图片简介:
本申请介绍了一种银行柜面业务智能授权方法及装置，用以解决现有的银行柜面业务授权方式完全依赖人 工进行审核处理，对负责授权的业务人员的要求较高，业务处理风险较大，业务处理速率也较低，使得业务容易堆积，实时性差，还具有较高的运营成本的问题。该方法采集柜面凭证图像与实际业务信息；根据预先训练好的分类模型，确定所述柜面凭证图像的类别；根据所述柜面凭证图像的类别，以及光学字符识别算法，对所述柜面凭证图像进行识别，并将识别结果与所述实际业务信息进行匹配；根据匹配结果，对所述柜面凭证图像对应的业务进行授权。 技术要求
1.一种银行柜面业务智能授权方法，其特征在于，包括：
采集柜面凭证图像与实际业务信息；
根据预先训练好的分类模型，确定所述柜面凭证图像的类别；
根据所述柜面凭证图像的类别，以及光学字符识别算法，对所述柜面凭证图像进行识别，并将识别结果与所述实际业务信息进行匹配；
根据匹配结果，对所述柜面凭证图像对应的业务进行授权。
2.根据权利要求1所述的方法，其特征在于，所述分类模型通过以下方式训练得到：
创建训练数据集；
根据所述训练数据集，训练反向传播神经网络模型；
根据粒子优化算法，对所述反向传播神经网络模型的参数进行优化。
3.根据权利要求2所述的方法，其特征在于，根据粒子优化算法，对所述反向传播神经网络模型的参数进行优化，包括：
还原粒子优化算法的预设参数，所述预设参数包括种数量、粒子位置、粒子速度取值区间、学习因子、惯性权重、最大迭代次数；
根据输入、输出信号数量构建反向传播神经网络拓扑结构，初始化处理神经网络权值和阈值长度；
编码反向传播神经网络的权值和阈值，获取粒子优化算法初始种；
采用粒子优化算法，对所述反向传播神经网络进行寻优迭代，获取各组粒子的适应度值，通过适应度值明确粒子极值和粒子极值，确定粒子历史最佳位置；
更新处理迭代粒子的速度和位置；
确定所述适应度值符合预设精度或误差要求，或达到预设的最大迭代次数时，结束寻优过程。
4.根据权利要求3所述的方法，其特征在于，更新处理迭代粒子的速度和位置，包括：
通
过更新处理迭代粒子的速度和位置，其中，ζ表示惯性权重，ε表示约束因子，c1表示粒子跟踪自己的权重系数，c2表示粒子跟踪体最优值权重系
数，γ、Ψ表示在[0，1]范围内均匀分布的随机数，表示更新前后粒子速度，表示更新前后粒子位
置，分别表示个体极值、全局极值。
5.根据权利要求1所述的方法，其特征在于，根据所述柜面凭证图像的类别，以及光学字符识别算法，对所述柜面凭证图像进行识别，包括：
从若干预先训练好的光学字符识别模型中，确定所述柜面凭证图像的类别对应的光学字符识别模型；
根据确定出的所述光学字符识别模型，对所述柜面凭证图像进行识别。
6.根据权利要求5所述的方法，其特征在于，根据确定出的所述光学字符识别模型，对所述柜面凭证图像进行识别，包括：
根据确定出的所述光学字符识别模型，确定所述柜面凭证图像包括的凭证要素以及各凭证要素对应的内容。
7.根据权利要求1所述的方法，其特征在于，根据匹配结果，对所述柜面凭证图像对应的业务进行授权，包括：
确定匹配结果对应的匹配率超过预设阈值时，对所述柜面凭证图像对应的业务进行授权。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
确定匹配结果对应的匹配率在预设范围内时，发出提示信息，以进行二次审核。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述柜面凭证图像的授权结果及对应的实际业务信息一同进行存储。
10.一种银行柜面业务智能授权装置，其特征在于，包括：
采集模块，采集柜面凭证图像与实际业务信息；
确定模块，根据预先训练好的分类模型，确定所述柜面凭证图像的类别；
识别模块，根据所述柜面凭证图像的类别，以及光学字符识别算法，对所述柜面凭证图像进行识别，并将识别结果与所述实际业务信息进行匹配；
授权模块，根据匹配结果，对所述柜面凭证图像对应的业务进行授权。
技术说明书
一种银行柜面业务智能授权方法及装置
技术领域
本申请涉及银行业务授权技术领域，尤其涉及一种银行柜面业务智能授权方法及装置。
背景技术
在银行柜面业务交易中，银行相关业务人员往往需要对柜面业务进行审核，确保交易信息与交易凭证信息的一致性，保证操作安全无风险，再对柜面业务进行授权。
目前，银行柜面业务授权的方式大多是通过人工进行，柜台人员将交易凭证信息提交给负责授权的业务人员，由该人员将交易信息与交易凭证信息进行比对，完成授权操作。
但是，这种授权方式完全依赖人工进行审核处理，对负责授权的业务人员的要求较高，业务处理风险较大，业务处理速率也较低，使得业务容易堆积，实时性差，还具有较高的运营成本。
技术内容
本申请实施例提供一种银行柜面业务智能授权方法及装置，用以解决现有的银行柜面业务授权方式完全依赖人工进行审核处理，对负责授权的业务人员的要求较高，业务处理风险较大，业务处理速率也较低，使得业务容易堆积，实时性差，还具有较高的运营成本的问题。
本申请实施例提供的一种银行柜面业务智能授权方法，包括：
采集柜面凭证图像与实际业务信息；
根据预先训练好的分类模型，确定所述柜面凭证图像的类别；
根据所述柜面凭证图像的类别，以及光学字符识别算法，对所述柜面凭证图像进行识别，并将识别结果与所述实际业务信息进行匹配；
根据匹配结果，对所述柜面凭证图像对应的业务进行授权。
在一个示例中，所述分类模型通过以下方式训练得到：创建训练数据集；根据所述训练数据集，训练反向传播神经网络模型；根据粒子优化算法，对所述反向传播神经网络模型的参数进行优化。
在一个示例中，根据粒子优化算法，对所述反向传播神经网络模型的参数进行优化，包括：还原粒子优化算法的预设参数，所述预设参数包括种数量、粒子位置、粒子速度取值区间、学习因子、惯性权重、最大迭代次数；根据输入、输出信号数量构建反向传播神经网络拓扑结构，初始化处理神经网络权值和阈值长度；编码反向传播神经网络的权值和阈值，获取粒子优化算法初始种；采用粒子优化算法，对所述反向传播神经网络进行寻优迭代，获取各组粒子的适应度值，通过适应度值明确粒子极值和粒子极值，确定粒子历史最佳位置；更新处理迭代粒子的速度和位置；确定所述适应度值符合预设精度或误差要求，或达到预设的最大迭代次数时，结束寻优过程。
在一个示例中，更新处理迭代粒子的速度和位置，包括：通
过更新处理迭代粒子的速度和位置，其中，ζ表示惯性权重，ε表示约束因子，c1表示粒子跟踪自己的权重系数，c2表示粒子跟踪体最优值权重系
数，γ、Ψ表示在[0，1]范围内均匀分布的随机数，表示更新前后粒子速度，表示更新前后粒子位置，分别表示个体极值、全局极值。
在一个示例中，根据所述柜面凭证图像的类别，以及光学字符识别算法，对所述柜面凭证图像进行识别，包括：从若干预先训练好的光学字符识别模型中，确定所述柜面凭证图像的类别对应的光学字符识别模型；根据确定出的所述光学字符识别模型，对所述柜面凭证图像进行识别。
在一个示例中，根据确定出的所述光学字符识别模型，对所述柜面凭证图像进行识别，包括：根据确定出的所述光学字符识别模型，确定所述柜面凭证图像包括的凭证要素以及各凭证要素对应的内容。
在一个示例中，根据匹配结果，对所述柜面凭证图像对应的业务进行授权，包括：确定匹配结果对应的匹配率超过预设阈值时，对所述柜面凭证图像对应的业务进行授权。
在一个示例中，所述方法还包括：确定匹配结果对应的匹配率在预设范围内时，发出提示信息，以进行二次审核。
在一个示例中，所述方法还包括：对所述柜面凭证图像的授权结果及对应的实际业务信息一同进行存储。
本申请实施例提供的一种银行柜面业务智能授权装置，包括：
采集模块，采集柜面凭证图像与实际业务信息；
确定模块，根据预先训练好的分类模型，确定所述柜面凭证图像的类别；
识别模块，根据所述柜面凭证图像的类别，以及光学字符识别算法，对所述柜面凭证图像进行识别，并将识别结果与所述实际业务信息进行匹配；
授权模块，根据匹配结果，对所述柜面凭证图像对应的业务进行授权。
本申请实施例提供一种银行柜面业务智能授权方法及装置，至少包括以下有益效果：
通过机器进行自动分类与识别、匹配，保证柜面凭证图像与实际业务信息的一致性，提高了审核效率，减少业务堆积，减少了大量的人工操作，降低了对负责授权的业务人员的要求。
并且，基于分类神经网络模型与OCR模型的深度学习，可保证柜面业务审核的高准确性，同时，降低了运营成本。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的银行柜面业务智能授权方法流程图；
图2为本申请实施例提供的银行柜面业务智能授权装置结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为本申请实施例提供的银行柜面业务智能授权方法流程图，具体包括以下步骤：
S101：采集柜面凭证图像与实际业务信息。
在本申请实施例中，柜台人员在为用户办理柜面业务时，可通过设置在柜台处的高清摄像头或高拍仪，采集办理业务所用的柜面凭证材料的图像(以下简称为柜面凭证图像)。其中，柜面凭证材料表示用于进行业务办理所需的证明材料，包括存折、存单、借记卡等等。
并且，服务器还可通过柜台人员的手动录入操作，采集用户办理的柜面业务的实际业务信息，即柜台人员手动录入的信息。其中，实际业务信息可包括姓名、账号、凭证号等等。
之后，服务器可对该柜面凭证图像与实际业务信息进行获取，以便进行后续的审核与授权工作。
S102：根据预先训练好的分类模型，确定柜面凭证图像的类别。
在本申请实施例中，服务器可根据预先训练好的分类模型，对柜面凭证图像进行分类识别，确定柜面凭证图像所属的类别。其中，分类模型对应的若干类别的数量及内容，可根据需要设置，本申请对此不做限定。
具体的，分类模型通过以下方式训练得到：
第一，服务器可通过采集若干柜面凭证图像，创建训练数据集。其中，训练数据集可划分为训练集与验证集，训练集用于对分类模型进行训练，验证集用于验证分类模型的准确性。
第二，根据训练数据集，训练分类模型，直至分类模型的误差函数值满足预设精度要求或分类模型的学习次数超出限定值时，分类模型的准确率可达到预期目标。
在一个实施例中，分类模型为反向传播(Back Propagation，BP)神经网络模型。BP神经网络模型包括输入层、隐含层、输出层。其中，BP神经网络模型的输入层节点数量、隐含层节点数量、输出层节点数量可分别设置为n，d，m，各层节点间的传递函数可采用Sigmoid函数。
具体的，隐含层的输出计算通过j＝1,2,……,d得到，其中，Rij表示输入层和隐含层各神经元间彼此连接权
值，xi表示第i个输入节点的变量，f表示隐含层的激励函数，该激励函数为
具体的，输出层的输出计算通过k＝1,2,……,m得到，其中，Rik表示隐含层和输出层各神经元间彼此连接权值。
第三，根据粒子优化算法(Particle Swarm Optimization，PSO)，对BP神经网络模型的网络权值等参数进行优化。
具体步骤如下：
步骤1，还原PSO算法种数量、粒子位置、粒子速度取值区间、学习因子、惯性权重以及最大迭代次数等参数。
步骤2，依照输入、输出信号数量构建BP神经网络拓扑结构，初始化处理神经网络权值和阈值长度。
步骤3，编码BP神经网络的权值和阈值，获取PSO算法初始种。
步骤4，采用PSO优化BP神经网络寻优迭代，获取各组粒子的适应度值，通过适应度值明确粒子极值和粒子极值，粒子历史最佳位置为粒子寻优迭代过程中的最佳位置。
步骤5：通
过更新处理迭代粒子的速度和位置。其中，ζ表示惯性权重，ε表示约束因子，c1表示粒子跟踪自己的权重系数，c2表示粒子跟踪体最优值权重系
数，γ、Ψ表示在[0，1]范围内均匀分布的随机数，表示更新前后粒子速度，表示更新前后粒子位
置，分别表示个体极值、全局极值。
步骤6：判断结束条件。
若适应度值符合预设精度、误差要求或适应度值达到最大迭代次数，寻优迭代停止。此时，粒子所在位置为所求目标的最优解，解码最优解可得到BP神经网络的最优权值和阈值。
若适应度值等不满足结束条件，则跳转到步骤4，继续进行寻优。
S103：根据柜面凭证图像的类别，以及光学字符识别算法，对柜面凭证图像进行识别，并将识别结果与实际业务信息进行匹配。
在本申请实施例中，服务器可根据分类模型识别出的柜面凭证图像的类别，对该柜面凭证图像进行光学字符识别(Optical Character Recognition，OCR)，识别出柜面凭证图像中的文字信息。
之后，服务器可将识别出的文字信息与预先获取的实际业务信息进行对比匹配，确定两者是否一致。
在一个实施例中，服务器可通过包括若干柜面凭证图像的训练数据集，预先训练OCR模型，用于对柜面凭证图像进行OCR识别。通过训练好的OCR模型进行识别，可提高OCR识别的准确率，确保OCR识别结果具有一定的准确性。
在一个实施例中，服务器可根据分类模型中设定的不同的分类类别，一对一的训练相应的OCR模型，即分类模型中的各分类类别分别对应一个OCR模型。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议