[发明专利]基于神经网络模型的手写识别方法、装置及电子设备

权利要求书

1.一种基于神经网络模型的手写识别方法，其特征在于，所述神经网络模型包括第一神经网络、第二神经网络，所述方法包括：

对所述待识别图像进行预处理，得到至少一个文本行，所述待识别图像包括手写字体；

将所述文本行输入所述第一神经网络，以获得至少一个分割后的字符；

将所述至少一个分割后的字符输入所述第二神经网络，以输出识别所述手写字体后对应的文本。

2.根据权利要求1所述的方法，其特征在于，所述将所述文本行输入所述第一神经网络，以获得至少一个分割后的字符，包括：

将所述文本行输入第一神经网络，获得至少一个字符的估计位置信息及所述估计位置信息对应的分割标签，所述分割标签包括可分割标签；

根据所述可分割标签确定可分割位置；

根据所述可分割位置对所述文本行区域进行字符分割，获得至少一个分割后的字符。

3.根据权利要求1所述的方法，其特征在于，所述将所述至少一个分割后的字符输入所述第二神经网络，以输出识别所述手写字体后的文本之后，包括：

获取用户基于所述输出识别所述手写字体后的文本的评价结果，所述评价结果包括错误字符及所述错误字符对应的正确字符、正确位置信息；

将所述正确位置信息作为真实位置信息，获取所述错误字符对应的第一损失函数值，所述第一损失函数值与所述第一神经网络对应，用于衡量所述错误字符对应的所述第一神经网络的输出与所述错误字符对应的真实位置信息的误差；

将所述正确字符作为真实字符，获取所述错误字符对应的第二损失函数值，所述第二损失函数值与所述第二神经网络对应，用于衡量所述错误字符对应的所述第二神经网络的输出与所处错误字符对应的真实字符之间的误差；

将所述第一损失函数值、所述第二损失函数值分别与预设阈值进行比较，并将超过预设阈值的损失函数值确定为目标损失函数值，将所述目标损失函数值对应的神经网络确定为目标神经网络；

基于所述目标损失函数值，调整所述目标神经网络的网络参数，并将调整后的目标神经网络用于下一次手写识别。

4.根据权利要求3所述的方法，其特征在于，所述将所述第一损失函数值、所述第二损失函数值分别与预设阈值进行比较，并将超过预设阈值的损失函数值确定为目标损失函数值，将所述目标损失函数值对应的神经网络确定为目标神经网络，包括：

若所述第一损失函数值超过预设阈值，将所述第一损失函数值确定为目标损失函数值，将所述第一神经网络确定为目标神经网络，以用于调整所述第一损失函数值对应的第一神经网络；

若所述第二损失函数值超过预设阈值，将所述第二损失函数值确定为目标损失函数值，将所述第二神经网络确定为目标神经网络，以用于调整所述第二损失函数值对应的第二神经网络。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

使用训练手写文本训练所述神经网络模型，所述训练手写文本包括训练文本行、所述训练文本行中的每个真实字符、每个真实字符的真实位置信息及对应的真实分割标签；

所述使用训练手写文本训练所述神经网络模型，包括：

将所述训练文本行输入所述第一神经网络，以获得至少一个分割后的字符，并将所述训练文本行中每个字符的真实位置信息及对应的真实分割标签作为所述第一神经网络的期望输出，根据所述第一神经网络的期望输出和实际输出获取第一损失函数；

将所述至少一个分割后的字符输入所述第二神经网络，将所述训练文本行中的每个真实字符为期望输出，根据所述第二神经网络的期望输出和实际输出获取第二损失函数；

在所述第一损失函数和所述第二损失函数的至少一个不满足预设收敛条件，或迭代次数不超过预设次数时，根据所述第一损失函数、所述第二损失函数是否满足预设收敛条件的判断结果，调整所述神经网络模型的模型参数，并获取下一个所述训练文本行输入所述第一神经网络以进行下一次训练；

在所述第一损失函数和所述第二损失函数均满足预设收敛条件，且迭代次数超过预设次数时，停止对所述神经网络模型的训练并获得训练好的所述神经网络模型以用于手写识别。