票据鉴别方法、装置、设备、介质和程序产品与流程

摘要: 本技术涉及人工智能领域和金融科技领域,更具体地涉及一种票据鉴别方法、装置、设备、介质和程序产品。背景技术:1、在银行票据业务中,票据真伪鉴别是防范金融交易隐患的...
票据鉴别方法、装置、设备、介质和程序产品与流程

本技术涉及人工智能领域和金融科技领域,更具体地涉及一种票据鉴别方法、装置、设备、介质和程序产品。

背景技术:

1、在银行票据业务中,票据真伪鉴别是防范金融交易隐患的关键环节,广泛应用于票据贴现、信用证、支票兑付等场景。精准鉴别票据真伪,可阻断风险传导,保障资金与交易安全。

2、目前票据鉴别融合光学字符识别(optical character recognition,ocr)模板比对、图像特征匹配、光谱及光学检测等技术,但真实异常票据少,仿造票据样本稀缺,模型易出现过拟合,泛化与识别能力不足,且传统方案过度依赖大量样本支撑,物理特征提取不够精细,模型识别效果差。

技术实现思路

1、鉴于上述问题,本技术的实施例提供了一种票据鉴别方法、装置、设备、介质和程序产品。

2、根据本技术的第一方面,提供了一种票据鉴别方法,包括:采集目标票据的多模态票据图像,并预处理所述目标票据的多模态票据图像,获得多模态超分辨率图像;其中,所述多模态超分辨率图像包括可见光图像;通过预先训练的原型学习模型处理所述多模态超分辨率图像,得到物理防伪特征;其中,所述原型学习模型是基于正常样本、真实异常样本和仿造票据样本进行小样本学习训练的;以及通过预先训练的鉴别模型,对所述物理防伪特征和所述可见光图像进行鉴别分析,获得鉴别结果。

3、根据本技术的实施例,所述原型学习模型包括原型网络、原型计算层和度量学习层;所述原型学习模型的训练过程包括:采集所述真实异常票据和正常票据的多模态票据图像,并预处理所述真实异常票据和所述正常票据的多模态票据图像,以构建所述真实异常样本和正常样本;通过所述预先训练的仿造样本生成模型处理所述真实异常样本,生成所述仿造票据样本;标注所述真实异常票据、所述正常样本和所述仿造票据样本的物理防伪特征类别,以构建样本集;基于所述样本集,采用回合式训练策略构建小样本学习任务;其中,所述小样本学习任务包括支持集和查询集;采用三元组损失函数约束嵌入空间,将所述支持集和所述查询集输入所述原型网络,输出所述支持集和所述查询集的样本嵌入向量;通过所述原型计算层,基于所述支持集的样本嵌入向量,计算每类所述物理防伪特征类别的类别原型;以及利用所述度量学习层,基于所述查询集的样本嵌入向量与所述物理防伪特征类别的类别原型进行度量学习与分类训练,以更新所述原型网络的参数。

4、根据本技术的实施例,所述基于所述样本集,采用回合式训练策略构建小样本学习任务,包括:对于每个任务回合,基于所述样本集和样本选取策略,随机选取n个所述物理防伪特征类别,从每个选取类别中选取k个样本作为所述支持集,其余同类别样本作为所述查询集,并基于所述支持集和所述查询集,构建所述小样本学习任务;其中,n、k为大于1的正整数;所述任务回合包括训练回合和测试回合;所述样本选取策略包括所述训练回合选取的n值大于所述测试回合选取的n值,所述训练回合选取的k值与所述测试回合选取的k值一致;在单类别标注样本数小于预设数量阈值的情况下,所述训练回合选取的k值大于所述测试回合选取的k值。

5、根据本技术的实施例,所述通过预先训练的原型学习模型处理所述多模态超分辨率图像,得到物理防伪特征,包括:将所述多模态超分辨率图像分别输入所述原型网络对应的模态分支进行微观特征提取,输出对应的微观特征;其中,所述模态分支包括卷积层、梯度反转层和基础块,所述基础块包括部分卷积层和激活函数;将所述模态分支输出的微观特征进行拼接融合,并对融合后的微观特征进行全局平均池化处理,获得票据嵌入向量;以及利用所述原型计算层,将所述票据嵌入向量与多类物理防伪特征原型进行关联匹配,并基于所述关联匹配结果,筛选所述多类物理防伪特征原型,得到所述物理防伪特征。

6、根据本技术的实施例,所述仿造样本生成模型包括生成器网络、图像融合网络、全局判别器和局部判别器,所述通过所述预先训练的仿造样本生成模型处理所述真实异常样本,生成所述仿造票据样本,包括:对所述真实异常样本中的真实异常图像进行多尺度下采样,得到多尺度图像,其中,所述多尺度图像包括最小尺度图像、中间尺度图像和原始尺度图像;通过所述生成器网络对所述最小尺度图像和最小尺度先验参考图像进行特征优化处理,生成最小尺度输出图像,并基于所述全局判别器和所述局部判别器将所述最小尺度输出图像进行防伪区域校验;通过所述图像融合网络,将所述最小尺度输出图像和所述中间尺度图像进行融合,生成中间尺度融合图像;通过所述生成器网络对所述中间尺度融合图像和中间尺寸先验参考图像进行特征优化处理,生成中间尺度输出图像,并基于所述全局判别器和所述局部判别器将所述中间尺度输出图像进行防伪区域校验;通过所述图像融合网络,将所述中间尺度图像和所述原始尺度图像进行融合,生成原始尺度融合图像;通过所述生成器网络对所述原始尺度融合图像和原始尺度先验参考图像进行特征优化处理,生成原始尺度输出图像,并基于所述全局判别器和所述局部判别器将所述原始尺度输出图像进行防伪区域校验;以及基于防伪区域校验后的最小尺度输出图像、中间尺度输出图像和原始尺度输出图像,得到所述仿造票据样本。

7、根据本技术的实施例,所述通过所述生成器网络对所述最小尺度图像和最小尺度先验参考图像进行特征优化处理,生成最小尺度输出图像,包括:对所述最小尺度图像进行卷积处理,得到所述最小尺度图像的浅层特征;对所述最小尺度先验参考图像进行卷积拼接处理,得到最小尺寸融合先验特征;通过第一基础特征提取块,将所述最小尺度图像的浅层特征和所述最小尺寸融合先验特征进行深层优化处理,得到深层优化特征;以及将所述深层优化特征进行卷积处理,生成所述最小尺度输出图像。

8、根据本技术的实施例,所述鉴别模型包括先验特征融合网络、通道注意力融合层、双自注意力层、图神经网络和分类器;所述通过预先训练的鉴别模型,对所述物理防伪特征和所述可见光图像进行鉴别分析,获得鉴别结果,包括:对所述可见光图像进行多尺度缩放,得到多尺度的缩小图像;基于所述物理防伪特征,通过各尺度的先验特征融合网络处理对应尺度的缩小图像,提取各尺度优化特征;通过所述通道注意力融合层对所述各尺度优化特征进行跨尺度融合,得到跨尺度融合特征;基于所述双自注意力层,将所述跨尺度融合特征进行双注意力处理与融合,获得融合后的特征;将所述融合后的特征输入所述图神经网络,输出物理特征校验分数;以及将所述融合后的特征输入所述分类器,输出真伪类别和置信度。

9、根据本技术的实施例,所述基于所述物理防伪特征,通过各尺度的先验特征融合网络处理对应尺度的缩小图像,提取各尺度优化特征,包括:将当前尺度的缩小图像进行部分卷积,提取所述当前尺度的浅层图像特征;对所述当前尺度对应的物理防伪特征进行卷积拼接处理,得到所述当前尺度的融合先验特征;以及通过第二基础特征提取块处理所述当前尺度的浅层图像特征和所述当前尺度的融合先验特征,得到所述当前尺度的优化特征;其中,所述第二基础特征提取块包括卷积网络、部分卷积网络和注意力网络。

10、根据本技术的实施例,所述基于所述双自注意力层,将所述跨尺度融合特征进行双注意力处理与融合,获得融合后的特征,包括:将所述跨尺度融合特征进行线性投影,得到查询向量、键向量和值向量;基于所述查询向量和所述键向量,获得注意力矩阵;对所述注意力矩阵进行稀疏注意力计算,获得稀疏特征;对所述注意力矩阵进行密集注意力计算,获得密集特征;将所述稀疏特征和所述密集特征进行权重融合,得到权重融合特征;以及将所述值向量与所述权重融合特征进行相乘与线性投影,获得所述融合后的特征。

11、根据本技术的实施例,所述预处理所述目标票据的多模态票据图像,获得多模态超分辨率图像,包括:对所述多模态票据图像进行图像配准;将配准后的多模态票据图像进行光照不均校正,获得多模态校正图像;将所述多模态校正图像输入对应模态预先训练的图像重建模型进行超分辨率重建,得到多模态重建图像;以及对所述多模态重建图像进行归一化处理,得到所述多模态超分辨率图像。

12、根据本技术的实施例,所述图像重建模型包括蓝图可分离卷积层、编码层、解码层和卷积调整层,所述将所述多模态校正图像输入对应模态预先训练的图像重建模型进行超分辨率重建,得到多模态重建图像,包括:基于所述蓝图可分离卷积层,将所述当前模态的校正图像进行浅层特征提取,得到初始浅层特征;通过所述编码层的多级下采样块和多级编码块,逐级对所述初始浅层特征进行多尺度采样编码,提取多尺度深层特征;通过所述解码层的多级上采样块,逐级对所述多尺度深层特征进行上采样,提取多尺度采样特征,通过跳跃连接逐级拼接所述多尺度采样特征与对应层级的编码块的输出特征,获得多级拼接特征,逐级对所述多级拼接特征进行卷积处理;以及将所述解码层的输出特征与所述初始浅层特征进行全局残差连接融合,得到高分辨率特征,并通过所述卷积调整层对所述高分辨率特征进行卷积调整,获得所述当前模态的重建图像。

13、根据本技术的实施例,所述方法还包括:调用实时鉴伪接口,实时获取所述鉴别结果,并基于所述鉴别结果和票据固定区域规则,标注所述目标票据的异常区域;以及基于所述鉴别结果和历史交易信息,计算票据风险等级,并在所述票据风险等级高于预设风险阈值的情况下,执行风险预警操作。

14、根据本技术的实施例,所述方法还包括:响应于用户修改所述鉴别结果,获取修正后的鉴别结果,并存入误报数据库;获取更新的仿造样本,并存入样本数据库;根据所述误报数据库和所述样本数据库,基于定时训练策略,采用持续学习技术对票据鉴伪模型进行模型增量训练;其中,所述票据鉴伪模型包括所述原型学习模型、所述鉴别模型和所述仿造样本生成模型中的至少一种。

15、根据本技术的第二方面,提供了一种票据鉴别装置,包括:图像预处理模块,用于采集目标票据的多模态票据图像,并预处理所述目标票据的多模态票据图像,获得多模态超分辨率图像;其中,所述多模态超分辨率图像包括可见光图像;特征提取模块,用于通过预先训练的原型学习模型处理所述多模态超分辨率图像,得到物理防伪特征;其中,所述原型学习模型是基于正常样本、真实异常样本和仿造票据样本进行小样本学习训练的;以及鉴别模块,用于通过预先训练的鉴别模型,对所述物理防伪特征和所述可见光图像进行鉴别分析,获得鉴别结果。

16、根据本技术的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个计算机程序,其中,上述一个或多个处理器执行上述一个或多个计算机程序以实现上述方法的步骤。

17、根据本技术的第四方面,还提供了一种计算机可读存储介质,其上存储有计算机程序或指令,上述计算机程序或指令被处理器执行时实现上述方法的步骤。

18、根据本技术的第五方面,还提供了一种计算机程序产品,包括计算机程序或指令,上述计算机程序或指令被处理器执行时实现上述方法的步骤。

19、在本技术的实施例中,采用多模态图像采集与超分辨率预处理,通过原型学习模型精细化提取票据物理防伪特征。通过原型学习模型的小样本学习训练,将票据鉴别从宏观视觉特征识别提升至微观物理特征的小样本学习层面,有效防止模型过拟合,提升模型泛化能力,结合鉴别模型综合分析物理防伪特征与可见光图像,摆脱对海量样本的依赖,有效提高票据真伪识别精度,提升银行票据业务的风险防控能力。