论文部分内容阅读
票据等作为金融流通的重要手段,其视觉识别技术、防伪鉴别技术是金融安全的重要保障。本文以“基于深度学习机器视觉目标检测的票据鉴别关键技术”为题,研究深度学习目标检测方法并应用于票据防伪鉴别场景,重点研究基于回归方法的票据图像快速识别与定位、基于区域候选方法的票据图像多防伪特征识别、基于小目标检测的票据图像文本信息提取等关键技术,开发基于深度学习目标检测的票据检测系统,这对于实现视觉检测自动化、智能化,推动制造工程智能化检测及仪器学科发展,具有重要学术价值与实际意义。研究工作得到广州市重大科技计划项目（编号:201802030006）的支持。论文研究基于机器视觉目标检测的票据鉴别关键技术,从经典机器视觉目标检测算法、基于深度学习机器视觉目标检测算法、基于机器视觉的票据鉴别技术等3方面分别论述相关研究内容的国内外研究进展,确定论文研究内容,具体工作包括:⑴设计基于深度学习机器视觉目标检测的票据鉴别关键技术方案。分析基于深度学习目标检测的票据鉴别不同阶段对于检测速度、精度不同要求,设计基于深度学习目标检测的票据鉴别技术方案与鉴别流程,分析多光源激发下票据识别与定位技术、票据多防伪特征检测技术、票据图像文本信息提取技术评价指标与研究关键。⑵研究基于回归方法的票据识别与快速定位技术。分析票据识别与快速定位检测技术机理,指出骨干网络运算量是制约算法检测速度的瓶颈,并从骨干网络深度、卷积核尺度、网络设计方法三个方面研究骨干网络优化方法。通过在票据识别与定位检测中采用较小规模骨干网络（10～20层深度）、采用1×1等小尺度卷积核、采用全局平均池化代替全连接层,有效降低骨干网络运算量,提高票据识别与定位检测速度,检测速度达42FPS,与其他骨干网络相比,可提升10.5%检测速度。⑶研究基于区域候选的票据防伪特征检测技术。分析基于区域候选的票据防伪特征检测技术机理,指出算法训练过程中样本不平衡问题是影响票据防伪特征检测精度的关键,并从难训练样本挖掘方法、损失函数设置、先验锚点框设置三方面研究检测精度提升方法。通过筛选并利用难训练样本再训练模型、在损失函数中引入正负样本权重系数λp-m与难易训练样本权重系数θh-e调整样本损失项比例、在先验锚点框设置基础上引入锚点框位置形状预测子网络,有效缓解样本不平衡问题,提高票据防伪特征检测精度,检测精度达82.7m AP,提升7.7%检测精度。⑷研究基于小目标检测的票据文本信息检测技术,分析基于小目标检测的票据文本信息检测技术机理,指出文本信息检测与一般目标检测任务的不同之处与技术难点,并从多卷积融合方法、基于双向LSTM的文本特征序列识别方法两个方面研究算法检测效果提升方法,有效提升票据文本检测效果。⑸基于深度学习目标检测的票据检测技术应用。搭建票据检测系统与检测软件平台,进行系统硬件器件选型,简述票据检测系统在实际应用中的工作流程,并应用于银行汇票、支票等票据检测,综合评价票据检测系统应用效果。