沈沖

關(guān)鍵詞：人工智能;深度學(xué)習(xí);文字;識(shí)別;神經(jīng)網(wǎng)絡(luò)

隨著信息技術(shù)發(fā)展，以圖像為主的多媒體信息迅速成為了重要的消息傳播手段。而準(zhǔn)確有效地提取圖片中的信息能有助于社會(huì)在工業(yè)自動(dòng)化、機(jī)器人導(dǎo)航、人機(jī)交互、多媒體檢索領(lǐng)域獲得長(zhǎng)遠(yuǎn)發(fā)展。目前文字識(shí)別已經(jīng)成為智能機(jī)器深度學(xué)習(xí)的重要內(nèi)容，具有一定的研究?jī)r(jià)值?；诖?，本文將對(duì)基于人工智能機(jī)器學(xué)習(xí)的文字識(shí)別技術(shù)為論點(diǎn)，對(duì)現(xiàn)有的文字識(shí)別技術(shù)進(jìn)行研究，以期能為同行產(chǎn)生幾點(diǎn)借鑒意義。

一、傳統(tǒng)文字識(shí)別技術(shù)與現(xiàn)代文字識(shí)別技術(shù)的特點(diǎn)研究

傳統(tǒng)的文字識(shí)別技術(shù)有筆輸入、專用OCR、手寫體OCR、印刷體OCR四類[1]。現(xiàn)代文字識(shí)別技術(shù)依靠Matlab技術(shù)實(shí)現(xiàn)，大致應(yīng)用步驟為調(diào)取原始圖像、處理圖像獲得灰度圖像、圖像二值處理，調(diào)動(dòng)計(jì)算函數(shù)，輸出目標(biāo)文字。

二、現(xiàn)有文字識(shí)別技術(shù)仍存在的問(wèn)題

（一）網(wǎng)絡(luò)文字圖片標(biāo)注成本高，訓(xùn)練數(shù)據(jù)集小

人工智能機(jī)器學(xué)習(xí)功能需要在復(fù)雜模型的監(jiān)督訓(xùn)練下開展，因此，需要以海量數(shù)據(jù)集作為學(xué)習(xí)初始支持。針對(duì)網(wǎng)絡(luò)圖片中的文字，進(jìn)行深度學(xué)習(xí)前，要對(duì)圖片中的所有字符串進(jìn)行標(biāo)注，并需要對(duì)某個(gè)區(qū)域內(nèi)是否包含文字進(jìn)行檢測(cè)。相較于一般的物體識(shí)別任務(wù)，網(wǎng)絡(luò)圖片文字識(shí)別所花費(fèi)的任務(wù)成本更高。但從當(dāng)前來(lái)看，現(xiàn)開放的有關(guān)文字識(shí)別技術(shù)開放性源代碼數(shù)據(jù)集較少，圖片數(shù)量也較少，故開展深度學(xué)習(xí)的前期支持?jǐn)?shù)據(jù)不足。

（二）序列建模常用的循環(huán)網(wǎng)絡(luò)無(wú)法并行計(jì)算

當(dāng)前文字序列識(shí)別的常用技術(shù)為依靠卷積循環(huán)神經(jīng)網(wǎng)絡(luò)，技術(shù)支撐主體為L(zhǎng)STM技術(shù)。雖然該技術(shù)序列建模能力較為優(yōu)秀，但在建模過(guò)長(zhǎng)的文字序列時(shí)，信息發(fā)出與收到反饋的用時(shí)較長(zhǎng)，有可能增加系統(tǒng)深度學(xué)習(xí)的最終用時(shí)，進(jìn)而對(duì)模型的識(shí)別效率造成影響。

（三）復(fù)雜場(chǎng)景圖片文字識(shí)別準(zhǔn)確率不足

現(xiàn)有的文字識(shí)別模型大多依靠普通的單層卷積網(wǎng)絡(luò)，針對(duì)背景較為簡(jiǎn)單的文字進(jìn)行識(shí)別時(shí)，準(zhǔn)確率較高。但當(dāng)識(shí)別復(fù)雜場(chǎng)景文字時(shí)，需要加深提取模塊層數(shù)，從而出現(xiàn)梯度發(fā)散問(wèn)題，最終導(dǎo)致機(jī)器學(xué)習(xí)內(nèi)容不足的現(xiàn)象。

三、基于人工智能機(jī)器學(xué)習(xí)的文字識(shí)別技術(shù)分析

（一）分類器識(shí)別

基于深度學(xué)習(xí)的文字識(shí)別工作開展前，首先要對(duì)文字識(shí)別的分類器進(jìn)行識(shí)別。以BP神經(jīng)網(wǎng)絡(luò)分類器為例，其學(xué)習(xí)訓(xùn)練步驟如下：輸入模式順傳播→輸出誤差逆?zhèn)鞑ァh(huán)記憶訓(xùn)練→學(xué)習(xí)結(jié)果判別。在應(yīng)用BP神經(jīng)網(wǎng)絡(luò)分類器前，首先需構(gòu)建神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)代表3大不同數(shù)據(jù)的通道。采用net函數(shù)構(gòu)建神經(jīng)網(wǎng)絡(luò)，則可將3大數(shù)據(jù)通道用net1、net2及net3、表示，每一通道內(nèi)包含的數(shù)據(jù)數(shù)量分別為64與128、24與48、60與128，每一個(gè)數(shù)量分別代表一個(gè)節(jié)點(diǎn)。滿足上述技術(shù)支持后即可對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化。當(dāng)前最常用的初始化方式為Initnw，每一次運(yùn)行都能將數(shù)據(jù)運(yùn)行時(shí)的權(quán)值及偏移量合理的初始，在后續(xù)進(jìn)行單個(gè)文字的識(shí)別時(shí)，數(shù)據(jù)的輸入能更加便捷，同時(shí)也能減少神經(jīng)元網(wǎng)絡(luò)節(jié)點(diǎn)的冗余[2]。

（二）規(guī)則文字識(shí)別相關(guān)技術(shù)

（1）卷積神經(jīng)網(wǎng)絡(luò)法：該結(jié)構(gòu)屬于前饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)類型，對(duì)規(guī)則文字類型具有較高的文字識(shí)別靈敏度。即使針對(duì)已經(jīng)經(jīng)過(guò)平移或旋轉(zhuǎn)變換后的圖片，也可利用該技術(shù)較為靈敏地識(shí)別出。該技術(shù)文字識(shí)別步驟如下：輸入→預(yù)處理→識(shí)別→識(shí)別后處理四大流程。各流程中所包含的數(shù)據(jù)層級(jí)也有所差別，現(xiàn)將具體內(nèi)容介紹如下：①輸入層。截取需要處理后的單字圖像，并轉(zhuǎn)換為64*64像素的灰度文字圖片，調(diào)整文字為白色，調(diào)整背景為黑色，如此處理以避免無(wú)關(guān)因素對(duì)文字識(shí)別的影響。

②隱藏層。共包含三個(gè)池化層與三個(gè)卷積層，卷積層與乳化層交替構(gòu)成，處理數(shù)據(jù)。a、卷積層1：計(jì)算第一層卷積尺寸，以64*64像素文字處理為例，最終輸出卷積尺寸詳見(jiàn)表1;b、池化層1：對(duì)第一卷積層輸出的圖像進(jìn)行最大池化運(yùn)算處理。并計(jì)算出第一次池化結(jié)果。以60*60像素文字處理為例，最終輸出的池化尺寸詳見(jiàn)表2;c、卷積層2：采用5*5的卷積（共計(jì)128）個(gè)，對(duì)池化層1輸出的圖像再次進(jìn)行卷積運(yùn)算：d、池化層2：采用2*2的池化器對(duì)卷積層2輸出的圖像進(jìn)行池化最高值運(yùn)算：e、卷積層3：采用4*4的卷積對(duì)圖像進(jìn)行卷積運(yùn)算;f、池化層3：采用2*2的（256個(gè)）池化器對(duì)卷積層圖像進(jìn)行池化最高運(yùn)算[3]。

③全連接層：對(duì)隱藏層所輸出的參數(shù)進(jìn)行處理，并由系統(tǒng)對(duì)神經(jīng)元的興奮度進(jìn)行計(jì)算?？砂凑杖缦潞瘮?shù)帶入?yún)?shù)，激活函數(shù)公式，最終輸出神經(jīng)元興奮度數(shù)值，神經(jīng)元激活函數(shù)公式為：

④輸出層：神經(jīng)元函數(shù)激活后，最終輸出層得到3755個(gè)節(jié)點(diǎn)，每一個(gè)節(jié)點(diǎn)分別對(duì)應(yīng)一個(gè)漢字。根據(jù)步驟三中所計(jì)算出的興奮度值，最終輸出所識(shí)別漢字。

（1）FRAEN技術(shù)：該網(wǎng)絡(luò)能夠識(shí)別自然場(chǎng)景下拉伸或縮放的文字。技術(shù)核心架構(gòu)由AEN識(shí)別網(wǎng)絡(luò)與FEN靈活矯正網(wǎng)絡(luò)所構(gòu)成。在識(shí)別不規(guī)則文字時(shí)。FRN對(duì)圖片中的文字進(jìn)行識(shí)別并予以矯正，矯正至文字處于水平狀態(tài);隨后AEN將矯正后的圖像輸入至AEN網(wǎng)絡(luò)中，利用規(guī)則文字識(shí)別相關(guān)技術(shù)，如卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行文字識(shí)別，隨后輸出預(yù)測(cè)的單詞。其中FRN技術(shù)為本節(jié)內(nèi)容研究的重點(diǎn)。FRN技術(shù)為常用的文字矯正方法，但應(yīng)用時(shí)對(duì)文字變形度的要求較為局限，僅包括平移、縮放、旋轉(zhuǎn)等。因此，當(dāng)前的文字識(shí)別技術(shù)為增強(qiáng)對(duì)變形文字的矯正能力，引入了CNN文字矯正加強(qiáng)網(wǎng)絡(luò)，增強(qiáng)文字的矯正效果[4]。傳統(tǒng)的FRN處理技術(shù)易產(chǎn)生圖像解碼過(guò)程中的噪點(diǎn)，故可在矯正前，在程序內(nèi)輸入最大池化層減少或避免噪點(diǎn)產(chǎn)生。FRN矯正不規(guī)則文字的結(jié)果詳見(jiàn)圖1。將矯正后的文字圖片輸入至卷積神經(jīng)網(wǎng)絡(luò)中，進(jìn)行規(guī)則文字處理流程，即可完成文字的識(shí)別。

漢字屬于詞素音節(jié)類型文字，英文屬于表音文字。漢字的個(gè)數(shù)要遠(yuǎn)遠(yuǎn)多于英文字母的個(gè)數(shù)。對(duì)于中文文字的識(shí)別而言，文字識(shí)別時(shí)需構(gòu)建大量的圖像，這導(dǎo)致了中文文字識(shí)別時(shí)的錯(cuò)誤自檢率要遠(yuǎn)高于英文字母。關(guān)于如何提升中文文字識(shí)別能力，筆者從分類器的選擇上提出了改進(jìn)建議有條件的最好選擇包含所有字符的分類器，同時(shí)在其應(yīng)用時(shí)，應(yīng)對(duì)字符不同進(jìn)行合理分類[5]。此過(guò)程中需對(duì)分類器進(jìn)行訓(xùn)練，前期以小組文字選擇的方式，將具有這一特征的文字類型進(jìn)行整合，以便分類器更好的識(shí)別這一特征的字符。經(jīng)過(guò)不斷地深入學(xué)習(xí)，在識(shí)別文字時(shí)，系統(tǒng)將會(huì)在分類器中選出與所檢測(cè)文字相似特征最多的字符。在對(duì)機(jī)器進(jìn)行日常訓(xùn)練的過(guò)程中，采用文字交叉驗(yàn)證方式，使機(jī)器不斷搜集到有關(guān)文字特征的共性，對(duì)文字識(shí)別準(zhǔn)確度的提升有顯著成效[6]。

結(jié)束語(yǔ)：

現(xiàn)如今，神經(jīng)網(wǎng)絡(luò)已經(jīng)成為人工智能文字識(shí)別領(lǐng)域的重要組成模塊，為當(dāng)前文字識(shí)別的最常用手段。在未來(lái)，文字識(shí)別領(lǐng)域?qū)⑾蛑鴮?duì)場(chǎng)景非拉丁文字的檢測(cè)與識(shí)別、多語(yǔ)言混合的端到端文字識(shí)別、曲線型文字的檢測(cè)與識(shí)別、文字圖像的自動(dòng)生成及提高算法的性能角度發(fā)展。隨著科學(xué)社會(huì)的發(fā)展，文字識(shí)別技術(shù)將被更多的應(yīng)用到虛擬現(xiàn)實(shí)、教育、車牌識(shí)別、無(wú)人駕駛等諸多領(lǐng)域，成為未來(lái)科學(xué)研究的主流。

參考文獻(xiàn)：

[1] 馮琬婷. 基于文字識(shí)別視角分析人工智能機(jī)器學(xué)習(xí)中的文字識(shí)別方法[J]. 電子技術(shù)與軟件工程，2019，8（13）：253.

[2] 張龍坤，何舟橋，萬(wàn)武南. 基于機(jī)器學(xué)習(xí)的截圖識(shí)別翻譯應(yīng)用研究[J]. 網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2020，5（8）：54-56.

[3] 劉維維. 人工智能技術(shù)在移動(dòng)終端自動(dòng)化測(cè)試中的應(yīng)用[J]. 軟件導(dǎo)刊，2021，20（2）：59-62.

[4] 劉子俊，王廷凰. 基于AR文字識(shí)別技術(shù)實(shí)現(xiàn)二次設(shè)備定值修改[J]. 自動(dòng)化與儀器儀表，2019，6（2）：161-164.

[5] 王祥旭，潘偉，張瓊，等. 人工智能輔助惡性腫瘤診斷的應(yīng)用進(jìn)展[J]. 腫瘤防治研究，2020，47（10）：788-792.

[6] 高強(qiáng)，靳其兵，程勇. 基于卷積神經(jīng)網(wǎng)絡(luò)探討深度學(xué)習(xí)算法與應(yīng)用[J]. 電腦知識(shí)與技術(shù)，2020，5（13）：169-170.