本發(fā)明涉及圖像識別技術(shù)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的快遞單信息識別方法和系統(tǒng)。

背景技術(shù)：

隨著新科技革命和信息化時代的到來，電子商務(wù)的發(fā)展變的日漸成熟，使得網(wǎng)購逐漸成為人們喜愛的購物方式甚至是主要購物方式；同時伴隨著快遞物流業(yè)的快速發(fā)展，導(dǎo)致快遞單的大量增加，使得對分揀的速度要求變得越來越高，目前的分揀速度，已經(jīng)從傳統(tǒng)的人工拿掃描槍掃描快遞單的方法，改良成可以通過架設(shè)相機(jī)，通過圖像分析進(jìn)行自動的掃描，并獲取條形碼和目的地的方法，采用傳統(tǒng)數(shù)字圖像和模式識別的方法對圖像分析處理，雖然實現(xiàn)了圖像識別功能，但是對圖像的識別效率低，錯誤率高，嚴(yán)重影響分揀的速度和效率。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種基于深度學(xué)習(xí)的快遞單信息識別方法和系統(tǒng)，不僅提高了圖像的識別的效率，而且大大增加了圖像的識別的準(zhǔn)確性，特別是對快遞單中目的地識別的準(zhǔn)確性。

本發(fā)明提供了一種基于深度學(xué)習(xí)的快遞單信息識別方法，包括以下步驟：

構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)市場上所有類型的樣本快遞單圖像對所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得圖像分類模型；

獲取待發(fā)送快遞的圖像信息，對所述圖像信息進(jìn)行圖像處理，獲得目標(biāo)快遞單信息，所述目標(biāo)快遞單信息至少包括區(qū)域信息和輪廓信息；

根據(jù)所述輪廓信息和預(yù)設(shè)邊長信息進(jìn)行對比計算，根據(jù)對比計算結(jié)果對所述區(qū)域信息進(jìn)行縮放，得到縮圖圖像；

將所述縮圖圖像輸入到所述圖像分類模型中，識別得到所述縮圖圖像中的條形碼信息和目的地信息。

作為一種可實施方式，所述根據(jù)市場上所有類型的樣本快遞單圖像對所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得圖像分類模型，包括以下步驟：

采集并縮放市場上所有類型的樣本快遞單圖像，所述樣本快遞單圖像至少包括條形碼信息和目的地信息；

對所述條形碼信息和所述目的地信息進(jìn)行定位標(biāo)識，并將定位標(biāo)識結(jié)果進(jìn)行分類存儲，得到訓(xùn)練集和測試集；

根據(jù)所述訓(xùn)練集對所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并根據(jù)測試集對訓(xùn)練結(jié)果進(jìn)行測試，得到圖像分類模型。

作為一種可實施方式，所述識別得到所述縮圖圖像中的條形碼信息和目的地信息，包括以下步驟：

根據(jù)所述圖像分類模型對所述縮圖圖像進(jìn)行回歸定位，得到條形碼區(qū)域信息和目的地區(qū)域信息；

對所述條形碼區(qū)域信息進(jìn)行識別，得到條形碼信息；

對所述目的地區(qū)域信息進(jìn)行字符分割，并對字符分割結(jié)果進(jìn)行識別，得到目的地信息。

作為一種可實施方式，本發(fā)明提供的基于深度學(xué)習(xí)的快遞單信息識別方法還包括以下步驟：

在根據(jù)對比計算結(jié)果對所述區(qū)域信息進(jìn)行縮放之前，根據(jù)對比計算結(jié)果對所述縮圖圖像進(jìn)行旋轉(zhuǎn)。

作為一種可實施方式，本發(fā)明提供的基于深度學(xué)習(xí)的快遞單信息識別方法還包括以下步驟：

在將所述縮圖圖像輸入到所述圖像分類模型中，對所述縮圖圖像存儲生成縮圖數(shù)據(jù)庫，根據(jù)所述縮圖數(shù)據(jù)庫對所述卷積神經(jīng)網(wǎng)絡(luò)重新進(jìn)行訓(xùn)練。

相應(yīng)的，本發(fā)明還提供一種基于深度學(xué)習(xí)的快遞單信息識別系統(tǒng)，包括構(gòu)建訓(xùn)練模塊、獲取處理模塊、計算縮放模塊以及識別輸出模塊；

所述構(gòu)建訓(xùn)練模塊，用于構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)市場上所有類型的樣本快遞單圖像對所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得圖像分類模型；

所述獲取處理模塊，用于獲取待發(fā)送快遞的圖像信息，對所述圖像信息進(jìn)行圖像處理，獲得目標(biāo)快遞單信息，所述目標(biāo)快遞單信息至少包括區(qū)域信息和輪廓信息；

所述計算縮放模塊，用于根據(jù)所述輪廓信息和預(yù)設(shè)邊長信息進(jìn)行對比計算，根據(jù)對比計算結(jié)果對所述區(qū)域信息進(jìn)行縮放，得到縮圖圖像；

所述識別輸出模塊，用于將所述縮圖圖像輸入到所述圖像分類模型中，識別得到所述縮圖圖像中的條形碼信息和目的地信息。

作為一種可實施方式，所述構(gòu)建訓(xùn)練模塊包括采集單元、定位標(biāo)識單元以及訓(xùn)練測試單元；

所述采集單元，用于采集并縮放市場上所有類型的樣本快遞單圖像，所述樣本快遞單圖像至少包括條形碼信息和目的地信息；

所述定位標(biāo)識單元，用于對所述條形碼信息和所述目的地信息進(jìn)行定位標(biāo)識，并將定位標(biāo)識結(jié)果進(jìn)行分類存儲，得到訓(xùn)練集和測試集；

所述訓(xùn)練測試單元，用于根據(jù)所述訓(xùn)練集對所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并根據(jù)測試集對訓(xùn)練結(jié)果進(jìn)行測試，得到圖像分類模型。

作為一種可實施方式，所述識別輸出模塊包括回歸定位單元、識別單元以及識別分割單元；

所述回歸定位單元，用于根據(jù)所述圖像分類模型對所述縮圖圖像進(jìn)行回歸定位，得到條形碼區(qū)域信息和目的地區(qū)域信息；

所述識別單元，用于對所述條形碼區(qū)域信息進(jìn)行識別，得到條形碼信息；

所述識別分割單元，用于對所述目的地區(qū)域信息進(jìn)行字符分割，并對字符分割結(jié)果進(jìn)行識別，得到目的地信息。

作為一種可實施方式，本發(fā)明提供的基于深度學(xué)習(xí)的快遞單信息識別系統(tǒng)還包括計算旋轉(zhuǎn)模塊；

所述計算旋轉(zhuǎn)模塊，用于在根據(jù)對比計算結(jié)果對所述區(qū)域信息進(jìn)行縮放之前，根據(jù)對比計算結(jié)果對所述縮圖圖像進(jìn)行旋轉(zhuǎn)。

作為一種可實施方式，本發(fā)明提供的基于深度學(xué)習(xí)的快遞單信息識別系統(tǒng)還包括存儲訓(xùn)練模塊；

所述存儲訓(xùn)練模塊，用于在將所述縮圖圖像輸入到所述圖像分類模型中，對所述縮圖圖像存儲生成縮圖數(shù)據(jù)庫，根據(jù)所述縮圖數(shù)據(jù)庫對所述卷積神經(jīng)網(wǎng)絡(luò)重新進(jìn)行訓(xùn)練。

與現(xiàn)有技術(shù)相比，本技術(shù)方案具有以下優(yōu)點：

本發(fā)明提供的基于深度學(xué)習(xí)的快遞單信息識別方法和系統(tǒng)，通過構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，再利用市場上所有類型的樣本快遞單圖像對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得圖像分類模型；再通過對獲取的待發(fā)送快遞的圖像信息進(jìn)行圖像處理，獲得目標(biāo)快遞單信息，而目標(biāo)快遞單信息至少包括區(qū)域信息和輪廓信息；根據(jù)輪廓信息和預(yù)設(shè)邊長信息進(jìn)行對比計算的結(jié)果對區(qū)域信息進(jìn)行縮放，并將縮放結(jié)果輸入到圖像分類模型中，識別得到條形碼信息和目的地信息。本發(fā)明不僅提高了圖像的識別的效率，而且大大增加了圖像的識別的準(zhǔn)確性，特別是對快遞單中目的地識別的準(zhǔn)確性。

附圖說明

圖1為本發(fā)明實施例一提供的基于深度學(xué)習(xí)的快遞單信息識別方法的流程示意圖；

圖2為本發(fā)明實施例二提供的基于深度學(xué)習(xí)的快遞單信息識別系統(tǒng)的結(jié)構(gòu)示意圖。

圖中：100、構(gòu)建訓(xùn)練模塊；110、采集單元；120、定位標(biāo)識單元；130、訓(xùn)練測試單元；200、獲取處理模塊；300、計算縮放模塊；500、計算旋轉(zhuǎn)模塊；600、存儲訓(xùn)練模塊；400、識別輸出模塊；410、回歸定位單元；420、識別單元；430、識別分割單元。

具體實施方式

以下結(jié)合附圖，對本發(fā)明上述的和另外的技術(shù)特征和優(yōu)點進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明的部分實施例，而不是全部實施例。

請參閱圖1，本發(fā)明實施例一提供的基于深度學(xué)習(xí)的快遞單信息識別方法，包括以下步驟：

s100、構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)市場上所有類型的樣本快遞單圖像對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得圖像分類模型；

s200、獲取待發(fā)送快遞的圖像信息，對圖像信息進(jìn)行圖像處理，獲得目標(biāo)快遞單信息，目標(biāo)快遞單信息至少包括區(qū)域信息和輪廓信息；

s300、根據(jù)輪廓信息和預(yù)設(shè)邊長信息進(jìn)行對比計算，根據(jù)對比計算結(jié)果對區(qū)域信息進(jìn)行縮放，得到縮圖圖像；

s400、將縮圖圖像輸入到圖像分類模型中，識別得到縮圖圖像中的條形碼信息和目的地信息。

需要說明的是，深度學(xué)習(xí)是在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來解釋數(shù)據(jù)，例如圖像，聲音和文本。根據(jù)有無監(jiān)督學(xué)習(xí)分為卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneuralnetworks，簡稱cnns)和深度置信網(wǎng)(deepbeliefnets，簡稱dbns)。本申請采用構(gòu)建有監(jiān)督學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)市場上所有類型的樣本快遞單圖像對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；這里的樣本快遞單圖像包括了市場上所有流通的快遞單類型，也會獲取并根據(jù)市場上新生成的樣本快遞單對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使得圖像分類模型更加完善和準(zhǔn)確。

對待發(fā)送快遞的圖像信息進(jìn)行圖像處理，的目的在于獲得目標(biāo)快遞單信息，這樣的圖像處理方案有很多，例如：首先對圖像信息進(jìn)行灰度化，并對灰度化后的圖像信息進(jìn)行二值化，然后提取出灰度亮的快遞單區(qū)域，對二值化后的圖像信息進(jìn)行區(qū)域搜索操作，提取區(qū)域信息和輪廓信息。對區(qū)域信息進(jìn)行縮放是為了使區(qū)域信息的大小與圖像分類模型中的樣本快遞單圖像大小一致，提高識別的效率；而輪廓信息含有區(qū)域坐標(biāo)信息和輪廓點信息。市場上的快遞單通常是以方形的形式存在的，這里就以長方形為例對具體的縮放過程進(jìn)行說明，根據(jù)輪廓信息提取快遞單的四個直角點，四個直角點位置關(guān)系結(jié)合預(yù)設(shè)邊長信息，就可以通過對比計算得到傾斜角度和縮放比例，根據(jù)縮放比例對輪廓信息進(jìn)行縮放。而預(yù)設(shè)邊長信息對于有邊的快遞單來說就是個個邊長尺寸，對于圓形等帶有弧度的快遞單來說就是弧度的尺寸和周長尺寸。

本發(fā)明提供的基于深度學(xué)習(xí)的快遞單信息識別方法，通過構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，再利用市場上所有類型的樣本快遞單圖像對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得圖像分類模型；再通過對獲取的待發(fā)送快遞的圖像信息進(jìn)行圖像處理，獲得目標(biāo)快遞單信息，而目標(biāo)快遞單信息至少包括區(qū)域信息和輪廓信息；根據(jù)輪廓信息和預(yù)設(shè)邊長信息進(jìn)行對比計算的結(jié)果對區(qū)域信息進(jìn)行縮放，并將縮放結(jié)果輸入到圖像分類模型中，識別得到條形碼信息和目的地信息。本發(fā)明不僅提高了圖像的識別的效率，而且大大增加了圖像的識別的準(zhǔn)確性，特別是對快遞單中目的地識別的準(zhǔn)確性。

具體的，步驟s100包括以下步驟：

s110、采集并縮放市場上所有類型的樣本快遞單圖像，樣本快遞單圖像至少包括條形碼信息和目的地信息；

s120、對條形碼信息和目的地信息進(jìn)行定位標(biāo)識，并將定位標(biāo)識結(jié)果進(jìn)行分類存儲，得到訓(xùn)練集和測試集；

s130、根據(jù)訓(xùn)練集對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并根據(jù)測試集對訓(xùn)練結(jié)果進(jìn)行測試，得到圖像分類模型。

上述的步驟s120和s130順序不分先后。

樣本快遞單圖像除了包括條形碼信息和目的地信息之外，還能包括收件人信息、寄件人信息、包裹信息、正倒面信息等；包裹信息可以是包裹重量、包裹體積、包裹保價信息等和包裹有關(guān)的所有信息；也就是說根據(jù)樣本快遞單圖像進(jìn)行訓(xùn)練得到的圖像分類模型除了可以對目標(biāo)快遞單信息識別條形碼信息和目的地信息之外，還能識別收件人信息、寄件人信息、包裹信息、正倒面信息等信息。而樣本快遞單圖像數(shù)量越多那么得到的圖像分類模型越精確，一般來說前期需要提取20萬個樣本快遞單圖像，而且每個樣本快遞單圖像都需要進(jìn)行定位標(biāo)識，也就是對條形碼信息和目的地信息所在的坐標(biāo)點進(jìn)行定位標(biāo)識，而分類存儲得到訓(xùn)練集中的樣本快遞單圖像個數(shù)要比測試集中的樣本快遞單圖像個數(shù)多。于本實施例中，主要是采用caffe工具，對訓(xùn)練集和測試集的數(shù)據(jù)進(jìn)行訓(xùn)練，將生成的圖像分類模型進(jìn)行保存。然而，本發(fā)明對此不做任何限定。

進(jìn)一步，步驟s400包括以下步驟：

s410、根據(jù)圖像分類模型對縮圖圖像進(jìn)行回歸定位，得到條形碼區(qū)域信息和目的地區(qū)域信息；

s420、對條形碼區(qū)域信息進(jìn)行識別，得到條形碼信息；

s430、對目的地區(qū)域信息進(jìn)行字符分割，并對字符分割結(jié)果進(jìn)行識別，得到目的地信息。

對條形碼區(qū)域信息進(jìn)行識別是通過以條形碼的編碼規(guī)則為依據(jù)，得到目標(biāo)快遞單信息中的條形碼信息。而對目的地區(qū)域信息進(jìn)行字符分割之前，還可以先將目的地區(qū)域信息進(jìn)行投影，進(jìn)行投影之后更加容易進(jìn)行字符的分割，特別適用于一些快遞單上的目的地區(qū)域信息中的信息是手寫的。

進(jìn)一步的，本發(fā)明實施例一提供的基于深度學(xué)習(xí)的快遞單信息識別方法還包括以下步驟：

在根據(jù)對比計算結(jié)果對區(qū)域信息進(jìn)行縮放之前，根據(jù)對比計算結(jié)果對縮圖圖像進(jìn)行旋轉(zhuǎn)。

在獲取待發(fā)送快遞的圖像信息出現(xiàn)任意傾斜角度的情況，需要對圖像信息進(jìn)行旋轉(zhuǎn)，減少前期對待發(fā)送快遞的圖像信息的處理。需要說明的是以具有任意傾斜角度的樣本快遞單圖像對所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到圖像分類模型是可以對具有任意傾斜角度的待發(fā)送快遞的圖像信息識別的。但是這種圖像分類模型的數(shù)據(jù)太過龐大，運(yùn)行效率比較低。而對于需要進(jìn)行旋轉(zhuǎn)的縮圖圖像，實際上是可以先進(jìn)行旋轉(zhuǎn)再進(jìn)行縮放得到縮圖圖。

進(jìn)一步的，本發(fā)明實施例一提供的基于深度學(xué)習(xí)的快遞單信息識別方法還包括以下步驟：

在將縮圖圖像輸入到圖像分類模型中，對縮圖圖像存儲生成縮圖數(shù)據(jù)庫，根據(jù)縮圖數(shù)據(jù)庫對卷積神經(jīng)網(wǎng)絡(luò)重新進(jìn)行訓(xùn)練。

縮圖數(shù)據(jù)庫中的縮圖圖像可以是存儲到一定的數(shù)量，傳輸至卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；也可以是直接將得到的縮圖圖像傳輸至卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。而對卷積神經(jīng)網(wǎng)絡(luò)重新進(jìn)行訓(xùn)練，提高圖像分類模型對縮圖圖像識別的準(zhǔn)確性。

下面對本發(fā)明的具體過程進(jìn)行詳細(xì)說明：

對獲取的待發(fā)送快遞的圖像信息進(jìn)行灰度圖轉(zhuǎn)換，對灰度圖里像素值60以下的像素賦值為0，并用otsu算法對灰度圖進(jìn)行二值化。對二值化圖像進(jìn)行區(qū)域搜索操作，具體的區(qū)域搜索操作過程為：根據(jù)輪廓信息計算輪廓點的前10個像素的坐標(biāo)均值和后10個像素的坐標(biāo)均值。然后計算前均值坐標(biāo)、當(dāng)前點坐標(biāo)和后均值坐標(biāo)之間的夾角值。根據(jù)夾角值，判斷該角是否是直角，如果是直角，就保存該點坐標(biāo)。然后進(jìn)行極大值抑制，只提取20個輪廓點內(nèi)最大的夾角值。最后對獲取的直角點進(jìn)行判斷，如果跟前一點直角點連接的直線長度跟規(guī)則線標(biāo)注的長邊長度一樣長，跟后一個直角點的連接的直線長度跟規(guī)則線標(biāo)注的短邊長度一樣長，或相反。就判斷這三個點構(gòu)成了一個目標(biāo)的候選區(qū)域。直到遍歷完所有的直角點。計算每個候選區(qū)域的長邊跟短邊在y軸上的角度a，然后對該區(qū)域進(jìn)行a角度和180-a角度的旋轉(zhuǎn)，把旋轉(zhuǎn)后的兩張區(qū)域圖進(jìn)行正面和倒面判斷(根據(jù)正倒信息對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得的圖像分類模型)，獲取正面候選區(qū)域。對正面候選區(qū)域進(jìn)行擴(kuò)大二分之一后再進(jìn)行縮圖到64*96后，得到縮圖圖像，再進(jìn)行目標(biāo)快遞單信息的外圍四個角點的準(zhǔn)確定位。在外圍四點的區(qū)域內(nèi)，提取上半部分進(jìn)行條形碼和目的地的點位，以獲取準(zhǔn)確的位置區(qū)域。

最后將縮圖圖像輸入到圖像分類模型中，根據(jù)條形碼的編碼規(guī)則，對條形碼進(jìn)行識別。對目的地的字符進(jìn)行投影，并進(jìn)行分割，獲取每個字符的區(qū)域，并進(jìn)行提取。對提取的字符進(jìn)行識別，以獲取準(zhǔn)確的目的地。

基于同一發(fā)明構(gòu)思，本發(fā)明實施例還提供一種基于深度學(xué)習(xí)的快遞單信息識別系統(tǒng)，該系統(tǒng)的實施可參照上述方法的過程實現(xiàn)，重復(fù)之處不再冗述。

如圖2所示，是本發(fā)明實施例二提供的基于深度學(xué)習(xí)的快遞單信息識別系統(tǒng)的結(jié)構(gòu)示意圖，包括構(gòu)建訓(xùn)練模塊100、獲取處理模塊200、計算縮放模塊300以及識別輸出模塊400；

構(gòu)建訓(xùn)練模塊100用于構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)市場上所有類型的樣本快遞單圖像對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得圖像分類模型；

獲取處理模塊200用于獲取待發(fā)送快遞的圖像信息，對圖像信息進(jìn)行圖像處理，獲得目標(biāo)快遞單信息，目標(biāo)快遞單信息至少包括區(qū)域信息和輪廓信息；

計算縮放模塊300用于根據(jù)輪廓信息和預(yù)設(shè)邊長信息進(jìn)行對比計算，根據(jù)對比計算結(jié)果對區(qū)域信息進(jìn)行縮放，得到縮圖圖像；

識別輸出模塊400用于將縮圖圖像輸入到圖像分類模型中，識別得到縮圖圖像中的條形碼信息和目的地信息。

進(jìn)一步的，構(gòu)建訓(xùn)練模塊100包括采集單元110、定位標(biāo)識單元120以及訓(xùn)練測試單元130；

采集單元110，用于采集并縮放市場上所有類型的樣本快遞單圖像，樣本快遞單圖像至少包括條形碼信息和目的地信息；

定位標(biāo)識單元120，用于對條形碼信息和目的地信息進(jìn)行定位標(biāo)識，并將定位標(biāo)識結(jié)果進(jìn)行分類存儲，得到訓(xùn)練集和測試集；

訓(xùn)練測試單元130，用于根據(jù)訓(xùn)練集對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并根據(jù)測試集對訓(xùn)練結(jié)果進(jìn)行測試，得到圖像分類模型。

進(jìn)一步的，識別輸出模塊400包括回歸定位單元410、識別單元420以及識別分割單元430；

回歸定位單元410，用于根據(jù)圖像分類模型對縮圖圖像進(jìn)行回歸定位，得到條形碼區(qū)域信息和目的地區(qū)域信息；

識別單元420，用于對條形碼區(qū)域信息進(jìn)行識別，得到條形碼信息；

識別分割單元430，用于對目的地區(qū)域信息進(jìn)行字符分割，并對字符分割結(jié)果進(jìn)行識別，得到目的地信息。

進(jìn)一步的，本發(fā)明實施例二提供的基于深度學(xué)習(xí)的快遞單信息識別系統(tǒng)還包括計算旋轉(zhuǎn)模塊500；

計算旋轉(zhuǎn)模塊500用于在根據(jù)對比計算結(jié)果對區(qū)域信息進(jìn)行縮放之前，根據(jù)對比計算結(jié)果對縮圖圖像進(jìn)行旋轉(zhuǎn)。

進(jìn)一步的，本發(fā)明實施例二提供的基于深度學(xué)習(xí)的快遞單信息識別系統(tǒng)還包括存儲訓(xùn)練模塊600；

存儲訓(xùn)練模塊600用于在將縮圖圖像輸入到圖像分類模型中，對縮圖圖像存儲生成縮圖數(shù)據(jù)庫，根據(jù)縮圖數(shù)據(jù)庫對卷積神經(jīng)網(wǎng)絡(luò)重新進(jìn)行訓(xùn)練。

本發(fā)明提供的基于深度學(xué)習(xí)的快遞單信息識別系統(tǒng)，通過構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，再利用市場上所有類型的樣本快遞單圖像對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得圖像分類模型；再通過對獲取的待發(fā)送快遞的圖像信息進(jìn)行圖像處理，獲得目標(biāo)快遞單信息，而目標(biāo)快遞單信息至少包括區(qū)域信息和輪廓信息；根據(jù)輪廓信息和預(yù)設(shè)邊長信息進(jìn)行對比計算的結(jié)果對區(qū)域信息進(jìn)行縮放，并將縮放結(jié)果輸入到圖像分類模型中，識別得到條形碼信息和目的地信息。本發(fā)明不僅提高了圖像的識別的效率，而且大大增加了圖像的識別的準(zhǔn)確性，特別是對快遞單中目的地識別的準(zhǔn)確性。

本發(fā)明雖然已以較佳實施例公開如上，但其并不是用來限定本發(fā)明，任何本領(lǐng)域技術(shù)人員在不脫離本發(fā)明的精神和范圍內(nèi)，都可以利用上述揭示的方法和技術(shù)內(nèi)容對本發(fā)明技術(shù)方案做出可能的變動和修改，因此，凡是未脫離本發(fā)明技術(shù)方案的內(nèi)容，依據(jù)本發(fā)明的技術(shù)實質(zhì)對以上實施例所作的任何簡單修改、等同變化及修飾，均屬于本發(fā)明技術(shù)方案的保護(hù)范圍。