[發明專利]一種基于OCR的數據處理方法、系統、平臺、設備及介質

在審

• 申請號: 202010315759.4
• 申請日: 2020-04-21
• 公開（公告）號: CN111539309A
• 公開（公告）日: 2020-08-14
• 發明（設計）人: 姚志強;周曦;司法;許梅芳;李繼偉
• 申請（專利權）人: 廣州云從鼎望科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06F16/951
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 代玲

1.一種基于OCR的數據處理方法，其特征在于，包括以下步驟：

對預先標注的數據進行訓練，生成預訓練模型；

通過所述預訓練模型對未標注的數據進行標注，生成訓練數據集；

根據所述訓練數據集進行訓練，生成用于識別目標數據的識別模型。

2.根據權利要求1所述的基于OCR的數據處理方法，其特征在于，預先標注的數據包括以下至少之一：票據圖像、票證圖像、證件圖像、單據圖像。

3.根據權利要求1所述的基于OCR的數據處理方法，其特征在于，預先標注數據的方式包括以下至少之一：通過人工進行標注、通過自定義模板自動生成標注、通過爬取進行標注。

4.根據權利要求3所述的基于OCR的數據處理方法，其特征在于，所述標注包括以下至少之一：框選原始圖像中待識別區域、記錄原始圖像中文本框的內容。

5.根據權利要求1或2所述的基于OCR的數據處理方法，其特征在于，所述目標數據包括以下至少之一：真實產線環境中的票據、真實產線環境中的票證、真實產線環境中的證件、真實產線環境中的單據。

6.根據權利要求1所述的基于OCR的數據處理方法，其特征在于，對預先標注的數據進行訓練和/或根據訓練數據集進行訓練，所述訓練包括以下至少之一：版式分析、文本檢測、文本識別。

7.根據權利要求6所述的基于OCR的數據處理方法，其特征在于，

對預先標注的數據進行訓練，獲取文字像素級的特征；

根據所述文字像素級的特征定位待識別的文本行，獲取文本行切片；

識別所述文本行切片，生成多個預訓練數據；

將所述多個預訓練數據進行合成，根據合成后的預訓練數據訓練出預訓練模型。

8.根據權利要求6所述的基于OCR的數據處理方法，其特征在于，所述版式分析包括以下至少之一：預處理、轉正、矯正。

9.根據權利要求7所述的基于OCR的數據處理方法，其特征在于，識別所述文本行切片，通過在線數據增強方法、生成對抗神經網絡生成多個預訓練數據。

10.根據權利要求1或7所述的基于OCR的數據處理方法，其特征在于，

調度生成的預訓練模型；

通過所述預訓練模型對未標注數據進行自動標注；

對自動標注后的數據進行復核，生成本輪訓練數據集；

將本輪訓練數據集與原訓練數據集進行合并，生成下一輪訓練數據集；

根據所述下一輪訓練數據集進行訓練，生成用于識別目標數據的識別模型。

11.根據權利要求6所述的基于OCR的數據處理方法，其特征在于，訓練過程中，通過配置訓練參數，并根據準確率和/或時間控制訓練過程。

12.根據權利要求1所述的基于OCR的數據處理方法，其特征在于，還包括根據預先限定的多組特征集、模型參數、函數范圍自動搜索最優模型訓練組合，根據所述最優模型訓練組合生成用于識別目標數據的識別模型。

13.根據權利要求1或12所述的基于OCR的數據處理方法，其特征在于，生成用于識別目標數據的識別模型后，還包括：

導出所述識別模型，并對導出的識別模型進行集成；和/或，調用所述識別模型。

14.一種基于OCR的數據處理系統，其特征在于，包括有：

第一訓練模塊，用于對預先標注的數據進行訓練，生成預訓練模型；

標注模塊，用于通過所述預訓練模型對未標注的數據進行標注，生成訓練數據集；

第二訓練模塊，根據所述訓練數據集進行訓練，生成用于識別目標數據的識別模型。