現(xiàn)代工業(yè)、商業(yè)、日常經(jīng)濟(jì)活動(dòng)的繁榮,促使人們頻繁使用發(fā)票等稅務(wù)票據(jù),而常規(guī)手動(dòng)管理稅務(wù)票據(jù)費(fèi)事費(fèi)力,隨著信息技術(shù)的發(fā)展,這項(xiàng)工作大多交由計(jì)算機(jī)完成,而傳統(tǒng)的人工手動(dòng)錄入稅務(wù)票據(jù)信息的方式,面對急劇增長的稅務(wù)票據(jù),無法滿足人們的要求,且錯(cuò)誤率高、時(shí)效性差。因此借助信息化手段,提高稅務(wù)票據(jù)信息處理能力,處理效率,準(zhǔn)確率,實(shí)現(xiàn)稅務(wù)票據(jù)自動(dòng)識(shí)別是解決問題的有效辦法。稅務(wù)票據(jù)識(shí)別是字符識(shí)別技術(shù)的實(shí)踐與應(yīng)用。本課題首先整理總結(jié)了國內(nèi)外字符識(shí)別技術(shù)的現(xiàn)狀及研究方法,重點(diǎn)介紹了基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法。并對稅務(wù)票據(jù)自動(dòng)識(shí)別系統(tǒng)進(jìn)行需求分析、業(yè)務(wù)流程、架構(gòu)設(shè)計(jì)及實(shí)現(xiàn),提出基于Dense Convolutional Network（DenseNet）加 Bidirectional-LSTM（BLSTM）的稅務(wù)票據(jù)內(nèi)容識(shí)別模型。主要工作內(nèi)容如下:（1）針對稅務(wù)票據(jù)圖像的預(yù)處理問題,采用OpenCV對圖像進(jìn)行灰度化處理去除不必要的彩色信息;再采用自適應(yīng)中值濾波器對圖像進(jìn)行降噪處理去除噪音;采用Radon變化對圖像進(jìn)行傾斜校正;最后對圖像進(jìn)行分割定位以便精確提取所需內(nèi)容。（2）針對稅務(wù)票據(jù)的內(nèi)容識(shí)別問題,仔細(xì)... 

【文章來源】：中國科學(xué)院大學(xué)(中國科學(xué)院人工智能學(xué)院)北京市

【文章頁數(shù)】：76 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

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

?經(jīng)網(wǎng)絡(luò)中的處理單元對應(yīng)生物神經(jīng)網(wǎng)絡(luò)的神經(jīng)元，受生物神經(jīng)網(wǎng)絡(luò)動(dòng)作電位和靜??息的產(chǎn)生機(jī)制原理啟發(fā)建立的數(shù)學(xué)運(yùn)算模型。圖２．２展示的是人工神經(jīng)網(wǎng)絡(luò)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(quán)重相乘，再??求和。權(quán)值為正表示興奮，值越大表示作用越強(qiáng)，負(fù)值的權(quán)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(jié)果是一，反之，結(jié)果是零。??圖２．?２人工神經(jīng)網(wǎng)絡(luò)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(luò)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(hào)都可以通過Ｓｉｇｍｏｉｄ函數(shù)進(jìn)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(zhuǎn)換成一個(gè)取值介于〇到１之間的輸出值，而不??是將分類結(jié)果簡單分為０和〗，輸出結(jié)果是介于二者的概率，因此，Ｓｉｇｍｏｉｄ函數(shù)??的最大的特點(diǎn)是無限擬合非線性的輸入與輸出。在訓(xùn)練集上

發(fā)表后很快在模式識(shí)別、圖像識(shí)別、語音識(shí)別、自然語言處理等領(lǐng)域有了不俗的??表現(xiàn)。２０世紀(jì)８０年代日本學(xué)者Ｋ．ＦｕｋｕＳｈｉｍａ第一次實(shí)際構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)，并??之后致力于研究對卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化。卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖２．３所示。??卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)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??（�。玻感�?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(luò)結(jié)構(gòu)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(luò)的輸入，當(dāng)輸入是圖像時(shí)，??輸入數(shù)據(jù)就是圖像的像素值，當(dāng)輸入是數(shù)據(jù)時(shí)，輸入數(shù)據(jù)就是輸入向量。??（２）

【參考文獻(xiàn)】：
期刊論文
[1]深度神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀[J]. 胡聰叢,胡桓.  電子技術(shù)與軟件工程. 2017(04)
[2]通用機(jī)打商業(yè)發(fā)票識(shí)別系統(tǒng)研究與實(shí)現(xiàn)[J]. 虞飛,皮佑國.  信息技術(shù). 2013(06)
[3]三種基于GDI+的圖像灰度化實(shí)現(xiàn)方法[J]. 李貞培,李平,郭新宇,陳樹敏.  計(jì)算機(jī)技術(shù)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(jì)算機(jī)應(yīng)用. 2008(02)
[5]開放源代碼的計(jì)算機(jī)視覺類庫OpenCv的應(yīng)用[J]. 黎松,平西建,丁益洪.  計(jì)算機(jī)應(yīng)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(hào)：3060005