一种印章检测方法、装置、电子设备以及存储介质制造方法及图纸

本发明专利技术公开了一种印章检测方法、装置、电子设备以及存储介质。该方法包括：确定样本印章图像，并根据样本印章图像，得到检测特征、通道注意力特征和空间注意力特征；对检测特征、通道注意力特征以及空间注意力特征进行特征融合，得到融合特征；根据各样本印章图像对应的融合特征进行深度学习模型的训练，得到印章检测模型；通过印章检测模型，对待检测图像进行印章检测。使用本发明专利技术的技术方案，可以实现提高印章检测的检测效率和准确性。提高印章检测的检测效率和准确性。提高印章检测的检测效率和准确性。

【技术实现步骤摘要】
一种印章检测方法、装置、电子设备以及存储介质


[0001]本专利技术涉及印章检测
，尤其涉及一种印章检测方法、装置、电子设备以及存储介质。

技术介绍

[0002]印章作为一种具有法律效力的印信，在现代社会的各种合同等文档中发挥着重要的作用。因此，对文档中印章的审核是一件非常重要的工作。传统的印章审核依靠人工进行核对，但是人工核对耗时长、成本高且易出错，传统的印章核查方式已经不足以满足当前高效便捷的经济发展的需求。
[0003]随着深度学习的不断发展和推广，基于深度学习的目标检测开始应用于印章检测。基于深度学习的目标检测算法按照其检测阶段分可分为两类：两阶段的检测算法和一阶段的检测算法，两阶段的检测算法检测性能较好，对小目标有较好的检测精度，但是检测过程相对复杂，耗时较长。一阶段的检测算法检测效率高，但是对小目标的检测不敏感，检测精度不高。

技术实现思路

[0004]本专利技术提供了一种印章检测方法、装置、电子设备以及存储介质，以实现提高印章检测的检测效率和准确性。
[0005]第一方面，本专利技术实施例提供了一种印章检测方法，该方法包括：
[0006]确定样本印章图像，并根据样本印章图像，得到检测特征、通道注意力特征和空间注意力特征；
[0007]对检测特征、通道注意力特征以及空间注意力特征进行特征融合，得到融合特征；
[0008]根据各样本印章图像对应的融合特征进行深度学习模型的训练，得到印章检测模型；
[0009]通过印章检测模型，对待检测图像进行印章检测。
[0010]第二方面，本专利技术实施例还提供了一种印章检测装置，该装置包括：
[0011]注意力特征计算模块，用于确定样本印章图像，并根据样本印章图像，得到检测特征、通道注意力特征和空间注意力特征；
[0012]特征融合模块，用于对检测特征、通道注意力特征以及空间注意力特征进行特征融合，得到融合特征；
[0013]模型训练模块，用于根据各样本印章图像对应的融合特征进行深度学习模型的训练，得到印章检测模型；
[0014]印章检测模块，用于通过印章检测模型，对待检测图像进行印章检测。
[0015]第三方面，本专利技术实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本专利技术实施例中任一所述的印章检测方法。
[0016]第四方面，本专利技术实施例还提供了一种存储计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本专利技术实施例中任一所述的印章检测方法。
[0017]本专利技术实施例的技术方案，通过对样本印章图像计算检测特征、通道注意力特征和空间注意力特征，并对检测特征、通道注意力特征和空间注意力特征进行特征融合，得到融合特征，根据融合特征进行模型训练，得到印章检测模型，通过印章检测模型，对待检测图像进行印章检测。解决了现有技术中两阶段的检测算法耗时较长，检测效率低的问题，以及一阶段的检测算法对小目标的检测不敏感，检测精度不高的问题，本专利技术实施例的技术方案，在保证检测效率的前提下，提高了印章的检测准确性。
[0018]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。
附图说明
[0019]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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。
[0020]图1是本专利技术实施例一提供的一种印章检测方法的流程图；
[0021]图2是本专利技术实施例一提供的一种印章检测模型的特征检测流程图；
[0022]图3是本专利技术实施例二提供的一种印章检测方法的流程图；
[0023]图4是本专利技术实施例二提供的一种注意力特征提取的流程图；
[0024]图5是本专利技术实施例二提供的一种特征融合的流程图；
[0025]图6是本专利技术实施例三提供的一种印章检测装置的结构示意图；
[0026]图7是本专利技术实施例四提供的一种电子设备的结构示意图。
具体实施方式
[0027]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0028]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0029]实施例一
[0030]图1为本专利技术实施例一提供了一种印章检测方法的流程图，本实施例可适用于进行印章检测的情况，该方法可以由印章检测装置来执行，该印章检测装置可以采用硬件和/或软件的形式实现，该印章检测装置可配置于电子设备中。
[0031]如图1所示，该方法包括：
[0032]S110、确定样本印章图像，并根据样本印章图像，得到检测特征、通道注意力特征和空间注意力特征。
[0033]其中，样本印章图像中包含印章，样本印章图像中的印章可以为完整印章、残缺印章或者模糊印章等，这样设置的好处在于，保证样本印章图像的多样性，可以增加根据样本印章图像训练得到的印章检测模型的鲁棒性和泛化能力。
[0034]其中，检测特征是本实施例的深度学习模型的主干网络对样本印章图像进行特征提取得到的特征。示例性的，深度学习模型的框架可以使用SSD(Single Shot MultiBox Detector，单阶段目标检测)或者YOLO(You Only Look Once)，深度学习模型的主干网络可以是VGG(Visual Geometry Group，视觉几何组)、ResNet(Residual Network，残差网络)或者VIT(Vision Transformer，视觉变压器)等。
[0035]其中，通道注意力特征用于表征检测特征中每个通道的重要程度，空间注意力特征用于表征关键区域的特征表达。在本实施例中，可以基于自注意力特征机制，获取通道注意力特征和空间注意力特征。
[0036]在本实施例中，在检测特征的基础上，通过引入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种印章检测方法，其特征在于，包括：确定样本印章图像，并根据样本印章图像，得到检测特征、通道注意力特征和空间注意力特征；对检测特征、通道注意力特征以及空间注意力特征进行特征融合，得到融合特征；根据各样本印章图像对应的融合特征进行深度学习模型的训练，得到印章检测模型；通过印章检测模型，对待检测图像进行印章检测。2.根据权利要求1所述的方法，其特征在于，确定样本印章图像，包括：确定初始印章图像；对初始印章图像进行至少一个角度的旋转处理，和/或，通过随机掩膜方法，对初始印章图像进行处理，得到处理后的印章图像；将初始印章图像和处理后的印章图像作为样本印章图像。3.根据权利要求1所述的方法，其特征在于，根据样本印章图像，得到检测特征、通道注意力特征和空间注意力特征，包括：通过至少两层卷积层，对样本印章图像进行特征提取，得到与各层卷积层匹配的检测特征；若确定当前卷积层不是第一层卷积层，则根据与当前卷积层匹配的检测特征，确定通道注意力特征和空间注意力特征；对检测特征、通道注意力特征以及空间注意力特征进行特征融合，得到融合特征，包括：将与当前卷积层匹配的通道注意力特征和空间注意力特征，和与当前卷积层的前一卷积层匹配的检测特征进行特征融合，得到与前一卷积层匹配的融合特征；若确定当前卷积层是最后一层卷积层，则将与当前卷积层匹配的通道注意力特征和空间注意力特征，和与当前卷积层匹配的检测特征进行特征融合，得到与当前卷积层匹配的融合特征。4.根据权利要求3所述的方法，其特征在于，根据与当前卷积层匹配的检测特征，确定通道注意力特征，包括：根据与当前卷积层匹配的检测特征，得到通道维度为1的空间特征，并对空间特征的宽度特征和高度特征进行整合；对检测特征的宽度特征和高度特征进行整合后，对检测特征进行转置；对特征整合后的空间特征和转置后的检测特征进行矩阵乘法计算，并进行归一化指数处理；根据1
×
1的卷积核对归一化指数处理后的特征进行通道维度对齐处理，得到与当前卷积层匹配的通道注意力特征。5.根据权利要求3所述的方法，其特征在于，根据与当前卷积层匹配的检测特征，确定空间注意力特...

【专利技术属性】
技术研发人员：邵向潮，陈国华，李惠仪，肖雪丽，廖常辉，冷颖雄，谢洁芳，周彦吉，叶海珍，邓茵，刘贯科，钟荣富，戴喜良，
申请(专利权)人：广东电网有限责任公司东莞供电局，
类型：发明
国别省市：