[发明专利]电子装置、发票分类的方法及计算机可读存储介质

权利要求书

1.一种电子装置，其特征在于，所述电子装置包括存储器及与所述存储器连接的处理器，所述存储器中存储有可在所述处理器上运行的识别系统，所述识别系统被所述处理器执行时实现如下步骤：

S1，在接收到待处理的发票图片后，利用预定的矫正规则对所述发票图片进行倾斜矫正；

S2，利用预先训练生成的发票图片识别模型对倾斜矫正后的发票图片进行类别识别，并输出类别识别结果；

所述预先确定的矫正规则包括：

利用霍夫变换Hough的概率算法分离出所述发票图片中小于等于第一预设长度的短直线段；

基于各分离出的短直线段的x坐标或y坐标将各分离出的短直线段分成若干类；

将属于同一类的短直线段作为一个目标类直线，并利用最小二乘法获取与各个目标类直线相似的长直线段；

计算各个长直线段的斜率，以及各个长直线段的斜率的中位数和均值，比较计算出的斜率的中位数和均值的大小以确定出较小者，并根据确定出的较小者调整发票图片的倾角。

2.根据权利要求1所述的电子装置，其特征在于，所述发票图片识别模型为深度卷积神经网络模型，所述深度卷积神经网络模型包括目标检测算法。

3.根据权利要求2所述的电子装置，其特征在于，所述识别系统被所述处理器执行时，还实现如下步骤：

为每一预设的发票图片类别分别准备第一预设数量的标注有对应的类别的发票图片样本，将所述发票图片样本分为第一比例的训练子集和第二比例的验证子集；

获取每一预设的发票图片类别对应的第二预设数量证件图片样本，将所述证件图片样本分为第一比例的训练子集和第二比例的验证子集；

将所有训练子集中的图片样本进行混合以得到训练集，将所有验证子集中的图片样本进行混合以得到验证集；

利用所述训练集训练所述深度卷积神经网络模型；

利用所述验证集验证训练后的深度卷积神经网络模型的准确率；

若所述准确率大于或者等于预设准确率，则训练结束，以训练后的深度卷积神经网络模型作为所述步骤S2中的发票图片识别模型，或者，若所述准确率小于预设准确率，则增加每一预设的发票图片类别对应的证件图片样本的数量，以重新进行训练。

4.根据权利要求3所述的电子装置，其特征在于，所述识别系统被所述处理器执行时，还实现如下步骤：

在训练所述深度卷积神经网络模型前，分析训练集的图片样本及验证集的图片样本的标注信息，将标注信息错误的图片样本进行清理；

根据发票图片的高宽比信息以及印章的位置分析清理后剩余的图片样本的转置情况，并对发生转置的进行翻转调整。

5.一种发票分类的方法，其特征在于，所述发票分类的方法包括：

S1，在接收到待处理的发票图片后，利用预定的矫正规则对所述发票图片进行倾斜矫正；

S2，利用预先训练生成的发票图片识别模型对倾斜矫正后的发票图片进行类别识别，并输出类别识别结果；

所述预先确定的矫正规则包括：

利用霍夫变换Hough的概率算法分离出所述发票图片中小于等于第一预设长度的短直线段；

基于各分离出的短直线段的x坐标或y坐标将各分离出的短直线段分成若干类；

将属于同一类的短直线段作为一个目标类直线，并利用最小二乘法获取与各个目标类直线相似的长直线段；

计算各个长直线段的斜率，以及各个长直线段的斜率的中位数和均值，比较计算出的斜率的中位数和均值的大小以确定出较小者，并根据确定出的较小者调整发票图片的倾角。

6.根据权利要求5所述的发票分类的方法，其特征在于，所述发票图片识别模型为深度卷积神经网络模型，所述深度卷积神经网络模型包括目标检测算法。