[发明专利]一种电力信号模型训练文件的合并方法

说明书

本发明公开了一种电力信号模型训练文件的合并方法，该方法为：选择.box文本文件和后缀为.tif的图片文件；设置文件参数；对后缀为tif的图片文件和box文件自动进行命名，形成符合规范的训练文件；将设定格式的文件名写入font_properties的文本文件中；调用tesseract命令为每一个后缀为.tif的文件生成一个后缀为.tr的文本文件；将所有后缀为.box的文本文件名称和所有后缀为.tr的文本文件名称分别组合成按空格分隔的字符串；最后调用tessract的combine_tessdata命令，生成.traineddata文件。本发明通过多模型的合并方法，将实际应用中的人工标记的文字图片以及本发明生成的文字图片进行合并，将识别错误文字通过实际应用中的人工标记数据进行调整，在减少训练工作量的同时提高了文字识别的准确度。

技术领域

本发明属于中文训练模型训练方法技术领域，具体涉及一种电力信号模型训练文件的合并方法。

背景技术

Tesseract文字识别引擎自带的中文训练模型识别率较低，通过重新训练用户常用文字提高文字识别率是用户的常用做法。由于训练需要大量调整图片中文字的位置、文字框大小，为文字训练带来极大的工作量，若不对训练文件进行合并处理，处理时间长，识别效率低。

发明内容

本发明要解决的技术问题是：提供一种电力信号模型训练文件的合并方法，以解决现有技术中存在的问题。

本发明采取的技术方案为：一种电力信号模型训练文件的合并方法，该方法包括以下步骤：

1)选择已进行人工标记且已生成.box文本文件和后缀为.tif的图片文件；

2)设置各个文件的训练参数，包括训练用语言、页面模式参数，默认为中文训练语言；

3)根据选择的文件名称和需生成的模型名称，对后缀为tif的图片文件和box文件自动进行命名，形成符合规范的训练文件，后缀为.tif的图片文件规范命名如下：

对应的后缀为.box的文本文件规范命名如下：

4)根据所有后缀为.tif的图片文件名称，将名称第一个“.”和第二个“.”间的名称作为字体名称，每个字体为一行，按以下格式写入文件名为font_properties的文本文件中。

font 0 0 0 0 0

5)调用tesseract命令为每一个后缀为.tif的文件生成一个后缀为.tr的文本文件，命令如下：

tesseract power.font.exp0.tif power.font.exp0–psm 6nobatch box.train

6)将所有后缀为.box的文本文件名称组合成按空格分隔的字符串，作为unicharset_extractor命令的参数，调用并执行unicharset_extractor命令；将所有后缀为.tr的文本文件名称组合成按空格分隔的字符串，作为shapeclustering、mftraining、cntraing命令的参数，调用并执行shapeclustering、mftraining、cntraing命令；

7)最后调用tessract的combine_tessdata命令，生成.traineddata文件，即为最终合并的文字模型。

步骤1)中.box文本文件和后缀为.tif的图片文件的生成方法，包括以下步骤：

1)读取txt或excel文件；

2)设置训练文字的字体、大小、模型名称的参数；