黃松豪 徐建華 杜佳玲

摘要：針對(duì)深度學(xué)習(xí)如何應(yīng)用于數(shù)學(xué)書面作業(yè)批閱問(wèn)題，通過(guò)對(duì)圖像的預(yù)處理以及優(yōu)化圖片訓(xùn)練集和圖像處理算法，實(shí)現(xiàn)文本字符切割，采用Tesseract-OCR光學(xué)字符識(shí)別方法，訓(xùn)練公式中存在的字符樣本，通過(guò)與紙面上的公式匹配提高識(shí)別的準(zhǔn)確性，最后采用java可視化界面實(shí)現(xiàn)算式識(shí)別的功能，對(duì)不同情況下拍攝的照片進(jìn)行測(cè)試。測(cè)試結(jié)果表明該系統(tǒng)高效、精準(zhǔn)、實(shí)用。

關(guān)鍵詞：深度學(xué)習(xí);圖像處理;光學(xué)字符識(shí)別;算式識(shí)別

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）12-0196-02

教育領(lǐng)域?qū)ψ鳂I(yè)批改智能化的需求越來(lái)越多。教師每天需要批改大量數(shù)學(xué)作業(yè)，費(fèi)時(shí)費(fèi)力。將紙質(zhì)作業(yè)拍攝成照片用機(jī)器智能識(shí)別并評(píng)判成為一個(gè)有價(jià)值的課題。當(dāng)前市場(chǎng)上已推出多個(gè)OCR產(chǎn)品廣泛應(yīng)用于車牌識(shí)別、名片識(shí)別、身份證識(shí)別等。但這些OCR產(chǎn)品中，除了Tesseract OCR外，其他均為商業(yè)性軟件，收費(fèi)高。由于并無(wú)與教學(xué)場(chǎng)景具有對(duì)應(yīng)性的專項(xiàng)算式字庫(kù)，造成實(shí)際識(shí)別度并不高，無(wú)法直接應(yīng)用于書面作業(yè)的識(shí)別。本文研究如何將OCR技術(shù)運(yùn)用于學(xué)校的數(shù)學(xué)書面作業(yè)批改與分析中，設(shè)計(jì)具有可實(shí)施性的識(shí)別方法。

1方法

1.1作業(yè)圖像處理

由于拍攝受外面環(huán)境的影響，如空氣中的塵埃，光照，攝像頭拍攝角度等因素影響，作業(yè)圖像處理容易受到干擾。為確保圖像質(zhì)量，提高字符識(shí)別度，在機(jī)器進(jìn)行識(shí)別之前需要對(duì)圖像進(jìn)行一定的預(yù)處理。排除對(duì)應(yīng)圖像中存在的各項(xiàng)干擾項(xiàng)，以提升圖像處理效果，為字符識(shí)別創(chuàng)造條件。在OCR技術(shù)應(yīng)用時(shí)，首先開(kāi)展的預(yù)處理工作流程可以分為讀取圖片、灰度化、二值化、降噪等。

1.1.1作業(yè)圖像灰度化

我們?nèi)粘Ｋ?jiàn)的圖片，其實(shí)都是由RGB模型（Red，Green，Blue）組成，如果R=G=B時(shí)，則表示一種灰度色，因此各灰度像素可通過(guò)單個(gè)字節(jié)的方式進(jìn)行灰度值存放，相應(yīng)的灰度值結(jié)果介于0至255之間，通常對(duì)圖片進(jìn)行二值化之前都要進(jìn)行灰度化操作，經(jīng)過(guò)灰度化操作的圖像在進(jìn)行二值化處理時(shí)的效率就會(huì)高很多，并且能有效地減少圖像中的噪聲像素，當(dāng)前常見(jiàn)的灰度化算法包括分量法、最大值法、加權(quán)平均法等。在紙面作業(yè)拍攝過(guò)程中，時(shí)常會(huì)遇到圖像亮度分布不均衡的情況，為便于后續(xù)處理，本論文選用加權(quán)平均法的方式進(jìn)行處理，對(duì)坐標(biāo)為（x，y）的像素點(diǎn)進(jìn)行灰度化，見(jiàn)公式（1）：

Gray（x，y）=0.31Red（x，y）+0.591Green（x，y）+0.11Blue（x，y）（1）

1.1.2作業(yè)圖像二值化

在作業(yè)圖像處理流程中，圖像二值化是其中的一項(xiàng)重要環(huán)節(jié)，在進(jìn)行視覺(jué)檢測(cè)、智能識(shí)別時(shí)，都需要開(kāi)展圖像二值化工作?，F(xiàn)階段常見(jiàn)的二值化算法主要包括固定閾值法、雙閾值法、大律法、遞歸閾值法等。在經(jīng)過(guò)上文的灰度化處理之后，本文對(duì)比上述方法發(fā)現(xiàn)圖像采用固定閾值二值化處理會(huì)方便許多，拍攝的紙質(zhì)作業(yè)經(jīng)過(guò)灰度化處理之后，通過(guò)迭代的閾值分析，選取出170作為最優(yōu)閾值，處理之后的圖像效果非常理想。

1.1.3作業(yè)圖像降噪

圖像噪聲主要是指圖片中所出現(xiàn)的不必要、對(duì)圖片質(zhì)量造成干擾的像素信息。在生活中進(jìn)行拍攝或傳輸時(shí)，可能形成圖像噪聲，這會(huì)在一定程度上降低圖像質(zhì)量，使得機(jī)器和人眼對(duì)圖像的敏感度下降，成為后期圖像識(shí)別等一系列操作中的難題。圖像降噪處理可以在很大程度上降低這些噪音數(shù)據(jù)給后期進(jìn)行識(shí)別帶來(lái)的麻煩。圖像降噪工作不光可以使得圖像更為平滑，更能突出圖像的主要表達(dá)信息，也是對(duì)圖像進(jìn)行識(shí)別時(shí)需要首先開(kāi)展的前提工作，圖像識(shí)別的前期進(jìn)行降噪處理能夠很好地提高后期識(shí)別的精準(zhǔn)度和識(shí)別速度。

圖像中出現(xiàn)頻率較高的噪聲可以分為椒鹽噪聲、瑞麗噪聲、高斯噪聲等，本文的處理對(duì)象為普通圖像中的椒鹽噪聲。

椒鹽噪聲通常是圖片中在隨機(jī)位置形成的黑點(diǎn)或白點(diǎn)。其產(chǎn)生大部分是由圖片的切割出現(xiàn)問(wèn)題引起，一般對(duì)應(yīng)于這種情況，可以采用中值濾波的方式實(shí)現(xiàn)椒鹽噪聲消除。

中值濾波是將周圍的像素進(jìn)行排序之后進(jìn)行排序取出中值來(lái)替代各點(diǎn)。同時(shí)它也是目前消除圖像噪聲最常用的方法之一，特別是對(duì)于椒鹽噪聲的降噪效果。因此中值濾波進(jìn)行噪聲消除成為本文的首選方法。

1.2作業(yè)圖像OCR技術(shù)

Tesseract是由普惠實(shí)驗(yàn)室進(jìn)行研發(fā)后來(lái)交由谷歌優(yōu)化升級(jí)的開(kāi)源OCR引擎。同時(shí)也是當(dāng)前市場(chǎng)上較少能夠支持漢字的專項(xiàng)開(kāi)源識(shí)別庫(kù)。Tesseract精確性較高，在1995年的全球測(cè)試中排名第三位，其精準(zhǔn)度與商業(yè)領(lǐng)域的OCR技術(shù)引擎十分接近。用戶可以根據(jù)自己的需求有針對(duì)性地進(jìn)行樣本數(shù)據(jù)的訓(xùn)練，并且研發(fā)出滿足自身實(shí)際需要的專用引擎。本文以Tesseract為基礎(chǔ)，首先研究作業(yè)批改要進(jìn)行的流程和實(shí)現(xiàn)細(xì)節(jié)，然后開(kāi)發(fā)了作業(yè)批改OCR引擎。

Tesseract的識(shí)別主要基于KNN算法。KNN算法又叫K鄰近算法，是分析測(cè)試圖片中的每個(gè)像素點(diǎn)和樣本圖像中對(duì)應(yīng)像素點(diǎn)距離的總和實(shí)現(xiàn)的，一般計(jì)算距離的方式有歐氏距離和曼哈頓距離兩種方式（歐氏距離采用較多），將距離最近的K個(gè)點(diǎn)排序出來(lái)，選取其中出現(xiàn)頻率最高的幾個(gè)樣本標(biāo)簽作為預(yù)測(cè)值。Tesseract使用KNN算法來(lái)返回預(yù)測(cè)的值。圖1展示了基于Tesseract的作業(yè)批改OCR引擎訓(xùn)練步驟：

1.2.1字庫(kù)訓(xùn)練步驟

（1）生成Tiff圖片集。在進(jìn)行訓(xùn)練集的生成前，需要先準(zhǔn)備一些自己手寫字符的圖片和電腦印刷體字符的圖片。并確保各字符產(chǎn)生的最低頻次。通常而言，對(duì)于較少出現(xiàn)的字符需保持十次以上的數(shù)量樣本，對(duì)于較多出現(xiàn)的字符需保持二十次以上的數(shù)量樣本。尤其在進(jìn)行字庫(kù)訓(xùn)練時(shí)，需將該字庫(kù)中的樣本圖片作出整合，放入專用Tiff圖片集中，以備后期訓(xùn)練時(shí)處理。需要特別注意的是，在一個(gè)字庫(kù)的訓(xùn)練樣本中，要確保文本字體統(tǒng)一。若有多種字體的要求，要分開(kāi)訓(xùn)練成不同的字庫(kù)。把準(zhǔn)備好的同一個(gè)字庫(kù)的樣本圖片整合進(jìn)一個(gè)Tiff圖片集里面，供后面訓(xùn)練使用。實(shí)現(xiàn)步驟首先打開(kāi)JTessBoxEditor，隨后以此打開(kāi)打開(kāi)tools選項(xiàng)和merge tif選項(xiàng)，點(diǎn)擊樣本圖片，生成Tiff格式圖片集。

（2）生成Box文件。在字庫(kù)訓(xùn)練過(guò)程中，需要開(kāi)展文本檢測(cè)工作，對(duì)文本做出定位，且形成包圍框。Box文件會(huì)有序的檢索樣本圖片中的字符，并且用藍(lán)框上下左右包圍當(dāng)前字符以及顯示當(dāng)前字符的坐標(biāo)位置。

（3）修正Box文件，更正樣本中存在的各項(xiàng)識(shí)別錯(cuò)誤。修改Box文件，糾正樣本中的識(shí)別錯(cuò)誤問(wèn)題。在識(shí)別復(fù)雜情況下拍攝的圖片時(shí)，Tesseract識(shí)別率較低，造成Box文件中出現(xiàn)較多錯(cuò)誤字符。因此需采取手動(dòng)修正的方式進(jìn)行更改。盡管該過(guò)程耗時(shí)較長(zhǎng)，但是能夠直接的影響最后識(shí)別效果的精準(zhǔn)度。實(shí)現(xiàn)步驟首先打開(kāi)JTessBoxEditor，選擇BoxEditor選項(xiàng)，最后單擊Open，選擇Tiff圖片集。打開(kāi)之后將Tiff圖片集與Box文件處于同一層目錄，否則會(huì)沒(méi)有字符坐標(biāo)、識(shí)別結(jié)果等對(duì)應(yīng)信息。

隨后對(duì)左側(cè)文字識(shí)別錯(cuò)誤做出修改，并且可以通過(guò)Merge、Split、Insert、Delete來(lái)對(duì)識(shí)別框進(jìn)行合并、分離、添加和刪除。

（4）生成Unicharset文件。該文件包括Tesseract引擎在完成訓(xùn)練后所識(shí)別的各字符信息，因此也被視為Tesseract新字庫(kù)中的重要組成項(xiàng)目，該文件會(huì)顯示當(dāng)前文件中存在多少個(gè)字符，以及每個(gè)字符的信息。

（5）創(chuàng)建字體特征專用文件。在日常生產(chǎn)生活中，同一語(yǔ)言可能會(huì)出現(xiàn)手寫體、印刷體等多種字體，因此在訓(xùn)練集中出現(xiàn)的字體形式也較多。創(chuàng)建專用的font.txt文件，里面的內(nèi)容為“”。

其中“font-name”可以表明對(duì)應(yīng)字體的具體名稱，與前面的Box文件名相對(duì)應(yīng)。

（6）編制作業(yè)批改的詞典。為加強(qiáng)搜索效果，Tesseract中的詞典以向無(wú)環(huán)字圖（DAWC）進(jìn)行表示，DAWG可以支持多部詞典搜索，如系統(tǒng)詞典、文檔詞典、用戶自建的單詞詞典等。寫詞典時(shí)，首先建一個(gè)TXT文件，每行一個(gè)字，將所有四則運(yùn)算中會(huì)出現(xiàn)的字符都寫入文件中，然后保存為UTF-8文本文件。

（7）整理形成模糊字文件。模糊字文件不是生成最終文字庫(kù)必需的文件，但能夠有效識(shí)別并修改存在的錯(cuò)誤，提高實(shí)際應(yīng)用中的準(zhǔn)確率，保存為UTF-8格式的文本文檔，并以“unicharambigs”進(jìn)行命名，在創(chuàng)建該文件時(shí)，需做出多次驗(yàn)證，找尋常見(jiàn)的易錯(cuò)字符，這也是模糊字文件整體形成的關(guān)鍵。

（8）創(chuàng)建.traineddata格式的訓(xùn)練文件。步驟為：首先以“tesser-act名稱，tif名稱nobatchbox.train”的方式創(chuàng)建TR文件;再通過(guò)“mftraining-F font-Unicharset名稱.tr”指令，并將對(duì)應(yīng)的字體加入，tr文件;隨后，啟用“cntraining why4.tr”命令，會(huì)發(fā)現(xiàn)文件夾下生成了很多新文件，對(duì)這些文件加上前綴，以“combine_tessdata why4”命令的方式實(shí)現(xiàn)文件合并，即形成專項(xiàng)字典文件。

2識(shí)別準(zhǔn)確率的驗(yàn)證結(jié)果及分析

為驗(yàn)證該方法的有效性，從南京某校園內(nèi)收集作業(yè)100份，統(tǒng)計(jì)題目共1000條，利用開(kāi)發(fā)的作業(yè)識(shí)別應(yīng)用進(jìn)行識(shí)別，實(shí)驗(yàn)結(jié)果為其中911條識(shí)別完全正確，另外89條有識(shí)別錯(cuò)誤，準(zhǔn)確率為91.1%。識(shí)別結(jié)果如圖2所示，從圖中可見(jiàn)，大部分的識(shí)別能夠保證正確并且也能做出正確判斷，只有少數(shù)的數(shù)據(jù)存在識(shí)別異?；蛘咦R(shí)別錯(cuò)誤的情況，圖中可以看出第三行將“1”識(shí)別成“+”，第五行將“1”識(shí)別成“0”，無(wú)法完成較好的錯(cuò)誤糾正，只能通過(guò)Tesseract判斷，故識(shí)別錯(cuò)誤率較高。圖片清晰度較差也會(huì)對(duì)圖像的處理造成很大的問(wèn)題，添加識(shí)別難度，故圖片拍攝光線較好的情況下識(shí)別正確率會(huì)大大提高。

3討論與總結(jié)

經(jīng)實(shí)驗(yàn)得到總體識(shí)別率能保持在91.1%，精準(zhǔn)度相對(duì)較高，基本滿足正常情況下的應(yīng)用，其中少數(shù)的錯(cuò)誤需要老師或者家長(zhǎng)進(jìn)行手動(dòng)校對(duì)，而對(duì)于這些錯(cuò)誤，最根本的辦法就是提高樣本的數(shù)量以及質(zhì)量，在往后實(shí)際應(yīng)用的深度優(yōu)化中擬采用BP算法對(duì)本文進(jìn)行進(jìn)一步的優(yōu)化以提高精準(zhǔn)度，在識(shí)別出現(xiàn)異常時(shí)用BP算法訓(xùn)練的數(shù)據(jù)集來(lái)替代模糊字文件進(jìn)行錯(cuò)誤矯正。