[发明专利]一种负样本标注训练方法及高度自动化的票据识别方法

权利要求书

1.一种负样本标注模型E训练方法，其特征在于，包括

S0：选取负样本的训练样本集A，将负样本的训练样本集A中的票据进行人工标注，

得到真实标注框的偏移量集合B，根据人工标注结果给定一个真实框置信度Y^*；

S1：使用VGG16作为网络模型，并结合金字塔特征网络抽取出不同尺寸卷积核的特征图；

S2：特征融合，将步骤S1中提取的最后一层特征图使用双线性差值法进行上采样，

然后将该特征图与前一层的特征图进行合并，依次进行融合，输出预测标注框的偏移量集合C和预测框置信度

S3：优化损失函数L，得到负样本标注模型E，包括

S31：计算真实框损失函数L_s，具体为：

其中，β属于超参数，表示正样本与负样本的平衡因子；

S32：根据真实标注框的偏移量集合B和预测标注框的偏移量集合C，计算几何损失函数L_g；

S33：计算损失函数L，具体为

L＝L_s+λ_gL_g

其中，λ_g属于超参数，表示权重；

S34：根据损失函数L的值，不断修正预测标注框的偏移量集合C、Y^*、β和λ_g，重复步骤S31～S33，直到损失函数L的值达到设定范围，负样本标注模型E训练完成。

2.根据权利要求1所述的一种负样本标注模型E训练方法，其特征在于，真实标注框和预测标注框均为矩形，步骤S32中几何损失函数L_g的计算过程具体为：

L_g＝L_AABB+λ_θL_θ

其中，其中是预测标注框的偏移量集合C，R^*是真实标注框的偏移量集合B，是预测旋转角度，θ^*是真实的旋转角度，λ_θ属于超参数。

3.根据权利要求1所述的一种负样本标注模型E训练方法，其特征在于，真实标注框和预测标注框均为任意四边形，步骤S32中几何损失函数L_g的计算过程具体为：

其中，C_Q＝{x₁，y₁，x₂，y₂，x₃，y₃，x₄，y₄}’，是任意四边形真实标注框的偏移量集合B，是任意四边形预测标注框的偏移量集合C，是的所有等价四边形的集合，N_Q是四边形的短边长度。

4.根据权利要求1所述的一种负样本标注模型E训练方法，其特征在于，步骤S1中所用卷积核个数依次为64，128，256，384。

5.一种包含权利要求1～4所述负样本标注模型E训练方法的高度自动化的票据识别方法，其特征在于，包括

S4：构建票据仓库D；

S5：根据票据仓库D中的票据图片，通过深度学习方法训练票据内容识别模型F；

S6：加载票据内容识别模型F；

S7：票据识别，包括

S71：获得待识别票据，通过票据内容识别模型F进行识别，对于识别置信度90％的票据，进行自动分类；

S72：对于识别置信度90％以下的票据，记为负样本，对负样本进行重新识别，

如果同一个负样本的识别错误次数大于2，则输入步骤S34得到的负样本标注模型E进行重新标注，得到重新标注的负样本；

S8：将步骤S72得到的重新标注的负样本，放入步骤S4的票据仓库D中，重新执行步骤S5～S7。

6.根据权利要求5所述的一种高度自动化的票据识别方法，其特征在于，步骤S8还包括向票据仓库D中增加新的票据图片。