一种印章检测方法、装置、计算机设备及存储介质制造方法及图纸

本申请实施例属于人工智能中的图像处理技术领域，涉及一种基于深度卷积网络的印章检测方法、装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，用户的待检测图像和印章检测结果可存储于区块链中。本申请通过构建训练好的基于深度学习目标检测yolov3算法的识别模型，并根据训练好的该识别模型检测待检测图像中是否存在目标印章，由于Yolov3本身可以作为一个one

【技术实现步骤摘要】
一种印章检测方法、装置、计算机设备及存储介质


[0001]本申请涉及人工智能中的图像处理
，尤其涉及一种基于深度卷 积网络的印章检测方法、装置、计算机设备及存储介质。

技术介绍

[0002]近几年，AI技术的发展突飞猛进，其应用领域也越来越广，如机器人、 语音识别、图像识别、计算机视觉、自动驾驶等领域。在票据识别的应用场 景中，如何有效识别单证影像图片中是否盖有印章成为票据识别中极其重要 的环节。
[0003]现有一种印章识别方法，即通过指定印章颜色，利用容差的方式判断印 章区域，最后采用霍夫变换的方式完成印章的提取。容差法提取印章区域， 即先指定印章的参考颜色，然后通过设定容差的范围，完成印章区域的判断， 即某一颜色如果与参考颜色的差异度在容差范围之内，则认为该颜色为印章 颜色。完成印章区域的判断后再通过霍夫变换完成印章的提取。
[0004]然而，申请人发现传统的印章识别方法采用容差的方式完成指定颜色区 域的提取，容易受到光照等条件的影响，稳定性较差，并且容差的设定对于 最后结果的影响较大，不利于印章区域的准确判断。由此可见，传统的印章 识别方法存在识别准确性较低的问题。

技术实现思路

[0005]本申请实施例的目的在于提出一种基于深度卷积网络的印章检测方法、 装置、计算机设备及存储介质，以解决传统的印章识别方法存在识别准确性 较低的问题。
[0006]为了解决上述技术问题，本申请实施例提供一种基于深度卷积网络的印 章检测方法，采用了如下所述的技术方案：
[0007]接收携带有原始印章图像的模型训练请求；
[0008]对所述原始印章图像进行正样本处理操作，得到正样本图像；
[0009]对所述原始印章图像进行负样本生成操作，得到负样本图像；
[0010]将所述正样本图像以及所述负样本图像输入至DarkNet53网络进行特征 提取操作，得到印章特征数据；
[0011]对所述印章特征数据进行预测操作，获取初始预测结果数据；
[0012]基于k
‑
means算法对所述预测结果数据进行检测与识别操作，获得最终预 测结果与标注结果的损失数据；
[0013]基于随机梯度下降算法对所述损失数据进行优化操作，获得训练好的识 别模型；
[0014]获取待检测图像；
[0015]将所述待检测图像输入至所述训练好的识别模型进行印章检测操作，得 到印章检测结果。
[0016]为了解决上述技术问题，本申请实施例还提供一种基于深度卷积网络的 印章检
测装置，采用了如下所述的技术方案：
[0017]请求接收模块，用于接收携带有原始印章图像的模型训练请求；
[0018]正样本处理模块，用于对所述原始印章图像进行正样本处理操作，得到 正样本图像；
[0019]负样本生成模块，用于对所述原始印章图像进行负样本生成操作，得到 负样本图像；
[0020]特征提取模块，用于将所述正样本图像以及所述负样本图像输入至 DarkNet53网络进行特征提取操作，得到印章特征数据；
[0021]预测模块，用于对所述印章特征数据进行预测操作，获取初始预测结果 数据；
[0022]检测与识别模块，用于基于k
‑
means算法对所述预测结果数据进行检测与 识别操作，获得最终预测结果与标注结果的损失数据；
[0023]优化模块，用于基于随机梯度下降算法对所述损失数据进行优化操作， 获得训练好的识别模型；
[0024]待检测图像获取模块，用于获取待检测图像；
[0025]印章检测模块，用于将所述待检测图像输入至所述训练好的识别模型进 行印章检测操作，得到印章检测结果。
[0026]为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了 如下所述的技术方案：
[0027]包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理 器执行所述计算机可读指令时实现如上所述的基于深度卷积网络的印章检测 方法的步骤。
[0028]为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质， 采用了如下所述的技术方案：
[0029]所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指 令被处理器执行时实现如上所述的基于深度卷积网络的印章检测方法的步骤。
[0030]与现有技术相比，本申请实施例主要有以下有益效果：
[0031]本申请提供了一种基于深度卷积网络的印章检测方法，包括：接收携带 有原始印章图像的模型训练请求；对所述原始印章图像进行正样本处理操作， 得到正样本图像；对所述原始印章图像进行负样本生成操作，得到负样本图 像；将所述正样本图像以及所述负样本图像输入至DarkNet53网络进行特征 提取操作，得到印章特征数据；对所述印章特征数据进行预测操作，获取初 始预测结果数据；基于k
‑
means算法对所述预测结果数据进行检测与识别操作， 获得最终预测结果与标注结果的损失数据；基于随机梯度下降算法对所述损 失数据进行优化操作，获得训练好的识别模型；获取待检测图像；将所述待 检测图像输入至所述训练好的识别模型进行印章检测操作，得到印章检测结 果。本申请通过构建训练好的基于深度学习目标检测yolov3算法的识别模型， 并根据训练好的该识别模型检测待检测图像中是否存在目标印章，由于 Yolov3本身可以作为一个one
‑
stage的od(object detection)算法，从而保证印章 识别的精度，同时，印章检测使得审批文件的流程自动化，使得业务中需要 对已经作废文件的审核的人力大大减少，降低了人力成本，提高了系统效率。
附图说明
[0032]为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需 要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的 一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下， 还可以根据这些附图获得其他的附图。
[0033]图1是本申请可以应用于其中的示例性系统架构图；
[0034]图2是本申请实施例一提供的基于深度卷积网络的印章检测方法的实现 流程图；
[0035]图3是本申请实施例一提供的DarkNet53网络的一种具体实施方式的流 程图；
[0036]图4是本申请实施例一提供的特征提取操作的一种具体实施方式的流程 图；
[0037]图5是本申请实施例一提供的获取印章特征数据的一种具体实施方式的 流程图；
[0038]图6是本申请实施例一提供的图像增强操作的一种具体实施方式的流程 图；
[0039]图7是本申请实施例一提供的图像增强操作的一种具体实施方式的示例 图；
[0040]图8是图5中步骤S502的一种具体实施方式的流程图；
[0041]图9是本申请实施例一提供的传统IOU计算方式的一种具体实施方式的 示例图；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积网络的印章检测方法，其特征在于，包括下述步骤：接收携带有原始印章图像的模型训练请求；对所述原始印章图像进行正样本处理操作，得到正样本图像；对所述原始印章图像进行负样本生成操作，得到负样本图像；将所述正样本图像以及所述负样本图像输入至DarkNet53网络进行特征提取操作，得到印章特征数据；对所述印章特征数据进行预测操作，获取初始预测结果数据；基于k
‑
means算法对所述预测结果数据进行检测与识别操作，获得最终预测结果与标注结果的损失数据；基于随机梯度下降算法对所述损失数据进行优化操作，获得训练好的识别模型；获取待检测图像；将所述待检测图像输入至所述训练好的识别模型进行印章检测操作，得到印章检测结果。2.根据权利要求1所述的基于深度卷积网络的印章检测方法，其特征在于，在所述对所述原始印章图像进行负样本生成操作，得到负样本图像的步骤之后，且在所述将所述正样本图像以及所述负样本图像输入至DarkNet53网络进行特征提取操作，得到印章特征数据的步骤之前，还包括下述步骤：分别对所述正样本图像以及所述负样本图像进行图像增强操作，得到增强正样本图像以及增强负样本图像；所述将所述正样本图像以及所述负样本图像输入至DarkNet53网络进行特征提取操作，得到印章特征数据的步骤，具体包括下述步骤：将所述增强正样本图像以及所述增强负样本图像输入至所述DarkNet53网络进行所述特征提取操作，得到所述印章特征数据。3.根据权利要求2所述的基于深度卷积网络的印章检测方法，其特征在于，所述将所述增强正样本图像以及所述增强负样本图像输入至所述DarkNet53网络进行所述特征提取操作，得到所述印章特征数据的步骤，具体包括下述步骤：判断所述增强正样本图像以及所述增强负样本图像是否满足预设图像条件；若所述增强正样本图像以及所述增强负样本图像满足所述预设图像条件，则执行所述特征提取操作，得到所述印章特征数据；若所述增强正样本图像以及所述增强负样本图像不满足所述预设图像条件，则对所述增强正样本图像以及所述增强负样本图像进行预处理操作，获得规范正样本图像以及规范负样本图像；将所述规范正样本图像以及所述规范负样本图像输入至所述DarkNet53网络进行所述特征提取操作，得到所述印章特征数据。4.根据权利要求1所述的基于深度卷积网络的印章检测方法，其特征在于，所述识别模型的损失函数表示为：loss＝∑loss
xy
+loss
wh
+loss
class
+loss
diou
其中，loss
xy
表示预测框的中心点坐标损失；loss
wh
表示预测框的宽高损失；loss
class
表示类别损失；loss
diou
表示DIOU损失。

【专利技术属性】
技术研发人员：冷绵绵，
申请(专利权)人：中国平安人寿保险股份有限公司，
类型：发明
国别省市：