申请/专利权人：北京君正集成电路股份有限公司

申请日：2022-12-23

公开（公告）日：2024-06-25

公开（公告）号：CN118246437A

主分类号：G06F40/232

分类号：G06F40/232;G06V30/26;G06F18/25;G06N3/0442;G06N3/0895

优先权：

专利状态码：在审-公开

法律状态：2024.06.25#公开

摘要：本发明提供一种基于双特征融合的自监督OCR识别文本纠错方法，包括：S1.构建训练数据：下载语料库的语料，并做数据处理：随机选择一条句子预料C1中的某个词替换为错误的词组成一条新的句子语料C2，同时正确的语料C1保留，C1既是训练输入数据也是标签；S2.训练语言模型：搭建神经网络并利用S1生成的数据C1、C2分别输入网络的Embedding层，并把得到的两个向量进行拼接融合输入到LSTM层网络学习字词相互之间的语义关系，接着用一个全连接层；S3.处理OCR识别的结果进行纠错：根据OCR识别结果的置信度判断是否进行纠错处理及如何进行纠错处理。本申请使用结构简单的神经语言模型，保证精度的前提下速度有了很大的提升，且训练周期短易于迭代、在嵌入式开发板上耗时少。

主权项：1.一种基于双特征融合的自监督OCR识别文本纠错方法，其特征在于，所述方法包括：S1.构建训练数据：下载语料库的语料，并做如下数据处理：随机选择一条句子预料C1中的某个词替换为错误的词组成一条新的句子语料C2，同时原有正确的句子语料C1保留，C1既是训练输入数据也是标签；S2.训练语言模型：搭建NLP深度神经网络，并利用步骤S1生成的数据C1、C2分别输入网络的Embedding层，并把得到的两个向量进行拼接融合：设C1＝[[x1,x2,x3]]，C2＝[[y1,y2,y3]]，拼接融合后的Ccated＝[[x1,x2,x3,y1,y2,y3]]，输入到双向LSTM层网络学习字词相互之间的语义关系，由于LSTM当前时刻的输出是由当前时刻的输入与前一时刻的输出共同决定，并且利用门控单元σ，tanh选择对当前时刻重要的信息，所以它能够建模与前面某时刻的关系，采用双向LSTM能够同时建模当前时刻与前后时刻的关系，学习公式如下：it＝σWiixt+bii+Whiht-1+bhift＝σWifxt+bif+Whfht-1+bhfgt＝tanhWigxt+big+Whght-1+bhgot＝σWioxt+bio+Whoht-1+bhoct＝ft⊙ct-1+it⊙gtht＝ot⊙tanhct接着用一个全连接层分出N类，其输出的每一类都有相应的输出分值，选取分值最大的前两类作为后面纠错步骤的输入字符，其中N为文本中字符个数，全连接公式：y＝xAT；S3.处理OCR识别的结果进行纠错：根据OCR识别结果的置信度判断是否进行纠错处理以及如何进行纠错处理，步骤如下：如果第一置信度低于阈值0.75，则判断当前这个字符识别有误，因为是根据前两个分值最高置信度的字符中选择正确的一个，所以这里假设第二置信度为正确的字符，则把第一第二置信度的两个字符包括其整个句子都送入NLP深度神经语言模型，根据模型结果选出符合语义的字符。

全文数据：

权利要求：

百度查询： 北京君正集成电路股份有限公司 一种基于双特征融合的自监督OCR识别文本纠错方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD