基于深度学习的智能财务报销系统方法研究
摘要 | 第4-5页 |
abstract | 第5-6页 |
第一章 绪论 | 第9-18页 |
1.1 研究背景与意义 | 第9-13页 |
1.1.1 研究背景 | 第9-10页 |
1.1.2 发票形式 | 第10-13页 |
1.1.3 研究意义 | 第13页 |
1.2 国内外研究现状 | 第13-17页 |
1.2.1 现有公司产品 | 第14页 |
1.2.2 目标检测技术 | 第14-16页 |
1.2.3 光学字符识别技术 | 第16-17页 |
1.3 研究工作及章节安排 | 第17-18页 |
1.3.1 研究工作 | 第17页 |
1.3.2 章节安排 | 第17-18页 |
第二章 相关背景知识介绍 | 第18-27页 |
2.1 传统图像处理技术 | 第18-22页 |
2.1.1 灰度化 | 第18-19页 |
2.1.2 滤波 | 第19-20页 |
2.1.3 形态学操作 | 第20页 |
2.1.4 边缘检测 | 第20-22页 |
2.2 卷积神经网络介绍 | 第22-26页 |
2.2.1 输入层 | 第22页 |
2.2.2 卷积层 | 第22-23页 |
2.2.3 池化层 | 第23-24页 |
2.2.4 激活层 | 第24-25页 |
2.2.5 全连接层 | 第25-26页 |
2.3 本章小结 | 第26-27页 |
第三章 基于模板匹配的发票识别方法 | 第27-46页 |
3.1 总体流程 | 第27-28页 |
3.1.1 流程介绍 | 第27-28页 |
3.1.2 运行环境介绍 | 第28页 |
3.2 系统设计 | 第28-42页 |
3.2.1 输入发票图像 | 第28-29页 |
3.2.2 图像预处理 | 第29-36页 |
3.2.3 模板匹配 | 第36-39页 |
3.2.4 光学字符识别 | 第39-40页 |
3.2.5 信息存储 | 第40-42页 |
3.3 实验结果与分析 | 第42-45页 |
3.3.1 识别准确率 | 第42-44页 |
3.3.2 运行速度 | 第44页 |
3.3.3 均衡结论 | 第44-45页 |
3.4 本章小结 | 第45-46页 |
第四章 基于卷积神经网络的发票分类方法 | 第46-57页 |
4.1 总体流程 | 第46-47页 |
4.1.1 流程介绍 | 第46-47页 |
4.1.2 运行环境介绍 | 第47页 |
4.2 数据集制作 | 第47-48页 |
4.2.1 数据集制作 | 第47-48页 |
4.2.2 数据集划分 | 第48页 |
4.2.3 数据集标注 | 第48页 |
4.3 网络模型 | 第48-53页 |
4.3.1 模型结构 | 第49-50页 |
4.3.2 结构分析 | 第50-52页 |
4.3.3 模型训练 | 第52-53页 |
4.4 实验结果及分析 | 第53-56页 |
4.4.1 数据集 | 第53-54页 |
4.4.2 分类准确率 | 第54页 |
4.4.3 运行速度 | 第54-55页 |
4.4.4 模型规模 | 第55页 |
4.4.5 均衡结论 | 第55-56页 |
4.5 本章小结 | 第56-57页 |
第五章 基于深度学习的发票信息检测和识别方法 | 第57-80页 |
5.1 总体流程 | 第57-58页 |
5.1.1 流程介绍 | 第57-58页 |
5.1.2 运行环境介绍 | 第58页 |
5.2 目标检测 | 第58-67页 |
5.2.1 数据集制作 | 第58-59页 |
5.2.2 模型结构 | 第59-66页 |
5.2.3 模型训练 | 第66-67页 |
5.3 信息识别 | 第67-74页 |
5.3.1 数据集介绍 | 第67-68页 |
5.3.2 模型结构 | 第68-73页 |
5.3.3 模型训练 | 第73-74页 |
5.4 实验结果及分析 | 第74-79页 |
5.4.1 检测和识别效果 | 第74-76页 |
5.4.2 准确率 | 第76-78页 |
5.4.3 运行速度 | 第78-79页 |
5.5 本章小结 | 第79-80页 |
第六章 总结与展望 | 第80-82页 |
6.1 总结 | 第80页 |
6.2 展望 | 第80-82页 |
参考文献 | 第82-85页 |
附录1 程序清单 | 第85-86页 |
附录2 攻读硕士学位期间撰写的论文 | 第86-87页 |
附录3 攻读硕士学位期间申请的专利 | 第87-88页 |
附录4 攻读硕士学位期间参加的科研项目 | 第88-89页 |
致谢 | 第89页 |