摘要：本案例我們利用影片字幕識別中的文字檢測與識別模型，增加預訓練Bert進行糾錯
本文分享自華為雲社群《Bert特調OCR》，作者：杜甫蓋房子。
做這個專案的初衷是發現圖比較糊/檢測框比較長的時候，OCR會有一些錯誤識別，所以想對識別結果進行糾錯。一個很自然的想法是利用語義資訊進行糾錯，其實在OCR訓練時加入語義資訊也有不少工作，感興趣的朋友可以瞭解一下，為了更大程度複用已有的專案，我們決定保留現有OCR單元，在之後加入獨立語義糾錯模組進行糾錯。
本案例我們利用影片字幕識別中的文字檢測與識別模型，增加預訓練Bert進行糾錯，最終效果如下：
我們使用ModelBox Windows SDK進行開發，如果還沒有安裝SDK，可以參考ModelBox端雲協同AI開發套件（Windows）裝置註冊篇、ModelBox端雲協同AI開發套件（Windows）SDK安裝篇完成裝置註冊與SDK安裝。
技能開發
這個應用對應的ModelBox版本已經做成模板放在華為雲OBS中，可以用sdk中的solution.bat工具下載，接下來我們給出該應用在ModelBox中的完整開發過程：
1）下載模板
執行.\solution.bat -l可看到當前公開的技能模板：
███@DESKTOP-UUVFMTP MINGW64 /d/DEMO/modelbox-win10-x64-1.5.1 $ ./solution.bat -l start download desc.json 3942.12KB/S, percent=100.00% Solutions name: mask_det_yolo3 ... doc_ocr_db_crnn_bert
結果中的doc_ocr_db_crnn_bert即為文件識別應用模板，下載模板：
███@DESKTOP-UUVFMTP MINGW64 /d/DEMO/modelbox-win10-x64-1.5.1 $ ./solution.bat -s doc_ocr_db_crnn_bert ...
solution.bat工具的引數中，-l 代表list，即列出當前已有的模板名稱；-s 代表solution-name，即下載對應名稱的模板。下載下來的模板資源，將存放在ModelBox核心庫的solution目錄下。
2）建立工程
在ModelBox sdk目錄下使用create.bat建立doc_ocr工程
███@DESKTOP-UUVFMTP MINGW64 /d/DEMO/modelbox-win10-x64-1.5.1 $ ./create.bat -t server -n doc_ocr -s doc_ocr_db_crnn_bert sdk version is modelbox-win10-x64-1.5.1 success: create doc_ocr in D:\DEMO\modelbox-win10-x64-1.5.1\workspace
create.bat工具的引數中，-t 表示建立事務的類別，包括工程(server)、Python功能單元(Python)、推理功能單元(infer)等；-n 代表name，即建立事務的名稱；-s 代表solution-name，表示將使用後面引數值代表的模板建立工程，而不是建立空的工程。
workspace目錄下將建立出doc_ocr工程，工程內容如下所示：
doc_ocr |--bin │ |--main.bat：應用執行入口 │ |--mock_task.toml：應用在本地執行時的輸入輸出配置，此應用為http服務 |--CMake：存放一些自定義CMake函式 |--data：存放應用執行所需要的圖片、影片、文字、配置等資料 │ |--char_meta.txt：字形拆解檔案，用來計算字形相似度 │ |--character_keys.txt：OCR演算法的字符集合 │ |--GB2312.ttf：中文字型檔案 │ |--test_http.py：應用測試指令碼 │ |--text.jpg：應用測試圖片 │ |--vocab.txt：tokenizer配置檔案 |--dependence │ |--modelbox_requirements.txt：應用執行依賴的外部庫在此檔案定義，本應用依賴pyclipper、Shapely、pillow等工具包 |--etc │ |--flowunit：應用所需的功能單元存放在此目錄 │ │ |--cpp：存放C++功能單元編譯後的動態連結庫，此應用沒有C++功能單元 │ │ |--bert_preprocess：bert預處理功能單元，條件功能單元，判斷是否需要糾錯 │ │ |--collapse_position：歸攏單句糾錯結果 │ │ |--collapse_sentence：歸攏全文糾錯結果 │ │ |--det_post：文字檢測後處理功能單元 │ │ |--draw_ocr：ocr結果繪製功能單元 │ │ |--expand_img：展開功能單元，展開文字檢測結果 │ │ |--expand_position：展開功能單元，展開bert預處理結果 │ │ |--match_position：匹配糾錯結果 │ │ |--ocr_post：ocr後處理功能單元 |--flowunit_cpp：存放C++功能單元的原始碼，此應用沒有C++功能單元 |--graph：存放流程圖 │ |--doc_ocr.toml：預設流程圖，http服務 │ |--modelbox.conf：modelbox相關配置 |--hilens_data_dir：存放應用輸出的結果檔案、日誌、效能統計資訊 |--model：推理功能單元目錄 │ |--bert：Bert推理功能能單元 │ │ |--bert.toml：語義推理配置檔案 │ │ |--bert.onnx：語義推理模型 │ |--det：文字檢測推理功能單元 │ │ |--det.toml：文字檢測推理功能單元的配置檔案 │ │ |--det.onnx：文字檢測onnx模型 │ |--ocr：文字識別推理功能單元 │ │ |--ocr.toml：文字識別推理功能單元的配置檔案 │ │ |--ocr.onnx：文字識別onnx模型 |--build_project.sh：應用構建指令碼 |--CMakeLists.txt |--rpm：打包rpm時生成的目錄，將存放rpm包所需資料 |--rpm_copyothers.sh：rpm打包時的輔助指令碼
3）檢視流程圖
doc_ocr工程graph目錄下存放流程圖，預設的流程圖doc_ocr.toml與工程同名，將流程圖視覺化：
圖示中，灰色部分為預置功能單元，其餘顏色為我們實現的功能單元，其中綠色為一般通用功能單元，紅色為推理功能單元，藍色為條件功能單元，黃色為展開歸攏功能單元。HTTP接收圖解碼後做預處理，接著是文字檢測，模型後處理得到檢測框，經過條件功能判斷，檢測到文字的圖送入展開功能單元，切圖進行文字識別，文字識別結果送入bert預處理單元判斷是否需要進行糾錯，如需糾錯則再展開並行進行語義推理，不需要糾錯的就直接進行結果繪製並返回。而未檢測到文字的幀則直接返回。
4）核心邏輯
本應用核心邏輯中的文字檢測與識別可以參考【ModelBox OCR實戰營】影片字幕識別中的相關介紹，本文重點介紹文字糾錯部分。
首先檢視糾錯預處理功能單元bert_preprocess：
def process(self, data_context): in_feat = data_context.input("in_feat") out_feat = data_context.output("out_feat") out_bert = data_context.output("out_bert") for buffer_feat in in_feat: ocr_data = json.loads(buffer_feat.as_object())['ocr_result'] score_data = json.loads(json.loads(buffer_feat.as_object())['result_score']) text_to_process = [] text_to_pass = [] err_positions = [] for i, (sent, p) in enumerate(zip(ocr_data, score_data)): if not do_correct_filter(sent, self.max_seq_length): text_to_pass.append((i, sent)) else: err_pos = find_err_pos_by_prob(p, self.prob_threshold) if not err_pos: text_to_pass.append((i, sent)) else: text_to_process.append(sent) err_positions.append(err_pos) if not text_to_process: out_feat.push_back(buffer_feat) else: out_dict = [] texts_numfree = [self.number.sub(lambda m: self.rep[re.escape(m.group(0))], s) for s in text_to_process] err_positions = check_error_positions(texts_numfree, err_positions) if err_positions is None: err_positions = [range(len(d)) for d in texts_numfree] batch_data = BatchData(texts_numfree, err_positions, self.tokenizer, self.max_seq_length) input_ids, input_mask, segment_ids, masked_lm_positions = batch_data.data ... return modelbox.Status.StatusCode.STATUS_SUCCESS
預處理單元對透過do_correct_filter函式對OCR結果進行判斷，只對大於3個字的中文字元進行糾錯：
def do_correct_filter(text, max_seq_length): if re.search(re.compile(r'[a-zA-ZＡ-Ｚａ-ｚ]'), text): return False if len(re.findall(re.compile(r'[\u4E00-\u9FA5]'), text)) < 3: return False if len(text) > max_seq_length - 2: return False return True
透過find_err_pos_by_prob函式定位需要糾錯的字元，只對OCR置信度小於閾值的字元進行糾錯：
def find_err_pos_by_prob(prob, prob_threshold): if not prob: return [] err_pos = [i for i, p in enumerate(prob) if p < prob_threshold] return err_pos
如有需要糾錯的字元，則將該句編碼，進行語義推理。
語義推理後，透過collapse_position對推理結果進行解碼，在match_position功能單元中使用shape_similarity函式計算語義推理結果與OCR結果的字元相似度：
def shape_similarity(self, char1, char2): decomp1 = self.decompose_text(char1) decomp2 = self.decompose_text(char2) similarity = 0.0 ed = edit_distance(safe_encode_string(decomp1), safe_encode_string(decomp2)) normalized_ed = ed / max(len(decomp1), len(decomp2), 1) similarity = max(similarity, 1 - normalized_ed) return similarity
其中，decompose_text函式將單個漢字編碼為筆劃級別的IDS，如：
華: ⿱⿰⿰丿丨⿻乚丿⿻一丨
華 +----+ | ⿱ | +----+ 化 十 +----+ +----+ | ⿰ | | ⿻ | +----+ +----+ 亻 七 一 丨 +----+ +----+ | ⿰ | | ⿻ | +----+ +----+ 丿 丨 乚 丿
計算語義推理結果字元與原OCR結果字元相似度之後，綜合語義推理置信度與相似度判斷是否接收糾錯結果：
def accept_correct(self, confidence, similarity): if confidence + similarity >= self.all_conf \ and confidence >= self.confidence_conf \ and similarity >= self.similarity_conf: return True return False
5）三方依賴庫
本應用依賴pyclipper、Shapely、pillow等工具包，ModelBox應用不需要手動安裝三方依賴庫，只需要配置在dependence\modelbox_requirements.txt，應用在編譯時會自動安裝。
技能執行
在專案目錄下執行.\bin\main.bat執行應用，為了方便觀察糾錯結果，我們將日誌切換為info：
███@DESKTOP-UUVFMTP MINGW64 /d/DEMO/modelbox-win10-x64-1.5.1/workspace/doc_ocr $ ./bin/main.bat default info ... [2022-12-27 15:20:40,043][ INFO][httpserver_sync_receive.cc:188 ] Start server at http://0.0.0.0:8083/v1/ocr_bert
另起終端，進入專案data目錄下，執行test_http.py指令碼進行測試：
███@DESKTOP-UUVFMTP MINGW64 /d/DEMO/modelbox-win10-x64-1.5.1/workspace/doc_ocr/data $ python test_http.py
可以在技能執行日誌中觀察到接受的糾錯結果：
[2022-12-27 15:22:40,700][ INFO][match_position\match_position.py:51 ] confidence: 0.99831665, similarity: 0.6470588235294117, 櫃 -> 相
同時，在data目錄下可以看到應用返回的結果圖片：
