[發明專利]金融票據識別方法、裝置、設備及存儲介質

在審

• 申請號: 201911331025.9
• 申請日: 2019-12-20
• 公開（公告）號: CN111160188A
• 公開（公告）日: 2020-05-15
• 發明（設計）人: 熊博穎;陶暉;張小彪
• 申請（專利權）人: 中國建設銀行股份有限公司;建信金融科技有限責任公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京市蘭臺律師事務所 11354
• 代理人: 張峰

本發明提供一種金融票據識別方法、裝置、設備及存儲介質，涉及票據識別技術領域。本發明通過獲取金融票據，并采用N個預設識別模型，分別對金融票據進行識別，得到對應的N個識別結果，其中，N個預設識別模型彼此獨立，且N個預設識別模型通過采用N組不同的樣本數據對神經網絡進行訓練所得到，然后，輸出N個識別結果中，占比大于預設閾值的目標識別結果作為金融票據的最終識別結果，可以由于N個識別結果彼此獨立，而使得通過確定N個預設識別結果中占比大于預設閾值的目標識別結果作為金融票據的最終識別結果時，金融票據的識別準確性更高。

技術領域

本發明涉及票據識別技術領域，具體而言，涉及一種金融票據識別方法、裝置、設備及存儲介質。

背景技術

金融服務覆蓋人群廣泛、業務工作量大，會產生數量巨大、種類繁多的紙質票據文件，在業務流程中需要進行票據要素的錄入。

現有技術中，通常采用光學字符識別(Optical Character Recognition，OCR)技術與人工錄入相結合的方式，錄入票據要素。目前，常用的OCR識別技術基于二值化、連通域分析、投影分析等圖像處理技術和機器學習算法而實現，從輸入圖像到給出識別結果經歷了圖像預處理、文字行提取和文字行識別三個階段。先通過版面分析(如：連通域分析)和行切分(如：投影分析)來生成文本行，然后采用行列分割提取出單字，并通過機器學習算法對分割提取到的單字進行識別，最后可以將識別到的單字連接生成文本行，從而實現票據要素的錄入。

雖然上述現有技術中，基于深度學習的OCR技術能夠實現端到端字符序列識別，且基于大數據樣本訓練后的模型識別率有非常大的提升，但是單套識別網絡模型的輸出結果無法進行驗證，因此無法保證識別結果的高準確性，從而導致金融票據的識別準確率較低。

發明內容

本發明提供一種金融票據識別方法、裝置、設備及存儲介質，可以在金融票據錄入時，對金融票據進行識別。

第一方面，本發明實施例提供一種金融票據識別方法，所述方法包括：獲取金融票據；采用N個預設識別模型，分別對所述金融票據進行識別，得到對應的N個識別結果；其中，N為大于或等于2的整數，N個所述預設識別模型彼此獨立，且N個所述預設識別模型通過采用N組不同的樣本數據對神經網絡進行訓練所得到；輸出N個所述識別結果中，占比大于預設閾值的目標識別結果。

可選地，所述輸出N個所述識別結果中，占比大于預設閾值的目標識別結果，包括：對N個所述識別結果中的任一目標識別結果：確定所述目標識別結果的數量m；其中，m為大于或等于0、且小于或等于N的整數；根據m和N，計算獲取所述目標識別結果在N個所述識別結果中的占比；判斷所述目標識別結果在N個所述識別結果中的占比是否大于預設閾值；若大于預設閾值，則輸出所述目標識別結果。

可選地，N個所述預設識別模型的神經網絡均不相同。

可選地，所述采用N個預設識別模型，分別對所述金融票據進行識別之前，所述方法還包括：獲取N組不同的樣本數據；構建N個彼此不同的神經網絡；采用N組不同的所述樣本數據，分別對N個彼此不同的所述神經網絡進行訓練，獲取N個所述預設識別模型。

第二方面，本發明實施例提供一種金融票據識別裝置，所述裝置包括：第一獲取模塊，用于獲取金融票據；識別模塊，用于采用N個預設識別模型，分別對所述金融票據進行識別，得到對應的N個識別結果；其中，N為大于或等于2的整數，N個所述預設識別模型彼此獨立，且N個所述預設識別模型通過采用N組不同的樣本數據對神經網絡進行訓練所得到；輸出模塊，用于輸出N個所述識別結果中，占比大于預設閾值的目標識別結果。