单分类模型收敛，获得模型迭代训练完成的业务申请单分类模型。
经过上述业务申请单分类模型的训练步骤后，服务器可获取对目标业务申请单拍摄获得的图像尺寸为256*256的目标业务申请单图像；将目标业务申请单图像输入训练完成的业务申请单分类模型，获得目标业务申请单的业务申请单类别。
应该理解的是，虽然如上所述的各实施例所涉及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，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的业务申请单分类方法的业务申请单分类模型。该模型所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个业务申请单分类模型实施例中的具体限定可以参见上文中对于业务申请单分类方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种业务申请单分类模型500，包括：输入层510、卷积组合特征提取层520、核函数变换组合特征提取层530、特征融合层540和输出层550，其中：
输入层510，用于获取对目标业务申请单拍摄获得的预设图像尺寸的目标业务申请单图像。
卷积组合特征提取层520，用于将目标业务申请单图像进行预设层级数的卷积组合特征提取，获得特征尺寸的卷积层特征；卷积组合特征提取包括依次进行的一次卷积处理和一次用于减小特征尺寸的池化处理。
核函数变换组合特征提取层530，用于将目标业务申请单图像进行预设层级数的核函数变换组合特征提取，获得特征尺寸的核函数变换特征；核函数变换组合特征提取包括依次进行的一次核函数变换和一次用于减小特征尺寸的池化处理。
特征融合层540，用于融合卷积层特征和核函数变换特征，获得目标业务申请单图像的特征尺寸的综合特征。
输出层550，用于基于综合特征对目标业务申请单图像分类，获得目标业务申请单所属的业务申请单类别。
在一个实施例中，业务申请单类别是预设数量的不同预设业务申请单类别中的一种类别，综合特征是二维矩阵；输出层550还包括降维展开层，降维展开层用于将二维矩阵进行特征降维展开处理，获得一维全连接矩阵；一维全连接矩阵的元素数量与二维矩阵的元素数量相同。输出层550还包括特征压缩层，特征压缩层用于将一维全连接矩阵进行至少一次特征压缩处理，获得具有预设数量的元素的一维压缩全连接矩阵。输出层550还包括分类输出层，分类输出层用于基于一维压缩全连接矩阵对目标业务申请单图像分类，获得目标业务申请单所属的业务申请单类别。
在一个实施例中，一维压缩全连接矩阵的每个元素对应有预设业务申请单类别，分类输出层还用于将一维压缩全连接矩阵的每个元素映射为对应的预设业务申请单类别的概率值；确定一维压缩全连接矩阵所映射的概率值中最大的概率值所对应的预设业务申请单类别；将确定的预设业务申请单类别作为目标业务申请单所属的业务申请单类别。
在一个实施例中，至少一次特征压缩处理中每次特征压缩处理对应有权值矩阵，特征压缩层还用于将一维全连接矩阵进行至少一次特征压缩处理，并在每次进行特征压缩处理时，根据对应的权值矩阵将所压缩的一维全连接矩阵映射至后一一维全连接矩阵，获得具有预设数量的元素的一维压缩全连接矩阵。
在一个实施例中，上述业务申请单分类模型500是通过模型训练模块训练的，模型训练模块包括数据采集模块、迭代训练模块。数据采集模块用于获取样本集合，样本集合包括对预设数量的不同预设业务申请单类别各自的样本业务申请单分别拍摄获得的预设数量的不同预设业务申请单类别各自的预设图像尺寸的样本业务申请单图像；对样本集合中预设数量的不同预设业务申请单类别中每种预设业务申请单类别的样本业务申请单图像进行图像变换，将进行图像变换后的样本业务申请单图像增加至样本集合中。迭代训练模块用于基于样本集合进行模型迭代训练，获得模型迭代训练完成的业务申请单分类模型。
在一个实施例中，迭代训练模块包括训练的业务申请单分类模型、模型优化器，训练的业务申请单分类模型包括训练输入层、训练卷积组合特征提取层、训练核函数变换组合特征提取层、训练特征融合层、训练输出层。
训练输入层用于将数据采集模块获取的样本集合中每个样本业务申请单图像输入训练的业务申请单分类模型。
训练卷积组合特征提取层用于针对样本集合中的样本业务申请单图像，将所针对的样本业务申请单图像进行预设层级数的卷积组合特征提取，获得特征尺寸的样本卷积层特征。
训练核函数变换组合特征提取层用于将所针对的样本业务申请单图像进行预设层级数的核函数变换组合特征提取，获得特征尺寸的样本核函数变换特征。
训练特征融合层用于融合样本卷积层特征和样本核函数变换特征，获得所针对的样本业务申请单图像的特征尺寸的样本综合特征；
训练输出层用于基于样本综合特征对所针对的样本业务申请单图像分类，获得所针对的样本业务申请单图像所属的业务申请单类别；
模型优化器用于根据多个样本业务申请单图像各自所属的业务申请单类别以及各自预先标记的所属的预设业务申请单类别，确定模型分类误差；当根据模型分类误差判定训练的业务申请单分类模型未收敛，基于模型分类误差更新对样本申请单进行卷积组合特征提取时的卷积核参数以及基于样本综合特征对所针对的样本业务申请单图像分类时的权值矩阵，指示训练的业务申请单分类模型重新执行针对多个样本业务申请单图像中样本业务申请单图像，将所针对的样本业务申请单图像进行预设层级数的卷积组合特征提取，获得特征尺寸的样本卷积层特征的步骤，直至训练的业务申请单分类模型收敛，获得模型迭代训练完成的业务申请单分类模型。
上述业务申请单分类模型中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种业务申请单分类方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置，显示屏可以是液晶显示屏或电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本发明的业务申请单分类方法和业务申请单分类模型可用于人工智能领域。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种业务申请单分类方法，其特征在于，所述方法包括：
获取对目标业务申请单拍摄获得的预设图像尺寸的目标业务申请单图像；
将所述目标业务申请单图像进行预设层级数的卷积组合特征提取，获得特征尺寸的卷积层特征；所述卷积组合特征提取包括依次进行的一次卷积处理和一次用于减小所述特征尺寸的池化处理；
将所述目标业务申请单图像进行所述预设层级数的核函数变换组合特征提取，获得所述特征尺寸的核函数变换特征；所述核函数变换组合特征提取包括依次进行的一次核函数变换和一次用于减小所述特征尺寸的池化处理；
融合所述卷积层特征和所述核函数变换特征，获得所述目标业务申请单图像的所述特征尺寸的综合特征；
基于所述综合特征对所述目标业务申请单图像分类，获得所述目标业务申请单所属的业务申请单类别。
2.根据权利要求1所述的方法，其特征在于，所述业务申请单类别是预设数量的不同预设业务申请单类别中的一种类别，所述综合特征是二维矩阵；所述基于所述综合特征对所述目标业务申请单图像分类，获得所述目标业务申请单所属的业务申请单类别，包括：
将所述二维矩阵进行特征降维展开处理，获得一维全连接矩阵；所述一维全连接矩阵的元素数量与所述二维矩阵的元素数量相同；
将所述一维全连接矩阵进行至少一次特征压缩处理，获得具有所述预设数量的元素的一维压缩全连接矩阵；
基于所述一维压缩全连接矩阵对所述目标业务申请单图像分类，获得所述目标业务申请单所属的业务申请单类别。
3.根据权利要求2所述的方法，其特征在于，所述一维压缩全连接矩阵的每个元素对应有预设业务申请单类别；所述基于所述一维压缩全连接矩阵对所述目标业务申请单图像分类，获得所述目标业务申请单所属的业务申请单类别，包括：
将所述一维压缩全连接矩阵的每个元素映射为对应的预设业务申请单类别的概率值；
确定所述一维压缩全连接矩阵所映射的概率值中最大的概率值所对应的预设业务申请单类别；
将确定的预设业务申请单类别作为所述目标业务申请单所属的业务申请单类别。
4.根据权利要求2所述的方法，其特征在于，所述至少一次特征压缩处理中每次特征压缩处理对应有权值矩阵，所述将所述一维全连接矩阵进行至少一次特征压缩处理，获得具有所述预设数量的元素的一维压缩全连接矩阵，包括：
将所述一维全连接矩阵进行至少一次特征压缩处理，并在每次进行特征压缩处理时，根据对应的权值矩阵将所压缩的一维全连接矩阵映射至后一一维全连接矩阵，获得具有所述预设数量的元素的一维压缩全连接矩阵。
5.根据权利要求1所述的方法，其特征在于，所述业务申请单分类方法是通过业务申请单分类模型实现的，所述业务申请单分类模型的训练步骤包括：
获取样本集合，所述样本集合包括对预设数量的不同预设业务申请单类别各自的样本业务申请单分别拍摄获得的预设数量的不同预设业务申请单类别各自的所述预设图像尺寸的样本业务申请单图像；
对所述样本集合中预设数量的不同预设业务申请单类别中每种预设业务申请单类别的样本业务申请单图像进行图像变换，将进行所述图像变换后的样本业务申请单图像增加至所述样本集合中；
基于所述样本集合进行模型迭代训练，获得模型迭代训练完成的业务申请单分类模型。
6.根据权利要求5所述的方法，其特征在于，所述基于所述样本集合进行模型迭代训练，获得模型迭代训练完成的业务申请单分类模型，包括：
针对所述样本集合中的样本业务申请单图像，将所针对的样本业务申请单图像进行所述预设层级数的所述卷积组合特征提取，获得所述特征尺寸的样本卷积层特征；
将所针对的样本业务申请单图像进行所述预设层级数的所述核函数变换组合特征提取，获得所述特征尺寸的样本核函数变换特征；
融合所述样本卷积层特征和所述样本核函数变换特征，获得所针对的样本业务申请单图像的所述特征尺寸的样本综合特征；
基于所述样本综合特征对所针对的样本业务申请单图像分类，获得所针对的样本业务申请单图像所属的业务申请单类别；
根据所述多个样本业务申请单图像各自所属的业务申请单类别以及各自预先标记的所属的预设业务申请单类别，确定模型分类误差；
当根据所述模型分类误差判定训练的业务申请单分类模型未收敛，基于所述模型分类误差更新对所述样本申请单进行所述卷积组合特征提取时的卷积核参数以及基于所述样本综合特征对所针对的样本业务申请单图像分类时的权值矩阵，重新执行所述针对所述多个样本业务申请单图像中样本业务申请单图像，将所针对的样本业务申请单图像进行所述预设层级数的所述卷积组合特征提取，获得所述特征尺寸的样本卷积层特征的步骤，直至训练的业务申请单分类模型收敛，获得模型迭代训练完成的业务申请单分类模型。
7.一种业务申请单分类模型，其特征在于，所述模型包括：
输入层，用于获取对目标业务申请单拍摄获得的预设图像尺寸的目标业务申请单图像；
卷积组合特征提取层，用于将所述目标业务申请单图像进行预设层级数的卷积组合特征提取，获得特征尺寸的卷积层特征；所述卷积组合特征提取包括依次进行的一次卷积处理和一次用于减小所述特征尺寸的池化处理；
核函数变换组合特征提取层，用于将所述目标业务申请单图像进行所述预设层级数的核函数变换组合特征提取，获得所述特征尺寸的核函数变换特征；所述核函数变换组合特征提取包括依次进行的一次核函数变换和一次用于减小所述特征尺寸的池化处理；
特征融合层，用于融合所述卷积层特征和所述核函数变换特征，获得所述目标业务申请单图像的所述特征尺寸的综合特征；
输出层，用于基于所述综合特征对所述目标业务申请单图像分类，获得所述目标业务申请单所属的业务申请单类别。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202310609719.4A 2023-05-26 2023-05-26 业务申请单分类方法、模型、计算机设备和存储介质 Pending CN116884026A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310609719.4A CN116884026A (zh) 2023-05-26 2023-05-26 业务申请单分类方法、模型、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310609719.4A CN116884026A (zh) 2023-05-26 2023-05-26 业务申请单分类方法、模型、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116884026A true CN116884026A (zh) 2023-10-13

Family

ID=88266833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310609719.4A Pending CN116884026A (zh) 2023-05-26 2023-05-26 业务申请单分类方法、模型、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116884026A (zh)

Similar Documents

Publication Publication Date Title
US11983903B2 (en) Processing images using self-attention based neural networks
CN111291825A (zh) 病灶分类模型训练方法、装置、计算机设备和存储介质
US20220253977A1 (en) Method and device of super-resolution reconstruction, computer device and storage medium
CN113837151B (zh) 表格图像处理方法、装置、计算机设备及可读存储介质
CN114387289B (zh) 输配电架空线路三维点云语义分割方法和装置
CN115797781A (zh) 农作物识别方法、装置、计算机设备和存储介质
CN117688984A (zh) 神经网络结构搜索方法、装置及存储介质
CN115861617A (zh) 语义分割模型训练方法、装置、计算机设备和存储介质
CN112749576B (zh) 图像识别方法和装置、计算设备以及计算机存储介质
CN117332766A (zh) 流程图生成方法、装置、计算机设备和存储介质
CN116894974A (zh) 图像分类方法、装置、计算机设备及其存储介质
CN115147606B (zh) 医学图像的分割方法、装置、计算机设备和存储介质
CN116310308A (zh) 图像分割方法、装置、计算机设备和存储介质
CN116884026A (zh) 业务申请单分类方法、模型、计算机设备和存储介质
CN115661472A (zh) 图像查重方法、装置、计算机设备及存储介质
CN116612474B (zh) 对象检测方法、装置、计算机设备及计算机可读存储介质
CN117197827A (zh) 票据信息识别方法、装置、计算机设备和存储介质
CN117057439A (zh) 模型参数更新方法、装置、计算机设备和存储介质
CN117152428A (zh) 模型训练方法、装置、计算机设备及计算机可读存储介质
CN117238017A (zh) 人脸识别方法、装置、计算机设备和存储介质
CN115661465A (zh) 图像的多标签分割方法、装置、计算机设备及存储介质
CN117390098A (zh) 数据分析方法、装置、计算机设备和存储介质
Hu et al. Convolutional Neural Network Design for Single Image Super-Resolution
CN115063658A (zh) 目标检测方法、装置、设备、存储介质和程序产品
Wang et al. Visualize and compress single logo recognition neural network

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