基于深度学习的债券图谱数据光学字符识别ocr解决方案.docxVIP

基于深度学习的债券图谱数据光学字符识别ocr解决方案 0 基于深度学习的ocr识别算法 近年来，由于许多领域的实际应用，图像光学符号的检测（orc）引起了越来越多的计算机视觉领域的关注。orc文本识别技术包括文本检测和文本识别两个主要任务。在深度学习技术发展前，传统的OCR文本检测传统OCR基于图像处理（二值化、连通域分析、投影分析等）和统计机器学习（Adaboot、SVM），提取图片上的文本内容。深度学习的OCR主要是指充分运用模型算法的能力，替代传统的人工手动检测方法，自动地检测得出文本的不同类别及其位置的信息，根据所需的位置文本信息，自动地识别与其它位置的文本内容，一般使用到的模型算法主要有：文字检测：DB 随着近年深度学习的不断发展，基于卷积神经网络的OCR技术打破了传统OCR技术的框架 本文通过对OCR识别过程进行分析，并基于深度学习的方法设计OCR识别方案，着重对债券图表数据搭建的深度学习模型进行训练；最后对所设计的OCR方案进行实验验证。实验结果表明，本文方法能有效地把图像数据中的文字信息提取出来，在一定程度上提高日常应用业务场景的智能化处理能力。 1 文本n/文创要素处理流程 本文所设计的基于深度学习的债券图表数据OCR检测与文本识别的应用方案主要包含四个模块，分别是图像预处理、文本区域目标检测、文字识别、自然语言处理（Natural Language Processing），其流程如图1所示。 本系统是基于百度开源的PaddleOCR 1.1 图像预处理 在各种业务应用场景中，因为不同的用户或公司在对图像的获取方式并不统一，存在多种未知因素的干扰，因此所获取的图像质量参差不齐，所以在债券图表数据OCR检测与文本识别业务系统在OCR识别任务开始前首先对需要识别的图像进行预处理操作，在本文中预处理采用去噪处理（高斯降噪）、图像增强、倾斜校正、彩色图像转变成灰度图、灰度图转化成二值图等操作进行图像预处理工作。在日常应用场景中如在银行办理业务时，业务员在办理对文档进行扫描业务的过程中主要经常存在0°、180°方向的倾斜问题。因此针对这类业务问题，提出把文本矫正问题转换为分类问题，通过方向分类器CLS进行方向分类处理，方便之后文字区域目标检测和文本识别任务的进行。 1.2 文本区域的目标测试 文本区域目标检测的目的是定位图像中的文本区域。在债券图表数据OCR检测与文本识别业务系统中，使用基于分割的DB 1.3 文本识别 在债券图表数据OCR检测与文本识别业务系统中，使用CRNN 1.4 财务基本识别 在债券图表数据OCR检测与文本识别业务系统中，完成文字识别后，对识别后的文字进行自然语言处理，这里采用中文词法分析-LAC (Lexical Analysis of Chinese）（是一个联合的词法分析模型，能整体性地完成中文分词、词性标注、专名识别任务）进行词性分类标注来处理，从文字识别中选出需要的关键信息保存至后台数据库中（例如从身份证OCR识别结果中提取出姓名、出生年月、身份证号等关键信息；校园卡OCR识别结果中提取出姓名、学号、学院所对应的具体值，然后直接存储至相应的数据库中），在提取债券图表时，可根据不同类型的财务报表设计相应的识别模板进行匹配。LAC网络框架为Bi GRU+CRF，整体框架图如图4所示。 2 图像识别和文件特征识别 使用基于深度学习的OCR识别技术，实现拍照文字识别、相册图片文字识别和截图文字识别，能更高效、准确、便捷地用于卡、证件、财务报表、笔记、翻译等移动应用中，方便用户进行文本的提取或录入，有效提高处理效率。基于深度学习的债券图表OCR检测和识别主要有以下业务场景。 2.1 应用技术已经成功 身份证、银行卡、行驶证、驾驶证、护照等具有固定格式的图像文字识别技术已较为成熟，在各种大型企业机构中，包括银行、公安机关、保险公司、金融业已成功地应用。特别是由于从传统的机器学习中引入了先进的深度学习技术后，卡、证类的OCR识别准确率达到99%。像身份证、银行卡等这类卡、证据类的OCR识别技术在诸多业务场景有广泛的应用，例如：公安机关办理业务、录入身份信息等；在银行业的手机银行绑定银行卡、验证身份证等；在保险业的查询保险信息、录入信息等。 2.2 表达方式的选择 财务报表主要包括损益表，所有者权益变动表，损益表，资产负债表和财务报表附注。财务报表有许多不同的类型的表格，财务报表中的表格又主要分为带有表格线的和不带表格线的两种类型。在文字区域检测时，无疑多了主观的噪声，因此需要进行排除这类噪声的干扰。且由于财务报表类型众多，还需要通过NLP技术对识别后的文字结果进行分类处理，提取出其中的关键信息，并进行表格模板的精准匹配，以满足各类文字信息的正确识别。 2.3 ．提高工作效率 发票管理是整个企业的财