地址100195北京市海淀區(qū)杏石口路甲18號(72)發(fā)明人張志達毛翔宇王維佳龔晨蔡書成鄧鋼唐燕飛有限公司11614GO6V20/62(2022.01)GO6N3/045(2023.01)GO6N3/094(2023.GO6N3/096(2023.01).2021,第21卷(第7期),67-70.本發(fā)明公開一種基于人工智能的證件質檢未全部通過上述三項檢測的證件輸送至質檢不模塊2發(fā)證及翻頁模塊，用于將待質檢的卡式證件輸送至信息采集區(qū)，以及對待質檢的本式證件進行翻頁并輸送至所述信息采集區(qū)；拍照模塊，用于獲取所述信息采集區(qū)內的證件的圖像；芯片讀取模塊，用于獲取所述信息采集區(qū)內的證件的芯片信息；打印信息識別模塊，用于基于獲取的證件圖像獲取所述證件的打印信息，所述打印信息包括文字信息和生物特征信息；條碼識別模塊，用于基于獲取的證件圖像獲取所述證件的條碼信息；信息比對模塊，用于對所述芯片信息、所述打印信息和所述條碼信息進行三者一致性檢測；打印質量檢測模塊，用于基于獲取的證件圖像對通過所述三者一致性檢測的證件進行打印質量檢測；覆膜質量檢測模塊，用于基于獲取的證件圖像對通過所述打印質量檢測的證件進行覆膜質量檢測；收證模塊，用于將未通過所述三者一致性檢測、所述打印質量檢測或者所述覆膜質量檢測的證件輸送至質檢不合格區(qū)，以及將通過所述覆膜質量檢測并無需進行下一步信息比對的證件輸送至質檢合格區(qū)；所述打印信息識別模塊、所述條碼識別模塊、所述信息比對模塊、所述打印質量檢測模塊和所述覆膜質量檢測模塊共同基于邊緣計算設備實現；所述邊緣計算設備基于預定的第一證件質量檢測方法實現所述打印質量檢測和所述覆膜質量檢測；所述第一證件質量檢測方法包括：基于預構建的圖像方向檢測模型檢測輸入的目標證件圖像的方向是否為正，若否，將所述目標證件圖像的方向調正；對方向為正的目標證件圖像進行OCR識別，以獲取目標文字的實際位置信息；根據所述目標文字的實際位置信息與預獲取的所述目標文字的標準位置信息獲取所述目標文字的打印偏移量；若所述目標文字的打印偏移量超出預定的打印偏移量閾值，則判斷目標證件未通過打印位置偏移檢測；基于預構建的圖像語義分割模型檢測輸入的通過所述打印位置偏移檢測的目標證件圖像是否包含黑邊或雜質，若是，則判斷所述目標證件未通過黑邊及雜質檢測；基于預構建的遷移分類模型檢測輸入的通過所述黑邊及雜質檢測的目標證件圖像是否存在文字和人像轉印不全、覆膜不全或打印重影的問題，若是，則判斷所述目標證件未通過文字和人像轉印不全、覆膜不全及打印重影檢測；基于預構建的目標檢測網絡模型檢測輸入的通過所述文字和人像轉印不全、覆膜不全及打印重影檢測的目標證件圖像是否存在紅條、色斑或色點，若是，則判斷所述目標證件未將未通過所述紅條、色斑及色點檢測的目標證件標記為質檢不合格，將通過所述紅條、色斑及色點檢測的目標證件標記為質檢合格。2.根據權利要求1所述的基于人工智能的證件質檢系統(tǒng)，其特征在于，所述拍照模塊包3第一相機模塊，用于分別在所述白光光源、所述紫外光源和第二相機模塊，用于分別在所述白光光源、所述紫外光源和證件回退模塊，用于將通過所述覆膜質量檢測的本式護照回退至所述發(fā)證及翻頁模所述發(fā)證及翻頁模塊還用于將回退的本式護照從個人資料頁翻至簽證頁，并將所述本所述信息比對模塊還用于對所述簽證頁打印信息以及在先獲取的所述本式護照的芯所述收證模塊還用于將未通過所述四者一致性檢測的本式護照輸送至所述質檢不合根據提取到的所述標準打印圖像的特征點和所述目標證件圖像的特征點進行特征匹若檢測到的相似度高于預定相似度閾值且計算出的缺陷面積小于預定的缺陷面積閾編碼器GE(x),用于基于輸入的目標證件圖像獲取解碼器GD(z),用于基于輸入的所述特征向量z和目標證件的芯片信息獲取重構證件圖編碼器GE(x'),用于基于輸入的重構證件圖像獲取特征向量z';若所述特征向量z與所述特征向量z'的向量差超出預定的向量差閾值，則判斷所述目4標證件未通過所述打印質量檢測。6.根據權利要求1所述的基于人工智能的證件質檢系統(tǒng)，其特征在于，所述邊緣計算設備還基于預定的第四證件質量檢測方法實現所述打印質量檢測；所述第四證件質量檢測方法基于預構建的改進生成對抗網絡模型實現；所述改進生成對抗網絡模型基于數據增強的方式進行訓練，所述改進生成對抗網絡模型包括：重構子網絡，用于將輸入的目標證件圖像重構為無異常證件圖像；判別子網絡，用于獲取所述目標證件圖像與所述無異常證件圖像的差異，并基于該差異判斷所述目標證件圖像是否通過所述打印質量檢測。7.一種基于人工智能的證件質檢方法，其特征在于，基于權利要求1所述的證件質檢系統(tǒng)實現；所述證件質檢方法包括：將待質檢的卡式證件輸送至信息采集區(qū)，或者對待質檢的本式證件進行翻頁并輸送至所述信息采集區(qū)；獲取所述信息采集區(qū)內的證件的圖像；獲取所述信息采集區(qū)內的證件的芯片信息；基于獲取的證件圖像獲取所述證件的打印信息和條碼信息，所述打印信息包括文字信息和生物特征信息；對所述芯片信息、所述打印信息和所述條碼信息進行三者一致性檢測；基于獲取的證件圖像對通過所述三者一致性檢測的證件進行打印質量檢測；基于獲取的證件圖像對通過所述打印質量檢測的證件進行覆膜質量檢測；將未通過所述三者一致性檢測、所述打印質量檢測或者所述覆膜質量檢測的證件輸送至質檢不合格區(qū)，以及將通過所述覆膜質量檢測并無需進行下一步信息比對的證件輸送至質檢合格區(qū)。8.根據權利要求7所述的基于人工智能的證件質檢方法，其特征在于，當所述本式證件為本式護照時，在所述基于獲取的證件圖像對通過所述打印質量檢測的證件進行覆膜質量將通過所述覆膜質量檢測的本式護照回退；將回退的本式護照從個人資料頁翻至簽證頁，并將所述本式護照重新輸送至所述信息采集區(qū)；獲取所述信息采集區(qū)內的本式護照的簽證頁圖像；基于獲取的簽證頁圖像獲取簽證頁打印信息；對所述簽證頁打印信息以及在先獲取的所述本式護照的芯片信息、個人資料頁打印信將未通過所述四者一致性檢測的本式護照輸送至所述質檢不合格區(qū)，以及將通過所述四者一致性檢測的本式護照輸送至所述質檢合格區(qū)。5一種基于人工智能的證件質檢系統(tǒng)及方法技術領域[0001]本發(fā)明屬于證件質檢領域，更具體地，涉及一種基于人工智能的證件質檢系統(tǒng)及方法。背景技術[0002]現有的證件質檢主要包括信息比對和打印覆膜質量檢測兩個環(huán)節(jié)。對于信息比對環(huán)節(jié)，需要人工將護照放到護照閱讀機以及將證卡放到讀寫器上，這種方式每次只能獲取一張證件的相關信息，最關鍵的信息比對工作需要通過人工來實現，且在完成信息比對后需要人工換卡，效率較低。對于打印覆膜質量檢測環(huán)節(jié)，依然采用的是人工質檢的方式，易受到人為疲勞的影響，易出錯?？偟貋碚f，現有證件質檢所涉及的信息比對和打印覆膜質量檢測均基于人工的方式完成，不僅效率低，而且可靠度低。發(fā)明內容[0003]本發(fā)明的目的在于解決現有基于人工的證件質檢方式效率低、準確率低的問題。[0004]為了實現上述目的，本發(fā)明提供一種基于人工智能的證件質檢系統(tǒng)及方法。[0005]根據本發(fā)明的第一方面，提供了一種基于人工智能的證件質檢系統(tǒng)，該系統(tǒng)包括以下功能模塊：[0006]發(fā)證及翻頁模塊，用于將待質檢的卡式證件輸送至信息采集區(qū)，以及對待質檢的本式證件進行翻頁并輸送至所述信息采集區(qū)；[0007]拍照模塊，用于獲取所述信息采集區(qū)內[0008]芯片讀取模塊，用于獲取所述信息采集區(qū)內的證件的芯片信息；[0009]打印信息識別模塊，用于基于獲取的證件圖像獲取所述證件的打印信息，所述打印信息包括文字信息和生物特征信息；[0010]條碼識別模塊，用于基于獲取的證件圖像獲取所述證件的條碼信息；[0011]信息比對模塊，用于對所述芯片信息、所述打印信息和所述條碼信息進行三者一致性檢測；[0012]打印質量檢測模塊，用于基于獲取的證件圖像對通過所述三者一致性檢測的證件進行打印質量檢測；[0013]覆膜質量檢測模塊，用于基于獲取的證件圖像對通過所述打印質量檢測的證件進行覆膜質量檢測；[0014]收證模塊，用于將未通過所述三者一致性檢測、所述打印質量檢測或者所述覆膜質量檢測的證件輸送至質檢不合格區(qū)，以及將通過所述覆膜質量檢測并無需進行下一步信息比對的證件輸送至質檢合格區(qū)。6[0018]第一相機模塊，用于分別在所述白光光源、所述紫外光源和所述紅外光源下從下方對處于預定的旋轉角度的證件進行拍照；[0019]第二相機模塊，用于分別在所述白光光源、所述紫外光源和所述紅外光源下從上方對處于預定的旋轉角度的證件進行拍照。[0020]作為優(yōu)選的是，在通過所述覆膜質量檢測后，需要進行下一步信息比對的證件為本式護照；[0021]所述證件質檢系統(tǒng)還包括：[0022]證件回退模塊，用于將通過所述覆膜質量檢測的本式護照回退至所述發(fā)證及翻頁[0023]所述發(fā)證及翻頁模塊還用于將回退的本式護照從個人資料頁翻至簽證頁，并將所述本式護照重新輸送至所述信息采集區(qū)；[0024]所述拍照模塊還用于獲取所述信息采集區(qū)內的本式護照的簽證頁圖像；[0025]所述打印信息識別模塊還用于基于獲取的簽證頁圖像獲取簽證頁打印信息；[0026]所述信息比對模塊還用于對所述簽證頁打印信息以及在先獲取的所述本式護照的芯片信息、個人資料頁打印信息、條碼信息進行四者一致性檢測；[0027]所述收證模塊還用于將未通過所述四者一致性檢測的本式護照輸送至所述質檢不合格區(qū)，以及將通過所述四者一致性檢測的本式護照輸送至所述質檢合格區(qū)。[0028]作為優(yōu)選的是，所述打印信息識別模塊、所述條碼識別模塊、所述信息比對模塊、所述打印質量檢測模塊和所述覆膜質量檢測模塊共同基于邊緣計算設備實現。[0029]作為優(yōu)選的是，所述邊緣計算設備基于預定的第一證件質量檢測方法實現所述打印質量檢測和所述覆膜質量檢測；[0030]所述第一證件質量檢測方法包括：[0031]基于預構建的圖像方向檢測模型檢測輸入的目標證件圖像的方向是否為正，若[0032]對方向為正的目標證件圖像進行OCR識別，以獲取目標文字的實際位置信息；[0033]根據所述目標文字的實際位置信息與預獲取的所述目標文字的標準位置信息獲取所述目標文字的打印偏移量；[0034]若所述目標文字的打印偏移量超出預定的打印偏移量閾值，則判斷目標證件未通過打印位置偏移檢測；[0035]基于預構建的圖像語義分割模型檢測輸入的通過所述打印位置偏移檢測的目標證件圖像是否包含黑邊或雜質，若是，則判斷所述目標證件未通過黑邊及雜質檢測；[0036]基于預構建的遷移分類模型檢測輸入的通過所述黑邊及雜質檢測的目標證件圖像是否存在文字和人像轉印不全、覆膜不全或打印重影的問題，若是，則判斷所述目標證件未通過文字和人像轉印不全、覆膜不全及打印重影檢測；[0037]基于預構建的目標檢測網絡模型檢測輸入的通過所述文字和人像轉印不全、覆膜不全及打印重影檢測的目標證件圖像是否存在紅條、色斑或色點，若是，則判斷所述目標證[0038]將未通過所述紅條、色斑及色點檢測的目標證件標記為質檢不合格，將通過所述紅條、色斑及色點檢測的目標證件標記為質檢合格。7[0039]作為優(yōu)選的是，所述邊緣計算設備基于預定的第二證件質量檢測方法實現所述打印質量檢測，所述第二證件質量檢測方法包括：[0040]獲取目標證件圖像對應的標準打印圖像；[0041]對所述標準打印圖像和所述目標證件圖像進行預處理及特征點提取；[0042]根據提取到的所述標準打印圖像的特征點和所述目標證件圖像的特征點進行特征匹配，得到所述標準打印圖像與所述目標證件圖像的形態(tài)學相減結果；[0043]對所述形態(tài)學相減結果進行相似度檢測和缺陷面積計算；[0044]若檢測到的相似度高于預定相似度閾值且計算出的缺陷面積小于預定的缺陷面積閾值，則判斷目標證件通過所述打印質量檢測。[0045]作為優(yōu)選的是，所述邊緣計算設備基于預定的第三證件質量檢測方法實現所述打印質量檢測；[0046]所述第三證件質量檢測方法基于預構建的生成對抗網絡模型實現；[0047]所述生成對抗網絡模型包括：[0048]編碼器GE(x),用于基于輸入的目標證件圖像獲取特征向量z;[0049]解碼器GD(z),用于基于輸入的所述特征向量z和目標證件的芯片信息獲取重構證件圖像；[0050]編碼器GE(x'),用于基于輸入的重構證件圖像獲取特征向量z’;[0051]若所述特征向量z與所述特征向量z’的向量差超出預定的向量差閾值，則判斷所述目標證件未通過所述打印質量檢測。[0052]作為優(yōu)選的是，所述邊緣計算設備基于預定的第四證件質量檢測方法實現所述打印質量檢測；[0053]所述第四證件質量檢測方法基于預構建的改進生成對抗網絡模型實現；[0054]所述改進生成對抗網絡模型基于數據增強的方式進行訓練，所述改進生成對抗網絡模型包括：[0055]重構子網絡，用于將輸入的目標證件圖像重構為無異常證件圖像；[0056]判別子網絡，用于獲取所述目標證件圖像與所述無異常證件圖像的差異，并基于該差異判斷所述目標證件圖像是否通過所述打印質量檢測。[0057]根據本發(fā)明的第二方面，提供了一種基于人工智能的證件質檢方法，該方法基于上述基于人工智能的證件質檢系統(tǒng)實現，該方法包括以下步驟：[0058]將待質檢的卡式證件輸送至信息采集區(qū)，或者對待質檢的本式證件進行翻頁并輸送至所述信息采集區(qū)；[0059]獲取所述信息采集區(qū)內的證件的圖像；[0060]獲取所述信息采集區(qū)內的證件的芯片信息；[0061]基于獲取的證件圖像獲取所述證件的打印信息和條碼信息，所述打印信息包括文字信息和生物特征信息；[0062]對所述芯片信息、所述打印信息和所述條碼信息進行三者一致性檢測；[0063]基于獲取的證件圖像對通過所述三者一致性檢測的證件進行打印質量檢測；[0064]基于獲取的證件圖像對通過所述打印質量檢測的證件進行覆膜質量檢測；[0065]將未通過所述三者一致性檢測、所述打印質量檢測或者所述覆膜質量檢測的證件8輸送至質檢不合格區(qū)，以及將通過所述覆膜質量檢測并無需進行下一步信息比對的證件輸送至質檢合格區(qū)。[0066]作為優(yōu)選的是，當所述本式證件為本式護照時，在所述基于獲取的證件圖像對通過所述打印質量檢測的證件進行覆膜質量檢測之后，還包括：[0067]將通過所述覆膜質量檢測的本式護照回退；[0068]將回退的本式護照從個人資料頁翻至簽證頁，并將所述本式護照重新輸送至所述信息采集區(qū)；[0069]獲取所述信息采集區(qū)內的本式護照的簽證頁圖像；[0070]基于獲取的簽證頁圖像獲取簽證頁打印信息；[0071]對所述簽證頁打印信息以及在先獲取的所述本式護照的芯片信息、個人資料頁打印信息、條碼信息進行四者一致性檢測；[0072]將未通過所述四者一致性檢測的本式護照輸送至所述質檢不合格區(qū)，以及將通過所述四者一致性檢測的本式護照輸送至所述質檢合格區(qū)。[0073]本發(fā)明的有益效果在于：[0074]本發(fā)明的基于人工智能的證件質檢系統(tǒng)，通過發(fā)證及翻頁模塊將待質檢的卡式證件輸送至信息采集區(qū)，以及對待質檢的本式證件進行翻頁并輸送至所述信息采集區(qū)；通過拍照模塊獲取所述信息采集區(qū)內的證件的圖像；通過芯片讀取模塊獲取所述信息采集區(qū)內的證件的芯片信息；通過打印信息識別模塊基于獲取的證件圖像獲取所述證件的打印信息；通過條碼識別模塊基于獲取的證件圖像獲取所述證件的條碼信息；通過信息比對模塊對所述芯片信息、所述打印信息和所述條碼信息進行三者一致性檢測；通過打印質量檢測模塊基于獲取的證件圖像對通過所述三者一致性檢測的證件進行打印質量檢測；通過覆膜質量檢測模塊基于獲取的證件圖像對通過所述打印質量檢測的證件進行覆膜質量檢測；通過收證模塊將未通過所述三者一致性檢測、所述打印質量檢測或者所述覆膜質量檢測的證件輸送至質檢不合格區(qū)，以及將通過所述覆膜質量檢測并無需進行下一步信息比對的證件輸送至質檢合格區(qū)。其中，打印信息識別模塊、打印質量檢測模塊和覆膜質量檢測模塊均基于人工智能技術實現。[0075]根據以上內容可知，采用本發(fā)明的基于人工智能的證件質檢系統(tǒng)，能夠實現信息比對環(huán)節(jié)和打印覆膜質量檢測環(huán)節(jié)的完全自動化，解放了人力，不僅具有更高的效率，而且[0076]本發(fā)明的基于人工智能的證件質檢方法與上述基于人工智能的證件質檢系統(tǒng)屬于一個總的發(fā)明構思，故與上述基于人工智能的證件質檢系統(tǒng)具有相同的有益效果，在此不再一一贅述。[0077]本發(fā)明的其它特征和優(yōu)點將在隨后具體實施方式部分予以詳細說明。附圖說明[0078]通過結合附圖對本發(fā)明示例性實施方式進行更詳細的描述，本發(fā)明的上述以及其它目的、特征和優(yōu)勢將變得更加明顯，其中，在本發(fā)明示例性實施方式中，相同的參考標號通常代表相同部件。[0079]圖1示出了根據本發(fā)明的實施例的一種基于人工智能的證件質檢系統(tǒng)的結構框9[0080]圖2示出了根據本發(fā)明的實施例的基于人工智能的證件質檢方法的實現流程圖；[0081]圖3示出了根據本發(fā)明的實施例的另一種基于人工智能的證件質檢系統(tǒng)的系統(tǒng)構具體實施方式[0082]下面將更詳細地描述本發(fā)明的優(yōu)選實施方式。雖然以下描述了本發(fā)明的優(yōu)選實施方式，然而應該理解，可以以各種形式實現本發(fā)明而不應被這里闡述的實施方式所限制。相反，提供這些實施方式是為了使本發(fā)明更加透徹和完整，并且能夠將本發(fā)明的范圍完整地傳達給本領域的技術人員。[0083]實施例：圖1示出了本發(fā)明實施例的基于人工智能的證件質檢系統(tǒng)的結構框圖。參照圖1,本發(fā)明實施例的基于人工智能的證件質檢系統(tǒng)包括以下功能模塊：[0084]發(fā)證及翻頁模塊，用于將待質檢的卡式證件輸送至信息采集區(qū)，以及對待質檢的本式證件進行翻頁并輸送至所述信息采集區(qū)；[0085]拍照模塊，用于獲取所述信息采集區(qū)內[0086]芯片讀取模塊，用于獲取所述信息采集區(qū)內的證件的芯片信息；[0087]打印信息識別模塊，用于基于獲取的證件圖像獲取所述證件的打印信息，所述打印信息包括文字信息和生物特征信息，生物特征信息包括人像信息和指紋信息；[0088]條碼識別模塊，用于基于獲取的證件圖像獲取所述證件的條碼信息；[0089]信息比對模塊，用于對所述芯片信息、所述打印信息和所述條碼信息進行三者一致性檢測；[0090]打印質量檢測模塊，用于基于獲取的證件圖像對通過所述三者一致性檢測的證件進行打印質量檢測；[0091]覆膜質量檢測模塊，用于基于獲取的證件圖像對通過所述打印質量檢測的證件進行覆膜質量檢測；[0092]收證模塊，用于將未通過所述三者一致性檢測、所述打印質量檢測或者所述覆膜質量檢測的證件輸送至質檢不合格區(qū)，以及將通過所述覆膜質量檢測并無需進行下一步信息比對的證件輸送至質檢合格區(qū)。[0096]第一相機模塊，用于分別在所述白光光源、所述紫外光源和所述紅外光源下從下方對處于預定的旋轉角度的證件進行拍照；[0097]第二相機模塊，用于分別在所述白光光源、所述紫外光源和所述紅外光源下從上方對處于預定的旋轉角度的證件進行拍照。[0098]再進一步地，本發(fā)明實施例中，在通過所述覆膜質量檢測后，需要進行下一步信息比對的證件為本式護照；[0099]所述證件質檢系統(tǒng)還包括：[0100]證件回退模塊，用于將通過所述覆膜質量檢測的本式護照回退至所述發(fā)證及翻頁模塊；[0101]所述發(fā)證及翻頁模塊還用于將回退的本式護照從個人資料頁翻至簽證頁，并將所述本式護照重新輸送至所述信息采集區(qū)；[0102]所述拍照模塊還用于獲取所述信息采集區(qū)內的本式護照的簽證頁圖像；[0103]所述打印信息識別模塊還用于基于獲取的簽證頁圖像獲取簽證頁打印信息，所述簽證頁打印信息包括簽證信息；[0104]所述信息比對模塊還用于對所述簽證頁打印信息以及在先獲取的所述本式護照的芯片信息、個人資料頁打印信息、條碼信息進行四者一致性檢測；[0105]所述收證模塊還用于將未通過所述四者一致性檢測的本式護照輸送至所述質檢不合格區(qū)，以及將通過所述四者一致性檢測的本式護照輸送至所述質檢合格區(qū)。[0106]再進一步地，本發(fā)明實施例中，所述打印信息識別模塊、所述條碼識別模塊、所述信息比對模塊、所述打印質量檢測模塊和所述覆膜質量檢測模塊共同基于邊緣計算設備實現。[0107]具體地，本發(fā)明實施例中，發(fā)證及翻頁模塊用于批量地向信息采集區(qū)輸送卡式證件或者本式證件。對于本式證件，需要先將本式證件翻至指定的頁面，再將翻頁后的本式證件輸送至信息采集區(qū)。例如，當本式證件為本式護照時，需要先將本式護照翻至個人資料頁，再將本式護照輸送至信息采集區(qū)，以進行后續(xù)的個人信息比對和質量檢測。當本式護照通過覆膜質量檢測后被回退至發(fā)證及翻頁模塊時，發(fā)證及翻頁模塊還用于將本式護照從個人資料頁翻至簽證頁，并將本式護照重新輸送至信息采集區(qū)，以進行后續(xù)的簽證信息比對。[0108]具體地，本發(fā)明實施例中，光源子模塊包括白光光源模組、紫外光源模組和紅外光源模組，證件旋轉子模塊采用持證機構實現，第一相機模塊和第二相機模塊均采用工業(yè)攝像機實現。本發(fā)明實施例中，白光光源模組、紫外光源模組和紅外光源模組分別提供白光光源、紫外光源和紅外光源，持證機構能夠將證件多角度旋轉。基于光源子模塊、證件旋轉子模塊、第一相機模塊和第二相機模塊的配合工作，能夠在白光光源、紫外光源和紅外光源下對證件的正面和反面進行多角度拍照，以獲取目標證件圖像。本發(fā)明實施例中，每種光源下的拍照都留存供后續(xù)識別檢測使用。持證機構可以多個角度旋轉，因為證件個人信息頁上覆有激光防偽膜有反光，使用角度旋轉配合光源，方便檢查出證件打印不完整、防偽膜覆膜不全或有拉痕的缺陷。[0109]具體地，本發(fā)明實施例中，打印信息識別模塊采用OCR文字識別技術獲取證件文字信息，條碼識別模塊采用條碼識別技術獲取證件條碼信息，芯片讀取模塊支持BAC方式讀取和連接加密機的方式讀取。打印質量檢測模塊根據預定的不同光源下以及不同角度的證件圖像檢測證件表面的打印質量，覆膜質量檢測模塊根據預定的不同光源下以及不同角度的證件圖像檢測證件表面的覆膜質量。對于信息比對模塊，在其進行三者一致性檢測和四者一致性檢測的過程中，還可以將預獲取的后臺數據庫中申請人的制證數據加入其中，相應地，之前的三者一致性檢測變?yōu)樗恼咭恢滦詸z測，之前的四者一致性檢測變?yōu)槲逭咭恢滦詸z測。系列的邊緣計算設備進行替換。本發(fā)明實施例中，發(fā)證及翻頁模塊包括發(fā)證子模塊和翻頁11子模塊。邊緣計算設備通過網絡交換機連接到翻頁子模塊、光源子模塊、證件旋轉子模塊、第一相機模塊、第二相機模塊和證件回退模塊，通過USB接口連接到發(fā)證子模塊、芯片讀取模塊和收證模塊。所述證件質檢系統(tǒng)還包括顯示模塊，顯示模塊與邊緣計算設備通過HDMI數據線相連。[0111]具體地，本發(fā)明實施例中，邊緣計算設備的操作系統(tǒng)選用針對深度學習檢測進行加速。因軟件運行涉及多種硬件設備驅動，在運行時，將部署好的一套系統(tǒng)打包封裝為Docker鏡像，將各個質檢設備(如讀寫器、相機)的IP地址及標識ID寫入配置文件，在需要修改的時候方便修改。在部署到其他設備時，使用生成好的Docker鏡像在型文件使用tar命令進行加密和壓縮。密鑰加密寫入配置文件，使用模型時先從配置文件讀取加密的密鑰，對密鑰進行解密，使用密鑰解壓tar文[0112]進一步地，本發(fā)明實施例中，所述邊緣計算設備基于預定的第一證件質量檢測方法實現所述打印質量檢測和所述覆膜質量檢測；[0113]所述第一證件質量檢測方法包括：[0114]基于預構建的圖像方向檢測模型檢測輸入的目標證件圖像的方向是否為正，若否，將所述目標證件圖像的方向調正；[0115]對方向為正的目標證件圖像進行OCR識別，以獲取目標文字的實際位置信息；[0116]根據所述目標文字的實際位置信息與預獲取的所述目標文字的標準位置信息獲取所述目標文字的打印偏移量；[0117]若所述目標文字的打印偏移量超出預定的打印偏移量閾值，則判斷目標證件未通過打印位置偏移檢測；[0118]基于預構建的圖像語義分割模型檢測輸入的通過所述打印位置偏移檢測的目標證件圖像是否包含黑邊或雜質，若是，則判斷所述目標證件未通過黑邊及雜質檢測；[0119]基于預構建的遷移分類模型檢測輸入的通過所述黑邊及雜質檢測的目標證件圖像是否存在文字和人像轉印不全、覆膜不全或打印重影的問題，若是，則判斷所述目標證件未通過文字和人像轉印不全、覆膜不全及打印重影檢測；[0120]基于預構建的目標檢測網絡模型檢測輸入的通過所述文字和人像轉印不全、覆膜不全及打印重影檢測的目標證件圖像是否存在紅條、色斑或色點，若是，則判斷所述目標證[0121]將未通過所述紅條、色斑及色點檢測的目標證件標記為質檢不合格，將通過所述紅條、色斑及色點檢測的目標證件標記為質檢合格。[0122]以下對第一證件質量檢測方法進行更為詳細的說明：[0123]第一證件質量檢測方法為基于分割、分類和目標檢測網絡的質檢方法：[0124]1)對于證件方向判斷，使用ResNet或ShuffleNet對圖像進行分類，每個數字代表一種證件類型一個方向，例如：1代表港澳證正面，2代表港澳證正面180度旋轉，3代表港澳證背面，4代表港澳證背面180度旋轉，5代表護照正面，6代表護照正面180度旋轉，7代表護照反面，8代表護照反面180度旋轉。在訓練階段標記證件照片和方向，并對網絡進行訓練。前期使用樣圖對模型進行訓練，后續(xù)部署模型進行識別判斷。字的位置后，與該項文字標準的位置進行對比，計算文字打印的偏移量，如果大于閾值或者與其他預打印信息重合，則認為該項文字有打印偏差。[0126]3)對于證件質量檢測：對于黑邊和雜質類型的圖片使用圖像語義分割網絡用于訓練分割網絡。語義分割模型可以識別人像、底紋、個人信息、防偽膜以及雜質和黑邊類別信息，對于分割出雜質和黑邊，則判斷證件不合格。對于紫外光下的覆膜圖片也是用分類網絡，區(qū)分覆膜完整及覆膜不完整的圖片。[0127]4)對于文字和人像轉印不全、覆膜不全及重影的圖片，使用遷移分類網絡CDAN,該圖像分類網絡基于遷移學習，可以提高分類的準確率。在訓練階段，人工標記好正常圖片和文字和人像打印不全、覆膜不全、打印重影的圖片信息用于訓練分類網絡。該網絡用于區(qū)分正常圖片和文字和人像打印不全、覆膜不全及打印重影的圖片，對于人像和文字打印不完整、打印重影的圖片判斷證件不合格。在前期訓練模型時將正常和質量異常的圖片進行分[0128]5)對于打印出現紅條、色斑及色點的證件，使用目標檢測網絡標注出缺陷的情況，使用FCOS目標檢測網絡對缺陷進行檢測并顯示。在前期訓練模型將有雜質等異常情況的圖片進行標注，提供網絡進行模型訓練。[0129]在訓練模型時，因部分缺陷證件樣本比較少，使用數據增強集合自動標注的方式增加樣本數量，數據增強的方式包括，自動在證件隨機位置生成雜質、色斑及色點、增加反照片變形、照片方向隨機旋轉、顏色擾動和加入噪聲等方式。[0130]作為一種可選的方式，本發(fā)明實施例中，所述邊緣計算設備基于預定的第二證件質量檢測方法實現所述打印質量檢測，所述第二證件質量檢測方法包括：[0131]獲取目標證件圖像對應的標準打印圖像；[0132]對所述標準打印圖像和所述目標證件圖像進行預處理及特征點提?。籟0133]根據提取到的所述標準打印圖像的特征點和所述目標證件圖像的特征點進行特征匹配，得到所述標準打印圖像與所述目標證件圖像的形態(tài)學相減結果；[0134]對所述形態(tài)學相減結果進行相似度檢測和缺陷面積計算；[0135]若檢測到的相似度高于預定相似度閾值且計算出的缺陷面積小于預定的缺陷面積閾值，則判斷目標證件通過所述打印質量檢測。[0136]以下對第二證件質量檢測方法進行更為詳細的說明：[0137]第二證件質量檢測方法為基于特征點提取的證件質檢方法：個人信息生成樣圖即完整的打印文件，并將空白證件的底紋結合個人信息樣圖，生成待比較的打印標準圖，用來與實際證件進行比對。第一步進行圖像特征檢測，使用SURF算法提取證件圖像的特征點，形成特征描述。第二步進行特征匹配，粗篩選通過歐氏距離作為度量，精篩選使用隨機抽樣一致性(RANSAC)算法剔除匹配點中的外點，即錯誤匹配點。第三步使用仿射變換將標準圖與制作的證件圖像配準。最后做圖像差分，打印不完整的部分會在圖像差分結果中出現，將結果進行相似度檢測以及輪廓檢測并計算缺陷面積。如果比對相似度高于預設的閾值，且形態(tài)學相減的結果小于預定的閾值面積的差異，則判斷為正常證件，否則判斷為缺陷證件。這樣可以將人像、文字打印錯誤和打印內容缺失的情況檢測出來。[0139]作為一種可選的方式，本發(fā)明實施例中，所述邊緣計算設備基于預定的第三證件質量檢測方法實現所述打印質量檢測；[0140]所述第三證件質量檢測方法基于預構建的生成對抗網絡模型實現；[0141]所述生成對抗網絡模型包括：[0142]編碼器GE(x),用于基于輸入的目標證件圖像獲取特征向量z;[0143]解碼器GD(z),用于基于輸入的所述特征向量z和目標證件的芯片信息獲取重構證件圖像；[0144]編碼器GE(x'),用于基于輸入的重構證件圖像獲取特征向量z';[0145]若所述特征向量z與所述特征向量z’的向量差超出預定的向量差閾值，則判斷所述目標證件未通過所述打印質量檢測。[0146]以下對第三證件質量檢測方法進行更為詳細的說明：[0147]第三證件質量檢測方法為基于生成對抗網絡的證件質檢方法：[0148]針對缺陷樣本少，正常樣本多的情況，考慮使用生成對抗網絡來對證件進行質檢，生成對抗網絡包括：[0149]1)生成網絡：由編碼器GE(x)和解碼器GD(z)構成，對于送入圖像x經過編碼器GE(x)得到向量z,向量z結合讀取證件芯片獲取的個人基本信息、人像和指紋等信息經過解碼器GD(z)得到x的重構數據x’。[0150]2)判別器D:對于原始圖像x判為真，重構圖像x’判為假，從而不斷優(yōu)化重構圖像與[0151]3)編碼器GE(x’):對重構圖像x’再做編碼，得到重構圖像x’的向量z’。[0152]在訓練階段，整個模型均是通過正常證件樣本做訓練，使用證件芯片中的個人信息與證件掃描照片作為輸入，在個人信息的基礎上增加證件底紋和防偽膜圖像，使用解碼器GD(z)生成重構照片。不斷訓練，以減小重構圖像與原始圖像的差距。[0153]在質檢時，使用x與x’兩張圖像的圖像形態(tài)學差異計算出缺陷的位置和大小，當z[0154]作為一種可選的方式，本發(fā)明實施例中，所述邊緣計算設備基于預定的第四證件質量檢測方法實現所述打印質量檢測；[0155]所述第四證件質量檢測方法基于預構建的改進生成對抗網絡模型實現；[0156]所述改進生成對抗網絡模型基于數據增強的方式進行訓練，所述改進生成對抗網絡模型包括：[0157]重構子網絡，用于將輸入的目標證件圖像重構為無異常證件圖像；[0158]判別子網絡，用于獲取所述目標證件圖像與所述無異常證件圖像的差異，并基于該差異判斷所述目標證件圖像是否通過所述打印質量檢測。[0159]以下對第四證件質量檢測方法進行更為詳細的說明：[0160]第四證件質量檢測方法為基于改進生成對抗網絡的證件質檢方法：[0161]針對缺陷樣本不易獲取，正常樣本較多的情況，需要使用正常樣本來生成異常樣本供模型訓練使用，考慮使用改進的生成對抗網絡來對證件進行質檢，其中，改進的生成對抗網絡包括重構子網絡、判別器子網絡和數據增強模塊。以下分別對重構子網絡、判別子網絡和數據增強模塊進行說明：[0162]數據增強模塊：主要用于從正常圖像生成缺陷圖像供模型訓練使用。數據增強模塊用于在正常樣本I圖像上生成缺陷，并將生成的缺陷圖片I給重構子網絡作為輸入，來訓練重構子網絡。生成缺陷圖像的步驟如下：[0163]1)首先使用柏林噪聲生成一張噪音圖P。[0164]2)根據一個隨機生成的閾值對噪音圖P做二值化操作，得到映射圖M。[0165]3)從一個與證件不相關的數據集獲取一張異常紋理圖像A。[0166]4)從數據增強操作集里面選取2種數據增強操作對異常紋理圖像A進行數據增強。[0167]5)訓練數據包括正常圖像I,生成的異常圖像I以及異常掩碼圖像M射圖M與原圖I點乘再乘以混合系數1-β;經過數據增強的圖像A與映射圖M做矩陣點乘再乘[0171]最終得到經過數據增強的異常圖像I。[0172]重構子網絡：由編碼器和解碼器組成。重構子網絡用于檢測缺陷圖片中的異常，其輸入是缺陷圖片I,網絡并將其重建為正常圖片I,使重建圖片I盡量與正常圖片I一致，減一部分是SSIMloss(LssI)計算公式如下：[0174]Lrec(I,[0176]判別子網絡：通過檢測重建圖像與輸入圖像的區(qū)別來定位缺陷。判別子網絡使用U-Net架構。判別子網絡的輸入I是重建子網絡的輸出I和輸入圖像I。判別子網絡檢查圖像I與I的差異。如果輸入圖像為異常圖像，則I與I在異常區(qū)域的差別較大，可以根據差異來對缺陷進行定位和分割。判別子網絡自動學習I與I的距離度量。判別子網絡輸出異常分數映射M。與圖像I大小一致。判別子網絡的損失Lseg主要使用平衡交叉熵函數(balancedcrossentropy)來增強異常分割的準確性和健壯性。[0177]本方法的總損失由兩部分構成：重建損失和缺陷分割損失：[0179]M,M分別是判別子網絡輸出的異常分割圖和數據集里面正確打標記(groundtruth)的異常分割圖。值濾波進行平滑，再經過最大池化層，最后通過全連接層確定檢測結果。[0181]具體地，本發(fā)明實施例中，可以對第一證件質量檢測方法、第二證件質量檢測方法、第三證件質量檢測方法與第四證件質量檢測方法進行有選擇地組合使用，只要能夠實現打印質量檢測和覆膜質量檢測即可。[0182]本發(fā)明實施例的基于人工智能的證件質檢系統(tǒng)具有以下有益效果：[0183]1)使用一臺質檢設備集成證件及護照的個人信息頁、簽證頁的檢測，對卡式證件的個人信息和簽注的檢測?？梢詫ψC件的打印信息，包括個人信、簽證或簽注信息、二維碼信息、芯片信息、證件打印和覆膜質量進行一站式檢測，整合多種質檢功能，提高了質檢的[0184]2)在對證件質量進行檢測時使用了多種光源，結合持證機構旋轉多角度，方便對[0185]3)質檢和識別模型使用Docker進行部署，可以適配硬件設備的多種驅動，以及保持軟件開發(fā)庫的版本一致，同時方便部署環(huán)境的復制和擴展。了程序和模型的安全行。[0187]5)使用業(yè)界領先的自主研發(fā)的深度學習的方法，根據不同的檢測功能使用不同類型的網絡模型進行識別和檢測。證件打印覆膜質量的質檢功能的網絡模型包括目標檢測，圖像分類，圖像分割方法對證件打印質量和覆膜質量進行檢測，替代了人工操作，提高了質檢效率。使用自研的OCR和打印位置檢測方法提高證件打印信息的核驗能力。使用ShuffleNET對證件方向進行識別，方便質檢判斷和文字識別。[0188]6)使用JETSONXAVIERNX邊緣計算設備替代工控機，同時J力，可以提高基于深度學習質檢功能的運行速度，降低設備成本，減小設備體積，減少對服務器的依賴。[0189]7)使用基于改進的生成對抗網絡的證件質檢方法檢測證件質量缺陷，針對證件缺陷樣本較少的問題，訓練檢測網絡，同時提高[0190]8)可以對證件的打印信息，包括個人信息，簽證或簽注信息，二維碼信息，芯片信息，證件打印和覆膜質量進行一站式檢測，整合多種質檢功能，提高了質檢的完整性，豐富了質檢功能。[0191]9)使用深度學習的方法對證件打印、覆膜質量和打印信息進行檢測，替代了人工操作，提高了質檢效率和識別準確率。[0193]11)解決證件缺陷樣本不易獲取的問題，使用正常證件樣本圖像結合異常圖像生成器來生成缺陷圖像，最后訓練識別網絡。[0194]相應地，在上述基于人工智能的證件質檢系統(tǒng)的基礎上，本發(fā)明實施例還提出了一種基于人工智能的證件質檢方法。圖2示出了本發(fā)明實施例的基于人工智能的證件質檢方法的實現流程圖。參照圖2,本發(fā)明實施例的基于人工智能的證件質檢方法包括以下步[0195]S100、將待質檢的卡式證件輸送至信息采集區(qū)，或者對待質檢的本式證件