一种基于神经网络的印章识别系统及识别方法技术方案

本发明专利技术是一种基于神经网络的印章识别系统及识别方法。本发明专利技术涉及图像识别技术领域，本发明专利技术为解决印章自动识别准确率较低的问题,将印章数据标注，并进行数据增广方法提高数据量，使得训练的模型具有更强的泛化能力；进一步，利用数据通过racnn网络模型进行训练，提取印章特征；最后将所得特征进行分类，得出分类结果。通过此方法训练得到的印章分类模型可以实现较高准确率的印章识别。实现较高准确率的印章识别。实现较高准确率的印章识别。

【技术实现步骤摘要】
一种基于神经网络的印章识别系统及识别方法


[0001]本专利技术涉及图像识别
，是一种基于神经网络的印章识别系统及识别方法。

技术介绍

[0002]目前，图像识别的技术、算法正逐步完善，我们生活中的一些场景也越来越多的应用到这些技术。比如人脸识别、生物医学图像识别等。
[0003]在海关检查中，对印章的识别有相当的需求，目前在海关中，印章识别主要以人工识别为主。人工识别相比于机器识别，耗费时间、耗费人力。而现有的传统算法并不能达到理想的分类效果，图像识别技术在海关印章识别中并没有广泛应用。
[0004]海关印章识别相叫与其他图像识别，有以文本为主、识别的可能结果数量大的特点。一般的传统算法，如VGG、LENET在该领域的识别准确性较低，无法满足实际生活中的需求。除此之外，我们还需要考虑算法的量级是否能达到实时识别。

技术实现思路

[0005]本专利技术为克服现有技术的不足，为解决印章自动识别准确率较低的问题,将印章数据标注，并进行数据增广方法提高数据量，使得训练的模型具有更强的泛化能力；进一步，利用数据通过racnn网络模型进行训练，提取印章特征；最后将所得特征进行分类，得出分类结果。通过此方法训练得到的印章分类模型可以实现较高准确率的印章识别。
[0006]本专利技术提供了一种基于神经网络的印章识别系统及识别方法，本专利技术提供了以下技术方案：
[0007]一种基于神经网络的印章识别方法，所述方法包括以下步骤：
[0008]步骤1：对印章图像数据进行标注，通过数据增广方法提高数据量，得到样本图像数据；
[0009]步骤2：根据数据增广后的样本图像数据，进行训练，得到训练接，提取印章图像特征并进行分类；
[0010]步骤3：根据得到的印章图像特征，采用APN网络得到注意力区域信息；
[0011]步骤4：对注意力区域进行裁剪，得到裁剪后的图像；
[0012]步骤5：重复三次步骤2
‑
步骤4的操作，得到三个尺度网络的输出结果，通过将三个尺度网络的损失函数相加作为结果的损失函数，与训练集中结果进行匹配，对图片进行预测得出印章识别预测结果。
[0013]优选地，所述步骤1具体为：将印章图像数据标注，进行数据增广，通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模；
[0014]数据增广具体包括采用随机旋转；随机沿着水平或者垂直方向，以图像的尺寸百分比为变化范围进行平移；按比例随机缩放图像尺寸；综合使用上述方式。
[0015]优选地，所述步骤2具体为：
[0016]采用MobileNetV2分类网络对样本图像提取特征并分类，得到图像特征；
[0017]上述特征提取操作为：采用Depth
‑
wise Separable Convolution，即使用PW卷积，DW卷积，PW卷积的方式来提取特征。
[0018]优选地，所述步骤3具体为：
[0019]根据提取的特征，采用APN网络得到注意力区域信息，通过将提取到的图像输入到预先训练好的卷积层来提取基于区域的深度特征，将网络在每个尺度上建模为一个具有两个输出的多任务，第一个任务在生成细粒度类别上的概率分布，第二个任务为下一个尺度预测一组参与区域的坐标。
[0020]优选地，所述步骤4具体为：
[0021]裁剪通过将原始图像在较粗尺度上与注意掩膜相乘来实现，采用RA
‑
CNN中裁剪方法的函数是可导的logistic函数，进行反向传播，完成端到端的训练；
[0022]将裁剪到的区域放大到更大的尺寸，利用以双线性插值为核心的向上采样方法，利用pytorch框架下的torch.nn.functional函数实现。
[0023]优选地，所述步骤5具体为：
[0024]通过下式确定损失函数：
[0025][0026]其中，L
cls
为常用的交叉熵损失函数，即
[0027]L
cls
(Y
(s)
,Y
*
)＝CE(Y
(s)
,Y
*
)
[0028]用来优化各尺度下的参数；
[0029]第二部分L
rank
为排序损失函数，
[0030][0031]作用是后一尺度网络以前一尺度网络作参考，强制后一尺度网络定位出最具判别力的区域，并产生更高的预测值。
[0032]优选地，在jetsonNano设备中的神经网络模型对获取到的图片进行预测得出印章识别预测结果，并将该结果对应的国籍名称和该国国旗图片显示在显示单元中；将处理信息传输于存储单元进行储存，用于记录数据。
[0033]一种基于神经网络的印章识别系统所述系统包括：
[0034]标注模块，所述标注模块对印章图像数据进行标注，通过数据增广方法提高数据量，得到样本图像数据；
[0035]分类模块，所述分类模块根据数据增广后的样本图像数据，进行训练，得到训练接，提取印章图像特征并进行分类；
[0036]APN网络模块，所述标注模块根据得到的印章图像特征，采用APN网络得到注意力区域信息；
[0037]裁剪模块，所述裁剪模块对注意力区域进行裁剪，得到裁剪后的图像；
[0038]预测模块，所述预测模块根据得到三个尺度网络的输出结果，通过将三个尺度网络的损失函数相加作为结果的损失函数，与训练集中结果进行匹配，对图片进行预测得出印章识别预测结果。
[0039]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现基于神经网络的印章识别方法。
[0040]一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行基于神经网络的印章识别方法。
[0041]本专利技术具有以下有益效果：
[0042]本专利技术基于近年在图像识别领域大放光彩的深度学习方法，对不同国籍的海关印章进行分类。通过对神经网络结构进行优化与改进，提高分类准确率。最后将印章识别的结果反映在仪器显示屏上，实现实时、快速、高准确率的印章识别，在实现省时省力的同时，减少人力消耗。
[0043]本专利技术在RA
‑
CNN网络的基础上提出了一个快速可实时检测印章的方法。所述方法的总体训练为：输入图像通过采用MobileNetV2分类网络提取特征并进行分类，然后APN(attention proposal network)网络基于提取到的特征进行训练得到注意力区域信息，再将注意力区域裁剪出来并放大，再作为第二个尺度网络的输入，这样重复进行3次得到3个尺度网络的输出结果，通过融合不同尺度网络的结果达到更好的效果。采用该网络有如下优点：
[0044]1、本专利技术提出的基于RA
‑
CNN神经网络的图像处理技术检测速度总体在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的印章识别方法，其特征是：所述方法包括以下步骤：步骤1：对印章图像数据进行标注，通过数据增广方法提高数据量，得到样本图像数据；步骤2：根据数据增广后的样本图像数据，进行训练，得到训练接，提取印章图像特征并进行分类；步骤3：根据得到的印章图像特征，采用APN网络得到注意力区域信息；步骤4：对注意力区域进行裁剪，得到裁剪后的图像；步骤5：重复三次步骤2
‑
步骤4的操作，得到三个尺度网络的输出结果，通过将三个尺度网络的损失函数相加作为结果的损失函数，与训练集中结果进行匹配，对图片进行预测得出印章识别预测结果。2.根据权利要求1所述的一种基于神经网络的印章识别方法，其特征是：所述步骤1具体为：将印章图像数据标注，进行数据增广，通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模；数据增广具体包括采用随机旋转；随机沿着水平或者垂直方向，以图像的尺寸百分比为变化范围进行平移；按比例随机缩放图像尺寸；综合使用上述方式。3.根据权利要求2所述的一种基于神经网络的印章识别方法，其特征是：所述步骤2具体为：采用MobileNetV2分类网络对样本图像提取特征并分类，得到图像特征；上述特征提取操作为：采用Depth
‑
wise Separable Convolution，即使用PW卷积，DW卷积，PW卷积的方式来提取特征。4.根据权利要求3所述的一种基于神经网络的印章识别方法，其特征是：所述步骤3具体为：根据提取的特征，采用APN网络得到注意力区域信息，通过将提取到的图像输入到预先训练好的卷积层来提取基于区域的深度特征，将网络在每个尺度上建模为一个具有两个输出的多任务，第一个任务在生成细粒度类别上的概率分布，第二个任务为下一个尺度预测一组参与区域的坐标。5.根据权利要求4所述的一种基于神经网络的印章识别方法，其特征是：所述步骤4具体为：裁剪通过将原始图像在较粗尺度上与注意掩膜相乘来实现，采用RA
‑
CNN中裁剪方法的函数是可导的logistic函数，进行反向传播，...

【专利技术属性】
技术研发人员：刘海龙，胡鹏，章铉，丁程雄，尹浩权，郭志昌，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：