CN111582786A - 基于机器学习的快递单号识别方法、装置和设备 - Google Patents
基于机器学习的快递单号识别方法、装置和设备 Download PDFInfo
- Publication number
- CN111582786A CN111582786A CN202010355811.9A CN202010355811A CN111582786A CN 111582786 A CN111582786 A CN 111582786A CN 202010355811 A CN202010355811 A CN 202010355811A CN 111582786 A CN111582786 A CN 111582786A
- Authority
- CN
- China
- Prior art keywords
- bill number
- express
- identification
- training
- express bill
- 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 58
- 238000010801 machine learning Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 69
- 230000015654 memory Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
Abstract
本申请涉及一种基于机器学习的快递单号识别方法、装置和设备。其中所述方法包括:获取待识别的目标快递单号;将目标快递单号输入至预先训练的快递单号识别模型,得到识别结果;基于识别结果确定所述目标快递单号对应的快递公司。如此设置,无需用户手动编写识别规则而是能够自动生成识别规则,因此效率更高且不易出现疏漏,同时在历史数据足够的情况下也能保证识别的准确率。此外,在快递单号的规则修改或新增快递公司时,机器学习算法能够自动修正识别模型,无需人工干预,因此具有很高的实用性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于机器学习的快递单号识别方法、装置和设备。
背景技术
随着电子商务交易平台的不断完善,越来越多的人们通过网上购物的形式购买自己所需的商品。网购的商品会通过快递运送到买家手中,该过程中会涉及快递单号识别技术,即通过快递单号来识别其对应的快递公司。
目前,快递单号识别普遍采用的做法是基于正则表达式来实现,然而该方法中需要人工分析快递单号规律从而编写正则表达式进行匹配,因此效率低下,并且如果快递公司对快递单号的规律进行了少量修改,但人工不能及时发现的话,那么很可能会导致识别失败或识别错误。
发明内容
本申请提供一种基于机器学习的快递单号识别方法、装置和设备,以解决现有的快递单号识别技术的效率和识别率低下的问题。
本申请的上述目的是通过以下技术方案实现的:
第一方面,本申请实施例提供一种基于机器学习的快递单号识别方法,所述方法包括:
获取待识别的目标快递单号;
将所述目标快递单号输入至预先训练的快递单号识别模型,得到识别结果;
基于所述识别结果确定所述目标快递单号对应的快递公司。
可选的,所述快递单号识别模型的训练过程,包括:
获取历史快递单号数据和对应的识别标识作为训练样本;
将所述训练样本输入至预先构建的机器学习模型进行训练,得到所述快递单号识别模型。
可选的,所述将所述训练样本输入至预先构建的机器学习模型进行训练,得到所述快递单号识别模型之前,所述方法还包括:
对所述训练样本中历史快递单号数据进行归一化处理,得到归一化样本;
所述将所述训练样本输入至预先构建的机器学习模型进行训练,得到所述快递单号识别模型,包括:
将所述归一化样本输入至预先构建的机器学习模型进行训练,得到所述快递单号识别模型。
可选的,所述方法还包括:
将已识别的目标快递单号和对应的识别标识添加至所述训练样本,从而对所述快递单号识别模型进行增量训练。
可选的,所述方法还包括:
将无法识别的目标快递单号以及对应的识别标识添加至所述训练样本,从而对所述快递单号识别模型进行增量训练。
可选的,所述机器学习模型为基于长短期记忆网络算法或K最近邻算法构建的算法模型。
可选的,所述方法还包括:
将确定的快递公司结果发送至用户终端。
第二方面,本申请实施例还提供一种基于机器学习的快递单号识别装置,所述装置包括:
获取模块,用于获取待识别的目标快递单号;
输入模块,用于将所述目标快递单号输入至预先训练的快递单号识别模型,得到识别结果;
识别模块,用于基于所述识别结果确定所述目标快递单号对应的快递公司。
可选的,所述装置还包括:训练模块;
所述训练模块包括:
获取单元,用于获取历史快递单号数据和对应的识别标识作为训练样本;
训练单元,用于将所述训练样本输入至预先构建的机器学习模型进行训练,得到所述快递单号识别模型。
第三方面,本申请实施例还提供一种基于机器学习的快递单号识别设备,所述设备包括:
存储器和与所述存储器相连接的处理器;
所述存储器,用于存储程序,所述程序至少用于执行上述的基于机器学习的快递单号识别方法;
所述处理器,用于调用并执行所述存储器存储的所述程序。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请的实施例提供的技术方案中,通过将待识别的快递单号输入至预先训练的机器学习算法模型,从而能够实现快递单号的自动识别,无需用户手动编写识别规则而是能够自动生成识别规则,因此效率更高且不易出现疏漏,同时在历史数据足够的情况下也能保证识别的准确率,具有很高的实用性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种基于机器学习的快递单号识别方法的流程示意图;
图2为本申请实施例提供的一种循环神经网络的结构示意图;
图3为本申请实施例提供的一种基于LSTM算法的快递单号识别模型的训练过程示意图;
图4为本申请实施例提供的一种基于机器学习的快递单号识别装置的结构示意图;
图5为本申请实施例提供的一种基于机器学习的快递单号识别设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
快递单号通常由一连串的字符构成,一般是字母和数字的形式,并且同一家快递公司的快递单号之间会有一定的相似度,有规律可循,因此,可以基于快递单号识别确定其所属的快递公司。目前,快递单号识别普遍采用的做法是基于正则表达式来实现,其过程为:1)人工分析快递单号规律;2)编写正则表达式;3)基于正则表达式对快递单号进行识别,如果成功匹配则识别成功。其中,正则表达式又称规则表达式,通常被用来检索、替换那些符合某个模式(规则)的文本,在快递单号识别的方案中主要是用来检索快递单号中,是否存在符合人工确定的快递单号规律的文本。
根据以上说明可知,首先上述方法中需要人工分析快递单号规律从而编写正则表达式,那么在快递公司数量较多时,需要总结多个单号规律并且编写相应的正则表达式,因此效率十分低下。并且,人工总结规律难免会有疏漏甚至出错,因此可能导致识别结果不准确。此外,如果快递公司对快递单号的规律进行了少量修改,那么一般需要对相应的正则表达式进行修改和更新,否则很可能会导致识别失败或识别错误,但是,难以保证人工总能及时发现快递单号规律的修改。此外,当有新的快递公司(以及快递单号规律)出现时,也需要花费时间编写新的正则表达式。
为了解决上述问题,本申请实施例提供一种基于机器学习的快递单号识别方法、装置和设备,从而基于人工智能技术识别快递单号,进而避免人工分析快递单号规律以及编写正则表达式时存在的缺点。
实施例
请参阅图1,图1为本申请实施例提供的一种基于机器学习的快递单号识别方法的流程示意图。如图1所示,该方法包括以下步骤:
S101:获取待识别的目标快递单号;
需要说明的是,获取快递单号的具体方式不是本申请的改进点,实际应用时,可以采取现有技术中的常用方式实现,对此不进行限制,例如,在快递分拣时可以通过相机对快递包裹上的面单进行拍摄,然后对拍摄的图片信息进行识别,即可获取快递单号。
S102:将所述目标快递单号输入至预先训练的快递单号识别模型,得到识别结果;
具体的,所述快递单号识别模型是基于大量的历史快递单号数据训练出的识别模型,识别结果则是识别模型的输出值,其可能是标签或其他形式。
进一步的,所述快递单号识别模型的训练过程包括:
获取历史快递单号数据和对应的识别标识作为训练样本;将所述训练样本输入至预先构建的机器学习模型进行训练,得到所述快递单号识别模型。
具体的,识别标识与快递公司存在对应关系,也就是说,对于每一个历史快递单号,都能够根据其对应的识别标识,确定唯一的快递公司。当历史快递单号数据的数量足够多时,机器学习模型即能够对同一快递公司的快递单号规律进行总结,从而得到相应的识别规则。
其中,所述机器学习模型可以为基于LSTM(Long Short-Term Memory,长短期记忆网络)算法或KNN(K-NearestNeighbor,K最近邻)算法构建的算法模型。
对于LSTM算法,其属于循环神经网络的一个变种,是为了克服循环神经网络无法很好地处理远距离依赖而提出的。LSTM神经网络所构建的模型有记忆功能,网络间支持知识传递,网络模型会将之前的知识传递到当前的状态,从而快递单号之间的关联关系可以充分发挥作用。循环神经网络的结构如图2所示,其中,黑色实心箭头右侧为展开图,X代表输入,O代表输出,S代表隐藏层,U、V、W为共享参数,t为时间。
一些实施例中,基于LSTM算法的快递单号识别模型的训练过程如图3所示,主要包括3个阶段:
1)数据准备,即准备所需的训练样本。首先准备大量历史快递单号数据,然后对历史快递单号数据进行预处理,例如,归一化处理,归一化就是把需要处理的数据通过特定算法处理后限制在特定的范围内。归一化处理首先是为了方便后面进行数据处理,其次是保证训练模型时收敛加快。
2)训练模型。训练时需要对训练样本数据进行Reshape(数据整形),从而便于后续处理,之后则利用LSTM网络模型进行训练,最后为了防止训练样本数据过少导致的过拟合,可以对模型进行dropout,即让某些神经元以一定的概率不工作。
3)输出模型,即得到预设格式的模型文件。
也就是说,一些实施例中,将所述训练样本输入至预先构建的机器学习模型进行训练之前,还可以对所述训练样本中历史快递单号数据进行归一化处理,得到归一化样本,然后再将归一化样本输入至预先构建的机器学习模型进行训练,从而得到快递单号识别模型。
对于KNN算法,其是一种分类算法,其基本思想是采用测量不同特征值之间的距离方法进行分类。该算法为单号识别的补充算法,是根据实际业务场景提出来的算法:快递单号由一连串的字符构成,并且同一家快递公司的单号之间有一定的相似度,有规律可循,但客户填单和发货存在时间间隔,会出现处于中间位置的单号发货较晚的情况。如果数据处理后比这个单号大的单号和比这个单号小的单号都属于同一家快递公司,那么可以确定该单号也属于这家快递公司。KNN算法是最简单的机器学习算法之一,其训练过程与其他机器学习算法类似但一般更简单,因此不再详细说明。
进一步的,如果将以上两种算法组合使用,在无需人工干预的情况下可以极大提高快递单号识别的准确率。
S103:基于所述识别结果确定所述目标快递单号对应的快递公司。
基于神经网络对历史数据进行训练,并得出识别模型后,即可使用该模型进行快递单号预测识别,从而确定其所属的快递公司。
容易理解的是,如果在训练快递单号识别模型时,对训练样本数据进行了归一化处理,那么在对目标快递单号进行识别时,也需要对目标快递单号进行相同的归一化处理。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请的实施例提供的技术方案中,通过将待识别的快递单号输入至预先训练的机器学习算法模型,从而能够实现快递单号的自动识别,无需用户手动编写识别规则而是能够自动生成识别规则,因此效率更高且不易出现疏漏,同时在历史数据足够的情况下也能保证识别的准确率,具有很高的实用性。
此外,为了解决上文提到的“快递单号的规律修改后可能导致识别失败或识别错误”的问题。
在实际应用上述模型进行快递单号识别时,还可以将已识别的目标快递单号和对应的识别标识添加至训练样本,从而对所述快递单号识别模型进行增量训练。也就是说,在快递单号的规律修改后,无需人工干预,机器学习算法就能够及时自动修正识别模型,保证识别的准确率。
此外,为了解决上文提到的“当增加新的快递公司时,需要编写新的正则表达式(识别规则)”的问题。
在实际应用上述模型进行快递单号识别时,还可以将无法识别的目标快递单号以及对应的识别标识添加至所述训练样本,从而对所述快递单号识别模型进行增量训练。也就是说,识别模型可以及时发现不属于现有快递公司的快递单号,并利用这些快递单号数据作为样本进行训练,找出其存在的规律,从而在后续处理时能够识别该新增快递公司的快递单号。
在实际应用时,考虑到上述方法是为了识别快递单号所属的快递公司,因此,还可以将确定的快递公司结果直接发送至用户终端,例如计算机上,从而便于用户进行后续的相关操作。
为了对本申请的技术方案进行更全面的说明,对应于本申请上述实施例提供的基于机器学习的快递单号识别方法,本申请实施例还提供一种基于机器学习的快递单号识别装置。
请参阅图4,图4为本申请实施例提供的一种基于机器学习的快递单号识别装置的结构示意图。如图4所示,该装置包括以下结构:
获取模块41,用于获取待识别的目标快递单号;
输入模块42,用于将所述目标快递单号输入至预先训练的快递单号识别模型,得到识别结果;
识别模块43,用于基于所述识别结果确定所述目标快递单号对应的快递公司。
可选的,所述装置还包括:训练模块;
所述训练模块包括:
获取单元,用于获取历史快递单号数据和对应的识别标识作为训练样本;
训练单元,用于将所述训练样本输入至预先构建的机器学习模型进行训练,得到所述快递单号识别模型。
具体的,上述每个功能模块的功能的具体实现方式可以参照上述基于机器学习的快递单号识别方法中的相应内容来实现,对此不再详述。
为了对本申请的技术方案进行更全面的说明,对应于本申请上述实施例提供的基于机器学习的快递单号识别方法,本申请实施例还提供一种基于机器学习的快递单号识别设备。
请参阅图5,图5为本申请实施例提供的一种基于机器学习的快递单号识别设备的结构示意图。如图5所示,该设备包括以下结构:
存储器51和与存储器51相连接的处理器52;
存储器51用于存储程序,所述程序至少用于执行上述的基于机器学习的快递单号识别方法;
处理器52用于调用并执行存储器51存储的所述程序。
具体的,该设备可以是计算机或类似的设备,其中程序的功能的具体实现方式可以参照上述基于机器学习的快递单号识别方法中的相应内容来实现,对此不再详述。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块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,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
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申请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一定指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何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于机器学习的快递单号识别方法,其特征在于,包括:
获取待识别的目标快递单号;
将所述目标快递单号输入至预先训练的快递单号识别模型,得到识别结果;
基于所述识别结果确定所述目标快递单号对应的快递公司。
2.根据权利要求1所述的方法,其特征在于,所述快递单号识别模型的训练过程,包括:
获取历史快递单号数据和对应的识别标识作为训练样本;
将所述训练样本输入至预先构建的机器学习模型进行训练,得到所述快递单号识别模型。
3.根据权利要求2所述的方法,其特征在于,所述将所述训练样本输入至预先构建的机器学习模型进行训练,得到所述快递单号识别模型之前,还包括:
对所述训练样本中历史快递单号数据进行归一化处理,得到归一化样本;
所述将所述训练样本输入至预先构建的机器学习模型进行训练,得到所述快递单号识别模型,包括:
将所述归一化样本输入至预先构建的机器学习模型进行训练,得到所述快递单号识别模型。
4.根据权利要求2所述的方法,其特征在于,还包括:
将已识别的目标快递单号和对应的识别标识添加至所述训练样本,从而对所述快递单号识别模型进行增量训练。
5.根据权利要求2所述的方法,其特征在于,还包括:
将无法识别的目标快递单号以及对应的识别标识添加至所述训练样本,从而对所述快递单号识别模型进行增量训练。
6.根据权利要求2所述的方法,其特征在于,所述机器学习模型为基于长短期记忆网络算法或K最近邻算法构建的算法模型。
7.根据权利要求1所述的方法,其特征在于,还包括:
将确定的快递公司结果发送至用户终端。
8.一种基于机器学习的快递单号识别装置,其特征在于,包括:
获取模块,用于获取待识别的目标快递单号;
输入模块,用于将所述目标快递单号输入至预先训练的快递单号识别模型,得到识别结果;
识别模块,用于基于所述识别结果确定所述目标快递单号对应的快递公司。
9.根据权利要求8所述的装置,其特征在于,还包括:训练模块;
所述训练模块包括:
获取单元,用于获取历史快递单号数据和对应的识别标识作为训练样本;
训练单元,用于将所述训练样本输入至预先构建的机器学习模型进行训练,得到所述快递单号识别模型。
10.一种基于机器学习的快递单号识别设备,其特征在于,包括:
存储器和与所述存储器相连接的处理器;
所述存储器,用于存储程序,所述程序至少用于执行如权利要求1-7任一项所述的基于机器学习的快递单号识别方法;
所述处理器,用于调用并执行所述存储器存储的所述程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010355811.9A CN111582786A (zh) | 2020-04-29 | 2020-04-29 | 基于机器学习的快递单号识别方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010355811.9A CN111582786A (zh) | 2020-04-29 | 2020-04-29 | 基于机器学习的快递单号识别方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582786A true CN111582786A (zh) | 2020-08-25 |
Family
ID=72111833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010355811.9A Pending CN111582786A (zh) | 2020-04-29 | 2020-04-29 | 基于机器学习的快递单号识别方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582786A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183374A (zh) * | 2020-09-29 | 2021-01-05 | 佛山科学技术学院 | 一种基于树莓派和深度学习的快递自动分拣装置及方法 |
CN112347235A (zh) * | 2020-11-05 | 2021-02-09 | 北京羽扇智信息科技有限公司 | 规则库生成方法及装置 |
CN114492434A (zh) * | 2022-01-27 | 2022-05-13 | 圆通速递有限公司 | 一种基于运单号自动识别模型智能识别运单号方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866985A (zh) * | 2015-05-04 | 2015-08-26 | 小米科技有限责任公司 | 快递单号识别方法、装置及*** |
CN107273531A (zh) * | 2017-06-28 | 2017-10-20 | 百度在线网络技术(北京)有限公司 | 电话号码分类识别方法、装置、设备及存储介质 |
CN108449482A (zh) * | 2018-02-09 | 2018-08-24 | 北京泰迪熊移动科技有限公司 | 号码识别的方法和*** |
CN109614834A (zh) * | 2018-12-03 | 2019-04-12 | 深圳市迅秒科技有限公司 | 一种自动识别快递信息的方法、设备及*** |
WO2019174130A1 (zh) * | 2018-03-14 | 2019-09-19 | 平安科技(深圳)有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
CN110363457A (zh) * | 2018-04-11 | 2019-10-22 | 苏宁易购集团股份有限公司 | 基于快递单号匹配快递公司名称的方法及*** |
CN110363044A (zh) * | 2018-04-11 | 2019-10-22 | 苏宁易购集团股份有限公司 | 快递单号的录入方法及*** |
-
2020
- 2020-04-29 CN CN202010355811.9A patent/CN111582786A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866985A (zh) * | 2015-05-04 | 2015-08-26 | 小米科技有限责任公司 | 快递单号识别方法、装置及*** |
CN107273531A (zh) * | 2017-06-28 | 2017-10-20 | 百度在线网络技术(北京)有限公司 | 电话号码分类识别方法、装置、设备及存储介质 |
CN108449482A (zh) * | 2018-02-09 | 2018-08-24 | 北京泰迪熊移动科技有限公司 | 号码识别的方法和*** |
WO2019174130A1 (zh) * | 2018-03-14 | 2019-09-19 | 平安科技(深圳)有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
CN110363457A (zh) * | 2018-04-11 | 2019-10-22 | 苏宁易购集团股份有限公司 | 基于快递单号匹配快递公司名称的方法及*** |
CN110363044A (zh) * | 2018-04-11 | 2019-10-22 | 苏宁易购集团股份有限公司 | 快递单号的录入方法及*** |
CN109614834A (zh) * | 2018-12-03 | 2019-04-12 | 深圳市迅秒科技有限公司 | 一种自动识别快递信息的方法、设备及*** |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183374A (zh) * | 2020-09-29 | 2021-01-05 | 佛山科学技术学院 | 一种基于树莓派和深度学习的快递自动分拣装置及方法 |
CN112347235A (zh) * | 2020-11-05 | 2021-02-09 | 北京羽扇智信息科技有限公司 | 规则库生成方法及装置 |
CN112347235B (zh) * | 2020-11-05 | 2024-05-24 | 北京羽扇智信息科技有限公司 | 规则库生成方法及装置 |
CN114492434A (zh) * | 2022-01-27 | 2022-05-13 | 圆通速递有限公司 | 一种基于运单号自动识别模型智能识别运单号方法 |
CN114492434B (zh) * | 2022-01-27 | 2022-10-11 | 圆通速递有限公司 | 一种基于运单号自动识别模型智能识别运单号方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11816165B2 (en) | Identification of fields in documents with neural networks without templates | |
WO2019238063A1 (zh) | 文本检测分析方法、装置及设备 | |
US11113557B2 (en) | System and method for generating an electronic template corresponding to an image of an evidence | |
CN111582786A (zh) | 基于机器学习的快递单号识别方法、装置和设备 | |
EP3989125A1 (en) | System and method for machine-learning based extraction of information from documents | |
WO2020062702A9 (zh) | 短信发送的方法、装置、计算机设备和存储介质 | |
US20220292861A1 (en) | Docket Analysis Methods and Systems | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
US11023720B1 (en) | Document parsing using multistage machine learning | |
CN111340506A (zh) | 交易行为的风险识别方法、装置、存储介质和计算机设备 | |
Gong et al. | A novel unified deep neural networks methodology for use by date recognition in retail food package image | |
CN111708768A (zh) | 自动柜员机现金调度方法、***及存储介质 | |
CN116228265A (zh) | ***风险识别方法、装置和设备 | |
CN115660540A (zh) | 货物跟踪方法、装置、计算机设备和存储介质 | |
CN111160330B (zh) | 电子标签识别辅助提升图像识别准确度的训练方法 | |
CN113901817A (zh) | 文档分类方法、装置、计算机设备和存储介质 | |
CN114743030A (zh) | 图像识别方法、装置、存储介质和计算机设备 | |
Shahin et al. | Deploying Optical Character Recognition to Improve Material Handling and Processing | |
CN116977021B (zh) | 基于大数据的***对接自动推单方法 | |
CN116503887B (zh) | 基于图像识别的货代订单处理方法 | |
US20210342901A1 (en) | Systems and methods for machine-assisted document input | |
CN112396513B (zh) | 一种数据处理的方法及装置 | |
CN114692724B (zh) | 数据分类模型的训练方法、数据分类方法和装置 | |
US20240095791A1 (en) | A method for autonomous reconciliation of invoice data and related electronic device | |
CN112529038B (zh) | 一种主板物料的识别方法、装置及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |