[發明專利]基于神經網絡模型的手寫識別方法、裝置及電子設備

在審

• 申請號: 201911143048.7
• 申請日: 2019-11-20
• 公開（公告）號: CN110942004A
• 公開（公告）日: 2020-03-31
• 發明（設計）人: 劉俊仕
• 申請（專利權）人: 深圳追一科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/20;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市智圈知識產權代理事務所(普通合伙) 44351
• 代理人: 苗燕

1.一種基于神經網絡模型的手寫識別方法，其特征在于，所述神經網絡模型包括第一神經網絡、第二神經網絡，所述方法包括：

對所述待識別圖像進行預處理，得到至少一個文本行，所述待識別圖像包括手寫字體；

將所述文本行輸入所述第一神經網絡，以獲得至少一個分割后的字符；

將所述至少一個分割后的字符輸入所述第二神經網絡，以輸出識別所述手寫字體后對應的文本。

2.根據權利要求1所述的方法，其特征在于，所述將所述文本行輸入所述第一神經網絡，以獲得至少一個分割后的字符，包括：

將所述文本行輸入第一神經網絡，獲得至少一個字符的估計位置信息及所述估計位置信息對應的分割標簽，所述分割標簽包括可分割標簽；

根據所述可分割標簽確定可分割位置；

根據所述可分割位置對所述文本行區域進行字符分割，獲得至少一個分割后的字符。

3.根據權利要求1所述的方法，其特征在于，所述將所述至少一個分割后的字符輸入所述第二神經網絡，以輸出識別所述手寫字體后的文本之后，包括：

獲取用戶基于所述輸出識別所述手寫字體后的文本的評價結果，所述評價結果包括錯誤字符及所述錯誤字符對應的正確字符、正確位置信息；

將所述正確位置信息作為真實位置信息，獲取所述錯誤字符對應的第一損失函數值，所述第一損失函數值與所述第一神經網絡對應，用于衡量所述錯誤字符對應的所述第一神經網絡的輸出與所述錯誤字符對應的真實位置信息的誤差；

將所述正確字符作為真實字符，獲取所述錯誤字符對應的第二損失函數值，所述第二損失函數值與所述第二神經網絡對應，用于衡量所述錯誤字符對應的所述第二神經網絡的輸出與所處錯誤字符對應的真實字符之間的誤差；

將所述第一損失函數值、所述第二損失函數值分別與預設閾值進行比較，并將超過預設閾值的損失函數值確定為目標損失函數值，將所述目標損失函數值對應的神經網絡確定為目標神經網絡；

基于所述目標損失函數值，調整所述目標神經網絡的網絡參數，并將調整后的目標神經網絡用于下一次手寫識別。

4.根據權利要求3所述的方法，其特征在于，所述將所述第一損失函數值、所述第二損失函數值分別與預設閾值進行比較，并將超過預設閾值的損失函數值確定為目標損失函數值，將所述目標損失函數值對應的神經網絡確定為目標神經網絡，包括：

若所述第一損失函數值超過預設閾值，將所述第一損失函數值確定為目標損失函數值，將所述第一神經網絡確定為目標神經網絡，以用于調整所述第一損失函數值對應的第一神經網絡；

若所述第二損失函數值超過預設閾值，將所述第二損失函數值確定為目標損失函數值，將所述第二神經網絡確定為目標神經網絡，以用于調整所述第二損失函數值對應的第二神經網絡。

5.根據權利要求1所述的方法，其特征在于，所述方法還包括：

使用訓練手寫文本訓練所述神經網絡模型，所述訓練手寫文本包括訓練文本行、所述訓練文本行中的每個真實字符、每個真實字符的真實位置信息及對應的真實分割標簽；

所述使用訓練手寫文本訓練所述神經網絡模型，包括：

將所述訓練文本行輸入所述第一神經網絡，以獲得至少一個分割后的字符，并將所述訓練文本行中每個字符的真實位置信息及對應的真實分割標簽作為所述第一神經網絡的期望輸出，根據所述第一神經網絡的期望輸出和實際輸出獲取第一損失函數；

將所述至少一個分割后的字符輸入所述第二神經網絡，將所述訓練文本行中的每個真實字符為期望輸出，根據所述第二神經網絡的期望輸出和實際輸出獲取第二損失函數；

在所述第一損失函數和所述第二損失函數的至少一個不滿足預設收斂條件，或迭代次數不超過預設次數時，根據所述第一損失函數、所述第二損失函數是否滿足預設收斂條件的判斷結果，調整所述神經網絡模型的模型參數，并獲取下一個所述訓練文本行輸入所述第一神經網絡以進行下一次訓練；

在所述第一損失函數和所述第二損失函數均滿足預設收斂條件，且迭代次數超過預設次數時，停止對所述神經網絡模型的訓練并獲得訓練好的所述神經網絡模型以用于手寫識別。