[发明专利]一种基于OCR的数据生成方法、系统、设备及介质

说明书

本发明提供一种基于OCR的数据生成方法、系统、设备及介质，包括：根据一个或多个样本数据构建样本数据库，且每个样本数据包含有一个或多个属性；基于所述样本数据库生成一个或多个包含有所述一个或多个属性的目标数据。本发明根据在真实环境中获取的样本数据构建生成样本数据库，然后基于该样本数据库生成一个或多个包含有与样本数据一个或多个属性的目标数据，再将生成的目标数据作为真实环境中采集的数据对进行训练，能够大幅减少训练OCR识别模型所需要的真实数据，大幅减少对数据的标注工作量，大幅缩短识别模型的开发周期，提高识别模型的开发速度。

技术领域

本发明涉及数据处理技术领域，特别是涉及一种基于OCR的数据生成方法、系统、设备及介质

背景技术

OCR(Optical Character Recognition,光学字符识别)作为人工智能的一个应用领域，需要大量的数据进行训练，神经网络才能具有准确预测的能力。因此，在OCR领域中，尽可能多的覆盖各种场景的的庞大训练数据量对于输出的OCR模型的准确率至关重要的。但同时，OCR的场景繁复多样，版式纷繁复杂，定制化需求大，训练数据难获取，缺乏真实场景的数据是行业的痛点，最终导致产品开发周期长，模型鲁棒性差，机器学习开发成本高昂导致应用难以落地。因此，在OCR领域，迫切需求一种可以生成海量高仿真实场景下的版式训练数据的工具。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供基于OCR的数据生成方法、系统、设备及介质，用于解决现有技术中存在的问题。

为实现上述目的及其他相关目的，本发明提供一种基于OCR的数据生成方法，包括以下步骤：

根据一个或多个样本数据构建样本数据库，且每个样本数据包含有一个或多个属性；

基于所述样本数据库生成一个或多个包含有所述一个或多个属性的目标数据。

可选地，所述样本数据包括以下至少之一：票据图像、票证图像、证件图像、单据图像。

可选地，所述属性包括以下至少之一：纹理、背景样式、版式、表格、文本、图标、字体、语言、线条。

可选地，还包括将生成的目标数据进行合成，合成为一个或多个训练样本集。

可选地，还包括根据所述一个或多个训练样本集进行训练，生成一个或多个识别模型。

可选地，所述识别模型包括用于识别以下至少之一：票据、票证、证件、单据。

可选地，基于所述样本数据库生成一个或多个包含有所述一个或多个属性的目标数据的过程中，还包括通过增加一个或多个扰动因素对所述目标数据进行增强。

可选地，若所述属性为字体，增加的扰动因素包括以下至少之一：字符串、字体颜色、字间距、字符特效、文本行背景、文字扭曲、背景噪声、文字位置、笔画粘连、笔画断裂、文字倾斜、多种字体。

可选地，若所述属性为图标，增加的扰动因素包括以下之一：加线、加章、高斯滤波、形态学滤波、运动模糊、光照、高亮、变形、锐化。

可选地，若所述属性为文本，增加的扰动因素包括以下至少之一：文本框扰动、文本行随机缩放、文本行倾斜、文本行长宽比随机调整。

可选地，增加的扰动因素还包括特效，所述特效包括以下至少之一：透视变化、全局颜色噪声、全局亮度调节，全局亮度漂移、局部颜色噪声、局部亮度噪声、全局对比度调节、字体运动模糊。

本发明还提供一种基于OCR的数据生成系统，包括：

根据一个或多个样本数据构建样本数据库，且每个样本数据包含有一个或多个属性；

基于所述样本数据库生成一个或多个包含有所述一个或多个属性的目标数据。