[发明专利]基于卷积神经网络堆叠泛化的文档图像分类方法和系统

权利要求书

1.一种基于卷积神经网络堆叠泛化的文档图像分类方法，其特征在于，包括：

将文档图像转换为与文档图像分类模型训练时一致的格式和大小，其中文档图像分类模型是基于卷积神经网络模型训练得到；

将转换后的文档图像经过文档图像分类模型处理得到多个包括类别和概率在内的分类结果；

将文档图像的多个分类结果进行堆叠泛化得到文档图像最终的类别及其概率。

2.根据权利要求1所述的基于卷积神经网络堆叠泛化的文档图像分类方法，其特征在于，卷积神经网络模型训练得到文档图像分类模型进一步包括：

收集多个文档图像；

预处理收集到的文档图像；

对用于训练模型的文档图像进行预处理，制作基于整体和部分的训练样本；

建立基于VGG卷积神经网络模型，并分别用上一步骤中的包括整体和部分在内的多个训练样本训练VGG卷积神经网络模型，并基于Adam算法进行训练的梯度优化；

将上一步骤中的VGG卷积神经网络模型的多个输出进行堆叠泛化，得到文档图像分类模型。

3.根据权利要求2所述的基于卷积神经网络堆叠泛化的文档图像分类方法，其特征在于，预处理收集到的文档图像包括：

将收集到的文档图像转换为统一的编码格式并按照类别进行分类，对每个类别都赋予一个编号，将处理后的文档图像缩放为统一的尺寸大小，预处理后的文档图像中的一部分用于训练模型，另一部分用于测试模型。

4.根据权利要求3所述的基于卷积神经网络堆叠泛化的文档图像分类方法，其特征在于，制作基于整体和部分的训练样本的步骤包括：

将用于训练模型的文档图像按一定比例划分为多部分图像，再分别按照上述划分方式取出所有用于训练模型的文档图像中的数据，分别制作对应该多部分的多组训练样本，最后将所述这些训练样本转换为统一的尺寸大小，其中多部分包括但不限于头部、底部、左半部分、右半部分、或整体。

5.一种基于卷积神经网络堆叠泛化的文档图像分类系统，其特征在于，包括：

文档转换模块，用于将文档图像转换为与文档图像分类模型训练时一致的格式和尺寸；

模型处理模块，用于将文档转换模块处理后的文档图像经过模型构建系统所构建的文档图像分类模型处理得到多个包括类别和概率在内的分类结果；

堆叠泛化处理模块，用于将文档图像经过模型处理模块处理后的多个分类结果进行堆叠泛化得到文档图像最终的类别及其概率；

模型构建系统，用于基于卷积神经网络模型构建并训练得到文档图像分类模型。

6.根据权利要求5所述的基于卷积神经网络堆叠泛化的文档图像分类系统，其特征在于，模型构建系统进一步包括：

文档图像收集单元，用于收集多个文档图像；

预处理单元，预处理收集到的文档图像；

训练样本制作单元，对用于训练模型的文档图像进行预处理，制作基于整体和部分的训练样本；

模型训练单元，建立基于VGG卷积神经网络模型，并分别用训练样本制作单元所制作的包括整体和部分在内的多个训练样本训练VGG卷积神经网络模型，并基于Adam算法进行训练的梯度优化；

堆叠泛化单元，将模型训练单元训练得到的VGG卷积神经网络模型的多个输出进行堆叠泛化，得到文档图像分类模型。

7.根据权利要求6所述的基于卷积神经网络堆叠泛化的文档图像分类系统，其特征在于，预处理单元将收集到的文档图像转换为统一的编码格式并按照类别进行分类，对每个类别都赋予一个编号，将处理后的文档图像缩放为统一的尺寸大小，预处理后的文档图像中的一部分用于训练模型，另一部分用于测试模型。

8.根据权利要求7所述的基于卷积神经网络堆叠泛化的文档图像分类系统，其特征在于，训练样本制作单元将用于训练模型的文档图像按一定比例划分为多部分图像，再分别按照上述划分方式取出所有用于训练模型的文档图像中的数据，分别制作对应该多部分的多组训练样本，最后将所述这些训练样本转换为统一的尺寸大小，其中多部分包括但不限于头部、底部、左半部分、右半部分、或整体。