[發(fā)明專利]適用于用電業(yè)擴(kuò)報(bào)裝申請(qǐng)的圖文資料自動(dòng)識(shí)別方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011474451.0
• 申請(qǐng)日: 2020-12-14
• 公開（公告）號(hào): CN112686099A
• 公開（公告）日: 2021-04-20
• 發(fā)明（設(shè)計(jì)）人: 潘明明;覃劍;田世明;張昊瑋;陳宋宋;韓凝暉;宮飛翔;高曦瑩;張冶;蔡穎凱;曹世龍;王一哲;回茜;鄒云峰;嵇友浪;俞陽(yáng);孫少辰
• 申請(qǐng)（專利權(quán)）人: 中國(guó)電力科學(xué)研究院有限公司;國(guó)網(wǎng)江蘇省電力有限公司營(yíng)銷服務(wù)中心;國(guó)網(wǎng)江蘇省電力有限公司;國(guó)家電網(wǎng)有限公司;國(guó)網(wǎng)遼寧省電力有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/34;G06K9/62;G06N3/04
• 代理公司: 北京安博達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11271
• 代理人: 徐國(guó)文

1.適用于用電業(yè)擴(kuò)報(bào)裝申請(qǐng)的圖文資料識(shí)別方法，其特征在于，包括：

獲取用電業(yè)擴(kuò)報(bào)裝申請(qǐng)的圖文資料并進(jìn)行切割，得到包含字符的圖像塊；

將所述包含字符的圖像塊輸入到預(yù)先優(yōu)化好的深度卷積神經(jīng)網(wǎng)絡(luò)字符識(shí)別模型，得到從所述包含字符的圖像塊中識(shí)別的字符；

其中，所述深度卷積神經(jīng)網(wǎng)絡(luò)字符識(shí)別模型利用包含字符的歷史圖像塊和所述歷史圖像塊對(duì)應(yīng)的字符對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化訓(xùn)練得到。

2.根據(jù)權(quán)利要求1所述方法，其特征在于，所述深度卷積神經(jīng)網(wǎng)絡(luò)字符識(shí)別模型的優(yōu)化，包括：

基于包含字符的歷史圖像塊和所述歷史圖像塊對(duì)應(yīng)的字符構(gòu)建樣本集；

基于所述樣本集，利用神經(jīng)網(wǎng)絡(luò)優(yōu)化方法對(duì)神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行優(yōu)化訓(xùn)練和校驗(yàn)，得到優(yōu)化好的深度卷積神經(jīng)網(wǎng)絡(luò)字符識(shí)別模型。

3.根據(jù)權(quán)利要求1或2所述方法，其特征在于，所述圖像塊中的字符，包括下述中的至少一種：中文；數(shù)字；字母。

4.根據(jù)權(quán)利要求2所述方法，其特征在于，所述利用神經(jīng)網(wǎng)絡(luò)優(yōu)化方法對(duì)神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行優(yōu)化訓(xùn)練和校驗(yàn)，包括：

獲取神經(jīng)網(wǎng)絡(luò)中每一個(gè)字符的權(quán)重和偏置的集合；

利用正則化方法對(duì)所述每個(gè)權(quán)重進(jìn)行L2正則化處理，得到正則化處理后的權(quán)重；

利用指數(shù)衰減法設(shè)置權(quán)重和偏置更新幅度的學(xué)習(xí)率，得到設(shè)置好的適用于所述每個(gè)權(quán)重和偏置更新迭代至最優(yōu)值的學(xué)習(xí)率；

基于所述每個(gè)權(quán)重和偏置的集合、正則化處理后的權(quán)重及設(shè)置好的適用于所述每個(gè)權(quán)重和偏置更新迭代至最優(yōu)值的學(xué)習(xí)率；

利用BP算法將所述神經(jīng)網(wǎng)絡(luò)中每一個(gè)字符的權(quán)重和偏置的集合調(diào)整至適用于梯度下降法的范圍，得到調(diào)整好的神經(jīng)網(wǎng)絡(luò)中每一個(gè)字符的權(quán)重和偏置；

再利用梯度下降法將所述調(diào)整好的神經(jīng)網(wǎng)絡(luò)中的每一個(gè)字符的權(quán)重和偏置更新迭代至最優(yōu)值。

5.根據(jù)權(quán)利要求4所述方法，其特征在于，所述利用梯度下降法將所述調(diào)整好的神經(jīng)網(wǎng)絡(luò)中的每一個(gè)字符的權(quán)重和偏置更新迭代至最優(yōu)值，按下式確定：

式中，θ_n、θ_n+1分別表示神經(jīng)網(wǎng)絡(luò)中第n個(gè)和第n+1個(gè)字符的權(quán)重和偏置的集合，η表示學(xué)習(xí)率，J(θ_n)表示在參數(shù)為θ_n時(shí)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集上損失函數(shù)；

其中，按下式確定所述學(xué)習(xí)率η：

式中，η是每個(gè)參數(shù)更新迭代所使用的學(xué)習(xí)率，η₀為初始學(xué)習(xí)率，α是衰減系數(shù)，k為所有權(quán)重和偏置更新迭代的輪數(shù)，s是衰減次數(shù)。

6.根據(jù)權(quán)利要求2所述方法，其特征在于，所述利用神經(jīng)網(wǎng)絡(luò)優(yōu)化方法對(duì)神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行優(yōu)化，還包括：

利用交叉熵作為所述深度卷積神經(jīng)網(wǎng)絡(luò)字符識(shí)別模型輸出和期望值之間的接近程度的評(píng)判依據(jù)。

7.根據(jù)權(quán)利要求2所述方法，其特征在于，所述利用神經(jīng)網(wǎng)絡(luò)優(yōu)化方法對(duì)神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行優(yōu)化訓(xùn)練和校驗(yàn)，還包括：

利用基于模板的最近鄰算法、全連接神經(jīng)網(wǎng)絡(luò)及未優(yōu)化的深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)所述神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行優(yōu)化校驗(yàn)。

8.根據(jù)權(quán)利要求1所述方法，其特征在于，所述獲取用電業(yè)擴(kuò)報(bào)裝申請(qǐng)的圖文資料并進(jìn)行切割，得到包含字符的圖像塊，包括：

利用二值化方法對(duì)所述獲取到的圖文資料或歷史圖文資料進(jìn)行處理，得到以像素點(diǎn)呈現(xiàn)的圖文資料；

利用統(tǒng)計(jì)投影法將所述以像素點(diǎn)呈現(xiàn)的圖文資料或歷史圖文資料的像素點(diǎn)進(jìn)行水平方向投影，得到所述以像素點(diǎn)呈現(xiàn)的圖文資料或歷史圖文資料的水平方向投影像素點(diǎn)統(tǒng)計(jì)圖，根據(jù)所述以像素點(diǎn)呈現(xiàn)的圖文資料或歷史圖文資料的水平方向投影像素點(diǎn)統(tǒng)計(jì)圖，利用與所述圖文資料或歷史圖文資料中待提取內(nèi)容對(duì)應(yīng)的像素點(diǎn)對(duì)圖文資料或歷史圖文資料中的內(nèi)容進(jìn)行提取，得到提取后的以像素點(diǎn)顯示的圖文資料或以像素點(diǎn)顯示的歷史圖文資料；

利用圖像大小歸一化方法對(duì)所述提取后的以像素點(diǎn)顯示的圖文資料或以像素點(diǎn)顯示的歷史圖文資料進(jìn)行切割，得到包含字符的圖像塊或歷史包含字符的圖像塊。