CN110427851A - 数据的处理方法以及装置、电子设备 - Google Patents

Abstract

本申请公开了一种数据的处理方法以及装置、电子设备。该方法包括采集加油票据，其中所述加油票据是指加油后获得的纸质票据；识别加油票据中的关键信息，其中关键信息至少包括：加油金额、加油量、加油时间、油价；判断所述关键信息的识别准确率是否满足预设条件，如果满足，则存储所述关键信息作为加油记录。本申请解决了车主录入自己的加油记录时容易出错且耽误时间的技术问题。通过本申请实现自动化录入提高了正确率的同时节省了时间。

Description

数据的处理方法以及装置、电子设备

技术领域

本申请涉及数据处理领域，具体而言，涉及一种数据的处理方法以及装置、电子设备。

背景技术

加油记录主要包括，金额、油量、时间等信息。

发明人发现，车主录入自己的加油记录时容易出错且耽误时间。

针对相关技术中车主录入自己的加油记录时容易出错且耽误时间的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种数据的处理方法以及装置、电子设备，以解决车主录入自己的加油记录时容易出错且耽误时间问题。

为了实现上述目的，根据本申请的一个方面，提供了一种数据的处理方法。

根据本申请的数据的处理方法包括：采集加油票据，其中所述加油票据是指加油后获得的纸质票据；识别加油票据中的关键信息，其中关键信息至少包括：加油金额、加油量、加油时间、油价；判断所述关键信息的识别准确率是否满足预设条件，如果满足，则存储所述关键信息作为加油记录。

进一步地，识别加油票据中的关键信息包括：采用神经卷积网络识别加油票据中的关键信息。

进一步地，识别加油票据中的关键信息包括：通过ORC神经卷积网络的训练集训练得到神经网络模型，通过所述神经网络模型识别加油金额、加油量、加油时间、单价的关键信息。

进一步地，判断所述关键信息的识别准确率是否满足预设条件之后，还包括：如果不满足，则返回重新采集加油票据。

进一步地，判断所述关键信息的识别准确率是否满足预设条件包括：判断所述关键信息中的加油金额、加油量、加油时间、单价识别结果是否满足对应信息预设规则，如果满足，则认为识别结果满足预设条件。

为了实现上述目的，根据本申请的另一方面，提供了一种数据的处理装置，用于识别加油票据。

根据本申请的数据的处理装置包括：采集模块，用于采集加油票据，其中所述加油票据是指加油后获得的纸质票据；识别模块，用于识别加油票据中的关键信息，其中关键信息至少包括：加油金额、加油量、加油时间、油价；判断模块，用于判断所述关键信息的识别准确率是否满足预设条件，如果满足，则存储所述关键信息作为加油记录。

进一步地，所述识别模块，用于采用神经卷积网络识别加油票据中的关键信息。

进一步地，所述识别模块，用于通过ORC神经卷积网络的训练集训练得到神经网络模型，通过所述神经网络模型识别加油金额、加油量、加油时间、单价的关键信息。

进一步地，所述判断模块，用于判断所述关键信息中的加油金额、加油量、加油时间、单价识别结果是否满足对应信息预设规则，如果满足，则认为识别结果满足预设条件。

为了实现上述目的，根据本申请的再一方面，提供了一种电子设备，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计算机程序，其特征在于，所述处理器执行所述程序时实现所述的数据的处理方法的步骤。

在本申请实施例中数据的处理方法以及装置、电子设备，采用采集加油票据方式，通过识别加油票据中的关键信息，达到了判断所述关键信息的识别准确率是否满足预设条件，如果满足，则存储所述关键信息作为加油记录的目的，从而实现了车主加油记录的自动录入省时省力且正确率高的技术效果，进而解决了车主录入自己的加油记录时容易出错且耽误时间的的技术问题。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的数据的处理方法流程示意图；

图2是根据本申请实施例的数据的处理方法流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

如图1所示，该方法包括如下的步骤S102至步骤S106：

步骤S102，采集加油票据，

所述加油票据是指加油后获得的纸质票据。

具体地，可以在终端进行文字提示进行引导用户拍摄加油加油票据，比如识别框提示用户将票据平铺、置于框内，点击拍照按钮，将摄像头记录下的画面存入图像数据库。

步骤S104，识别加油票据中的关键信息，

其中关键信息至少包括：加油金额、加油量、加油时间、油价。

可以采用传统机器学习方法训练得到或者神经网络模型训练得到的识别模型，对所述加油票据中的关键信息进行识别。

需要注意的是，识别的方式是指文字、数字以及两者组合的识别。

步骤S106，判断所述关键信息的识别准确率是否满足预设条件，如果满足，则存储所述关键信息作为加油记录。

判断所述关键信息的识别准确率是否满足预设条件，只有在识别准确率达到预设要求时，才会存储所述关键信息作为加油记录。

从以上的描述中，可以看出，本申请实现了如下技术效果：

在本申请实施例中，采用采集加油票据方式，通过识别加油票据中的关键信息，达到了判断所述关键信息的识别准确率是否满足预设条件，如果满足，则存储所述关键信息作为加油记录的目的，从而实现了车主加油记录的自动录入省时省力且正确率高的技术效果，进而解决了车主录入自己的加油记录时容易出错且耽误时间的的技术问题。

根据本申请实施例，作为本实施例中的优选，识别加油票据中的关键信息包括：采用神经卷积网络识别加油票据中的关键信息。

根据本申请实施例，作为本实施例中的优选，识别加油票据中的关键信息包括：通过ORC神经卷积网络的训练集训练得到神经网络模型，通过所述神经网络模型识别加油金额、加油量、加油时间、单价的关键信息。

根据本申请实施例，作为本实施例中的优选，判断所述关键信息的识别准确率是否满足预设条件之后，还包括：如果不满足，则返回重新采集加油票据。

根据本申请实施例，作为本实施例中的优选，判断所述关键信息的识别准确率是否满足预设条件包括：判断所述关键信息中的加油金额、加油量、加油时间、单价识别结果是否满足对应信息预设规则，如果满足，则认为识别结果满足预设条件。

具体地，通过ORC神经卷积网络大规模训练集训练识别模型，用于重点识别样中的加油金额、加油数量或油量、加油时间、单价或油价。由于每个参数都有对应的单位，所以需要对识别的准确性进行判断。使用训练后的模型，识别用户拍摄的票据，提取关键信息，并计算出识别准确率。若准确率低于90％，则返回告知用户重新拍摄票据的通知。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

根据本申请实施例，还提供了一种用于实施上述方法的数据的处理装置，如图2所示，该装置包括：采集模块100，用于采集加油票据，其中所述加油票据是指加油后获得的纸质票据；识别模块200，用于识别加油票据中的关键信息，其中关键信息至少包括：加油金额、加油量、加油时间、油价；判断模块300，用于判断所述关键信息的识别准确率是否满足预设条件，如果满足，则存储所述关键信息作为加油记录。

本申请实施例的采集模块100中所述加油票据是指加油后获得的纸质票据。

具体地，可以在终端进行文字提示进行引导用户拍摄加油加油票据，比如识别框提示用户将票据平铺、置于框内，点击拍照按钮，将摄像头记录下的画面存入图像数据库。

本申请实施例的识别模块200中其中关键信息至少包括：加油金额、加油量、加油时间、油价。

可以采用传统机器学习方法训练得到或者神经网络模型训练得到的识别模型，对所述加油票据中的关键信息进行识别。

需要注意的是，识别的方式是指文字、数字以及两者组合的识别。

本申请实施例的判断模块300中判断所述关键信息的识别准确率是否满足预设条件，只有在识别准确率达到预设要求时，才会存储所述关键信息作为加油记录。

根据本申请实施例，作为本实施例中的优选，所述识别模块200，用于采用神经卷积网络识别加油票据中的关键信息。

根据本申请实施例，作为本实施例中的优选，所述识别模块200，用于通过ORC神经卷积网络的训练集训练得到神经网络模型，通过所述神经网络模型识别加油金额、加油量、加油时间、单价的关键信息。

根据本申请实施例，作为本实施例中的优选，所述判断模块300，用于判断所述关键信息中的加油金额、加油量、加油时间、单价识别结果是否满足对应信息预设规则，如果满足，则认为识别结果满足预设条件。

具体地，通过ORC神经卷积网络大规模训练集训练识别模型，用于重点识别样中的加油金额、加油数量或油量、加油时间、单价或油价。由于每个参数都有对应的单位，所以需要对识别的准确性进行判断。使用训练后的模型，识别用户拍摄的票据，提取关键信息，并计算出识别准确率。若准确率低于90％，则返回告知用户重新拍摄票据的通知。

上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。同时，若识别结果中的准确率高于90％，则将识别返回到前端供用户确认，用户确认后记录下来，作为用户本次加油记录。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。

本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种数据的处理方法，其特征在于，用于识别加油票据，所述方法包括：

采集加油票据，其中所述加油票据是指加油后获得的纸质票据；

识别加油票据中的关键信息，其中关键信息至少包括：加油金额、加油量、加油时间、油价；

判断所述关键信息的识别准确率是否满足预设条件，如果满足，则存储所述关键信息作为加油记录。

2.根据权利要求1所述的数据的处理方法，其特征在于，识别加油票据中的关键信息包括：

采用神经卷积网络识别加油票据中的关键信息。

3.根据权利要求1所述的数据的处理方法，其特征在于，识别加油票据中的关键信息包括：

通过ORC神经卷积网络的训练集训练得到神经网络模型，通过所述神经网络模型识别加油金额、加油量、加油时间、单价的关键信息。

4.根据权利要求1所述的数据的处理方法，其特征在于，判断所述关键信息的识别准确率是否满足预设条件之后，还包括：

如果不满足，则返回重新采集加油票据。

5.根据权利要求1所述的数据的处理方法，其特征在于，判断所述关键信息的识别准确率是否满足预设条件包括：

判断所述关键信息中的加油金额、加油量、加油时间、单价识别结果是否满足对应信息预设规则，如果满足，则认为识别结果满足预设条件。

6.一种数据的处理装置，其特征在于，用于识别加油票据，所述装置包括：

采集模块，用于采集加油票据，其中所述加油票据是指加油后获得的纸质票据；

识别模块，用于识别加油票据中的关键信息，其中关键信息至少包括：加油金额、加油量、加油时间、油价；

判断模块，用于判断所述关键信息的识别准确率是否满足预设条件，如果满足，则存储所述关键信息作为加油记录。

7.根据权利压球6所述的数据的处理装置，其特征在于，所述识别模块，用于采用神经卷积网络识别加油票据中的关键信息。

8.根据权利压球6所述的数据的处理装置，其特征在于，所述识别模块，用于通过ORC神经卷积网络的训练集训练得到神经网络模型，通过所述神经网络模型识别加油金额、加油量、加油时间、单价的关键信息。

9.根据权利压球6所述的数据的处理装置，其特征在于，所述判断模块，用于判断所述关键信息中的加油金额、加油量、加油时间、单价识别结果是否满足对应信息预设规则，如果满足，则认为识别结果满足预设条件。

10.一种电子设备，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计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至5任一项所述的数据的处理方法的步骤。