[發(fā)明專利]文本識(shí)別模型生成方法、文本識(shí)別方法、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210859202.6
• 申請(qǐng)日: 2022-07-21
• 公開(kāi)（公告）號(hào): CN115393867A
• 公開(kāi)（公告）日: 2022-11-25
• 發(fā)明（設(shè)計(jì)）人: 朱遠(yuǎn)志;丁威;湯俊;何夢(mèng)超;姚聰;劉騰;張潔靖;朱雅麗
• 申請(qǐng)（專利權(quán)）人: 阿里巴巴（中國(guó)）有限公司
• 主分類號(hào): G06V30/19
• 分類號(hào): G06V30/19;G06V10/774;G06V10/776;G06V10/82;G06N3/04
• 代理公司: 上海知錦知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 31327
• 代理人: 潘彥君

文本識(shí)別模型生成方法、文本識(shí)別方法、設(shè)備及存儲(chǔ)介質(zhì)，所述文本識(shí)別方法包括：獲取待識(shí)別的文本行圖像；對(duì)所述文本行圖像采用訓(xùn)練完成的文本行識(shí)別模型進(jìn)行行文本識(shí)別，得到文本行識(shí)別結(jié)果；在確定所述文本行識(shí)別結(jié)果中任一字符的置信度小于預(yù)設(shè)的置信度閾值或所述字符的能量大于預(yù)設(shè)的能量閾值時(shí)，以所述文本行圖像中的相應(yīng)字符為中心，裁切預(yù)設(shè)寬度的字符子圖像；對(duì)于各字符子圖像，采用訓(xùn)練完成的單字檢測(cè)和識(shí)別模型進(jìn)行單字檢測(cè)和識(shí)別，輸出相應(yīng)的字符識(shí)別結(jié)果；結(jié)合所述文本行識(shí)別結(jié)果和相應(yīng)的字符識(shí)別結(jié)果，得到所述文本行圖像的字符識(shí)別結(jié)果。上述方案對(duì)于算力有限的電子設(shè)備，能夠提高文本識(shí)別的精度及效率。

技術(shù)領(lǐng)域

本說(shuō)明書(shū)實(shí)施例涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及文本識(shí)別模型生成方法、文本識(shí)別方法、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

近年來(lái)，伴隨著人工智能(Artificial Intelligence，AI)領(lǐng)域技術(shù)的不斷發(fā)展和創(chuàng)新，光學(xué)字符識(shí)別(Optical Character Recognition，OCR)取得了巨大的突破，并成為金融、交通、物流、教育、政務(wù)等各個(gè)垂直行業(yè)數(shù)字轉(zhuǎn)型、智能升級(jí)及融合創(chuàng)新的重要基礎(chǔ)能力。由于移動(dòng)互聯(lián)網(wǎng)的日益成熟和產(chǎn)業(yè)互聯(lián)網(wǎng)的加速發(fā)展，OCR的服務(wù)載體、形式呈現(xiàn)出多樣化特征，兼顧性能和效率的離線OCR已成為未來(lái)技術(shù)發(fā)展的趨勢(shì)之一。離線OCR成為繼公有云應(yīng)用程序接口(Application Program Interface，API)、私有化部署之后的一種全新產(chǎn)品形態(tài)，是對(duì)泛OCR體系邊界的拓展，相比在線服務(wù)具有低成本部署、零流量消耗、保護(hù)隱私、所見(jiàn)即所得等優(yōu)勢(shì)。

教育智能硬件通過(guò)集成AI算法、軟件、內(nèi)容等形式多樣化的產(chǎn)品功能，幫助學(xué)生獲得個(gè)性化學(xué)習(xí)內(nèi)容并合理改善學(xué)習(xí)方法，幫助家長(zhǎng)輔導(dǎo)和監(jiān)督孩子的學(xué)習(xí)情況，幫助老師改善教學(xué)內(nèi)容和減輕教學(xué)壓力。

根據(jù)艾瑞的估算，2020年教育智能硬件市場(chǎng)規(guī)模為343億元，預(yù)計(jì)2024年有望接近1000億元，其中新興品類如AI詞典筆的增長(zhǎng)速度尤為突出。AI詞典筆是一款面向?qū)W生用戶，通過(guò)掃描、語(yǔ)音等操作學(xué)習(xí)語(yǔ)言的全新一代人工智能詞典筆，能幫助學(xué)生解決聽(tīng)說(shuō)讀寫、背譯查解等問(wèn)題。AI詞典筆最核心的基礎(chǔ)功能是掃描查詞由于是離線算法，詞典筆可以在無(wú)網(wǎng)環(huán)境下正常使用，極大地提升看便捷性和可用性。而離線OCR是文字信息提取的入口，一旦識(shí)別錯(cuò)誤，會(huì)導(dǎo)致整體功能不可用，同時(shí)由于是面向用戶的消費(fèi)品，需要重點(diǎn)考慮用戶體驗(yàn)和硬件成本，因此如何在算力有限的電子設(shè)備上做到快速、高精準(zhǔn)的OCR識(shí)別是業(yè)界面臨的一個(gè)技術(shù)難題。

背景技術(shù)部分的內(nèi)容僅僅是公開(kāi)人所知曉的技術(shù)，并不當(dāng)然代表本領(lǐng)域的現(xiàn)有技術(shù)。

發(fā)明內(nèi)容

有鑒于此，本說(shuō)明書(shū)實(shí)施例提供一種文本識(shí)別模型生成方法、文本識(shí)別方法、設(shè)備及存儲(chǔ)介質(zhì)，對(duì)于算力有限的電子設(shè)備，能夠提高文本識(shí)別的精度及效率。

首先，本說(shuō)明書(shū)實(shí)施例提供了一種文本識(shí)別模型生成方法，包括：

分別獲取文本行圖像訓(xùn)練集和字符圖像訓(xùn)練集；

將所述文本行圖像訓(xùn)練集輸入預(yù)設(shè)的文本行識(shí)別模型，對(duì)所述文本行識(shí)別模型進(jìn)行訓(xùn)練，將所述字符圖像訓(xùn)練集輸入預(yù)設(shè)的單字檢測(cè)和識(shí)別模型，對(duì)所述單字檢測(cè)和識(shí)別模型進(jìn)行訓(xùn)練；

獲取文本行圖像測(cè)試集，輸入所述文本行識(shí)別模型，輸出文本行識(shí)別結(jié)果；

評(píng)估所述文本行識(shí)別結(jié)果中各字符的置信度和能量；

在確定所述文本行識(shí)別結(jié)果中任一字符的置信度小于預(yù)設(shè)的置信度閾值或所述字符的能量大于預(yù)設(shè)的能量閾值時(shí)，以所述文本行圖像中的相應(yīng)字符為中心，裁切預(yù)設(shè)寬度的字符測(cè)試子圖像；

對(duì)于各字符測(cè)試子圖像，輸入所述單字檢測(cè)和識(shí)別模型，輸出相應(yīng)的字符識(shí)別結(jié)果；

結(jié)合所述文本行識(shí)別結(jié)果和相應(yīng)的字符識(shí)別結(jié)果，得到所述文本行圖像測(cè)試集的字符識(shí)別測(cè)試結(jié)果；