杜訓(xùn)祥

中電鴻信信息科技有限公司

0 引言

OCR（Optical Character Recognition）是指對文本資料的圖像文件進(jìn)行分析識別處理，獲取文字及版面信息的過程。即將圖像中的文字進(jìn)行識別，并以文本的形式返回。

OCR 技術(shù)可應(yīng)用于財務(wù)票據(jù)、證件、文字資料、檔案卷宗、文案等的錄入和處理領(lǐng)域。在財務(wù)領(lǐng)域，將OCR 識別技術(shù)運用在財務(wù)系統(tǒng)中，通過OCR 技術(shù)自動提取票據(jù)要素，如金額、賬號、日期、證件號等，可代替手工完成票據(jù)信息的錄入；將通過OCR 技術(shù)識別的票據(jù)金額與系統(tǒng)中的金額進(jìn)行比對，從而可替代操作人員完成財務(wù)稽核工作，使專職人員從枯燥的重復(fù)勞動中釋放出來，投入到更高價值的工作中。借助OCR技術(shù)，自動提取票據(jù)影像數(shù)據(jù)，進(jìn)而推動財務(wù)系統(tǒng)智慧化、自動化轉(zhuǎn)型，從系統(tǒng)優(yōu)化的角度來看，可有效減少人工核算工作量、減少工作差錯、為系統(tǒng)的數(shù)據(jù)安全保駕護航；從企業(yè)發(fā)展的角度來看，可激發(fā)員工的創(chuàng)造性、增強企業(yè)發(fā)展能力。

但由于OCR 的識別率并無法達(dá)到百分之百，一些除錯或輔助更正的功能，也成為OCR 系統(tǒng)中必要的一個模塊。

1 傳統(tǒng)OCR 方法存在的問題

OCR 對數(shù)字、英文字符的識別效果普遍較好，然而其對中文的識別相對效果較差，這與中文字體的復(fù)雜形狀有直接關(guān)系。傳統(tǒng)的OCR 方法，針對文字噪聲少，設(shè)計高性能的特征向量，使用模版匹配、支持向量機或者淺層神經(jīng)網(wǎng)絡(luò)等得到很高的識別準(zhǔn)確度，但當(dāng)用于大量噪聲或者復(fù)雜的中文文字識別時，識別效果較差。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是一種深度學(xué)習(xí)網(wǎng)絡(luò)，通過卷積運算由淺入深提取圖像不同層次的特征，利用神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程讓整個網(wǎng)絡(luò)自動調(diào)節(jié)卷積核的參數(shù)，從而無監(jiān)督地產(chǎn)生最適合的分類特征，對中文這種復(fù)雜的文字，具有較好的識別效果。

2 基于VGGNet 的圖像中文OCR 識別糾錯系統(tǒng)設(shè)計方案

2.1 VGGNet 網(wǎng)絡(luò)結(jié)構(gòu)特點分析

CNN 即卷積神經(jīng)網(wǎng)絡(luò)擅長處理圖像分類的問題，具有參數(shù)較少以及平移不變性的優(yōu)點。VGGNet 是CNN 的一種，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示

圖1 VGGNet 各級網(wǎng)絡(luò)結(jié)構(gòu)

在池化核的選擇方面，VGGNet 全部采用2x2 的池化核，池化層用于降維，使得VGGNet 網(wǎng)絡(luò)模型在架構(gòu)上更深更寬的同時，控制了計算量的增加規(guī)模。

VGGNet 共包含A、A-LRN、B、C、D、E 六種網(wǎng)絡(luò)結(jié)構(gòu)，因為VGG16 全程使用3x3 卷積核與2x2 池化核，其網(wǎng)絡(luò)結(jié)構(gòu)統(tǒng)一、簡潔優(yōu)美，所以本文在模型選擇上選擇VGG16網(wǎng)絡(luò)模型。如圖2 所示。

圖2 VGG16 網(wǎng)絡(luò)結(jié)構(gòu)

2.2 系統(tǒng)整體設(shè)計思路

基于VGGNet 的圖像中文OCR 識別糾錯系統(tǒng)，首先對OCR 分析業(yè)務(wù)平臺生產(chǎn)中間數(shù)據(jù)進(jìn)行預(yù)處理，然后對預(yù)處理后的數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、接著基于Tensorflow 深度學(xué)習(xí)框架，訓(xùn)練VGG 網(wǎng)絡(luò)模型，最后對OCR 結(jié)果進(jìn)行分析，智能糾正錯誤結(jié)果。

在數(shù)據(jù)清洗方面，本文設(shè)計了三步數(shù)據(jù)處理法，包括采用OCR 識別結(jié)果做初步過濾匯總、采用驗證碼服務(wù)進(jìn)行數(shù)據(jù)清洗和通過人工核驗方式進(jìn)行數(shù)據(jù)清洗三個環(huán)節(jié)。

在模型訓(xùn)練方面，基于Tensorflow 深度學(xué)習(xí)框架，訓(xùn)練VGG 網(wǎng)絡(luò)模型，建立字分類器、詞分類器。

在對OCR 的識別結(jié)果進(jìn)行錯誤分析時，對于不在正樣本清單中的詞語，查詢詞語映射表，若在映射表中查到該詞語則通過映射表優(yōu)化OCR 的識別結(jié)果，若其不存在詞語映射表中則通過字、詞分類器對OCR 的識別結(jié)果進(jìn)行優(yōu)化。

壓實膨潤土混合物自由膨脹-收縮、限制膨脹-收縮過程的特征點見表4和表5。其中， 收縮量是指膨脹穩(wěn)定與收縮穩(wěn)定之間體積的變化率差值。

3 中文OCR 識別糾錯系統(tǒng)運行設(shè)計

系統(tǒng)運行以數(shù)據(jù)采集開始，經(jīng)過數(shù)據(jù)預(yù)處理、數(shù)據(jù)清洗、模型訓(xùn)練等過程，最終輸出模型，以來優(yōu)化OCR 識別結(jié)果。系統(tǒng)主要提供預(yù)處理、數(shù)據(jù)清洗、模型訓(xùn)練和OCR 識別結(jié)果優(yōu)化四個功能。

3.1 預(yù)處理

基于OCR 分析業(yè)務(wù)平臺生產(chǎn)中間數(shù)據(jù)，對圖像中識別的字、詞進(jìn)行積累，并建立字圖像庫、詞語圖像庫。具體步驟如下

首先在OCR 識別引擎模塊中，對要識別的字的局部圖像進(jìn)行保存，并以時間+識別結(jié)果的方式進(jìn)行命名，從而建立字圖像庫；在OCR 字段定位模塊中，對要識別的字段的詞圖像進(jìn)行保存，并以時間+識別結(jié)果的方式進(jìn)行命名，從而建立詞圖像庫。接著開發(fā)“字詞圖像庫匯總工具”，建立字典數(shù)據(jù)庫，開發(fā)匯總服務(wù)、字典與本地庫同步功能。最后開啟字、詞匯總服務(wù)，將識別結(jié)果相同的圖匯總在同一文件夾中，如果本地庫數(shù)據(jù)有所變化，點擊同步按鈕實現(xiàn)字典與本地庫同步。

3.2 數(shù)據(jù)清理

使用三步數(shù)據(jù)處理法，對字、詞庫進(jìn)行數(shù)據(jù)清洗，清除錯誤的數(shù)據(jù)，合并相同類別的數(shù)據(jù)。

第一步數(shù)據(jù)清洗，是針對預(yù)處理后的數(shù)據(jù)采用OCR 識別結(jié)果做第一步過濾匯總?；诂F(xiàn)有數(shù)據(jù)量，使用字典數(shù)據(jù)庫，查詢樣本數(shù)據(jù)量＞N 的類別，做相應(yīng)篩選或者增加，建立正樣本類別清單，確定全部的正樣本類別、建立負(fù)樣本文件夾。

第二步數(shù)據(jù)清洗，是基于圖像驗證碼服務(wù)做初步數(shù)據(jù)清洗，清除正樣本中的錯誤數(shù)據(jù)。首先建立圖像驗證碼服務(wù)器，服務(wù)器接受請求后輸出驗證碼圖像，并等待接受用戶的驗證值。設(shè)定清洗時間周期，如將時間周期設(shè)置為月，則每個月根據(jù)驗證數(shù)據(jù)表或者本地日志文件，來初步清洗數(shù)據(jù)。

第三步數(shù)據(jù)清洗，是通過人工核驗，完成最終的數(shù)據(jù)清洗。清洗文件夾，將不屬于正樣本類別的數(shù)據(jù)，移到負(fù)樣本文件夾；把不屬于該類別的正樣本數(shù)據(jù)，移到相應(yīng)類別對應(yīng)的正樣本文件夾，同時將字詞的OCR 識別錯位值與字詞的真實值對應(yīng)，建立常錯字詞映射表。通過詞庫更新程序，使本地圖像庫與字典數(shù)據(jù)庫保持一致，將類型名從0 開始標(biāo)注，生成標(biāo)簽文件。如圖3 所示。

圖3 三步數(shù)據(jù)處理法示意圖

3.3 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

基于Tensorflow 深度學(xué)習(xí)框架，訓(xùn)練VGGNet 網(wǎng)絡(luò)模型，建立字分類器和詞分類器。

3.4 OCR 識別結(jié)果優(yōu)化

對OCR 的識別結(jié)果進(jìn)行錯誤分析，在正樣本清單中查詢該識別結(jié)果字符串，如果在正樣本清單中可查詢到該結(jié)果字符串，則直接輸出此結(jié)果；若在正樣本清單中查詢不到該結(jié)果字符串，則通過查詢映射表的方式進(jìn)行結(jié)果優(yōu)化，若映射表中存在該字符串則通過映射表中對應(yīng)的字符串替換該結(jié)果；若映射表中不存在該字符串，則使用字、詞分類器對結(jié)果進(jìn)行分類，將分類預(yù)測值和分類器設(shè)定的閾值進(jìn)行比較，當(dāng)預(yù)測值大于或者等于分類閾值時，使用分類結(jié)果替換原始結(jié)果，否則不做處理。如圖4 所示。

圖4 OCR 識別結(jié)果智能優(yōu)化流程圖

4 初步成效

拿增值稅發(fā)票識別結(jié)果舉例，OCR 分析業(yè)務(wù)系統(tǒng)在改進(jìn)前，由于受到票據(jù)質(zhì)量影響，項目名稱和購買方服務(wù)名稱等容易出現(xiàn)識別出錯情況，而其中哪怕一個文字識別出錯，都將導(dǎo)致整個識別結(jié)果不可用。系統(tǒng)運行后，OCR 分析業(yè)務(wù)系統(tǒng)對中文詞語識別準(zhǔn)確度，在原來的基礎(chǔ)上提高了10 個百分點，大部分識別錯誤的結(jié)果被糾正。對錯誤情況進(jìn)行智能糾正，保證了OCR 識別結(jié)果的有效性，提升了數(shù)據(jù)的可用性，為后續(xù)的票據(jù)智能稽核打下堅實的數(shù)據(jù)基礎(chǔ)。

財務(wù)部門每天有大量的票據(jù)影像，多崗位員工需對同一張票據(jù)重復(fù)稽核，不僅耗費人力，且降低了報賬效率。通過圖像OCR 技術(shù)實現(xiàn)票面信息的提取，將提取的票面信息與報賬信息進(jìn)行對比，可實現(xiàn)財務(wù)稽核工作的自動化。

此外，OCR 技術(shù)可應(yīng)用于證件、文字資料、檔案卷宗、文案等的錄入和處理領(lǐng)域，如進(jìn)行證件OCR，實現(xiàn)對身份證、駕駛證、名片等的關(guān)鍵信息的識別和提取。

5 結(jié)束語

本文在傳統(tǒng)中文OCR 識別的基礎(chǔ)上，結(jié)合深度學(xué)習(xí)方法來提高中文識別的準(zhǔn)確度，所研究方法充分發(fā)揮了中文OCR 識別引擎的速度優(yōu)勢與深度學(xué)習(xí)分類器的高準(zhǔn)確度優(yōu)勢，使得中文OCR 的準(zhǔn)確度在原來的基礎(chǔ)上提高了10 個百分點。

深度學(xué)習(xí)分類器，對數(shù)據(jù)要求很高，因此數(shù)據(jù)處理工作至關(guān)重要。對于字詞數(shù)據(jù)來說，其總體數(shù)據(jù)量可以達(dá)到上億級別，本文在數(shù)據(jù)處理方面設(shè)計了三步數(shù)據(jù)處理法，首先采用OCR 識別結(jié)果做第一步過濾匯總，然后采用驗證碼服務(wù)進(jìn)行第二步清洗數(shù)據(jù)，最后通過人工核驗完成數(shù)據(jù)清洗，本文設(shè)計的三步數(shù)據(jù)處理法使數(shù)據(jù)清洗工作量減少了50%，降低了數(shù)據(jù)清洗的成本。