[发明专利]基于深度学习的手写棋谱辅助录入方法及装置

说明书

本发明涉及一种基于深度学习的手写棋谱辅助录入方法及装置，所述方法包括对神经网络进行训练，得到训练好的神经网络模型；将待处理的手写棋谱输入到神经网络模型中进行识别，对棋谱进行初步排列；通过预设的棋局规则对棋谱信息进行规范化后录入并保存。本发明利用深度学习算法得到神经网络模型，通过神经网络识别手写棋谱上的棋局信息，结合棋类规则，对手写棋谱进行规范化的信息录入；能够避免人工录入的麻烦及降低了人工成本，除此之外，能够使得手写棋谱容易保存及容易恢复。

技术领域

本发明属于神经网络技术领域，具体涉及一种基于深度学习的手写棋谱辅助录入方法及装置。

背景技术

现有的棋谱录入，主要依靠人工录入或者电子棋盘，耗费大量人力或者成本较高，且一般只收录高水平的棋谱，赛场上大量棋局仅仅留有棋手手写棋谱而没有被系统的信息化保存。在棋院学习时，每日对局后的棋谱都只能通过手工写入记录本，而手写棋谱不易保存，且不易于后期恢复。

发明内容

有鉴于此，本发明的目的在于克服现有技术的不足，提供一种基于深度学习的手写棋谱辅助录入方法及装置，以解决现有技术中都只能通过手工写入记录本，而手写棋谱不易保存，且不易于后期恢复的问题。

为实现以上目的，本发明采用如下技术方案：一种基于深度学习的手写棋谱辅助录入方法，包括：

对神经网络进行训练，得到训练好的神经网络模型；

将待处理的手写棋谱输入到所述神经网络模型中进行识别，对所述棋谱进行初步排列；

通过预设的棋局规则对棋谱信息进行规范化后录入并保存。

进一步的，所述对神经网络进行训练，得到训练好的神经网络模型，包括：

获取手写棋谱，将所述手写棋谱转换为图片格式，得到手写棋谱图片；

将手写棋谱图片调整至预设尺寸以构成训练数据；

将所述训练数据输入到神经网络中进行训练，直至神经网络收敛，在所述神经网络预测结果输出所述训练数据的每段文字的位置和对应的文字内容时，输出神经网络模型。

进一步的，所述棋局规则包括：

在棋局开始后，每输入一步棋，则输出对手在下一步要走的所有可选走法。

进一步的，所述通过预设的棋局规则对棋谱信息进行规范化，包括：

逐步检测识别输入的棋谱信息，并对每一步进行录入；

所述对每一步进行录入，包括：

如果待走新一步在可选走法范围内，则直接记录为新一步；

如果待走新一步与可选走法均不一致，则将计算所述待走新一步和所有可选走法的相似度，确定最大相似度，并将所述最大相似度与预设阈值进行对比，若所述最大相似度大于预设阈值，说明所述待走新一步识别不准确或书写不规范，则将所述最大相似度的可选走法确定为新一步并记录；

若所述相似度小于预设阈值，说明棋局步数存在漏记或误记，则对所有的上一步可选走法进行反向推演，如果在预设的反推步数内存在推演走法与所述待走新一步的最大相似度大于预设阈值，则确定为漏记或误记，将所述最大相似度值对应的走法录入，如果超过所述反推步数仍无法确定待走新一步，则引入人工排查。

进一步的，所述在预设的反推步数内存在推演走法与所述待走新一步的最大相似度大于预设阈值，则确定为漏记或误记，将所述最大相似度值对应的走法录入，包括：

结合所有的上一步可选走法的推演可选走法，如果在所述推演可选走法中存在与待走新一步相似度大于预设阈值的推演可选走法，且与识别到的下一步待走新一步的所有可选走法的相似度大于预设阈值，则确定该推演可选走法为漏记或误记，将该推演可选走法进行录入。