Entdecken Sie die Prinzipien und Anwendungsszenarien der OCR-Erkennung

Labs-Einführung

Im täglichen Leben werden Screenshot-Extraktion und Fotosuchfragen häufig in der OCR-Technologie (Optical Character Recognition) verwendet, einer sehr wichtigen Technologie im Bereich der Texterkennung

Teil 01, Was ist OCR?

OCR (Optical Character Recognition) ist eine Computertexterkennungsmethode, die optische und Computertechnologie verwendet, um gedruckte oder handgeschriebene Textbilder in ein genaues und lesbares Textformat für den Computer umzuwandeln Anerkennung und Anwendung. Die OCR-Erkennungstechnologie wird in verschiedenen Branchen des modernen Lebens immer häufiger eingesetzt. Sie ist die Schlüsseltechnologie für die schnelle Eingabe von Textinhalten in den Computer.

Prinzip der OCR-Technologie

OCR-Technologie Es gibt zwei Schulen für traditionelle OCR und Deep-Learning-OCR.

In den frühen Tagen der Entwicklung der OCR-Technologie verwendeten Techniker Bildverarbeitungstechnologien wie Binarisierung, Analyse verbundener Domänen und Projektionsanalyse in Kombination mit statistischem maschinellem Lernen (wie Adaboost und SVM), um Bildtextinhalte zu extrahieren Wir haben es vereinheitlicht. Es wird als traditionelle OCR klassifiziert. Sein Hauptmerkmal besteht darin, dass es auf komplexen Datenvorverarbeitungsvorgängen beruht, um das Bildrauschen zu korrigieren und zu reduzieren. Die Bedeutung der Anpassungsfähigkeit an komplexe Szenen kann nicht ignoriert werden. Anpassungsfähigkeit ist eine entscheidende Fähigkeit in einem sich verändernden Umfeld. Eine Person mit guter Anpassungsfähigkeit kann sich an neue Situationen und Anforderungen anpassen, sich schnell an Veränderungen anpassen und Lösungen für Probleme finden. Anpassungsfähigkeit ist auch einer der Schlüsselfaktoren für den Erfolg im Privat- und Berufsleben. Daher sollten wir danach streben, unsere Anpassungsfähigkeit zu kultivieren und zu verbessern, um mit einer sich verändernden Welt mit mangelnder Genauigkeit und Reaktionsgeschwindigkeit zurechtzukommen.

Dank der kontinuierlichen Weiterentwicklung der KI-Technologie ist die auf End-to-End-Deep-Learning basierende OCR-Technologie allmählich ausgereift. Der Vorteil dieser Methode besteht darin, dass der Textschneidelink nicht explizit in die Bildvorschau eingeführt werden muss -Verarbeitungsphase, wandelt jedoch die Texterkennung in Sequenzlernen um. Problem: Die Integration der Textsegmentierung in Deep Learning ist für die Verbesserung der OCR-Technologie und die zukünftige Entwicklungsrichtung von großer Bedeutung.

2.1 Traditioneller OCR-Erkennungsprozess

Das Flussdiagramm der traditionellen OCR-Technologie sieht wie folgt aus:

Bildvorverarbeitung

: Nachdem das Textbild gescannt wurde das Gerät , Es tritt in die Vorverarbeitungsphase ein, da es bei verschiedenen Textmedien Störfaktoren wie die Glätte und Druckqualität des Papiers, die Helligkeit und Dunkelheit des Bildschirms usw. gibt, die zu Textverzerrungen führen können Vorverarbeitungsmethoden wie Helligkeitsanpassung, Bildverbesserung und Rauschfilterung im Bild. Textbereichspositionierung

: Zur Positionierung und Extraktion von Textbereichen umfassen die Methoden hauptsächlich die Erkennung verbundener Domänen und die MSER-Erkennung. Text- und Bildkorrektur

: Korrektur von schrägem Text, um die Horizontalität sicherzustellen. Zu den Korrekturmethoden gehören hauptsächlich die horizontale Korrektur und die perspektivische Korrektur. Einzelwortsegmentierung in Zeilen und Spalten

: Die herkömmliche Texterkennung basiert auf der Einzelzeichenerkennung, und die Segmentierungsmethode verwendet hauptsächlich verbundene Domänenkonturen und vertikales Projektionsschneiden. Klassifizierer-Zeichenerkennung

: Verwenden Sie Merkmalsextraktionsalgorithmen wie HOG und Sift, um Vektorinformationen aus Zeichen zu extrahieren, und verwenden Sie SVM-Algorithmen, logistische Regression, Support-Vektor-Maschinen usw. für das Training. Nachbearbeitung

: Da die Klassifizierung des Klassifikators nicht unbedingt vollständig korrekt ist oder Fehler beim Zeichenschneideprozess vorliegen, muss sie auf statistischen Sprachmodellen basieren (z. B. versteckte Markov-Ketten, HMM) oder künstliche Extraktionsregeln Entwerfen Sie ein Sprachregelmodell, um eine semantische Fehlerkorrektur an Textergebnissen durchzuführen. 2.2 Deep Learning OCR Die Texterkennung kann in regressionsbasierte und segmentierungsbasierte Methoden unterteilt werden. Zu den Regressionsmethoden gehören Algorithmen wie CTPN, Textbox und EAST, die Richtungstext in Bildern erkennen können, jedoch durch Unregelmäßigkeiten im Textbereich beeinträchtigt werden. Segmentierungsmethoden wie der PSENet-Algorithmus können Text unterschiedlicher Form und Größe verarbeiten, bei näherem Text besteht jedoch die Gefahr von Sticking-Problemen. Verschiedene Methoden haben ihre eigenen Vor- und Nachteile

Die Texterkennungsphase verwendet hauptsächlich zwei Haupttechnologien, CRNN und ATTENTION, um die Texterkennung in ein Sequenzlernproblem umzuwandeln. Beide Technologien nutzen das CNN+RNN-Netzwerk in ihrer Feature-Lernphase. Struktur, der Unterschied liegt in der endgültigen Ausgabeschicht (Übersetzungsschicht), dh darin, wie die vom Netzwerk gelernten Sequenzmerkmalsinformationen in das endgültige Erkennungsergebnis umgewandelt werden.

Darüber hinaus gibt es einen neuesten End-to-End-Algorithmus, der Texterkennung und Texterkennung zum Lernen direkt in ein einziges Netzwerkmodell integriert. Zum Beispiel Algorithmen wie FOTS und Mask TextSpotter. Im Vergleich zu unabhängigen Texterkennungs- und Texterkennungsmethoden weist dieser Algorithmus eine schnellere Erkennungsgeschwindigkeit, aber eine schwächere relative Genauigkeit auf. 2.3 Schemavergleich

Künstliche Intelligenz-Deep-Learning-ErkennungstechnologieZugrundeliegender Nach der End-to-End-Optimierung wurde die Stabilität des Systems erheblich verbessert VorteileTeil 03, Allgemeine OCR BewertungsindikatorenRückrufrate: bezieht sich auf das Verhältnis der Anzahl der vom OCR-System korrekt erkannten Zeichen zur tatsächlichen Anzahl der Zeichen. Sie wird verwendet, um zu messen, ob das System einige Zeichen nicht erkannt hat. Je höher der Wert, desto besser ist die Fähigkeit des Systems, Zeichen abzudecken. Die durchschnittliche Bearbeitungsentfernung (Average Edit Distance) ist ein Indikator zur Bewertung des Ausmaßes der Differenz zwischen OCR-Erkennungsergebnissen und echtem Text Anerkennung Einer der Hauptzweige des Fachgebiets, es gibt auch in Zukunft eine breite Forschungsrichtung und Entwicklungsraum. Im Hinblick auf die Erkennungsgenauigkeit ist es immer noch dringend erforderlich, intelligentere Bildverarbeitungstechnologien und leistungsfähigere Deep-Learning-Modelle zu untersuchen. Die Erkennung muss universeller sein und mehrere Sprachen und Schriftarten abdecken sowie die Fähigkeit zur Anpassung an komplexe Szenen verbessern. in der Echtzeiterkennung Technisch suchen wir nach weiteren Anwendungspunkten, die mit Virtual-Reality-Technologie und Augmented-Reality-Technologie kombiniert werden, wie z. B. AR-Übersetzung, automatische Fehlerkorrektur von Textdaten und Datenkorrektur.

Algorithmus	Texterkennung und -erkennung sind in mehrere Stufen und Unterprozesse unterteilt, die eine Kombination verschiedener Algorithmen verwenden	Das Ziel dieses Modells besteht darin, den Erkennungs- und Erkennungsprozess zu verschmelzen, um eine durchgängige Stabilität zu erreichen
Die Genauigkeit ist höher, je tiefer der Fusionsgrad ist, desto geringer ist die Genauigkeit die Wahrnehmung ist langsamer	Schnelle Erkennung
Szenario Die Bedeutung der Anpassungsfähigkeit kann nicht ignoriert werden. Anpassungsfähigkeit ist eine entscheidende Fähigkeit in einem sich verändernden Umfeld. Eine Person mit guter Anpassungsfähigkeit kann sich an neue Situationen und Anforderungen anpassen, sich schnell an Veränderungen anpassen und Lösungen für Probleme finden. Anpassungsfähigkeit ist auch einer der Schlüsselfaktoren für den Erfolg im Privat- und Berufsleben. Deshalb sollten wir danach streben, unsere Anpassungsfähigkeit zu kultivieren und zu verbessern, um mit der sich ständig verändernden Welt zurechtzukommen	schwach, geeignet für Standarddruckformate	stark, kompatibel mit komplexen Szenarien, abhängig von Modelltraining ??
	Genauigkeitsrate: bezieht sich auf das Verhältnis der Anzahl der vom OCR-System korrekt erkannten Zeichen zur Gesamtzahl der vom System erkannten Zeichen. Sie wird verwendet, um zu messen, wie viele der Erkennungsergebnisse des Systems wirklich korrekt sind . Je höher der Wert, desto besser ist das System. Die Erkennungsergebnisse sind zuverlässiger.	F1-Wert: Ein Bewertungsindikator, der Rückruf und Präzision kombiniert. Der F1-Wert liegt zwischen 0 und 1. Je höher der Wert, desto besser ist das Gleichgewicht zwischen Präzision und Rückruf, das das System erreicht hat.

Das obige ist der detaillierte Inhalt vonEntdecken Sie die Prinzipien und Anwendungsszenarien der OCR-Erkennung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!