[发明专利]一种基于深度学习的面单信息定位方法和系统

说明书

本发明公开了一种基于深度学习的面单信息定位方法和系统，能够对例如应用于快递领域的电子面单有效信息(例如收、寄件人信息)提供更加准确的定位服务。其技术方案为：通过卷积神经网络模型从输入的面单图像中提取图像特征和卷积层特征图；对不同卷积层数的特征图进行边界框的回归和分类；基于回归和分类的特征图，通过损失函数对卷积神经网络模型进行训练，产生候选框；从候选框中筛选出置信度最高、存在目标的区域，以得到边界框的位置信息；根据得到的边界框位置信息进行裁剪，以得到包括有效信息在内的图片。

技术领域

本发明涉及深度学习图像检测技术，具体涉及基于深度学习的(快递)面单信息定位方法和系统。

背景技术

近些年来随着淘宝电商的快速发展，快递物流行业的业务量爆发式增长，特别是年中大促、双十一等特殊的电商节日，会产生大量的快递面单。这对快递公司在进行快递面单处理时带来很大的难度，如何对快递面单中的有效信息(即收、寄件人的信息)进行有效快速的处理是值得研究的问题。

深度学习方法随着近几年深度学习理论的快速发展，取得了很大的进步，特别是检测精度比原有算法有了较大的提高。大量文献表明深度学习自我学习的特征可以更好地描述检测目标的特性，避免了复杂的特征提取和数据建模过程。深度学习方法中较为主流的是卷积神经网络CNN，最早用于Mnist手写数字字符数据集上。现在主流的目标检测算法是R-CNN系列两阶段目标检测器，最早的R-CNN算法使用了Selective Search方法从一张图像生成约2000-3000个候选区域，然后通过卷积神经网络在候选区域提取特征并进行判断，之后出现的Fast R-CNN、Faster-RCNN算法都是R-CNN算法的提高。然而，目前虽然这些两阶段检测算法已经获得了较高准确率，但是很难在实际应用中应用，其主要原因是深度神经网络庞大的网络结构导致巨大的计算量难以满足实时的要求。所以，我们提出使用一种改进的基于单阶段神经网络网络模型对快递电子面单进行定位。

发明内容

以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。

本发明的目的在于解决上述问题，提供了一种基于深度学习的面单信息定位方法和系统，能够对例如应用于快递领域的电子面单有效信息(例如收、寄件人信息)提供更加准确的定位服务。

本发明的技术方案为：本发明揭示了一种基于深度学习的面单信息定位方法，方法包括：

步骤1：通过卷积神经网络模型从输入的面单图像中提取图像特征和卷积层特征图；

步骤2：对步骤1中输出的不同卷积层数的特征图进行边界框的回归和分类；

步骤3：基于经步骤2回归和分类的特征图，通过损失函数对卷积神经网络模型进行训练，产生候选框；

步骤4：从候选框中筛选出置信度最高、存在目标的区域，以得到边界框的位置信息；

步骤5：根据得到的边界框位置信息进行裁剪，以得到包括有效信息在内的图片。

根据本发明的基于深度学习的面单信息定位方法的一实施例，步骤1是采用VGG16卷积神经网络模型提取图像特征，在提取图像特征的同时输出不同卷积层特征图。

根据本发明的基于深度学习的面单信息定位方法的一实施例，采用VGG16卷积神经网络模型中的前卷积层6-2层来进行特征提取，将卷积层6-2层之后的卷积层删除。

根据本发明的基于深度学习的面单信息定位方法的一实施例，步骤2是采用一系列的小卷积模块来预测物体的类别与坐标，对具有不同感受野的不同层数的特征图进行回归和分类。