一种基于OCR的数据生成方法、系统、设备及介质技术方案

本发明专利技术提供一种基于OCR的数据生成方法、系统、设备及介质，包括：根据一个或多个样本数据构建样本数据库，且每个样本数据包含有一个或多个属性；基于所述样本数据库生成一个或多个包含有所述一个或多个属性的目标数据。本发明专利技术根据在真实环境中获取的样本数据构建生成样本数据库，然后基于该样本数据库生成一个或多个包含有与样本数据一个或多个属性的目标数据，再将生成的目标数据作为真实环境中采集的数据对进行训练，能够大幅减少训练OCR识别模型所需要的真实数据，大幅减少对数据的标注工作量，大幅缩短识别模型的开发周期，提高识别模型的开发速度。

【技术实现步骤摘要】
一种基于OCR的数据生成方法、系统、设备及介质
本专利技术涉及数据处理
，特别是涉及一种基于OCR的数据生成方法、系统、设备及介质
技术介绍
OCR(OpticalCharacterRecognition,光学字符识别)作为人工智能的一个应用领域，需要大量的数据进行训练，神经网络才能具有准确预测的能力。因此，在OCR领域中，尽可能多的覆盖各种场景的的庞大训练数据量对于输出的OCR模型的准确率至关重要的。但同时，OCR的场景繁复多样，版式纷繁复杂，定制化需求大，训练数据难获取，缺乏真实场景的数据是行业的痛点，最终导致产品开发周期长，模型鲁棒性差，机器学习开发成本高昂导致应用难以落地。因此，在OCR领域，迫切需求一种可以生成海量高仿真实场景下的版式训练数据的工具。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供基于OCR的数据生成方法、系统、设备及介质，用于解决现有技术中存在的问题。为实现上述目的及其他相关目的，本专利技术提供一种基于OCR的数据生成方法，包括以下步骤：根据一个或多个样本数据构建样本数据库，且每个样本数据包含有一个或多个属性；基于所述样本数据库生成一个或多个包含有所述一个或多个属性的目标数据。可选地，所述样本数据包括以下至少之一：票据图像、票证图像、证件图像、单据图像。可选地，所述属性包括以下至少之一：纹理、背景样式、版式、表格、文本、图标、字体、语言、线条。可选地，还包括将生成的目标数据进行合成，合成为一个或多个训练样本集。可选地，还包括根据所述一个或多个训练样本集进行训练，生成一个或多个识别模型。可选地，所述识别模型包括用于识别以下至少之一：票据、票证、证件、单据。可选地，基于所述样本数据库生成一个或多个包含有所述一个或多个属性的目标数据的过程中，还包括通过增加一个或多个扰动因素对所述目标数据进行增强。可选地，若所述属性为字体，增加的扰动因素包括以下至少之一：字符串、字体颜色、字间距、字符特效、文本行背景、文字扭曲、背景噪声、文字位置、笔画粘连、笔画断裂、文字倾斜、多种字体。可选地，若所述属性为图标，增加的扰动因素包括以下之一：加线、加章、高斯滤波、形态学滤波、运动模糊、光照、高亮、变形、锐化。可选地，若所述属性为文本，增加的扰动因素包括以下至少之一：文本框扰动、文本行随机缩放、文本行倾斜、文本行长宽比随机调整。可选地，增加的扰动因素还包括特效，所述特效包括以下至少之一：透视变化、全局颜色噪声、全局亮度调节，全局亮度漂移、局部颜色噪声、局部亮度噪声、全局对比度调节、字体运动模糊。本专利技术还提供一种基于OCR的数据生成系统，包括：根据一个或多个样本数据构建样本数据库，且每个样本数据包含有一个或多个属性；基于所述样本数据库生成一个或多个包含有所述一个或多个属性的目标数据。可选地，所述样本数据包括以下至少之一：票据图像、票证图像、证件图像、单据图像。可选地，所述属性包括以下至少之一：纹理、背景样式、版式、表格、文本、图标、字体、语言、线条。可选地，还包括将生成的目标数据进行合成，合成为一个或多个训练样本集。可选地，还包括根据所述一个或多个训练样本集进行训练，生成一个或多个识别模型。可选地，所述识别模型包括用于识别以下至少之一：票据、票证、证件、单据。可选地，基于所述样本数据库生成一个或多个包含有所述一个或多个属性的目标数据的过程中，还包括通过增加一个或多个扰动因素对所述目标数据进行增强。可选地，若所述属性为字体，增加的扰动因素包括以下至少之一：字符串、字体颜色、字间距、字符特效、文本行背景、文字扭曲、背景噪声、文字位置、笔画粘连、笔画断裂、文字倾斜、多种字体。可选地，若所述属性为图标，增加的扰动因素包括以下之一：加线、加章、高斯滤波、形态学滤波、运动模糊、光照、高亮、变形、锐化。可选地，若所述属性为文本，增加的扰动因素包括以下至少之一：文本框扰动、文本行随机缩放、文本行倾斜、文本行长宽比随机调整。可选地，增加的扰动因素还包括特效，所述特效包括以下至少之一：透视变化、全局颜色噪声、全局亮度调节，全局亮度漂移、局部颜色噪声、局部亮度噪声、全局对比度调节、字体运动模糊。本专利技术还提供一种基于OCR的数据生成设备，包括有：根据一个或多个样本数据构建样本数据库，且每个样本数据包含有一个或多个属性；基于所述样本数据库生成一个或多个包含有所述一个或多个属性的目标数据。本专利技术还提供一种设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行如上述中一个或多个所述的方法。本专利技术还提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如上述中一个或多个所述的方法。如上所述，本专利技术提供的一种基于OCR的数据生成方法、系统、设备及介质，具有以下有益效果：根据一个或多个样本数据构建样本数据库，且每个样本数据包含有一个或多个属性；基于所述样本数据库生成一个或多个包含有所述一个或多个属性的目标数据。本专利技术根据在真实环境中获取的样本数据构建生成样本数据库，然后基于该样本数据库生成一个或多个包含有与样本数据一个或多个属性的目标数据，再将生成的目标数据作为真实环境中采集的数据对进行训练，能够大幅减少训练OCR识别模型所需要的真实数据，大幅减少对数据的标注工作量，大幅缩短识别模型的开发周期，提高识别模型的开发速度。附图说明图1为一实施例提供的基于OCR的数据生成方法的流程示意图；图2为一实施例提供的终端设备的硬件结构示意图；图3为另一实施例提供的终端设备的硬件结构示意图。元件标号说明1100输入设备1101第一处理器1102输出设备1103第一存储器1104通信总线1200处理组件1201第二处理器1202第二存储器1203通信组件1204电源组件1205多媒体组件1206语音组件1207输入/输出接口1208传感器组件具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。请本文档来自技高网...

【技术保护点】
1.一种基于OCR的数据生成方法，其特征在于，包括以下步骤：/n根据一个或多个样本数据构建样本数据库，且每个样本数据包含有一个或多个属性；/n基于所述样本数据库生成一个或多个包含有所述一个或多个属性的目标数据。/n

【技术特征摘要】
1.一种基于OCR的数据生成方法，其特征在于，包括以下步骤：
根据一个或多个样本数据构建样本数据库，且每个样本数据包含有一个或多个属性；
基于所述样本数据库生成一个或多个包含有所述一个或多个属性的目标数据。


2.根据权利要求1所述的基于OCR的数据生成方法，其特征在于，所述样本数据包括以下至少之一：票据图像、票证图像、证件图像、单据图像。


3.根据权利要求2所述的基于OCR的数据生成方法，其特征在于，所述属性包括以下至少之一：纹理、背景样式、版式、表格、文本、图标、字体、语言、线条。


4.根据权利要求1所述的基于OCR的数据生成方法，其特征在于，还包括将生成的目标数据进行合成，合成为一个或多个训练样本集。


5.根据权利要求4所述的基于OCR的数据生成方法，其特征在于，还包括根据所述一个或多个训练样本集进行训练，生成一个或多个识别模型。


6.根据权利要求5所述的基于OCR的数据生成方法，其特征在于，所述识别模型包括用于识别以下至少之一：票据、票证、证件、单据。


7.根据权利要求3所述的基于OCR的数据生成方法，其特征在于，基于所述样本数据库生成一个或多个包含有所述一个或多个属性的目标数据的过程中，还包括通过增加一个或多个扰动因素对所述目标数据进行增强。


8.根据权利要求7所述的基于OCR的数据生成方法，其特征在于，若所述属性为字体，增加的扰动因素包括以下至少之一：字符串、字体颜色、字间距、字符特效、文本行背景、文字扭曲、背景噪声、文字位置、笔画粘连、笔画断裂、文字倾斜、多种字体。


9.根据权利要求7所述的基于OCR的数据生成方法，其特征在于，若所述属性为图标，增加的扰动因素包括以下之一：加线、加章、高斯滤波、形态学滤波、运动模糊、光照、高亮、变形、锐化。


10.根据权利要求7所述的基于OCR的数据生成方法，其特征在于，若所述属性为文本，增加的扰动因素包括以下至少之一：文本框扰动、文本行随机缩放、文本行倾斜、文本行长宽比随机调整。


11.根据权利要求7所述的基于OCR的数据生成方法，其特征在于，增加的扰动因素还包括特效，所述特效包括以下至少之一：透视变化、全局颜色噪声、全局亮度调节，全局亮度漂移、局部颜色噪声、局部亮度噪声、全局对比度调节、字体运动模糊。


12.一种基于OCR的数据生成系统，其特征在于，包括：
根据一个或多个样本数据构建样本数据库，且每个样本数据包含有一个或多个属性；
基于所述样本数据库生成一个或多个包含有所述一个或多个属性的目标数据。


13.根据权利要求12所述的基于OCR的数据生成系统，其特征在于，所述样本数据...

【专利技术属性】
技术研发人员：周曦，姚志强，林文峰，许梅芳，
申请(专利权)人：上海云从汇临人工智能科技有限公司，
类型：发明
国别省市：上海;31