一种印鉴校验方法、装置、电子设备及存储介质与流程

本发明涉及计算机，具体涉及一种印鉴校验方法、装置、电子设备及存储介质。

背景技术：

1、在金融领域，经常需要用到印鉴，例如，在用户进行信贷合同的签订时或者在银行办理某些业务时，可能会用到印鉴签订合同，从而实现业务的办理。为了防止合同签订过程中出现假印鉴，银行会通过某些技术手段，对用户在银行的预留印鉴对签订合同时的印鉴进行校验，以避免造成银行财产损失等。

2、目前的印鉴校验方式，需要专门的设备进行校验，例如采用专业精密的高拍仪进行校验，成本较高，此外，由于校验都是通过人工完成，因此，传统印鉴校验的结果受到操作者的经验和技能的影响，存在主观性，此外，传统印鉴校验只能检测印鉴的外观特征，无法检测印鉴的内部结构和物理特性。

3、因此，目前的印鉴校验方式存在成本较高、时间长、精度不高的问题。

技术实现思路

1、本发明的目的在于克服上述技术不足，提供一种适用于金融科技或其它相关技术领域的印鉴校验方法、装置、电子设备及存储介质，解决现有技术中印鉴校验方式存在成本较高、时间长、精度不高的技术问题。

2、为达到上述技术目的，本发明采取了以下技术方案：

3、第一方面，本发明提供了一种印鉴校验方法，包括如下步骤：

4、获取训练数据集，对所述训练数据集进行标注，并对标注后的训练数据集进行预处理后，将预处理后的训练数据集划分为训练集和测试集，其中，所述训练数据集包括若干个正常印鉴图像以及异常印鉴图像；

5、构建基于深度学习的神经网络模型，采用所述训练集对所述神经网络模型进行训练，以得到初始模型；

6、基于所述测试集，对所述初始模型进行模型优化处理，以得到训练完备的印鉴校验模型；

7、获取待校验印鉴，采用所述印鉴校验模型对所述待校验印鉴进行校验，以得到印鉴校验结果。

8、在一些实施例中，所述训练数据集的标注至少包括印鉴的关键点标注和印鉴的特征标注，其中，所述关键点至少包括印鉴的中心点、印鉴的边缘特征点以及印鉴的纹理特征点，所述特征至少包括纹理特征、形状特征以及颜色特征。

9、在一些实施例中，所述预处理的过程包括图像裁剪、图像缩放、图像旋转、图像平移、图像翻转、图像噪声添加中的一种或多种。

10、在一些实施例中，所述神经网络模型为卷积神经网络模型或者卷积神经网络加循环神经网络模型。

11、在一些实施例中，所述基于所述测试集，对所述初始模型进行模型优化处理，以得到训练完备的印鉴校验模型，包括：

12、将所述测试集输入至所述初始模型中进行计算，得到预测结果；

13、基于所述测试集的标签以及所述预测结果，计算所述初始模型的评价指标；

14、基于所述评价指标，对所述初始模型进行优化处理，以得到训练完备的印鉴校验模型。

15、在一些实施例中，所述优化处理的方式包括调整预测结果的阈值、改进模型的网络结构、调整模型的超参数以及数据增强处理中的一种或多种。

16、在一些实施例中，所述方法还包括：

17、获取所述印鉴校验模型的运行数据，基于所述运行数据对所述印鉴校验模型进行优化处理。

18、第二方面，本发明还提供了一种印鉴校验装置，包括：

19、数据获取模块，用于获取训练数据集，对所述训练数据集进行标注，并对标注后的训练数据集进行预处理后，将预处理后的训练数据集划分为训练集和测试集，其中，所述训练数据集包括若干个正常印鉴图像以及异常印鉴图像；

20、模型构建模块，用于构建基于深度学习的神经网络模型，采用所述训练集对所述神经网络模型进行训练，以得到初始模型；

21、模型寻优模块，用于基于所述测试集，对所述初始模型进行模型优化处理，以得到训练完备的印鉴校验模型；

22、校验模块，用于获取待校验印鉴，采用所述印鉴校验模型对所述待校验印鉴进行校验，以得到印鉴校验结果。

23、第三方面，本发明还提供一种电子设备，包括：处理器和存储器；

24、所述存储器上存储有可被所述处理器执行的计算机程序；

25、所述处理器执行所述计算机程序时实现如上所述的印鉴校验方法中的步骤。

26、第四方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的印鉴校验方法中的步骤。

27、与现有技术相比，本发明提供的印鉴校验方法、装置、电子设备及存储介质，首先获取训练数据集，对所述训练数据集进行标注，并对标注后的训练数据集进行预处理后，将预处理后的训练数据集划分为训练集和测试集，其中，所述训练数据集包括若干个正常印鉴图像以及异常印鉴图像，然后构建基于深度学习的神经网络模型，采用所述训练集对所述神经网络模型进行训练，以得到初始模型，之后基于所述测试集，对所述初始模型进行模型优化处理，以得到训练完备的印鉴校验模型，最后获取待校验印鉴，采用所述印鉴校验模型对所述待校验印鉴进行校验，以得到印鉴校验结果。本发明对印鉴图像的光照、旋转、尺度等变换具有较好的鲁棒性，可以适应更加复杂的场景，不需要手动提取特征点，可以自动学习图像的特征表达，而且在处理大规模数据时，可以显著提高匹配速度和准确率，此外，还可以实现端到端的训练和测试，不需要繁琐的特征提取和匹配过程，具有成本低、校验效率高、校验精度高的优点。

技术特征：

1.一种印鉴校验方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的印鉴校验方法，其特征在于，所述训练数据集的标注至少包括印鉴的关键点标注和印鉴的特征标注，其中，所述关键点至少包括印鉴的中心点、印鉴的边缘特征点以及印鉴的纹理特征点，所述特征至少包括纹理特征、形状特征以及颜色特征。

3.根据权利要求1所述的印鉴校验方法，其特征在于，所述预处理的过程包括图像裁剪、图像缩放、图像旋转、图像平移、图像翻转、图像噪声添加中的一种或多种。

4.根据权利要求1所述的印鉴校验方法，其特征在于，所述神经网络模型为卷积神经网络模型或者卷积神经网络加循环神经网络模型。

5.根据权利要求1所述的印鉴校验方法，其特征在于，所述基于所述测试集，对所述初始模型进行模型优化处理，以得到训练完备的印鉴校验模型，包括：

6.根据权利要求5所述的印鉴校验方法，其特征在于，所述优化处理的方式包括调整预测结果的阈值、改进模型的网络结构、调整模型的超参数以及数据增强处理中的一种或多种。

7.根据权利要求1所述的印鉴校验方法，其特征在于，所述方法还包括：

8.一种印鉴校验装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：处理器和存储器；

10.一种计算机可读存储介质，其特征在于，包括：处理器和存储器；

技术总结
本发明公开了一种适用于金融科技或其它相关技术领域的印鉴校验方法、装置、电子设备及存储介质，方法包括：获取训练数据集，对训练数据集进行标注，并对标注后的训练数据集进行预处理后，将预处理后的训练数据集划分为训练集和测试集，其中，训练数据集包括若干个正常印鉴图像以及异常印鉴图像；构建基于深度学习的神经网络模型，采用训练集对所述神经网络模型进行训练，以得到初始模型；基于所述测试集，对所述初始模型进行模型优化处理，以得到训练完备的印鉴校验模型；获取待校验印鉴，采用所述印鉴校验模型对所述待校验印鉴进行校验，以得到印鉴校验结果。本发明解决了现有技术中印鉴校验方式存在成本较高、时间长、精度不高的技术问题。

技术研发人员：贾俊
受保护的技术使用者：平安银行股份有限公司
技术研发日：
技术公布日：2024/1/16