CN110674876A - 一种字符检测方法、装置、电子设备及计算机可读介质 - Google Patents

Abstract

本申请公开一种字符检测方法、装置、电子设备及计算机可读介质，属于字符识别技术领域，其中，字符检测方法包括：将获取的待检测图像输入到字符识别模型中以识别待检测图像中的字符，根据字符识别模型的识别结果，确定待检测图像中包含的字符并输出，其中，若确定待检测图像中包含缺陷字符，在所输出的结果中标识缺陷字符，由于字符识别模型是基于缺陷字符样本和非缺陷字符样本进行训练得到的，因此，可借助于字符识别模型识别出待检测图像中包含的缺陷字符和非缺陷字符，并标识缺陷字符。

Description

一种字符检测方法、装置、电子设备及计算机可读介质

技术领域

本申请涉及字符识别技术领域，尤其涉及一种字符检测方法、装置、电子设备及计算机可读介质。

背景技术

随着光学字符识别(Optical Character Recognition，OCR)技术的快速发展，OCR技术逐渐应用到工业领域中。

比如，利用OCR技术识别生产日期、生产批次等喷码字符，但发明人发现喷码机有时会产生缺陷字符，而现有技术中的OCR方案都致力于准确识别喷码字符，并没有对缺陷字符进行检测的方案，也就是说，即便是缺陷字符，现有的OCR方案也努力地把缺陷字符识别为与之最相近的非缺陷字符，这样，厂家难以发现缺陷字符，带有缺陷字符的产品一旦出厂会对厂家造成不好的影响，因此，十分有必要对喷码机产生的字符进行缺陷检测。

发明内容

本申请实施例提供一种字符检测方法、装置、电子设备及计算机可读介质，用以解决现有技术中的OCR方案无法识别出缺陷字符的问题。

第一方面，本申请实施例提供的一种字符检测方法，包括：

获取待检测图像；

将所述待检测图像输入到字符识别模型中以识别所述待检测图像中的字符，所述字符识别模型是基于缺陷字符样本和非缺陷字符样本进行训练得到的；

根据所述字符识别模型的识别结果，确定所述待检测图像中包含的字符并输出，其中，若确定所述待检测图像中包含缺陷字符，在所输出的结果中标识所述缺陷字符。

本申请实施例中，将获取的待检测图像输入到字符识别模型中以识别待检测图像中的字符，根据字符识别模型的识别结果，确定待检测图像中包含的字符并输出，其中，若确定待检测图像中包含缺陷字符，在所输出的结果中标识缺陷字符，并且，字符识别模型是基于缺陷字符样本和非缺陷字符样本进行训练得到的，因此，可借助于字符识别模型识别出待检测图像中包含的缺陷字符和非缺陷字符，并标识缺陷字符。

在一种可能的实施方式中，根据所述字符识别模型的识别结果，确定所述待检测图像中包含的字符，包括：

对所述识别结果中包含的每个字符，若所述字符表示缺陷字符，则确定所述待检测图像中的所述字符为缺陷字符；或者

若所述字符为非缺陷字符，则根据所述字符识别模型输出的所述字符的置信概率，确定所述待检测图像中的所述字符的最终识别结果。

在一种可能的实施方式中，根据所述字符识别模型输出的所述字符的置信概率，确定所述待检测图像中的所述字符的最终识别结果，包括：

若所述字符的置信概率不低于概率阈值，则确定所述待检测图像中的所述字符为所述字符识别模型识别出的字符；或者

若所述字符的置信概率低于所述概率阈值，则确定所述待检测图像中的所述字符为缺陷字符。

在一种可能的实施方式中，通过如下方式输出所述待检测图像中包含的字符：

若确定所述待检测图像中的任一字符为缺陷字符，将指定字符确定为所述字符的输出结果；

若确定所述待检测图像中的任一字符为非缺陷字符，将所述字符识别模型识别出的字符确定为所述字符的输出结果。

在一种可能的实施方式中，通过如下方式训练得到所述字符识别模型：

获取图像样本，所述图像样本包括第一图像样本和第二图像样本，所述第一图像样本中的字符均为非缺陷字符，所述第二图像样本中的字符包括至少一个缺陷字符；

以所述图像样本为输入、且以所述图像样本中各字符的标记信息为输出，对字符识别模型进行训练，其中，对所述图像样本中的每个字符，若该字符属于非缺陷字符，则该字符的标记信息为该字符本身；若该字符属于缺陷字符，则该字符的标记信息为指定字符。

在一种可能的实施方式中，根据以下步骤获取所述第二图像样本：

获取原始图像，所述原始图像中的字符均为非缺陷字符；

对所述原始图像中的至少一个字符所在的区域进行部分遮挡；

将遮挡处理后的所述原始图像确定为所述第二图像样本。

第二方面，本申请实施例提供的一种字符检测装置，包括：

获取模块，用于获取待检测图像；

识别模块，用于将所述待检测图像输入到字符识别模型中以识别所述待检测图像中的字符，所述字符识别模型是基于缺陷字符样本和非缺陷字符样本进行训练得到的；

处理模块，用于根据所述字符识别模型的识别结果，确定所述待检测图像中包含的字符并输出，其中，若确定所述待检测图像中包含缺陷字符，在所输出的结果中标识所述缺陷字符。

在一种可能的实施方式中，所述处理模块具体用于：

对所述识别结果中包含的每个字符，若所述字符表示缺陷字符，则确定所述待检测图像中的所述字符为缺陷字符；或者

若所述字符为非缺陷字符，则根据所述字符识别模型输出的所述字符的置信概率，确定所述待检测图像中的所述字符的最终识别结果。

在一种可能的实施方式中，所述处理模块具体用于：

若所述字符的置信概率不低于概率阈值，则确定所述待检测图像中的所述字符为所述字符识别模型识别出的字符；或者

若所述字符的置信概率低于所述概率阈值，则确定所述待检测图像中的所述字符为缺陷字符。

在一种可能的实施方式中，所述处理模块具体用于通过如下方式输出所述待检测图像中包含的字符：

若确定所述待检测图像中的任一字符为缺陷字符，将指定字符确定为所述字符的输出结果；

若确定所述待检测图像中的任一字符为非缺陷字符，将所述字符识别模型识别出的字符确定为所述字符的输出结果。

在一种可能的实施方式中，通过如下方式训练得到所述字符识别模型：

获取图像样本，所述图像样本包括第一图像样本和第二图像样本，所述第一图像样本中的字符均为非缺陷字符，所述第二图像样本中的字符包括至少一个缺陷字符；

以所述图像样本为输入、且以所述图像样本中各字符的标记信息为输出，对字符识别模型进行训练，其中，对所述图像样本中的每个字符，若该字符属于非缺陷字符，则该字符的标记信息为该字符本身；若该字符属于缺陷字符，则该字符的标记信息为指定字符。

在一种可能的实施方式中，根据以下步骤获取所述第二图像样本：

获取原始图像，所述原始图像中的字符均为非缺陷字符；

对所述原始图像中的至少一个字符所在的区域进行部分遮挡；

将遮挡处理后的所述原始图像确定为所述第二图像样本。

第三方面，本申请实施例提供的一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中：

存储器存储有可被至少一个处理器执行的指令，该指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一字符检测方法。

第四方面，本申请实施例提供的一种计算机可读介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述任一字符检测方法。

本申请的这些方面或其它方面在以下实施例的描述中会更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的一种电子设备的结构示意图；

图2为本申请实施例提供的一种字符检测方法的流程图；

图3为本申请实施例提供的待检测图像中各字符的置信概率分布示意图；

图4为本申请实施例提供的一种字符识别模型建立方法的流程图；

图5为本申请实施例提供的工业生产中真实产生的缺陷字符的示意图；

图6为本申请实施例提供的一种生成的缺陷字符的示意图；

图7为本申请实施例提供的一种字符检测装置的结构示意图。

具体实施方式

为了解决现有技术中的OCR方案无法识别出缺陷字符的问题，本申请实施例提供了一种字符检测方法、装置、电子设备及计算机可读介质。

以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本申请提供的任一种方法均可以应用到多种电子设备中，图1给出了一种电子设备的结构示意图，这里，图1所示的电子设备10仅仅是一个示例，并不对本申请实施例的功能和使用范围带来任何限制。

如图1所示，电子设备10以通用计算设备的形式表现，电子设备10的组件可以包括但不限于：至少一个处理单元101、至少一个存储单元102、连接不同系统组件(包括存储单元102和处理单元101)的总线103。

总线103表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。

存储单元102可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)1021和/或高速缓存存储器1022，还可以进一步包括只读存储器(ROM)1023。

存储单元102还可以包括具有一组(至少一个)程序模块1024的程序/实用工具1025，这样的程序模块1024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

电子设备10也可以与一个或多个外部设备104(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与电子设备10交互的设备通信，和/或与使得该电子设备10能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口105进行。并且，电子设备10还可以通过网络适配器106与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图1所示，网络适配器106通过总线103与用于电子设备10的其它模块通信。应当理解，尽管图1中未示出，可以结合电子设备10使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

本领域技术人员应当理解，图1仅仅是电子设备的举例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

参照图2，图2为本申请实施例提供的一种字符检测方法的流程图，在下文的介绍过程中，以将该方法应用在图1所示的电子设备10为例，该方法的具体实施流程如下：

S201：获取待检测图像。

其中，待检测图像中包含有至少一个字符，且待检测图像中的各字符可以是喷码机产生的字符，也可以是其它形式产生的字符如手写字符、打印字符等。

S202：将待检测图像输入到字符识别模型中以识别待检测图像中的字符，其中，字符识别模型是基于缺陷字符样本和非缺陷字符样本进行训练得到的。

其中，非缺陷字符包括汉字、字母、数字、特殊符号中的一类或多类，其中，字母如“a～z”、“A～Z”，数字如“0～9”，特殊符号如“*”、“/”、“+”、“～”、“&”、“#、”等。

现有技术中的OCR方案都致力于提高字符的识别准确率，所以在训练字符识别模型阶段，即便图像样本中存在个别的缺陷字符，也将缺陷字符用与缺陷字符最相近的一个非缺陷字符进行标记，这样，字符识别模型最终学习到的是缺陷字符与各非缺陷字符之间的共同特征，利用建立的字符识别模型并不能识别出图像中的缺陷字符。

为此，本申请实施例中，预先生成多种多样的缺陷字符，并用指定字符(除非缺陷字符之外的字符比如问号、逗号等)或文字信息(如“缺陷字符”)表示各缺陷字符，然后，基于缺陷字符样本和非缺陷字符样本训练字符识别模型，并且，在训练字符识别模型时，对每个缺陷字符，调整字符识别模型的参数使缺陷字符取指定字符的概率最大，即，使字符识别模型在识别到缺陷字符时输出指定字符，这样，字符识别模型不再是将缺陷字符识别为与之最相似的非缺陷字符，而是对每个字符，在确定该字符与各非缺陷字符之间的差异均足够大时，将该字符识别为缺陷字符，因此，利用建立的字符识别模型既能识别出图像中的非缺陷字符，又能识别出图像中的缺陷字符。

S203：根据字符识别模型的识别结果，确定待检测图像中包含的字符。

其中，字符识别模型的识别结果字可以仅包含模型识别出的待检测图像中的字符，也可以包含模型识别出的待检测图像中的字符和各字符的置信概率。

在通过字符识别模型得到待检测图像的识别结果后，可以采用如下方式确定待检测图像中包含的字符：

在一种可能的实施方式中，可以将字符识别模型输出的识别结果直接确定为待检测图像中包含的字符。

具体地，对识别结果中包含的每个字符，若该字符表示缺陷字符，即该字符为指定字符，则确定待检测图像中的该字符为缺陷字符；否则，确定待检测图像中的该字符为非缺陷字符，即确定待检测图像中的该字符为字符识别模型识别出的字符。

比如，用“？”表示缺陷字符，且字符识别模型输出的识别结果为“0，？，1，5”，那么，确定待检测图像中包含的字符为“0，？，1，5”。

在另一种可能的实施方式中，考虑到字符识别模型是取置信概率最大的字符作为识别结果，而现实环境中对缺陷字符其实并没有明确的定义，只存在“长得不那么标准”的字符，仅以字符识别模型的识别结果来确定待检测图像中包含字符有可能不够准确，因此，对识别结果中包含的每个字符，当该字符为非缺陷字符时，还可结合字符识别模型输出的该字符的置信概率，进一步确定待检测图像中的该字符的最终识别结果。

具体地，若该字符的置信概率不低于概率阈值，则确定待检测图像中的该字符为字符识别模型识别出的字符；或者，若该字符的置信概率低于概率阈值，则确定待检测图像中的该字符为缺陷字符。

其中，概率阈值可以由本领域技术人员根据经验设置或根据仿真结果设置，并且，概率阈值可根据应用场景的不同而配置为不同值，比如，对缺陷字符检测相对比较严格的场景，设置较大的概率阈值；对缺陷字符检测相对不那么严格的场景，设置较小的概率阈值。

这样，对字符识别模型输出的识别结果中包含的每个字符，即便该字符不为非缺陷字符，但若确定字符识别模型输出的该字符的置信概率低于概率阈值比如0.8，仍然认定待检测图像中的该字符为缺陷字符，对缺陷字符的识别更加严格。

S204：输出待检测图像中包含的字符，其中，若确定待检测图像中包含缺陷字符，在所输出的结果中标识该缺陷字符。

具体实施时，若确定待检测图像中的任一字符为缺陷字符，则将指定字符确定为该字符的输出结果，例如，为了直观地提示用户待检测图像中存在缺陷字符，可以“？”作为待检测图像中缺陷字符的输出结果；若确定待检测图像中的任一字符为非缺陷字符，则将字符识别模型识别出的字符确定为该字符的输出结果。

举例说明，假设确定待检测图像中存在4个字符，并且，第1个字符的最终识别结果为“0”，第2个字符的最终识别结果为缺陷字符，第3个字符的最终识别结果为“1”，第4个字符的最终识别结果为“5”。那么，最终的输出结果为“0，？，1，5”。

具体实施时，若确定待检测图像中的任一字符为缺陷字符，可标识该字符的位置；若确定待检测图像中的任一字符为非缺陷字符，则将字符识别模型识别出的字符确定为该字符的输出结果。

举例说明，上述情况，最终的输出结果可以为“0，1，5，在第1个字符和第2个字符之间存在缺陷字符”，最终的输出结果也可以为“0，1，5，在字符‘0’和字符‘1’之间存在缺陷字符”。

下面结合具体的实施例对上述过程进行介绍。

具体实施时，将待检测图像输入到字符识别模型中后，字符识别模型可得到待检测图像中每个字符在预设字符集之间的置信概率分布情况。假设待检测图像中各字符的置信概率分布情况如图3所示，其中，字符的位置编号分别为：index1，index2、index3、index4。

以index1为例，index1位置的字符在非缺陷字符“0”、“1”、“2”、“3”、“4”、“5”和缺陷字符之间的置信概率依次为：0.4000，0.18，0.12，0.02，0.0500，0.0500，……，0.2000，因为缺陷字符也会有置信概率，因此，可拉低index1位置的字符在非缺陷字符“0”、“1”、“2”、“3”、“4”、“5”之间的总置信概率，从而指导字符识别模型中的分类器得出恰当的置信概率分布情况。

假设用“？”表示缺陷字符，且字符识别模型取置信概率最大的字符作为识别结果，则针对图3的情况，字符识别模型的识别结果为“0，1，？，5”。

当直接以字符识别模型的识别结果作为待检测图像中包含的字符时，针对图3的情况，最终确定的待检测图像中包含的字符为“0，1，？，5”。

另外，由于字符识别模型是取置信概率最大的字符作为识别结果，考虑到以字符识别模型的识别结果来确定待检测图像中包含字符有可能不够准确，对字符识别模型判定为非缺陷字符的字符，还可结合字符识别模型输出的该字符的置信概率进一步确定待检测图像中该字符的最终识别结果。

比如，对字符识别模型识别为非缺陷字符的每个字符，若该字符的置信概率低于0.8也可将该字符确定为缺陷字符，此时，针对图3的情况，最终确定的待检测图像中包含的字符为“？，1，？，5”。

基于上述任一实施例，本申请实施例中，上述字符识别模型可以按照图4所示的流程建立，该流程包括以下步骤：

S401：获取图像样本，其中，图像样本包括第一图像样本和第二图像样本，第一图像样本中的字符均为非缺陷字符，第二图像样本中的各字符包括至少一个缺陷字符。

假设非缺陷字符集为0-9的数字，那么第二图像样本中的缺陷字符可覆盖0-9中每个字符的缺陷情况，并且，对0-9中的每个字符，缺陷字符也可以有多种，也就是说，第二图像样本中缺陷字符的类型是多种多样的，以求尽可能地覆盖到真实场景中的字符缺陷情况，进而提升最终训练的字符识别模型的准确率。

具体实施时，可获取大量的第一图像样本和大量的第二图像样本，并且，考虑到实际应用中缺陷字符的个数会较少，所以第一图像样本的数量可多于第二图像样本的数量，比如第一图像样本和第二图像样本的数量比可以为9:1，这样，比较贴合真实场景下缺陷字符的出现概率，可进一步提高最终训练得到的字符识别模型的准确率。

另外，因为现实环境中对缺陷字符其实并没有明确的定义，只存在“长得不那么标准”的字符，一些缺陷字符和非缺陷字符很相似，比如少了尾巴的“J”比较像非缺陷字符“1”，所以本申请实施例用表示缺陷字符的指定字符或文字来强调缺陷字符的存在，而指定字符或文字的存在可拉低非缺陷字符的总置信概率，利于指导字符识别模型中的分类器得出恰当的置信概率分布情况。

并且，考虑到实际生产中的缺陷字符比较少，想要获取到足够多的第二图像样本的时间成本会比较高，本申请实施例还提供一种生成缺陷字符的方法。

具体地，获取原始图像，其中，原始图像中的各字符为非缺陷字符、且原始图像中每个字符的所在区域已预先标记，然后对原始图像中的至少一个字符所在的区域进行部分遮挡，比如随机选择一个或多个字符，对这些字符的所在区域进行遮挡，再比如直接选择一个或多个字符的所在区域进行遮挡，进而将遮挡处理后的原始图像确定为第二图像样本。

这样，仅遮挡了字符的部分信息可使最终得到的缺陷字符更符合工业生产中自然产生的缺陷字符。图5为本申请实施提供的利用上述方法生成的缺陷字符的示意图；图6为本申请实施提供的工业生产中真实产生的缺陷字符的示意图，其中，箭头所指位置的字符为缺陷字符，可以看出，两者比较接近，因此，以遮挡处理后的原始图像作为第二图像样本可提升最终训练得到的字符识别模型对缺陷字符的识别率。

S402：以图像样本为输入、且以图像样本中各字符的标记信息为输出，对字符识别模型进行训练，其中，对图像样本中的每个字符，若该字符属于非缺陷字符，则该字符的标记信息为该字符本身；若该字符属于缺陷字符，则该字符的标记信息为指定字符。

举例说明，假设非缺陷字符为“0～9、A～Z”，每个非缺陷字符用该字符本身进行标记，缺陷字符用“？”进行标记，那么，图5中各字符的标记信息为“？J1？？0？874？CC”，图6中各字符的标记信息为“B？19C008744CC”。

具体实施时，可将图像样本输入到给定的网络模型中，根据网络模型的输出结果和图像样本的标注信息确定对图像样本中字符的识别误差，进而根据该识别误差调整网络模型的参数，直至对图像样本中字符的识别误差小于误差阈值时，将网络模型确定为建立的字符识别模型。

当本申请实施例中提供的方法以软件或硬件或软硬件结合实现的时候，电子设备中可以包括多个功能模块，每个功能模块可以包括软件、硬件或其结合。

具体的，参见图7所示，为本申请实施例提供的一种字符检测装置的结构示意图，包括获取模块701、识别模块702、处理模块703。

获取模块701，用于获取待检测图像；

识别模块702，用于将所述待检测图像输入到字符识别模型中以识别所述待检测图像中的字符，所述字符识别模型是基于缺陷字符样本和非缺陷字符样本进行训练得到的；

处理模块703，用于根据所述字符识别模型的识别结果，确定所述待检测图像中包含的字符并输出，其中，若确定所述待检测图像中包含缺陷字符，在所输出的结果中标识所述缺陷字符。

在一种可能实施方式中，所述处理模块703具体用于：

对所述识别结果中包含的每个字符，若所述字符表示缺陷字符，则确定所述待检测图像中的所述字符为缺陷字符；或者

若所述字符为非缺陷字符，则根据所述字符识别模型输出的所述字符的置信概率，确定所述待检测图像中的所述字符的最终识别结果。

在一种可能实施方式中，所述处理模块703具体用于：

若所述字符的置信概率不低于概率阈值，则确定所述待检测图像中的所述字符为所述字符识别模型识别出的字符；或者

若所述字符的置信概率低于所述概率阈值，则确定所述待检测图像中的所述字符为缺陷字符。

在一种可能实施方式中，所述处理模块703具体用于通过如下方式输出所述待检测图像中包含的字符：

若确定所述待检测图像中的任一字符为缺陷字符，将指定字符确定为所述字符的输出结果；

若确定所述待检测图像中的任一字符为非缺陷字符，将所述字符识别模型识别出的字符确定为所述字符的输出结果。

在一种可能实施方式中，通过如下方式训练得到所述字符识别模型：

获取图像样本，所述图像样本包括第一图像样本和第二图像样本，所述第一图像样本中的字符均为非缺陷字符，所述第二图像样本中的字符包括至少一个缺陷字符；

以所述图像样本为输入、且以所述图像样本中各字符的标记信息为输出，对字符识别模型进行训练，其中，对所述图像样本中的每个字符，若该字符属于非缺陷字符，则该字符的标记信息为该字符本身；若该字符属于缺陷字符，则该字符的标记信息为指定字符。

在一种可能实施方式中，根据以下步骤获取所述第二图像样本：

获取原始图像，所述原始图像中的字符均为非缺陷字符；

对所述原始图像中的至少一个字符所在的区域进行部分遮挡；

将遮挡处理后的所述原始图像确定为所述第二图像样本。

本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本申请各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。各个模块相互之间的耦合可以是通过一些接口实现，这些接口通常是电性通信接口，但是也不排除可能是机械接口或其它的形式接口。因此，作为分离部件说明的模块可以是或者也可以不是物理上分开的，既可以位于一个地方，也可以分布到同一个或不同设备的不同位置上。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

本申请实施例还提供了一种计算机可读存储介质，存储为执行上述处理器所需执行的计算机可执行指令，其包含用于执行上述处理器所需执行的程序。

在一些可能的实施方式中，本申请提供的字符检测方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在电子设备上运行时，所述程序代码用于使所述电子设备执行本说明书上述描述的根据本申请各种示例性实施方式的字符检测方法中的步骤。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

本申请的实施方式的用于字符检测的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备上运行。然而，本申请的程序产品不限于此，在本文件中，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。

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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

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——无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。

此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种字符检测方法，其特征在于，包括：

获取待检测图像；

将所述待检测图像输入到字符识别模型中以识别所述待检测图像中的字符，所述字符识别模型是基于缺陷字符样本和非缺陷字符样本进行训练得到的；

根据所述字符识别模型的识别结果，确定所述待检测图像中包含的字符并输出，其中，若确定所述待检测图像中包含缺陷字符，在所输出的结果中标识所述缺陷字符。

2.如权利要求1所述的方法，其特征在于，根据所述字符识别模型的识别结果，确定所述待检测图像中包含的字符，包括：

对所述识别结果中包含的每个字符，若所述字符表示缺陷字符，则确定所述待检测图像中的所述字符为缺陷字符；或者

若所述字符为非缺陷字符，则根据所述字符识别模型输出的所述字符的置信概率，确定所述待检测图像中的所述字符的最终识别结果。

3.如权利要求2所述的方法，其特征在于，根据所述字符识别模型输出的所述字符的置信概率，确定所述待检测图像中的所述字符的最终识别结果，包括：

若所述字符的置信概率不低于概率阈值，则确定所述待检测图像中的所述字符为所述字符识别模型识别出的字符；或者

若所述字符的置信概率低于所述概率阈值，则确定所述待检测图像中的所述字符为缺陷字符。

4.如权利要求1～3任一所述的方法，其特征在于，通过如下方式输出所述待检测图像中包含的字符：

若确定所述待检测图像中的任一字符为缺陷字符，将指定字符确定为所述字符的输出结果；

若确定所述待检测图像中的任一字符为非缺陷字符，将所述字符识别模型识别出的字符确定为所述字符的输出结果。

5.如权利要求1所述的方法，其特征在于，通过如下方式训练得到所述字符识别模型：

获取图像样本，所述图像样本包括第一图像样本和第二图像样本，所述第一图像样本中的字符均为非缺陷字符，所述第二图像样本中的字符包括至少一个缺陷字符；

以所述图像样本为输入、且以所述图像样本中各字符的标记信息为输出，对字符识别模型进行训练，其中，对所述图像样本中的每个字符，若该字符属于非缺陷字符，则该字符的标记信息为该字符本身；若该字符属于缺陷字符，则该字符的标记信息为指定字符。

6.如权利要求5所述的方法，其特征在于，根据以下步骤获取所述第二图像样本：

获取原始图像，所述原始图像中的字符均为非缺陷字符；

对所述原始图像中的至少一个字符所在的区域进行部分遮挡；

将遮挡处理后的所述原始图像确定为所述第二图像样本。

7.一种字符检测装置，其特征在于，包括：

获取模块，用于获取待检测图像；

识别模块，用于将所述待检测图像输入到字符识别模型中以识别所述待检测图像中的字符，所述字符识别模型是基于缺陷字符样本和非缺陷字符样本进行训练得到的；

处理模块，用于根据所述字符识别模型的识别结果，确定所述待检测图像中包含的字符并输出，其中，若确定所述待检测图像中包含缺陷字符，在所输出的结果中标识所述缺陷字符。

8.如权利要求7所述的装置，其特征在于，所述处理模块具体用于：

对所述识别结果中包含的每个字符，若所述字符表示缺陷字符，则确定所述待检测图像中的所述字符为缺陷字符；或者

若所述字符为非缺陷字符，则根据所述字符识别模型输出的所述字符的置信概率，确定所述待检测图像中的所述字符的最终识别结果。

9.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中：

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6任一权利要求所述的方法。

10.一种计算机可读介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行如权利要求1至6任一权利要求所述的方法。

Images