[發(fā)明專利]基于詞庫(kù)的OCR語(yǔ)義校正方法、系統(tǒng)、介質(zhì)、設(shè)備、終端

在審

• 申請(qǐng)?zhí)枺?/td>: 202110984517.9
• 申請(qǐng)日: 2021-08-25
• 公開（公告）號(hào): CN113704403A
• 公開（公告）日: 2021-11-26
• 發(fā)明（設(shè)計(jì)）人: 廖偉;石珺;李志鵬;郭認(rèn)飛
• 申請(qǐng)（專利權(quán)）人: 深圳市網(wǎng)聯(lián)安瑞網(wǎng)絡(luò)科技有限公司
• 主分類號(hào): G06F16/33
• 分類號(hào): G06F16/33;G06F16/335;G06F40/30
• 代理公司: 廣東普潤(rùn)知識(shí)產(chǎn)權(quán)代理有限公司 44804
• 代理人: 寇闖

本發(fā)明公開一種基于詞庫(kù)的OCR語(yǔ)義校正方法、系統(tǒng)、介質(zhì)、設(shè)備、終端，涉及語(yǔ)義網(wǎng)絡(luò)技術(shù)領(lǐng)域。過濾出所有字符識(shí)別置信度小于閾值0.4的字符，每個(gè)字符記錄前5的結(jié)果；分別對(duì)置信度小于閾值0.4的字符的5種結(jié)果提取嫌疑詞，最終對(duì)應(yīng)得到5組嫌疑詞，每組嫌疑詞會(huì)有1個(gè)或多個(gè)嫌疑詞；按照置信度順序從高到低的順序，分別對(duì)5組嫌疑詞和詞庫(kù)進(jìn)行匹配，分別計(jì)算匹配距離，匹配距離采用編輯距離評(píng)估；以匹配距離最小的結(jié)果作為結(jié)果輸出。本發(fā)明結(jié)合字符識(shí)別結(jié)果top5和詞庫(kù)，精準(zhǔn)定位識(shí)別錯(cuò)誤字符，有針對(duì)性地對(duì)識(shí)別錯(cuò)誤字符進(jìn)行高效率糾錯(cuò)，保證識(shí)別結(jié)果的語(yǔ)義正確性。

技術(shù)領(lǐng)域

本發(fā)明屬于語(yǔ)義網(wǎng)絡(luò)技術(shù)領(lǐng)域，尤其涉及一種基于詞庫(kù)的OCR語(yǔ)義校正方法、系統(tǒng)、接收用戶輸入程序存儲(chǔ)介質(zhì)、計(jì)算機(jī)設(shè)備、信息數(shù)據(jù)處理終端，可應(yīng)用于人工智能、深度學(xué)習(xí)、計(jì)算機(jī)圖像視覺。

背景技術(shù)

OCR(Optical Character Recognition)技術(shù)在對(duì)印刷質(zhì)量較好的文本的識(shí)別上已經(jīng)基本成熟，市面上有些軟件對(duì)這些文本的單字識(shí)別率可以達(dá)到非常高。但對(duì)于一些印刷質(zhì)量較低或字跡模糊的文本，OCR的單字識(shí)別率則會(huì)明顯下降，必須依靠后處理技術(shù)來(lái)提高全文的整體識(shí)別率。目前后處理技術(shù)中的較為常用并且有效的主要有兩種方式，一種方式是基于詞庫(kù)的匹配技術(shù)，這種技術(shù)對(duì)于雙字詞或多字詞的識(shí)別有良好的效果，但無(wú)法對(duì)錯(cuò)誤詞的精準(zhǔn)定位及糾錯(cuò)，導(dǎo)致效率低。另一種方式是基于自然語(yǔ)言處理(NaturalLanguange Process簡(jiǎn)稱NLP)技術(shù)，適用于檢測(cè)錯(cuò)誤詞，但難于預(yù)測(cè)正確詞容易出現(xiàn)誤糾錯(cuò)。

目前，在自然語(yǔ)言處理領(lǐng)域，現(xiàn)有的語(yǔ)言模型通常依賴于機(jī)器學(xué)習(xí)算法。機(jī)器學(xué)習(xí)的本質(zhì)是預(yù)測(cè)；在通過大量的訓(xùn)練數(shù)據(jù)集對(duì)機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，得到自然語(yǔ)言處理模型后，就能夠?qū)⒋幚頂?shù)據(jù)輸入至訓(xùn)練好的自然語(yǔ)言處理模型，獲得與待處理數(shù)據(jù)對(duì)應(yīng)的預(yù)測(cè)結(jié)果。

字符分割和字符識(shí)別是光學(xué)字符識(shí)別(英文全稱：Optical CharacterRecognition，英文縮寫：OCR)技術(shù)中最重要的兩個(gè)方面，這兩部分直接影響到字符識(shí)別的效果和結(jié)果，在OCR技術(shù)中需要將分割好的字符進(jìn)行行方向上的排序后呈現(xiàn)給用戶，因此字符的行方向排序技術(shù)會(huì)直接影響到呈現(xiàn)給用戶觀看的識(shí)別效果。但是當(dāng)前對(duì)于OCR的分行技術(shù)主要是基于分割后字符間距來(lái)對(duì)字符進(jìn)行簡(jiǎn)單的分行。

現(xiàn)有技術(shù)中依據(jù)分割后的字符間距來(lái)進(jìn)行字符的合并和拆分，當(dāng)不同格式的字符進(jìn)行排版后，拍攝到的每行字符在頁(yè)面中有很大傾斜等情況發(fā)生時(shí)，對(duì)頁(yè)面上中的字符識(shí)別存在較大的誤差，并且在后續(xù)利用識(shí)別結(jié)果進(jìn)行語(yǔ)義分析時(shí)也很難達(dá)到很高的準(zhǔn)確性。另外，現(xiàn)有技術(shù)中對(duì)字符分行是根據(jù)字符間距實(shí)現(xiàn)的，但隨著環(huán)境變化在把字符塊組合成行時(shí)有很大可能會(huì)被其它字符所影響，從而會(huì)影響最終所給出的識(shí)別效果。

再者現(xiàn)有技術(shù)公開：基于自然語(yǔ)言處理技術(shù)的語(yǔ)義校正方法；基于上下文語(yǔ)義詞庫(kù)的OCR識(shí)別方法。

通過上述分析，現(xiàn)有技術(shù)存在的問題及缺陷為：

(1)常見的詞匹配技術(shù)需要對(duì)識(shí)別的句子種所有的詞匯進(jìn)行匹配，沒有針對(duì)性盲目糾錯(cuò)效率低；

(2)基于自然語(yǔ)言處理技術(shù)的語(yǔ)義校正方法適合于檢測(cè)錯(cuò)誤詞，難于預(yù)測(cè)正確詞容易出現(xiàn)誤糾錯(cuò)；

(3)基于自然語(yǔ)言處理技術(shù)的語(yǔ)義校正方法需要大量標(biāo)注預(yù)料，難于實(shí)現(xiàn)。

解決以上問題及缺陷的難度為：

需要保證一份完整的中文詞匯庫(kù)。

解決以上問題及缺陷的意義為：意義在于對(duì)識(shí)別出來(lái)的文字進(jìn)行錯(cuò)別字過濾后，能利用完整的中文詞匯庫(kù)對(duì)錯(cuò)別字的上下文組合的嫌疑詞進(jìn)行匹配，匹配出最合適的詞匯，達(dá)到糾錯(cuò)的功能。

發(fā)明內(nèi)容

為克服相關(guān)技術(shù)中存在的問題，本發(fā)明公開實(shí)施例提供了一種基于詞庫(kù)的OCR語(yǔ)義校正方法、系統(tǒng)、接收用戶輸入程序存儲(chǔ)介質(zhì)、計(jì)算機(jī)設(shè)備、信息數(shù)據(jù)處理終端。所述技術(shù)方案如下：