目錄
前言
課題背景和意義
實現(xiàn)技術(shù)思路
一、?算法理論基礎(chǔ)
1.1 卷積神經(jīng)網(wǎng)絡(luò)
1.3 EM算法
二、實驗及結(jié)果分析
2.1?數(shù)據(jù)處理
2.2?模型訓(xùn)練
3.2?結(jié)果分析
最后
前言
? ? ??大四是整個大學(xué)期間最忙碌的時光,一邊要忙著備考或?qū)嵙?xí)為畢業(yè)后面臨的就業(yè)升學(xué)做準(zhǔn)備,一邊要為畢業(yè)設(shè)計耗費大量精力。近幾年各個學(xué)校要求的畢設(shè)項目越來越難,有不少課題是研究生級別難度的,對本科同學(xué)來說是充滿挑戰(zhàn)。為幫助大家順利通過和節(jié)省時間與精力投入到更重要的就業(yè)和考試中去,學(xué)長分享優(yōu)質(zhì)的選題經(jīng)驗和畢設(shè)項目與技術(shù)思路。
??對畢設(shè)有任何疑問都可以問學(xué)長哦!
?? ?選題指導(dǎo):
? ? ? ? 最新最全計算機(jī)專業(yè)畢設(shè)選題精選推薦匯總
? ? ? ??大家好,這里是海浪學(xué)長畢設(shè)專題,本次分享的課題是
? ? ? ???基于機(jī)器學(xué)習(xí)的票據(jù)表格分割識別系統(tǒng)
課題背景和意義
? ? ? ?在許多業(yè)務(wù)場景中，如財務(wù)會計、發(fā)票管理和報銷流程等，準(zhǔn)確地分割和識別票據(jù)表格中的信息是必要的任務(wù)。它能夠為各種業(yè)務(wù)場景提供科學(xué)工具和決策支持，提高票據(jù)處理的效率和準(zhǔn)確性，推動自動化文檔識別和數(shù)據(jù)智能化的發(fā)展與應(yīng)用。
實現(xiàn)技術(shù)思路
一、?算法理論基礎(chǔ)
1.1 卷積神經(jīng)網(wǎng)絡(luò)
? ? ? ?深度學(xué)習(xí)指從有限樣例中，通過算法總結(jié)出一般規(guī)律， 并可以應(yīng)用到新的未知數(shù)據(jù)上，可供學(xué)習(xí)的數(shù)據(jù)越多，其效果越好。從根源來講， 深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個分支。卷積核的數(shù)量和卷積層的數(shù)量都對卷積神經(jīng)網(wǎng)絡(luò)的性能和擬合能力產(chǎn)生影響。適當(dāng)增加卷積核的數(shù)量和卷積層的數(shù)量可以提高網(wǎng)絡(luò)的表達(dá)能力和學(xué)習(xí)能力，但過多的卷積核和層數(shù)可能導(dǎo)致噪聲和冗余。因此，在設(shè)計和改進(jìn)神經(jīng)網(wǎng)絡(luò)模型時，需要在廣度和深度方面進(jìn)行權(quán)衡和調(diào)整，以達(dá)到更好的性能和魯棒性。
? ? ? ?卷積核的數(shù)量決定了網(wǎng)絡(luò)能夠提取多少種特征圖。較多的卷積核可以捕捉更多的圖像特征，每個卷積核對應(yīng)一種特征。適當(dāng)增加卷積核的數(shù)量可以提高網(wǎng)絡(luò)的表達(dá)能力。然而，當(dāng)卷積核的數(shù)量過多時，可能會引入噪聲或冗余信息，影響網(wǎng)絡(luò)的性能。卷積層的數(shù)量決定了網(wǎng)絡(luò)的深度，即網(wǎng)絡(luò)的層數(shù)。較深的網(wǎng)絡(luò)可以通過堆疊多層特征提取器來豐富網(wǎng)絡(luò)的表達(dá)能力。低層卷積層主要提取局部細(xì)節(jié)特征，高層卷積層則能夠提取更抽象的全局特征。增加網(wǎng)絡(luò)的深度可以提高網(wǎng)絡(luò)的非線性表示能力，提高對復(fù)雜模式的學(xué)習(xí)能力。
1.3 EM算法
? ? ? ?EM算法（Expectation-Maximization Algorithm）是一種迭代算法，用于估計含有潛在變量的概率模型的參數(shù)。給定觀測數(shù)據(jù)Y，其概率分布為P(Y|θ)，其中θ是需要估計的模型參數(shù)。EM算法的目標(biāo)是通過極大化不完全數(shù)據(jù)Y關(guān)于參數(shù)θ的對數(shù)似然函數(shù)的下界來逼近極大化完全數(shù)據(jù)對數(shù)似然函數(shù)的最大似然估計。
具體步驟如下：
- 初始化模型參數(shù)θ的初值。
- E步（Expectation Step）：計算完全數(shù)據(jù)的期望對數(shù)似然函數(shù)的期望，即計算潛在變量的條件概率分布。
- M步（Maximization Step）：針對給定的潛在變量的條件概率分布，最大化完全數(shù)據(jù)的對數(shù)似然函數(shù)關(guān)于參數(shù)θ的期望。
- 重復(fù)執(zhí)行E步和M步，直到收斂，得到模型的最大似然估計或近似最大似然估計。
相關(guān)代碼示例：
# 初始化模型參數(shù)
initialize_parameters()
# 迭代過程
while not converged:
# E步（Expectation Step）
expectation()
# M步（Maximization Step）
maximization()
# 判斷是否收斂
if is_converged():
converged = True
# 輸出最終的參數(shù)估計值
output_parameters()? ? ? ?EM算法的核心思想是通過迭代求解下界來逼近極大化完全數(shù)據(jù)對數(shù)似然函數(shù)的最大似然估計。由于EM算法涉及到對不完全數(shù)據(jù)的期望和對完全數(shù)據(jù)的最大化，它可以克服含有潛在變量的概率模型參數(shù)估計中的困難。
? ? ? ?EM算法是一種用于含有潛在變量的概率模型參數(shù)估計的迭代算法，通過迭代求解下界來逼近極大化完全數(shù)據(jù)對數(shù)似然函數(shù)的最大似然估計。它能夠解決模型含有潛在變量時無法直接使用傳統(tǒng)估計方法的問題，并在多峰數(shù)據(jù)建模中具有一定的應(yīng)用價值。然而，EM算法只能保證局部最優(yōu)解，對于全局最優(yōu)解沒有保證。
?相關(guān)代碼示例：
for iteration in range(max_iterations):
# E步（Expectation Step）
compute_lower_bound()
# M步（Maximization Step）
maximize_lower_bound()二、實驗及結(jié)果分析
2.1?數(shù)據(jù)處理
? ? ? ?收集大量的票據(jù)圖像數(shù)據(jù)，包括各種類型的票據(jù)，例如發(fā)票、收據(jù)、訂單等?？梢酝ㄟ^網(wǎng)絡(luò)爬蟲、合作伙伴提供的數(shù)據(jù)或者自行采集等方式獲取。確保數(shù)據(jù)集的多樣性，涵蓋不同票據(jù)樣式、字體、背景和布局等方面的變化。這樣能夠幫助系統(tǒng)更好地適應(yīng)各種實際場景。根據(jù)需要，進(jìn)行數(shù)據(jù)標(biāo)注，包括整體圖像的標(biāo)注和表格區(qū)域的標(biāo)注。表格區(qū)域的標(biāo)注可以使用矩形框或多邊形來表示。
? ? ? ?在數(shù)據(jù)預(yù)處理階段，要對圖像進(jìn)行清洗、調(diào)整大小、灰度化和增強(qiáng)等處理，以提高圖像質(zhì)量和可分辨性。這樣的數(shù)據(jù)準(zhǔn)備工作為后續(xù)的表格檢測、文本識別和模型訓(xùn)練提供了高質(zhì)量、多樣性的數(shù)據(jù)基礎(chǔ)。
相關(guān)代碼示例：
image = cv2.imread('invoice.jpg')
# 圖像清洗
# 可根據(jù)需要進(jìn)行噪聲去除、平滑處理等操作
# 圖像調(diào)整大小
resized_image = cv2.resize(image, (800, 600)) # 調(diào)整為800x600的大小
# 灰度化
gray_image = cv2.cvtColor(resized_image, cv2.COLOR_BGR2GRAY)
# 圖像增強(qiáng)
enhanced_image = cv2.equalizeHist(gray_image) # 直方圖均衡化
# 顯示原始圖像和預(yù)處理后的圖像
cv2.imshow('Original Image', image)
cv2.imshow('Preprocessed Image', enhanced_image)
cv2.waitKey(0)
cv2.destroyAllWindows()2.2?模型訓(xùn)練
? ? ? ?通過實驗和算法的組合，包括標(biāo)準(zhǔn)化處理、JDM網(wǎng)絡(luò)和CPD算法，可以在合成表格數(shù)據(jù)集上實現(xiàn)高準(zhǔn)確率和召回率的交叉點檢測，并且能夠?qū)崿F(xiàn)高精度的表格分割。
相關(guān)代碼示例：
# 導(dǎo)入所需的庫和模塊
import numpy as np
import cv2
# 導(dǎo)入JDM網(wǎng)絡(luò)和CPD算法的相關(guān)模塊（需自行實現(xiàn)或使用現(xiàn)有的實現(xiàn)）
# 定義函數(shù)進(jìn)行標(biāo)準(zhǔn)化處理
def standardize(image):
# 實現(xiàn)圖像的標(biāo)準(zhǔn)化處理
# ...
# 定義函數(shù)進(jìn)行表格交叉點檢測
def detect_cross_points(image):
# 使用JDM網(wǎng)絡(luò)實現(xiàn)表格交叉點檢測
# ...
# 定義函數(shù)進(jìn)行表格分割
def segment_tables(image):
# 使用CPD算法實現(xiàn)表格分割
# ...
# 讀取圖像
image = cv2.imread('table_image.jpg')
# 圖像預(yù)處理
image = standardize(image)
# 進(jìn)行表格交叉點檢測
cross_points = detect_cross_points(image)
# 進(jìn)行表格分割
table_regions = segment_tables(image)
# 顯示交叉點和分割結(jié)果
# ...? ? ? ??在進(jìn)行點集匹配之前，首先對兩個點集進(jìn)行標(biāo)準(zhǔn)化處理。經(jīng)過實驗測試發(fā)現(xiàn)，經(jīng)過標(biāo)準(zhǔn)化處理后的點集在面對旋轉(zhuǎn)和點缺失等問題時能夠獲得更好的匹配效果。本次實驗中采用了JDM網(wǎng)絡(luò)提取交叉點時具有較高召回率和準(zhǔn)確率的特點，以及CPD算法在處理點缺失和點冗余時表現(xiàn)良好。在測試集中，交叉點的匹配正確率達(dá)到了100%，即所有票據(jù)中的點都能夠找到與之對應(yīng)的模板中的點。
? ? ? ??測試集上，如果嚴(yán)格采用四個頂點表示單元格，則表格分割準(zhǔn)確率為97.4%。如果認(rèn)為對角線上的兩個點也能表示單元格，則表格分割準(zhǔn)確率可達(dá)到98.6%。第一列是增值稅發(fā)票的分割結(jié)果，第二列是購車發(fā)票的分割結(jié)果，第三列是稅收完稅證明的分割結(jié)果。使用四個頂點分割出的單元格標(biāo)出了兩條對角線，而使用兩個點分割出的單元格只標(biāo)出了一條對角線，對于未分割出的單元格則沒有標(biāo)示。
最后
我是海浪學(xué)長,創(chuàng)作不易,歡迎點贊、關(guān)注、收藏。文章來源：http://www.zghlxwxcb.cn/news/detail-834508.html
畢設(shè)幫助，疑難解答，歡迎打擾！文章來源地址http://www.zghlxwxcb.cn/news/detail-834508.html
到了這里，關(guān)于畢業(yè)設(shè)計選題：基于機(jī)器學(xué)習(xí)的票據(jù)表格分割識別系統(tǒng) 人工智能 YOLO 計算機(jī)視覺的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
