CN113191422A - 一种识别方法及装置 - Google Patents
一种识别方法及装置 Download PDFInfo
- Publication number
- CN113191422A CN113191422A CN202110463734.3A CN202110463734A CN113191422A CN 113191422 A CN113191422 A CN 113191422A CN 202110463734 A CN202110463734 A CN 202110463734A CN 113191422 A CN113191422 A CN 113191422A
- Authority
- CN
- China
- Prior art keywords
- value
- determining
- identified
- image
- classification model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
- G07D7/20—Testing patterns thereon
- G07D7/202—Testing patterns thereon using pattern matching
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种识别方法及装置,涉及人工智能技术领域。该方法的一具体实施方式包括:获取待识别对象的第一图像;根据所述第一图像以及分类模型,确定所述待识别对象所属类型;根据所述待识别对象所属类型确定所述待识别对象的第一价值;将所述第一价值与所述待识别对象的第二价值进行比对,所述第二价值是根据文本识别算法确定出的;根据比对结果,确定所述待识别对象的目标价值。该实施方式一方面提高了识别的效率,另一方面也由于结合了两种算法,从而提高了识别的准确性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种识别方法及装置。
背景技术
在对流通货币进行入账或盘点等操作时,需要对流通货币进行精确识别,以保证入账或盘点的操作准确性。
目前,通常采用人工手段或点钞机对流通货币的进行识别,但是,当需要操作的流通货币的量较大时,人工手段的操作效率较低;另外,点钞机也需要工作人员将流通货币整理后再放入其入钞口,也会导致操作效率较低。
发明内容
有鉴于此,本发明实施例提供一种识别方法及装置,能够结合文本识别算法以及分类模型图像分类技术对人民币券别诸如流通货币等待识别对象的价值进行识别和判断,一方面提高了识别的效率,另一方面也由于结合了两种算法,从而提高了识别的准确性。
为实现上述目的,根据本发明实施例的一个方面,提供了一种识别的方法,包括:
获取待识别对象的第一图像;
根据所述第一图像以及分类模型,确定所述待识别对象所属类型;
根据所述待识别对象所属类型确定所述待识别对象的第一价值;
将所述第一价值与所述待识别对象的第二价值进行比对,所述第二价值是根据文本识别算法确定出的;
根据比对结果,确定所述待识别对象的目标价值。
可选地,该方法包括:
当所述第一价值和所述第二价值相匹配时,将所述第一价值作为所述目标价值。
可选地,该方法进一步包括:
当所述第一价值和所述第二价值不匹配时,分别确定所述第一价值和所述第二价值对应的置信度;
根据所述置信度,确定所述目标价值。
可选地,该方法进一步包括:
当所述第一价值和所述第二价值不匹配时,将所述第一图像发送给异常识别模块,通过所述异常识别模块的识别结果,确定所述目标价值。
可选地,所述根据所述置信度,确定所述目标价值,包括:
将所述第一价值和所述第二价值中、所述置信度最高的价值作为所述目标价值。
可选地,当所述第一价值和所述第二价值不匹配时,将所述第一图像发送给异常识别模块,通过所述异常识别模块的识别结果,确定所述目标价值。
可选地,该方法包括:
所述分类模型为EfficientNet分类模型。
可选地,该方法进一步包括:
所述EfficientNet分类模型是通过优化以下参数优化得到的:网络宽度、网络深度和分辨率。
可选地,该方法包括:
获取多个第二图像,每两个图像对应同一个样本对象;每一个所述第二图像包括至少两个标签;
根据所述多个第二图像以及每一个所述第二图像的标签,训练所述分类模型。
可选地,该方法进一步包括:
当所述待识别对象为流通货币时,所述标签包括所述流通货币的货币价值以及所述流通货币的正面或反面。
可选地,该方法包括:
所述第二价值是根据光学字符识别算法确定出的。
可选地,该方法包括:
获取多个样本对象的第三图像,每一个所述第三图像包括至少一个特征区域,所述特征区域指示了所述样本对象的第三价值;
根据所述多个第三图像以及每一个所述第三图像的特征区域,优化所述光学字符识别算法。
可选地,该方法包括:
当所述待识别对象为流通货币时,所述目标价值指示了所述流通货币的面额。
为实现上述目的,根据本发明实施例的又一方面,提供了一种识别的装置,包括第一确定模块、第二确定模块、比对模块和第三确定模块;其中,
所述第一确定模块:用于获取待识别对象的第一图像;根据所述第一图像以及分类模型,确定所述待识别对象所属类型;
所述第二确定模块,用于根据所述待识别对象所属类型确定所述待识别对象的第一价值;
所述比对模块,用于将所述第一价值与所述待识别对象的第二价值进行比对,所述第二价值是根据文本识别算法确定出的;
所述第三确定模块,用于根据比对结果,确定所述待识别对象的目标价值。
可选地,
所述第二确定模块,用于当所述第一价值和所述第二价值相匹配时,将所述第一价值作为所述目标价值。
可选地,
所述第二确定模块,用于当所述第一价值和所述第二价值不匹配时,分别确定所述第一价值和所述第二价值对应的置信度;
根据所述置信度,确定所述目标价值。
可选地,
所述第三确定模块,用于将所述第一价值和所述第二价值中、所述置信度最高的价值作为所述目标价值。
可选地,
所述第一确定模块,用于获取多个第二图像,每两个图像对应同一个样本对象;每一个所述第二图像包括至少两个标签;
根据所述多个第二图像以及每一个所述第二图像的标签,训练所述分类模型。
可选地,
所述比对模块,用于获取多个样本对象的第三图像,每一个所述第三图像包括至少一个特征区域,所述特征区域指示了所述样本对象的第三价值;
根据所述多个第三图像以及每一个所述第三图像的特征区域,优化所述光学字符识别算法。
为实现上述目的,根据本发明实施例的又一方面,提供了一种识别的电子设备。
本发明实施例的一种识别的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例的一种识别的方法。
为实现上述目的,根据本发明实施例的再一方面,提供了一种计算机可读存储介质。
本发明实施例的一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的一种识别的方法。
上述发明中的一个实施例具有如下优点或有益效果:通过结合文本识别算法以及分类模型图像分类技术对人民币券别诸如流通货币等待识别对象的价值进行识别和判断,一方面提高了识别的效率,另一方面也由于结合了两种算法,从而提高了识别的准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的识别的方法的主要步骤的示意图;
图2是人民币的标签与券别的映射关系示意图;
图3是文本识别模型算法进行识别的流程示意图;
图4是分类模型算法和文本识别算法分别进行识别并对比结果的流程示意图;
图5是根据本发明实施例的识别的装置的主要模块的示意图;
图6是本发明实施例可以应用于其中的示例性***架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明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,而不会背离本发明的范围和精神。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。
需要指出的是,在不冲突的情况下,本发明的实施例以及实施例中的技术特征可以相互结合。
图1是根据本发明实施例的识别的方法的主要步骤的示意图。
如图1所示,本发明实施例的识别的方法主要包括以下步骤:
步骤S101:获取待识别对象的第一图像;根据所述第一图像以及分类模型,确定所述待识别对象所属类型;
在本发明的一个实施例中,所述待识别对象的类型可以但不限于为人民币、硬币、***和收据等。在接收到第一图像后,可根据第一图像的图像特征(形状、颜色等)确定出待识别对象到底属于人民币、硬币、***和收据中的具体某种类型。
步骤S102:根据所述待识别对象所属类型确定所述待识别对象的第一价值。
在本发明的一个实施例中,可以通过分类模型确定待识别对象的第一价值。所述分类模型,在于对所述待识别对象进行分类,从而根据分类结果映射到券别。在本发明一个实施方式中,分类模型为Effici entNet分类模型,该分类模型通过优化网络宽度、网络深度和分辨率三个因素的优化而获得。
其中,EfficientNet算法最开始通过搜索设计了一个baseline网络,然后将模型放大获得一系列模型EfficientNet,称之为EfficientNets,它的精度和效率比之前所有的卷积网络都好。相比于现有技术中通过放大CNN的深度、宽度和分辨率中的某一个维度,EfficientNet算法使用一组固定的缩放系数统一缩放网络深度、宽度和分辨率,即采用一种混合参数扩展(compound scaling)方式进行网络调节,从而能够达到准确率指标和现有分类网络相似的情况下,大大减少模型参数量和计算量。
在本发明实施例中,采用以下方式对EfficientNet分类模型进行训练:获取多个第二图像,每两个图像对应同一个样本对象;每一个所述第二图像包括至少两个标签;根据所述多个第二图像以及每一个所述第二图像的标签,训练所述分类模型。
在本发明的一个实施例中,以人民币待识别对象为例,即在对Effi cientNet分类模型进行训练时,第二图像也即为人民币的图像。首先,对多个第二图像进行标注,以确定其标签。具体地,根据目前流行的第五套人民币的具体特征,将人民币标注为12类,这12类可以映射到6种不同券别,其中,6种不同券别对应6种不同面额,如图2所示。对该分类模型进行训练的过程为:根据人民币的特征将人民币分为12大类,分别为100_positive、100_negetive、50_positive、50_negetive、20_positive、20_negetive、10_positive、10_negetive、5_positive、5_negetive、1_positive、1_negetive。其中,positive表示人民币的正面,negetive表示人民币的反面。首先,可以把待识别人民币的数据标注上标签,然后根据标注的标签,通过对该EfficientNet分类模型进行训练,使得该EfficientNet分类模型能够根据人民币的图像自动识别出人民币的面额,即识别出人民币的第一价值。
例如,在某次训练过程中,样本对象为人民币,券别为100元,将该待识别对象的正面和反面进行标注,以该面值为100元的人民币为例,则需将人民币的正面标注为100_positive,将人民币的反面标注为100_negative。选取多张面值为100的人民币作为样本对象,分别对所述人民币进行标注,对分类算法模型进行训练。根据该分类算法模型识别结果,输出结果为100元。
由于分类模型是根据人民币的图像及其标签(面额和正反面)来训练的,在获取到待识别对象的第一图像后,仅通过分类即可确定出人民币的第一价值,而无需再从待识别对象的第一图像中识别表征第一面额的文字,从而解决了人民币在出现褶皱、图画、遮挡等情况下识别率低甚至无法识别的问题,提高了人民币券别判断的准确率。
步骤S103:将所述第一价值与所述待识别对象的第二价值进行比对,所述第二价值是根据光学字符识别算法确定出的。
所述文本识别算法模型,在于直接识别位于待识别对象券别中的关键部位的具体数字,从而判别待识别对象的券别。
当采用文本识别模型进行识别时,同样需要对文本识别模型进行训练。获取多个样本对象的第三图像,每一个所述第三图像包括至少一个特征区域,所述特征区域指示了所述样本对象的第三价值;根据所述多个第三图像以及每一个所述第三图像的特征区域,优化所述光学字符识别算法。
例如,对于面值为100的待识别人民币,将该待识别对象的正反面的关键信息,例如“100”,进行标注,标注为“100”,选取多个面值为100的人民币作为待识别对象分别对其进行标注,对文本识别模型进行优化。
其中,文本识别模型可以为OCR模型(Optical Character Recognit ion,光学字符识别)。具体调用OCR模型的识别过程如图3所示,首先调用OCR模型(文本识别模型)对待识别人民币进行券别判断,对待识别人民币进行文本检测,找到人民币券别文本位于人民币的具***置,对检测到的文本进行识别,最后输出识别结果。
仍以面值为100的人民币作为待识别对象,首先对待识别人民币进行券别判断,调用OCR模型对待识别人民币进行文本检测,找出待识别人民币券别内的文字信息,对所述文字信息进行文本识别,找出可以判断其券别的关键信息,在本实施例中为“100”,判断其券别为100元,输出判断结果。根据该文本识别模型的识别结果,输出结果为100元。
在本发明的一个实施例中,当所述第一价值和所述第二价值相匹配时,将所述第一价值作为所述目标价值。当所述第一价值和所述第二价值不匹配时,分别确定所述第一价值和所述第二价值对应的置信度;根据所述置信度,确定所述目标价值。将所述第一价值和所述第二价值中、所述置信度最高的价值作为所述目标价值。
具体地,如图4所示,即利用分类模型算法和文本识别算法分别对人民币进行识别,并比对分类模型算法和文本识别算法对该人民币券别的识别结果。当分类模型算法与文本识别算法对该人民币券别的识别结果一致时,将分类模型算法的人民币券别识别结果作为最终结果输出,即将第一价值作为目标价值;当分类算法与文本识别算法对该人民币券别的识别结果不一致时,即第一价值与第二价值不匹配时,确定所述第一价值和第二价值分别对应的置信度,将第一价值和第二价值中对应的置信度最高的一方作为目标价值并输出。
例如,在某次人民币券别的识别过程中,分类模型算法的结果分别为:100_positive,文本识别算法得出的结果为100,二者对应的券别分别均为100。对比分类模型算法和文本识别算法的识别结果,即对比第一价值和第二价值,得到第一价值与第二价值均为100,第一价值与第二价值相匹配,则将第一价值的识别结果作为目标价值输出,即最终的券别识别结果为面值100。
又例如,在某次人民币券别的识别过程中,分类算法模型和文本识别算法得出的结果分别为:50_negative、5,则其对应的券别分别为50、5。对比分类模型算法和文本识别算法的识别结果,分类模型算法和文本识别算法的识别结果不匹配,确定分类模型算法得出的结果所对应的第一价值的置信度为0.2,确定文本识别算法的识别结果所对应的第二价值的置信度为0.7,由于第二价值对应的置信度大于第一价值所对应的置信度,则将第二价值作为目标价值输出,即最终输出的目标价值为5。由此,通过结合分类模型算法和文本识别算法,尤其是在人民币出现褶皱、图画、遮挡等情况时依然能够给出比较可靠的识别结果,并且通过分类模型算法和文本识别算法识别结果的置信度比较,大大提高了券别识别率和识别可靠性。
在本发明的另一个实施例中,当所述第一价值和所述第二价值不匹配时,将所述第一图像发送给异常识别模块,通过所述异常识别模块的识别结果,确定所述目标价值。即当分类模型算法和文本识别算法所对应的第一价值与第二价值不等时,还可以把该人民币券别的识别任务交由人工对接的异常识别模块,即所述将所述第一图像发送给异常识别模块。
步骤S104:根据比对结果,确定所述待识别对象的目标价值。
在本发明的一个实施例中,当所述待识别对象为流通货币时,所述目标价值指示了所述流通货币的面额。仍以面值为100的人民币为例,采用文本识别算法与分类模型算法识别出该人民币上含有“100”字样,则输出该待识别人民币券别为100,即以面额为100的方式处理该待识别人民币。
如图5所示,本发明实施例提供了一种识别装置500,包括:第一确定模块501、第二确定模块502、比对模块503和第三确定模块;其中,
所述一确定模块501,用于获取待识别对象的第一图像;根据所述第一图像以及分类模型,确定所述待识别对象所属类型;
所述第二确定模块502,用于根据所述待识别对象所属类型确定所述待识别对象的第一价值;
所述比对模块503,用于将所述第一价值与所述待识别对象的第二价值进行比对,所述第二价值是根据文本识别算法确定出的;
所述第三确定模块504,用于根据比对结果,确定所述待识别对象的目标价值。
在本发明的一个实施例中,所述比对模块503,用于当所述第一价值和所述第二价值相匹配时,将所述第一价值作为所述目标价值。
在本发明的一个实施例中,所述比对模块503,用于当所述第一价值和所述第二价值不匹配时,分别确定所述第一价值和所述第二价值对应的置信度;根据所述置信度,确定所述目标价值。
在本发明的一个实施例中,所述比对模块503,用于将所述第一价值和所述第二价值中、所述置信度最高的价值作为所述目标价值。
在本发明的一个实施例中,所述第一确定模块501,用于当所述第一价值和所述第二价值不匹配时,将所述第一图像发送给异常识别模块,通过所述异常识别模块的识别结果,确定所述目标价值。
在本发明的一个实施例中,所述第二确定模块502,用于获取多个第二图像,每两个图像对应同一个样本对象;每一个所述第二图像包括至少两个标签;根据所述多个第二图像以及每一个所述第二图像的标签,训练所述分类模型。
本发明实施例还提供了一种服务器,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一实施例提供的识别方法。
本发明实施例还提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述任一实施例提供的识别方法。
图6示出了可以应用本发明实施例的识别方法或识别装置的示例性***架构600。
如图6所示,***架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604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601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603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、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的识别方法一般由服务器605执行,相应地,识别装置一般设置于服务器605中。
应该理解,图6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。
下面参考图7,其示出了适于用来实现本发明实施例的终端设备的计算机***700的结构示意图。图7示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机***700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有***700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括第一确定模块、第二确定模块、比对模块和第三确定模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,第一确定模块还可以被描述为“获取待识别对象的第一图像,根据所述第一图像以及分类模型,确定所述待识别对象所属类型”的模块。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:获取待识别对象的第一图像;根据所述第一图像以及分类模型,确定所述待识别对象所属类型;根据所述待识别对象所属类型确定所述待识别对象的第一价值;将所述第一价值与所述待识别对象的第二价值进行比对,所述第二价值是根据文本识别算法确定出的;根据比对结果,确定所述待识别对象的目标价值。
根据本发明实施例的技术方案,通过结合文本识别算法以及分类模型图像分类技术对人民币券别诸如流通货币等待识别对象的价值进行识别和判断,一方面提高了识别的效率,另一方面也由于结合了两种算法,从而提高了识别的准确性。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (15)
1.一种识别方法,其特征在于,包括:
获取待识别对象的第一图像;
根据所述第一图像以及分类模型,确定所述待识别对象所属类型;
根据所述待识别对象所属类型确定所述待识别对象的第一价值;
将所述第一价值与所述待识别对象的第二价值进行比对,所述第二价值是根据文本识别算法确定出的;
根据比对结果,确定所述待识别对象的目标价值。
2.根据权利要求1所述的方法,其特征在于,
当所述第一价值和所述第二价值相匹配时,将所述第一价值作为所述目标价值。
3.根据权利要求1所述的方法,其特征在于,
当所述第一价值和所述第二价值不匹配时,分别确定所述第一价值和所述第二价值对应的置信度;
根据所述置信度,确定所述目标价值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述置信度,确定所述目标价值,包括:
将所述第一价值和所述第二价值中、所述置信度最高的价值作为所述目标价值。
5.根据权利要求1所述的方法,其特征在于,
当所述第一价值和所述第二价值不匹配时,将所述第一图像发送给异常识别模块,通过所述异常识别模块的识别结果,确定所述目标价值。
6.根据权利要求1所述的方法,其特征在于,
所述分类模型为EfficientNet分类模型。
7.根据权利要求6所述的方法,其特征在于,
所述EfficientNet分类模型是通过优化以下参数优化得到的:网络宽度、网络深度和分辨率。
8.根据权利要求1所述的方法,其特征在于,还包括:
获取多个第二图像,每两个图像对应同一个样本对象;每一个所述第二图像包括至少两个标签;
根据所述多个第二图像以及每一个所述第二图像的标签,训练所述分类模型。
9.根据权利要求8所述的方法,其特征在于,
当所述待识别对象为流通货币时,所述标签包括所述流通货币的货币价值以及所述流通货币的正面或反面。
10.根据权利要求1所述的方法,其特征在于,
所述第二价值是根据光学字符识别算法确定出的。
11.根据权利要求10所述的方法,其特征在于,还包括:
获取多个样本对象的第三图像,每一个所述第三图像包括至少一个特征区域,所述特征区域指示了所述样本对象的第三价值;
根据所述多个第三图像以及每一个所述第三图像的特征区域,优化所述光学字符识别算法。
12.根据权利要求1至11任一所述的方法,其特征在于,
当所述待识别对象为流通货币时,所述目标价值指示了所述流通货币的面额。
13.一种识别的装置,其特征在于,包括:第一确定模块、第二确定模块、比对模块和第三确定模块;其中,
所述第一确定模块,用于获取待识别对象的第一图像;根据所述第一图像以及分类模型,确定所述待识别对象所属类型;
所述第二确定模块,用于根据所述待识别对象所属类型确定所述待识别对象的第一价值;
所述比对模块,用于将所述第一价值与所述待识别对象的第二价值进行比对,所述第二价值是根据文本识别算法确定出的;
所述第三确定模块,用于根据比对结果,确定所述待识别对象的目标价值。
14.一种用于识别的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-12中任一所述的方法。
15.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-12中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110463734.3A CN113191422A (zh) | 2021-04-26 | 2021-04-26 | 一种识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110463734.3A CN113191422A (zh) | 2021-04-26 | 2021-04-26 | 一种识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191422A true CN113191422A (zh) | 2021-07-30 |
Family
ID=76979755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110463734.3A Pending CN113191422A (zh) | 2021-04-26 | 2021-04-26 | 一种识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191422A (zh) |
-
2021
- 2021-04-26 CN CN202110463734.3A patent/CN113191422A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200004815A1 (en) | Text entity detection and recognition from images | |
CN112966583A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN112100430B (zh) | 一种物品溯源方法和装置 | |
CN107291774B (zh) | 错误样本识别方法和装置 | |
CN108073708A (zh) | 信息输出方法和装置 | |
CN111191614A (zh) | 一种单据分类方法和装置 | |
CN111881943A (zh) | 图像分类的方法、装置、设备和计算机可读介质 | |
CN113435859A (zh) | 信访件处理方法、装置、电子设备和计算机可读介质 | |
CN114298845A (zh) | 一种理赔票据处理方法和装置 | |
CN113313114B (zh) | 证件信息获取方法、装置、设备以及存储介质 | |
CN113066223A (zh) | ***自动验证方法及装置 | |
CN111160410A (zh) | 一种物体检测方法和装置 | |
CN113191422A (zh) | 一种识别方法及装置 | |
CN113064984B (zh) | 意图识别方法、装置、电子设备及可读存储介质 | |
CN115080744A (zh) | 一种数据处理的方法和装置 | |
CN114519568A (zh) | 审单方法、装置、电子设备和存储介质 | |
CN111767918A (zh) | 一种图片识别方法和装置 | |
CN113011249A (zh) | 票据审核方法、装置、设备及存储介质 | |
CN111783572A (zh) | 一种文本检测方法和装置 | |
CN111401137A (zh) | 证件栏位识别的方法和装置 | |
CN116204567B (zh) | 用户挖掘及模型的训练方法、装置、电子设备和存储介质 | |
CN117557272B (zh) | 一种针对pos机的支付环境安全检测方法、***及介质 | |
CN111881778B (zh) | 文本检测的方法、装置、设备和计算机可读介质 | |
CN113065567A (zh) | 一种识别的方法和装置 | |
CN111178346B (zh) | 文字区域的定位方法、装置、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 |