一种基于云计算和人工智能的电子合同鉴别方法技术

本发明专利技术涉及一种基于云计算和人工智能的电子合同鉴别方法，其包括：接收扫描合同并对其进行处理得到电子合同，对电子合同进行图像分割处理以得到若干个公章图像和填写图像，然后对所有的公章图像和填写图像进行归一化处理以得到归一化公章图像集和归一化填写图像集；根据所有的归一化公章图像集和归一化填写图像集得到电子合同的合同鉴别数据；根据合同鉴别训练数据训练得到第一卷积神经网络模型，根据所有合同鉴别训练数据的合同鉴别结果生成模型修正数据；根据模型修正数据对第一卷积神经网络模型进行模型修正以得到第二卷积神经网络模型，将电子合同的合同鉴别数据输入第二卷积神经网络模型以输出电子合同的合同鉴别结果。别结果。别结果。

【技术实现步骤摘要】
一种基于云计算和人工智能的电子合同鉴别方法


[0001]本专利技术涉及云计算和人工智能领域，尤其涉及一种基于云计算和人工智能的电子合同鉴别方法。

技术介绍

[0002]人工智能技术如火如荼的发展得益于信息与通信技术(ICT)的有力支撑。当前的人工智能技术是以海量数据驱动的学习算法为主，需要强大的算力来支撑。近几年高性能CPU服务器、计算集群、大数据技术以及高性能的网络和存储等基础设施为人工智能的迅猛发展提供了得天独厚的条件。
[0003]印章是公认的具有法律效力的凭证，在商业交往中被广泛使用，特别是商业合同以及一些需要使用印章的文件，针对这些文件上印章的使用时间、使用在什么文件上、使用人是谁、印鉴的真伪、签字人的真伪等都没有有效的识别方法，这就给犯罪分子以可乘之机，大量伪造印章造成经济损失。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种基于云计算和人工智能的电子合同鉴别方法，其包括：接收合同管理终端发送的扫描合同并对其进行处理得到电子合同；获取电子合同的所有特征点的特征值，并将特征值大于第一阈值的特征点作为识别点，然后将所有识别点的特征值按照从小到大的顺序进行排列以得到图像识别矩阵；
[0005]对图像识别矩阵进行更新，并根据更新后的图像识别矩阵对电子合同进行图像分割处理得到若干个第一公章图像和第一填写图像；
[0006]根据第一公章图像得到第一公章矩阵和第二公章矩阵，并对第一公章矩阵和第二公章矩阵求交运算得到每个第一公章图像的公章图像分割矩阵，然后根据每个第一公章图像的公章图像分割矩阵对每个第一公章图像进行图像分割得到每个第一公章图像对应的公章图像；
[0007]根据第一填写图像得到第一填写矩阵和第二填写矩阵，并对第一填写矩阵和第二填写矩阵求交运算得到每个第一填写图像的填写图像分割矩阵，然后根据每个第一填写图像的填写图像分割矩阵对每个第一填写图像进行图像分割得到每个第一填写图像对应的填写图像；
[0008]对所有的公章图像和填写图像进行处理以得到归一化公章图像集和归一化填写图像集，并根据所有的归一化公章图像集和归一化填写图像集得到电子合同的合同鉴别数据；
[0009]从数据库获取合同鉴别训练数据，并根据合同鉴别训练数据进行卷积神经网络模型训练以得到第一卷积神经网络模型，然后将合同鉴别训练数据输入第一卷积神经网络模型得出合同鉴别结果；
[0010]根据合同鉴别结果对相应的合同鉴别训练数据进行数据标注以得到相应的合同
鉴别训练数据的标注信息，根据所有合同鉴别训练数据的标注信息生成模型修正数据；
[0011]根据模型修正数据对第一卷积神经网络模型进行模型修正以得到第二卷积神经网络模型，将电子合同的合同鉴别数据输入第二卷积神经网络模型以输出电子合同的合同鉴别结果。
[0012]进一步实施例中，对图像识别矩阵进行更新包括：
[0013]遍历图像识别矩阵中每个识别点的特征值，并将正在遍历的识别点的特征值作为目标识别点，然后将目标识别点的特征值与目标识别点的下一个识别点的特征值进行作差处理以得到目标识别点的目标差；
[0014]将目标识别点的目标差与第二阈值进行比较，并在所述目标差大于第二阈值时，将目标识别点的下一个识别点的特征值替换为目标识别点与目标识别点的下一个识别点的特征值的平均值；
[0015]将目标识别点的下一个识别点作为目标识别点，重复以上步骤直到将图像识别矩阵中每个识别点遍历完。
[0016]进一步实施例中，根据第一填写图像得到第一填写矩阵和第二填写矩阵包括：
[0017]根据图像识别矩阵中的识别点的排列顺序和识别点的特征值对第二电子合同进行图像分割以得到若干个第一填写图像；
[0018]对所有的第一填写图像作垂直投影以得到若干个第二填写图像；按照从上到下从左到右的顺序扫描每个第二填写图像中的每个像素点，记录像素值不为零的像素点的行数，并将像素值不为零的像素点的行数放到第一填写矩阵；
[0019]对所有的第一填写图像作水平投影以得到若干个第三填写图像；按照从上到下从左到右的顺序扫描每个第三填写图像中的每个像素点，记录像素值不为零的像素点的行数，并将像素值不为零的像素点的行数放到第二填写矩阵。
[0020]进一步实施例中，根据第一公章图像得到第一公章矩阵和第二公章矩阵包括：
[0021]根据图像识别矩阵中的识别点的排列顺序和识别点的特征值对第二电子合同进行图像分割以得到若干个第一公章图像；
[0022]对所有的第一公章图像作垂直投影以得到若干个第二公章图像；按照从上到下从左到右的顺序扫描每个第二公章图像中的每个像素点，记录像素值不为零的像素点的行数，并将像素值不为零的像素点的行数放到第一公章矩阵；
[0023]对所有的第一公章图像作水平投影以得到若干个第三公章图像；按照从上到下从左到右的顺序扫描每个第三公章图像中的每个像素点，记录像素值不为零的像素点的行数，并将像素值不为零的像素点的行数放到第二公章矩阵。
[0024]进一步实施例中，根据合同鉴别训练数据进行卷积神经网络模型训练以得到第一卷积神经网络模型包括：
[0025]将合同鉴别训练数据输入卷积神经网络模型，并对其进行前向传播以得到权值和对应的偏置项；
[0026]根据所述权值和对应的偏置项进行反向传播以得到残差，并根据所述残差得到权值的梯度和偏置项的梯度；
[0027]求出第一卷积神经网络模型的卷积层、池化层和全连接层的梯度，并根据卷积层、池化层和全连接层的梯度对权值和偏置项进行更新；
[0028]根据二元交叉熵损失函数计算第一卷积神经网络模型的损失值，并将第一卷积神经网络模型的损失值与损失阈值进行比较；
[0029]在损失值大于或等于损失阈值时继续训练第一卷积神经网络模型；在损失值小于损失阈值时停止训练第一卷积神经网络模型。
[0030]进一步实施例中，将电子合同的合同鉴别数据输入第二卷积神经网络模型输出电子合同的合同鉴别结果包括：
[0031]第二卷积神经网络模型的卷积层通过卷积运算提取出合同鉴别数据的电子合同特征，并根据合同鉴别数据的电子合同特征生成特征图，然后将所述特征图输入至第二卷积神经网络中的全连接层；
[0032]第二卷积神经网络中的全连接层对特征图进行处理以得到每个特征对应的特征标识和位置数据，并根据特征图中每个特征对应的特征标识和位置数据输出电子合同的合同鉴别结果。
[0033]进一步实施例中，对所有的公章图像和填写图像进行处理得到归一化公章图像集和归一化填写图像集包括：
[0034]将所有的公章图像归一化为64
×
64大小的矩阵以得到若干个归一化公章图像；
[0035]将所有的填写图像归一化为64
×
64大小的矩阵以得到若干个归一化填写图像；
[0036]根据所有的归一化公章图像得到归一化公章图像集；
[0037]根据所有的归一化填写图像得到归本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云计算和人工智能的电子合同鉴别方法，其特征在于，接收合同管理终端发送的扫描合同并对其进行处理得到电子合同；获取电子合同的所有特征点的特征值，并将特征值大于第一阈值的特征点作为识别点，然后将所有识别点的特征值按照从小到大的顺序进行排列以得到图像识别矩阵；对图像识别矩阵进行更新，并根据更新后的图像识别矩阵对电子合同进行图像分割处理得到若干个第一公章图像和第一填写图像；根据第一公章图像得到第一公章矩阵和第二公章矩阵，并对第一公章矩阵和第二公章矩阵求交运算得到每个第一公章图像的公章图像分割矩阵，然后根据每个第一公章图像的公章图像分割矩阵对每个第一公章图像进行图像分割得到每个第一公章图像对应的公章图像；根据第一填写图像得到第一填写矩阵和第二填写矩阵，并对第一填写矩阵和第二填写矩阵求交运算得到每个第一填写图像的填写图像分割矩阵，然后根据每个第一填写图像的填写图像分割矩阵对每个第一填写图像进行图像分割得到每个第一填写图像对应的填写图像；对所有的公章图像和填写图像进行处理以得到归一化公章图像集和归一化填写图像集，并根据所有的归一化公章图像集和归一化填写图像集得到电子合同的合同鉴别数据；从数据库获取合同鉴别训练数据，并根据合同鉴别训练数据进行卷积神经网络模型训练以得到第一卷积神经网络模型，然后将合同鉴别训练数据输入第一卷积神经网络模型得出合同鉴别结果；根据合同鉴别结果对相应的合同鉴别训练数据进行数据标注以得到相应的合同鉴别训练数据的标注信息，根据所有合同鉴别训练数据的标注信息生成模型修正数据；根据模型修正数据对第一卷积神经网络模型进行模型修正以得到第二卷积神经网络模型，将电子合同的合同鉴别数据输入第二卷积神经网络模型以输出电子合同的合同鉴别结果。2.根据权利要求1所述的方法，其特征在于，对图像识别矩阵进行更新包括：遍历图像识别矩阵中每个识别点的特征值，并将正在遍历的识别点的特征值作为目标识别点，然后将目标识别点的特征值与目标识别点的下一个识别点的特征值进行作差处理以得到目标识别点的目标差；将目标识别点的目标差与第二阈值进行比较，并在所述目标差大于第二阈值时，将目标识别点的下一个识别点的特征值替换为目标识别点与目标识别点的下一个识别点的特征值的平均值；将目标识别点的下一个识别点作为目标识别点，重复以上步骤直到将图像识别矩阵中每个识别点遍历完。3.根据权利要求1至2之一所述的方法，其特征在于，根据第一填写图像得到第一填写矩阵和第二填写矩阵包括：根据图像识别矩阵中的识别点的排列顺序和识别点的特征值对第二电子合同进行图像分割以得到若干个第一填写图像；对所有的第一填...

【专利技术属性】
技术研发人员：ꢀ五一IntClG零六K九零零，
申请(专利权)人：李敏，
类型：发明
国别省市：