CN112784751A - 图像识别模型的训练方法、装置、设备以及介质 - Google Patents

Abstract

本公开提供了一种图像识别模型的训练方法、装置、设备以及介质，涉及人工智能技术领域，尤其涉及计算机视觉、深度学习、图像处理技术领域，可应用于OCR场景。该图像识别模型的训练方法包括：获取训练数据，其中，训练数据包括针对预设垂类的训练图像，训练图像包括包含预设垂类的真实数据的第一训练图像和包含预设垂类的虚拟数据的第二训练图像；构建基础模型，其中，基础模型包括深度学习网络，深度学习网络配置为对训练图像进行识别，以提取训练图像中的文本数据；以及使用训练数据训练基础模型，以得到图像识别模型。

Description

图像识别模型的训练方法、装置、设备以及介质

技术领域

本公开涉及人工智能技术领域，尤其涉及计算机视觉、深度学习、图像处理技术领域，具体涉及一种图像识别模型的训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

光学字符识别(Optical Character Recognition，OCR)：是指电子设备检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。

随着深度学习的发展，一些现有的分类识别OCR方法被各种深度神经网络所代替。深度学习网络模型的训练需要大量数据的支持，然而，对于一些数据具有私密性的场景，难以获取大量的训练数据，导致光学字符识别效率不高。

发明内容

本公开提供了一种图像识别模型的训练方法、图像识别方法、装置、电子设备和介质。

根据本公开的一个方面，提供了一种图像识别模型的训练方法，包括：获取训练数据，其中，训练数据包括针对预设垂类的训练图像，训练图像包括包含预设垂类的真实数据的第一训练图像和包含预设垂类的虚拟数据的第二训练图像；构建基础模型，其中，基础模型包括深度学习网络，深度学习网络配置为对训练图像进行识别，以提取训练图像中的文本数据；以及使用训练数据训练基础模型，以得到图像识别模型。

根据本公开的另一方面，提供了一种图像识别方法，包括：获取待识别的目标图像；以及基于根据本公开第一方面的图像识别模型，对待识别的目标图像进行识别，以提取待识别的目标图像的文本数据。

根据本公开的另一方面，提供了一种图像识别模型的训练装置，包括：获取单元，配置为获取训练数据，其中，训练数据包括针对预设垂类的训练图像，训练图像包括包含预设垂类的真实数据的第一训练图像和包含预设垂类的虚拟数据的第二训练图像；构建单元，配置为构建基础模型，其中，基础模型包括深度学习网络，深度学习网络配置为对训练图像进行识别，以提取训练图像中的文本数据；以及训练单元，配置为使用训练数据训练基础模型，以得到图像识别模型。

根据本公开的另一方面，提供了一种图像识别装置，包括：接收单元，配置为接收待识别的目标图像；以及识别单元，配置为基于根据本公开第一方面的图像识别模型，对待识别的目标图像进行识别，以提取待识别的目标图像中的文本数据。

根据本公开的另一方面，提供了一种电子设备，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。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本公开第一和第二方面提供的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开第一和第二方面提供的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序。其中，计算机程序被处理器执行时实现本公开第一和第二方面提供的方法。

本公开实施例提供的技术方案带来的有益技术效果至少包括：通过在训练的过程中同时使用包含真实数据的第一训练图像和包含虚拟数据的第二训练图像，可以提高训练效率，提高图像识别模型识别的准确性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的图像识别模型的训练方法的流程图；

图3A示出了根据本公开的实施例的金融类图像的示意图；

图3B示出了根据本公开的实施例的卡证类图像的示意图；

图3C示出了根据本公开的实施例的票据类图像的示意图；

图4示出了根据本公开的实施例的图像识别方法的流程图；

图5示出了根据本公开的实施例的示例性识别结果的示意图；

图6示出了根据本公开的实施例的示例性训练平台的示意图；

图7示出了根据本公开实施例的图像识别模型的训练装置的示意框图

图8示出了根据本公开实施例的图像识别装置的示意框图；以及

图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

光学字符识别(Optical Character Recognition,OCR)是将图像中的字符识别为计算机可读字符的过程。OCR发展至今，具有广泛的应用场景。示例性地，OCR的示例应用包括网络图片文字识别、卡证识别(例如身份证、银行卡、名片识别等)、票据识别(例如增值税发票、行程单、火车票、出租车票识别等)、车牌识别等。

随着深度学习的发展，一些现有的OCR方法被各种深度神经网络所代替，深度学习算法可以自主的提取特征，进行学习，获得较好的识别效果。但是，深度学习网络模型的训练需要大量数据的支持，对于一些应用场景，例如金融类(银行支票/回单)，卡证类(身份证、行驶证、驾驶证)，票据类(增值税发票、保单)等，数据有较强的私密性，难以收集足够数量的数据用于训练。并且，大量数据的标注也需耗费大量时间及费用。对此，本公开提供一种图像识别模型的训练方法，根据少量的真实数据生成大量的虚拟数据，并在图像识别模型的训练的过程中同时使用真实数据和生成的大量虚拟数据，从而提高训练效率，提高图像识别模型识别的准确性。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行本公开的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来与图像识别模型进行交互。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS)；或包括各种移动操作系统，例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

图2示出了根据本公开的实施例的图像识别模型的训练方法200的流程图。方法200可以在客户端设备(例如，图1中所示的客户端设备101至106中的任一个)处执行，也即，方法200的各个步骤的执行主体可以是图1中所示的客户端设备101至106中的任一个。在一些实施例中，方法200可以在服务器(例如，图1中所示的服务器120)处执行。在一些实施例中，方法200可以由客户端设备(例如，客户端设备101至106中的任一个)和服务器(例如，服务器120)相组合地执行。在下文中，以执行主体为服务器120为例，详细描述方法200的各个步骤。

如图2所示，图像识别模型的训练方法200可以包括步骤210至步骤230。在步骤210，获取训练数据，训练数据包括针对预设垂类的训练图像。示例性地，训练图像可以包括：包含预设垂类的真实数据的第一训练图像和包含预设垂类的虚拟数据的第二训练图像。在步骤220，构建基础模型。示例性地，基础模型包括深度学习网络，深度学习网络配置为对训练图像进行识别，以提取训练图像中的文本数据。在步骤230，使用训练数据训练基础模型，以得到图像识别模型。由此，通过在训练的过程中同时使用包含真实数据的第一训练图像和包含虚拟数据的第二训练图像，可以提高训练效率，提高图像识别模型识别的准确性。

示例性地，用于训练的训练图像可以是通过图像传感器(例如可以为摄像头、照相机等)获取的图像，所述图像可以是彩色图像或灰度图像。在其他的示例中，图像还可以是静态图像或视频图像，本公开对此并不限制。另外，所述图像可以在被图像传感器获取之后存储(例如缓存)在存储设备或存储介质中。

示例性地，在进行训练时，可以预先指定训练图像的大小，例如可以预先设定训练图像的长边为512、768、1024等。

示例性地，预设垂类可以包括金融类、卡证类、票据类中的任意一个。针对用于金融类的图像识别模型，训练图像可以为为金融类图像，例如银行支票图像、银行回单图像等。所述银行支票图像或银行回单图像可以为使用图像传感器拍摄或使用其他传感器(例如打印机)扫描得到的图像。例如，如图3A所示，其示出了根据本公开的实施例的金融类图像300A的示意图。图像300A为XX银行的现金支票图像，其包括XX银行出具该现金支票的出票日期、收款人、支票金额等信息。

示例性地，针对用于卡证类的图像识别模型，训练图像可以为为卡证类图像，例如身份证图像、行驶证图像、驾驶证图像等。所述身份证图像、行驶证图像或驾驶证图像可以为使用图像传感器拍摄或使用其他传感器(例如打印机)扫描得到的图像。例如，如图3B所示，其示出了根据本公开的实施例的卡证类图像300B的示意图。图像300B为身份证图像，其包括该身份证用户的姓名、身份证号等信息。

示例性地，针对用于票据类的图像识别模型，训练图像可以为票据类图像，例如增值税发票图像、保单图像、火车票图像、汽车票图像等。所述增值税发票图像或保单图像可以为使用图像传感器拍摄或使用其他传感器(例如打印机)扫描得到的图像。例如，如图3C所示，其示出了根据本公开的实施例的票据类图像300C的示意图。图像300C为增值税发票图像，其包括购买方的名称、纳税人识别号、开票日期、校验码、税额等信息。

示例性地，用于训练的第一训练图像和第二训练图像中的待识别字段可以预先进行标注。待识别字段可以理解为图像中待进行识别的字段。可以理解地，一张图像中可以包括多个待识别字段。可以根据需要，预先设定待识别字段的数量，本公开对比并不限制。例如，对于现金支票图像，待识别字段可以包括出票日期、收款人、支票金额、支票类型等中一个或多个。例如，对于身份证图像，待识别字段可以包括姓名、性别、出生日期、住址、身份证号等中的一个或多个。再例如，对于增值税发票图像，购买方的名称、纳税人识别号、发票类型、发票金额等中一个或多个。可以使用相关技术中任何标注方法对待识别字段进行标注。示例性地，可以对图像中的待识别字段进行打框，并标注该字段的类型或字段值。

如图3A所示，可以使用框301A-304A对待识别字段“出票日期”、“收款人”、“人民币”、“现金支票”进行打框，并标注每个框的类型。例如，框301A的类型可以标注为日期，框303A的类型可以标注为支票金额等。如图3B所示，可以使用框301B-304B对待识别字段“姓名”、“性别”、“出生”、“公民身份号码”进行打框，并标注每个框的类型。例如，框301B的类型可以标注为姓名，框304B的类型可以标注为号码等。如图3C所示，可以使用框301C-304C对待识别字段“名称”、“纳税人识别号”、“货物或应税劳务、服务名称”、“金额”进行打框，并标注每个框的类型。例如，框303C的类型可以标注为“发票类型”。

可以理解地，对于金融类、卡证类、票据类相关图像，数据通常具有私密性，涉及用户的隐私，难以收集到足够数量的数据用于训练。对此，在进行相应垂类的模型训练时，可以根据已获取的包含真实数据的训练图像，生成包含虚拟数据的训练图像。示例性地，可以基于少量的包含真实数据的训练图像，生成大量(例如万级别数量)包含虚拟数据的训练图像。

在一些示例中，包含虚拟数据的第二训练图像可以是基于包含预设垂类的真实数据的第一训练图像生成的。可以通过以下方式基于第一训练图像生成第二训练图像：获取包含预设垂类的真实数据的第一模板图像；擦除模板图像中待提取的多个字段的字段值，得到第二模板图像；以及对第二模板图像中被擦除的待提取的多个字段的字段值进行语料填充，以得到到包含预设垂类的虚拟数据的第二训练图像。

示例性地，对于包含真实数据的身份证模板图像，例如姓名为马克，性别为男，出生为1990年4月15日，待识别的字段为“姓名”和“出生”。则，可以将字段值“马克”和“1990年4月15日”擦除，并在被擦除位置处进行语料填充，以得到大量包含被填充语料的训练图像。在一些示例中，在进行语料填充时，可以从相应语料库中选择相应的语料进行填充。

示例性地，在基于包含真实数据的第一训练图像生成包含虚拟数据的第二训练图像时，可以预先设定生成的第二训练图像的数量，例如8千张，1万张等，该数量可以根据实际训练需要进行设置，本公开对此并不限制。

在一些示例中，使用训练数据训练基础模型，以得到图像识别模型可以包括：按照预设参数，分批次将训练数据输入基础模型；根据基础模型的误差函数，确定深度学习网络提取的训练图像中的文本数据与训练图像对应的真实文本数据之间的误差；以及基于误差，对深度学习网络进行反向传播训练，以得到图像识别模型。示例性地，预设参数可以为batch size，即一次训练过程所使用的训练数据的数量。在一些示例中，batch size的设置可以与训练图像的大小等有关。

示例性地，可以输入训练数据并初始化深度学习网络的权值参数，并依次批量输入数据到模型，进行前向传播。然后，可以计算由模型预测得到的文本数据与训练数据中标识的真实值之间的误差，反向传播误差梯度并更新权值。最后，重复迭代以使得误差梯度趋于零。可选地，基础模型的误差函数可以为模型的预测的文本数据与真实值之间的欧几里得距离。由此，通过不断迭代更新，可以使得图像识别模型的预测输出逼近真实值，提高识别效率和识别准确率。

示例性地，用于训练的基础模型可以为未经任何训练的初始深度学习网络。在其他的示例中，基础模型还可以为在使用训练数据训练基础模型的过程中生成的中间图像识别模型。由此，可以提高识别效率，节约时间。

在一些示例中，本公开示例性实施例提供的图像识别模型的训练方法，还可以包括：获取新接收的针对预设垂类的图像，其中，新接收的针对预设垂类的图像包括：包含预设垂类的真实数据的第一图像，第一图像与第一训练图像具有相同的版式；将第一图像加入训练数据；以及以及基于加入第一图像的训练数据，对图像识别模型进行更新。

示例性地，针对预设垂类，在进行模型训练时，对于新采集或接收的包含该垂类的真实数据的图像，可以预先进行标注，并加入训练数据中进行训练。由此，可以提高模型的识别效率和准确性。

在一些示例中，本公开示例性实施例提供的图像识别模型的训练方法，还可以包括：获取新接收的针对预设垂类的图像，其中，新接收的针对预设垂类的图像包括：包含预设垂类的真实数据的第一图像，第一图像与第一训练图像具有不同的版式；基于第一图像，生成包含预设垂类的虚拟数据的第二图像，其中，第二图像与第一图像具有相同的版式；将第一图像和第二图像加入训练数据；以及基于加入第一图像和第二图像的训练数据，对图像识别模型进行更新。

可以理解地，预设垂类的图像可能会有多个版式，这些多个版式具有相同的数据，例如相同的字段和字段值，但字段的位置等不同。例如，对于火车票图像，其具有红色样式的火车票和蓝色样式的火车票。示例性地，以新接收到图像为蓝色样式的火车票图像为例，该蓝色样式的火车票图像中包含了真实数据，例如真实的乘车人姓名、车次、座位号等信息，由于可用于训练的该蓝色样式的火车票数据量较少，则可以预先生成大量包含虚拟数据的该蓝色样式的火车票图像。然后，将包含真实数据的蓝色样式的火车票图像和包含虚拟数据的蓝色样式的火车票图像一起加入训练数据进行训练，以更新图像识别模型。由此，可以提高模型的泛化识别率。

在一些示例中，在每次训练过程中，可以预先指定模型迭代的次数，例如可以为25000～80000次。可以根据训练需要设定模型迭代的次数，本公开对此并不限制。在一些示例中，对于训练过程中得到的图像识别模型，例如，迭代的次数为10000次时得到的模型1，迭代的次数为20000次时得到的模型2，迭代的次数为30000次时得到的模型3，迭代的次数为40000次时得到的模型4，还可以使用测评集对得到的模型1-4进行评测，以选择具有最佳表现的最优模型。例如，可以选择模型的精度和召回率均大于预设阈值的模型，作为最优模型。示例性地，测评集可以包括预先标注的包括真实数据和/或虚拟数据的图像。

图4示出了根据本公开的实施例的图像识别方法400的流程图。如图4所示，图像识别方法400可以包括步骤410和步骤420。在步骤410，获取待识别的目标图像。在步骤420，基于图像识别模型，对待识别的目标图像进行识别，以提取待识别的目标图像的文本数据。

示例性地，图像识别模型可以为根据本公开示例性实施例提供的图像识别模型的训练方法训练得到的模型。待识别的目标图像可以为待进行文本或字段提取的图像，可以为任何类型的图像，例如，金融类图像、卡证类图像、票据类图像等。在一些示例中，识别结果可以为json结果，即key-value json格式。例如，如图5所示，其示出了一种示例性识别结果500的示意图。

本公开实施例还提供一种模型训练平台，图6示出了根据本公开的实施例的示例性训练平台600的示意图。如图6所示，平台600可以包括虚拟数据生成工具601，模型训练工具602和端到端测评工具603。平台600的实现过程可以包括数据/模型的输入、流水线执行、模型产出等过程。

虚拟数据生成工具601可以用于读取模板信息，生成大量虚拟数据。模型训练工具602可以用于模型训练。示例性地，模型的输出参数可以包括：输入图像的大小、batchsize、字段类别数、最大迭代次数等。在训练的过程中，可以不断加入真实数据用于训练。端到端测评工具603可以用于读取模型训练工具602产出的系列模型，评测出最优模型，用于最终的数据预测。用户可以预先标注模板和真实数据，其中，模板和真实数据均为带标注的图像。在一些示例中，模板还可以带有配置信息(conf)和语料信息，配置信息可以为模板的存储路径等信息。示例性地，pre-train模型可以为基础模型。

图7示出了根据本公开实施例的图像识别模型的训练装置700的示意框图。如图7所示，装置700包括获取单元701，构建单元702和训练单元703。

获取单元701被配置为获取训练数据。训练数据包括针对预设垂类的训练图像，训练图像包括包含预设垂类的真实数据的第一训练图像和包含预设垂类的虚拟数据的第二训练图像。

构建单元702被配置为构建基础模型。基础模型包括深度学习网络，深度学习网络配置为对训练图像进行识别，以提取训练图像中的文本数据。

训练单元703被配置为使用训练数据训练基础模型，以得到图像识别模型。

应当理解，图7中所示装置700的各个单元可以与参考图2描述的方法200中的各个步骤相对应。由此，上面针对方法200描述的操作、特征和优点同样适用于装置700及其包括的单元，并且为了简洁起见不再赘述。

图8示出了根据本公开实施例的图像识别装置800的示意框图。如图8所示，装置800包括接收单元801和识别单元802。

接收单元801被配置为接收待识别的目标图像。

识别单元802被配置为基于图像识别模型，对待识别的目标图像进行识别，以提取待识别的目标图像中的文本数据。

应当理解，图8中所示装置800的各个单元可以与参考图4描述的方法400中的各个步骤相对应。由此，上面针对方法400描述的操作、特征和优点同样适用于装置800及其包括的单元，并且为了简洁起见不再赘述。

虽然上面参考特定单元讨论了特定功能，但是应当注意，本文讨论的各个单元的功能可以分为多个单元，和/或多个单元的至少一些功能可以组合成单个单元。本文讨论的特定单元执行动作包括该特定单元本身执行该动作，或者替换地该特定单元调用或以其他方式访问执行该动作(或结合该特定单元一起执行该动作)的另一个组件或单元。因此，执行动作的特定单元可以包括执行动作的该特定单元本身和/或该特定单元调用或以其他方式访问的、执行动作的另一单元。

本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面描述的各个单元、子单元可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些单元、子单元可以被实现为计算机程序代码/指令，该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些模块可以被实现为硬件逻辑/电路。例如，单元、子单元中的一个或多个可以一起被实现在片上系统(SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如，中央处理单元(CPU)、微控制器、微处理器、数字信号处理器(DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件)，并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。

根据本公开的另一方面，提供了一种电子设备，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。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本公开实施例所提供的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开实施例所提供的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序。其中，计算机程序被处理器执行时实现本公开实施例所提供的方法。

在下文中，结合图9描述这样的电子设备、非暂态计算机可读存储介质和计算机程序产品的示例。图9示出了能够用于实现本公开的实施例的示例性电子设备900的结构框图。

参考图9，现将描述可以作为本公开的服务器或客户端的电子设备800的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向设备900输入信息的任何类型的设备，输入单元906可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如方法200和400。例如，在一些实施例中，方法200和400可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的方法200和400的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200和400。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

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。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (14)

1.一种图像识别模型的训练方法，包括：

获取训练数据，其中，所述训练数据包括针对预设垂类的训练图像，所述训练图像包括包含所述预设垂类的真实数据的第一训练图像和包含所述预设垂类的虚拟数据的第二训练图像；

构建基础模型，其中，所述基础模型包括深度学习网络，所述深度学习网络配置为对所述训练图像进行识别，以提取所述训练图像中的文本数据；以及

使用所述训练数据训练所述基础模型，以得到所述图像识别模型。

2.根据权利要求1所述的方法，其中，所述包含所述预设垂类的虚拟数据的第二训练图像是基于所述包含所述预设垂类的真实数据的第一训练图像生成的，

其中，通过以下方式基于所述包含所述预设垂类的真实数据的第一训练图像生成所述包含所述预设垂类的虚拟数据的第二训练图像：

获取包含所述预设垂类的真实数据的第一模板图像；

擦除所述模板图像中待提取的多个字段的字段值，得到第二模板图像；以及

对所述第二模板图像中被擦除的所述待提取的多个字段的字段值进行语料填充，以得到到所述包含所述预设垂类的虚拟数据的第二训练图像。

3.根据权利要求1所述的方法，其中，使用所述训练数据训练所述基础模型，以得到所述图像识别模型包括：

按照预设参数，分批次将所述训练数据输入所述基础模型；

根据所述基础模型的误差函数，确定所述深度学习网络提取的所述训练图像中的文本数据与所述训练图像对应的真实文本数据之间的误差；

基于所述误差，对所述深度学习网络进行反向传播训练，以得到所述图像识别模型。

4.根据权利要求1-3中任一项所述的方法，还包括：

获取新接收的针对所述预设垂类的图像，其中，所述新接收的针对所述预设垂类的图像包括：包含所述预设垂类的真实数据的第一图像，所述第一图像与所述第一训练图像具有相同的版式；

将所述第一图像加入所述训练数据；以及

以及基于所述加入所述第一图像的训练数据，对所述图像识别模型进行更新。

5.根据权利要求1-3中任一项所述的方法，还包括：

获取新接收的针对所述预设垂类的图像，其中，所述新接收的针对所述预设垂类的图像包括：包含所述预设垂类的真实数据的第一图像，所述第一图像与所述第一训练图像具有不同的版式；

基于所述第一图像，生成包含所述预设垂类的虚拟数据的第二图像，其中，所述第二图像与所述第一图像具有相同的版式；

将所述第一图像和所述第二图像加入所述训练数据；以及

基于所述加入所述第一图像和所述第二图像的训练数据，对所述图像识别模型进行更新。

6.根据权利要求1-3中任一项所述的方法，其中，所述基础模型包括在使用所述训练数据训练所述基础模型的过程中生成的中间图像识别模型。

7.根据权利要求1-3中任一项所述的方法，其中，所述第一训练图像和所述第二训练图像中的待识别字段已预先进行标注。

8.根据权利要求1-3中任一项所述的方法，其中，所述预设垂类包括金融类、卡证类、票据类中的一个或多个。

9.一种图像识别方法，包括：

获取待识别的目标图像；以及

基于根据权利要求1所述的方法得到的图像识别模型，对待识别的目标图像进行识别，以提取所述待识别的目标图像的文本数据。

10.一种图像识别模型的训练装置，包括：

获取单元，配置为获取训练数据，其中，所述训练数据包括针对预设垂类的训练图像，所述训练图像包括包含所述预设垂类的真实数据的第一训练图像和包含所述预设垂类的虚拟数据的第二训练图像；

构建单元，配置为构建基础模型，其中，所述基础模型包括深度学习网络，所述深度学习网络配置为对所述训练图像进行识别，以提取所述训练图像中的文本数据；以及

训练单元，配置为使用所述训练数据训练所述基础模型，以得到所述图像识别模型。

11.一种图像识别装置，包括：

接收单元，配置为接收待识别的目标图像；以及

识别单元，配置为基于根据权利要求1所述的方法得到的图像识别模型，对所述待识别的目标图像进行识别，以提取所述待识别的目标图像中的文本数据。

12.一种电子设备，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

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权利要求1-8中任一项所述的方法或权利要求9所述的方法。

13.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法或根据权利要求9所述的方法。

14.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-8中任一项所述的方法或权利要求9所述的方法。

Images