[发明专利]面向深度学习OCR识别的字模数据清洗方法、系统及介质

权利要求书

1.一种面向深度学习OCR识别的字模数据清洗方法，其特征在于，所述方法包括以下步骤：

S1、获取标准字模集；

S2、以所述标准字模集或上一轮清洗后形成的字模数据为数据集，将所述数据集划分为训练集和测试集，通过所述训练集训练选定的深度学习模型，并通过所述测试集对训练后的深度学习模型进行测试，得到训练好的用于识别字模集的深度学习模型；

S3、通过训练好的深度学习模型，对所述标准字模集进行识别，构造出易错字对字典；

S4、通过所述训练好的深度学习模型，对待清洗的真实字模集进行自动识别标注，得到真实字模集识别结果；

S5、通过所述易错字对字典以及字模图像质量评估策略，对所述真实字模集识别结果进行评估，根据评估结果将所述真实字模集中不合格字模剔除，得到新的真实字模集；

S6、以所述新的真实字模集训练选定的深度学习模型，得到新的训练好的深度学习模型；

重复执行上述步骤S4、S5、S6，直到再无字模需要被剔除为止，得到清洗后字模集。

2.根据权利要求1所述的面向深度学习OCR识别的字模数据清洗方法，其特征在于，所述字模图像质量评估策略包括：

对所述标准字模集，统计每个字模不同字体下笔画点数与字模全图像素的比例，得到一个笔画点比集合；

抽取字模笔画的骨架，计算出骨架点数与笔画点数之比，得到骨架笔画点比；以通过笔画点比集合、骨架笔画点比对所述真实字模集识别结果进行评估。

3.根据权利要求1所述的面向深度学习OCR识别的字模数据清洗方法，其特征在于，所述对所述真实字模集识别结果进行评估的步骤中包括：

在评估过程中，计算获得第一候选标注结果与第二候选标注结果；

参考所述第一候选标注结果与第二候选标注结果之间的置信度梯度，对所述真实字模集识别结果进行评估。

4.根据权利要求1所述的面向深度学习OCR识别的字模数据清洗方法，其特征在于，所述将所述数据集划分为训练集和测试集的步骤包括：

从所述数据集中，随机抽取其中70％的字模作为训练集，余下的作为测试集。

5.根据权利要求1所述的面向深度学习OCR识别的字模数据清洗方法，其特征在于，所述S1、获取标准字模集的步骤包括：

通过预设算法生成各种字体的标准字模集，所述预设算法包括：变形、旋转、增加噪点、笔画腐蚀算法中的一种或多种。

6.一种面向深度学习OCR识别的字模数据清洗系统，其特征在于，包括：

标准字模生成模块，用于生成标准字模集；

训练模块，用于以所述标准字模集或上一轮清洗后形成的字模数据为数据集，将所述数据集划分为训练集和测试集，通过所述训练集训练选定的深度学习模型，并通过所述测试集对训练后的深度学习模型进行测试，得到训练好的用于识别字模集的深度学习模型；

OCR易错字对生成模块，用于通过训练好的深度学习模型，对所述标准字模集进行识别，构造出易错字对字典；

自动标注模块，用于通过所述训练好的深度学习模型，对真实字模集进行自动识别标注，得到真实字模集识别结果；

字模标注质量评估与筛选模块，用于通过所述易错字对字典以及字模图像质量评估策略，对所述真实字模集识别结果进行评估，根据评估结果将所述真实字模集中不合格字模剔除，得到新的真实字模集；

所述训练模块，还用于以所述新的真实字模集训练选定的深度学习模型，得到新的训练好的深度学习模型，并重复自动标注模块、字模标注质量评估与筛选模块、训练模块的执行过程，进行迭代，直到无字模被剔除为止，得到清洗后字模集。

7.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的面向深度学习OCR识别的字模数据清洗方法的步骤。