AI实战：OCR模型之训练数据自动生成

前言

前段时间，项目中的一个核心模块中需要中文OCR功能，模型架构可以参考我的上一篇文章：AI实战：用DenseNet + CTC搭建中文OCR模型 。

深度学习模型的上限取决于2个方面：
1、模型网络结构
2、训练数据

本文意在提供一种OCR数据自动生成的方法。

实战

• 涉及技术
  • 文本处理
  • 图像处理（PIL、opencv）

• 流程图
  

• 重要说明

  • 文本语料

    语料取决于OCR的应用领域。比如识别医疗的OCR，则取语料时一半取通用语料，一半取医疗语料；再比如识别教育的OCR，由于涉及到公式符号等的识别，取语料时更是需要更多的教育语料。

  • OCR词汇表

    词汇表同样取决于应用领域，如教育OCR需要识别各种公式符号、几何图形符号等。

    所以，OCR词汇表构成：一是通用中文，如GB2312中的汉字；二是数字英文；三是领域内特殊的字符。

  • 文本长度

    我的经验是：文本长度取10个字符，生成的文本数量300w+ 。

  • 背景图片

    背景图片可以根据应用场景来取，场景越多越好。

  • 画图方法

    图像大小：若是文本长度为10个字符，则图像大小为 32*280。

    推荐使用PIL库的，主要步骤：

    from PIL import Image, ImageDraw, ImageFont
    
    image = Image.open(img)
    draw = ImageDraw.Draw(image)
    
    #选择文字字体和大小
    setFont = ImageFont.truetype('xxx.ttf', 20)
    #设置文字颜色
    fillColor = "#ff0000"
    
    draw.text((x, y), text, font=setFont, fill=fillColor)
    image.save(img,'jpeg')
    

    说明：在图像img上的(x,y)坐标画出text文本，可以设置字体、大小、颜色等。

  • 图像增强处理

    增强方法：
    1、倾斜处理
    2、扭曲处理
    3、加噪声处理
    4、模糊处理

  • 图片索引数据

    一行数据格式为：
    xxx.jpg 12 23 21 3 3535 121 234 53 743 892

最后

模型架构可以参考我的上一篇文章：
AI实战：用DenseNet + CTC搭建中文OCR模型