【技术实现步骤摘要】
本专利技术实施例涉及图像检测、人工智能以及自动化流程，尤其涉及一种翻拍图像检测、模型训练方法、装置、电子设备及介质。
技术介绍
1、目前，很多业务系统的业务处理流程通常需要涉及证件和票据的审查。以信用卡系统为例说明，信用卡审查审批的人工处理环节包括普通审查、总行审批、总行质检、风险审查、商户审查以及联动等贷前板块，各作业环节需要大量人工处理。
2、随着越来越多涉及个人金融及政务的业务由线下转移到线上，业务办理者常常需要将身份证、营业执照及发票等证件或票据的图像上传至平台审核。rpa(robotic processautomation，机器人流程自动化)是一种通过模仿最终用户在电脑的手动操作方式，提供了另一种方式来使最终用户手动操作流程自动化，被广泛应用于各种领域的业务系统中，以实现流程自动化。相应的，通过rpa自动执行质检流程时，有些情况需要根据业务需求审核所有图像是否为翻拍件。若判断为翻拍件，则审核不通过，否则为通过。
3、专利技术人在实现本专利技术的过程中，发现现有技术存在如下缺陷：目前，rpa尚不具备翻拍图像的检测功能，当需要对图像进行翻拍检测时，往往需要转由人工进行处理，形成了流程断点，审核流程自动化程度降低。
技术实现思路
1、本专利技术实施例提供一种翻拍图像检测、模型训练方法、装置、电子设备及介质，能够实现翻拍图像的自动检测功能，从而提高检测流程的智能性和自动化程度。
2、根据本专利技术的一方面，提供了一种翻拍图像检测方法，应用于rp
3、获取原始待检测文件；其中，所述原始待检测文件包括待检测目标图像；
4、对所述原始待检测文件进行预处理，得到规范化待检测文件；
5、从所述规范化待检测文件中确定所述待检测目标图像；
6、调用翻拍图像检测服务，以通过所述翻拍图像检测服务的翻拍图像检测模型对所述待检测目标图像进行翻拍检测，得到翻拍检测结果；
7、根据所述翻拍检测结果筛选翻拍目标图像。
8、根据本专利技术的另一方面，提供了一种模型训练方法，包括：
9、采用不平衡采样方法选取设定数量的正样本图像数据和负样本图像数据构建训练样本集；
10、从所述训练样本集中随机选取当前图像样本数据；
11、通过均衡lbp算子对所述当前图像样本数据提取样本图像局部纹理特征；
12、将所述样本图像局部纹理特征输入至多个分类模型，通过各所述分类模型输出所述当前图像样本数据的翻拍检测结果，以实现对各所述分类模型的翻拍检测训练过程；
13、根据各所述分类模型的翻拍检测训练结果从各所述分类模型中筛选目标分类模型；
14、根据所述均衡lbp算子和所述目标分类模型构建翻拍图像检测模型；
15、其中，所述翻拍图像检测模型用于构建翻拍图像检测服务；所述翻拍图像检测服务应用于第一方面所述的翻拍图像检测方法。
16、根据本专利技术的另一方面，提供了一种翻拍图像检测装置，配置于rpa系统，包括：
17、原始待检测文件获取模块，用于获取原始待检测文件；其中，所述原始待检测文件包括待检测目标图像；
18、规范化待检测文件获取模块，用于对所述原始待检测文件进行预处理，得到规范化待检测文件；
19、待检测目标图像确定模块，用于从所述规范化待检测文件中确定所述待检测目标图像；
20、翻拍检测结果获取模块，用于调用翻拍图像检测服务，以通过所述翻拍图像检测服务的翻拍图像检测模型对所述待检测目标图像进行翻拍检测，得到翻拍检测结果；
21、翻拍目标图像筛选模块，用于根据所述翻拍检测结果筛选翻拍目标图像。
22、根据本专利技术的另一方面，提供了一种模型训练装置，包括：
23、训练样本集构建模块，用于采用不平衡采样方法选取设定数量的正样本图像数据和负样本图像数据构建训练样本集；
24、当前图像样本数据选取模块，用于从所述训练样本集中随机选取当前图像样本数据；
25、图像局部纹理特征提取模块，用于通过均衡lbp算子对所述当前图像样本数据提取样本图像局部纹理特征；
26、分类模型训练模块，用于将所述样本图像局部纹理特征输入至多个分类模型，通过各所述分类模型输出所述当前图像样本数据的翻拍检测结果，以实现对各所述分类模型的翻拍检测训练过程；
27、目标分类模型筛选模块，用于根据各所述分类模型的翻拍检测训练结果从各所述分类模型中筛选目标分类模型；
28、翻拍图像检测模型构建模块，用于根据所述均衡lbp算子和所述目标分类模型构建翻拍图像检测模型；
29、其中，所述翻拍图像检测模型用于构建翻拍图像检测服务；所述翻拍图像检测服务应用于第一方面所述的翻拍图像检测方法。
30、根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
31、至少一个处理器；以及
32、与所述至少一个处理器通信连接的存储器；其中，
33、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的翻拍图像检测方法或模型训练方法。
34、根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的翻拍图像检测方法或模型训练方法。
35、本专利技术实施例通过rpa系统对包括待检测目标图像的原始待检测文件进行预处理，得到规范化待检测文件，并从规范化待检测文件中确定待检测目标图像，进而调用翻拍图像检测服务，以通过翻拍图像检测服务的翻拍图像检测模型对待检测目标图像进行翻拍检测，得到翻拍检测结果，进而根据翻拍检测结果筛选翻拍目标图像。在rpa系统对原始待检测文件进行翻拍图像检测之前，可以首先采用不平衡采样方法选取设定数量的正样本图像数据和负样本图像数据构建训练样本集，并从训练样本集中随机选取当前图像样本数据，进而通过均衡lbp算子对当前图像样本数据提取样本图像局部纹理特征，以将样本图像局部纹理特征输入至多个分类模型，通过各分类模型输出当前图像样本数据的翻拍检测结果，以实现对各分类模型的翻拍检测训练过程，从而根据各分类模型的翻拍检测训练结果从各分类模型中筛选目标分类模型，最终根据均衡lbp算子和目标分类模型构建得到翻拍图像检测模型。上述技术方案能够解决现有rpa系统无法自动实现翻拍图像检测以致流程自动化程度降低的问题，能够实现翻拍图像的自动检测功能，从而提高检测流程的智能性和自动化程度。
36、应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种翻拍图像检测方法，其特征在于，应用于机器人流程自动化RPA系统，包括：
2.根据权利要求1所述的方法，其特征在于，所述翻拍图像检测模型应用于Flask应用框架，且所述翻拍图像检测模型通过gunicorn服务多线程并发运行，并通过负载均衡设备实现负载均衡处理。
3.根据权利要求1所述的方法，其特征在于，在所述从所述规范化待检测文件中确定所述待检测目标图像之后，还包括：
4.根据权利要求1所述的方法，其特征在于，所述翻拍图像检测模型包括均衡局部二值模式LBP算子和目标分类模型，所述翻拍图像检测模型用于：
5.根据权利要求1-4任一所述的方法，其特征在于，所述原始待检测文件包括信用卡系统待审查文件。
6.一种模型训练方法，其特征在于，包括：
7.一种翻拍图像检测装置，其特征在于，配置于RPA系统，包括：
8.一种模型训练装置，其特征在于，包括：
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指
...【技术特征摘要】
1.一种翻拍图像检测方法，其特征在于，应用于机器人流程自动化rpa系统，包括：
2.根据权利要求1所述的方法，其特征在于，所述翻拍图像检测模型应用于flask应用框架，且所述翻拍图像检测模型通过gunicorn服务多线程并发运行，并通过负载均衡设备实现负载均衡处理。
3.根据权利要求1所述的方法，其特征在于，在所述从所述规范化待检测文件中确定所述待检测目标图像之后，还包括：
4.根据权利要求1所述的方法，其特征在于，所述翻拍图像检测模型包括均衡局部二值模式lbp算子和目标分类模型，所述翻拍图像检测模型用于：
【专利技术属性】
技术研发人员：沈家润，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。