一种卡片样式的校验方法及装置制造方法及图纸

本发明专利技术公开了一种卡片样式的校验方法及装置，其中方法为：根据卡片的图像信息，确定所述卡片中各元素在所述卡片中的位置信息；所述各元素中每个元素都表征了所述卡片一项独立的信息；根据所述各元素在所述卡片中的位置信息，确定所述各元素的图像信息；校验所述各元素的位置信息和\或图像信息是否符合所述卡片的样式要求。

A checking method and device of card style

【技术实现步骤摘要】
一种卡片样式的校验方法及装置
本专利技术涉及图像识别领域，尤其涉及一种卡片样式的校验方法及装置。
技术介绍
刷卡行为贯穿着人们生产发展的各方面，举例来说，用户通过银行卡进行刷卡支付。然而，一类卡片在发卡之前是需要校验的，在校验后确定这类卡片的样卡满足机构要求后，才可使用该样卡的样式进行发卡。目前的样卡校验完全依靠人工完成，这样的工作模式不仅对审卡业务人员要求高，而且效率低、错漏率高，更不符合当前科技服务中自动化、智能化的趋势。因此，目前没有自动校验样卡的方法，是一个亟待解决的问题。
技术实现思路
本申请提供一种卡片样式的校验方法及装置，解决了现有技术中没有自动校验样卡的方法的问题。第一方面，本申请提供一种卡片样式的校验方法，包括：根据卡片的图像信息，确定所述卡片中各元素在所述卡片中的位置信息；所述各元素中每个元素都表征了所述卡片一项独立的信息；根据所述各元素在所述卡片中的位置信息，确定所述各元素的图像信息；校验所述各元素的位置信息和\或图像信息是否符合所述卡片的样式要求。上述方法中，根据卡片的图像信息，实现自动确定所述卡片中各元素在所述卡片中的位置信息，并确定所述各元素的图像信息，进一步地，可以实现自动校验所述各元素的位置信息和\或图像信息是否符合所述卡片的样式要求。一种可选实施方式中，所述根据卡片的图像信息，确定所述卡片中各元素在所述卡片中的位置信息之前，还包括：将第一样本数据集作为训练数据集，对初始图像物体定位模型进行机器学习训练，获得应用图像物体定位模型；所述第一样本数据集中每条样本数据至少包括：元素的图像信息；元素的位置信息；所述根据卡片的图像信息，确定所述卡片中各元素在所述卡片中的位置信息；包括：将所述各元素的图像信息作为所述应用图像物体定位模型的输入，通过所述应用图像物体定位模型，确定所述卡片中各元素在所述卡片中的位置信息。上述方法中，在根据卡片的图像信息，确定所述卡片中各元素在所述卡片中的位置信息之前，先将第一样本数据集作为训练数据集，对初始图像物体定位模型进行机器学习训练，训练出一个应用图像物体定位模型；通过机器学习训练，可以学习到训练数据集中的知识，从而将所述各元素的图像信息作为所述应用图像物体定位模型的输入后，可以根据卡片的图像信息，更加智能化地确定所述卡片中各元素在所述卡片中的位置信息。一种可选实施方式中，所述校验所述各元素的图像信息是否符合所述卡片的样式要求，包括：将所述各元素的图像信息输入预训练机器学习模型，从而提取所述各元素中每个元素的关键信息；所述预训练机器学习模型至少包括文本识别模型；所述文本识别模型用于提取所述元素中包含的文本信息；所述元素的关键信息至少包括：所述元素中包含的文本信息；所述文本识别模型是根据第二样本数据集训练确定的；所述第二样本数据集中每条样本数据包括：元素的图像信息；元素中包含的文本信息；针对所述各元素中每个元素，确定所述元素是否满足预设条件；若是，则确定所述元素的图像信息符合所述卡片的样式要求；否则，确定所述元素的图像信息不符合所述卡片的样式要求；所述预设条件至少包括：所述元素的文本信息与所述预设实体名称列表里的实体名称匹配。上述方法中，所述预训练机器学习模型至少包括文本识别模型，所述文本识别模型可以学习到所述第二样本数据集的知识，因此将所述各元素的图像信息输入预训练机器学习模型，可以自动提取所述各元素中每个元素中包含的文本信息；之后，针对所述各元素中每个元素，可以自动确定所述元素是否满足预设条件，并进一步确定所述元素的图像信息是否符合所述卡片的样式要求。一种可选实施方式中，所述预训练机器学习模型还包括元素分类模型；所述元素分类模型用于确定所述各元素中每个元素的类别信息；所述元素的关键信息还包括：所述元素的类别信息；所述元素分类模型是根据第三样本数据集进行机器学习训练确定的；所述第三样本数据集中每条样本数据至少包括：元素的图像信息；元素的类别信息；所述预设条件还包括：所述元素中包含的文本信息与所述元素的类别信息匹配。上述方式下，所述预训练机器学习模型还包括元素分类模型；所述元素分类模型用于确定所述各元素中每个元素的类别信息，而所述元素分类模型是通过机器学习训练学习了第三样本数据集得到的，可以更加智能化地判定各元素的类别信息，并结合所述元素中包含的文本信息与所述元素的类别信息是否匹配来校验图像信息，从而更加精确、严密地确定所述图像信息是否符合所述卡片的样式要求。一种可选实施方式中，所述校验所述各元素的位置信息是否符合所述卡片的样式要求，包括：针对所述各元素中每个元素，若确定所述元素的位置信息在所述元素的预设位置范围内，则确定所述元素的位置信息符合所述卡片的样式要求；否则，确定所述元素的位置信息不符合所述卡片的样式要求。上述方式下，针对所述各元素中每个元素，根据所述元素的位置信息是否在所述元素的预设位置范围内，确定所述元素的位置信息是否符合所述卡片的样式要求，从而提供了一种自动校验元素的位置信息是否符合所述卡片的样式要求的方法。第二方面，本申请提供一种卡片样式的校验装置，包括：确定单元，用于根据卡片的图像信息，确定所述卡片中各元素在所述卡片中的位置信息；所述各元素中每个元素都表征了所述卡片一项独立的信息；根据所述各元素在所述卡片中的位置信息，确定所述各元素的图像信息；校验单元，用于校验所述各元素的位置信息和\或图像信息是否符合所述卡片的样式要求。一种可选实施方式中，所述确定单元还用于：将第一样本数据集作为训练数据集，对初始图像物体定位模型进行机器学习训练，获得应用图像物体定位模型；所述第一样本数据集中每条样本数据至少包括：元素的图像信息；元素的位置信息；所述确定单元具体用于：将所述各元素的图像信息作为所述应用图像物体定位模型的输入，通过所述应用图像物体定位模型，确定所述卡片中各元素在所述卡片中的位置信息。一种可选实施方式中，所述校验具体用于：将所述各元素的图像信息输入预训练机器学习模型，从而提取所述各元素中每个元素的关键信息；所述预训练机器学习模型至少包括文本识别模型；所述文本识别模型用于提取所述元素中包含的文本信息；所述元素的关键信息至少包括：所述元素中包含的文本信息；所述文本识别模型是根据第二样本数据集训练确定的；所述第二样本数据集中每条样本数据包括：元素的图像信息；元素中包含的文本信息；针对所述各元素中每个元素，确定所述元素是否满足预设条件；若是，则确定所述元素的图像信息符合所述卡片的样式要求；否则，确定所述元素的图像信息不符合所述卡片的样式要求；所述预设条件至少包括：所述元素的文本信息与所述预设实体名称列表里的实体名称匹配。一种可选实施方式中，所述预训练机器学习模型还包括元素分类模型；所述元素分类模型用于确定所述各元素中每个元素的类别信息；所述元素的关键信息还包括：所述元素的类别信息；所述元素分类模型是根据第三样本数据集进行机器学习训练确定的；所述第三样本数据集中每条样本数据至少包括：元素的图像信息；元素的类别信息；所述预设条件还包括：所述元素中包含的文本信本文档来自技高网...

【技术保护点】
1.一种卡片样式的校验方法，其特征在于，包括：/n根据卡片的图像信息，确定所述卡片中各元素在所述卡片中的位置信息；所述各元素中每个元素都表征了所述卡片一项独立的信息；/n根据所述各元素在所述卡片中的位置信息，确定所述各元素的图像信息；/n校验所述各元素的位置信息和\或图像信息是否符合所述卡片的样式要求。/n

【技术特征摘要】
1.一种卡片样式的校验方法，其特征在于，包括：
根据卡片的图像信息，确定所述卡片中各元素在所述卡片中的位置信息；所述各元素中每个元素都表征了所述卡片一项独立的信息；
根据所述各元素在所述卡片中的位置信息，确定所述各元素的图像信息；
校验所述各元素的位置信息和\或图像信息是否符合所述卡片的样式要求。


2.如权利要求1所述的方法，其特征在于，所述根据卡片的图像信息，确定所述卡片中各元素在所述卡片中的位置信息之前，还包括：
将第一样本数据集作为训练数据集，对初始图像物体定位模型进行机器学习训练，获得应用图像物体定位模型；所述第一样本数据集中每条样本数据至少包括：元素的图像信息；元素的位置信息；
所述根据卡片的图像信息，确定所述卡片中各元素在所述卡片中的位置信息；包括：
将所述各元素的图像信息作为所述应用图像物体定位模型的输入，通过所述应用图像物体定位模型，确定所述卡片中各元素在所述卡片中的位置信息。


3.如权利要求1所述的方法，其特征在于，所述校验所述各元素的图像信息是否符合所述卡片的样式要求，包括：
将所述各元素的图像信息输入预训练机器学习模型，从而提取所述各元素中每个元素的关键信息；所述预训练机器学习模型至少包括文本识别模型；所述文本识别模型用于提取所述元素中包含的文本信息；所述元素的关键信息至少包括：所述元素中包含的文本信息；所述文本识别模型是根据第二样本数据集训练确定的；所述第二样本数据集中每条样本数据包括：元素的图像信息；元素中包含的文本信息；
针对所述各元素中每个元素，确定所述元素是否满足预设条件；若是，则确定所述元素的图像信息符合所述卡片的样式要求；否则，确定所述元素的图像信息不符合所述卡片的样式要求；所述预设条件至少包括：所述元素的文本信息与所述预设实体名称列表里的实体名称匹配。


4.如权利要求3所述的方法，其特征在于，所述预训练机器学习模型还包括元素分类模型；所述元素分类模型用于确定所述各元素中每个元素的类别信息；所述元素的关键信息还包括：所述元素的类别信息；所述元素分类模型是根据第三样本数据集进行机器学习训练确定的；所述第三样本数据集中每条样本数据至少包括：元素的图像信息；元素的类别信息；所述预设条件还包括：所述元素中包含的文本信息与所述元素的类别信息匹配。


5.如权利要求1...

【专利技术属性】
技术研发人员：费志军，邱雪涛，李晴川，徐梓原，钱秦篆，
申请(专利权)人：中国银联股份有限公司，
类型：发明
国别省市：上海;31