【技术实现步骤摘要】
本专利技术涉及档案管理，具体为智能档案扫描存储一体柜。
技术介绍
1、随着信息化的发展，各行各业都在积累大量的电子档案与实体档案。这些档案涉及法律、商业、医疗、教育等众多领域，管理和存储的需求日益增加，传统的档案管理方式多采用纸质存放，导致了空间占用大、信息查找效率低以及管理成本高等问题，数字化档案管理成为提升工作效率的重要手段。智能档案扫描存储一体柜能够将实体档案快速转化为数字格式，不仅提高了信息的可存取性，还能减少物理空间的使用；
2、当前许多档案管理系统仍依赖于手动操作，包括文件分类、信息录入和异常检查等步骤，这种方式不仅效率低下，还容易因人为疏忽导致错误，在数据错误检查方面缺乏有效机制，容易导致数据不准确，当出现错误时，难以自动进行异常原因识别及其对应异常原因的纠正，导致录入数据以存错版本被存入；
3、即使在扫描阶段发现数据错误，也需要人工修正，延误了处理效率，不具备智能化分析和学习功能，难以根据历史数据动态调整处理方式。
技术实现思路
1、（一）解决的技术问题
2、针对现有技术所存在的上述缺点，本专利技术提供了智能档案扫描存储一体柜，能够有效地解决现有技术的问题。
3、（二）技术方案
4、为实现以上目的，本专利技术通过以下技术方案予以实现，
5、本专利技术公开了智能档案扫描存储一体柜，包括：
6、档案柜主体，作为各功能端与模块的搭载主体，进行操控指令的编辑与执行；
7、触控显示
8、扫描端，用于接收实体档案数据，进行数字信息扫描读取，执行缺失数据的上报提示和预测补充；
9、存储端，用于分类存储实体档案与电子档案数据；
10、所述扫描端包括：图像识别模块、模型构建模型、异常捕捉模块、预测识别模块、判定模块和反馈模块，其中：
11、图像识别模块，用于将接收的实体档案转化为图像，并对图像进行文字提取，将提取数据汇总为文字数据集，并基于文字数据集内容下发归类标签；
12、模型构建模块，用于接收反馈模块的历史判定后标记数据集和历史预测纠正数据集作为训练参数，通过深度学习算法基于训练参数构建分析模型；
13、异常捕捉模块，用于获取模型构建模块所构建的分析模型，基于分析模型执行异常捕捉，对文字提取区域进行实时识别和对文字数据集进行语义分析，对应获取异常文字区域，对异常文字区域进行标记，输出标记数据集；
14、判定模块，用于接收异常捕捉模块所输出标记数据集，设定异常判断阈值，基于设定的异常判断阈值，对异常捕捉模块提交的标记数据集进行判定筛选，获取判定为异常的异常数据集；
15、预测识别模块，用于接收判定模块递交的异常数据集，通过模型构建模块所构建的分析模型对异常数据集进行异常原因识别及其对应预测纠正处理，输出预测纠正数据集；
16、反馈模块，用于接收判定模块的判定筛选结果，并递交至触控显示端进行交互。
17、更进一步地，所述模型构建模块构建分析模型过程中，使用历史判定后标记数据集作为训练参数输入，训练后的分析模型表达式为：
18、；
19、式中，代表表示训练过程中得到的分析模型，代表初始分析模型，代表损失函数，代表第i个输入特征，代表第i个标签，代表训练参数集，代表模型参数。
20、更进一步地，所述分析模型通过异常捕捉模块执行异常捕捉和对提交的标记数据集进行判定筛选的工作逻辑包括：
21、输入图像中提取的文本转化为包括词频与词嵌入特征的特征向量集合;
22、使用训练好的分析模型对新提取的特征向量集合进行异常样本的识别，输出异常评分；
23、判定模块所设定的异常判断阈值为d，通过异常判断阈值d对文本进行标记，当文本中某文字区域对应的异常评分达到或超过异常判断阈值时，则进行异常标记，其表达式为：
24、；
25、式中，代表被标记为异常的数据集，代表第j个异常样本，代表与对应的异常评分，代表当前输入的特征向量集合，d代表异常判断阈值。
26、更进一步地，所述分析模型通过对判定后标记数据集进行异常原因识别及其对应预测纠正处理的过程中，获取分析模型历史输出的若干正常数据集、异常数据集和历史预测纠正数据集进行识别模型训练，过程为：
27、；
28、基于识别模型的异常原因输出k，对新的异常样本进行原因识别：
29、=；
30、基于若干异常原因，制定相应的纠正措施集，将生成的纠正措施集应用于所实时获取异常样本进行修正，输出修正后电子档案数据至存储端；
31、式中，代表识别模型的异常原因输出，代表异常原因标签，表示与异常样本对应的异常原因，代表与相对应的纠正措施，代表损失函数,代表训练数据集，包含历史输出的若干正常数据集、异常数据集和历史预测纠正数据集。
32、更进一步地，所述提取单元的内部设置有子模块，包括提取单元，所述提取单元与反馈模块通过无线网络交互连接，所述提取单元用于对反馈模块所递交判定筛选结果至触控显示端的交互结果进行记录，记录对纠正措施的增加与剔除行为，通过反馈模块递交至模型构建模块，作为分析模型的一类训练参照。
33、更进一步地，所述判定模块支持用户通过触控显示端直接进行异常文字区域的剔除和增加，操作内容作为参考数据递交至反馈模块，由反馈模块提交至模型构建模块，作为分析模型的二类训练参照。
34、更进一步地，所述存储端包括：调配模块、本地存储模块和云端存储模块，所述调配模块与本地存储模块通过电性介质相连接，所述调配模块与云端存储模块通过无线网络交互连接，其中：
35、调配模块，用于接收存储端所递交的实体档案数据和电子档案数据，读取图像识别模块下发的归类标签，生成归类指令；
36、本地存储模块，作为实体档案数据的载入区域，进行实体区域分割，接收调配模块的归类指令，将实体档案数据进行对应分割区域存储；
37、云端存储模块，作为电子档案的载入区域，接收调配模块的归类指令，将实体档案数据进行分布式存储。
38、更进一步地，所述档案柜主体正面的顶端安装有触控显示端，所述档案柜主体的中间处安装有扫描端，所述档案柜主体的底端安装有存储端。
39、更进一步地，所述图像识别模块与异常捕捉模块通过无线网络交互连接，所述判定模块与异常捕捉模块、预测识别模块和反馈模块通过无线网络交互连接，所述模型构建模块与异常捕捉模块、预测识别模块和反馈模块通过无线网络交互连接。
40、（三）有益效果
41、采用本专利技术提供的技术方案，与已知的现有技术相比，具有如下有益效果，
42、通过深度学习构建分析模型，对被扫描档案进行异常捕捉，以自动分析的方式，判断当前扫描档案是否存在异常文字区域，对异常本文档来自技高网...
【技术保护点】
1.智能档案扫描存储一体柜，其特征在于，包括：
2.根据权利要求1所述的智能档案扫描存储一体柜，其特征在于，所述模型构建模块构建分析模型过程中，使用历史判定后标记数据集作为训练参数输入，训练后的分析模型表达式为：
3.根据权利要求1所述的智能档案扫描存储一体柜，其特征在于，所述分析模型通过异常捕捉模块执行异常捕捉和对提交的标记数据集进行判定筛选的工作逻辑包括：
4.根据权利要求1所述的智能档案扫描存储一体柜，其特征在于，所述分析模型通过对判定后标记数据集进行异常原因识别及其对应预测纠正处理的过程中，获取分析模型历史输出的若干正常数据集、异常数据集和历史预测纠正数据集进行识别模型训练，过程为：
5.根据权利要求1所述的智能档案扫描存储一体柜，其特征在于，所述提取单元的内部设置有子模块，包括提取单元，所述提取单元与反馈模块通过无线网络交互连接，所述提取单元用于对反馈模块所递交判定筛选结果至触控显示端（2）的交互结果进行记录，记录对纠正措施的增加与剔除行为，通过反馈模块递交至模型构建模块，作为分析模型的一类训练参照。
6.根据
7.根据权利要求1所述的智能档案扫描存储一体柜，其特征在于，所述存储端（4）包括：调配模块、本地存储模块和云端存储模块，所述调配模块与本地存储模块通过电性介质相连接，所述调配模块与云端存储模块通过无线网络交互连接，其中：
8.根据权利要求1所述的智能档案扫描存储一体柜，其特征在于，所述档案柜主体（1）正面的顶端安装有触控显示端（2），所述档案柜主体（1）的中间处安装有扫描端（3），所述档案柜主体（1）的底端安装有存储端（4）。
9.根据权利要求1所述的智能档案扫描存储一体柜，其特征在于，所述图像识别模块与异常捕捉模块通过无线网络交互连接，所述判定模块与异常捕捉模块、预测识别模块和反馈模块通过无线网络交互连接，所述模型构建模块与异常捕捉模块、预测识别模块和反馈模块通过无线网络交互连接。
...【技术特征摘要】
1.智能档案扫描存储一体柜，其特征在于，包括：
2.根据权利要求1所述的智能档案扫描存储一体柜，其特征在于，所述模型构建模块构建分析模型过程中，使用历史判定后标记数据集作为训练参数输入，训练后的分析模型表达式为：
3.根据权利要求1所述的智能档案扫描存储一体柜，其特征在于，所述分析模型通过异常捕捉模块执行异常捕捉和对提交的标记数据集进行判定筛选的工作逻辑包括：
4.根据权利要求1所述的智能档案扫描存储一体柜，其特征在于，所述分析模型通过对判定后标记数据集进行异常原因识别及其对应预测纠正处理的过程中，获取分析模型历史输出的若干正常数据集、异常数据集和历史预测纠正数据集进行识别模型训练，过程为：
5.根据权利要求1所述的智能档案扫描存储一体柜，其特征在于，所述提取单元的内部设置有子模块，包括提取单元，所述提取单元与反馈模块通过无线网络交互连接，所述提取单元用于对反馈模块所递交判定筛选结果至触控显示端（2）的交互结果进行记录，记录对纠正措施的增加与剔除行为，通过反馈模块递交至模型构建模块，作为分析模型的一类训练参照。...
【专利技术属性】
技术研发人员：杨建福，周阳，周哲亮，
申请(专利权)人：杭州京胜航星科技有限公司，
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。