CN111832547A - 文字识别模型的动态部署方法、装置和计算机设备 - Google Patents
文字识别模型的动态部署方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111832547A CN111832547A CN202010591029.7A CN202010591029A CN111832547A CN 111832547 A CN111832547 A CN 111832547A CN 202010591029 A CN202010591029 A CN 202010591029A CN 111832547 A CN111832547 A CN 111832547A
- Authority
- CN
- China
- Prior art keywords
- client
- clients
- character recognition
- recognition model
- character
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000006854 communication Effects 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 19
- 238000012795 verification Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 2
- 238000012015 optical character recognition Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Character Discrimination (AREA)
Abstract
本申请揭示了一种文字识别模型的动态部署方法、装置、计算机设备和存储介质，所述方法包括：获取与所述服务器保持通信连接的多个客户端；选出多个第一客户端；向多个第一客户端发送部署文字识别模型的请求，并接收返回结果；若多个第一客户端对应返回的结果均为同意，则分别获取所述多个第一客户端的操作系统数据，并调取多个第一文字识别模型镜像；将多个第一文字识别模型镜像对应发送给多个第一客户端，并要求多个第一客户端对应运行所述第一文字识别模型镜像，从而完成文字识别模型的动态部署。从而减轻了服务器压力并且强化了文字识别的即时性。本方案可应用于智慧教育领域中，从而推动智慧城市的建设。
Description
技术领域
本申请涉及人工智能领域，特别是涉及到一种文字识别模型的动态部署 方法、装置、计算机设备和存储介质。
背景技术
文字识别技术能够将图片中的文字识别为文字文本，从而提高了信息输 入的效率，因此文字识别技术已广泛应用于各行各业。传统的文字识别方法， 其采用的文字识别工具或文字识别模型，是部署在服务器上的，当客户端需 要进行文字识别时，将待识别的文字图片发送至服务器，待服务器上的文字 识别工具或文字识别模型识别出文字文本后，再发送给客户端。这种传统的 文字识别方式，存在即时性弱(与服务器的沟通过程需要花费额外时间)，服 务器压力大等缺陷。
发明内容
本申请的主要目的为提供一种文字识别模型的动态部署方法、装置、计 算机设备和存储介质，旨在提高即时性，并减轻服务器的压力。
为了实现上述发明目的，本申请提出一种文字识别模型的动态部署方法， 应用于服务器，包括：
获取与所述服务器保持通信连接的多个客户端；
根据预设的客户端筛选方法，从所述多个客户端中选出多个第一客户端；
向所述多个第一客户端发送部署文字识别模型的请求，并接收所述多个 第一客户端对应于所述部署文字识别模型的请求的返回结果，所述返回结果 包括同意或者不同意；
判断所述多个第一客户端对应返回的结果是否为同意；
若所述多个第一客户端对应返回的结果均为同意，则分别获取所述多个 第一客户端的操作系统数据，并根据预设的操作系统与镜像的对应关系，调 取与所述多个第一客户端的操作系统数据分别对应的多个第一文字识别模型 镜像；
将所述多个第一文字识别模型镜像对应发送给所述多个第一客户端，并 要求所述多个第一客户端对应运行所述第一文字识别模型镜像，从而完成文 字识别模型的动态部署。
进一步地，所述根据预设的客户端筛选方法，从所述多个客户端中选出 多个第一客户端的步骤,包括：
获取所述多个客户端的定位位置；
根据所述定位位置，将所述多个客户端划分为多个客户端集群，其中属 于同一个客户端集群中的任意两个客户端之间的距离不大于预设的距离阈值；
获取所述多个客户端的可用内存数据a1、活跃时长a2、数据传输速度a3， 并生成第一向量A，其中第一向量A＝(a1,a2,a3)；
调取预设的权重向量B，其中权重向量B＝(b1,b2,b3)，b1为与所述可用 内存数据a1对应的第一参数，b2为与所述活跃时长a2对应的第二参数，b3 为与所述数据传输速度a3对应的第三参数；
根据公式：
进一步地，所述判断所述多个第一客户端对应返回的结果是否为同意的 步骤之后，包括：
若所述多个第一客户端对应返回的结果不均为同意，则执行替换操作， 以将所述返回结果为不同意的第一客户端替换为同一个客户端集群中的备用 客户端；其中所述备用客户端指，选择因子C数值仅小于同一个客户端集群 中的第一客户端的客户端；
向所述备用客户端发送部署文字识别模型的请求，并接收所述备用客户 端对应于所述部署文字识别模型的请求的返回结果；
判断所述备用客户端对应返回的结果是否为同意；
若所述备用客户端对应返回的结果均为同意，则分别获取执行替换操作 后的多个第一客户端的操作系统数据，并根据预设的操作系统与镜像的对应 关系，调取与所述执行替换操作后的多个第一客户端的操作系统数据分别对 应的多个第二文字识别模型镜像；
将所述多个第二文字识别模型镜像对应发送给所述执行替换操作后的多 个第一客户端，并要求所述执行替换操作后的多个第一客户端对应运行所述 第二文字识别模型镜像，从而完成文字识别模型的动态部署。
进一步地，所述文字识别模型基于tensorflow.js框架训练而成，所述若所 述多个第一客户端对应返回的结果均为同意，则分别获取所述多个第一客户 端的操作系统数据，并根据预设的操作系统与镜像的对应关系，调取与所述 多个第一客户端的操作系统数据分别对应的多个第一文字识别模型镜像的步 骤之前，包括：
调取预设的基于tensorflow.js框架的机器学习模型，以及调取预设的样本 数据，所述样本数据包括预先收集的文字图片和所述文字图片对应的文字文 本；
将所述样本数据按预设比例划分为训练数据和验证数据；
采用所述训练数据对所述机器学习模型进行训练，从而得到训练后模型；
采用所述验证数据对所述训练后模型进行验证，并判断验证结果是否为 通过；
若验证结果为通过，则将所述训练后模型记为文字识别模型。
本申请提供一种文字图像识别方法，应用于如上述任一项所述的第一客 户端，所述第一客户端位于预设的客户端集群中，包括：
接收第二客户端发送的文字图像识别请求，所述文字图像识别请求携带 有待识别的文字图片；
判断所述第二客户端是否与所述第一客户端处于相同的客户端集群中；
若所述第二客户端与所述第一客户端处于相同的客户端集群中，则获取 所述第一客户端的可用内存数据，并判断所述可用内存数据是否大于预设的 内存阈值；
若所述可用内存数据大于预设的内存阈值，则采用所述第一客户端的文 字识别模型，对所述待识别的文字图片进行识别处理，从而得到识别文字文 本；
将所述识别文字文本发送给所述第二客户端。
进一步地，所述判断所述第二客户端是否与所述第一客户端处于相同的 客户端集群中的步骤之后，包括：
若所述第二客户端与所述第一客户端不处于相同的客户端集群中，则采 用所述第一客户端的文字识别模型，对所述待识别的文字图片进行识别处理， 从而得到识别文字文本；
将识别文字文本发送给所述第二客户端，向所述第二客户端发送客户端 集群不同的提醒信息，并将所述第二客户端加入预设的禁止名单中，其中所 述禁止名单中记载的客户端发送的OCR识别请求将被拒绝。
本申请提供一种文字识别模型的动态部署装置，应用于服务器，包括：
客户端获取单元，用于获取与所述服务器保持通信连接的多个客户端；
客户端筛选单元，用于根据预设的客户端筛选方法，从所述多个客户端 中选出多个第一客户端；
返回结果接收单元，用于向所述多个第一客户端发送部署文字识别模型 的请求，并接收所述多个第一客户端对应于所述部署文字识别模型的请求的 返回结果，所述返回结果包括同意或者不同意；
返回结果判断单元，用于判断所述多个第一客户端对应返回的结果是否 为同意；
操作系统数据获取单元，用于若所述多个第一客户端对应返回的结果均 为同意，则分别获取所述多个第一客户端的操作系统数据，并根据预设的操 作系统与镜像的对应关系，调取与所述多个第一客户端的操作系统数据分别 对应的多个第一文字识别模型镜像；
文字识别模型动态部署单元，用于将所述多个第一文字识别模型镜像对 应发送给所述多个第一客户端，并要求所述多个第一客户端对应运行所述第 一文字识别模型镜像，从而完成文字识别模型的动态部署。
本申请提供一种文字图像识别装置，其特征在于，应用于如前述任一项 所述的第一客户端，所述第一客户端位于预设的客户端集群中，包括：
文字图像识别请求接收单元，用于接收第二客户端发送的文字图像识别 请求，所述文字图像识别请求携带有待识别的文字图片；
客户端集群判断单元，用于判断所述第二客户端是否与所述第一客户端 处于相同的客户端集群中；
可用内存数据判断单元，用于若所述第二客户端与所述第一客户端处于 相同的客户端集群中，则获取所述第一客户端的可用内存数据，并判断所述 可用内存数据是否大于预设的内存阈值；
识别文字文本获取单元，用于若所述可用内存数据大于预设的内存阈值， 则采用所述第一客户端的文字识别模型，对所述待识别的文字图片进行识别 处理，从而得到识别文字文本；
识别文字文本发送单元，用于将所述识别文字文本发送给所述第二客户 端。
本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有 计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的 步骤。
本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计 算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的文字识别模型的动态部署方法、装置、计算机设备和存储介质， 获取与所述服务器保持通信连接的多个客户端；从所述多个客户端中选出多 个第一客户端；向所述多个第一客户端发送部署文字识别模型的请求，并接 收所述多个第一客户端对应于所述部署文字识别模型的请求的返回结果；若 所述多个第一客户端对应返回的结果均为同意，则分别获取所述多个第一客 户端的操作系统数据，并调取与所述多个第一客户端的操作系统数据分别对 应的多个第一文字识别模型镜像；将所述多个第一文字识别模型镜像对应发 送给所述多个第一客户端，并要求所述多个第一客户端对应运行所述第一文 字识别模型镜像，从而完成文字识别模型的动态部署。从而减轻了服务器压 力并且强化了文字识别的即时性。其中，由于不是在所有的客户端中均部署 文字识别模型，因此部署更加容易，并且由于是部署在客户端，因此可利用 客户端中的闲置算力进行文字识别。并且，本申请采用的是动态部署方法， 即选出的第一客户端并非是静态不变的(即，本申请是从与所述服务器保持 通信连接的多个客户端选出第一客户端，因此保持通信连接的客户端发生变 化时，选出的第一客户端也会相应动态变化)，从而使得本申请的适应性更强。
附图说明
图1为本申请一实施例的文字识别模型的动态部署方法的流程示意图；
图2为本申请一实施例的文字识别模型的动态部署装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步 说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及 实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例 仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例提供一种文字识别模型的动态部署方法，应用于 服务器，包括：
S1、获取与所述服务器保持通信连接的多个客户端；
S2、根据预设的客户端筛选方法，从所述多个客户端中选出多个第一客 户端；
S3、向所述多个第一客户端发送部署文字识别模型的请求，并接收所述 多个第一客户端对应于所述部署文字识别模型的请求的返回结果，所述返回 结果包括同意或者不同意；
S4、判断所述多个第一客户端对应返回的结果是否为同意；
S5、若所述多个第一客户端对应返回的结果均为同意，则分别获取所述 多个第一客户端的操作系统数据，并根据预设的操作系统与镜像的对应关系， 调取与所述多个第一客户端的操作系统数据分别对应的多个第一文字识别模 型镜像；
S6、将所述多个第一文字识别模型镜像对应发送给所述多个第一客户端， 并要求所述多个第一客户端对应运行所述第一文字识别模型镜像，从而完成 文字识别模型的动态部署。
本申请采用特殊的文字识别模型的动态部署方法，在部分客户端(即第 一客户端)中部署文字识别模型，以提高即时性，并减轻服务器的压力。其 中，由于不是在所有的客户端中均部署文字识别模型，因此部署更加容易， 并且由于是部署在客户端，因此可利用客户端中的闲置算力进行文字识别。 并且，本申请采用的是动态部署方法，即选出的第一客户端并非是静态不变 的(即，本申请是从与所述服务器保持通信连接的多个客户端选出第一客户 端，因此保持通信连接的客户端发生变化时，选出的第一客户端也会相应动态变化)，从而使得本申请的适应性更强。
如上述步骤S1所述，获取与所述服务器保持通信连接的多个客户端。其 中，所述服务器不再承担文字识别的任务，或者，所述服务器不再承担主要 的文字识别的任务，因此服务器的压力大大减轻，从而避免了传统的文字识 别方法在短时间内接收到大量文字识别任务时造成的服务器崩溃的可能。
如上述步骤S2所述，根据预设的客户端筛选方法，从所述多个客户端中 选出多个第一客户端。其中，所述第一客户端是意图作为部署终端的客户端， 因此优选能够在部署文字识别模型后，能够稳定且快速地完成文字识别任务 的客户端作为第一客户端。其中，所述客户端筛选方法可为任意可行方法， 例如：调用预设的地图，所述地图中预设划分有多个区块，在每个区块的中 心区域选出至少一个客户端作为第一客户端(选取规则为：所述第一客户端 的在线时长大于预设的时长阈值、闲置内存大于预设的内存阈值)。
如上述步骤S3所述，向所述多个第一客户端发送部署文字识别模型的请 求，并接收所述多个第一客户端对应于所述部署文字识别模型的请求的返回 结果，所述返回结果包括同意或者不同意。由于客户端并非是服务器所控制 的终端，因此需要得到第一客户端的允许才能在第一客户端中部署文字识别 模型。因此，向所述多个第一客户端发送部署文字识别模型的请求，并接收 所述多个第一客户端对应于所述部署文字识别模型的请求的返回结果。
如上述步骤S4所述，判断所述多个第一客户端对应返回的结果是否为同 意。在第一客户端对应返回的结果为同意的情况下，才能够进行文字识别模 型的部署。进一步地，为了提高第一客户端对应的用户参与部署文字识别模 型的积极性，本申请还采用奖励金规则，所述奖励金规则指所述第一客户端 成功部署文字识别模型后，给予对应用户预设数额的奖励金。进一步地，所 述奖励金规则还包括，当所述第一客户端完成一次来自于其他客户端的文字 识别任务后，给予另一预设数额的奖励金，从而使得文字识别模型的部署与使用更为顺畅。
如上述步骤S5所述，若所述多个第一客户端对应返回的结果均为同意， 则分别获取所述多个第一客户端的操作系统数据，并根据预设的操作系统与 镜像的对应关系，调取与所述多个第一客户端的操作系统数据分别对应的多 个第一文字识别模型镜像。为了进一步提高部署效率，本申请预先设置有对 应于不同操作系统的镜像，以方便在不同的系统中进行快速部署文字识别模 型。例如，当操作系统为安卓系统时，与操作系统为IOS系统时，采用不同 的镜像，从而提高部署效率。
如上述步骤S6所述，将所述多个第一文字识别模型镜像对应发送给所述 多个第一客户端，并要求所述多个第一客户端对应运行所述第一文字识别模 型镜像，从而完成文字识别模型的动态部署。本申请的服务器将多个第一文 字识别模型镜像对应发送给所述多个第一客户端，因此每个第一客户端均能 接收到对应的第一文字识别模型镜像，再运行对应的第一文字识别模型镜像， 即可完成文字识别模型的动态部署。进一步地，本申请还可以采用获取远程 授权的方式，以提高部署的成功率，例如，将所述多个第一文字识别模型镜 像对应发送给所述多个第一客户端，并获取所述多个第一客户端的远程控制 权限，再利用所述远程控制权限在所述多个第一客户端中分别运行所述第一 文字识别模型镜像，从而完成文字识别模型的动态部署。
在一个实施方式中，所述根据预设的客户端筛选方法，从所述多个客户 端中选出多个第一客户端的步骤S2,包括：
S201、获取所述多个客户端的定位位置；
S202、根据所述定位位置，将所述多个客户端划分为多个客户端集群， 其中属于同一个客户端集群中的任意两个客户端之间的距离不大于预设的距 离阈值；
S203、获取所述多个客户端的可用内存数据a1、活跃时长a2、数据传输 速度a3，并生成第一向量A，其中第一向量A＝(a1,a2,a3)；
S204、调取预设的权重向量B，其中权重向量B＝(b1,b2,b3)，b1为与所 述可用内存数据a1对应的第一参数，b2为与所述活跃时长a2对应的第二参 数，b3为与所述数据传输速度a3对应的第三参数；
S205、根据公式：
如上所述，实现了根据预设的客户端筛选方法，从所述多个客户端中选 出多个第一客户端。本申请先根据所述定位位置，将所述多个客户端划分为 多个客户端集群。从而每个客户端集群中的客户端在空间距离上较为相近， 再在每个客户端集群中均选出一个客户端作为第一客户端，此时第一客户端 在部署完文字识别模型后，由于距离相近，因此在信号传输的时间将大大减 少，从而有利于提高文字识别的即时性。其中，本申请还采用获取所述多个 客户端的可用内存数据a1、活跃时长a2、数据传输速度a3，并生成第一向量A，其中第一向量A＝(a1,a2,a3)；调取预设的权重向量B，其中权重向量B＝ (b1,b2,b3)，b1为与所述可用内存数据a1对应的第一参数，b2为与所述活 跃时长a2对应的第二参数，b3为与所述数据传输速度a3对应的第三参数； 根据公式：
在一个实施方式中，所述判断所述多个第一客户端对应返回的结果是否 为同意的步骤S4之后，包括：
S411、若所述多个第一客户端对应返回的结果不均为同意，则执行替换 操作，以将所述返回结果为不同意的第一客户端替换为同一个客户端集群中 的备用客户端；其中所述备用客户端指，选择因子C数值仅小于同一个客户 端集群中的第一客户端的客户端；
S412、向所述备用客户端发送部署文字识别模型的请求，并接收所述备 用客户端对应于所述部署文字识别模型的请求的返回结果；
S413、判断所述备用客户端对应返回的结果是否为同意；
S414、若所述备用客户端对应返回的结果均为同意，则分别获取执行替 换操作后的多个第一客户端的操作系统数据，并根据预设的操作系统与镜像 的对应关系，调取与所述执行替换操作后的多个第一客户端的操作系统数据 分别对应的多个第二文字识别模型镜像；
S415、将所述多个第二文字识别模型镜像对应发送给所述执行替换操作 后的多个第一客户端，并要求所述执行替换操作后的多个第一客户端对应运 行所述第二文字识别模型镜像，从而完成文字识别模型的动态部署。
如上所述，实现了要求所述执行替换操作后的多个第一客户端对应运行 所述第二文字识别模型镜像，从而完成文字识别模型的动态部署。若所述多 个第一客户端对应返回的结果均为同意，那么可直接进行部署操作。但是， 若所述多个第一客户端对应返回的结果不均为同意，由于服务器不具有客户 端的控制权限，因此无法强行部署，因此不同意的第一客户端的集群将无法 进行文字识别模型的部署。作为替换，本申请采用执行替换操作，以将所述 返回结果为不同意的第一客户端替换为同一个客户端集群中的备用客户端的 方式，选取客户端集群中的次优客户端(即备用客户端)作为第一客户端， 并在备用客户端同意部署文字识别模型后，进行第二文字识别模型镜像的发 送，并要求所述执行替换操作后的多个第一客户端对应运行所述第二文字识 别模型镜像，从而完成文字识别模型的动态部署。进一步地，所述备用客户 端对应返回的结果不均为同意，则重新替换操作，直至所有的返回的结果均 为同意之后，再进行文字识别模型的部署操作。
在一个实施方式中，所述文字识别模型基于tensorflow.js框架训练而成， 所述若所述多个第一客户端对应返回的结果均为同意，则分别获取所述多个 第一客户端的操作系统数据，并根据预设的操作系统与镜像的对应关系，调 取与所述多个第一客户端的操作系统数据分别对应的多个第一文字识别模型 镜像的步骤S5之前，包括：
S421、调取预设的基于tensorflow.js框架的机器学习模型，以及调取预设 的样本数据，所述样本数据包括预先收集的文字图片和所述文字图片对应的 文字文本；
S422、将所述样本数据按预设比例划分为训练数据和验证数据；
S423、采用所述训练数据对所述机器学习模型进行训练，从而得到训练 后模型；
S424、采用所述验证数据对所述训练后模型进行验证，并判断验证结果 是否为通过；
S425、若验证结果为通过，则将所述训练后模型记为文字识别模型。
如上所述，实现了将所述训练后模型记为文字识别模型。tensorFlow.js是 一款为JavaScript开发者提供的新机器学习框架，甚至可在浏览器里定义和 训练模型，因此便于在客户端中进行部署，从而使在多个第一客户端中进行 大量部署更加容易。本申请通过调取预设的基于tensorflow.js框架的机器学习 模型，以及调取预设的样本数据；并利用训练数据进行训练，再利用验证数 据进行验证，最终得到合格的文字识别模型。其中所述机器学习模型可为任 意可行模型，例如为神经网络模型等。服务器通过对基于tensorflow.js框架的 机器学习模型进行训练，从而得到文字识别模型，再制作不同操作系统对应 的文字识别模型镜像，从而客户端即可直接使用，而无需重复训练，进而提 高了部署的效率。
本申请的文字识别模型的动态部署方法，获取与所述服务器保持通信连 接的多个客户端；从所述多个客户端中选出多个第一客户端；向所述多个第 一客户端发送部署文字识别模型的请求，并接收所述多个第一客户端对应于 所述部署文字识别模型的请求的返回结果；若所述多个第一客户端对应返回 的结果均为同意，则分别获取所述多个第一客户端的操作系统数据，并调取 与所述多个第一客户端的操作系统数据分别对应的多个第一文字识别模型镜 像；将所述多个第一文字识别模型镜像对应发送给所述多个第一客户端，并 要求所述多个第一客户端对应运行所述第一文字识别模型镜像，从而完成文 字识别模型的动态部署。从而减轻了服务器压力并且强化了文字识别的即时 性。
本申请提供一种文字图像识别方法，应用于如前任一项所述的第一客户 端，所述第一客户端位于预设的客户端集群中，包括：
ST1、接收第二客户端发送的文字图像识别请求，所述文字图像识别请求 携带有待识别的文字图片；
ST2、判断所述第二客户端是否与所述第一客户端处于相同的客户端集群 中；
ST3、若所述第二客户端与所述第一客户端处于相同的客户端集群中，则 获取所述第一客户端的可用内存数据，并判断所述可用内存数据是否大于预 设的内存阈值；
ST4、若所述可用内存数据大于预设的内存阈值，则采用所述第一客户端 的文字识别模型，对所述待识别的文字图片进行识别处理，从而得到识别文 字文本；
ST5、将所述识别文字文本发送给所述第二客户端。
本申请的第一客户端是预先部署有文字识别模型的客户端，因此能够胜 任文字识别模型的任务。本申请的意图在于，每个客户端集群均设置有第一 客户端，所述第一客户端用于负责本集群中的文字识别任务。因此，第一客 户端先判断所述第二客户端是否与所述第一客户端处于相同的客户端集群中； 若所述第二客户端与所述第一客户端处于相同的客户端集群中，再判断所述 可用内存数据是否大于预设的内存阈值，只有在第一客户端的可用内存充足 的情况下，再进行文字识别，才能顺利完成文字识别任务。进而采用所述第 一客户端的文字识别模型，对所述待识别的文字图片进行识别处理，从而得 到识别文字文本；再将所述识别文字文本发送给所述第二客户端。其中，所 述客户端集群中的客户端优选为处于同一区域的客户端，从而客户端之间空 间距离更小，信号传输的耗费时间也更少，最终的文字识别速度也更快。
在一个实施方式中，所述判断所述第二客户端是否与所述第一客户端处 于相同的客户端集群中的步骤ST2之后，包括：
ST21、若所述第二客户端与所述第一客户端不处于相同的客户端集群中， 则采用所述第一客户端的文字识别模型，对所述待识别的文字图片进行识别 处理，从而得到识别文字文本；
ST22、将识别文字文本发送给所述第二客户端，向所述第二客户端发送 客户端集群不同的提醒信息，并将所述第二客户端加入预设的禁止名单中， 其中所述禁止名单中记载的客户端发送的OCR识别请求将被拒绝。
如上所述，实现将所述第二客户端加入预设的禁止名单中。理想状态下， 第一客户端仅负责本集群中的文字识别任务，但是在特殊情况下，第一客户 端可能接收到不处于相同的客户端集群的第二客户端发送的文字图像识别请 求。此时，若直接拒绝该文字图像识别请求，则该文字图像识别请求仍将重 新发送给其他的第一客户端(例如处于其他集群中的第一客户端)，因此存在 通信浪费。本申请采用给予一次识别权限的方案，对第一次的文字图像识别 请求附带的待识别的文字图片进行文字识别，再将识别文字文本发送给所述 第二客户端，向所述第二客户端发送客户端集群不同的提醒信息，并将所述 第二客户端加入预设的禁止名单中。从而减少了通信浪费。而第二客户端在 接收到客户端集群不同的提醒信息后，将寻找正确的第一客户端，以优化整 个文字识别体系。
本申请的文字图像识别方法，应用于前述文字识别模型的动态部署方法 中的第一客户端，由于不需要向服务器请求文字识别，而同一集群的客户端 能够择优利用该集群中的第一客户端进行文字图像识别，从而减轻服务器的 压力，且强化了文字识别的即时性。
参照图2，本申请实施例提供一种文字识别模型的动态部署装置，其特征 在于，应用于服务器，包括：
客户端获取单元10，用于获取与所述服务器保持通信连接的多个客户端；
客户端筛选单元20，用于根据预设的客户端筛选方法，从所述多个客户 端中选出多个第一客户端；
返回结果接收单元30，用于向所述多个第一客户端发送部署文字识别模 型的请求，并接收所述多个第一客户端对应于所述部署文字识别模型的请求 的返回结果，所述返回结果包括同意或者不同意；
返回结果判断单元40，用于判断所述多个第一客户端对应返回的结果是 否为同意；
操作系统数据获取单元50，用于若所述多个第一客户端对应返回的结果 均为同意，则分别获取所述多个第一客户端的操作系统数据，并根据预设的 操作系统与镜像的对应关系，调取与所述多个第一客户端的操作系统数据分 别对应的多个第一文字识别模型镜像；
文字识别模型动态部署单元60，用于将所述多个第一文字识别模型镜像 对应发送给所述多个第一客户端，并要求所述多个第一客户端对应运行所述 第一文字识别模型镜像，从而完成文字识别模型的动态部署。
其中上述单元分别用于执行的操作与前述实施方式的文字识别模型的动 态部署方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述客户端筛选单元20,包括：
定位位置获取子单元，用于获取所述多个客户端的定位位置；
客户端集群划分子单元，用于根据所述定位位置，将所述多个客户端划 分为多个客户端集群，其中属于同一个客户端集群中的任意两个客户端之间 的距离不大于预设的距离阈值；
第一向量生成子单元，用于获取所述多个客户端的可用内存数据a1、活 跃时长a2、数据传输速度a3，并生成第一向量A，其中第一向量A＝(a1,a2,a3)；
权重向量调取子单元，用于调取预设的权重向量B，其中权重向量B＝ (b1,b2,b3)，b1为与所述可用内存数据a1对应的第一参数，b2为与所述活 跃时长a2对应的第二参数，b3为与所述数据传输速度a3对应的第三参数；
选择因子计算子单元，用于根据公式：
其中上述子单元分别用于执行的操作与前述实施方式的文字识别模型的 动态部署方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述装置，包括：
执行替换操作单元，用于若所述多个第一客户端对应返回的结果不均为 同意，则执行替换操作，以将所述返回结果为不同意的第一客户端替换为同 一个客户端集群中的备用客户端；其中所述备用客户端指，选择因子C数值 仅小于同一个客户端集群中的第一客户端的客户端；
备用返回结果接收单元，用于向所述备用客户端发送部署文字识别模型 的请求，并接收所述备用客户端对应于所述部署文字识别模型的请求的返回 结果；
备用返回结果判断单元，用于判断所述备用客户端对应返回的结果是否 为同意；
第二文字识别模型镜像调用单元，用于若所述备用客户端对应返回的结 果均为同意，则分别获取执行替换操作后的多个第一客户端的操作系统数据， 并根据预设的操作系统与镜像的对应关系，调取与所述执行替换操作后的多 个第一客户端的操作系统数据分别对应的多个第二文字识别模型镜像；
第二文字识别模型镜像发送单元，用于将所述多个第二文字识别模型镜 像对应发送给所述执行替换操作后的多个第一客户端，并要求所述执行替换 操作后的多个第一客户端对应运行所述第二文字识别模型镜像，从而完成文 字识别模型的动态部署。
其中上述单元分别用于执行的操作与前述实施方式的文字识别模型的动 态部署方法的步骤一一对应,在此不再赘述。
在一个实施方式中，所述文字识别模型基于tensorflow.js框架训练而成， 所述装置，包括：
机器学习模型调取单元，用于调取预设的基于tensorflow.js框架的机器学 习模型，以及调取预设的样本数据，所述样本数据包括预先收集的文字图片 和所述文字图片对应的文字文本；
数据划分单元，用于将所述样本数据按预设比例划分为训练数据和验证 数据；
训练单元，用于采用所述训练数据对所述机器学习模型进行训练，从而 得到训练后模型；
验证单元，用于采用所述验证数据对所述训练后模型进行验证，并判断 验证结果是否为通过；
文字识别模型标记单元，用于若验证结果为通过，则将所述训练后模型 记为文字识别模型。
其中上述单元分别用于执行的操作与前述实施方式的文字识别模型的动 态部署方法的步骤一一对应,在此不再赘述。
本申请的文字识别模型的动态部署装置，获取与所述服务器保持通信连 接的多个客户端；从所述多个客户端中选出多个第一客户端；向所述多个第 一客户端发送部署文字识别模型的请求，并接收所述多个第一客户端对应于 所述部署文字识别模型的请求的返回结果；若所述多个第一客户端对应返回 的结果均为同意，则分别获取所述多个第一客户端的操作系统数据，并调取 与所述多个第一客户端的操作系统数据分别对应的多个第一文字识别模型镜 像；将所述多个第一文字识别模型镜像对应发送给所述多个第一客户端，并 要求所述多个第一客户端对应运行所述第一文字识别模型镜像，从而完成文 字识别模型的动态部署。从而减轻了服务器压力并且强化了文字识别的即时 性。
本申请提供一种文字图像识别装置，应用于如前任一项所述的第一客户 端，所述第一客户端位于预设的客户端集群中，包括：
文字图像识别请求接收单元，用于接收第二客户端发送的文字图像识别 请求，所述文字图像识别请求携带有待识别的文字图片；
客户端集群判断单元，用于判断所述第二客户端是否与所述第一客户端 处于相同的客户端集群中；
可用内存数据判断单元，用于若所述第二客户端与所述第一客户端处于 相同的客户端集群中，则获取所述第一客户端的可用内存数据，并判断所述 可用内存数据是否大于预设的内存阈值；
识别文字文本获取单元，用于若所述可用内存数据大于预设的内存阈值， 则采用所述第一客户端的文字识别模型，对所述待识别的文字图片进行识别 处理，从而得到识别文字文本；
识别文字文本发送单元，用于将所述识别文字文本发送给所述第二客户 端。
其中上述单元分别用于执行的操作与前述实施方式的文字图像识别方法 的步骤一一对应,在此不再赘述。
在一个实施方式中，所述文字图像识别装置，包括：
暂时识别单元，用于若所述第二客户端与所述第一客户端不处于相同的 客户端集群中，则采用所述第一客户端的文字识别模型，对所述待识别的文 字图片进行识别处理，从而得到识别文字文本；
提醒信息发送单元，用于将识别文字文本发送给所述第二客户端，向所 述第二客户端发送客户端集群不同的提醒信息，并将所述第二客户端加入预 设的禁止名单中，其中所述禁止名单中记载的客户端发送的OCR识别请求将 被拒绝。
其中上述单元分别用于执行的操作与前述实施方式的文字图像识别方法 的步骤一一对应,在此不再赘述。
本申请的文字图像识别装置，应用于前述文字识别模型的动态部署方法 中的第一客户端，由于不需要向服务器请求文字识别，而同一集群的客户端 能够择优利用该集群中的第一客户端进行文字图像识别，从而减轻服务器的 压力，且强化了文字识别的即时性。
参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是 服务器，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的 处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提 供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储 器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器 为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机 设备的数据库用于存储文字识别模型的动态部署方法或文字图像识别方法所 用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该 计算机程序被处理器执行时以实现一种文字识别模型的动态部署方法或文字 图像识别方法。
上述处理器执行上述文字识别模型的动态部署方法或文字图像识别方法， 其中所述方法包括的步骤分别与执行前述实施方式的文字识别模型的动态部 署方法或文字图像识别方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关 的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限 定。
本申请的计算机设备，获取与所述服务器保持通信连接的多个客户端； 从所述多个客户端中选出多个第一客户端；向所述多个第一客户端发送部署 文字识别模型的请求，并接收所述多个第一客户端对应于所述部署文字识别 模型的请求的返回结果；若所述多个第一客户端对应返回的结果均为同意， 则分别获取所述多个第一客户端的操作系统数据，并调取与所述多个第一客 户端的操作系统数据分别对应的多个第一文字识别模型镜像；将所述多个第 一文字识别模型镜像对应发送给所述多个第一客户端，并要求所述多个第一 客户端对应运行所述第一文字识别模型镜像，从而完成文字识别模型的动态 部署。从而减轻了服务器压力并且强化了文字识别的即时性。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程 序，计算机程序被处理器执行时实现文字识别模型的动态部署方法或文字图 像识别方法，其中所述方法包括的步骤分别与执行前述实施方式的文字识别 模型的动态部署方法或文字图像识别方法的步骤一一对应,在此不再赘述。
本申请的计算机可读存储介质，获取与所述服务器保持通信连接的多个 客户端；从所述多个客户端中选出多个第一客户端；向所述多个第一客户端 发送部署文字识别模型的请求，并接收所述多个第一客户端对应于所述部署 文字识别模型的请求的返回结果；若所述多个第一客户端对应返回的结果均 为同意，则分别获取所述多个第一客户端的操作系统数据，并调取与所述多 个第一客户端的操作系统数据分别对应的多个第一文字识别模型镜像；将所 述多个第一文字识别模型镜像对应发送给所述多个第一客户端，并要求所述 多个第一客户端对应运行所述第一文字识别模型镜像，从而完成文字识别模 型的动态部署。从而减轻了服务器压力并且强化了文字识别的即时性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程， 是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储 于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如 上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对 存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失 性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM (PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM) 或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存 储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、 动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、 增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、 存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM (DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本申请的方案可应用于智慧教育领域中，从而推动智慧城市的建设。例 如，所述服务器为学校服务器，所述多个客户端为多个教师分别持有的终端， 从而多个教师即可在减轻学校服务器压力的前提下进行文字识别。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在 涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方 法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括 为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下， 由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物 品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围， 凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接 或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种文字识别模型的动态部署方法，其特征在于，应用于服务器，包括：
获取与所述服务器保持通信连接的多个客户端；
根据预设的客户端筛选方法，从所述多个客户端中选出多个第一客户端；
向所述多个第一客户端发送部署文字识别模型的请求，并接收所述多个第一客户端对应于所述部署文字识别模型的请求的返回结果，所述返回结果包括同意或者不同意；
判断所述多个第一客户端对应返回的结果是否为同意；
若所述多个第一客户端对应返回的结果均为同意，则分别获取所述多个第一客户端的操作系统数据，并根据预设的操作系统与镜像的对应关系，调取与所述多个第一客户端的操作系统数据分别对应的多个第一文字识别模型镜像；
将所述多个第一文字识别模型镜像对应发送给所述多个第一客户端，并要求所述多个第一客户端对应运行所述第一文字识别模型镜像，从而完成文字识别模型的动态部署。
2.根据权利要求1所述的文字识别模型的动态部署方法，其特征在于，所述根据预设的客户端筛选方法，从所述多个客户端中选出多个第一客户端的步骤,包括：
获取所述多个客户端的定位位置；
根据所述定位位置，将所述多个客户端划分为多个客户端集群，其中属于同一个客户端集群中的任意两个客户端之间的距离不大于预设的距离阈值；
获取所述多个客户端的可用内存数据a1、活跃时长a2、数据传输速度a3，并生成第一向量A，其中第一向量A＝(a1,a2,a3)；
调取预设的权重向量B，其中权重向量B＝(b1,b2,b3)，b1为与所述可用内存数据a1对应的第一参数，b2为与所述活跃时长a2对应的第二参数，b3为与所述数据传输速度a3对应的第三参数；
根据公式：
3.根据权利要求2所述的文字识别模型的动态部署方法，其特征在于，所述判断所述多个第一客户端对应返回的结果是否为同意的步骤之后，包括：
若所述多个第一客户端对应返回的结果不均为同意，则执行替换操作，以将所述返回结果为不同意的第一客户端替换为同一个客户端集群中的备用客户端；其中所述备用客户端指，选择因子C数值仅小于同一个客户端集群中的第一客户端的客户端；
向所述备用客户端发送部署文字识别模型的请求，并接收所述备用客户端对应于所述部署文字识别模型的请求的返回结果；
判断所述备用客户端对应返回的结果是否为同意；
若所述备用客户端对应返回的结果均为同意，则分别获取执行替换操作后的多个第一客户端的操作系统数据，并根据预设的操作系统与镜像的对应关系，调取与所述执行替换操作后的多个第一客户端的操作系统数据分别对应的多个第二文字识别模型镜像；
将所述多个第二文字识别模型镜像对应发送给所述执行替换操作后的多个第一客户端，并要求所述执行替换操作后的多个第一客户端对应运行所述第二文字识别模型镜像，以完成文字识别模型的动态部署。
4.根据权利要求1所述的文字识别模型的动态部署方法，其特征在于，所述文字识别模型基于tensorflow.js框架训练而成，所述若所述多个第一客户端对应返回的结果均为同意，则分别获取所述多个第一客户端的操作系统数据，并根据预设的操作系统与镜像的对应关系，调取与所述多个第一客户端的操作系统数据分别对应的多个第一文字识别模型镜像的步骤之前，包括：
调取预设的基于tensorflow.js框架的机器学习模型，以及调取预设的样本数据，所述样本数据包括预先收集的文字图片和所述文字图片对应的文字文本；
将所述样本数据按预设比例划分为训练数据和验证数据；
采用所述训练数据对所述机器学习模型进行训练，从而得到训练后模型；
采用所述验证数据对所述训练后模型进行验证，并判断验证结果是否为通过；
若验证结果为通过，则将所述训练后模型记为文字识别模型。
5.一种文字图像识别方法，其特征在于，应用于如权利要求1-4中任一项所述的第一客户端，所述第一客户端位于预设的客户端集群中，包括：
接收第二客户端发送的文字图像识别请求，所述文字图像识别请求携带有待识别的文字图片；
判断所述第二客户端是否与所述第一客户端处于相同的客户端集群中；
若所述第二客户端与所述第一客户端处于相同的客户端集群中，则获取所述第一客户端的可用内存数据，并判断所述可用内存数据是否大于预设的内存阈值；
若所述可用内存数据大于预设的内存阈值，则采用所述第一客户端的文字识别模型，对所述待识别的文字图片进行识别处理，从而得到识别文字文本；
将所述识别文字文本发送给所述第二客户端。
6.根据权利要求5所述的文字图像识别方法，其特征在于，所述判断所述第二客户端是否与所述第一客户端处于相同的客户端集群中的步骤之后，包括：
若所述第二客户端与所述第一客户端不处于相同的客户端集群中，则采用所述第一客户端的文字识别模型，对所述待识别的文字图片进行识别处理，从而得到识别文字文本；
将识别文字文本发送给所述第二客户端，向所述第二客户端发送客户端集群不同的提醒信息，并将所述第二客户端加入预设的禁止名单中，其中所述禁止名单中记载的客户端发送的OCR识别请求将被拒绝。
7.一种文字识别模型的动态部署装置，其特征在于，应用于服务器，包括：
客户端获取单元，用于获取与所述服务器保持通信连接的多个客户端；
客户端筛选单元，用于根据预设的客户端筛选方法，从所述多个客户端中选出多个第一客户端；
返回结果接收单元，用于向所述多个第一客户端发送部署文字识别模型的请求，并接收所述多个第一客户端对应于所述部署文字识别模型的请求的返回结果，所述返回结果包括同意或者不同意；
返回结果判断单元，用于判断所述多个第一客户端对应返回的结果是否为同意；
操作系统数据获取单元，用于若所述多个第一客户端对应返回的结果均为同意，则分别获取所述多个第一客户端的操作系统数据，并根据预设的操作系统与镜像的对应关系，调取与所述多个第一客户端的操作系统数据分别对应的多个第一文字识别模型镜像；
文字识别模型动态部署单元，用于将所述多个第一文字识别模型镜像对应发送给所述多个第一客户端，并要求所述多个第一客户端对应运行所述第一文字识别模型镜像，从而完成文字识别模型的动态部署。
8.一种文字图像识别装置，其特征在于，应用于如权利要求1-4中任一项所述的第一客户端，所述第一客户端位于预设的客户端集群中，包括：
文字图像识别请求接收单元，用于接收第二客户端发送的文字图像识别请求，所述文字图像识别请求携带有待识别的文字图片；
客户端集群判断单元，用于判断所述第二客户端是否与所述第一客户端处于相同的客户端集群中；
可用内存数据判断单元，用于若所述第二客户端与所述第一客户端处于相同的客户端集群中，则获取所述第一客户端的可用内存数据，并判断所述可用内存数据是否大于预设的内存阈值；
识别文字文本获取单元，用于若所述可用内存数据大于预设的内存阈值，则采用所述第一客户端的文字识别模型，对所述待识别的文字图片进行识别处理，从而得到识别文字文本；
识别文字文本发送单元，用于将所述识别文字文本发送给所述第二客户端。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-4或5-6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4或5-6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010591029.7A CN111832547A (zh) | 2020-06-24 | 2020-06-24 | 文字识别模型的动态部署方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010591029.7A CN111832547A (zh) | 2020-06-24 | 2020-06-24 | 文字识别模型的动态部署方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111832547A true CN111832547A (zh) | 2020-10-27 |
Family
ID=72898090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010591029.7A Pending CN111832547A (zh) | 2020-06-24 | 2020-06-24 | 文字识别模型的动态部署方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111832547A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408373A (zh) * | 2021-06-02 | 2021-09-17 | 中金金融认证中心有限公司 | 手写识别方法、系统、客户端和服务器端 |
| CN114219985A (zh) * | 2021-11-23 | 2022-03-22 | 建信金融科技有限责任公司 | 信息识别处理方法、装置、计算机设备、存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241904A (zh) * | 2018-08-31 | 2019-01-18 | 平安科技（深圳）有限公司 | 文字识别模型训练、文字识别方法、装置、设备及介质 |
| CN110351332A (zh) * | 2019-05-30 | 2019-10-18 | 深圳壹账通智能科技有限公司 | 动态调整时间阈值的方法、装置、计算机设备和存储介质 |
| CN110378350A (zh) * | 2019-07-23 | 2019-10-25 | 中国工商银行股份有限公司 | 一种文字识别的方法、装置及系统 |
| CN110619274A (zh) * | 2019-08-14 | 2019-12-27 | 深圳壹账通智能科技有限公司 | 基于印章和签名的身份验证方法、装置和计算机设备 |
| CN110705233A (zh) * | 2019-09-03 | 2020-01-17 | 平安科技（深圳）有限公司 | 基于文字识别技术的笔记生成方法、装置和计算机设备 |
-
2020
- 2020-06-24 CN CN202010591029.7A patent/CN111832547A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241904A (zh) * | 2018-08-31 | 2019-01-18 | 平安科技（深圳）有限公司 | 文字识别模型训练、文字识别方法、装置、设备及介质 |
| CN110351332A (zh) * | 2019-05-30 | 2019-10-18 | 深圳壹账通智能科技有限公司 | 动态调整时间阈值的方法、装置、计算机设备和存储介质 |
| CN110378350A (zh) * | 2019-07-23 | 2019-10-25 | 中国工商银行股份有限公司 | 一种文字识别的方法、装置及系统 |
| CN110619274A (zh) * | 2019-08-14 | 2019-12-27 | 深圳壹账通智能科技有限公司 | 基于印章和签名的身份验证方法、装置和计算机设备 |
| CN110705233A (zh) * | 2019-09-03 | 2020-01-17 | 平安科技（深圳）有限公司 | 基于文字识别技术的笔记生成方法、装置和计算机设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408373A (zh) * | 2021-06-02 | 2021-09-17 | 中金金融认证中心有限公司 | 手写识别方法、系统、客户端和服务器端 |
| CN113408373B (zh) * | 2021-06-02 | 2024-06-07 | 中金金融认证中心有限公司 | 手写识别方法、系统、客户端和服务器端 |
| CN114219985A (zh) * | 2021-11-23 | 2022-03-22 | 建信金融科技有限责任公司 | 信息识别处理方法、装置、计算机设备、存储介质 |
| CN114219985B (zh) * | 2021-11-23 | 2024-05-24 | 建信金融科技有限责任公司 | 信息识别处理方法、装置、计算机设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109509021B (zh) | 基于行为轨迹的异常识别方法、装置、服务器及存储介质 | |
| CN111950424B (zh) | 一种视频数据处理方法、装置、计算机及可读存储介质 | |
| CN109816200B (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
| CN111832547A (zh) | 文字识别模型的动态部署方法、装置和计算机设备 | |
| CN110111136B (zh) | 视频数据处理方法、装置、计算机设备和存储介质 | |
| Khuran et al. | An AI Integrated Face Detection System for Biometric Attendance Management | |
| CN110569340A (zh) | 文本信息验证方法、装置、计算机设备和存储介质 | |
| CN117036184A (zh) | 图像合成方法、装置、电子设备及存储介质 | |
| CN101299762B (zh) | 一种身份认证方法及装置 | |
| CN109492533A (zh) | 利用图像识别技术验证学历的方法、装置和计算机设备 | |
| CN112927062A (zh) | 基于语音识别的业务申请处理方法、装置和计算机设备 | |
| CN113220859B (zh) | 基于图像的问答方法、装置、计算机设备及存储介质 | |
| CN116029396A (zh) | 一种基于互联网的酒店查询预定方法及查询系统 | |
| CN115984047A (zh) | 结合rpa和ai实现ia的文书处理方法、装置、设备及介质 | |
| CN114969544A (zh) | 基于热点数据的推荐内容生成方法、装置、设备及介质 | |
| CN110472656B (zh) | 车辆图像分类方法、装置、计算机设备及存储介质 | |
| CN114676705A (zh) | 一种对话关系处理方法、计算机及可读存储介质 | |
| CN113762053A (zh) | 一种图像处理方法、装置、计算机及可读存储介质 | |
| CN112182413A (zh) | 一种基于教学大数据的智能推荐方法及服务器 | |
| CN111860387A (zh) | 扩充数据的方法、装置和计算机设备 | |
| CN116778534B (zh) | 图像处理方法、装置、设备和介质 | |
| CN113296863A (zh) | 基于ios系统的动态换肤方法、装置、设备及存储介质 | |
| CN113837169B (zh) | 文本数据处理方法、装置、计算机设备及存储介质 | |
| CN114219985B (zh) | 信息识别处理方法、装置、计算机设备、存储介质 | |
| CN108038154A (zh) | 联系人身份信息的确定方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |