CN112329708A - 票据识别方法和装置 - Google Patents
票据识别方法和装置 Download PDFInfo
- Publication number
- CN112329708A CN112329708A CN202011330551.6A CN202011330551A CN112329708A CN 112329708 A CN112329708 A CN 112329708A CN 202011330551 A CN202011330551 A CN 202011330551A CN 112329708 A CN112329708 A CN 112329708A
- Authority
- CN
- China
- Prior art keywords
- key field
- identification result
- machine identification
- result
- sample
- 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 54
- 238000013145 classification model Methods 0.000 claims abstract description 113
- 230000004044 response Effects 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims description 71
- 238000012360 testing method Methods 0.000 claims description 67
- 238000002372 labelling Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 16
- 239000000126 substance Substances 0.000 claims 1
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect 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
- G06V30/412—Layout analysis of documents structured with printed lines or input boxes, e.g. business forms or tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Inspection Of Paper Currency And Valuable Securities (AREA)
Abstract
本申请涉及图像识别领域和自然语言处理领域,公开了票据识别方法和装置:通过获取票据图片,以及获取票据图片中关键字段的机器识别结果和机器识别结果关联的特征数据,并基于机器识别结果关联的特征数据和关键字段对应的二分类模型,得到关键字段的机器识别结果的置信度,二分类模型与关键字段一一对应,最后对关键字段的机器识别结果的置信度进行判断,以及响应于确定关键字段的机器识别结果的置信度符合预设条件,将关键字段的机器识别结果确定为票据图片中关键字段的识别结果。使得机器识别结果的置信度与机器识别结果的特征数据相关,提高了机器识别结果的置信度的准确性,从而根据该置信度确定票据识别结果,提高了票据识别结果的准确性。
Description
技术领域
本申请涉及计算机技术领域,具体涉及图像识别领域和自然语言处理领域,尤其涉及一种票据识别方法和装置。
背景技术
随着科技不断进步,越来越多的票据需要审核,通过对票据进行机器识别,得到票据中关键字段的识别结果,比如金额、日期、客户姓名和用途等的机器识别结果,然后根据识别后的机器识别结果对票据进行审核。然而很多票据由于拍摄的图片比较模糊,不同的票据版式相差很大,图片的拍摄角度差别也很大,对票据中关键字段的识别难度很大,从而导致关键字段的机器识别结果准确率不高。因此,为了提高票据识别结果的准确率,将关键字段的平均识别概率作为该关键字段的置信度,并通过提高关键字段的置信度阈值来提高关键字段的识别结果的准确率。
然而随着置信度阈值的不断提高,关键字段的识别结果的准确率会不断增加,但是关键字段的识别结果的召回率会不断下降,从而会损失很多识别正确的关键字段。
发明内容
本申请实施例提供了一种票据识别方法、装置、电子设备以及存储介质。
第一方面,本申请实施例提供了一种票据识别方法,该方法包括:获取票据图片,以及获取票据图片中关键字段的机器识别结果和机器识别结果关联的特征数据;基于机器识别结果关联的特征数据和关键字段对应的二分类模型,得到关键字段的机器识别结果的置信度,其中,二分类模型与关键字段一一对应;对关键字段的机器识别结果的置信度进行判断,以及响应于确定关键字段的机器识别结果的置信度符合预设条件,将关键字段的机器识别结果确定为票据图片中关键字段的识别结果。
在一些实施例中,二分类模型基于以下步骤实现:获取样本票据图片集,样本票据图片集包括训练图片集;获取训练图片集中样本关键字段的机器识别结果关联的样本特征数据和样本关键字段的机器识别结果的标注结果,其中,样本关键字段的机器识别结果的标注结果用于表征机器识别结果是否正确;基于样本关键字段的样本特征数据和对应的标注结果进行训练,得到样本关键字段对应的二分类模型。
在一些实施例中,二分类模型还包括与关键字段对应的模型标识;以及基于机器识别结果关联的特征数据和关键字段对应的二分类模型,得到关键字段的机器识别结果的置信度,包括:获取与关键字段对应的模型标识,并基于模型标识调用与模型标识对应的二分类模型;将机器识别结果关联的特征数据输入二分类模型,得到关键字段的机器识别结果的置信度。
在一些实施例中,样本票据图片集还包括验证图片集;该方法还包括:获取验证图片集中验证关键字段的机器识别结果的验证特征数据和验证关键字段的机器识别结果的标注结果,其中,验证关键字段和样本关键字段相同;响应于获取到样本关键字段对应的二分类模型,基于验证关键字段的机器识别结果的验证特征数据和标注结果对二分类模型进行参数调整,得到调整后的二分类模型。
在一些实施例中,样本票据图片集还包括测试图片集;该方法还包括:获取测试图片集中的测试关键字段的机器识别结果的测试特征数据和测试关键字段的机器识别结果的标注结果,其中,测试关键字段和样本关键字段相同;响应于获取到调整后的二分类模型,基于测试关键字段的机器识别结果的测试特征数据和标注结果对调整后的二分类模型进行测试,得到调整后的二分类模型的准确率和召回率。
在一些实施例中,该方法还包括:响应于确定关键字段的机器识别结果的置信度不符合预设条件,将关键字段的机器识别结果所属的票据图片发送至终端以使用户对票据图片进行校验;响应于接收到终端返回的用户校验结果,确定票据图片中关键字段的识别结果。
第二方面,本申请实施例提供了一种票据识别装置,该装置包括:第一获取模块,被配置成获取票据图片,以及获取票据图片中关键字段的机器识别结果和机器识别结果关联的特征数据;分类模块,被配置成基于机器识别结果关联的特征数据和关键字段对应的二分类模型,得到关键字段的机器识别结果的置信度,其中,二分类模型与关键字段一一对应;确定模块,被配置成对关键字段的机器识别结果的置信度进行判断,以及响应于确定关键字段的机器识别结果的置信度符合预设条件,将关键字段的机器识别结果确定为票据图片中关键字段的识别结果。
在一些实施例中,二分类模型基于以下模块实现:第二获取模块,被配置成获取样本票据图片集,样本票据图片集包括训练图片集;获取训练图片集中样本关键字段的机器识别结果关联的样本特征数据和样本关键字段的机器识别结果的标注结果,其中,样本关键字段的机器识别结果的标注结果用于表征机器识别结果是否正确;训练模块,被配置成基于样本关键字段的样本特征数据和对应的标注结果进行训练,得到样本关键字段对应的二分类模型。
在一些实施例中,二分类模型还包括与关键字段对应的模型标识;以及分类模块,包括:获取单元,被配置成获取与关键字段对应的模型标识,并基于模型标识调用与模型标识对应的二分类模型;分类单元,被配置成将机器识别结果关联的特征数据输入二分类模型,得到关键字段的机器识别结果的置信度。
在一些实施例中,样本票据图片集还包括验证图片集;该装置还包括:第三获取模块,被配置成获取验证图片集中验证关键字段的机器识别结果的验证特征数据和验证关键字段的机器识别结果的标注结果,其中,验证关键字段和样本关键字段相同;调整模块,被配置成响应于获取到样本关键字段对应的二分类模型,基于验证关键字段的机器识别结果的验证特征数据和标注结果对二分类模型进行参数调整,得到调整后的二分类模型。
在一些实施例中,样本票据图片集还包括测试图片集;该装置还包括:第四获取模块,被配置成获取测试图片集中的测试关键字段的机器识别结果的测试特征数据和测试关键字段的机器识别结果的标注结果,其中,测试关键字段和样本关键字段相同;测试模块,被配置成响应于获取到调整后的二分类模型,基于测试关键字段的机器识别结果的测试特征数据和标注结果对调整后的二分类模型进行测试,得到调整后的二分类模型的准确率和召回率。
在一些实施例中,该装置还包括:发送模块,被配置成响应于确定关键字段的机器识别结果的置信度不符合预设条件,将关键字段的机器识别结果所属的票据图片发送至终端以使用户对票据图片进行校验;确定模块,进一步被配置成响应于接收到终端返回的用户校验结果,确定票据图片中关键字段的识别结果。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被该一个或多个处理器执行,使得一个或多个处理器实现如第一方面的任一实施例的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面的任一实施例的方法。
本申请通过获取票据图片,以及获取票据图片中关键字段的机器识别结果和机器识别结果关联的特征数据,并基于机器识别结果关联的特征数据和关键字段对应的二分类模型,得到关键字段的机器识别结果的置信度,二分类模型与关键字段一一对应,最后对关键字段的机器识别结果的置信度进行判断,以及响应于确定关键字段的机器识别结果的置信度符合预设条件,将关键字段的机器识别结果确定为票据图片中关键字段的识别结果,使得机器识别结果的置信度与机器识别结果的特征数据相关,提高了机器识别结果的置信度与各个特征数据之间的关联性,增加了除识别概率以外的其他数据,提高了机器识别结果的置信度的准确性,进而根据该置信度确定票据识别结果,提高了票据识别结果的准确性,同时在保证了机器识别结果的准确性的基础上,随着识别结果的准确率不断提高,识别结果的召回率下降减少,从而减少了识别正确的票据的损失,进而提高了票据识别结果的准确性和全面性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的票据识别方法的一个实施例的流程图;
图3是根据本申请的票据识别方法的一个应用场景的示意图;
图4是根据本申请的获取二分类模型的一个实施例的流程图;
图5是根据本申请的获取二分类模型的另一个实施例的流程图;
图6是根据本申请的票据识别装置的一个实施例的示意图;
图7是适于用来实现本申请实施例的服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
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。
图1示出了可以应用本申请的票据识别方法的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备104、105,网络106,服务器101、102、103。网络106用以在终端设备104、105与服务器101、102、103之间提供通信链路的介质。网络106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。
用户可以通过终端设备104、105通过网络106与服务器101、102、103交互,以接收或发送信息等。终端设备104、105上可以安装有各种应用,例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
终端设备104、105可以是硬件,也可以是软件。当终端设备为硬件时,可以是具有显示屏并且支持与服务器通信的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器101、102、103可以是提供各种服务的服务器,例如对与其建立通信连接的终端设备发送的请求进行接收的后台服务器。后台服务器可以对终端设备发送的请求进行接收和分析等处理,并生成处理结果。
服务器101、102、103可以通过对获取到的票据图片进行图片识别和自然语言处理来实现对票据图片的审核,并得到票据图片对应的识别结果,即可以通过网络106获取至少一张票据图片,对获取到的票据图片进行识别,例如进行OCR识别,得到票据图片中关键字段的机器识别结果和机器识别结果关联的特征数据,并基于机器识别结果关联的特征数据和关键字段对应的二分类模型,得到关键字段的机器识别结果的置信度,根据该置信度进行判断,若确定关键字段的机器识别结果的置信度符合预设条件,将关键字段的机器识别结果确定为票据图片中关键字段的识别结果。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以是为终端设备提供各种服务的各种电子设备。当服务器为软件时,可以实现成为为终端设备提供各种服务的多个软件或软件模块,也可以实现成为为终端设备提供各种服务的单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开的实施例所提供的票据识别方法可以由服务器101、102、103执行。相应地,票据识别装置可以设置于服务器101、102、103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。
参考图2,图2示出了可以应用于本申请的票据识别方法的实施例的流程示意图200。该票据识别方法包括以下步骤:
步骤210,获取票据图片,以及获取票据图片中关键字段的机器识别结果和机器识别结果关联的特征数据。
在本实施例中,用户可以对票据内容进行拍摄,得到票据图片,然后在终端上传拍摄的票据图片以进行审核。执行主体(例如图1中的服务器101、102、103)可以通过网络接口从终端获取到用户上传的票据图片,该票据图片可以包括需要审核的至少一个关键字段,例如,票据中的金额、日期、客户姓名和用途等。
上述执行主体可以通过对获取到的票据图片进行机器识别、关键字段检测和构建数据等来获取票据图片中关键字段的机器识别结果和机器识别结果关联的特征数据,该特征数据用于表征与关键字段的机器识别结果的准确度相关的数据,用于确定关键字段的置信度,该特征数据可以包括除机器识别结果的识别概率以外的特征数据,例如机器识别结果的识别概率、关键字段的检测概率和与关键字段对应的构造数据等等,构造数据可以是由关键字段和与该关键字段相关的其它关键字段共同构成的数据。
即上述执行主体可以对获取到的票据图片进行机器识别,获取票据图片中关键字段的机器识别结果和机器识别结果的识别概率。以及上述执行主体还可以对票据图片中关键字段进行检测,获取关键字段的检测概率。同时上述执行主体还可以根据票据图片中的关键字段和与该关键字段相关联的其它关键字段共同构建该关键字段对应的构造数据,例如,该关键字段是票据中的金额,则该关键字段的构造数据可以是利用票据中的金额所做的等式。上述执行主体可以将获取到的机器识别结果的识别概率、关键字段的检测概率和构造数据共同作为该关键字段的机器识别结果关联的特征数据。
步骤220,基于机器识别结果关联的特征数据和关键字段对应的二分类模型,得到关键字段的机器识别结果的置信度。
在本实施例中,上述执行主体获取到关键字段的机器识别结果和机器识别结果关联的特征数据后,根据该关键字段获取与该关键字段对应的二分类模型,二分类模型与关键字段一一对应,不同的关键字段对应不同的二分类模型,每一个二分类模型用于根据关键字段的机器识别结果的特征数据输出关键字段的机器识别结果的置信度。上述执行主体可以根据关键字段的机器识别结果关联的特征数据和关键字段对应的二分类模型,得到关键字段的机器识别结果的置信度。
作为示例,该关键字段为金额,上述执行主体在获取到金额的机器识别结果的特征数据后,则进一步获取与金额对应的二分类模型,上述执行主体根据特征数据和与金额对应的二分类模型,获取到金额的机器识别结果的置信度。
步骤230,对关键字段的机器识别结果的置信度进行判断,以及响应于确定关键字段的机器识别结果的置信度符合预设条件,将关键字段的机器识别结果确定为票据图片中关键字段的识别结果。
在本实施例中,上述执行主体在获取到关键字段的机器识别结果的置信度后,对该置信度进行判断,判断该置信度是否符合预设条件,该预设条件用于筛选符合审核要求的置信度,可以是关键字段的置信度是否大于或等于置信度阈值,该置信度阈值可以根据实际需要进行设定,本申请对此不做具体限定。当确定该关键字段的机器识别结果的置信度符合预设条件时,上述执行主体可以确定该关键字段的机器识别结果正确,则将该关键字段的机器识别结果确定为票据图片中关键字段的识别结果。
可选地,若票据图片中的关键字段包括一个,上述执行主体可以对这一个关键字段的机器识别结果的置信度进行判断,当该关键字段的机器识别结果的置信度满足预设条件时,上述执行主体可以直接将该机器识别结果确定为该关键字段的最终识别结果。
可选地,若票据图片中的关键字段包括多个,上述执行主体可以分别对每个关键字段的机器识别结果的置信度进行判断,当全部关键字段的机器识别结果的置信度满足预设条件时,上述执行主体可以直接将每个关键字段的机器识别结果确定为票据图片中关键字段的最终识别结果。当部分关键字段的机器识别结果的置信度满足预设条件时,上述执行主体则确定这些关键字段的机器识别结果中有不正确的识别结果,则当前机器识别结果不能确定为票据图片中关键字段的识别结果。
继续参见图3,图3是根据本实施例的票据识别方法的应用场景的一个示意图。
在图3的应用场景中,用户在终端301上传了一张票据图片,终端301将该票据图片发送给服务器302。服务器302对该票据图片进行机器识别,获取该票据图片中“金额”的机器识别结果和机器识别结果的特征数据。然后服务器302根据机器识别结果关联的特征数据和“金额”对应的二分类模型,得到“金额”的机器识别结果的置信度,最后服务器302对“金额”的机器识别结果的置信度进行判断,若确定“金额”的机器识别结果的置信度符合预设条件,将“金额”的机器识别结果确定为票据图片中“金额”的识别结果,服务器302将“金额”的识别结果发送给终端301。
本公开的实施例提供的票据识别方法,通过获取票据图片,以及获取票据图片中关键字段的机器识别结果和机器识别结果关联的特征数据,并基于机器识别结果关联的特征数据和关键字段对应的二分类模型,得到关键字段的机器识别结果的置信度,二分类模型与关键字段一一对应,最后对关键字段的机器识别结果的置信度进行判断,以及响应于确定关键字段的机器识别结果的置信度符合预设条件,将关键字段的机器识别结果确定为票据图片中关键字段的识别结果,使得机器识别结果的置信度与机器识别结果的特征数据相关,提高了机器识别结果的置信度与各个特征数据之间的关联性,增加了除识别概率以外的其他数据,提高了机器识别结果的置信度的准确性,进而根据该置信度确定票据识别结果,提高了票据识别结果的准确性,同时在保证了机器识别结果的准确性的基础上,随着识别结果的准确率不断提高,识别结果的召回率下降减少,从而减少了识别正确的票据的损失,进而提高了票据识别结果的准确性和全面性。
进一步参考图4,其示出了获取二分类模型的一个实施例的流程400。该流程400,可以包括以下步骤:
步骤410,获取样本票据图片集。
在本步骤中,上述执行主体可以预先获取样本票据图片集,该样本票据图片集中可以包括多张样本票据图片,上述执行主体可以将获取到的样本票据图片集中的多张样本票据图片进行分组,得到训练图片集,该训练图片用于训练二分类模型。
步骤420,获取训练图片集中样本关键字段的机器识别结果关联的样本特征数据和样本关键字段的机器识别结果的标注结果。
在本步骤中,上述执行主体分别对训练图片集中的样本票据图片进行机器识别、关键字段检测和构建数据等,得到样本票据图片中样本关键字段的机器识别结果的样本特征数据。并对每张样本票据图片中样本关键字段的机器识别结果进行标注,得到用于表征样本关键字段的机器识别结果是否正确标注结果,该标注结果可以表现为数值的形式,例如,若样本关键字段的机器识别结果正确,则标注结果为1;若样本关键字段的机器识别结果错误,则标注结果为0。
步骤430,基于样本关键字段的样本特征数据和对应的标注结果进行训练,得到样本关键字段对应的二分类模型。
在本步骤中,上述执行主体可以将每张样本票据图片中属于同一类型的样本关键字段作为一个训练数据集,每个训练数据集中包括同一类型的样本关键字段的机器识别结果的样本特征数据和标注结果。然后上述执行主体可以根据每个训练数据集中样本关键字段的机器识别结果的样本特征数据和标注结果,分别对初始神经网络进行训练,得到与样本关键字段的类型相对应的二分类模型。
作为示例,上述执行主体可以将每张样本票据图片中金额的机器识别结果的样本特征数据和标注结果作为一个训练数据集,然后根据该训练数据集中包括的金额的机器识别结果的样本特征数据和标注结果对初始神经网络进行训练,得到金额对应的二分类模型。
在本实现方式中,通过将关键字段的机器识别结果的特征数据作为训练样本得到不同的二分类模型,增加了除识别概率以外的数据,考虑到了各特征数据之间的相关性,提高了关键字段对应的二分类模型的准确性,从而提高了基于二分类模型确定的机器识别结果的置信度的准确性。
作为一个可选实现方式,上述二分类模型与关键字段一一对应,则上述二分类模型还可以包括与关键字段对应的模型标识和与关键字段对应的模型名称等等,则二分类模型的模型标识和模型名称与关键字段一一对应,例如,二分类模型可以包括金额模型、日期模型等等。以及,步骤220,基于机器识别结果关联的特征数据和关键字段对应的二分类模型,得到关键字段的机器识别结果的置信度,可以基于以下步骤实现:
第一步,获取与关键字段对应的模型标识,并基于模型标识调用与模型标识对应的二分类模型。
在本步骤中,上述执行主体可以将获取到的二分类模型与二分类模型对应的模型标识、模型名称进行关联存储。然后上述执行主体在获取关键字段的机器识别结果的特征数据后,基于该关键字段获取与该关键字段对应的模型标识、模型名称。上述执行主体根据该模型标识、模型名称调用与模型标识对应的二分类模型。作为示例,上述执行主体获取到金额的机器识别结果的特征数据后,进一步获取与金额对应的二分类模型的模型标识,然后根据该模型标识调用金额模型。
第二步,将机器识别结果关联的特征数据输入二分类模型,得到关键字段的机器识别结果的置信度。
在本步骤中,上述执行主体在获取到与关键字段对应的二分类模型后,将机器识别结果关联的特征数据输入二分类模型,即可以将该关键字段对应的识别概率、检测概率和与关键字段对应的构造数据等输入至二分类模型中,得到该关键字段的机器识别结果的置信度。
在本实现方式中,通过为二分类模型设置模型标识和模型名称,并根据模型标识、模型名称对二分类模型进行调用,提高了模型使用效率,提高了二分类模型的分类准确性,从而提高了确定的机器识别结果的置信度的准确性。
进一步参考图5,其示出了获取二分类模型的另一个实施例的流程500。该流程500,可以包括以下步骤:
步骤510,获取验证图片集中验证关键字段的机器识别结果的验证特征数据和验证关键字段的机器识别结果的标注结果。
在本步骤中,上述执行主体可以将获取到的样本票据图片集中的多张样本票据图片进行分组,得到验证图片集,该验证图片集用于对获取到的二分类模型进行参数调整。上述执行主体分别对验证图片集中的样本票据图片进行机器识别、关键字段检测和构建数据等,得到样本票据图片中验证关键字段的机器识别结果的样本特征数据,该验证关键字段和上述样本关键字段相同,属于同一类型的关键字段。并对每张样本票据图片中验证关键字段的机器识别结果进行标注,得到用于表征验证关键字段的机器识别结果是否正确标注结果,该标注结果可以表现为数值的形式,例如,若验证关键字段的机器识别结果正确,则标注结果为1;若验证关键字段的机器识别结果错误,则标注结果为0。
步骤520,响应于获取到样本关键字段对应的二分类模型,基于验证关键字段的机器识别结果的验证特征数据和标注结果对二分类模型进行参数调整,得到调整后的二分类模型。
在本步骤中,上述执行主体获取到样本关键字段对应的二分类模型后,根据验证关键字段的机器识别结果的验证特征数据和标注结果对二分类模型进行二次训练得到调整后的二分类模型,以实现对二分类模型的参数进行调整,以使得调整后的二分类模型输出的结果更准确。
步骤530,获取测试图片集中的测试关键字段的机器识别结果的测试特征数据和测试关键字段的机器识别结果的标注结果。
在本步骤中,上述执行主体可以将获取到的样本票据图片集中的多张样本票据图片进行分组,得到测试图片集,该测试图片集用于对获取到的二分类模型进行准确率测试。上述执行主体分别对测试图片集中的样本票据图片进行机器识别、关键字段检测和构建数据等,得到样本票据图片中测试关键字段的机器识别结果的样本特征数据,该测试关键字段和上述样本关键字段相同,属于同一类型的关键字段。并对每张样本票据图片中测试关键字段的机器识别结果进行标注,得到用于表征测试关键字段的机器识别结果是否正确标注结果,该标注结果可以表现为数值的形式,例如,若测试关键字段的机器识别结果正确,则标注结果为1;若测试关键字段的机器识别结果错误,则标注结果为0。
步骤540,响应于获取到调整后的二分类模型,基于测试关键字段的机器识别结果的测试特征数据和标注结果对调整后的二分类模型进行测试,得到调整后的二分类模型的准确率和召回率。
在本步骤中,上述执行主体获取到经过验证图片集调整调整后的二分类模型后,根据测试关键字段的机器识别结果的验证特征数据和标注结果对调整后的二分类模型进行测试,以得到调整后的二分类模型的准确率和召回率。
上述执行主体可以通过准确率计算公式:准确率=(>=置信度阈值的票据中实际正确的票据数量/>=置信度阈值的票据数量),来计算在调整后的二分类模型得到的置信度的基础上,关键字段的机器识别结果的准确率。
上述执行主体还可以通过召回率计算公式:召回率=(>=置信度阈值的票据中实际正确的票据数量/票据总数),来计算在调整后的二分类模型得到的置信度的基础上,关键字段的机器识别结果的召回率。
在本实施例中,通过验证训练集对二分类模型进行参数调用,提高了二分类模型的分类准确性,从而提高了确定的机器识别结果的置信度的准确性;以及通过测试图片集对调整后的二分类模型确定准确率和召回率,从而可以确定二分类模型对票据识别结果的影响程度。
作为一个可选实现方式,票据识别方法还可以包括以下步骤:响应于确定关键字段的机器识别结果的置信度不符合预设条件,将关键字段的机器识别结果所属的票据图片发送至终端以使用户对票据图片进行校验;响应于接收到终端返回的用户校验结果,确定票据图片中关键字段的识别结果。
具体地,上述执行主体在获取到关键字段的机器识别结果的置信度后,对该置信度进行判断,判断该置信度是否符合预设条件,该预设条件用于筛选符合审核要求的置信度,可以是关键字段的置信度是否大于或等于置信度阈值,该置信度阈值可以根据实际需要进行设定,本申请对此不做具体限定。当确定该关键字段的机器识别结果的置信度符合不预设条件时,上述执行主体可以确定该关键字段的机器识别结果错误,则将该关键字段的机器识别结果所属的票据图片发送至终端。终端将接收到的票据图片呈现给用户,以使用户对票据图片进行校验审核,然后终端将用户提交的检验结果发送给上述执行主体。上述执行主体接收到终端返回的用户校验结果,根据接收到的校验结果确定票据图片中关键字段的识别结果。
在本实现方式中,通过设置置信度阈值以实现筛选出识别错误的票据图片,从而使得识别错误的票据图片进入人工审核,提高了票据审核的准确性和效率。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种票据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,本实施例的票据识别装置600包括:第一获取模块610、分类模块620、确定模块630。
其中,第一获取模块610,被配置成获取票据图片,以及获取票据图片中关键字段的机器识别结果和机器识别结果关联的特征数据;
分类模块620,被配置成基于机器识别结果关联的特征数据和关键字段对应的二分类模型,得到关键字段的机器识别结果的置信度,其中,二分类模型与关键字段一一对应;
确定模块630,被配置成对关键字段的机器识别结果的置信度进行判断,以及响应于确定关键字段的机器识别结果的置信度符合预设条件,将关键字段的机器识别结果确定为票据图片中关键字段的识别结果。
在本实施例的一些可选的方式中,二分类模型基于以下模块实现:第二获取模块,被配置成获取样本票据图片集,样本票据图片集包括训练图片集;获取训练图片集中样本关键字段的机器识别结果关联的样本特征数据和样本关键字段的机器识别结果的标注结果,其中,样本关键字段的机器识别结果的标注结果用于表征机器识别结果是否正确;训练模块,被配置成基于样本关键字段的样本特征数据和对应的标注结果进行训练,得到样本关键字段对应的二分类模型。
在本实施例的一些可选的方式中,二分类模型还包括与关键字段对应的模型标识;以及分类模块,包括:获取单元,被配置成获取与关键字段对应的模型标识,并基于模型标识调用与模型标识对应的二分类模型;分类单元,被配置成将机器识别结果关联的特征数据输入二分类模型,得到关键字段的机器识别结果的置信度。
在本实施例的一些可选的方式中,样本票据图片集还包括验证图片集;该装置还包括:第三获取模块,被配置成获取验证图片集中验证关键字段的机器识别结果的验证特征数据和验证关键字段的机器识别结果的标注结果,其中,验证关键字段和样本关键字段相同;调整模块,被配置成响应于获取到样本关键字段对应的二分类模型,基于验证关键字段的机器识别结果的验证特征数据和标注结果对二分类模型进行参数调整,得到调整后的二分类模型。
在本实施例的一些可选的方式中,样本票据图片集还包括测试图片集;该装置还包括:第四获取模块,被配置成获取测试图片集中的测试关键字段的机器识别结果的测试特征数据和测试关键字段的机器识别结果的标注结果,其中,测试关键字段和样本关键字段相同;测试模块,被配置成响应于获取到调整后的二分类模型,基于测试关键字段的机器识别结果的测试特征数据和标注结果对调整后的二分类模型进行测试,得到调整后的二分类模型的准确率和召回率。
在本实施例的一些可选的方式中,该装置还包括:发送模块,被配置成响应于确定关键字段的机器识别结果的置信度不符合预设条件,将关键字段的机器识别结果所属的票据图片发送至终端以使用户对票据图片进行校验;确定模块,进一步被配置成响应于接收到终端返回的用户校验结果,确定票据图片中关键字段的识别结果。
本公开的实施例提供的票据识别装置,通过获取票据图片,以及获取票据图片中关键字段的机器识别结果和机器识别结果关联的特征数据,并基于机器识别结果关联的特征数据和关键字段对应的二分类模型,得到关键字段的机器识别结果的置信度,二分类模型与关键字段一一对应,最后对关键字段的机器识别结果的置信度进行判断,以及响应于确定关键字段的机器识别结果的置信度符合预设条件,将关键字段的机器识别结果确定为票据图片中关键字段的识别结果,使得机器识别结果的置信度与机器识别结果的特征数据相关,提高了机器识别结果的置信度与各个特征数据之间的关联性,增加了除识别概率以外的其他数据,提高了机器识别结果的置信度的准确性,进而根据该置信度确定票据识别结果,提高了票据识别结果的准确性,同时在保证了机器识别结果的准确性的基础上,随着识别结果的准确率不断提高,识别结果的召回率下降减少,从而减少了识别正确的票据的损失,进而提高了票据识别结果的准确性和全面性。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图7所示,是根据本申请实施例的票据识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的票据识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的票据识别方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的票据识别方法对应的程序指令/模块(例如,附图6所示的第一获取模块610、分类模块620和确定模块630)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的票据识别方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据数据推送的电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至数据推送的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
票据识别方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与数据推送的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过获取票据图片,以及获取票据图片中关键字段的机器识别结果和机器识别结果关联的特征数据,并基于机器识别结果关联的特征数据和关键字段对应的二分类模型,得到关键字段的机器识别结果的置信度,二分类模型与关键字段一一对应,最后对关键字段的机器识别结果的置信度进行判断,以及响应于确定关键字段的机器识别结果的置信度符合预设条件,将关键字段的机器识别结果确定为票据图片中关键字段的识别结果,使得机器识别结果的置信度与机器识别结果的特征数据相关,提高了机器识别结果的置信度与各个特征数据之间的关联性,增加了除识别概率以外的其他数据,提高了机器识别结果的置信度的准确性,进而根据该置信度确定票据识别结果,提高了票据识别结果的准确性,同时在保证了机器识别结果的准确性的基础上,随着识别结果的准确率不断提高,识别结果的召回率下降减少,从而减少了识别正确的票据的损失,进而提高了票据识别结果的准确性和全面性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种票据识别方法,包括:
获取票据图片,以及获取所述票据图片中关键字段的机器识别结果和所述机器识别结果关联的特征数据;
基于所述机器识别结果关联的特征数据和所述关键字段对应的二分类模型,得到所述关键字段的机器识别结果的置信度,其中,所述二分类模型与所述关键字段一一对应;
对所述关键字段的机器识别结果的置信度进行判断,以及响应于确定所述关键字段的机器识别结果的置信度符合预设条件,将所述关键字段的机器识别结果确定为所述票据图片中关键字段的识别结果。
2.根据权利要求1所述的方法,其中,所述二分类模型基于以下步骤实现:
获取样本票据图片集,所述样本票据图片集包括训练图片集;
获取所述训练图片集中样本关键字段的机器识别结果关联的样本特征数据和所述样本关键字段的机器识别结果的标注结果,其中,所述样本关键字段的机器识别结果的标注结果用于表征所述机器识别结果是否正确;
基于所述样本关键字段的样本特征数据和对应的标注结果进行训练,得到所述样本关键字段对应的二分类模型。
3.根据权利要求1或2所述的方法,其中,所述二分类模型还包括与关键字段对应的模型标识;以及所述基于所述机器识别结果关联的特征数据和所述关键字段对应的二分类模型,得到所述关键字段的机器识别结果的置信度,包括:
获取与所述关键字段对应的模型标识,并基于所述模型标识调用与所述模型标识对应的二分类模型;
将所述机器识别结果关联的特征数据输入所述二分类模型,得到所述关键字段的机器识别结果的置信度。
4.根据权利要求2所述的方法,其中,所述样本票据图片集还包括验证图片集;所述方法还包括:
获取所述验证图片集中验证关键字段的机器识别结果的验证特征数据和所述验证关键字段的机器识别结果的标注结果,其中,所述验证关键字段和所述样本关键字段相同;
响应于获取到所述样本关键字段对应的二分类模型,基于所述验证关键字段的机器识别结果的验证特征数据和标注结果对所述二分类模型进行参数调整,得到调整后的二分类模型。
5.根据权利要求4所述的方法,其中,所述样本票据图片集还包括测试图片集;所述方法还包括:
获取所述测试图片集中的测试关键字段的机器识别结果的测试特征数据和所述测试关键字段的机器识别结果的标注结果,其中,所述测试关键字段和所述样本关键字段相同;
响应于获取到所述调整后的二分类模型,基于所述测试关键字段的机器识别结果的测试特征数据和标注结果对所述调整后的二分类模型进行测试,得到所述调整后的二分类模型的准确率和召回率。
6.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定所述关键字段的机器识别结果的置信度不符合所述预设条件,将所述关键字段的机器识别结果所属的票据图片发送至终端以使用户对所述票据图片进行校验;
响应于接收到所述终端返回的用户校验结果,确定所述票据图片中关键字段的识别结果。
7.一种票据识别装置,包括:
第一获取模块,被配置成获取票据图片,以及获取所述票据图片中关键字段的机器识别结果和所述机器识别结果关联的特征数据;
分类模块,被配置成基于所述机器识别结果关联的特征数据和所述关键字段对应的二分类模型,得到所述关键字段的机器识别结果的置信度,其中,所述二分类模型与所述关键字段一一对应;
确定模块,被配置成对所述关键字段的机器识别结果的置信度进行判断,以及响应于确定所述关键字段的机器识别结果的置信度符合预设条件,将所述关键字段的机器识别结果确定为所述票据图片中关键字段的识别结果。
8.根据权利要求7所述的装置,其中,所述二分类模型基于以下模块实现:
第二获取模块,被配置成获取样本票据图片集,所述样本票据图片集包括训练图片集;获取所述训练图片集中样本关键字段的机器识别结果关联的样本特征数据和所述样本关键字段的机器识别结果的标注结果,其中,所述样本关键字段的机器识别结果的标注结果用于表征所述机器识别结果是否正确;
训练模块,被配置成基于所述样本关键字段的样本特征数据和对应的标注结果进行训练,得到所述样本关键字段对应的二分类模型。
9.根据权利要求7或8所述的装置,其中,所述二分类模型还包括与关键字段对应的模型标识;以及所述分类模块,包括:
获取单元,被配置成获取与所述关键字段对应的模型标识,并基于所述模型标识调用与所述模型标识对应的二分类模型;
分类单元,被配置成将所述机器识别结果关联的特征数据输入所述二分类模型,得到所述关键字段的机器识别结果的置信度。
10.根据权利要求8所述的装置,其中,所述样本票据图片集还包括验证图片集;所述装置还包括:
第三获取模块,被配置成获取所述验证图片集中验证关键字段的机器识别结果的验证特征数据和所述验证关键字段的机器识别结果的标注结果,其中,所述验证关键字段和所述样本关键字段相同;
调整模块,被配置成响应于获取到所述样本关键字段对应的二分类模型,基于所述验证关键字段的机器识别结果的验证特征数据和标注结果对所述二分类模型进行参数调整,得到调整后的二分类模型。
11.根据权利要求8所述的装置,其中,所述样本票据图片集还包括测试图片集;所述装置还包括:
第四获取模块,被配置成获取所述测试图片集中的测试关键字段的机器识别结果的测试特征数据和所述测试关键字段的机器识别结果的标注结果,其中,所述测试关键字段和所述样本关键字段相同;
测试模块,被配置成响应于获取到所述调整后的二分类模型,基于所述测试关键字段的机器识别结果的测试特征数据和标注结果对所述调整后的二分类模型进行测试,得到所述调整后的二分类模型的准确率和召回率。
12.根据权利要求7所述的装置,其中,所述装置还包括:
发送模块,被配置成响应于确定所述关键字段的机器识别结果的置信度不符合所述预设条件,将所述关键字段的机器识别结果所属的票据图片发送至终端以使用户对所述票据图片进行校验;
所述确定模块,进一步被配置成响应于接收到所述终端返回的用户校验结果,确定所述票据图片中关键字段的识别结果。
13.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011330551.6A CN112329708A (zh) | 2020-11-24 | 2020-11-24 | 票据识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011330551.6A CN112329708A (zh) | 2020-11-24 | 2020-11-24 | 票据识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112329708A true CN112329708A (zh) | 2021-02-05 |
Family
ID=74322374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011330551.6A Pending CN112329708A (zh) | 2020-11-24 | 2020-11-24 | 票据识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329708A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990035A (zh) * | 2021-03-23 | 2021-06-18 | 北京百度网讯科技有限公司 | 一种文本识别的方法、装置、设备以及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019057311A (ja) * | 2018-11-28 | 2019-04-11 | 株式会社東芝 | 帳票情報認識装置および帳票情報認識方法 |
CN109800761A (zh) * | 2019-01-25 | 2019-05-24 | 厦门商集网络科技有限责任公司 | 基于深度学习模型创建纸质文档结构化数据的方法和终端 |
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 |
US20200126545A1 (en) * | 2018-10-17 | 2020-04-23 | Fmr Llc | Automated Execution of Computer Software Based Upon Determined Empathy of a Communication Participant |
WO2020155763A1 (zh) * | 2019-01-28 | 2020-08-06 | 平安科技(深圳)有限公司 | Ocr识别方法及其电子设备 |
CN111597958A (zh) * | 2020-05-12 | 2020-08-28 | 西安网算数据科技有限公司 | 一种高度自动化的票据分类方法及*** |
CN111626279A (zh) * | 2019-10-15 | 2020-09-04 | 西安网算数据科技有限公司 | 一种负样本标注训练方法及高度自动化的票据识别方法 |
-
2020
- 2020-11-24 CN CN202011330551.6A patent/CN112329708A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20200126545A1 (en) * | 2018-10-17 | 2020-04-23 | Fmr Llc | Automated Execution of Computer Software Based Upon Determined Empathy of a Communication Participant |
JP2019057311A (ja) * | 2018-11-28 | 2019-04-11 | 株式会社東芝 | 帳票情報認識装置および帳票情報認識方法 |
CN109800761A (zh) * | 2019-01-25 | 2019-05-24 | 厦门商集网络科技有限责任公司 | 基于深度学习模型创建纸质文档结构化数据的方法和终端 |
WO2020155763A1 (zh) * | 2019-01-28 | 2020-08-06 | 平安科技(深圳)有限公司 | Ocr识别方法及其电子设备 |
CN111626279A (zh) * | 2019-10-15 | 2020-09-04 | 西安网算数据科技有限公司 | 一种负样本标注训练方法及高度自动化的票据识别方法 |
CN111597958A (zh) * | 2020-05-12 | 2020-08-28 | 西安网算数据科技有限公司 | 一种高度自动化的票据分类方法及*** |
Non-Patent Citations (2)
Title |
---|
吴健辉;张国云;杨坤涛;: "基于置信度的多分类器互补集成手写数字识别", 计算机工程与应用, no. 30, 21 October 2007 (2007-10-21) * |
许亚美;卢朝阳;李静;姚超;: "手写维文字符分割中的多信息融合路径寻优方法", 西安交通大学学报, no. 08, 21 May 2013 (2013-05-21) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990035A (zh) * | 2021-03-23 | 2021-06-18 | 北京百度网讯科技有限公司 | 一种文本识别的方法、装置、设备以及存储介质 |
CN112990035B (zh) * | 2021-03-23 | 2023-10-31 | 北京百度网讯科技有限公司 | 一种文本识别的方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230119593A1 (en) | Method and apparatus for training facial feature extraction model, method and apparatus for extracting facial features, device, and storage medium | |
CN112509690B (zh) | 用于控制质量的方法、装置、设备和存储介质 | |
CN111209977A (zh) | 分类模型的训练和使用方法、装置、设备和介质 | |
CN112507090B (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
CN111611990B (zh) | 用于识别图像中表格的方法和装置 | |
CN114428677B (zh) | 任务处理方法、处理装置、电子设备及存储介质 | |
CN111598164A (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
US20220027854A1 (en) | Data processing method and apparatus, electronic device and storage medium | |
CN111753744A (zh) | 用于票据图像分类的方法、装置、设备及可读存储介质 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN114861886B (zh) | 神经网络模型的量化方法及其装置 | |
CN112115334B (zh) | 网络社区热点内容的判别方法、装置、设备以及存储介质 | |
CN112241716B (zh) | 训练样本的生成方法和装置 | |
CN107291774B (zh) | 错误样本识别方法和装置 | |
CN111782785B (zh) | 自动问答方法、装置、设备以及存储介质 | |
CN110852780A (zh) | 数据分析方法、装置、设备和计算机存储介质 | |
CN113379059A (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
CN113190562A (zh) | 一种报表生成方法、装置及电子设备 | |
CN111967304A (zh) | 基于边缘计算的获取物品信息方法、装置和结算台 | |
CN112329708A (zh) | 票据识别方法和装置 | |
CN110889392B (zh) | 人脸图像处理的方法及装置 | |
CN112529181A (zh) | 用于模型蒸馏的方法和装置 | |
CN111241225B (zh) | 常驻区域变更的判断方法、装置、设备及存储介质 | |
CN113190154B (zh) | 模型训练、词条分类方法、装置、设备、存储介质及程序 | |
CN113989562A (zh) | 模型训练、图像分类方法和装置 |
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 |