(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210168420.5 (22)申请日 2022.02.23 (71)申请人 中国平安人寿保险股份有限公司 地址 518000 广东省深圳市福田区益田路 5033号平安金融中心14、 15、 16、 37、 41、 44、 45、 46层 (72)发明人 冷绵绵　 (74)专利代理 机构 深圳市世联合知识产权代理 有限公司 4 4385 专利代理师 刘畅 (51)Int.Cl. G06V 10/22(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) (54)发明名称 一种印章检测方法、 装置、 计算机设备及存 储介质 (57)摘要 本申请实施例属于人工智能中的图像处理 技术领域， 涉及一种基于深度卷积网络的印章检 测方法、 装置、 计算机设备及存储介质。 此外， 本 申请还涉及区块链技术， 用户的待检测图像和印 章检测结果可存储于区块链中。 本申请通过构建 训练好的基于深度学习目标检测yolov3算法的 识别模型， 并根据训练好的该识别模 型检测待检 测图像中是否存在目标印章， 由于Yolov3本身可 以作为一个one ‑stage的od(object  detection) 算法， 从而保证印章识别的精度， 同时， 印章检测 使得审批文件的流程自动化， 使得业务中需要对 已经作废文件的审核的人力大大减少， 降低了人 力成本， 提高了系统效率。 权利要求书3页 说明书14页 附图10页 CN 114549817 A 2022.05.27 CN 114549817 A 1.一种基于深度卷积网络的印章检测方法， 其特 征在于， 包括下述 步骤： 接收携带有原 始印章图像的模型训练请求； 对所述原 始印章图像进行正样本处 理操作， 得到正样本图像； 对所述原 始印章图像进行负 样本生成操作， 得到负 样本图像； 将所述正样本图像以及所述负样本图像输入至DarkNet53网络进行特征提取操作， 得 到印章特 征数据； 对所述印章特 征数据进行 预测操作， 获取初始预测结果数据； 基于k‑means算法对所述预测结果数据进行检测与识别操作， 获得最终预测结果与标 注结果的损失数据； 基于随机梯度下降算法对所述损失数据进行优化操作， 获得训练好的识别模型； 获取待检测图像； 将所述待检测图像输入至所述训练好的识别模型进行印章检测操作， 得到印章检测结 果。 2.根据权利要求1所述的基于深度卷积网络的印章检测方法， 其特征在于， 在所述对所 述原始印章图像进行负样本生成操作， 得到负样本图像的步骤之后， 且在所述将所述正样 本图像以及所述负样本图像输入至DarkNet53网络进行特征提取操作， 得到印章特征数据 的步骤之前， 还 包括下述 步骤： 分别对所述正样本图像以及所述负样本图像进行图像增强操作， 得到增强正样本图像 以及增强负 样本图像； 所述将所述正样本图像以及所述负样本图像输入至DarkNet53网络进行特征提取操 作， 得到印章特 征数据的步骤， 具体包括下述 步骤： 将所述增强正样本图像以及所述增强负样本图像输入至所述DarkNet53 网络进行所述 特征提取操作， 得到所述印章特 征数据。 3.根据权利要求2所述的基于深度卷积网络的印章检测方法， 其特征在于， 所述将所述 增强正样 本图像以及所述增强负样本图像输入至所述DarkNet53网络进 行所述特征提取操 作， 得到所述印章特 征数据的步骤， 具体包括下述 步骤： 判断所述增强正样本图像以及所述增强负 样本图像是否满足预设图像条件； 若所述增强正样本图像以及所述增强负样本图像满足所述预设图像条件， 则执行所述 特征提取操作， 得到所述印章特 征数据； 若所述增强正样本图像以及所述增强负样本图像不满足所述预设图像条件， 则对所述 增强正样本图像以及所述增强负样本图像进 行预处理操作， 获得规范正样本图像以及规范 负样本图像； 将所述规范正样本图像以及所述规范负样本图像输入至所述DarkNet53 网络进行所述 特征提取操作， 得到所述印章特 征数据。 4.根据权利要求1所述的基于深度卷积网络的印章检测方法， 其特征在于， 所述识别模 型的损失函数表示 为： loss＝∑lossxy+losswh+lossclass+lossdiou 其中， lossxy表示预测框的中心点坐标损失； losswh表示预测框的宽高损失； lossclass表 示类别损失； l ossdiou表示DIOU损失。权　利　要　求　书 1/3 页 2 CN 114549817 A 25.根据权利要求1所述的基于深度卷积网络的印章检测方法， 其特征在于， 在所述将所 述待检测图像输入至所述训练好的识别模型进 行印章检测操作， 得到印章检测结果的步骤 之后， 还包括下述 步骤： 将所述待检测图像以及所述印章检测结果存 储至区块链中。 6.一种基于深度卷积网络的印章检测装置， 其特 征在于， 包括： 请求接收模块， 用于 接收携带有原 始印章图像的模型训练请求； 正样本处 理模块， 用于对所述原 始印章图像进行正样本处 理操作， 得到正样本图像； 负样本生成模块， 用于对所述原 始印章图像进行负 样本生成操作， 得到负 样本图像； 特征提取模块， 用于将所述正样本图像以及所述负样本图像输入至DarkNet53网络进 行特征提取操作， 得到印章特 征数据； 预测模块， 用于对所述印章特 征数据进行 预测操作， 获取初始预测结果数据； 检测与识别 模块， 用于基于k ‑means算法对所述预测结果数据进行检测与识别操作， 获 得最终预测结果与标注结果的损失数据； 优化模块， 用于基于随机梯度下降算法对所述损 失数据进行优化操作， 获得训练好的 识别模型； 待检测图像获取模块， 用于获取待检测图像； 印章检测模块， 用于将所述待检测图像输入至所述训练好的识别模型进行印章检测操 作， 得到印章检测结果。 7.根据权利要求6所述的基于深度卷积网络的印章检测装置， 其特征在于， 所述装置还 包括： 图像增强模块， 所述特 征提取模块包括： 特 征提取子模块， 其中： 所述图像增强模块， 用于分别对所述正样本图像以及所述负样本图像进行图像增强操 作， 得到增强正样本图像以及增强负 样本图像； 所述特征提取子模块， 用于将所述增强正样本图像以及所述增强负样本图像输入至所 述DarkNet53网络进行 所述特征提取操作， 得到所述印章特 征数据。 8.根据权利要求7所述的基于深度卷积网络的印章检测装置， 其特征在于， 所述特征提 取子模块包括： 条件判断单元， 用于判断所述增强正样本图像以及所述增强负样本图像是否满足预设 图像条件； 第一结果单元， 用于若所述增强正样本图像以及所述增强负样本图像满足所述预设图 像条件， 则执 行所述特征提取操作， 得到所述印章特 征数据； 第二结果单元， 用于若所述增强正样本图像以及所述增强负样本图像不满足所述预设 图像条件， 则对所述增强正样本图像以及所述增强负样本图像进行预处理操作， 获得规范 正样本图像以及规范负 样本图像； 特征提取子单元， 用于将所述规范正样本图像以及所述规范负样本图像输入至所述 DarkNet53网络进行 所述特征提取操作， 得到所述印章特 征数据。 9.一种计算机设备， 其特征在于， 包括存储器和处理器， 所述存储器中存储有计算机可 读指令， 所述处理器执行所述计算机可读指 令时实现如权利要求 1至5中任一项 所述的基于 深度卷积网络的印章检测方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机权　利　要　求　书 2/3 页 3 CN 114549817 A 3