CN113642583B - 用于文本检测的深度学习模型训练方法及文本检测方法 - Google Patents

Abstract

本公开提供了用于文本检测的深度学习模型训练方法及文本检测方法，涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于OCR光学字符识别等场景。给出了用于文本检测的深度学习模型训练方法，单字符分割子网络输出的单字符分割预测结果，文本行分割子网络输出的文本行分割预测结果，训练后的深度学习模型可以用于文本区域的检测；并且可以同时实现单字符分割及文本行分割的预测，从而能够结合两种文本分割方式来进行文本检测，能够进一步提高文本区域检测的准确性。

Description

用于文本检测的深度学习模型训练方法及文本检测方法

技术领域

本公开人工智能技术领域，具体为计算机视觉和深度学习技术领域。

背景技术

随着深度学习技术的发展，基于深度学习模型的文本检测已经广泛应用于工业界和学术界，如旅游即时翻译，纸质文档电子化，招牌识别，图片文字审核等，而要实现对图像中的文本进行检测，首先要确定图像中的文本区域。

发明内容

本公开提供了一种用于文本检测的深度学习模型训练方法及文本检测方法的方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种用于文本检测的深度学习模型训练方法，所述方法包括：

获取待训练的深度学习模型，其中，深度学习模型包括单字符预测网络及文本行预测网络，所述单字符分割网络包括单字符分割子网络及第一字符数量预测子网络，所述文本行预测网络包括文本行分割子网络及第二字符数量预测子网络；

选取一第一类样本数据及当前选取的第一类样本数据的标签数据；

将当前选取的第一类样本数据输入到深度学习模型中，得到当前选取的第一类样本数据的预测结果，其中，所述预测结果包括单字符分割预测结果、第一字符数量预测值、文本行分割预测结果、第二字符数量预测值；

根据当前选取的第一类样本数据的预测结果及标签数据，调整深度学习模型的训练参数，得到训练后的深度学习模型。

根据本公开的第二方面，提供了一种文本检测方法，包括：

获取待检测数据；

将所述待检测数据输入到预先训练的深度学习模型中，得到所述待检测数据的单字符分割预测结果及文本行分割预测结果，其中，所述深度学习模型基于本公开中任一所述的用于文字检测的深度学习模型训练方法训练得到；

根据所述待检测数据的单字符分割预测结果及文本行分割预测结果，确定所述待检测数据中的文本区域。

根据本公开的第三方面，提供了一种用于文本检测的深度学习模型训练装置，所述装置包括：

深度学习模型获取模块，用于获取待训练的深度学习模型，其中，深度学习模型包括单字符预测网络及文本行预测网络，所述单字符分割网络包括单字符分割子网络及第一字符数量预测子网络，所述文本行预测网络包括文本行分割子网络及第二字符数量预测子网络；

第一类样本数据选取模块，用于选取一第一类样本数据及当前选取的第一类样本数据的标签数据；

预测结果确定模块，用于将当前选取的第一类样本数据输入到深度学习模型中，得到当前选取的第一类样本数据的预测结果，其中，所述预测结果包括单字符分割预测结果、第一字符数量预测值、文本行分割预测结果、第二字符数量预测值；

训练参数调整模块，用于根据当前选取的第一类样本数据的预测结果及标签数据，调整深度学习模型的训练参数，得到训练后的深度学习模型。

根据本公开的第四方面，提供了一种文本检测装置，包括：

待检测数据获取模块，用于获取待检测数据；

预测结果确定模块，用于将所述待检测数据输入到预先训练的深度学习模型中，得到所述待检测数据的单字符分割预测结果及文本行分割预测结果，其中，所述深度学习模型基于本申请中任一所述的用于文字检测的深度学习模型训练装置训练得到；

文本区域确定模块，用于根据所述待检测数据的单字符分割预测结果及文本行分割预测结果，确定所述待检测数据中的文本区域。

根据本公开的第五方面，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；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本申请中任一所述的用于文本检测的深度学习模型训练方法及文本检测方法的方法。

根据本公开的第六方面，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，其中，所述计算机指令用于使所述计算机执行本申请中任一所述的用于文本检测的深度学习模型训练方法及文本检测方法的方法。

根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本申请中任一所述的用于文本检测的深度学习模型训练方法及文本检测方法的方法。

在本公开实施例中，给出了用于文本检测的深度学习模型训练方法，训练后的深度学习模型可以用于文本区域的检测；并且可以同时实现单字符分割及文本行分割的预测，从而能够结合两种文本分割方式来进行文本检测，能够进一步提高文本区域检测的准确性。

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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例的用于文本检测的深度学习模型训练方法的一种示意图；

图2是根据本公开实施例中步骤S13的一种可能的实现方式的示意图；

图3是根据本公开实施例的有监督训练的过程的一种示意图；

图4是根据本公开实施例的无监督训练的过程的一种示意图；

图5是根据本公开实施例的文本检测方法的一种示意图；

图6是根据本公开实施例中步骤S53的一种可能的实现方式的示意图；

图7是根据本公开实施例的用于文本检测的深度学习模型训练装置的一种示意图；

图8是用来实现本公开实施例的方法的电子设备的框图。

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和精神。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。

要实现对图像中的文本进行检测，首先要确定图像中的文本区域，有鉴于此，本公开实施例提供了一种用于文本检测的深度学习模型训练方法，参见图1，所述方法包括：

S11，获取待训练的深度学习模型，其中，深度学习模型包括单字符预测网络及文本行预测网络，所述单字符分割网络包括单字符分割子网络及第一字符数量预测子网络，所述文本行预测网络包括文本行分割子网络及第二字符数量预测子网络。

本公开实施例的用于文本检测的深度学习模型训练方法可以通过电子设备实现，具体的，该电子设备可以为智能手机、个人电脑或服务器等。

待训练的深度学习模型包括单字符预测网络及文本行预测网络，其中，单字符分割网络包括单字符分割子网络及第一字符数量预测子网络，文本行预测网络包括文本行分割子网络及第二字符数量预测子网络。单字符分割子网络用于预测单字符分割结果，即预测图像中每个单字符的区域；文本行分割子网络用于预测文本行分割结果，即预测图像中每个文本行的区域；第一字符数量预测子网络及第二字符数量预测子网络均用于预测字符数量值，即预测图像中有多少个字符。

单字符分割子网络、第一字符数量预测子网络、文本行分割子网络及第二字符数量预测子网络的具体网络结构可以根据实际情况自定义设置，一个例子中，单字符分割子网络可以包括多个卷积层，还可以包括分类器等；第一字符数量预测子网络可以包括多个卷积层及全连接层；文本行分割子网络可以包括多个卷积层，还可以包括分类器等；第二字符数量预测子网络可以包括多个卷积层及全连接层。

S12，选取一第一类样本数据及当前选取的第一类样本数据的标签数据。

第一类样本数据具体可以为图像。第一类样本数据具有标签数据，第一类样本数据的标签数据包括该第一类样本数据的字符数量真值、单字符分割真值结果、文本行分割真值结果中的至少一项。

S13，将当前选取的第一类样本数据输入到深度学习模型中，得到当前选取的第一类样本数据的预测结果，其中，所述预测结果包括单字符分割预测结果、第一字符数量预测值、文本行分割预测结果、第二字符数量预测值。

将当前选取的第一类样本数据输入到深度学习模型中，深度学习模型中的单字符分割子网络输出相应的单字符分割预测结果，第一字符数量预测子网络输出相应的第一字符数量预测值，文本行分割子网络输出相应的文本行分割预测结果，第二字符数量预测子网络输出相应的第二字符数量预测值。

S14，根据当前选取的第一类样本数据的所述预测结果及标签数据，调整深度学习模型的训练参数，得到训练后的深度学习模型。

一个例子中，可以基于第一类样本数据的预测结果及标签数据中的真值，分别计算各网络的损失，并根据网络的损失，调整该网络的训练参数，从而实现深度学习模型的训练参数的调整。

例如，根据当前选取的第一类样本数据的单字符分割预测结果及单字符分割真值结果，计算第一损失，并根据第一损失，调整单字符分割子网络的训练参数。例如，根据当前选取的第一类样本数据的第一字符数量预测值及字符数量真值，计算第二损失，并根据第二损失，调整第一字符数量预测子网络的训练参数。例如，根据当前选取的第一类样本数据的文本行分割预测结果及文本行分割真值结果，计算第三损失，并根据第三损失，调整文本行分割子网络的训练参数。例如，根据当前选取的第一类样本数据的第二字符数量预测值及字符数量真值，计算第四损失，并根据第四损失，调整第二字符数量预测子网络的训练参数。

一次训练完成后，继续选取第一类样本数据对深度学习模型进行训练，直至满足预设训练结束条件，得到训练后的深度学习模型。

预设训练结束条件可以根据实际情况自定义设置，例如深度学习模型的损失收敛，或达到预测的训练次数等。当满足预设训练结束条件，停止训练，得到训练后的深度学习模型。

在本公开实施例中，给出了用于文本检测的深度学习模型训练方法，训练后的深度学习模型可以用于文本区域的检测；并且可以同时实现单字符分割及文本行分割的预测，从而能够结合两种文本分割方式来进行文本检测，能够进一步提高文本区域检测的准确性。

在一种可能的实施方式中，所述深度学习模型还包括编码器网络、第一解码器网络、第二解码器网络；参见图2，所述将当前选取的第一类样本数据输入到深度学习模型中，得到当前选取的第一类样本数据的预测结果，包括：

S21，利用所述编码器网络对当前选取的第一类样本数据进行特征提取，得到全局特征。

一个例子中，编码器网络可以采用轻量级Mobile-v3网络，结合Unet网络对输入的图像数据进行全局特征提取，得到全局特征。

S22，利用所述第一解码器网络对所述全局特征进行特征提取，得到第一高层特征。

一个例子中，第一解码器网络可以包括多层全卷积网络，用于对编码器网络的全局特征进行进一步高层特征提取。

S23，利用所述第二解码器网络对所述全局特征进行特征提取，得到第二高层特征。

一个例子中，第二解码器网络可以包括多层全卷积网络，用于对编码器网络的全局特征进行进一步高层特征提取。

S24，利用所述单字符分割子网络对所述第一高层特征进行处理，得到输出的单字符分割预测结果，利用所述第一字符数量预测子网络对所述第一高层特征进行处理，得到第一字符数量预测值；

一个例子中，第一解码器网络输出的第一高层特征通过单字符分割子网络中的多个卷积层得到单字符前背景分类的特征图，然后通过单字符分割子网络中滤波器的卷积层得到单一输出图，用于表征前景和背景的分割，得到前景为1，背景为0的单字符分割预测结果。第一解码器网络输出的第一高层特征通过第一字符数量预测子网络中的多个卷积层进行进一步的特征提取，然后通过第一字符数量预测子网络的全连接层，将文字数预测任务当作分类任务进行预测得到第一字符数量预测值，一个例子中，全连接层的输出结果可以为1000类，分别对应0-999个字符数量。

S25，利用所述文本行分割子网络对所述第二高层特征进行处理，得到的文本行分割预测结果，利用所述第二字符数量预测子网络对所述第二高层特征进行处理，得到第二字符数量预测值。

一个例子中，第一解码器网络输出的第一高层特征通过单字符分割子网络中的多个卷积层得到单字符前背景分类的特征图，然后通过单字符分割子网络中滤波器的卷积层得到单一输出图，用于表征前景和背景的分割，得到前景为1，背景为0的单字符分割预测结果。第一解码器网络输出的第一高层特征通过第一字符数量预测子网络中的多个卷积层进行进一步的特征提取，然后通过第一字符数量预测子网络的全连接层，将文字数预测任务当作分类任务进行预测得到第一字符数量预测值，一个例子中，全连接层的输出结果可以为1000类，分别对应0-999个字符数量。

在本公开实施例中，第一解码器网络提取的第一高层特征用于单字符预测网络的预测，第二解码器网络提取的第二高层特征用于文本行预测网络的预测，第一解码器网络的训练参数与第二解码器网络的训练参数可以分别调节，实现了单字符预测网络与文本行预测网络输入数据的解耦，能够增加单字符预测网络与文本行预测网络识别的准确率，从而最终提高文本区域检测及字符数量预测的准确率。

在一种可能的实施方式中，所述第一类样本数据的标签数据包括字符数量真值、单字符分割真值结果、文本行分割真值结果中的至少一项；所述根据当前选取的第一类样本数据的预测结果及标签数据，调整深度学习模型的训练参数的步骤，包括以下步骤中的至少一项：

步骤一，根据当前选取的第一类样本数据的单字符分割预测结果及当前选取的第一类样本数据的单字符分割真值结果，计算第一损失；根据所述第一损失，调整所述编码器网络、第一解码器网络、单字符分割子网络中至少一个网络的训练参数。

步骤二，根据当前选取的第一类样本数据的第一字符数量预测值及当前选取的第一类样本数据的字符数量真值，计算第二损失；根据所述第二损失，调整所述编码器网络、第一解码器网络、第一字符数量预测子网络中至少一个网络的训练参数。

步骤三，根据当前选取的第一类样本数据的文本行分割预测结果及当前选取的第一类样本数据的文本行分割真值结果，计算第三损失；根据所述第三损失，调整所述编码器网络、第二解码器网络、文本行分割子网络中至少一个网络的训练参数。

步骤四，根据当前选取的第一类样本数据的第二字符数量预测值及当前选取的第一类样本数据的字符数量真值，计算第四损失；根据所述第四损失，调整所述编码器网络、第二解码器网络、第二字符数量预测子网络中至少一个网络的训练参数。

一个例子中，第一损失及第三损失可以为交叉熵损失例如可以为二元交叉熵损失。一个例子中，可以将字符数量预测值作为类别，例如，可以设置1000个类别，分别对应0-999个字符数量，此种情况下第二损失和第四损失也可以设置为交叉熵损失。

在本公开实施例中，给出了各网络的训练参数的调节方法，利用多个损失来实现各网络的训练参数的调节，能够增加各网络预测的准确性。

在一种可能的实施方式中，所述方法还包括：

步骤A，基于多个第一类样本数据的第一字符数量预测值及第二字符数量预测值，确定第一字符数量预测值与第二字符数量预测值的相对熵，得到第一相对熵。

步骤B，根据所述第一相对熵，调整所述第一字符数量预测子网络和所述第二字符数量预测子网络中至少一个网络的训练参数。

本公开实施例中设计了使用第一字符数量预测子网络和第二字符数量预测子网络，进行DML(Deep Mutual Learning，深度相互学习)，使用KL散度(Kullback-LeiblerDivergence，相对熵)来衡量这两个子网络的预测是否匹配，继而以约束两者的匹配度为目标进行训练。这是因为第一字符数量预测子网络的输入特征的训练有单字符位置监督信息的介入，所以能够更准确地预测出单字字符数。让两个字符数量预测子网络相互学习，能使第二字符数量预测子网络的预测结果和第一字符数量预测子网络的预测结果尽可能一致，从而使得第二字符数量预测子网络学习到了第一字符数量预测子网络的知识。又由于第一字符数量预测子网络和第二字符数量预测子网络从不同的初始条件开始训练，又有不同的输入特征，虽然它们有相同的标签，但它们对下一个最有可能类的概率的估计是不同的，而深度相互学习学习到信息，为训练提供了额外的知识，从而能够进一步提高深度学习模块预测的准确性，即条文本检测的准确性。

在一种可能的实施方式中，所述得到训练后的深度学习模型，包括：

继续选取第一类样本数据对深度学习模型进行有监督训练，并利用第二类样本数据对对深度学习模型无监督训练，直至满足预设训练结束条件，得到训练后的深度学习模型。

有监督训练即上述实施例中利用第一类样本数据对深度学习模型训练的过程，一个例子中，有监督训练的过程可以如图3所示，每一个batch(批次)的样本数据由3部分组成，例如一个batch的样本数据的维度可以为(3*B，3，512，512)，表示3*B张宽乘高为512x512的RGB图像，前B张图像可以标注有单字标注数据(包括字符数量真值、单字符分割真值)结果，中间B张图像为标注有文本行标注数据(包括字符数量真值、文本行分割真值结果)，最后B张图像为不合规文本行标注数据。此处的3*B张为模型训练的超参数，通常根据计算资源而定。当一个batch的样本数据流过encoder(编码器网络)后，得到相应的全局特征，接下来全局特征同时通过DecoderA(解码器A即第一解码器网络)和DecoderB(解码器B即第二解码器网络)，得到相应的特征FA(第一高层特征)和FB(第二高层特征)。特征FA进而通过单字符预测网络进行单字字符分割及字符总数预测，从而得到单字符分割预测结果、第一字符数量预测值；特征FB通过文本行预测网络进行文本行分割及字符总数预测，从而得到文本行分割预测结果、第二字符数量预测值。其中，cross-entropy表示交叉熵损失，Binary cross-entropy表示二元交叉熵损失。

当深度学习模型在有监督训练的情况下满足第一训练条件时，加入无监督训练和有监督训练同时进行，一个例子中，有监督训练的过程可以如图4所示，通过约束未标注样本数据增广前后的预测相同，来缓解模型的过拟合问题，相关文本检测技术中，因为不涉及字符数量的预测常用的数据增广方式包括裁剪等，但是本公开实施例中需要对字符数量进行预测，因此本公开实施例中，采用模糊、旋转、翻转、风格化等不改变字符数量的数据增广方式。

在无监督训练阶段，每一个batch的样本数据由2部分组成，假设一个batch的样本数据的维度是(2*N，3，512，512)，表示2*N张宽乘高为512x512的RGB图像，其中前N张图像为任意的样本图像，后N张图像为前N张对应的增广数据，增广方法包括如模糊、旋转、翻转、风格化中的至少一种。当每一个batch的样本数据经过编码器网络后，无标注数据(相当于第二样本数据)对应的全局特征输入到解码器A中，进而通过第一字符数量预测子网络，得到非增广样本数据的字符数量预测值(相当于第三字符数量预测值)。无标注增广数据(相当于第三样本数据)对应的全局特征输入到解码器B，进而通过第二字符数量预测子网络，增广样本数据的字符数量预测值(相当于第四字符数量预测值)。基于第三字符数量预测值及第四字符数量预测值，使用KL散度进行第一字符数量预测子网络与第二字符数量预测子网络的一致性学习。其中无监督训练的过程中不对单字符分割子网络及文本行分割子网络进行训练。其中，KL-loss表示KL散度损失。

第一训练条件可以根据实际情况进行设置，例如，训练次数达到预设第一训练次数，或深度学习模型的收敛程度到达第一收敛程度等。预设训练结束条件可以根据实际情况进行设置，例如，训练次数达到预设第二训练次数，或深度学习模型的收敛程度到达第二收敛程度等。其中，预设第一训练次数小于预设第二训练次数，第一收敛程度的收敛范围大于第二收敛程度的收敛范围。

下面对无监督训练过程进行举例说明，在一种可能的实施方式中，所述利用第二类样本数据对对深度学习模型无监督训练，包括：

步骤A，获取多个第二类样本数据。

步骤B，分别对各所述第二类样本数据进行数据增广，得到各所述第二类样本数据对应的第三类样本数据。

步骤C，分别将各所述第二类样本数据输入到训练后的深度学习模型中，得到所述第一字符数量预测子网络输出的各所述第二类样本数据的第三字符数量预测值。

步骤D，分别将各所述第三类样本数据输入到训练后的深度学习模型中，得到所述第二字符数量预测子网络输出的各所述第三类样本数据的第四字符数量预测值。

步骤E，基于各所述第二类样本数据的第三字符数量预测值及各所述第三类样本数据的第四字符数量预测值，确定第三字符数量预测值与第四字符数量预测值的相对熵，得到第二相对熵。

步骤F，根据所述第二相对熵，调整所述第一字符数量预测子网络和所述第二字符数量预测子网络中至少一个网络的训练参数。

在本公开实施例中，通过有监督训练及无监督训练两种方式对深度学习模型进行训练，针对不同数据进行不同学习任务的组合，训练逻辑简单。在无监督训练过程中可以充分利用海量无标注样本数据进行一致性学习，能够减少模型过拟合的情况，并且利用无标注样本数据对模型进行训练，可以在保证最终文本检测精度的前提下，减少样本数据标注的工作量，能够适用于标注数据较少的场景。

本公开实施例还提供了一种文本检测方法，参见图5，包括：

S51，获取待检测数据。

待检测数据可以为任意包含字符的图像数据。

S52，将所述待检测数据输入到预先训练的深度学习模型中，得到所述待检测数据的单字符分割预测结果及文本行分割预测结果。

其中，所述深度学习模型的训练过程可以参见上述实施例中的用于文本检测的深度学习模型训练方法，此处不再赘述。

在一种可能的实施方式中，所述深度学习模型为去除第一字符数量预测子网络及第二字符数量预测子网络的深度学习模型。

在文本检测阶段，去掉深度学习模型中的第一字符数量预测子网络及第二字符数量预测子网络，从而减少深度学习模型的数据量，并且能够节约第一字符数量预测子网络及第二字符数量预测子网络的运行资源。

S53，根据所述待检测数据的单字符分割预测结果及文本行分割预测结果，确定所述待检测数据中的文本区域。

单字符分割预测结果及文本行分割预测结果的基础上，对文本区域相或操作，然后取其连通区域的外围轮廓即为最终检测到的文本区域的轮廓。

在本公开实施例中，实现了文本检测，利用深度学习模型同时实现单字符分割及文本行分割的预测，结合两种文本分割方式来进行文本区域，能够提高文本区域检测的准确性。

在一种可能的实施方式中，参见图6，所述根据所述待检测数据的单字符分割预测结果及文本行分割预测结果，确定所述待检测数据中的文本区域，包括：

S61，根据所述待检测数据的单字符分割预测结果，将所述待检测数据中预测有字符的区域标记为第一数值，将没有字符的区域标记为第二数据，得到第一二值图。

S62，根据所述待检测数据的文本行分割预测结果，将所述待检测数据中预测有字符的区域标记为第一数值，将没有字符的区域标记为第二数据，得到第二二值图。

S63，将所述第一二值图中第一数值的区域与所述第二二值图中第一数值的区域取并集，得到所述待检测数据的文本区域。

第一二值图中第一数值的区域与第二二值图中第一数值的区域取并集，并取并集连通区域的外围轮廓即为最终检测到的文本区域的轮廓。

在本公开实施例中，实现了文本检测，通过二值图的方式，可以准确高效的实现单字符分割及文本行分割的合并，增加文本区域的检测效率，提高文本检测区域的准确性。

本公开实施例还提供了一种用于文本检测的深度学习模型训练装置，参见图7，所述装置包括：

深度学习模型获取模块701，用于获取待训练的深度学习模型，其中，深度学习模型包括单字符预测网络及文本行预测网络，所述单字符分割网络包括单字符分割子网络及第一字符数量预测子网络，所述文本行预测网络包括文本行分割子网络及第二字符数量预测子网络；

第一类样本数据选取模块702，用于选取一第一类样本数据及当前选取的第一类样本数据的标签数据；

预测结果确定模块703，用于将当前选取的第一类样本数据输入到深度学习模型中，得到当前选取的第一类样本数据的预测结果，其中，所述预测结果包括单字符分割预测结果、第一字符数量预测值、文本行分割预测结果、第二字符数量预测值；

训练参数调整模块704，用于根据当前选取的第一类样本数据的预测结果及标签数据，得到训练后的深度学习模型。

在一种可能的实施方式中，所述深度学习模型还包括编码器网络、第一解码器网络、第二解码器网络；

所述预测结果确定模块，包括：

全局特征提取子模块，用于利用所述编码器网络对当前选取的第一类样本数据进行特征提取，得到全局特征；

第一高层特征提取子模块，用于利用所述第一解码器网络对所述全局特征进行特征提取，得到第一高层特征；

第二高层特征提取子模块，用于利用所述第二解码器网络对所述全局特征进行特征提取，得到第二高层特征；

第一预测子模块，用于利用所述单字符分割子网络对所述第一高层特征进行处理，得到输出的单字符分割预测结果，利用所述第一字符数量预测子网络对所述第一高层特征进行处理，得到第一字符数量预测值；

第二预测子模块，用于利用所述文本行分割子网络对所述第二高层特征进行处理，得到的文本行分割预测结果，利用所述第二字符数量预测子网络对所述第二高层特征进行处理，得到第二字符数量预测值。

在一种可能的实施方式中，所述第一类样本数据的标签数据包括字符数量真值、单字符分割真值结果、文本行分割真值结果中的至少一项；所述训练参数调整模块，用于执行以下步骤中的至少一项：

根据当前选取的第一类样本数据的单字符分割预测结果及当前选取的第一类样本数据的单字符分割真值结果，计算第一损失；根据所述第一损失，调整所述编码器网络、第一解码器网络、单字符分割子网络中至少一个网络的训练参数；

根据当前选取的第一类样本数据的第一字符数量预测值及当前选取的第一类样本数据的字符数量真值，计算第二损失；根据所述第二损失，调整所述编码器网络、第一解码器网络、第一字符数量预测子网络中至少一个网络的训练参数；

根据当前选取的第一类样本数据的文本行分割预测结果及当前选取的第一类样本数据的文本行分割真值结果，计算第三损失；根据所述第三损失，调整所述编码器网络、第二解码器网络、文本行分割子网络中至少一个网络的训练参数；

根据当前选取的第一类样本数据的第二字符数量预测值及当前选取的第一类样本数据的字符数量真值，计算第四损失；根据所述第四损失，调整所述编码器网络、第二解码器网络、第二字符数量预测子网络中至少一个网络的训练参数。

在一种可能的实施方式中，所述装置还包括：相互学习模块，用于基于多个第一类样本数据的第一字符数量预测值及第二字符数量预测值，确定第一字符数量预测值与第二字符数量预测值的相对熵，得到第一相对熵；根据所述第一相对熵，调整所述第一字符数量预测子网络和所述第二字符数量预测子网络中至少一个网络的训练参数。

在一种可能的实施方式中，所述深度学习模型训练模块，具体用于：继续选取第一类样本数据对深度学习模型进行有监督训练，并利用第二类样本数据对对深度学习模型无监督训练，直至满足预设训练结束条件，得到训练后的深度学习模型。

在一种可能的实施方式中，所述深度学习模型训练模块，具体用于：

获取多个第二类样本数据；

分别对各所述第二类样本数据进行数据增广，得到各所述第二类样本数据对应的第三类样本数据；

分别将各所述第二类样本数据输入到训练后的深度学习模型中，得到所述第一字符数量预测子网络输出的各所述第二类样本数据的第三字符数量预测值；

分别将各所述第三类样本数据输入到训练后的深度学习模型中，得到所述第二字符数量预测子网络输出的各所述第三类样本数据的第四字符数量预测值；

基于各所述第二类样本数据的第三字符数量预测值及各所述第三类样本数据的第四字符数量预测值，确定第三字符数量预测值与第四字符数量预测值的相对熵，得到第二相对熵；

根据所述第二相对熵，调整所述第一字符数量预测子网络和所述第二字符数量预测子网络中至少一个网络的训练参数。

本公开实施例还提供了一种文本检测装置，包括：

待检测数据获取模块，用于获取待检测数据；

预测结果确定模块，用于将所述待检测数据输入到预先训练的深度学习模型中，得到所述待检测数据的单字符分割预测结果及文本行分割预测结果，其中，所述深度学习模型基于本申请中任一所述的用于文字检测的深度学习模型训练装置训练得到；

文本区域确定模块，用于根据所述待检测数据的单字符分割预测结果及文本行分割预测结果，确定所述待检测数据中的文本区域。

在一种可能的实施方式中，所述文本区域确定模块，具体用于：

根据所述待检测数据的单字符分割预测结果，将所述待检测数据中预测有字符的区域标记为第一数值，将没有字符的区域标记为第二数据，得到第一二值图；

根据所述待检测数据的文本行分割预测结果，将所述待检测数据中预测有字符的区域标记为第一数值，将没有字符的区域标记为第二数据，得到第二二值图；

将所述第一二值图中第一数值的区域与所述第二二值图中第一数值的区域取并集，得到所述待检测数据的文本区域。

在一种可能的实施方式中，所述深度学习模型为去除第一字符数量预测子网络及第二字符数量预测子网络的深度学习模型。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

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本申请中任一所述的用于文本检测的深度学习模型训练方法及文本检测方法的方法。

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本申请中任一所述的用于文本检测的深度学习模型训练方法及文本检测方法的方法。

一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本申请中任一所述的用于文本检测的深度学习模型训练方法及文本检测方法的方法。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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。

计算单元801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801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801执行上文所描述的各个方法和处理。例如，在一些实施例中，本公开中的方法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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开中的方法。

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。服务器可以是云服务器，也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。

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，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，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。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种用于文本检测的深度学习模型训练方法，所述方法包括：

获取待训练的深度学习模型，其中，深度学习模型包括单字符预测网络及文本行预测网络，所述单字符分割网络包括单字符分割子网络及第一字符数量预测子网络，所述文本行预测网络包括文本行分割子网络及第二字符数量预测子网络；

选取一第一类样本数据及当前选取的第一类样本数据的标签数据；

将当前选取的第一类样本数据输入到深度学习模型中，得到当前选取的第一类样本数据的预测结果，其中，所述预测结果包括单字符分割预测结果、第一字符数量预测值、文本行分割预测结果、第二字符数量预测值；

根据当前选取的第一类样本数据的所述预测结果及标签数据，调整深度学习模型的训练参数，得到训练后的深度学习模型；

所述深度学习模型还包括编码器网络、第一解码器网络、第二解码器网络；

所述将当前选取的第一类样本数据输入到深度学习模型中，得到当前选取的第一类样本数据的预测结果，包括：

利用所述编码器网络对当前选取的第一类样本数据进行特征提取，得到全局特征；

利用所述第一解码器网络对所述全局特征进行特征提取，得到第一高层特征；

利用所述第二解码器网络对所述全局特征进行特征提取，得到第二高层特征；

利用所述单字符分割子网络对所述第一高层特征进行处理，得到输出的单字符分割预测结果，利用所述第一字符数量预测子网络对所述第一高层特征进行处理，得到第一字符数量预测值；

利用所述文本行分割子网络对所述第二高层特征进行处理，得到的文本行分割预测结果，利用所述第二字符数量预测子网络对所述第二高层特征进行处理，得到第二字符数量预测值。

2.根据权利要求1所述的方法，其中，所述第一类样本数据的标签数据包括字符数量真值、单字符分割真值结果、文本行分割真值结果中的至少一项；

所述根据当前选取的第一类样本数据的预测结果及标签数据，调整深度学习模型的训练参数的步骤，包括以下步骤中的至少一项：

根据当前选取的第一类样本数据的单字符分割预测结果及当前选取的第一类样本数据的单字符分割真值结果，计算第一损失；根据所述第一损失，调整所述编码器网络、第一解码器网络、单字符分割子网络中至少一个网络的训练参数；

根据当前选取的第一类样本数据的第一字符数量预测值及当前选取的第一类样本数据的字符数量真值，计算第二损失；根据所述第二损失，调整所述编码器网络、第一解码器网络、第一字符数量预测子网络中至少一个网络的训练参数；

根据当前选取的第一类样本数据的文本行分割预测结果及当前选取的第一类样本数据的文本行分割真值结果，计算第三损失；根据所述第三损失，调整所述编码器网络、第二解码器网络、文本行分割子网络中至少一个网络的训练参数；

根据当前选取的第一类样本数据的第二字符数量预测值及当前选取的第一类样本数据的字符数量真值，计算第四损失；根据所述第四损失，调整所述编码器网络、第二解码器网络、第二字符数量预测子网络中至少一个网络的训练参数。

3.根据权利要求1或2所述的方法，其中，所述方法还包括：

基于多个第一类样本数据的第一字符数量预测值及第二字符数量预测值，确定第一字符数量预测值与第二字符数量预测值的相对熵，得到第一相对熵；

根据所述第一相对熵，调整所述第一字符数量预测子网络和所述第二字符数量预测子网络中至少一个网络的训练参数。

4.根据权利要求1所述的方法，其中，所述得到训练后的深度学习模型，包括：

继续选取第一类样本数据对深度学习模型进行有监督训练，并利用第二类样本数据对对深度学习模型无监督训练，直至满足预设训练结束条件，得到训练后的深度学习模型。

5.根据权利要求4所述的方法，其中，所述利用第二类样本数据对对深度学习模型无监督训练，包括：

获取多个第二类样本数据；

分别对各所述第二类样本数据进行数据增广，得到各所述第二类样本数据对应的第三类样本数据；

分别将各所述第二类样本数据输入到训练后的深度学习模型中，得到所述第一字符数量预测子网络输出的各所述第二类样本数据的第三字符数量预测值；

分别将各所述第三类样本数据输入到训练后的深度学习模型中，得到所述第二字符数量预测子网络输出的各所述第三类样本数据的第四字符数量预测值；

基于各所述第二类样本数据的第三字符数量预测值及各所述第三类样本数据的第四字符数量预测值，确定第三字符数量预测值与第四字符数量预测值的相对熵，得到第二相对熵；

根据所述第二相对熵，调整所述第一字符数量预测子网络和所述第二字符数量预测子网络中至少一个网络的训练参数。

6.一种文本检测方法，包括：

获取待检测数据；

将所述待检测数据输入到预先训练的深度学习模型中，得到所述待检测数据的单字符分割预测结果及文本行分割预测结果，其中，所述深度学习模型基于权利要求1-5任一所述的用于文字检测的深度学习模型训练方法训练得到；

根据所述待检测数据的单字符分割预测结果及文本行分割预测结果，确定所述待检测数据中的文本区域。

7.根据权利要求6所述的方法，其中，所述根据所述待检测数据的单字符分割预测结果及文本行分割预测结果，确定所述待检测数据中的文本区域，包括：

根据所述待检测数据的单字符分割预测结果，将所述待检测数据中预测有字符的区域标记为第一数值，将没有字符的区域标记为第二数据，得到第一二值图；

根据所述待检测数据的文本行分割预测结果，将所述待检测数据中预测有字符的区域标记为第一数值，将没有字符的区域标记为第二数据，得到第二二值图；

将所述第一二值图中第一数值的区域与所述第二二值图中第一数值的区域取并集，得到所述待检测数据的文本区域。

8.根据权利要求6所述的方法，其中，所述深度学习模型为去除第一字符数量预测子网络及第二字符数量预测子网络的深度学习模型。

9.一种用于文本检测的深度学习模型训练装置，所述装置包括：

深度学习模型获取模块，用于获取待训练的深度学习模型，其中，深度学习模型包括单字符预测网络及文本行预测网络，所述单字符分割网络包括单字符分割子网络及第一字符数量预测子网络，所述文本行预测网络包括文本行分割子网络及第二字符数量预测子网络；

第一类样本数据选取模块，用于选取一第一类样本数据及当前选取的第一类样本数据的标签数据；

预测结果确定模块，用于将当前选取的第一类样本数据输入到深度学习模型中，得到当前选取的第一类样本数据的预测结果，其中，所述预测结果包括单字符分割预测结果、第一字符数量预测值、文本行分割预测结果、第二字符数量预测值；

训练参数调整模块，用于根据当前选取的第一类样本数据的所述预测结果及标签数据，调整深度学习模型的训练参数，得到训练后的深度学习模型；

所述深度学习模型还包括编码器网络、第一解码器网络、第二解码器网络；

所述预测结果确定模块，包括：

全局特征提取子模块，用于利用所述编码器网络对当前选取的第一类样本数据进行特征提取，得到全局特征；

第一高层特征提取子模块，用于利用所述第一解码器网络对所述全局特征进行特征提取，得到第一高层特征；

第二高层特征提取子模块，用于利用所述第二解码器网络对所述全局特征进行特征提取，得到第二高层特征；

第一预测子模块，用于利用所述单字符分割子网络对所述第一高层特征进行处理，得到输出的单字符分割预测结果，利用所述第一字符数量预测子网络对所述第一高层特征进行处理，得到第一字符数量预测值；

第二预测子模块，用于利用所述文本行分割子网络对所述第二高层特征进行处理，得到的文本行分割预测结果，利用所述第二字符数量预测子网络对所述第二高层特征进行处理，得到第二字符数量预测值。

10.根据权利要求9所述的装置，其中，所述第一类样本数据的标签数据包括字符数量真值、单字符分割真值结果、文本行分割真值结果中的至少一项；

所述训练参数调整模块，用于执行以下步骤中的至少一项：

根据当前选取的第一类样本数据的单字符分割预测结果及当前选取的第一类样本数据的单字符分割真值结果，计算第一损失；根据所述第一损失，调整所述编码器网络、第一解码器网络、单字符分割子网络中至少一个网络的训练参数；

根据当前选取的第一类样本数据的第一字符数量预测值及当前选取的第一类样本数据的字符数量真值，计算第二损失；根据所述第二损失，调整所述编码器网络、第一解码器网络、第一字符数量预测子网络中至少一个网络的训练参数；

根据当前选取的第一类样本数据的文本行分割预测结果及当前选取的第一类样本数据的文本行分割真值结果，计算第三损失；根据所述第三损失，调整所述编码器网络、第二解码器网络、文本行分割子网络中至少一个网络的训练参数；

根据当前选取的第一类样本数据的第二字符数量预测值及当前选取的第一类样本数据的字符数量真值，计算第四损失；根据所述第四损失，调整所述编码器网络、第二解码器网络、第二字符数量预测子网络中至少一个网络的训练参数。

11.根据权利要求9或10所述的装置，其中，所述装置还包括：相互学习模块，用于基于多个第一类样本数据的第一字符数量预测值及第二字符数量预测值，确定第一字符数量预测值与第二字符数量预测值的相对熵，得到第一相对熵；根据所述第一相对熵，调整所述第一字符数量预测子网络和所述第二字符数量预测子网络中至少一个网络的训练参数。

12.根据权利要求9所述的装置，其中，所述深度学习模型训练模块，具体用于：继续选取第一类样本数据对深度学习模型进行有监督训练，并利用第二类样本数据对对深度学习模型无监督训练，直至满足预设训练结束条件，得到训练后的深度学习模型。

13.根据权利要求12所述的装置，其中，所述深度学习模型训练模块，具体用于：

获取多个第二类样本数据；

分别对各所述第二类样本数据进行数据增广，得到各所述第二类样本数据对应的第三类样本数据；

分别将各所述第二类样本数据输入到训练后的深度学习模型中，得到所述第一字符数量预测子网络输出的各所述第二类样本数据的第三字符数量预测值；

分别将各所述第三类样本数据输入到训练后的深度学习模型中，得到所述第二字符数量预测子网络输出的各所述第三类样本数据的第四字符数量预测值；

基于各所述第二类样本数据的第三字符数量预测值及各所述第三类样本数据的第四字符数量预测值，确定第三字符数量预测值与第四字符数量预测值的相对熵，得到第二相对熵；

根据所述第二相对熵，调整所述第一字符数量预测子网络和所述第二字符数量预测子网络中至少一个网络的训练参数。

14.一种文本检测装置，包括：

待检测数据获取模块，用于获取待检测数据；

预测结果确定模块，用于将所述待检测数据输入到预先训练的深度学习模型中，得到所述待检测数据的单字符分割预测结果及文本行分割预测结果，其中，所述深度学习模型基于权利要求9-13任一所述的用于文字检测的深度学习模型训练装置训练得到；

文本区域确定模块，用于根据所述待检测数据的单字符分割预测结果及文本行分割预测结果，确定所述待检测数据中的文本区域。

15.根据权利要求14所述的装置，其中，所述文本区域确定模块，具体用于：

根据所述待检测数据的单字符分割预测结果，将所述待检测数据中预测有字符的区域标记为第一数值，将没有字符的区域标记为第二数据，得到第一二值图；

根据所述待检测数据的文本行分割预测结果，将所述待检测数据中预测有字符的区域标记为第一数值，将没有字符的区域标记为第二数据，得到第二二值图；

将所述第一二值图中第一数值的区域与所述第二二值图中第一数值的区域取并集，得到所述待检测数据的文本区域。

16.一种电子设备，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。

17.一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。

Images