基于深度学习的手写棋谱辅助录入方法及装置制造方法及图纸

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
基于深度学习的手写棋谱辅助录入方法及装置
本专利技术属于神经网络
，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。
技术介绍
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。
技术实现思路
有鉴于此，本专利技术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，本专利技术采用如下技术方案：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。进一步的，还包括：将棋谱信息根据棋谱类别保存为相应的棋谱格式。进一步的，还包括：根据棋谱类别规定相应的识别字符，所述神经网络模型输出识别字符。本申请实施例提供一种基于深度学习的手写棋谱辅助录入装置，包括：训练模块，用于对神经网络进行训练，得到训练好的神经网络模型；识别模块，用于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；录入模块，用于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。本专利技术采用以上技术方案，能够达到的有益效果包括：本专利技术提供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。本专利技术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。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术基于深度学习的手写棋谱辅助录入方法的步骤示意图；图2为本专利技术国际象棋的走法与符号对应示意图；图3为本专利技术国际象棋的走法与符号对应示意图；图4为本专利技术国际象棋的走法与符号对应示意图；图5为本专利技术基于深度学习的手写棋谱辅助录入装置的结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术的技术方案进行详细的描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本专利技术所保护的范围。下面结合附图介绍本申请实施例中提供的一个具体的基于深度学习的手写棋谱辅助录入方法。如图1所示，本申请实施例中提供的基于深度学习的手写棋谱辅助录入方法，包括：S101，对神经网络进行训练，得到训练好的神经网络模型；首先采用不同的手写棋谱对神经网络进行训练，在进行多次训练后得到训练好的神经网络模型，神经网络模型能够对输入的手写棋谱进行识别，直接输出手写棋谱的文字位置、文字信息或是符号等，可根据不同的棋谱类别进行相应输出。S102，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；可以理解的是，手写棋谱输入到神经网络模型中后，神经网络模型能够首先对手写棋谱进行一个初步排列，以方便后续对手写棋谱的识本文档来自技高网...

【技术保护点】
1.一种基于深度学习的手写棋谱辅助录入方法，其特征在于，包括：/n对神经网络进行训练，得到训练好的神经网络模型；/n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；/n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。/n

【技术特征摘要】
1.一种基于深度学习的手写棋谱辅助录入方法，其特征在于，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。


2.根据权利要求1所述的方法，其特征在于，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。


3.根据权利要求1所述的方法，其特征在于，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。


4.根据权利要求3所述的方法，其特征在于，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。


5.根据权利要求4所述的方法，其特征在于，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...

【专利技术属性】
技术研发人员：金一舟，
申请(专利权)人：北京航空航天大学杭州创新研究院，
类型：发明
国别省市：浙江;33