[发明专利]语义识别方法、装置、设备及计算机可读存储介质

权利要求书

1.一种语义识别方法，其特征在于，所述语义识别方法包括以下步骤：

获取待识别手写文本行图像；

将所述待识别手写文本行图像输入至训练好的卷积循环神经网络模型中进行分析，得到训练好的卷积循环神经网络模型输出的，所述待识别手写文本行图像中每个待识别文字对应的备选文字概率分布；

根据每个待识别文字对应的所述备选文字概率分布，确定每个待识别文字对应的目标备选文字集合；

通过预设的词向量word2vec模型，对每个待识别文字对应的所述目标备选文字集合进行语义分析，以确定语义分析结果。

2.如权利要求1所述的语义识别方法，其特征在于，所述根据每个待识别文字对应的所述备选文字概率分布，确定每个待识别文字对应的目标备选文字集合的步骤包括：

根据每个待识别文字对应的所述备选文字概率分布，分别选取概率值排序靠前的预设数量的备选文字，构成每个待识别文字对应的目标备选文字集合。

3.如权利要求2所述的语义识别方法，其特征在于，所述通过预设的word2vec模型，对每个待识别文字对应的所述目标备选文字集合进行语义分析，以确定语义分析结果的步骤包括：

将每个待识别文字对应的所述目标备选文字集合输入至所述word2vec模型中进行语义匹配，得到所述word2vec模型输出的，每个待识别文字对应的目标备选文字概率分布；

选取概率值最大的目标备选文字，作为每个待识别文字对应的识别文字，形成语义分析结果。

4.如权利要求1所述的语义识别方法，其特征在于，所述获取待识别手写文本行图像的步骤包括：

获取待识别手写文本页图像；

通过预设的文本检测模型对所述待识别手写文本页图像进行文本行检测，以从所述待识别手写文本页图像中划分出所述待识别手写文本行图像。

5.如权利要求1所述的语义识别方法，其特征在于，所述获取待识别手写文本行图像的步骤之前，包括：

创建卷积循环神经网络模型；

对所述卷积循环神经网络模型进行训练，得到训练好的卷积循环神经网络模型。

6.如权利要求5所述的语义识别方法，其特征在于，所述对所述卷积循环神经网络模型进行训练，得到训练好的卷积循环神经网络模型的步骤包括：

初始化所述卷积循环神经网络模型的参数；

将预设的文字图像训练样本输入至所述卷积循环神经网络模型中，根据公式获取所述卷积循环神经网络模型的前向输出，其中，a(t,u)表示第t时刻第u个文字的前向输出，表示t时刻输出为空格的概率，l'_u表示文字图像和空格的总长度，a(t-1,i)表示t-1时刻第i个文字的前向输出；以及，

根据公式获取所述卷积循环神经网络模型的后向输出，其中，b(t,u)表示第t时刻第u个文字的后向输出，表示t+1时刻输出为空格的概率，b(t+1,i)表示t+1时刻第i个文字的后向输出；

根据所述前向输出和后向输出更新所述卷积循环神经网络模型的参数，得到训练好的卷积循环神经网络模型。

7.如权利要求6所述的语义识别方法，其特征在于，所述对所述卷积循环神经网络模型进行训练，得到训练好的卷积循环神经网络模型的步骤之后，包括：

根据预设成熟度计算公式mature＝ε*rate计算训练好的卷积循环神经网络模型的成熟度，其中，mature表示训练好的卷积循环神经网络模型的成熟度，rate表示训练好的卷积循环神经网络模型的准确率，ε表示所述计算公式中的因子权重；

判断计算的成熟度是否达到预设成熟度阈值；

若计算的成熟度达到预设成熟度阈值，则执行步骤：获取待识别手写文本行图像。