現(xiàn)代工業(yè)、商業(yè)、日常經(jīng)濟活動的繁榮,促使人們頻繁使用發(fā)票等稅務票據(jù),而常規(guī)手動管理稅務票據(jù)費事費力,隨著信息技術的發(fā)展,這項工作大多交由計算機完成,而傳統(tǒng)的人工手動錄入稅務票據(jù)信息的方式,面對急劇增長的稅務票據(jù),無法滿足人們的要求,且錯誤率高、時效性差。因此借助信息化手段,提高稅務票據(jù)信息處理能力,處理效率,準確率,實現(xiàn)稅務票據(jù)自動識別是解決問題的有效辦法。稅務票據(jù)識別是字符識別技術的實踐與應用。本課題首先整理總結了國內(nèi)外字符識別技術的現(xiàn)狀及研究方法,重點介紹了基于神經(jīng)網(wǎng)絡的深度學習方法。并對稅務票據(jù)自動識別系統(tǒng)進行需求分析、業(yè)務流程、架構設計及實現(xiàn),提出基于Dense Convolutional Network（DenseNet）加 Bidirectional-LSTM（BLSTM）的稅務票據(jù)內(nèi)容識別模型。主要工作內(nèi)容如下:（1）針對稅務票據(jù)圖像的預處理問題,采用OpenCV對圖像進行灰度化處理去除不必要的彩色信息;再采用自適應中值濾波器對圖像進行降噪處理去除噪音;采用Radon變化對圖像進行傾斜校正;最后對圖像進行分割定位以便精確提取所需內(nèi)容。（2）針對稅務票據(jù)的內(nèi)容識別問題,仔細... 

【文章來源】：中國科學院大學(中國科學院人工智能學院)北京市

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

圖２．１神經(jīng)元數(shù)學模型示意圖??Ｆｉｇｕｒｅ?２．?１?Ｎｅｕｒｏｎａｌ?Ｍａｔｈｅｍａｔｉｃａｌ?Ｍｏｄｅｌ??

?經(jīng)網(wǎng)絡中的處理單元對應生物神經(jīng)網(wǎng)絡的神經(jīng)元，受生物神經(jīng)網(wǎng)絡動作電位和靜??息的產(chǎn)生機制原理啟發(fā)建立的數(shù)學運算模型。圖２．２展示的是人工神經(jīng)網(wǎng)絡組成??的示意圖，在圖中，輸入是源輸入或者上層神經(jīng)元的輸出，輸入與權重相乘，再??求和。權值為正表示興奮，值越大表示作用越強，負值的權重則為抑制，越小抑??制越弱。將全部的累加與閾值對比，累加大于閾值，結果是一，反之，結果是零。??圖２．?２人工神經(jīng)網(wǎng)絡的組成示意圖??Ｆｉｇｕｒｅ?２．２?Ｃｏｍｐｏｓｉｔｉｏｎ?ｏｆ?Ａｒｔｉｆｉｃｉａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ??２．１．１激活函數(shù)??在神經(jīng)網(wǎng)絡中激活函數(shù)可以選擇不同的激活函數(shù)，傳統(tǒng)的激活函數(shù)有??Ｓｉｇｍｏｉｄ函數(shù)［２１］、ｔａｎｈ函數(shù)等。??（１）?Ｓ型函數(shù)??＝?ｓｉｇｍ（ｘ）?＝?—５—?（２．?１）??＼?＋?ｅｘ??任意輸入信號都可以通過Ｓｉｇｍｏｉｄ函數(shù)進行變換，其是非線性激活函數(shù)，功??能是將輸入壓縮至〇到１之間，即被轉換成一個取值介于〇到１之間的輸出值，而不??是將分類結果簡單分為０和〗，輸出結果是介于二者的概率，因此，Ｓｉｇｍｏｉｄ函數(shù)??的最大的特點是無限擬合非線性的輸入與輸出。在訓練集上

發(fā)表后很快在模式識別、圖像識別、語音識別、自然語言處理等領域有了不俗的??表現(xiàn)。２０世紀８０年代日本學者Ｋ．ＦｕｋｕＳｈｉｍａ第一次實際構建了卷積神經(jīng)網(wǎng)絡，并??之后致力于研究對卷積神經(jīng)網(wǎng)絡的結構優(yōu)化。卷積神經(jīng)網(wǎng)絡的結構如圖２．３所示。??卷積神經(jīng)網(wǎng)絡結構主要組成部分包括輸入層、卷積層、全連接層、輸出層。??特征映ｗ?特扯映射??（！＊２８心?１０＊１０＊１０?ＵＩ．映?Ｍ?諂出??輸入犯咖?????ｐ?隱⑷?２＾＊１??Ｍｌ?了仙樣?投積?了杣樣?Ｓ積??圖２．３卷積神經(jīng)網(wǎng)絡結構圖??Ｆｉｇｕｒｅ?２．３?Ｓｔｒｕｃｔｕｒａｌ?ｄｉａｇｒａｍ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??（１）輸入層：原始信息可以直接作為卷積網(wǎng)絡的輸入，當輸入是圖像時，??輸入數(shù)據(jù)就是圖像的像素值，當輸入是數(shù)據(jù)時，輸入數(shù)據(jù)就是輸入向量。??（２）

【參考文獻】：
期刊論文
[1]深度神經(jīng)網(wǎng)絡的發(fā)展現(xiàn)狀[J]. 胡聰叢,胡桓.  電子技術與軟件工程. 2017(04)
[2]通用機打商業(yè)發(fā)票識別系統(tǒng)研究與實現(xiàn)[J]. 虞飛,皮佑國.  信息技術. 2013(06)
[3]三種基于GDI+的圖像灰度化實現(xiàn)方法[J]. 李貞培,李平,郭新宇,陳樹敏.  計算機技術與發(fā)展. 2009(07)
[4]基于Radon變換的傾斜車牌圖像角度檢測與校正[J]. 孫東衛(wèi),朱程輝.  微計算機應用. 2008(02)
[5]開放源代碼的計算機視覺類庫OpenCv的應用[J]. 黎松,平西建,丁益洪.  計算機應用與軟件. 2005(08)
[6]票據(jù)印刷縱橫談[J]. 彭衛(wèi)東.  今日印刷. 2003(08)



本文編號：3060005