[發(fā)明專利]適用于用電業(yè)擴報裝申請的圖文資料自動識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011474451.0
• 申請日: 2020-12-14
• 公開（公告）號: CN112686099A
• 公開（公告）日: 2021-04-20
• 發(fā)明（設(shè)計）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;孫少辰
• 申請（專利權(quán)）人: 中國電力科學(xué)研究院有限公司;國網(wǎng)江蘇省電力有限公司營銷服務(wù)中心;國網(wǎng)江蘇省電力有限公司;國家電網(wǎng)有限公司;國網(wǎng)遼寧省電力有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/04
• 代理公司: 北京安博達知識產(chǎn)權(quán)代理有限公司 11271
• 代理人: 徐國文

本發(fā)明提供適用于用電業(yè)擴報裝申請的圖文資料自動識別方法及系統(tǒng)，包括：獲取用電業(yè)擴報裝申請的圖文資料并進行切割，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)字符識別模型，得到從所述包含字符的圖像塊中識別的字符；其中，所述深度卷積神經(jīng)網(wǎng)絡(luò)字符識別模型利用包含字符的歷史圖像塊和所述歷史圖像塊對應(yīng)的字符對神經(jīng)網(wǎng)絡(luò)進行優(yōu)化訓(xùn)練得到。利用神經(jīng)網(wǎng)絡(luò)優(yōu)化方法提高了神經(jīng)網(wǎng)絡(luò)識別模型的識別準確率和識別精度，進而提高了字符識別速度，為用電業(yè)擴報裝申請?zhí)峁└咝实倪m用于用電業(yè)擴報裝申請的圖文資料自動識別方法及系統(tǒng)。

技術(shù)領(lǐng)域

本發(fā)明涉及識別技術(shù)領(lǐng)域，具體涉及適用于用電業(yè)擴報裝申請的圖文資料自動識別方法及系統(tǒng)。

背景技術(shù)

業(yè)擴報裝工作是市場營銷的一項重要內(nèi)容，是為國民經(jīng)濟發(fā)展提供電力供應(yīng)的一種手段，與電網(wǎng)建設(shè)、發(fā)展密切相關(guān)。在電力企業(yè)發(fā)展過程中，業(yè)擴報裝業(yè)務(wù)就是對電力客戶提出的申請進行回復(fù)和實施。電力企業(yè)的業(yè)擴報裝業(yè)務(wù)流程主要為：電力客戶提交用電辦理申請，對業(yè)擴報裝現(xiàn)場進行全面勘察，就供電方案給電力客戶相應(yīng)答復(fù)，對電力工程設(shè)計范圍進行資質(zhì)審核，對設(shè)計圖紙進行審查，對施工單位資質(zhì)進行審查，對電力工程施工作業(yè)進行檢查，進行工程竣工驗收，與電力客戶簽訂合同，安裝電表。

但對于用于用電業(yè)擴報裝申請的圖文資料的識別現(xiàn)有技術(shù)存在如下不足：在當(dāng)前的電力企業(yè)的業(yè)擴報裝業(yè)務(wù)中，缺乏高效率、高準確度的圖文資料識別方法，無法實現(xiàn)對多種業(yè)擴報裝業(yè)務(wù)相關(guān)的圖文資料的高效自動識別。

發(fā)明內(nèi)容

針對當(dāng)前的電力企業(yè)的業(yè)擴報裝業(yè)務(wù)中，缺乏高效率、高準確度的圖文資料識別方法，無法實現(xiàn)對多種業(yè)擴報裝業(yè)務(wù)相關(guān)的圖文資料的高效自動識別的問題，本發(fā)明提供適用于用電業(yè)擴報裝申請的圖文資料自動識別方法及系統(tǒng)，包括：

獲取用電業(yè)擴報裝申請的圖文資料并進行切割，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)字符識別模型，得到從所述包含字符的圖像塊中識別的字符；

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

優(yōu)選的，所述深度卷積神經(jīng)網(wǎng)絡(luò)字符識別模型的優(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)化方法對神經(jīng)網(wǎng)絡(luò)中的參數(shù)進行優(yōu)化訓(xùn)練和校驗，得到優(yōu)化好的深度卷積神經(jīng)網(wǎng)絡(luò)字符識別模型。

優(yōu)選的，所述圖像塊中的字符，包括下述中的至少一種：中文、數(shù)字和字母。

優(yōu)選的，所述利用神經(jīng)網(wǎng)絡(luò)優(yōu)化方法對神經(jīng)網(wǎng)絡(luò)中的參數(shù)進行優(yōu)化訓(xùn)練和校驗，包括：

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

利用正則化方法對所述每個權(quán)重進行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)中的每一個字符的權(quán)重和偏置更新迭代至最優(yōu)值。

優(yōu)選的，所述利用梯度下降法將所述調(diào)整好的神經(jīng)網(wǎng)絡(luò)中的每一個字符的權(quán)重和偏置更新迭代至最優(yōu)值，按下式確定：