使用Google的Tesseract和OpenCV构建光学字符识别(OCR)系统
EAST具有U形网络。网络的第一部分包括在ImageNet数据集上训练的卷积层。下一部分是特征合并分支,该分支将当前特征图与上一阶段的未合并特征图连接在一起。然后是卷积层,以减少计算并生成输出特征图。最后,使用卷积层,输出是显示文本存在的得分图和几何图,几何图可以是旋转的框或覆盖文本的四边形,这可以从研究论文中包含的结构图像中直观地理解:
我强烈建议你亲自阅读本文(https://arxiv.org/abs/1704.03155) ,以更好地了解EAST模型。OpenCV从版本3.4开始包含EAST文本检测器模型,这使得实现自己的文本检测器变得超级方便。生成的本地化文本框可以通过Tesseract OCR传递以提取文本,这样你将拥有一个完整的OCR端到端模型。
使用TensorFlow对象的API进行文本检测的自定义模型TensorFlow Object API:https://github.com/tensorflow/models/tree/master/research/object_detection构建文本检测器的最后一种方法是用使用了TensorFlow Object API的自定义文本检测器模型。它是一个开放源代码框架,用于为目标检测任务构建深度学习模型。要详细了解它,我建议先阅读下面这篇详细的文章。https://www.analyticsvidhya.com/blog/2020/04/build-your-own-object-detection-model-using-tensorflow-api/要构建你的自定义文本检测器,你显然需要一个包含很多图像的数据集,至少要多于100个;然后你需要对这些图像进行注释,以便模型可以知道目标对象在哪里并了解有关它的一切;最后,你可以从TensorFlow’s detection model zoo(https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md) 中根据性能和速度之间的权衡选择一种预训练的模型。你可以参考这个综合性的博客来构建你的自定义模型。博客:https://tensorflow-object-detection-api-tutorial.readthedocs.io/en/latest/training.html#configuring-a-training-pipeline现在。训练可能需要一些计算,但是如果你真的没有足够的计算能力,请不要担心!你可以使用Google合作实验室满足所有要求!这篇文章(https://www.analyticsvidhya.com/blog/2020/03/google-colab-machine-learning-deep-learning) 将教你如何有效地使用它。最后,如果你想往前走了一步,并建立一个最先进的YOLO文本探测器模型,该文章(https://www.analyticsvidhya.com/blog/2018/12/practical-guide-object-detection-yolo-framewor-python/) 将是一个了解它的所有细节的敲门砖,是一个很好的入门教程!
尾注:在这篇文章中,我们讨论了OCR中存在的问题以及可以用来解决这项任务的各种方法。我们还讨论了这些方法的各种缺点,以及为什么OCR不像看起来那么容易!
最新活动更多
-
即日-11.13立即报名>>> 【在线会议】多物理场仿真助跑新能源汽车
-
11月28日立即报名>>> 2024工程师系列—工业电子技术在线会议
-
12月19日立即报名>> 【线下会议】OFweek 2024(第九届)物联网产业大会
-
即日-12.26火热报名中>> OFweek2024中国智造CIO在线峰会
-
即日-2025.8.1立即下载>> 《2024智能制造产业高端化、智能化、绿色化发展蓝皮书》
-
精彩回顾立即查看>> 【限时免费下载】TE暖通空调系统高效可靠的组件解决方案
推荐专题
发表评论
请输入评论内容...
请输入评论/评论长度6~500个字
暂无评论
暂无评论