基于深度学习的快递单信息识别方法和系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107341523A(43)申请公布日2017.11.10(21)申请号201710570336.5(22)申请日2017.07.13(71)申请人浙江捷尚视觉科技股份有限公司地址311100浙江省杭州市余杭区五常街道文一西路998号7幢东楼(72)发明人尚凌辉王弘玥张兆生鲍迪钧施展(74)专利代理机构杭州知通专利代理事务所(普通合伙)33221代理人姚宇吉(51)Int.Cl.G06K9/62(2006.01)G06K9/32(2006.01)G06K7/14(2006.01)G06N3/04(2006.01)权利要求书2页说明书7页附图2页(54)发明名称基于深度学习的快递单信息识别方法和系统(57)摘要本发明公开了一种基于深度学习的快递单信息识别方法和系统，其中，方法包括：构建卷积神经网络，根据市场上所有类型的样本快递单图像对卷积神经网络进行训练，获得图像分类模型；获取待发送快递的图像信息，对图像信息进行图像处理，获得目标快递单信息，目标快递单信息至少包括区域信息和轮廓信息；根据轮廓信息和预设边长信息进行对比计算，根据对比计算结果对区域信息进行缩放，得到缩图图像；将缩图图像输入到图像分类模型中，识别得到缩图图像中的条形码信息和目的地信息。本发明不仅提高了图像的识别的效率，而且大大增加了图像的识别的准确性，特别是对快递单中目的地识别的准确性。CN107341523ACN107341523A权利要求书1/2页1.一种基于深度学习的快递单信息识别方法，其特征在于，包括以下步骤：构建卷积神经网络，根据市场上所有类型的样本快递单图像对所述卷积神经网络进行训练，获得图像分类模型；获取待发送快递的图像信息，对所述图像信息进行图像处理，获得目标快递单信息，所述目标快递单信息至少包括区域信息和轮廓信息；根据所述轮廓信息和预设边长信息进行对比计算，根据对比计算结果对所述区域信息进行缩放，得到缩图图像；将所述缩图图像输入到所述图像分类模型中，识别得到所述缩图图像中的条形码信息和目的地信息。2.如权利要求1所述的基于深度学习的快递单信息识别方法，其特征在于，所述根据市场上所有类型的样本快递单图像对所述卷积神经网络进行训练，获得图像分类模型，包括以下步骤：采集并缩放市场上所有类型的样本快递单图像，所述样本快递单图像至少包括条形码信息和目的地信息；对所述条形码信息和所述目的地信息进行定位标识，并将定位标识结果进行分类存储，得到训练集和测试集；根据所述训练集对所述卷积神经网络进行训练，并根据测试集对训练结果进行测试，得到图像分类模型。3.如权利要求1所述的基于深度学习的快递单信息识别方法，其特征在于，所述识别得到所述缩图图像中的条形码信息和目的地信息，包括以下步骤：根据所述图像分类模型对所述缩图图像进行回归定位，得到条形码区域信息和目的地区域信息；对所述条形码区域信息进行识别，得到条形码信息；对所述目的地区域信息进行字符分割，并对字符分割结果进行识别，得到目的地信息。4.如权利要求1所述的基于深度学习的快递单信息识别方法，其特征在于，还包括以下步骤：在根据对比计算结果对所述区域信息进行缩放之前，根据对比计算结果对所述缩图图像进行旋转。5.如权利要求1所述的基于深度学习的快递单信息识别方法，其特征在于，还包括以下步骤：在将所述缩图图像输入到所述图像分类模型中，对所述缩图图像存储生成缩图数据库，根据所述缩图数据库对所述卷积神经网络重新进行训练。6.一种基于深度学习的快递单信息识别系统，其特征在于，包括构建训练模块、获取处理模块、计算缩放模块以及识别输出模块；所述构建训练模块，用于构建卷积神经网络，根据市场上所有类型的样本快递单图像对所述卷积神经网络进行训练，获得图像分类模型；所述获取处理模块，用于获取待发送快递的图像信息，对所述图像信息进行图像处理，获得目标快递单信息，所述目标快递单信息至少包括区域信息和轮廓信息；所述计算缩放模块，用于根据所述轮廓信息和预设边长信息进行对比计算，根据对比2CN107341523A权利要求书2/2页计算结果对所述区域信息进行缩放，得到缩图图像；所述识别输出模块，用于将所述缩图图像输入到所述图像分类模型中，识别得到所述缩图图像中的条形码信息和目的地信息。7.如权利要求6所述的基于深度学习的快递单信息识别系统，其特征在于，所述构建训练模块包括采集单元、定位标识单元以及训练测试单元；所述采集单元，用于采集并缩放市场上所有类型的样本快递单图像，所述样本快递单图像至少包括条形码信息和目的地信息；所述定位标识单元，用于对所述条形码信息和所述目的地信息进行定位标识，并将定位标识结果进行分类存储，得到训练集和测试集；所述训练测试单元，用于根据所述训练集对所述卷积