隨著經(jīng)濟和信息技術(shù)的高速發(fā)展,企業(yè)之間的貿(mào)易增多,企業(yè)關(guān)于財務(wù)方面的高效管理越來越重要,尤其是發(fā)票信息識別和存儲管理的問題。隨著發(fā)票數(shù)量增多,傳統(tǒng)OCR識別方法出現(xiàn)識別效率低、易于出錯的問題,本文設(shè)計和開發(fā)一個基于深度學(xué)習(xí)的發(fā)票識別系統(tǒng),該系統(tǒng)以發(fā)票文字檢測和文字識別為核心,并結(jié)合現(xiàn)有的圖像預(yù)處理技術(shù),提高發(fā)票的識別效率。本文的主要工作內(nèi)容如下:(1)針對噪聲和因光照不佳導(dǎo)致圖像的對比度較低、圖像缺少、傾斜問題,本文通過圖像灰度化、圖像二值化和圖像傾斜矯正的圖像預(yù)處理的方法來解決以上問題。(2)提出了基于YOLOv3+CRNN模型下的目標檢測與發(fā)票識別方法。通過標注發(fā)票數(shù)據(jù)集,分別對YOLOv3檢測模型和CRNN識別模型進行訓(xùn)練。然后將兩個訓(xùn)練好的模型進行結(jié)合,得到一個端到端的發(fā)票識別模型,對該模型進行實驗驗證,發(fā)票識別率達98%以上。(3)采用端到端的發(fā)票識別模型,開發(fā)了基于深度學(xué)習(xí)的發(fā)票檢測和識別系統(tǒng)。先對該系統(tǒng)進行需求分析和設(shè)計,系統(tǒng)由圖像采集模塊、圖像預(yù)處理模塊、發(fā)票字符檢測模塊、發(fā)票字符識別模塊和數(shù)據(jù)整理模塊組成,在發(fā)票字符檢測和識別兩個模塊使用函數(shù)調(diào)用訓(xùn)練好的YOLOv3和...

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.2二值化的數(shù)字數(shù)據(jù)

第2章發(fā)票識別系統(tǒng)相關(guān)技術(shù)簡述10上式（2-6）中取本地鄰域窗口的寬b值為15，偏差常數(shù)值為0.2。綜合式（2-7）的全局前景閾值上限的到了本文改進Niblack法的新自適應(yīng)二值化閾值如下式（2-8）："max(,)min((,),)2-8NiblackNiblackadaptt....

圖2.4CNN網(wǎng)絡(luò)結(jié)構(gòu)圖

第2章發(fā)票識別系統(tǒng)相關(guān)技術(shù)簡述11小范圍內(nèi)對傾斜文本行的定位效果進行更高精度的矯正。傾斜文本定位處理流程如圖2.3所示。圖2.3傾斜文本定位處理流程2.2深度學(xué)習(xí)技術(shù)2.2.1卷積神經(jīng)網(wǎng)絡(luò)技術(shù)卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）是一種深度學(xué)....

圖2.5傳統(tǒng)OCMSER、SWT合分影分析

第2章發(fā)票識別系統(tǒng)相關(guān)技術(shù)簡述14圖像文本圖2.5傳統(tǒng)OCR處理流程圖經(jīng)典的光學(xué)字符識別系統(tǒng)的流程和技術(shù)要點如圖2.5所示，從圖像的輸入到得到最后的文本，需要經(jīng)過連通域分析、二值化、行列分割及分析、文字分割和識別、HMM模型處理等流程。在傳統(tǒng)的OCR技術(shù)的任務(wù)中，識別過程分為單字....

圖2.5傳統(tǒng)OCR處理流程圖

第2章發(fā)票識別系統(tǒng)相關(guān)技術(shù)簡述14圖像文本圖2.5傳統(tǒng)OCR處理流程圖經(jīng)典的光學(xué)字符識別系統(tǒng)的流程和技術(shù)要點如圖2.5所示，從圖像的輸入到得到最后的文本，需要經(jīng)過連通域分析、二值化、行列分割及分析、文字分割和識別、HMM模型處理等流程。在傳統(tǒng)的OCR技術(shù)的任務(wù)中，識別過程分為單字....

本文編號：3977360