[发明专利]针对印刷体字符识别的深度学习模型的训练集生成方法

权利要求书

1.针对印刷体字符识别的深度学习模型的训练集生成方法，其特征在于：包括如下步骤，

步骤一，根据实际应用，构建识别字典，编写网络爬虫，爬取互联网数据生成真实语料数据集，并去除语料中非识别字典内的字符；

步骤二，统计字典中的每一个字符在真实语料数据集中的出现次数并记录位置；

步骤三，对字典中的每一个字符，按照其在语料中出现次数采样，采样次数记作K；假设字典大小为N，样本集中训练样本的数目为M，则每个字符的采样次数为K=M/N，样本集中每一个训练样本为一张包含文本片段的图片，文本片段的长度固定为L=2w+1，w为文本片段对应的窗口宽度；

如果出现次数高于采样次数K，则随机选择K个位置生成行文本片段；

如果出现次数低于K且高于最小采样阈值T，T＜K/2L，则使用重复采样的方式选择K个位置生成行文本片段；

如果出现次数低于最小采样阈值T，则在整个语料文本中随机选择K个位置生成文片段并进行文字替换；

步骤四，将采样后的文本片段转换为图片，作为最终的训练集。