[发明专利]发票关键信息定位方法、装置、计算机设备及存储介质

权利要求书

1.发票关键信息定位方法，其特征在于，包括：

获取待定位发票图像；

将待定位发票图像输入卷积神经网络模型中进行信息提取，以得到发票关键信息；

其中，所述卷积神经网络模型是通过带有特征标签的发票图像作为训练数据训练U-Net卷积神经网络所得的；

所述卷积神经网络模型是通过带有特征标签的发票图像作为训练数据训练U-Net卷积神经网络所得的，包括：

获取带有特征标签的发票图像，以得到训练数据；

构建U-Net卷积神经网络；

利用训练数据基于深度学习框架对U-Net卷积神经网络进行学习，以得到卷积神经网络模型；

U-Net卷积神经网络的前八层特征图用于多分类；在第九层特征图对应位置预测产生是否靠近边界，第十层特征图预测每个边界位置是左边界还是右边界；十一到十四层特征图则预测边界位置与最近的两个边界顶点的位置偏移；将带有14层特征标签的发票图像作为训练数据，去训练U-Net卷积神经网络；

所述利用训练数据基于深度学习框架对U-Net卷积神经网络进行学习，以得到卷积神经网络模型，包括：

将训练数据输入U-Net卷积神经网络内，以得到样本关键信息；

根据样本关键信息计算损失值；

根据损失值基于深度学习框架对U-Net卷积神经网络进行学习，以得到卷积神经网络模型。

2.根据权利要求1所述的发票关键信息定位方法，其特征在于，所述U-Net卷积神经网络是产生多层的发票图像四分之一分辨率的特征图的网络。

3.根据权利要求1所述的发票关键信息定位方法，其特征在于，所述将训练数据输入U-Net卷积神经网络内，以得到样本关键信息，包括：

将训练数据输入U-Net卷积神经网络内进行卷积处理，以得到文本框；

合并所述文本框，以形成样本关键信息。

4.发票关键信息定位装置，其特征在于，包括：

数据获取单元，用于获取待定位发票图像；

提取单元，用于将待定位发票图像输入卷积神经网络模型中进行信息提取，以得到发票关键信息；

所述装置还包括：

模型训练单元，用于通过带有特征标签的发票图像作为训练数据训练U-Net卷积神经网络，以得到卷积神经网络模型；

所述模型训练单元包括：

训练数据获取子单元，用于获取带有特征标签的发票图像，以得到训练数据；

网络构建子单元，用于构建U-Net卷积神经网络；

学习子单元，用于利用训练数据基于深度学习框架对U-Net卷积神经网络进行学习，以得到卷积神经网络模型；

U-Net卷积神经网络的前八层特征图用于多分类；在第九层特征图对应位置预测产生是否靠近边界，第十层特征图预测每个边界位置是左边界还是右边界；十一到十四层特征图则预测边界位置与最近的两个边界顶点的位置偏移；将带有14层特征标签的发票图像作为训练数据，去训练U-Net卷积神经网络；

所述学习子单元包括：

样本关键信息形成模块，用于将训练数据输入U-Net卷积神经网络内，以得到样本关键信息；

损失值计算模块，用于根据样本关键信息计算损失值；

深度学习模块，用于根据损失值基于深度学习框架对U-Net卷积神经网络进行学习，以得到卷积神经网络模型。

5.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述的方法。

6.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如权利要求1至3中任一项所述的方法。