[发明专利]一种OCR错误纠正的方法、装置、电子设备及存储介质

说明书

本发明实施例提供了一种OCR错误纠正的方法、装置、电子设备及存储介质，方法包括：获取包含错误字符的目标领域的OCR错误文本；将错误字符替换为占位符，获得待纠正文本；将OCR错误文本和待纠正文本输入到预先训练好的错误纠正模型；获取错误纠正模型输出的目标字符；目标字符为：错误纠正模型预测出的位于待纠正文本中占位符位置的正确字符；将待纠正文本中的占位符替换为目标字符，获得纠正后OCR文本。可见，应用本发明实施例，可以通过错误纠正模型，获得位于待纠正文本中占位符位置的正确字符，进而获得纠正后OCR文本，无需人工进行纠正，减少了对OCR文本中的错误进行纠正的时间，提高了对OCR错误纠正的效率。

技术领域

本发明涉及计算机应用技术领域，特别是涉及一种OCR错误纠正的方法、装置、电子设备及存储介质。

背景技术

目前，利用OCR(Optical Character Recognition，光学字符识别)技术，可以将印刷文本扫描为计算机文本，方便用户在计算机上对计算机文本进行检索和分析。但是，获得的计算机文本，会出现计算机文本中的字符错误的情况。

目前，相关技术中，在确定了错误的字符后，采用人工纠正的方法对OCR错误进行纠正，但是采用这种方法对OCR文本中的错误字符进行纠正的时间较长，OCR错误纠正的效率较低。

发明内容

本发明实施例的目的在于提供一种OCR错误纠正的方法、装置、电子设备及存储介质，以减少对OCR文本中的错误字符进行纠正的时间，提高对OCR错误纠正的效率。具体技术方案如下：

第一方面，本发明实施例提供了一种OCR错误纠正的方法，所述方法包括：

获取包含错误字符的目标领域的OCR错误文本；

将所述错误字符替换为占位符，获得待纠正文本；

将所述OCR错误文本和所述待纠正文本输入到预先训练好的错误纠正模型；所述错误纠正模型为：预先针对目标领域，用包含错误字符的多个样本错误文本、多个样本错误文本对应的包含错误字符占位符的待纠正样本文本和多个样本错误文本对应的正确样本文本对预设的语言表征BERT模型进行训练获得的；

获取所述错误纠正模型输出的目标字符；所述目标字符为：错误纠正模型预测出的位于待纠正文本中占位符位置的正确字符；

将所述待纠正文本中的占位符替换为所述目标字符，获得纠正后OCR文本。

可选的，所述错误纠正模型的训练过程包括：

将语料库中的多个文本中的多个字符替换为占位符作为多个第一待纠正样本文本，并且将所述多个字符作为第一样本标注字符；所述语料库中的多个文本为：包含正确字符的文本；

使用所述多个第一待纠正样本文本和所述第一样本标注字符，对初始语言表征BERT模型进行训练，获得中间语言表征BERT模型；

针对目标领域，使用包含错误字符的多个第二样本错误文本、多个第二样本错误文本对应的包含错误字符占位符的第二待纠正样本文本和多个第二样本错误文本对应的正确样本文本，对所述中间语言表征BERT模型进行训练获得错误纠正模型。

可选的，所述使用所述多个第一待纠正样本文本和所述第一样本标注字符，对初始语言表征BERT模型进行训练，获得中间语言表征BERT模型的步骤，包括：

将每个第一待纠正样本文本输入到当前初始语言表征BERT模型中，获取所述当前初始语言表征BERT模型输出的各个第一样本目标字符；所述第一样本目标字符为：当前初始语言表征BERT模型预测出的位于第一待纠正样本文本中占位符位置的正确字符；

基于各个第一样本目标字符、各个第一样本标注字符和预设的第一损失函数，计算第一损失值；