[發明專利]OCR識別模型訓練方法、裝置以及計算機可讀存儲介質

在審

• 申請號: 202110485412.9
• 申請日: 2021-04-30
• 公開（公告）號: CN113159212A
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 鄒錦富;楊皓
• 申請（專利權）人: 上海云從企業發展有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/20
• 代理公司: 北京瀚仁知識產權代理事務所(普通合伙) 11482
• 代理人: 屠曉旭;宋寶庫

本發明涉及機器學習技術領域，具體提供了一種OCR識別模型訓練方法、裝置及計算機可讀存儲介質，旨在解決如何便捷且高效地進行圖像樣本標簽標注，以快速完成OCR識別模型的模型訓練的技術問題。為此目的，本發明實施例的OCR識別模型訓練方法包括：獲取有標簽數據的第一類圖像樣本；采用第一類圖像樣本訓練預設的OCR識別模型，獲取初始OCR識別模型；利用初始OCR識別模型識別無標簽數據的第二類圖像樣本中的業務數據；根據識別結果生成標簽數據，對第二類圖像樣本進行標簽標注；采用第一類圖像樣本和標注后的第二類圖像樣本訓練初始OCR識別模型，獲取最終OCR識別模型。基于上述實施方式，使OCR識別模型能夠快速地完成模型訓練，提升圖像樣本的標注準確度。

技術領域

本發明涉及機器學習技術領域，具體涉及一種OCR識別模型訓練方法、裝置以及計算機可讀存儲介質。

背景技術

隨著信息化時代的來臨，越來越多的圖像信息呈現在人們面前，為了準確地將圖像信息中包含的文本信息轉換成計算機等設備可以編輯的信息，可以采用基于OCR(Optical Character Recognition，光學字符識別)技術構建的OCR識別模型檢測圖像中的文本區域，識別文本區域中的文本信息并將識別到的文本信息轉換成計算機等設備可編輯的信息。其中，在構建OCR識別模型時需要使用大量的標注了正確的標簽數據(包括但不限于：圖像中文本區域以及文本區域內的文本信息)的圖像樣本進行模型訓練，才能使OCR識別模型具備較高的OCR識別能力。

但隨著OCR識別應用場景越來越多且不同應用場景的圖像差異化較大如圖像內文本信息的版式差異較大，導致無法通過一個OCR識別模型同時滿足不同應用場景下OCR識別的需求，如果針對每個應用場景分別構建一個專用的OCR識別模型，由于在構建模型時需要對大量圖像樣本進行標簽標注并且為了確保標簽標注的準確性往往只能采用人工標注的方式，不僅費時費力，還極易出錯，無法便捷且高效的完成圖像樣本標注工作，進而無法針對每個應用場景快速構建出可用的專用OCR識別模型。

相應地，本領域需要一種新的OCR識別模型的訓練方案來解決上述問題。

發明內容

為了克服上述缺陷，提出了本發明，以提供解決或至少部分地解決如何便捷且高效地進行圖像樣本標簽標注，以快速完成OCR識別模型的模型訓練的技術問題。

第一方面，提供一種OCR識別模型訓練方法，所述OCR識別模型訓練方法包括：

獲取有標簽數據的第一類圖像樣本；

采用所述第一類圖像樣本對預設的OCR識別模型進行模型訓練，以獲取初始的OCR識別模型；

利用所述初始的OCR識別模型對無標簽數據的第二類圖像樣本進行OCR識別；

根據OCR識別的結果生成所述第二類圖像樣本的標簽數據，并且根據生成的標簽數據對所述第二類圖像樣本進行標簽標注；

采用所述第一類圖像樣本以及經所述標簽標注后的第二類圖像樣本，對所述初始的OCR識別模型進行模型訓練，以獲取最終的OCR識別模型。

在上述OCR識別模型訓練方法的一個技術方案中，所述第一類圖像樣本和所述第二類圖像樣本的標簽數據均包括圖像識別區域的位置、每個所述圖像識別區域內記錄的業務數據及其數據類別；

所述有標簽數據的第一類圖像樣本通過下列方式得到：

響應于接收到的標注指令，獲取所述標注指令中指定的待標注圖像樣本的標注信息，所述標注信息包括所述待標注圖像中每個圖像識別區域的位置、每個圖像識別區域內記錄的業務數據及其數據類別；

根據所述標注信息生成所述待標注圖像樣本的標簽數據并且根據生成的標簽數據對所述待標注圖像樣本進行標簽標注，得到所述有標簽數據的第一類圖像樣本；