[免費下載應用]iNeuKernel.Ocr 影像資料識別與採集原理和產品化應用

目       錄

1..... 應用概述... 2

2..... 免費下載試用... 2

3..... 視訊介紹... 2

4..... iNeuLink.Ocr影像資料採集應用... 2

5..... 資料上傳到iNeuOS工業網際網路作業系統... 4

6..... Ocr基本概念... 7

1.   應用概述

　　在工業、軍工或航天等領域，有些裝置及軟體系統比較陳舊，但是更換的成本比較高，在實驗或生產過程中不能夠完整的記錄資料，給資料應用和分析造成了很大的障礙，更無法解決實驗和生產人員的勞動強度。

　　通過OCR影像識別的技術可以很好的解決上述問題，但是沒有一個完整的產品化的軟體實現操作級應用。儘管OCR技術相對比較成熟，除特定應用場景使用外，普及使用率並不高。

　　iNeuKernel.Ocr影像資料採集軟體，實現了實時自動獲得螢幕截圖或是應用程式截圖、動態增加資料識別標籤資訊、後臺任務自動切片採集資料以及實時轉發資料，與iNeuOS工業網際網路作業系統互聯互通，完整資料採集、傳輸、儲存、檢視建模、分析等應用過程。示意如下圖：

2.   免費下載試用

　　連結：https://pan.baidu.com/s/1joGfBefaBKiFJ1l08N3KZg

　　提取碼：v242

3.   視訊介紹

 　　視訊介紹：iNeuKernel.Ocr 影像資料識別與採集

4.   iNeuLink.Ocr影像資料採集應用

（1）執行的主介面，應用相對簡單。如下圖：

  （2）配置圖源，可以使用快捷鍵，全屏截圖或是程式截圖，以便定位資料標籤的座標的相對位置，進行資料提取。如下圖：

  （3）增加或編輯識別標籤，單擊【資料識別】可以用紅色方框在圖源上標註要誤別的資料位置資訊，在【資料識別結果】中可以看到識別資料的結果，並且填寫資料標籤名稱。如下圖：

  （4）轉發資料，可以把識別的資料結果轉發給其他系統，填寫站點編號、遠端IP、遠端Port轉發週期和是否啟用等資訊。如下圖:

5.   資料上傳到iNeuOS工業網際網路作業系統

　　下載iNeuOS離線安裝包，安裝過程參見：一鍵部署。進入系統後，選擇桌面【裝置模型】，單擊左上角小加號圖示，增加一個新的裝置。選擇【服務例項】後面的【編輯】按鈕連結，配置【基本設定】和【Socket】，【Socket】預設偵聽埠為6699，其他資訊一般不需要修改，如下圖：

     選擇配置好的【服務例項】，並且配置通訊型別、應用協議和選擇驅動等，配置如下圖：

     選擇左上角旋轉圖示，會重新啟動後臺服務，應用當前配置好的資訊。硬體閘道器與iNeuOS平臺第一次通訊時會同步閘道器的裝置和資料點資訊，會在當前iNeuOS裝置驅動下生成子裝置，在子裝置上會有iNeuKernel硬體閘道器的資料點資訊。如下圖：

 　　 iNeuOS工業網際網路試用：試用地址

6.   Ocr基本概念

 （1）OCR的應用場景

 　　根據OCR的應用場景而言，我們可以大致分成識別特定場景下的專用OCR以及識別多種場景下的通用OCR。就前者而言，證件識別以及車牌識別就是專用OCR的典型案例。針對特定場景進行設計、優化以達到最好的特定場景下的效果展示。那通用的OCR就是使用在更多、更復雜的場景下，擁有比較好的泛性。在這個過程中由於場景的不確定性，比如：圖片背景極其豐富、亮度不均衡、光照不均衡、殘缺遮擋、文字扭曲、字型多樣等等問題，會帶來極大的挑戰。

 （2）OCR的技術路線

 　　典型的OCR技術路線如下圖所示：

 　　其中OCR識別的關鍵路徑在於文字檢測和文字識別部分，這也是深度學習技術可以充分發揮功效的地方。PaddleHub為大家開源的預訓練模型的網路結構是Differentiable Binarization+ CRNN，基於icdar2015資料集下進行的訓練。

 　　首先，DB是一種基於分割的文字檢測演算法。在各種文字檢測演算法中，基於分割的檢測演算法可以更好地處理彎曲等不規則形狀文字，因此往往能取得更好的檢測效果。但分割法後處理步驟中將分割結果轉化為檢測框的流程複雜，耗時嚴重。因此作者提出一個可微的二值化模組（Differentiable Binarization，簡稱DB），將二值化閾值加入訓練中學習，可以獲得更準確的檢測邊界，從而簡化後處理流程。DB演算法最終在5個資料集上達到了state-of-art的效果和效能。參考論文：Real-time Scene Text Detection with Differentiable Binarization

 　　下圖是DB演算法的結構圖：

 

 

　　接著，我們使用 CRNN（Convolutional Recurrent Neural Network）即卷積遞迴神經網路，是DCNN和RNN的組合，專門用於識別影像中的序列式物件。與CTC loss配合使用，進行文字識別，可以直接從文字詞級或行級的標註中學習，不需要詳細的字元級的標註。參考論文:An end-to-end trainable neural network for image-based sequence recognition and its application to scene text recognition

 　　下圖是CRNN的網路結構圖：

 

---

物聯網&大資料技術 QQ群：54256083
物聯網&大資料專案 QQ群：727664080
QQ：504547114
微信：wxzz0151
部落格：https://www.cnblogs.com/lsjwq
微信公眾號：iNeuOS