(19)中华 人民共和国 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 202111639565.0 (22)申请日 2021.12.2 9 (71)申请人 福建亿力电力科技有限责任公司 地址 350000 福建省福州市 鼓楼区铜盘路 软件大道89号软件园B区14 号 (72)发明人 郭素芹　倪少峰　陈坤　梁海涛　 林瑞安　吴高杰　罗康润　 (74)专利代理 机构 厦门市首创君 合专利事务所 有限公司 3 5204 代理人 连耀忠 (51)Int.Cl. G06V 30/40(2022.01) G06V 30/19(2022.01) G06K 9/62(2022.01) G06F 16/35(2019.01)G06F 40/30(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 30/00(2012.01) (54)发明名称 一种基于双模型融合的供应商资质审核方 法和审核 装置 (57)摘要 本发明提出一种基于双模型融合的供应商 资质审核方法， 包括： 建立用于目标检测算法 Light‑BidDet的数据集D1， 以及用于中英文字符 识别算法E2E‑BidOcr的数据集D2， 并将两个 数据 集按照5:1的比例划分成训练集和验证集； 对 Light‑BidDet模型和E2E ‑BidOcr模型， 在数据集 D1和数据集D2的训练集上进行有 监督训练， 并在 验证集上进行验证， 得到训练好的Light ‑BidDet 模型和E2 E‑BidOcr模型； 用训练好的目标检测算 法Light‑BidDet模型对标书文件指定区域的定 位检测， 再采用训练好的端到端中英文字符识别 算法E2E‑BidOcr对标书文件中所需识别区域的 字符进行识别， 得到识别结果； 建立模板匹配规 则和资质能力核实算法， 对 得到的识别结果进行 供应商资质能力审核判断； 本发 明方法能够有效 克服现有的人工审核方式的不足和缺陷。 权利要求书2页 说明书6页 附图3页 CN 114299520 A 2022.04.08 CN 114299520 A 1.一种基于双模型融合的供应商资质审核方法， 其特 征在于， 包括： 建立用于目标检测算法Light ‑BidDet的数据集D1， 以及用于中英文字符识别算法E2E ‑ BidOcr的数据集D2， 并将两个数据集按照5:1的比例划分成训练集和验证集； 对Light‑BidDet模型和E2E ‑BidOcr模型， 在数据集D1和数据集D2的训练集上进行有监 督训练， 并在验证集上进行验证， 得到训练好的L ight‑BidDet模型和E2E ‑BidOcr模型； 用训练好的目标检测算法Li ght‑BidDet模型对标书文件指定区域的定位检测， 再采用 训练好的端到端中英文字符识别算法E2E ‑BidOcr对标书文件中所需识别区域的字符进行 识别， 得到识别结果； 建立模板匹配规则和资质能力核实算法， 对得到的识别结果进行供应商资质能力审核 判断。 2.根据权利要求1所述的一种基于基于双模型融合的供应商资质审核方法， 其特征在 于， 所述Light ‑BidDet模型包括： 用于特征提取的骨干网络Mobile ‑ViT， 双向融合的特征信 息融合网络BiFPN， 以及输出类别与检测框的检测头 Head； 所述骨干网络 Mobile‑ViT包括卷积块、 Mobi leNet模块、 Mobi leViT模块； 所述双向融合的特征信息融合网络BiFPN为： 在特征金字塔网络增加上下文信息融合 及跨层连接路径； 所述输出类别与检测框的检测头 Head包括类别预测分支和检测框回归分支。 3.根据权利要求1所述的一种基于基于双模型融合的供应商资质审核方法， 其特征在 于， 所述E2E‑BidOcr模型包括卷积层、 循环层和转录层； 卷积层通过构建卷积神经网络对目标检测算法Light ‑BidDet模型得到的检测结果图 像进行特征提取， 得到一系列卷积特 征图并转换成特 征序列； 循环层利用双向的长短期记忆人工神经网络对特征序列进行预测， 对序列中的每个特 征向量进行 学习， 并输出 预测字符标签的分布； 转录层用于把循环层输出的预测字符标签的分布进一 步转换成最终的字符串输出。 4.根据权利要求1所述的一种基于基于双模型融合的供应商资质审核方法， 其特征在 于， 对Light ‑BidDet模型和E2E ‑BidOcr模型， 在数据集D1和数据集D2的训练集上进行有监 督训练， 并在验证集上进行验证， 其中在验证集上进行验证具体为： Light‑BidDet利用IoU＝0.5时的平均精确度AP50作为验证指标， 当在数据集D1的验证 集上AP50≥90％时， L ight‑BidDet训练完成的模型记为 合格； E2E‑BidOcr采用文字行级别准确率作为评价指标， 当在数据集D2的验证集上Accuracy ≥90％时， E2E ‑BidOcr训练完成的模型记为 合格。 5.根据权利要求1所述的一种基于双模型融合的供应商资质审核方法， 其特征在于， 建 立模板匹配规则和资质能力核实算法， 对得到的识别结果进行供应商资质能力审核判断， 具体为： 建立标书模板匹配库； 利用ERNIE ‑Gram模型构建文本语义匹配任务， 所述ERNIE ‑Gram模型利用模糊匹配规则 判断待检测文本与标书 文本匹配库中的文本进行相似度检测； 统计语义相似文本所占比例， 并进一步根据 所占比例的值对供应商资质能力的核实结权　利　要　求　书 1/2 页 2 CN 114299520 A 2果进行判断。 6.根据权利要求5所述的一种基于双模型融合的供应商资质审核方法， 其特征在于， 所 述进一步根据所占比例的值对供应商资质能力的核实结果进行判断， 具体为： 当所占比例≥0.9时认定当前 所判断的供应商符合资质要求； 当0.8≤所占比例＜0.9时认定当前所判断的供应商具备候补资格， 需进一步完善和递 交标书文件中的相关材 料； 当所占比例＜0.8时认定当前 所判断的供应商不符合资质要求。 7.一种基于双模型融合的供应商资质审核装置， 其特 征在于， 包括： 数据集建立模块： 建立用于目标检测算法Light ‑BidDet的数据集D1， 以及用于中英文 字符识别 算法E2E‑BidOcr的数据集D2， 并将两个数据集按照5:1的比例划分成训练集和 验 证集； 模型训练模块： 对Light ‑BidDet模型和E2E ‑BidOcr模型， 在数据集D1和数据集D2的训 练集上进行有监督训练， 并在验证集上进行验证， 得到训练好的Light ‑BidDet模型和E2E ‑ BidOcr模型； 模型运算模块： 用训练好的目标检测算法Li ght‑BidDet模型对标书文件指定区域的定 位检测， 再采用训练好的端到端中英文字 符识别算法E2E ‑BidOcr对 标书文件中所需识别区 域的字符进行识别， 得到识别结果； 资质能力判断模块： 建立模板匹配规则和资质能力核实算法， 对得到的识别结果进行 供应商资质能力审核判断。 8.根据权利要求7所述的一种基于双模型融合的供应商资质审核装置， 其特征在于， 还 包括： 自动输入及预处理模块， 用于调取投标系统中已经上传的标书文件， 并将标书文件的 格式转换与图片切分， 再进行图片灰度化处 理与大小尺寸调整操作； 数据库模块， 用于存 储标书模板匹配库以及最终的资质能力审核结果； 结果显示与交互模块， 用于输出资质能力判断模块的最终结果， 同时调取历史数据和 中间算法识别的过程数据， 实现人工 输入标书 文件。权　利　要　求　书 2/2 页 3 CN 114299520 A 3