一种招牌照片审核方法、装置、电子设备及可读存储介质
文献发布时间：2023-06-19 09:38:30
技术领域
本申请属于招牌照片审核技术领域，具体涉及一种招牌照片审核方法、装置、电子设备及可读存储介质。
背景技术
电商企业要求商户注册时，上传商户所在门店的招牌照片作为资质证明，审核人员在线审核上传的招牌照片判定该商户是否满足注册要求。
通常上传招牌照片时，电商企业会要求只能调用手机原相机且拍招牌照片摄地点必须与上传的门店位置信息一致，以避免一些常见的作弊手段，例如上传翻拍照片，这些作弊方式容易对审核人员造成误导，电商给企业带来经济损失。
当前，对于招牌照片的审核多是人为手动审核，审核速度慢且审核人员下班后无法及时审核，延长商户等待审核时间，商户长时间等待后易做出放弃注册的行为，致使电商企业错失用户。
鉴于上述技术缺陷的存在提出本申请。
需注意的是，以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。
发明内容
本申请的目的是提供一种招牌照片审核方法、装置、电子设备及可读存储介质，以克服或减轻已知存在的至少一方面的技术缺陷。
本申请的技术方案是：
一方面提供一种招牌照片审核方法，包括：
翻拍检测步骤：检测招牌照片是否为翻拍照片，若否，通过检测；
招牌图像识别步骤：识别通过检测的招牌照片中的招牌图像；
招牌文字识别步骤：识别招牌图像中的文字；
招牌文字比对步骤：比对招牌图像中的文字与对应的招牌文字是否一致，若是，通过审核。
根据本申请的至少一个实施例，上述的招牌照片审核方法中，所述翻拍检测步骤，具体为：
采集多个翻拍照片，对神经网络模型进行训练，得到收敛拟合的翻拍检测模型；
对招牌照片进行图像灰度化，基于翻拍检测模型检测处理后的招牌照片是否为翻拍照片，若否，通过检测。
根据本申请的至少一个实施例，上述的招牌照片审核方法中，所述采集多个翻拍照片，对神经网络模型进行训练，得到收敛拟合的翻拍检测模型，具体为：
对采集的翻拍照片进行特征标注；
对翻拍照片进行灰度化、特殊数据增广处理，以及进行尺寸归一化处理，其后划分至训练集、测试集、验证集中；
基于训练集中的翻拍照片对神经网络模型进行训练，基于测试集中的翻拍照片进行测试，通过验证集中的翻拍照片进行验证，得到收敛拟合的翻拍检测模型。
根据本申请的至少一个实施例，上述的招牌照片审核方法中，所述对采集的翻拍照片进行特征标注，具体为：
对采集的翻拍照片进行模糊特性标注、摩尔纹现象特性标注、黑边特性标注、水印特性标注以及手机边框特性标注。
根据本申请的至少一个实施例，上述的招牌照片审核方法中，所述对翻拍照片进行灰度化处理，具体为：
按转化公式G＝pR+qG+wB对翻拍照片进行灰度化处理，其中，
G为灰度图的单通道；
RGB为彩色图的三个通道；
P＝0.340～0.344，q＝0.505～0.509，w＝0.149～0.153，p+q+w＝1。
根据本申请的至少一个实施例，上述的招牌照片审核方法中，对翻拍照片进行特殊数据增广处理，具体为：
改变特征标注的翻拍照片的明暗程度进行特殊数据增广处理，可以是将翻拍照片亮度增加至原明暗程度的1.5倍和/或将翻拍照片亮度降低至原明暗程度的0.7倍。
根据本申请的至少一个实施例，上述的招牌照片审核方法中，所述对翻拍照片进行尺寸归一化处理，具体为：
将翻拍照片的尺寸归化到227*227，若过大会导致模型难以训练，若过小则会使翻拍特征丢失过多，影响模型训练的准确性。
根据本申请的至少一个实施例，上述的招牌照片审核方法中，所述划分翻拍照片至训练集、测试集、验证集中，具体为：
按照8：1：1的比例划分翻拍照片至训练集、测试集、验证集中。
根据本申请的至少一个实施例，上述的招牌照片审核方法中，所述神经网络模型包括：
一个第一卷积层、两个basicblock模块和两个全连接层，每个所述basicblock模块由4通道并行组成，第一个通道包括3个3*3的卷积层，第二个通道包括2个3*3的卷积层，第三个通道包括一个3*3的卷积层，第四个通道为identity模块，在第一卷积层和两个basicblock模块之后添加池化层。
根据本申请的至少一个实施例，上述的招牌照片审核方法中，所述神经网络模型中，在第一层全连接层后接入进行神经元失活的dropout层，采用relu函数作为神经网络模型中的激活函数。
根据本申请的至少一个实施例，上述的招牌照片审核方法中，在激活函数之前设置有批量标准化层。
根据本申请的至少一个实施例，上述的招牌照片审核方法中，所述基于翻拍检测模型检测处理后的招牌照片是否为翻拍照片，具体为：
基于翻拍检测模型得到处理后的招牌照片的翻拍概率，若翻拍概率小于检测阈值，则判断该招牌照片不是翻拍照片，否则，判断该招牌照片为翻拍照片。
根据本申请的至少一个实施例，上述的招牌照片审核方法中，所述招牌图像识别步骤，具体为：
采集多个招牌图像，对YOLO_v4目标检测算法模型进行训练，得到收敛拟合的招牌图像识别模型；
基于招牌图像识别模型识别通过检测的招牌照片中的招牌图像。
根据本申请的至少一个实施例，上述的招牌照片审核方法中，所述招牌文字识别步骤，具体为：
采集OCR数据，对DB文字区域检测算法、CRNN文字识别算法模型进行训练，得到收敛拟合的招牌文字识别模型；
基于招牌文字识别模型识别招牌图像中的文字。
根据本申请的至少一个实施例，上述的招牌照片审核方法中，所述招牌文字比对步骤，具体为：
比对招牌图像中的文字与对应的招牌文字的相似性，若相似性超过设定阈值，则通过审核。
另一方面提供一种招牌照片审核装置，包括：
翻拍检测模块，用以检测招牌照片是否为翻拍照片，若否，通过检测；
招牌图像识别模块，用以识别通过检测的招牌照片中的招牌图像；
招牌文字识别模块，用以识别招牌图像中的文字；
招牌文字比对模块，用以比对招牌图像中的文字与对应的招牌文字是否一致，若是，通过审核。
根据本申请的至少一个实施例，上述的招牌照片审核装置中，所述翻拍检测模块中，检测招牌照片是否为翻拍照片，若否，通过检测，具体为，
采集多个翻拍照片，对神经网络模型进行训练，得到收敛拟合的翻拍检测模型；
对招牌照片进行图像灰度化、特殊数据增广处理，基于翻拍检测模型检测处理后的招牌照片是否为翻拍照片，若否，通过检测。
根据本申请的至少一个实施例，上述的招牌照片审核装置中，所述招牌图像识别模块中，识别通过检测的招牌照片中的招牌图像，具体为，
采集多个招牌图像，对YOLO_v4目标检测算法模型进行训练，得到收敛拟合的招牌图像识别模型；
基于招牌图像识别模型识别通过检测的招牌照片中的招牌图像。
根据本申请的至少一个实施例，上述的招牌照片审核装置中，所述招牌文字识别模块中，识别招牌图像中的文字，具体为，
采集OCR数据，对DB文字区域检测算法、CRNN文字识别算法模型进行训练，得到收敛拟合的招牌文字识别模型；
基于招牌文字识别模型识别招牌图像中的文字。
根据本申请的至少一个实施例，上述的招牌照片审核装置中，所述招牌文字比对模块中，比对招牌图像中的文字与对应的招牌文字是否一致，若是，通过审核，具体为，
比对招牌图像中的文字与对应的招牌文字的相似性，若相似性超过设定阈值，则通过审核。
再一方面提供一种电子设备，包括：
处理器；
存储器，存储有计算机程序，该计算机程序被配置为由所述处理器执行时能够实现任一上述的招牌照片审核方法。
又一方面提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时能够实现任一上述的招牌照片审核方法。
附图说明
图1是本申请实施例提供的招牌照片审核方法的流程图；
图2是本申请实施例提供的招牌照片审核装置的示意图。
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；此外，附图用于示例性说明，其中描述位置关系的用语仅限于示例性说明，不能理解为对本专利的限制。
具体实施方式
为使本申请的技术方案及其优点更加清楚，下面将结合附图对本申请的技术方案作进一步清楚、完整的详细描述，可以理解的是，此处所描述的具体实施例仅是本申请的部分实施例，其仅用于解释本申请，而非对本申请的限定。需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分，其他相关部分可参考通常设计，在不冲突的情况下，本申请中的实施例及实施例中的技术特征可以相互组合以得到新的实施例。
此外，除非另有定义，本申请描述中所使用的技术术语或者科学术语应当为本申请所属领域内一般技术人员所理解的通常含义。本申请描述中所使用的“一个”、“一”或者“该”等类似词语，不应理解为对数量的绝对限制，而应理解为存在至少一个。本申请描述中所使用的“包括”或者“包含”等类似词语意指出现在该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
下面结合附图1至图2对本申请做进一步详细说明。
一方面提供一种招牌照片审核方法，包括：
翻拍检测步骤：检测招牌照片是否为翻拍照片，若否，通过检测；
招牌图像识别步骤：识别通过检测的招牌照片中的招牌图像；
招牌文字识别步骤：识别招牌图像中的文字；
招牌文字比对步骤：比对招牌图像中的文字与对应的招牌文字即招牌名称是否一致，若是，通过审核。
对于上述实施例公开的招牌照片审核方法，领域内技术人员可以理解的是，可用于实现电商企业对商户上传照片的自动审核，自动检测招牌照片是否为翻拍照片，识别通过检测的招牌照片中的招牌图像，识别招牌图像中的文字，以及比对招牌图像中的文字与对应的招牌文字是否一致，完成对招牌照片的审核，具有较高的效率及其准确性。
在一些可选的实施例中，上述的招牌照片审核方法中，所述翻拍检测步骤，具体为：
采集多个翻拍照片，对神经网络模型进行训练，得到收敛拟合的翻拍检测模型；
对招牌照片进行图像灰度化、特殊数据增广处理，基于翻拍检测模型检测处理后的招牌照片是否为翻拍照片，若否，通过检测。
对于上述实施例公开的招牌照片审核方法，领域内技术人员可以理解的是，其在检测招牌照片是否为翻拍照片时，先使用图像灰度化、特殊数据增广对招牌照片进行预处理，以提高对招牌照片是否为翻拍照片的检测精度，其后基于由多个采集的翻拍照片对神经网络模型进行训练得到收敛拟合的翻拍检测模型，对处理后的招牌照片进行检测是否为翻拍照片，具有较高的检测精度。
在一些可选的实施例中，上述的招牌照片审核方法中，所述采集多个翻拍照片，对神经网络模型进行训练，得到收敛拟合的翻拍检测模型，具体为：
对采集的翻拍照片进行特征标注；
对翻拍照片进行灰度化、特殊数据增广处理，以及进行尺寸归一化处理，其后划分至训练集、测试集、验证集中；
基于训练集中的翻拍照片对神经网络模型进行训练，基于测试集中的翻拍照片进行测试，通过验证集中的翻拍照片进行验证，得到收敛拟合的翻拍检测模型。
在一些可选的实施例中，上述的招牌照片审核方法中，所述对采集的翻拍照片进行特征标注，具体为：
对采集的翻拍照片进行模糊特性标注、摩尔纹现象特性标注、黑边特性标注、水印特性标注以及手机边框特性标注。
对于上述实施例公开的招牌照片审核方法，领域内技术人员可以理解的是，翻拍照片中可能存在模糊特性、摩尔纹现象特性、黑边特性、水印特性、手机边框特性，对采集的翻拍照片进行上述特性的标注，可构建翻拍照片检测的专用数据集。
在一些可选的实施例中，上述的招牌照片审核方法中，所述对翻拍照片进行灰度化处理，具体为：
按转化公式G＝pR+qG+wB对翻拍照片进行灰度化处理，其中，
G为灰度图的单通道；
RGB为彩色图的三个通道；
P＝0.340～0.344，q＝0.505～0.509，w＝0.149～0.153，p+q+w＝1。
对于上述实施例公开的招牌照片审核方法，领域内技术人员可以理解的是，真实照片与翻拍照片之间的特征差距与颜色信息不相关，颜色信息的存在可能引入噪声，影响翻拍照片的检测，按照上述转化公式对翻拍照片进行灰度化处理，可有效降低颜色信息产生的噪声。
在一些可选的实施例中，上述的招牌照片审核方法中，对翻拍照片进行特殊数据增广处理，具体为：
改变特征标注的翻拍照片的明暗程度进行特殊数据增广处理，可以是将翻拍照片亮度增加至原明暗程度的1.5倍和/或将翻拍照片亮度降低至原明暗程度的0.7倍。
对于上述实施例公开的招牌照片审核方法，领域内技术人员可以理解的是，真实照片中部分可能于强光环境或者黑夜环境下拍摄，该部分照片的占比较低但对分类结果的影响较大，因此通过改变照片的明暗程度来模拟强光环境和黑夜环境可以有效提高精度，将翻拍照片亮度增加至原明暗程度的1.5倍和/或将翻拍照片亮度降低至原明暗程度的0.7倍，可以将数据集扩充至原来的3倍，基于此，可相应提高模型的精度。
在一些可选的实施例中，上述的招牌照片审核方法中，所述对翻拍照片进行尺寸归一化处理，具体为：
将翻拍照片的尺寸归化到227*227，若过大会导致模型难以训练，若过小则会使翻拍特征丢失过多，影响模型训练的准确性。
在一些可选的实施例中，上述的招牌照片审核方法中，所述划分翻拍照片至训练集、测试集、验证集中，具体为：
按照8：1：1的比例划分翻拍照片至训练集、测试集、验证集中。
对于上述实施例公开的招牌照片审核方法，领域内技术人员可以理解的是，训练集中的翻拍照片用于模型拟合的数据样本；验证集中翻拍照片是模型训练过程中单独留出的样本集，用于调整模型的超参数，用于对模型的能力进行初步评估，以及用于寻找神经网络模型最优的网络深度，或者决定反向传播算法的停止点或者在神经网络中选择隐藏层神经元的数量；测试集中的翻拍照片可用于评估模型的泛化能力。
在一些可选的实施例中，上述的招牌照片审核方法中，上述神经网络模型包括：1个卷积层，两个basicblock和两个全连接层。其中，Basicblock由4通道并行组成，第一个通道包括3个3*3的卷积层来代替一个7*7的卷积层，第二个通道包括2个3*3的卷积层来代替一个5*5的卷积层，第三个通道包括一个3*3的卷积层，第四个通道为identity模块；在第一层卷积和两个basicblock之后添加池化层。使用自建的翻拍照片数据集进行实验反复验证后，最后本申请的网络深度设计在9层，9层以后网络的深度和宽度再次增加对模型的识别效果不在提升，同时会增加不必要的计算量。
在一些可选的实施例中，上述的招牌照片审核方法中，每层卷积核个数分别为64、128、128、128、256、256、256；每个池化层均采用最大池化的方式，池化尺寸为2*2，步长为2；全连接层的输出神经元个数分别为128和2，其中2为输出softmax的类别数，即翻拍和正常两类。
在一些可选的实施例中，上述的招牌照片审核方法中，在第一层全连接层后接上dropout层用于提高模型的泛化性，避免过拟合，dropout层在训练时会随机使网络部分神经元失活，相应的权重在单次训练过程中不会参与前后向传播，使得神经网络模型可以学习到普遍的共性，从而避免过拟合。dropout的rate参数可设置为0.5，即每一个神经元失活的概率为0.5。
在一些可选的实施例中，上述的招牌照片审核方法中，神经网络模型中的激活函数均可选用relu函数，relu激活函数与传统的sigmoid和tanh激活函数相比具有更好的性能，能有效避免梯度消失和梯度爆炸，其计算公式如下所示：
f(x)＝max(0，x)。
在一些可选的实施例中，上述的招牌照片审核方法中，每层卷积层和第一层全连接层后加上批量标准化层来加速模型训练和提高精度。批量标准化可通过规范化手段使得非线性变换的输入值落入输入比较敏感的区域，避免梯度爆炸，让数据分布一致，加快模型收敛的速度。通常在设计网络时批量标准化层都是放在relu的后面，但本申请经过大量测试及对实验数据的分析总结中发现，在进行翻拍检测的训练和识别时把批量标准化层放在relu前面的效果会更佳。
在一些可选的实施例中，上述的招牌照片审核方法中，批量标准化层的两个参数momentum和epsilon可分别设置为0.99和0.001。
在一些可选的实施例中，上述的招牌照片审核方法中，神经网络模型训练期间可使用交叉验证的方式来选出最后的超参数，包括初始学习率，学习率衰减区间，batchsize等。用模型在提前分离出的验证集上的准确率来衡量模型性能的高低以及模型泛化能力的好坏，当模型损失收敛，准确率不再提升时停止训练，将收敛之后的模型作为最终使用的翻拍检测模型。
在一些可选的实施例中，上述的招牌照片审核方法中，所述基于翻拍检测模型检测处理后的招牌照片是否为翻拍照片，具体为：
基于翻拍检测模型得到处理后的招牌照片的翻拍概率，若翻拍概率小于检测阈值，则判断该招牌照片不是翻拍照片，否则，判断该招牌照片为翻拍照片。其中，检测阀值的大小具体可以由技术人员根据具体实际进行确定，例如可以是50％。
在一些可选的实施例中，上述的招牌照片审核方法中，所述招牌图像识别步骤，具体为：
采集多个招牌图像，对YOLO_v4目标检测算法模型进行训练，得到收敛拟合的招牌图像识别模型；
基于招牌图像识别模型识别通过检测的招牌照片中的招牌图像。
对于上述实施例公开的招牌照片审核方法，领域内技术人员可以理解的是，其基于由多个采集的招牌图像对YOLO_v4目标检测算法模型进行训练得到收敛拟合的招牌图像识别模型，对通过检测的招牌照片中的招牌图像进行识别，具有较高的识别精度。
在一些可选的实施例中，上述的招牌照片审核方法中，所述招牌文字识别步骤，具体为：
采集OCR数据，对DB文字区域检测算法、CRNN文字识别算法模型进行训练，得到收敛拟合的招牌文字识别模型；
基于招牌文字识别模型识别招牌图像中的文字。
对于上述实施例公开的招牌照片审核方法，领域内技术人员可以理解的是，其基于由采集的OCR数据对DB文字区域检测算法、CRNN文字识别算法模型进行训练得到收敛拟合的招牌文字识别模型，对招牌图像中的文字进行识别，具有较高的识别精度。
在一些可选的实施例中，上述的招牌照片审核方法中，所述招牌文字比对步骤，具体为：
比对招牌图像中的文字与对应的招牌文字的相似性，若相似性超过设定阈值，具体数值可以是40％，则通过审核。
对于上述实施例公开的招牌照片审核方法，领域内技术人员可以理解的是，招牌文字即招牌的名称，可由商户在注册时上传，通过比对招牌图像中的文字与对应的招牌文字的相似性，判断招牌照片中招牌图像中的文字与对应招牌文字是否一致，在一致时，即相似性超过设定阀值时，通过对招牌照片的审核。
上述实施例公开的招牌照片审核方法，其中的相似性可采用以下表达式：
U为招牌图像中的文字内容；
P表示招牌文字内容；
P∩U表示两者之间的重复文字内容；
d表示文字的字数。
对于上述实施例公开的招牌照片审核方法，领域内技术人员还可以理解的是，设定阈值的具体大小，可由相关人员在应用本申请时根据具体实际进行确定，主要考虑的因素可包括识别通过检测的招牌照片中招牌图像的精度、识别招牌图像中文字的精度。
另一方面提供一种招牌照片审核装置，包括：
翻拍检测模块，用以检测招牌照片是否为翻拍照片，若否，通过检测；
招牌图像识别模块，用以识别通过检测的招牌照片中的招牌图像；
招牌文字识别模块，用以识别招牌图像中的文字；
招牌文字比对模块，用以比对招牌图像中的文字与对应的招牌文字是否一致，若是，通过审核。
对于上述实施例公开的招牌照片审核装置，领域内技术人员可以理解的是，可用于实现电商企业对商户上传照片的自动审核，自动检测招牌照片是否为翻拍照片，识别通过检测的招牌照片中的招牌图像，识别招牌图像中的文字，以及比对招牌图像中的文字与对应的招牌文字是否一致，完成对招牌照片的审核，具有较高的效率及其准确性。
在一些可选的实施例中，上述的招牌照片审核装置中，所述翻拍检测模块中，检测招牌照片是否为翻拍照片，若否，通过检测，具体为，
采集多个翻拍照片，对神经网络模型进行训练，得到收敛拟合的翻拍检测模型；
对招牌照片进行图像灰度化、特殊数据增广处理，基于翻拍检测模型检测处理后的招牌照片是否为翻拍照片，若否，通过检测。
对于上述实施例公开的招牌照片审核装置，领域内技术人员可以理解的是，其在检测招牌照片是否为翻拍照片时，先使用图像灰度化、特殊数据增广对招牌照片进行预处理，以提高对招牌照片是否为翻拍照片的检测精度，其后基于由多个采集的翻拍照片对神经网络模型进行训练得到收敛拟合的翻拍检测模型，对处理后的招牌照片进行检测是否为翻拍照片，具有较高的检测精度。
在一些可选的实施例中，上述的招牌照片审核装置中，所述招牌图像识别模块中，识别通过检测的招牌照片中的招牌图像，具体为，
采集多个招牌图像，对YOLO_v4目标检测算法模型进行训练，得到收敛拟合的招牌图像识别模型；
基于招牌图像识别模型识别通过检测的招牌照片中的招牌图像。
对于上述实施例公开的招牌照片审核装置，领域内技术人员可以理解的是，其基于由多个采集的招牌图像对YOLO_v4目标检测算法模型进行训练得到收敛拟合的招牌图像识别模型，对通过检测的招牌照片中的招牌图像进行识别，具有较高的识别精度。
在一些可选的实施例中，上述的招牌照片审核装置中，所述招牌文字识别模块中，识别招牌图像中的文字，具体为，
采集OCR数据，对DB文字区域检测算法、CRNN文字识别算法模型进行训练，得到收敛拟合的招牌文字识别模型；
基于招牌文字识别模型识别招牌图像中的文字。
对于上述实施例公开的招牌照片审核装置，领域内技术人员可以理解的是，其基于由采集的OCR数据对DB文字区域检测算法、CRNN文字识别算法模型进行训练得到收敛拟合的招牌文字识别模型，对招牌图像中的文字进行识别，具有较高的识别精度。
在一些可选的实施例中，上述的招牌照片审核装置中，所述招牌文字比对模块中，比对招牌图像中的文字与对应的招牌文字是否一致，若是，通过审核，具体为，
比对招牌图像中的文字与对应的招牌文字的相似性，若相似性超过设定阈值，具体数值可以40％，则通过审核。
对于上述实施例公开的招牌照片审核装置，领域内技术人员可以理解的是，招牌文字即招牌的名称，可由商户在注册时上传，通过比对招牌图像中的文字与对应的招牌文字的相似性，判断招牌照片中招牌图像中的文字与对应招牌文字是否一致，在一致时，即相似性超过设定阀值时，通过对招牌照片的审核。
上述实施例公开的招牌照片审核方法，其中的相似性可采用以下表达式：
U为招牌图像中的文字内容；
P表示招牌文字内容；
P∩U表示两者之间的重复文字内容；
d表示文字的字数。
对于上述实施例公开的招牌照片审核装置，领域内技术人员还可以理解的是，设定阈值的具体大小，可由相关人员在应用本申请时根据具体实际进行确定，主要考虑的因素可包括识别通过检测的招牌照片中招牌图像的精度、识别招牌图像中文字的精度。
再一方面提供一种电子设备，包括：
处理器；
存储器，存储有计算机程序，该计算机程序被配置为由所述处理器执行时能够实现任一上述的招牌照片审核方法。
又一方面提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时能够实现任一上述的招牌照片审核方法。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对于上述实施例公开的招牌照片审核装置，由于其与上述实施例公开的招牌照片审核方法相对应，描述的较为简单，具体相关之处可参见招牌照片审核方法部分说明即可，其技术效果也可参考招牌照片审核方法部分的技术效果，在此不再赘述。
此外，领域内技术人员还应该能够意识到，本申请实施例所公开装置的各个模块、单元能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，本申请中对其按照功能进行了一般性地描述，这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件，领域内技术人员可以对每个特定的应用及其实际约束条件选择采用不同的方法来实现所描述的功能，但是该种实现不应认为超出本申请的范围。
再一方面提供一种电子设备，包括：
处理器；
存储器，存储有计算机程序，该计算机程序被配置为由所述处理器执行时能够实现任一上述的招牌照片审核方法。
在一些可选的实施例中，处理器可以是中央处理单元CPU或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，可以为通用处理器或专用处理器，并且可以控制补偿电子设备中的其它组件以执行期望的功能。
在一些可选的实施例中，存储器可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器，易失性存储器可以是随机存取存储器RAM和/或高速缓冲存储器cache，非易失性存储器可以是只读存储器ROM、硬盘、闪存等。存储器上可以存储计算机程序，处理器运行该计算机程序，可实现本申请实施例中的功能以及/或者其它期望的功能，此外，还可以存储各种应用程序和各种数据。
在一些可选的实施例中，处理器与存储器可通过总线系统连接，总线系统可以是串行、并行通信总线等。
需要说明的是，为表示清楚、简洁，上述实施例中并没有给出该电子设备的全部组成单元，为实该电子设备的必要功能，领域内技术人员可以根据具体需要提供、设置其他未示出的组成单元。
对于上述实施例公开的电子设备，由于其处理器执行其存储器上存储的计算机程序时可实现任一上述的招牌照片审核方法，其技术效果可相应参考上述招牌照片审核方法部分的技术效果，在此不再赘述。
又一方面提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时能够实现任一上述的招牌照片审核方法。
在一些可选的实施例中，计算机可读存储介质可以包括智能手机的存储卡、平板电脑的存储部件、个人计算机的硬盘、随机存取存储器RAM、只读存储器ROM、可擦除可编程只读存储器EPROM、便携式紧致盘只读存储器CD-ROM、闪存、或者上述存储介质的任意组合，也可以为其他适用的存储介质。
至此，已经结合附图所示的优选实施方式描述了本申请的技术方案，领域内技术人员应该理解的是，本申请的保护范围显然不局限于这些具体实施方式，在不偏离本申请的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本申请的保护范围之内。