CN112948619B - 基于深度学习的手写棋谱辅助录入方法及装置 - Google Patents

基于深度学习的手写棋谱辅助录入方法及装置 Download PDF

Info

Publication number
CN112948619B
CN112948619B CN202110223702.6A CN202110223702A CN112948619B CN 112948619 B CN112948619 B CN 112948619B CN 202110223702 A CN202110223702 A CN 202110223702A CN 112948619 B CN112948619 B CN 112948619B
Authority
CN
China
Prior art keywords
chess
chess manual
neural network
manual
steps
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.)
Active
Application number
CN202110223702.6A
Other languages
English (en)
Other versions
CN112948619A (zh
Inventor
金一舟
刘庆杰
王蕴红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Innovation Research Institute of Beihang University
Original Assignee
Hangzhou Innovation Research Institute of Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Innovation Research Institute of Beihang University filed Critical Hangzhou Innovation Research Institute of Beihang University
Priority to CN202110223702.6A priority Critical patent/CN112948619B/zh
Publication of CN112948619A publication Critical patent/CN112948619A/zh
Application granted granted Critical
Publication of CN112948619B publication Critical patent/CN112948619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V30/32—Digital ink
    • 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
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/42—Document-oriented image-based pattern recognition based on the type of document
    • G06V30/422—Technical drawings; Geographical maps

Abstract

本发明涉及一种基于深度学习的手写棋谱辅助录入方法及装置，所述方法包括对神经网络进行训练，得到训练好的神经网络模型；将待处理的手写棋谱输入到神经网络模型中进行识别，对棋谱进行初步排列；通过预设的棋局规则对棋谱信息进行规范化后录入并保存。本发明利用深度学习算法得到神经网络模型，通过神经网络识别手写棋谱上的棋局信息，结合棋类规则，对手写棋谱进行规范化的信息录入；能够避免人工录入的麻烦及降低了人工成本，除此之外，能够使得手写棋谱容易保存及容易恢复。

Description

基于深度学习的手写棋谱辅助录入方法及装置
技术领域
本发明属于神经网络技术领域，具体涉及一种基于深度学习的手写棋谱辅助录入方法及装置。
背景技术
现有的棋谱录入，主要依靠人工录入或者电子棋盘，耗费大量人力或者成本较高，且一般只收录高水平的棋谱，赛场上大量棋局仅仅留有棋手手写棋谱而没有被系统的信息化保存。在棋院学习时，每日对局后的棋谱都只能通过手工写入记录本，而手写棋谱不易保存，且不易于后期恢复。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种基于深度学习的手写棋谱辅助录入方法及装置，以解决现有技术中都只能通过手工写入记录本，而手写棋谱不易保存，且不易于后期恢复的问题。
为实现以上目的，本发明采用如下技术方案：一种基于深度学习的手写棋谱辅助录入方法，包括：
对神经网络进行训练，得到训练好的神经网络模型；
将待处理的手写棋谱输入到所述神经网络模型中进行识别，对所述棋谱进行初步排列；
通过预设的棋局规则对棋谱信息进行规范化后录入并保存。
进一步的，所述对神经网络进行训练，得到训练好的神经网络模型，包括：
获取手写棋谱，将所述手写棋谱转换为图片格式，得到手写棋谱图片；
将手写棋谱图片调整至预设尺寸以构成训练数据；
将所述训练数据输入到神经网络中进行训练，直至神经网络收敛，在所述神经网络预测结果输出所述训练数据的每段文字的位置和对应的文字内容时，输出神经网络模型。
进一步的，所述棋局规则包括：
在棋局开始后，每输入一步棋，则输出对手在下一步要走的所有可选走法。
进一步的，所述通过预设的棋局规则对棋谱信息进行规范化，包括：
逐步检测识别输入的棋谱信息，并对每一步进行录入；
所述对每一步进行录入，包括：
如果待走新一步在可选走法范围内，则直接记录为新一步；
如果待走新一步与可选走法均不一致，则将计算所述待走新一步和所有可选走法的相似度，确定最大相似度，并将所述最大相似度与预设阈值进行对比，若所述最大相似度大于预设阈值，说明所述待走新一步识别不准确或书写不规范，则将所述最大相似度的可选走法确定为新一步并记录；
若所述相似度小于预设阈值，说明棋局步数存在漏记或误记，则对所有的上一步可选走法进行反向推演，如果在预设的反推步数内存在推演走法与所述待走新一步的最大相似度大于预设阈值，则确定为漏记或误记，将所述最大相似度值对应的走法录入，如果超过所述反推步数仍无法确定待走新一步，则引入人工排查。
进一步的，所述在预设的反推步数内存在推演走法与所述待走新一步的最大相似度大于预设阈值，则确定为漏记或误记，将所述最大相似度值对应的走法录入，包括：
结合所有的上一步可选走法的推演可选走法，如果在所述推演可选走法中存在与待走新一步相似度大于预设阈值的推演可选走法，且与识别到的下一步待走新一步的所有可选走法的相似度大于预设阈值，则确定该推演可选走法为漏记或误记，将该推演可选走法进行录入。
进一步的，还包括：
将棋谱信息根据棋谱类别保存为相应的棋谱格式。
进一步的，还包括：
根据棋谱类别规定相应的识别字符，所述神经网络模型输出识别字符。
本申请实施例提供一种基于深度学习的手写棋谱辅助录入装置，包括：
训练模块，用于对神经网络进行训练，得到训练好的神经网络模型；
识别模块，用于将待处理的手写棋谱输入到所述神经网络模型中进行识别，对所述棋谱进行初步排列；
录入模块，用于通过预设的棋局规则对棋谱信息进行规范化后录入并保存。
进一步的，所述棋局规则包括：
在棋局开始后，每输入一步棋，则输出对手在下一步要走的所有可选走法。
进一步的，所述通过预设的棋局规则对棋谱信息进行规范化，包括：
逐步检测识别输入的棋谱信息，并对每一步进行录入；
所述对每一步进行录入，包括：
如果待走新一步在可选走法范围内，则直接记录为新一步；
如果待走新一步与可选走法均不一致，则将计算所述待走新一步和所有可选走法的相似度，确定最大相似度，并将所述最大相似度与预设阈值进行对比，若所述最大相似度大于预设阈值，说明所述待走新一步识别不准确或书写不规范，则将所述最大相似度的可选走法确定为新一步并记录；
若所述相似度小于预设阈值，说明棋局步数存在漏记或误记，则对所有的上一步可选走法进行反向推演，如果在预设的反推步数内存在推演走法与所述待走新一步的最大相似度大于预设阈值，则确定为漏记或误记，将所述最大相似度值对应的走法录入，如果超过所述反推步数仍无法确定待走新一步，则引入人工排查。
本发明采用以上技术方案，能够达到的有益效果包括：
本发明提供一种基于深度学习的手写棋谱辅助录入方法及装置，所述方法包括对神经网络进行训练，得到训练好的神经网络模型；将待处理的手写棋谱输入到神经网络模型中进行识别，对棋谱进行初步排列；通过预设的棋局规则对棋谱信息进行规范化后录入并保存。本发明利用深度学习算法得到神经网络模型，通过神经网络识别手写棋谱上的棋局信息，结合棋类规则，对手写棋谱进行规范化的信息录入；能够避免人工录入的麻烦及降低了人工成本，除此之外，能够使得手写棋谱容易保存及容易恢复。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于深度学习的手写棋谱辅助录入方法的步骤示意图；
图2为本发明国际象棋的走法与符号对应示意图；
图3为本发明国际象棋的走法与符号对应示意图；
图4为本发明国际象棋的走法与符号对应示意图；
图5为本发明基于深度学习的手写棋谱辅助录入装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
下面结合附图介绍本申请实施例中提供的一个具体的基于深度学习的手写棋谱辅助录入方法。
如图1所示，本申请实施例中提供的基于深度学习的手写棋谱辅助录入方法，包括：
S101，对神经网络进行训练，得到训练好的神经网络模型；
首先采用不同的手写棋谱对神经网络进行训练，在进行多次训练后得到训练好的神经网络模型，神经网络模型能够对输入的手写棋谱进行识别，直接输出手写棋谱的文字位置、文字信息或是符号等，可根据不同的棋谱类别进行相应输出。
S102，将待处理的手写棋谱输入到所述神经网络模型中进行识别，对所述棋谱进行初步排列；
可以理解的是，手写棋谱输入到神经网络模型中后，神经网络模型能够首先对手写棋谱进行一个初步排列，以方便后续对手写棋谱的识别。
S103，通过预设的棋局规则对棋谱信息进行规范化后录入并保存。
用户预先设置棋局规则，棋局规则可以自动输出下一步对手可能走的所有步数，从而对棋谱信息进行规范化，然后录入保存。
基于深度学习的手写棋谱辅助录入方法的工作原理为：使用预先训练好的神经网络模型，对棋谱上的手写文字进行检测识别。通过检测到的文字位置信息，将识别到的棋谱进行初步排列。随后，通过设计好的棋局规则，将初步检测到的棋谱信息一步步录入，使用规则保证录入棋谱的规范性，最终将整理好的棋谱保存成对应的规范格式。
一些实施例中，所述对神经网络进行训练，得到训练好的神经网络模型，包括：
获取手写棋谱，将所述手写棋谱转换为图片格式，得到手写棋谱图片；
将手写棋谱图片调整至预设尺寸以构成训练数据；
将所述训练数据输入到神经网络中进行训练，直至神经网络收敛，在所述神经网络预测结果输出所述训练数据的每段文字的位置和对应的文字内容时，输出神经网络模型。
具体的，本申请设计神经网络模型，利用网上公开手写数据库对神经网络进行训练(可以理解的是，为了具有更好的手写棋谱识别效果，可以搜集大量手写棋谱，进行人工标注转写，并利用此数据集对神经网络模型进行优化)，神经网络模型输入为手写棋谱图片，输出为图片上每段文字的位置和对应的文字内容。为了使棋谱输出更加精确，我们对将针对不同棋类规定识别字符，如国际象棋，在手写棋谱中仅出现‘RBNKQabcdefgh12345678O-O*+’这些符号，则通过设定，确保神经网络模型的输出仅由这些符号组合而成，排除其他无关字符的影响。
一些实施例中，所述棋局规则包括：
在棋局开始后，每输入一步棋，则输出对手在下一步要走的所有可选走法。
优选的，所述棋局规则根据不同棋类进行相应设定。
具体的，本申请依照不同棋类的规则，进行特定设计。在整体的规则约束下，一盘棋局从头开始，每输入一步棋，就可以自动输出下一步对手可能走的所有步数。不同棋类包括：国际象棋、中国象棋、军棋等，还可以包括其他棋类，本申请在此不做限定。
一些实施例中，所述通过预设的棋局规则对棋谱信息进行规范化，包括：
逐步检测识别输入的棋谱信息，并对每一步进行录入；
所述对每一步进行录入，包括：
如果待走新一步在可选走法范围内，则直接记录为新一步；
如果待走新一步与可选走法均不一致，则将计算所述待走新一步和所有可选走法的相似度，确定最大相似度，并将所述最大相似度与预设阈值进行对比，若所述最大相似度大于预设阈值，说明所述待走新一步识别不准确或书写不规范，则将所述最大相似度的可选走法确定为新一步并记录；
若所述相似度小于预设阈值，说明棋局步数存在漏记或误记，则对所有的上一步可选走法进行反向推演，如果在预设的反推步数内存在推演走法与所述待走新一步的最大相似度大于预设阈值，则确定为漏记或误记，将所述最大相似度值对应的走法录入，如果超过所述反推步数仍无法确定待走新一步，则引入人工排查。
具体的，神经网络模型根据棋谱规范为从头开始逐步输入检测识别到的棋谱信息，每一步的录入有以下几种情况：
若待走新一步在棋谱规则的可选走法范围内，则说明待走的新一步是正确的，那么将待走的新一步确定为新一步，对新一步进行记录；
若待走新一步与棋谱规则的可选走法没有完全一致的，则设定一个预设阈值，需要说明的是，预设阈值是提前设定的。
若待走新一步和可选走法的相似度在预设阈值之上，则选取与其相似度最大的可选走法，则说明待走新一步可能为识别不准确或书写不够规范的情况，那么将可选走法替换为待走新一步并将此步记录；
若相似度都在预设阈值之下，说明之前存储的走法存在漏记或误记的情况，则针对所有可选走法进行进一步探索，依照后续的步数走法，反推漏记或误记的步数，如果在反推步数内能找到漏记或误记的步数，则从该步数进行重新记录；其中，反推的步数可以根据需求进行设置，若超过反推步数，则说明棋谱记录上存在重大问题，将引入人工进行深入排查。
优选的，所述在预设的反推步数内存在推演走法与所述待走新一步的最大相似度大于预设阈值，则确定为漏记或误记，将所述最大相似度值对应的走法录入，包括：
结合所有的上一步可选走法的推演可选走法，如果在所述推演可选走法中存在与待走新一步相似度大于预设阈值的推演可选走法，且与识别到的下一步待走新一步的所有可选走法的相似度大于预设阈值，则确定该推演可选走法为漏记或误记，将该推演可选走法进行录入。
优选的，还包括：
将棋谱信息根据棋谱类别保存为相应的棋谱格式。
优选的，还包括：
根据棋谱类别规定相应的识别字符，所述神经网络模型输出识别字符。
具体的，最终确保录入的棋谱都是符合规范的，并将棋谱依照类别保存成其相对应的规范格式(例如：国际象棋＝pgn格式)；我们对将针对不同棋类规定识别字符，如国际象棋，在手写棋谱中仅出现‘RBNKQabcdefgh12345678O-Ox+’这些符号，通过设定确保模型的输出仅由这些符号组合而成，排除其他无关字符的影响。
如表1所示，为神经网络模型对输入的手写棋谱的识别结果，
表1
其中，设定N：马，Q：后，K：王，B：象，R：车，前面没有大写字母的代表兵。
对于表1中，如图2所示，是第一步e4的走法，代表兵走到e4的格子；
如图3所示，是第二步c5的走法，黑棋的兵走到c5的格子；
如图4所示，为马走到f3的走法，白棋的马走到f3的格子。
作为一个具体的实施方式，如表1所示，第一步棋子在未走时，可选走法为Nh3，Nf3，Nc3，Na3，h3，g3，f3，e3，d3，c3，b3，a3，h4，g4，f4，e4，d4，c4，b4，a4，最终待走新一步选取为e4并记录在录入结果；
在走了e4的走法后，可选走法包括Nh6，Nf6，Nc6，Na6，h6，g6，f6，e6，d6，c6，b6，a6，h5，g5，f5，e5，d5，c5，b5，a5；待走新一步识别为c5，因可选走法中包括c5，因此最终录入为c5；
以此类推；在待走新一步识别为cd，但是可选走法中包括Rg8，Kd7，Qd7，Qc7，Qb6，Qa5，Bd7，Be6，Bf5，Bg4，Bh3，Nbd7，Nc6，Na6，Ng8，Nfd7，Nh5，Nd5，Ng4，Nxe4，cxd4，h6，g6，e6，b6，a6，d5，c4，h5，g5，e5，b5，a5，其中并不存在cd，因此，计算cd与可选走法中所有步法的相似度，最终确定cd与cxd4的相似度最大且高于预设阈值，因此，将cxd4作为该步法的录入。
需要说明的是，因为每一步都包括双方的步数，因此双方的步法录入为一组。
作为一个具体的实施方式，如表2所示，其中，e4、c5、Nf3、d6、Nc3、Nf6均为确定新一步并录入，而在待定新一步cxd4没找到对应的步数且相似度小于预设阈值，则对上一步所有可能的步数Ng5，Ne5，Nh4，Nd4，Ng1，Nd5，Nb5，Na4，Ne2，Nb1，Rg1，Ba6，Bb5+，Bc4，Bd3，Be2，Ke2，Qe2，Rb1，e5，h3，g3，d3，b3，a3，h4，g4，d4，b4，a4进行推演，也就是对所有可选走法的可选走法进行推演，得到推演可选走法；
Ng5的推演可选走法为：Rg8，Kd7，Qd7，Qc7，Qb6，Qa5，Bd7，Be6，Bf5，Bg4，Bh3，Nbd7，Nc6，Na6，Ng8，Nfd7，Nh5，Nd5，Ng4，Nxe4，h6，g6，e6，b6，a6，d5，c4，h5，e5，b5，a5；
Ne5的推演可选走法为：Rg8，Qd7，Qc7，Qb6，Qa5，Bd7，Be6，Bf5，Bg4，Bh3，Nbd7，Nc6，Na6，Ng8，Nfd7，Nh5，Nd5，Ng4，Nxe4，dxe5，h6，g6，e6，b6，a6，d5，c4，h5，g5，b5，a5；
……
d4的推演可选走法为Rg8，Kd7，Qd7，Qc7，Qb6，Qa5，Bd7，Be6，Bf5，Bg4，Bh3，Nbd7，Nc6，Na6，Ng8，Nfd7，Nh5，Nd5，Ng4，Nxe4，cxd4，h6，g6，e6，b6，a6，d5，c4，h5，g5，e5，b5，a5；
此时发现在可选走法d4的推演可选走法中存在cxd4与初步识别的下一步cxd4的相似度大于预设阈值，说明d4可能为漏记的步法，而cxd4则为可能正确的步法
此时再查看初步识别的下一步为Nd4；
结合Nd4在上一步的可选走法和识别为cxd4后，其可选走法为Ng5，Ne5，Nh4，Nxd4，Nd2，Ng1，Nd5，Nb5，Na4，Ne2，Nb1，Rg1，Ba6，Bb5+，Bc4，Bd3，Be2，Ke2，Kd2，Qxd4，Qd3，Qe2，Qd2，Bh6，Bg5，Bf4，Be3，Bd2，Rb1，e5，h3，g3，b3，a3，h4，g4，b4，a4；
存在Nxd4，相似度最大，且大于预设阈值，由此录入结果。
因此，其输出结果为1.e4 c5，2.Nf3 d6 3.Nc3 Nf6 4.d4 cxd4，5.N*d4……
其中，在反推时，若可选走法的推演可选走法中存在可能正确的步法，则此类可选走法均为可能漏记的步法，需要说明的是，当反推时会出现多个可能漏记的步法，可对每个可能漏记的步法向后的步数进行检测；本申请还设有检测步数阈值，对所有可能漏记的步法向后检测预设步数，对比确定所有可能漏记的步法中的正确步数最大的一个，且该正确步数大于检测步数阈值时，表示该可能漏记的步法是漏记的步法，进行记录。
对上面实施例进行具体说明，其中，因为待走新一步cxd4的可选走法的所有的推演可选走法中只有d4的的推演可选走法中存在的cxd4与cxd4的相似度大于预设阈值，也就是只有d4是可能漏记的步法，因为只存在一个所以无需比较正确步数；即确定d4为唯一可能漏记的步法；在确定后需对可能漏记的步法d4的后续步骤进行检验，上述实施例中，校验了cxd4和Nd4两步，此时正确步数为2，假设检测步数阈值为1，则证明通过校验d4为漏记的正确步法，与cxd4,Nd4两步一起进行录入。
假设存在两个可选走法的推演可选走法与待走新一步cxd4的相似度大于预设阈值，则需检测两个的推演可选走法的后续步数，确定正确步数较大且大于检测步数阈值的一个的漏记的步法为正确步法录入。可以理解的是，将可能漏记的走法记录在待走新一步的上一步。
如图5所示，本申请实施例提供一种基于深度学习的手写棋谱辅助录入装置，包括：
训练模块501，用于对神经网络进行训练，得到训练好的神经网络模型；
识别模块502，用于将待处理的手写棋谱输入到所述神经网络模型中进行识别，对所述棋谱进行初步排列；
录入模块503，用于通过预设的棋局规则对棋谱信息进行规范化后录入并保存。
本申请提供的基于深度学习的手写棋谱辅助录入装置的工作原理为，训练模块501对神经网络进行训练，得到训练好的神经网络模型；识别模块502将待处理的手写棋谱输入到所述神经网络模型中进行识别，对所述棋谱进行初步排列；录入模块503通过预设的棋局规则对棋谱信息进行规范化后录入并保存。
一些实施例中，所述训练模块，包括：
获取单元，用于获取手写棋谱，将所述手写棋谱转换为图片格式，得到手写棋谱图片；
调整单元，用于将手写棋谱图片调整至预设尺寸以构成训练数据；
训练单元，用于将所述训练数据输入到神经网络中进行训练，直至神经网络收敛，在所述神经网络预测结果输出所述训练数据的每段文字的位置和对应的文字内容时，输出神经网络模型。
优选的，所述棋局规则包括：
在棋局开始后，每输入一步棋，则输出对手在下一步要走的所有可选走法。
优选的，所述通过预设的棋局规则对棋谱信息进行规范化，包括：
逐步检测识别输入的棋谱信息，并对每一步进行录入；
所述对每一步进行录入，包括：
如果待走新一步在可选走法范围内，则直接记录为新一步；
如果待走新一步与可选走法均不一致，则将计算所述待走新一步和所有可选走法的相似度，确定最大相似度，并将所述最大相似度与预设阈值进行对比，若所述最大相似度大于预设阈值，说明所述待走新一步识别不准确或书写不规范，则将所述最大相似度的可选走法确定为新一步并记录；
若所述相似度小于预设阈值，说明棋局步数存在漏记或误记，则对所有的上一步可选走法进行反向推演，如果在预设的反推步数内存在推演走法与所述待走新一步的最大相似度大于预设阈值，则确定为漏记或误记，将所述最大相似度值对应的走法录入，如果超过所述反推步数仍无法确定待走新一步，则引入人工排查。
本申请实施例提供一种计算机设备，包括处理器，以及与处理器连接的存储器；
存储器用于存储计算机程序，计算机程序用于执行上述任一实施例提供的基于深度学习的手写棋谱辅助录入方法；
处理器用于调用并执行存储器中的计算机程序。
综上所述，本发明提供一种基于深度学习的手写棋谱辅助录入方法及装置，所述方法包括对神经网络进行训练，得到训练好的神经网络模型；将待处理的手写棋谱输入到神经网络模型中进行识别，对棋谱进行初步排列；通过预设的棋局规则对棋谱信息进行规范化后录入并保存。本发明利用深度学习算法得到神经网络模型，通过神经网络识别手写棋谱上的棋局信息，结合棋类规则，对手写棋谱进行规范化的信息录入；能够避免人工录入的麻烦及降低了人工成本，除此之外，能够使得手写棋谱容易保存及容易恢复。
可以理解的是，上述提供的方法实施例与上述的装置实施例对应，相应的具体内容可以相互参考，在此不再赘述。
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和光学存储器等)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、设备(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方法的制造品，该指令方法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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种基于深度学习的手写棋谱辅助录入方法，其特征在于，包括：
对神经网络进行训练，得到训练好的神经网络模型；
将待处理的手写棋谱输入到所述神经网络模型中进行识别，对所述棋谱进行初步排列；
通过预设的棋局规则对棋谱信息进行规范化后录入并保存；
所述通过预设的棋局规则对棋谱信息进行规范化，包括：
逐步检测识别输入的棋谱信息，并对每一步进行录入；
所述对每一步进行录入，包括：
如果待走新一步在可选走法范围内，则直接记录为新一步；
如果待走新一步与可选走法均不一致，则将计算所述待走新一步和所有可选走法的相似度，确定最大相似度，并将所述最大相似度与预设阈值进行对比，若所述最大相似度大于预设阈值，说明所述待走新一步识别不准确或书写不规范，则将所述最大相似度的可选走法确定为新一步并记录；
若所述相似度小于预设阈值，说明棋局步数存在漏记或误记，则对所有的上一步可选走法进行反向推演，如果在预设的反推步数内存在推演走法与所述待走新一步的最大相似度大于预设阈值，则确定为漏记或误记，将所述最大相似度值对应的走法录入，如果超过所述反推步数仍无法确定待走新一步，则引入人工排查。
2.根据权利要求1所述的方法，其特征在于，所述对神经网络进行训练，得到训练好的神经网络模型，包括：
获取手写棋谱，将所述手写棋谱转换为图片格式，得到手写棋谱图片；
将手写棋谱图片调整至预设尺寸以构成训练数据；
将所述训练数据输入到神经网络中进行训练，直至神经网络收敛，在所述神经网络预测结果输出所述训练数据的每段文字的位置和对应的文字内容时，输出神经网络模型。
3.根据权利要求1所述的方法，其特征在于，所述棋局规则包括：
在棋局开始后，每输入一步棋，则输出对手在下一步要走的所有可选走法。
4.根据权利要求1所述的方法，其特征在于，所述在预设的反推步数内存在推演走法与所述待走新一步的最大相似度大于预设阈值，则确定为漏记或误记，将所述最大相似度值对应的走法录入，包括：
结合所有的上一步可选走法的推演可选走法，如果在所述推演可选走法中存在与待走新一步相似度大于预设阈值的推演可选走法，且与识别到的下一步待走新一步的所有可选走法的相似度大于预设阈值，则确定该推演可选走法为漏记或误记，将该推演可选走法进行录入。
5.根据权利要求4所述的方法，其特征在于，还包括：
将棋谱信息根据棋谱类别保存为相应的棋谱格式。
6.根据权利要求2所述的方法，其特征在于，还包括：
根据棋谱类别规定相应的识别字符，所述神经网络模型输出识别字符。
7.一种基于深度学习的手写棋谱辅助录入装置，其特征在于，包括：
训练模块，用于对神经网络进行训练，得到训练好的神经网络模型；
识别模块，用于将待处理的手写棋谱输入到所述神经网络模型中进行识别，对所述棋谱进行初步排列；
录入模块，用于通过预设的棋局规则对棋谱信息进行规范化后录入并保存；
所述通过预设的棋局规则对棋谱信息进行规范化，包括：
逐步检测识别输入的棋谱信息，并对每一步进行录入；
所述对每一步进行录入，包括：
如果待走新一步在可选走法范围内，则直接记录为新一步；
如果待走新一步与可选走法均不一致，则将计算所述待走新一步和所有可选走法的相似度，确定最大相似度，并将所述最大相似度与预设阈值进行对比，若所述最大相似度大于预设阈值，说明所述待走新一步识别不准确或书写不规范，则将所述最大相似度的可选走法确定为新一步并记录；
若所述相似度小于预设阈值，说明棋局步数存在漏记或误记，则对所有的上一步可选走法进行反向推演，如果在预设的反推步数内存在推演走法与所述待走新一步的最大相似度大于预设阈值，则确定为漏记或误记，将所述最大相似度值对应的走法录入，如果超过所述反推步数仍无法确定待走新一步，则引入人工排查。
8.根据权利要求7所述的装置，其特征在于，所述棋局规则包括：
在棋局开始后，每输入一步棋，则输出对手在下一步要走的所有可选走法。
CN202110223702.6A 2021-03-01 2021-03-01 基于深度学习的手写棋谱辅助录入方法及装置 Active CN112948619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110223702.6A CN112948619B (zh) 2021-03-01 2021-03-01 基于深度学习的手写棋谱辅助录入方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110223702.6A CN112948619B (zh) 2021-03-01 2021-03-01 基于深度学习的手写棋谱辅助录入方法及装置

Publications (2)

Publication Number Publication Date
CN112948619A CN112948619A (zh) 2021-06-11
CN112948619B true CN112948619B (zh) 2023-04-28

Family

ID=76246803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110223702.6A Active CN112948619B (zh) 2021-03-01 2021-03-01 基于深度学习的手写棋谱辅助录入方法及装置

Country Status (1)

Country Link
CN (1) CN112948619B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114372176B (zh) * 2022-03-22 2022-06-24 北京航空航天大学杭州创新研究院 棋谱纠正方法及设备
CN114663732A (zh) * 2022-05-25 2022-06-24 北京航空航天大学杭州创新研究院 基于表征学习的棋类局面转化模型建立、转化方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101279137A (zh) * 2008-03-05 2008-10-08 鼎丞科技有限公司 一种记录对弈过程的方法及电子棋盘
CN109621384A (zh) * 2018-12-06 2019-04-16 南京牧象物联智能科技有限公司 一种训练用电子棋盘系统及训练行棋监控方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1764492A (zh) * 2003-01-24 2006-04-26 Innde公司 实时电子国际象棋走棋记录、观看和存储用的系统和设备
JP4797517B2 (ja) * 2005-08-31 2011-10-19 オムロン株式会社 監視装置および方法、並びにプログラム
CN100452085C (zh) * 2006-12-31 2009-01-14 常熟理工学院 图像识别棋谱自动记录方法
CN102012904A (zh) * 2009-09-07 2011-04-13 周四红 一种棋谱文件的生成方法及系统
CN104484910A (zh) * 2014-11-15 2015-04-01 朱信 传统棋具棋类比赛实时记谱系统
CN105279464A (zh) * 2015-10-22 2016-01-27 张建伟 一种记录棋谱的系统及方法
US9950261B2 (en) * 2016-04-29 2018-04-24 International Business Machines Corporation Secure data encoding for low-resource remote systems
CN108491804B (zh) * 2018-03-27 2019-12-27 腾讯科技（深圳）有限公司 一种棋局展示的方法、相关装置及系统
CN109145809B (zh) * 2018-08-17 2022-03-08 腾讯科技（深圳）有限公司 一种记谱处理方法和装置以及计算机可读存储介质
CN109800647A (zh) * 2018-12-18 2019-05-24 陈韬文 一种棋谱自动生成方法、系统、装置和存储介质
CN110149553B (zh) * 2019-05-10 2020-08-11 腾讯科技（深圳）有限公司 图像的处理方法和装置、存储介质及电子装置
CN110721460A (zh) * 2019-10-25 2020-01-24 宝德仕电玩制造(深圳)有限公司 一种自主智能识别的国际象棋及其实现方法
CN210992924U (zh) * 2019-10-25 2020-07-14 宝德仕电玩制造(深圳)有限公司 一种自主智能识别的国际象棋

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101279137A (zh) * 2008-03-05 2008-10-08 鼎丞科技有限公司 一种记录对弈过程的方法及电子棋盘
CN109621384A (zh) * 2018-12-06 2019-04-16 南京牧象物联智能科技有限公司 一种训练用电子棋盘系统及训练行棋监控方法

Also Published As

Publication number Publication date
CN112948619A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
US11508251B2 (en) Method and system for intelligent identification and correction of questions
CN112948619B (zh) 基于深度学习的手写棋谱辅助录入方法及装置
CN107239666B (zh) 一种对医疗影像数据进行脱敏处理的方法及系统
EP2785058A1 (en) Video advertisement broadcasting method, device and system
CN109978078B (zh) 字体版权检测方法、介质、计算机设备及装置
CN105261109A (zh) 一种钞票冠字号识别方法
CN112101315B (zh) 一种基于深度学习的运动评判指导方法和系统
JP2015069495A (ja) 人物認識装置、人物認識方法、人物認識プログラムおよびその記録媒体
US20130077856A1 (en) Processes and systems for training machine typesets for character recognition
CN109710705A (zh) 地图兴趣点处理方法和装置
CN112116592B (zh) 图像检测方法、图像检测模型的训练方法、装置和介质
CN112347997A (zh) 一种试题检测识别方法、装置、电子设备及介质
CN115687643A (zh) 一种训练多模态信息抽取模型的方法及信息抽取方法
CN110865721B (zh) 动作数据标记装置、方法及非暂态计算机可读取存储介质
CN111104159A (zh) 一种基于程序分析和神经网络的注释定位方法
CN114639152A (zh) 基于人脸识别的多模态语音交互方法、装置、设备及介质
CN104036227A (zh) 一种生成电子乐谱的方法和移动终端
CN109993053B (zh) 电子装置、基于微表情识别的访谈辅助方法和存储介质
CN115687790B (zh) 基于大数据的广告推送方法、系统及云平台
CN109670365B (zh) 一种书法鉴定系统及方法
CN115471775A (zh) 基于录屏视频的信息验证方法、装置、设备及存储介质
CN114743048A (zh) 检测异常秸秆图片的方法和检测装置
CN113918471A (zh) 测试用例的处理方法、装置及计算机可读存储介质
JP5188290B2 (ja) アノテーション装置、アノテーション方法およびプログラム
TW201001303A (en) System and method for recognizing document immediately

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Jin Yizhou

Inventor after: Liu Qingjie

Inventor after: Wang Yunhong

Inventor before: Jin Yizhou

GR01 Patent grant
GR01 Patent grant