CN110414450A - 关键词检测方法、装置、存储介质及电子设备 - Google Patents

Abstract

本公开涉及一种关键词检测方法、装置、存储介质及电子设备，包括：获取待检测图像；将待检测图像输入预设深度学习模型中，以得到一个或多个第一概率；根据待检测关键词中包含的一个或多个目标字符从第一概率中确定一个或多个第一目标概率，第一目标概率对应的预设字符与目标字符相同，第一目标概率对应的预设字符与目标字符相同，其中，预设字符中至少包括待检测关键词中的所有目标字符；根据第一目标概率确定待检测图像中是否存在待检测关键词。这样，无需对待检测图像中的所有字符都一一进行识别，仅需获取部分预设字符出现在待检测图像中的概率即可实现对待检测关键词的检测判断，大大提高了对关键词进行检测的效率。

Description

关键词检测方法、装置、存储介质及电子设备

技术领域

本公开涉及人工智能领域，具体地，涉及一种关键词检测方法、装置、存储介质及电子设备。

背景技术

目前，在需要在图片或PDF格式等文件中对字符进行相关的判断时，一般都是通过对文件中的所有字符都先进行识别，然后根据从整个文件中识别出来的所有字符来进行相关的判断，例如进行关键词匹配等。其中用于对文字进行识别的方法有例如OCR识别方法(Optical Character Recognition，光学字符识别)。以上传统的OCR识别方法耗时比较久，在对于大量的数据进行处理时，会占用大量资源，且效率不高，而且局限于现有文字识别方法的精度，可能会导致在根据识别出来的字符进行后续判断时由于文字识别方法精度的问题判断失误的问题。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种关键词检测方法，所述方法包括：

获取待检测图像；

将所述待检测图像输入预设深度学习模型中，以得到一个或多个第一概率，所述第一概率为所述待检测图像中存在一个预设字符的概率，所以预设字符为一个或多个，所述第一概率与所述预设字符一一对应；

根据待检测关键词中包含的一个或多个目标字符从所述第一概率中确定一个或多个第一目标概率，所述第一目标概率对应的所述预设字符与所述目标字符相同，其中，所述预设字符中至少包括所述待检测关键词中的所有所述目标字符；

根据所述第一目标概率确定所述待检测图像中是否存在所述待检测关键词。

第二方面，本公开还一种关键词检测装置，所述装置包括：

获取模块，用于获取待检测图像；

第一处理模块，用于将所述待检测图像输入预设深度学习模型中，以得到一个或多个第一概率，所述第一概率为所述待检测图像中存在一个预设字符的概率，所以预设字符为一个或多个，所述第一概率与所述预设字符一一对应；

第二处理模块，用于根据待检测关键词中包含的一个或多个目标字符从所述第一概率中确定一个或多个第一目标概率，所述第一目标概率对应的所述预设字符与所述目标字符相同，其中，所述预设字符中至少包括所述待检测关键词中的所有所述目标字符；

判断模块，用于根据所述第一目标概率确定所述待检测图像中是否存在所述待检测关键词。

第三方面，本公开还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面所述方法的步骤。

第四方面，本公开还提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述方法的步骤。

通过上述技术方案，无需对待检测图像中的所有字符都一一进行识别，仅需获取部分预设字符出现在待检测图像中的概率即可实现对待检测关键词的检测判断，大大缩短了对待检测图像进行处理的时间，且预设深度学习模型预先是根据所有预设字符进行训练，因此只要待检测的关键词中的字符包括在该预设字符中，就可直接使用该预设深度学习模型获取待检测图像中出现待检测关键词中任一目标字符的概率，无需再对该预设深度学习模型进行重新训练，因此进一步提高了对关键词进行检测的效率。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据本公开一示例性实施例示出的一种关键词检测方法的流程图。

图2是根据本公开又一示例性实施例示出的一种关键词检测方法的流程图。

图3是根据本公开一示例性实施例示出的一种关键词检测方法中计算预设字符在待检测图像中存在的概率的方法的流程图。

图4是根据本公开一示例性实施例示出的一种关键词检测装置的结构框图。

图5是根据本公开又一示例性实施例示出的一种关键词检测装置的结构框图。

图6是根据本公开又一示例性实施例示出的一种关键词检测装置的结构框图。

图7是根据本公开又一示例性实施例示出的一种关键词检测装置的结构框图。

图8是根据本公开一示例性实施例示出的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

图1是根据本公开一示例性实施例示出的一种关键词检测方法的流程图。如图1所示，所述方法包括步骤101至步骤104。

在步骤101中，获取待检测图像。该待检测图像可以为任意格式的图片或PDF格式的文件等等。

在步骤102中，将所述待检测图像输入预设深度学习模型中，以得到一个或多个第一概率，所述第一概率为所述待检测图像中存在一个预设字符的概率，所以预设字符为一个或多个，所述第一概率与所述预设字符一一对应。该预设深度学习模型是已经预先根据所有预设字符进行了训练的深度学习模型。该预设字符可以包括例如常用汉字1000字，此时，该待检测图像被输入该预设深度学习模型中之后，就会分别得到该常用的1000字在该待检测图像中出现的1000个概率。例如，若该预设字符中包括“端”、“午”、“节”三个字符，则该待检测图像经过该预设深度学习模型进行处理之后，就能分别得到“端”字出现在该待检测图像中的概率、“午”字出现在该待检测图像中的概率、“节”字出现在该待检测图像中的概率，上述概率都属于所述第一概率。

在步骤103中，根据待检测关键词中包含的一个或多个目标字符从所述第一概率中确定一个或多个第一目标概率，所述第一目标概率对应的所述预设字符与所述目标字符相同，其中，所述预设字符中至少包括所述待检测关键词中的所有所述目标字符。当该待检测关键词中只包括一个目标字符时，从该第一概率中确定一个第一目标概率，当该待检测关键词中包括多个目标字符时，从该第一概率中确定多个与所述目标字符一一对应的第一目标概率。例如，若待检测关键词为“端午节”，则该待检测关键词中包括三个目标字符分别为“端”、“午”、“节”，在根据步骤102所得到的多个第一概率中选择分别与“端”、“午”、“节”三个字符对应的概率作为第一目标概率。

在步骤104中，根据所述第一目标概率确定所述待检测图像中是否存在所述待检测关键词。在获取到待检测关键字中的每个字符分别在待检测图像中出现的概率之后，就能以此来判断该待检测图像中是否存在该待检测关键词。

通过上述技术方案，无需对待检测图像中的所有字符都一一进行识别，仅需获取部分预设字符出现在待检测图像中的概率即可实现对待检测关键词的检测判断，大大缩短了对待检测图像进行处理的时间，且预设深度学习模型预先是根据所有预设字符进行训练，因此只要待检测的关键词中的字符包括在该预设字符中，就可直接使用该预设深度学习模型获取待检测图像中出现待检测关键词中任一目标字符的概率，无需再对该预设深度学习模型进行重新训练，因此进一步提高了对关键词进行检测的效率。

图2是根据本公开一示例性实施例示出的一种关键词检测方法的流程图。如图2所示，所述方法除了包括图1中所示的步骤101至步骤103之外，还包括步骤201至步骤205。

在步骤201中，判断待检测关键词中所包含的目标字符个数是否为多个。若是，则转至步骤202；若否，则转至步骤203。

在步骤202中，计算多个所述第一目标概率的乘积。在待检测关键词中包括多个目标字符时，在步骤103中确定的第一目标概率也为多个，且与该多个目标字符一一对应。例如，当待检测关键词中包括例如“端”、“午”、“节”三个目标字符时，在步骤103中确定的第一目标概率就应该为分别与“端”、“午”、“节”三个目标字符对应的概率，例如可以分别为95％，90％，95％。在步骤202中计算多个所述第一目标概率的乘积时即为计算95％，90％，95％的乘积：0.95*0.90*0.95＝0.81225，即为81.225％。

在步骤204中，将所述乘积确定为第二目标概率，所述第二目标概率为所述待检测图像中存在所述待检测关键词的概率。即，将上述示例中计算得到的81.225％作为该待检测图像中存在该待检测关键词的概率。

在步骤205中，在所述第二目标概率大于第一预设阈值的情况下，判定所述待检测图像中存在所述待检测关键词。该第一预设阈值可以根据实际情况来进行设定。例如，可以该第一预设阈值可以为75％，在上述示例中确定的第二目标概率为81.225％，大于该第一预设阈值，因此可以判定该待检测图像中存在该待检测关键词“端午节”。

上述步骤是在判定待检测关键词中的所包含的目标字符个数为多个时的关键词检测方法，当判定待检测关键词中的所包含的目标字符个数为1个时，如步骤203所示，在所述第一目标概率大于第二预设阈值的情况下，判定所述待检测图像中存在所述待检测关键词。

即，将步骤103中确定的第一目标概率直接作为该待检测图像中存在该待检测关键词的概率，并根据该第一目标概率与第二预设阈值的大小来对该待检测图像中是否存在该待检测关键词进行判断。

在一种可能的实施方式中，在待检测关键词中的目标字符为多个时，还可以先计算多个第一目标概率的平均值，然后将该平均值作为待检测图像中存在该待检测关键词的概率，从而根据该平均值来判断该待检测图像中是否存在该待检测关键词，例如，当该平均值大于第三预设阈值的情况下，判定该待检测图像中存在该待检测关键词。

上述的第一预设阈值、第二预设阈值、第三预设阈值可以相同，也可以不同。

图3是根据本公开一示例性实施例示出的一种关键词检测方法中计算预设字符在待检测图像中存在的概率的方法的流程图。所述方法包括步骤301和步骤302。

在步骤301中，根据所述预设深度学习模型和所述待检测图像获取与所述预设字符一一对应的概率图，所述概率图中包括所述待检测图像中的每个像素点属于所述预设字符的概率。例如，当预设字符中包括例如常用汉字1000字时，在步骤301中就可以得到分别与该1000个预设字符一一对应的概率图，每张概率图中的每个像素点中都包括该像素点属于与该概率图所对应的预设字符的概率，例如，预设字符中有一个字符“加”，则会有一张对应“加”字的概率图，其中包括每个像素点属于“加”字的概率。上述概率图中的像素点与待检测图像中的像素点是一一对应的。

在步骤302中，将所述概率图中最大的概率确定为与所述预设字符一一对应的所述第一概率。通过步骤301能够得到针对预设字符中每一个字符的一张概率图，其中包括了其所有像素点属于该字符的概率，在所有像素点属于该字符的概率中取MAX，将其中最大的概率作为该待检测图像中存在该字符的概率。

通过上述技术方案，该预设深度学习模型基于字符分割的思想的来对该待检测图像中存在预设字符的概率进行判断，因此需要在对预设字符进行判断的过程中增加了对位置的监督，相比于现有的文字识别防范，能够在一定程度上提高识别精度，从而就能够实现同时提高关键词检测的效率和精度的效果。

图4是根据本公开一示例性实施例示出的一种关键词检测装置的结构框图。如图4所示，所述装置包括：获取模块10，用于获取待检测图像；第一处理模块20，用于将所述待检测图像输入预设深度学习模型中，以得到一个或多个第一概率，所述第一概率为所述待检测图像中存在一个预设字符的概率，所以预设字符为一个或多个，所述第一概率与所述预设字符一一对应；第二处理模块30，用于根据待检测关键词中包含的一个或多个目标字符从所述第一概率中确定一个或多个第一目标概率，所述第一目标概率对应的所述预设字符与所述目标字符相同，其中，所述预设字符中至少包括所述待检测关键词中的所有所述目标字符；判断模块40，用于根据所述第一目标概率确定所述待检测图像中是否存在所述待检测关键词。

通过上述技术方案，无需对待检测图像中的所有字符都一一进行识别，仅需获取部分预设字符出现在待检测图像中的概率即可实现对待检测关键词的检测判断，大大缩短了对待检测图像进行处理的时间，且预设深度学习模型预先是根据所有预设字符进行训练，因此只要待检测的关键词中的字符包括在该预设字符中，就可直接使用该预设深度学习模型获取待检测图像中出现待检测关键词中任一目标字符的概率，无需再对该预设深度学习模型进行重新训练，因此进一步提高了对关键词进行检测的效率。

图5是根据本公开又一示例性实施例示出的一种关键词检测装置的结构框图。如图5所示，在所述待检测关键词中包含的所述目标字符为多个的情况下，所述判断模块40包括：计算子模块401，用于计算多个所述第一目标概率的乘积；确定子模块402，用于将所述乘积确定为第二目标概率，所述第二目标概率为所述待检测图像中存在所述待检测关键词的概率；第一判断子模块403，用于在所述第二目标概率大于第一预设阈值的情况下，判定所述待检测图像中存在所述待检测关键词。

图6是根据本公开又一示例性实施例示出的一种关键词检测装置的结构框图。如图6所示，在所述待检测关键词中包含的所述目标字符为一个的情况下，所述判断模块40包括：第二判断子模块404，用于在所述第一目标概率大于第二预设阈值的情况下，判定所述待检测图像中存在所述待检测关键词。

图7是根据本公开又一示例性实施例示出的一种关键词检测装置的结构框图。如图7所示，所述第一处理模块20包括：第一处理子模块201，用于根据所述预设深度学习模型和所述待检测图像获取与所述预设字符一一对应的概率图，所述概率图中包括所述待检测图像中的每个像素点属于所述预设字符的概率；第二处理子模块202，用于将所述概率图中最大的概率确定为与所述预设字符一一对应的所述第一概率。

下面参考图8，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置606加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置606；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置606被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端或服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待检测图像；将所述待检测图像输入预设深度学习模型中，以得到一个或多个第一概率，所述第一概率为所述待检测图像中存在一个预设字符的概率，所以预设字符为一个或多个，所述第一概率与所述预设字符一一对应；根据待检测关键词中包含的一个或多个目标字符从所述第一概率中确定一个或多个第一目标概率，所述第一目标概率对应的所述预设字符与所述目标字符相同，其中，所述预设字符中至少包括所述待检测关键词中的所有所述目标字符；根据所述第一目标概率确定所述待检测图像中是否存在所述待检测关键词。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取待检测图像的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，示例1提供了一种关键词检测方法，所述方法包括：获取待检测图像；将所述待检测图像输入预设深度学习模型中，以得到一个或多个第一概率，所述第一概率为所述待检测图像中存在一个预设字符的概率，所以预设字符为一个或多个，所述第一概率与所述预设字符一一对应；根据待检测关键词中包含的一个或多个目标字符从所述第一概率中确定一个或多个第一目标概率，所述第一目标概率对应的所述预设字符与所述目标字符相同，其中，所述预设字符中至少包括所述待检测关键词中的所有所述目标字符；根据所述第一目标概率确定所述待检测图像中是否存在所述待检测关键词。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，在所述待检测关键词中包含的所述目标字符为多个的情况下，所述根据所述第一目标概率确定所述待检测图像中是否存在所述待检测关键词包括：计算多个所述第一目标概率的乘积；将所述乘积确定为第二目标概率，所述第二目标概率为所述待检测图像中存在所述待检测关键词的概率；在所述第二目标概率大于第一预设阈值的情况下，判定所述待检测图像中存在所述待检测关键词。

根据本公开的一个或多个实施例，示例3提供了示例1的方法，在所述待检测关键词中包含的所述目标字符为一个的情况下，所述根据所述第一目标概率确定所述待检测图像中是否存在所述待检测关键词包括：在所述第一目标概率大于第二预设阈值的情况下，判定所述待检测图像中存在所述待检测关键词。

根据本公开的一个或多个实施例，示例4提供了示例1的方法，所述将所述待检测图像输入预设深度学习模型中，以得到一个或多个第一概率包括：根据所述预设深度学习模型和所述待检测图像获取与所述预设字符一一对应的概率图，所述概率图中包括所述待检测图像中的每个像素点属于所述预设字符的概率；将所述概率图中最大的概率确定为与所述预设字符一一对应的所述第一概率。

根据本公开的一个或多个实施例，示例5提供了一种关键词检测装置，所述装置包括：获取模块10，用于获取待检测图像；第一处理模块20，用于将所述待检测图像输入预设深度学习模型中，以得到一个或多个第一概率，所述第一概率为所述待检测图像中存在一个预设字符的概率，所以预设字符为一个或多个，所述第一概率与所述预设字符一一对应；第二处理模块30，用于根据待检测关键词中包含的一个或多个目标字符从所述第一概率中确定一个或多个第一目标概率，所述第一目标概率对应的所述预设字符与所述目标字符相同，其中，所述预设字符中至少包括所述待检测关键词中的所有所述目标字符；判断模块40，用于根据所述第一目标概率确定所述待检测图像中是否存在所述待检测关键词。

根据本公开的一个或多个实施例，示例6提供了示例5的装置，在所述待检测关键词中包含的所述目标字符为多个的情况下，所述判断模块40包括：计算子模块401，用于计算多个所述第一目标概率的乘积；确定子模块402，用于将所述乘积确定为第二目标概率，所述第二目标概率为所述待检测图像中存在所述待检测关键词的概率；第一判断子模块403，用于在所述第二目标概率大于第一预设阈值的情况下，判定所述待检测图像中存在所述待检测关键词。

根据本公开的一个或多个实施例，示例7提供了示例5的装置，在所述待检测关键词中包含的所述目标字符为一个的情况下，所述判断模块40包括：第二判断子模块404，用于在所述第一目标概率大于第二预设阈值的情况下，判定所述待检测图像中存在所述待检测关键词。

根据本公开的一个或多个实施例，示例8提供了示例5的装置，所述第一处理模块20包括：第一处理子模块201，用于根据所述预设深度学习模型和所述待检测图像获取与所述预设字符一一对应的概率图，所述概率图中包括所述待检测图像中的每个像素点属于所述预设字符的概率；第二处理子模块202，用于将所述概率图中最大的概率确定为与所述预设字符一一对应的所述第一概率。

根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-4中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-4中任一项所述方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (10)

1.一种关键词检测方法，其特征在于，所述方法包括：

获取待检测图像；

将所述待检测图像输入预设深度学习模型中，以得到一个或多个第一概率，所述第一概率为所述待检测图像中存在一个预设字符的概率，所以预设字符为一个或多个，所述第一概率与所述预设字符一一对应；

根据待检测关键词中包含的一个或多个目标字符从所述第一概率中确定一个或多个第一目标概率，所述第一目标概率对应的所述预设字符与所述目标字符相同，其中，所述预设字符中至少包括所述待检测关键词中的所有所述目标字符；

根据所述第一目标概率确定所述待检测图像中是否存在所述待检测关键词。

2.根据权利要求1所述的方法，其特征在于，在所述待检测关键词中包含的所述目标字符为多个的情况下，所述根据所述第一目标概率确定所述待检测图像中是否存在所述待检测关键词包括：

计算多个所述第一目标概率的乘积；

将所述乘积确定为第二目标概率，所述第二目标概率为所述待检测图像中存在所述待检测关键词的概率；

在所述第二目标概率大于第一预设阈值的情况下，判定所述待检测图像中存在所述待检测关键词。

3.根据权利要求1所述的方法，其特征在于，在所述待检测关键词中包含的所述目标字符为一个的情况下，所述根据所述第一目标概率确定所述待检测图像中是否存在所述待检测关键词包括：

在所述第一目标概率大于第二预设阈值的情况下，判定所述待检测图像中存在所述待检测关键词。

4.根据权利要求1至3中任一权利要求所述的方法，其特征在于，所述将所述待检测图像输入预设深度学习模型中，以得到一个或多个第一概率包括：

根据所述预设深度学习模型和所述待检测图像获取与所述预设字符一一对应的概率图，所述概率图中包括所述待检测图像中的每个像素点属于所述预设字符的概率；

将所述概率图中最大的概率确定为与所述预设字符一一对应的所述第一概率。

5.一种关键词检测装置，其特征在于，所述装置包括：

获取模块，用于获取待检测图像；

第一处理模块，用于将所述待检测图像输入预设深度学习模型中，以得到一个或多个第一概率，所述第一概率为所述待检测图像中存在一个预设字符的概率，所以预设字符为一个或多个，所述第一概率与所述预设字符一一对应；

第二处理模块，用于根据待检测关键词中包含的一个或多个目标字符从所述第一概率中确定一个或多个第一目标概率，所述第一目标概率对应的所述预设字符与所述目标字符相同，其中，所述预设字符中至少包括所述待检测关键词中的所有所述目标字符；

判断模块，用于根据所述第一目标概率确定所述待检测图像中是否存在所述待检测关键词。

6.根据权利要求5所述的装置，其特征在于，在所述待检测关键词中包含的所述目标字符为多个的情况下，所述判断模块包括：

计算子模块，用于计算多个所述第一目标概率的乘积；

确定子模块，用于将所述乘积确定为第二目标概率，所述第二目标概率为所述待检测图像中存在所述待检测关键词的概率；

第一判断子模块，用于在所述第二目标概率大于第一预设阈值的情况下，判定所述待检测图像中存在所述待检测关键词。

7.根据权利要求5所述的装置，其特征在于，在所述待检测关键词中包含的所述目标字符为一个的情况下，所述判断模块包括：

第二判断子模块，用于在所述第一目标概率大于第二预设阈值的情况下，判定所述待检测图像中存在所述待检测关键词。

8.根据权利要求5-7中任一权利要求所述的装置，其特征在于，所述第一处理模块包括：

第一处理子模块，用于根据所述预设深度学习模型和所述待检测图像获取与所述预设字符一一对应的概率图，所述概率图中包括所述待检测图像中的每个像素点属于所述预设字符的概率；

第二处理子模块，用于将所述概率图中最大的概率确定为与所述预设字符一一对应的所述第一概率。

9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-4中任一项所述方法的步骤。

10.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-4中任一项所述方法的步骤。