[发明专利]一种基于OCR的数据处理方法、系统、平台、设备及介质

权利要求书

1.一种基于OCR的数据处理方法，其特征在于，包括以下步骤：

对预先标注的数据进行训练，生成预训练模型；

通过所述预训练模型对未标注的数据进行标注，生成训练数据集；

根据所述训练数据集进行训练，生成用于识别目标数据的识别模型。

2.根据权利要求1所述的基于OCR的数据处理方法，其特征在于，预先标注的数据包括以下至少之一：票据图像、票证图像、证件图像、单据图像。

3.根据权利要求1所述的基于OCR的数据处理方法，其特征在于，预先标注数据的方式包括以下至少之一：通过人工进行标注、通过自定义模板自动生成标注、通过爬取进行标注。

4.根据权利要求3所述的基于OCR的数据处理方法，其特征在于，所述标注包括以下至少之一：框选原始图像中待识别区域、记录原始图像中文本框的内容。

5.根据权利要求1或2所述的基于OCR的数据处理方法，其特征在于，所述目标数据包括以下至少之一：真实产线环境中的票据、真实产线环境中的票证、真实产线环境中的证件、真实产线环境中的单据。

6.根据权利要求1所述的基于OCR的数据处理方法，其特征在于，对预先标注的数据进行训练和/或根据训练数据集进行训练，所述训练包括以下至少之一：版式分析、文本检测、文本识别。

7.根据权利要求6所述的基于OCR的数据处理方法，其特征在于，

对预先标注的数据进行训练，获取文字像素级的特征；

根据所述文字像素级的特征定位待识别的文本行，获取文本行切片；

识别所述文本行切片，生成多个预训练数据；

将所述多个预训练数据进行合成，根据合成后的预训练数据训练出预训练模型。

8.根据权利要求6所述的基于OCR的数据处理方法，其特征在于，所述版式分析包括以下至少之一：预处理、转正、矫正。

9.根据权利要求7所述的基于OCR的数据处理方法，其特征在于，识别所述文本行切片，通过在线数据增强方法、生成对抗神经网络生成多个预训练数据。

10.根据权利要求1或7所述的基于OCR的数据处理方法，其特征在于，

调度生成的预训练模型；

通过所述预训练模型对未标注数据进行自动标注；

对自动标注后的数据进行复核，生成本轮训练数据集；

将本轮训练数据集与原训练数据集进行合并，生成下一轮训练数据集；

根据所述下一轮训练数据集进行训练，生成用于识别目标数据的识别模型。

11.根据权利要求6所述的基于OCR的数据处理方法，其特征在于，训练过程中，通过配置训练参数，并根据准确率和/或时间控制训练过程。

12.根据权利要求1所述的基于OCR的数据处理方法，其特征在于，还包括根据预先限定的多组特征集、模型参数、函数范围自动搜索最优模型训练组合，根据所述最优模型训练组合生成用于识别目标数据的识别模型。

13.根据权利要求1或12所述的基于OCR的数据处理方法，其特征在于，生成用于识别目标数据的识别模型后，还包括：

导出所述识别模型，并对导出的识别模型进行集成；和/或，调用所述识别模型。

14.一种基于OCR的数据处理系统，其特征在于，包括有：

第一训练模块，用于对预先标注的数据进行训练，生成预训练模型；

标注模块，用于通过所述预训练模型对未标注的数据进行标注，生成训练数据集；

第二训练模块，根据所述训练数据集进行训练，生成用于识别目标数据的识别模型。