[发明专利]字符识别模型的训练方法及装置、字符识别方法及装置在审

专利信息
申请号: 201911347934.1 申请日: 2019-12-24
公开(公告)号: CN111435445A 公开(公告)日: 2020-07-21
发明(设计)人: 邓练兵;杨兴;吴浩清 申请(专利权)人: 珠海大横琴科技发展有限公司
主分类号: G06K9/34 分类号: G06K9/34;G06K9/62;G06N3/04;G06N3/08
代理公司: 北京三聚阳光知识产权代理有限公司 11250 代理人: 梁岩
地址: 519000 广东省珠海市横琴新*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 字符 识别 模型 训练 方法 装置
【权利要求书】:

1.一种字符识别模型的训练方法,其特征在于,包括如下步骤:

获取训练样本,所述训练样本中包含具有字符的正样本图像及不具有字符的负样本图像;

对所述训练样本进行分割,得到目标训练字符;

根据所述目标训练字符提取第一目标训练特征;

根据所述第一目标训练特征对深度可分离卷积神经网络模型进行训练,得到深度可分离卷积字符识别模型。

2.根据权利要求1所述的方法,其特征在于,在所述对所述训练样本进行分割,得到目标训练字符之前,还包括:

确定所述训练样本中字符倾斜度;

当所述字符倾斜度不满足第一预设条件时,对所述训练样本进行倾斜矫正。

3.根据权利要求2所述的方法,其特征在于,在根据所述第一目标训练特征对深度可分离卷积神经网络模型进行训练,得到深度可分离卷积字符识别模型之后,还包括:

获取字符图像测试样本,所述字符图像测试样本中包含具有字符的正样本图像及不具有字符的负样本图像;

根据所述字符图像测试样本提取第一测试特征;

根据所述第一测试特征对所述深度可分离卷积字符识别模型进行测试,得到第一测试结果;

当所述第一测试结果满足第二预设条件时,将所述深度可分离卷积字符识别模型确定为可用的深度可分离卷积字符识别模型。

4.一种字符识别方法,其特征在于,包括如下步骤:

获取待识别字符图像;

对所述待识别字符图像进行分割,得到目标识别字符;

根据所述目标识别字符提取目标识别特征;

根据深度可分离卷积字符识别模型对所述目标识别特征进行识别,得到字符识别结果;所述深度可分离卷积字符识别模型为根据权利要求1-3任一项所述的字符识别模型的训练方法训练得到;

将所述字符识别结果进行组合,得到待识别字符。

5.一种字符识别模型的训练装置,其特征在于,包括:

第一获取模块,用于获取训练样本,所述训练样本中包含具有字符的正样本图像及不具有字符的负样本图像;

第一分割模块,用于对所述训练样本进行分割,得到目标训练字符;

第一提取模块,用于根据所述目标训练字符提取第一目标训练特征;

训练模块,用于根据所述第一目标训练特征对深度可分离卷积神经网络模型进行训练,得到深度可分离卷积字符识别模型。

6.根据权利要求5所述的装置,其特征在于,所述装置还包括:

第一确定模块,用于确定所述训练样本中字符倾斜度;

矫正模块,用于当所述字符倾斜度不满足第一预设条件时,对所述训练样本进行倾斜矫正。

7.根据权利要求6所述的装置,其特征在于,所述装置还包括:

第二获取模块,用于获取字符图像测试样本,所述字符图像测试样本中包含具有字符的正样本图像及不具有字符的负样本图像;

第二提取模块,用于根据所述字符图像测试样本提取第一测试特征;

测试模块,用于根据所述第一测试特征对所述深度可分离卷积字符识别模型进行测试,得到第一测试结果;

第二确定模块,用于当所述第一测试结果满足第二预设条件时,将所述深度可分离卷积字符识别模型确定为可用的深度可分离卷积字符识别模型。

8.一种字符识别装置,其特征在于,包括:

第三获取模块,用于获取待识别字符图像;

第三分割模块,用于对所述待识别字符图像进行分割,得到目标识别字符;

第三提取模块,用于根据所述目标识别字符提取目标识别特征;

识别模块,用于根据深度可分离卷积字符识别模型对所述目标识别特征进行识别,得到字符识别结果;所述深度可分离卷积字符识别模型为根据权利要求1-3任一项所述的字符识别模型的训练方法训练得到;

组合模块,用于将所述字符识别结果进行组合,得到待识别字符。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于珠海大横琴科技发展有限公司,未经珠海大横琴科技发展有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201911347934.1/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top