基于国家自然科学基金立项项目管理方法及系统技术方案

本发明专利技术公开了基于国家自然科学基金立项项目管理方法，该方法包括项目新增、国自然基金立项书图片附件上传、自动识别提取基金项目表单信息、自动填写系统中表单的基金项目信息、编辑、提交审批、审核基金项目信息、微信小程序查阅审核结果的步骤，并可自动发送站内消息；基金项目管理系统包括服务器、交互界面、图片识别模块、项目立项管理模块、纵向项目列表模块；该基金项目信息管理方法及系统，操作简单、维护容易；校级管理员审核人操作完毕后，系统可自动推送到微信小程序端，个人及时查看审核结果，节约流程时间，也可以及时告知申报人及参与人项目信息审核进展。及参与人项目信息审核进展。

【技术实现步骤摘要】
基于国家自然科学基金立项项目管理方法及系统


[0001]本专利技术属于计算机信息管理
，一种基于国家自然科学基金立项项目管理方法及系统。

技术介绍

[0002]在我国有众多的高等院校，有许多的自主研发新技术、新产品、发布专利、论文、产生新成果等，当前科研活动和科研能力已成为高等院校人才培养评估中至关重要的评估指标，同时也是促进教师提高业务水平、提高教学质量和社会服务能力的助推器。但这些科研项目的研发管理工作目前大多停留在纸制办公阶段。
[0003]随着计算机软硬件技术和网络技术的发展，计算机和网络技术已经渗透到社会的各个角落。许多企业和高等院校的内部管理已经实现网络化，这不仅增大了管理效率、节约了管理时间，也减少了许多不必要的麻烦，网络化管理的优点已经是有目共睹。
[0004]为了大力加强科研管理，强化高校对科研项目控制，把精细管理全面落实到不同科研模块，并贯穿于各个学院的各个领域，实现项目管理信息化和无纸化办公，开发高效合理的科研信息管理系统是很有必要的。
[0005]申请号为201110079403.6的中国专利技术专利公开了一种基于
·
NET的三层高职院校科研管理信息系统，该系统采用ASP.NET+SQLSever2005技术，选用B/S 模式，用C#实现了系统数据设置、科研成果管理、科研课题管理、查询浏览统计和系统维护管理功能。该系统基本能满足一些高职院校科研管理的工作要求，在一定程度上能够提高他们的办事效率。但是该系统操作均需要个人自行填写所有信息，不易维护，没有比对个人所填信息与项目立项书信息的差异，不能同时满足智能化科研管理。

技术实现思路

[0006]专利技术目的：为了克服现有技术的不足，减少录入的时间和人力成本，本专利技术提供一种基于国家自然科学基金立项项目管理方法及系统，其上手时间短，易于学习，方便维护，记录全面。
[0007]技术方案：为了实现上述专利技术目的，本专利技术采用的技术方案为：
[0008]基于国家自然科学基金立项项目管理方法，包括如下步骤：
[0009]A.在点项目立项管理模块中点击项目管理—纵向项目—项目立项；
[0010]B.在纵向项目列表模块中点击新增按钮，在图片识别模块中点击上传立项书图像进行人工智能图像识别，在信息录入子模块中将识别后的基金项目表单信息自动录入到当前表单中；
[0011]C.确认无误通过交互界面点击“提交审批”即可提交；若有误差，可自行修改；
[0012]D.在项目立项管理模块的纵向项目列表子模块中更新状态为“已提交”，并同时发送审核站内消息；
[0013]E.在项目立项管理模块的纵向项目列表子模块的“已提交”操作一栏可以对提交
申报的项目进行撤销、打印等操作；
[0014]F.在信息审核模块中，若审核通过，在项目立项管理模块的纵向项目子模块中列表界面显示的状态为“审核通过”，并同时给申请人发送站内消息，同时也会从微信小程序端进行推送，并将立项项目保存在校级、院级和个人及参与者库中；若审核不通过，在项目立项管理模块的纵向项目子模块中列表界面显示的状态为“不通过”，并同时给申请人发送站内消息，同时也会从微信小程序端进行推送。
[0015]进一步的，所述图像识别服务中的图像识别技术：上传一张立项书图片或者立项书PDF格式的文件，自动提取其中文字；
[0016]图像识别技术，具体如下：
[0017]基于CTPN+CRNN网络结构的模型，用来提取项目书图片或者PDF文件中的文字信息，然后自动录入；
[0018]CTPN(Connectionist Text Proposal Network)，这里是CTPN变种，检测横向排列的文字信息，输入一张项目书图片：
[0019]·
首先通过一种CNN特征提取网络Resnet50网络提取特征，获得大小为 1*C*H*W的conv5 feature map，，其中，C是通道数，H是图片高度，W是图片宽度；
[0020]·
之后在conv5上做3*3的滑动窗口，即每个点都结合周围3*3区域特征获得一个长度为3*3*C的特征向量；输出1*9C*H*W的feature map，该特征显然只有CNN学习到的空间特征；
[0021]·
接着将feature map进行Reshape：1*9C*H*W
→
(1*H)*W*9C；
[0022]·
然后以N＝1(这里是1张项目书图片)，所以Batch批次＝NH且最大时间长度T＝W的数据流输入双向LSTM(长短时记忆人工智能网络)，学习每一行的序列特征；双向LSTM输出(NH)*W*256,再Reshape恢复形状：
[0023](NH)*W*256
→
N*256*H*W,该特征既包含空间特征，也包含了LSTM学习到的序列特征；
[0024]·
然后经过全连接卷积层，变为N*512*H*W的特征，最后经过类似Faster R
‑
CNN 的RPN网络，获得text proposals，即文本信息；
[0025]CTPN有3种输出,文本/非文本得分,垂直坐标V＝{v
c
，v
h
}和左右水平偏移量O；
[0026]CTPN包含3个损失函数，分类损失函数，用softmax loss区分是否为文本，和均是回归函数，用L1函数计算。总损失函数如下：
[0027][0028]其中＝1，λ2＝2
[0029]·
接着将拿到的text proposals进行文字识别，本专利技术使用CRNN+CTC的网络架构进行识别；
[0030]·
CRNN分为三部分：卷积层、循环网络层、转录输出层；
[0031]其中卷积层就是普通的CNN网络用来提取图像特征，采用的Resnet50网络进行提取图像特征，循环网络层就是一个BI
‑
LSTM，采用双层bi
‑
lstm进行stack，旨在卷积后继续提取文字序列特征，输出层即为将RNN输出做softmax后，为字符输出；
[0032]·
CTC(Connectionist Temporal Classification)，将上面获得的CRNN结果送入CTC算法模型，CTC算法是一种完全端到端的模型训练，不需要预先对数据做对齐，只需要一个输入序列和一个输出序列即可以训练；就不需要对数据对齐和一一标注，并且CTC直接输出序列预测的概率，不需要外部的后处理；CTC 引入了blank，即该时刻没有预测值，每个预测的分类对应的一整段文本中的一个spike(尖峰)，其他不是尖峰的位置认为是blank；对于一段文本，CTC最后的输出是spike(尖峰)的序列，并不关心每一个单词持续了多长时间；CTC 是通过梯度调整LSTM的ω参数，使得p(l|x)取得最大；(p(l|x)是给定输入x的情况下，输出l的概率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于国家自然科学基金立项项目管理方法，其特征在于：包括如下步骤：A.点击项目管理—纵向项目—项目立项；B.点击新增按钮，点击上传立项书图片附件，通过基于CTPN&CRNN的人工智能图像识别服务，将识别后的基金项目表单信息自动填充到当前项目信息表单中；C.个人可编辑项目表单信息，确认无误后通过交互界面点击“提交审批”提交给上一级管理员审核；D.项目申报计划更新申报状态为“申报中”，并同时发送站内审核消息，在项目立项的纵向项目列表中显示已提交；E.在项目申报计划中的操作一栏可以对提交申报的项目进行撤销、打印等操作；F.若审核通过，在项目立项的纵向项目列表界面显示的状态为“审核通过”，并同时给申请人发送站内消息，同时也会推送到微信小程序端，并将立项项目保存在校级、院级和个人及参与者库中；若审核不通过，在项目立项的纵向项目列表界面显示的状态为“不通过”，并同时给申请人发送站内消息，同时也会推送到微信小程序端。2.如权利要求1所述的基于国家自然科学基金立项项目管理方法，其特征在于，所述图像识别服务中的图像识别技术：上传一张立项书图片或者立项书PDF格式的文件，自动提取其中文字；图像识别技术，具体如下：基于CTPN+CRNN网络结构的模型，用来提取项目书图片或者PDF文件中的文字信息，然后自动录入；CTPN(Connectionist Text Proposal Network)，这里是CTPN变种，检测横向排列的文字信息，输入一张项目书图片：
·
首先通过一种CNN特征提取网络Resnet50网络提取特征，获得大小为1*C*H*W的conv5 feature map，其中，C是通道数，H是图片高度，W是图片宽度；
·
之后在conv5上做3*3的滑动窗口，即每个点都结合周围3*3区域特征获得一个长度为3*3*C的特征向量；输出1*9C*H*W的feature map，该特征显然只有CNN学习到的空间特征；
·
接着将feature map进行Reshape：1*9C*H*W
→
(1*H)*W*9C；
·
然后以N＝1(这里是1张项目书图片)，所以Batch批次＝NH且最大时间长度T＝W的数据流输入双向LSTM(长短时记忆人工智能网络)，学习每一行的序列特征；双向LSTM输出(NH)*W*256,再Reshape恢复形状：(NH)*W*256
→
N*256*H*W,该特征既包含空间特征，也包含了LSTM学习到的序列特征；
·
然后经过全连接卷积层，变为N*512*H*W的特征，最后经过类似Faster R
‑
CNN的RPN网络，获得text proposals，即文本信息；CTPN有3种输出,文本/非文本得分,垂直坐标V＝{v
c
，v
h
}和左右水平偏移量O；CTPN包含3个损失函数，分类损失函数，用softmax loss区分是否为文本，和均是回归函数，用L1函数计算。总损失函数如下：
其中λ1＝1，λ2＝2
·
接着将拿到的text proposals进行文字识别，本发明使用CRNN+CTC的网络架构进行识别；
·
CRNN分为三部分：卷积层、循环网络层、转录输出层；其中卷积层就是普通的CNN网络用来提取图像特征，采用的Resnet50网络进行提取图像特征，循环网络层就是一个BI
‑
LSTM，采用双层bi
‑
lstm进行stack，旨在卷积后继续提取文字序列特征，输出层即为将RNN输出做softmax后，为字符输出；
·
CTC(Connectionist Temporal Classification)，将上面获得的CRNN结果送入CTC算法模型，CTC算法是一种完全端到端的模型训练，不需要预先对数据做对齐，只需要一个输入序列和一个输出序列即可以训练；就不需要对数据对齐和一一标注，并且CTC直接输出序列预测的概率，不需要外部的后处理；CTC引入了blank，即该时刻没有预测值，每个预...

【专利技术属性】
技术研发人员：石建，
申请(专利权)人：南通大学，
类型：发明
国别省市：