[发明专利]一种基于深度学习的票据分拣方法

权利要求书

1.一种基于深度学习的票据分拣方法，其特征在于，包括以下步骤：

S1.收集业务数据，进行归档标注：利用ImageNet预训练的VGG16网络加上无监督聚类算法K-Means对收集的业务图片进行粗分类，然后通过人工进行准确归类获得标注好的票据数据；

S2.划分数据集：将TotalDataset划分为训练集TrainDataset和验证集ValidationDataset，基于各具体票据类型样本数目的多少选择性地划分训练和验证数据集，在训练数据和验证数据划分层面考虑了样本不均衡的情况；

S3.训练STNEfficientNet：利用TrainDataset训练和利用ValidationDataset验证网络结构STNEfficientNet；S3具体步骤如下：

Step3-1：设定算法参数，具体包括初始学习速率learning rate＝1e-4，训练的批次大小batch-size＝16，网络参数优化器optimizer为带动量momentum＝0.9和权重衰减weight_decay＝1e-4的随机梯度下降法SGD，算法总的训练周期为epoach＝50，初始epoach＝0；

Step3-2：建立网络模型model＝STNEfficientNet()，构建网络模型的具体步骤如下：

Step3-2-1：建立一个空间变换网络STN；

Step3-2-2：建立EfficientNet网络；

Step3-2-3：将STN网络级联EfficientNet网络，形成STNEfficientNet网络；

Step3-3：判断epoach是否小于epoach，若是则转步骤Step3-4，若否则转S4；

Step3-4：从TrainDataset中取batch-size个发票，对model进行训练，并利用SGD进行模型算法更新；

Step3-5：判断是否TrainDataset中所有发票均已完成训练，若是，则转步骤Step3-6，若否则转步骤Step3-4；

Step3-6：用ValidationDataset验证模型model的精度，并保存训练好的模型，转Step3-3；

S4.部署训练完成的模型，利用训练好的网络STNEfficientNet，对客户上传的新的票据进行自动分拣。