[发明专利]模型训练、文本识别方法及装置、电子设备、存储介质

权利要求书

1.一种文本识别模型训练方法，其特征在于，包括：

获取多个包含弯曲文本的第一样本图像及所述第一样本图像中的弯曲文本的文本信息；

分别将所述第一样本图像输入预先训练完成的图像矫正模型及文本识别模型，其中，所述图像矫正模型用于将包含弯曲文本的图像矫正为包含非弯曲文本的图像，所述文本识别模型用于识别图像中的文本信息；

通过所述图像矫正模型对所述第一样本图像进行特征提取，获得第一图像特征；并且，通过所述文本识别模型对所述第一样本图像进行特征提取，获得第二图像特征；

使用预设的特征损失函数，根据所述第一图像特征和所述第二图像特征，确定特征损失值；

在通过所述第一样本图像及所述第一样本图像中的弯曲文本的文本信息对预先训练完成的所述文本识别模型进行训练时，基于所述特征损失值对所述文本识别模型进行更新。

2.根据权利要求1所述的方法，其特征在于，所述文本识别模型包括：卷积神经网络部分；

所述基于所述特征损失值对所述文本识别模型进行更新，包括：

基于所述特征损失值对所述卷积神经网络部分进行更新。

3.根据权利要求2所述的方法，其特征在于，所述基于所述特征损失值对所述卷积神经网络部分进行更新，包括：

将所述特征损失值作为所述卷积神经网络部分的第一损失值，并根据所述第一损失值对所述卷积神经网络部分进行更新；或

将所述特征损失值和所述文本识别模型中的损失值之和，作为所述卷积神经网络部分的第二损失值，并根据所述第二损失值对所述卷积神经网络部分进行更新。

4.根据权利要求2所述的方法，其特征在于，所述文本识别模型还包括：循环神经网络部分和翻译层部分；所述循环神经网络部分用于对基于所述卷积神经网络部分提取的特征进行序列预测，得到序列特征；所述翻译层部分用于将所述序列特征翻译为字符序列；

所述基于所述特征损失值对所述文本识别模型进行更新，包括：

基于所述文本识别模型中的损失值对所述循环神经网络部分和所述翻译层部分进行更新。

5.根据权利要求1所述的方法，其特征在于，所述使用预设的特征损失函数，根据所述第一图像特征和所述第二图像特征，确定特征损失值，包括：

将所述第一图像特征和所述第二图像特征在相同的通道以及相同的像素点进行对应相减，得到多个损失值；

根据所述多个损失值，确定特征损失值。

6.根据权利要求5所述的方法，其特征在于，所述根据所述多个损失值，确定特征损失值，包括：

将所述多个损失值的平均值，作为特征损失值。

7.根据权利要求1所述的方法，其特征在于，在将所述第一样本图像输入所述图像矫正模型之前，所述方法还包括：

获取多个包含弯曲文本的第二样本图像及所述第二样本图像对应的第三样本图像，其中，所述第三样本图像中包含与所述第二样本图像中的弯曲文本对应的非弯曲文本；

通过预设矫正模型对所述第二样本图像进行矫正处理，得到预测图像；

根据所述预测图像和所述第二样本图像对应的第三样本图像，确定图像损失值；

基于所述图像损失值对所述预设矫正模型进行更新，以得到所述图像矫正模型。

8.根据权利要求1所述的方法，其特征在于，在将所述第一样本图像输入所述文本识别模型之前，所述方法还包括：

获取多个包含非弯曲文本的第四样本图像及所述第四样本图像中包含的非弯曲文本的文本信息；

通过预设识别模型对所述第四样本图像中的文本进行识别，得到预测文本信息；

根据所述预测文本信息及所述第四样本图像中包含的非弯曲文本的文本信息，确定文本损失值；

基于所述文本损失值，对所述预设识别模型进行更新，以得到所述文本识别模型。