【校园AI Day-AI workshop】基于OCR的自定义区域文件重命名程序
【校园AI Day-AI workshop】基于OCR的自定义区域文件重命名程序
基于OCR的自定义区域识别文件重命名程序
一.项目介绍
1.1 引言:
本次项目分享来源于最近参加的【飞桨校园AI Day】AI Workshop活动,团队名:重生之我在百度学AI,选择项目命题为《自定义区域识别文件重命名程序》。 其课题主要要求为:
提供30张交付验收单,需要通过OCR技术识别图片中的铁塔名称,并根据该字段完成对图片的重命名。
精度指标:提供30张图片,识别正确90%为合格
环境要求:使用PaddleHUB或PaddleOCR实现均可
目前主要实现了根据图片中的指定区域进行重命名,通过OCR技术实现可自主选择识别区,实现识别内容的精确提取
1.2 项目意义:
在企业与日常的生活与工作过程中,必不可免会产生大量单据,譬如表单、档案等,录入表单数据需要大量人力完成手工录入,过程繁琐枯燥,耗费大量人力物力。而通过拍摄/扫描的方式快速获取表单数据,使用OCR技术实现自动录单,实现海量表单自动化录入,解决表单录入速度慢、易出错、成本高等难题。用人工智能OCR代替手动录入,为企业运营节省了大量人力、时间、物力成本
1.3 项目过程:
基于Paddle的轻量级中文ocr模型对任务目标进行可视化分析,确定所需提取的信息位置
选择预处理模型,完成对目标信息的提取
根据抽取得到的信息,按任务要求对文件名进行修改
二、环境准备
In [5]
克隆 PaddleOCR
此代码只需要执行一次,本项目已完成克隆
#%cd ~
#!git clone -b release/2.1 https://github.com/PaddlePaddle/PaddleOCR.git
/home/aistudio
正克隆到 ‘PaddleOCR’…
remote: Enumerating objects: 35969, done.
remote: Counting objects: 100% (285/285), done.
remote: Compressing objects: 100% (157/157), done.
remote: Total 35969 (delta 165), reused 230 (delta 128), pack-reused 35684
接收对象中: 100% (35969/35969), 319.24 MiB | 137.00 KiB/s, 完成.
处理 delta 中: 100% (24889/24889), 完成.
检查连接… 完成。
三、安装依赖
In [ ]
安装依赖库
%cd ~/PaddleOCR
!pip install -r requirements.txt -i https://mirror.baidu.com/pypi/simple
四、数据解压
In [ ]
!unzip /home/aistudio/data/data142101/Scan_0012_0004.zip -d /home/aistudio/images
五、模型选择
PaddleOCR是百度开源的超轻量级OCR模型库,提供了数十种文本检测、识别模型,旨在打造一套丰富、领先、实用的文字检测、识别模型/工具库,助力使用者训练出更好的模型,并应用落地。
在 PaddleOCR 识别中,会依次完成三种任务:检测、方向分类及文本识别;
关于预训练权重,PaddleOCR 官网根据提供权重文件大小分为两类:
一类为轻量级,(检测+分类+识别)三类权重加起来大小一共才 9.4 M,适用于手机端和服务器部署;
另一类(检测+分类+识别)三类权重内存加起来一共 143.4 MB ,适用于服务器部署;
无论模型是否轻量级,识别效果都能与商业效果相比,在本文中将选用轻量级权重用于测试;
In [115]
! mkdir inference
下载超轻量级中文OCR模型的检测模型并解压
! cd inference && wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_det_infer.tar && tar xf ch_ppocr_mobile_v2.0_det_infer.tar && rm ch_ppocr_mobile_v2.0_det_infer.tar
下载超轻量级中文OCR模型的识别模型并解压
! cd inference && wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_rec_infer.tar && tar xf ch_ppocr_mobile_v2.0_rec_infer.tar && rm ch_ppocr_mobile_v2.0_rec_infer.tar
下载超轻量级中文OCR模型的文本方向分类器模型并解压
! cd inference && wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_cls_infer.tar && tar xf ch_ppocr_mobile_v2.0_cls_infer.tar && rm ch_ppocr_mobile_v2.0_cls_infer.tar
! cd …
mkdir: 无法创建目录"inference": 文件已存在
–2022-05-25 23:25:29-- https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_det_infer.tar
正在解析主机 paddleocr.bj.bcebos.com (paddleocr.bj.bcebos.com)… 182.61.200.229, 182.61.200.195, 2409:8c04:1001:1002:0:ff:b001:368a
正在连接 paddleocr.bj.bcebos.com (paddleocr.bj.bcebos.com)|182.61.200.229|:443… 已连接。
已发出 HTTP 请求,正在等待回应… 200 OK
长度: 3164160 (3.0M) [application/x-tar]
正在保存至: “ch_ppocr_mobile_v2.0_det_infer.tar”
ch_ppocr_mobile_v2. 100%[===================>] 3.02M 7.34MB/s in 0.4s
2022-05-25 23:25:30 (7.34 MB/s) - 已保存 “ch_ppocr_mobile_v2.0_det_infer.tar” [3164160/3164160])
–2022-05-25 23:25:30-- https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_rec_infer.tar
正在解析主机 paddleocr.bj.bcebos.com (paddleocr.bj.bcebos.com)… 182.61.200.229, 182.61.200.195, 2409:8c04:1001:1002:0:ff:b001:368a
正在连接 paddleocr.bj.bcebos.com (paddleocr.bj.bcebos.com)|182.61.200.229|:443… 已连接。
已发出 HTTP 请求,正在等待回应… 200 OK
长度: 3897317 (3.7M) [application/x-tar]
正在保存至: “ch_ppocr_mobile_v2.0_rec_infer.tar”
ch_ppocr_mobile_v2. 100%[===================>] 3.72M 7.95MB/s in 0.5s
2022-05-25 23:25:31 (7.95 MB/s) - 已保存 “ch_ppocr_mobile_v2.0_rec_infer.tar” [3897317/3897317])
–2022-05-25 23:25:32-- https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_cls_infer.tar
正在解析主机 paddleocr.bj.bcebos.com (paddleocr.bj.bcebos.com)… 182.61.200.195, 182.61.200.229, 2409:8c04:1001:1002:0:ff:b001:368a
正在连接 paddleocr.bj.bcebos.com (paddleocr.bj.bcebos.com)|182.61.200.195|:443… 已连接。
已发出 HTTP 请求,正在等待回应… 200 OK
长度: 1454080 (1.4M) [application/x-tar]
正在保存至: “ch_ppocr_mobile_v2.0_cls_infer.tar”
ch_ppocr_mobile_v2. 100%[===================>] 1.39M 6.12MB/s in 0.2s
2022-05-25 23:25:32 (6.12 MB/s) - 已保存 “ch_ppocr_mobile_v2.0_cls_infer.tar” [1454080/1454080])
5.1可视化测试图像
In [184]
import matplotlib.pyplot as plt
from PIL import Image
%pylab inline
def show_img(img_path,figsize=(10,10)):
## 显示原图,读取名称为11.jpg的测试图像
img = Image.open(img_path)
plt.figure(“test_img”, figsize=figsize)
plt.imshow(img)
plt.show()#为了显示效果,将图片放到了下个单元块中
#show_img(“/home/aistudio/images/Scan_0012_0001.jpg”) #为了显示效果,将图片放到了下个单元块中
Populating the interactive namespace from numpy and matplotlib
我们对测试图可视化后可以发现,表单整体基本是印刷体,文字公整清晰,且图片质量较高,可以判断图片是扫描得到的。但目标信息区域文字密集度较高,给信息抽取增加了一定的难度。
测试图像可视化结果如下:
5.2 对测试图像进行文字识别
需要详细学习paddleocr使用过程请参考官方baseline:https://aistudio.baidu.com/aistudio/projectdetail/467229
paddleocr已发布v3版本详情参考官方baseline: https://aistudio.baidu.com/aistudio/projectdetail/3916530
In [ ]
快速运行
!python3 tools/infer/predict_system.py --image_dir=“/home/aistudio/images/Scan_0012_0001.jpg”
–det_model_dir=“./inference/ch_ppocr_mobile_v2.0_det_infer”
–rec_model_dir=“./inference/ch_ppocr_mobile_v2.0_rec_infer”
–cls_model_dir=“./inference/ch_ppocr_mobile_v2.0_cls_infer”#效果图片存放在"/PaddleOCR/inference_results"中
从测试图像的识别效果可以看出PaddleOCR的轻量级模型对本次任务的识别效果非常好,所以任务聚焦于如何抽取目标信息
测试图像文字识别效果如下:
5.3 目标信息抽取
在项目初期,我们小组的想法是通过使用PaddleOCR提供的SER模型(语义实体识别), 完成对图像中的文本识别与分类。然后基于RE任务,完成对图象中的文本内容的关系提取。
但在多次尝试后,因为训练数据的缺少与找不到合适的RE任务标注工具等原因,使用预训练模型直接进行信息抽取的效果较差,无法满足任务需求。
考虑到对测试图像进行分析时,图片质量较高,并且判断是扫描提取的图片,图片质量较为稳定。所以我们尝试使用文字本身的位置关系来抽取目标信息
若读者需要了解SER与RE模型可以参考大神项目: https://aistudio.baidu.com/aistudio/projectdetail/3884375
5.3.1 方案一:基于输出顺序抽取目标信息
In [4]
from paddleocr import PaddleOCR
ocr=PaddleOCR(use_angle_cls = True,use_gpu= True) #这里为了方便直接使用接口调用模型,易于输出结果,不用修改配置文件
result=ocr.ocr(“/home/aistudio/images/Scan_0012_0001.jpg”,cls=True)
for i in result[0:10]: #信息较多,这里只输出了前10个,但已经包含目标信息
print(i)
100%|██████████| 3.16M/3.16M [00:00<00:00, 45.5MiB/s]
Namespace(cls_batch_num=6, cls_image_shape=‘3, 48, 192’, cls_model_dir=‘/home/aistudio/.paddleocr/cls’, cls_thresh=0.9, det=True, det_algorithm=‘DB’, det_db_box_thresh=0.5, det_db_score_mode=‘fast’, det_db_thresh=0.3, det_db_unclip_ratio=1.6, det_east_cover_thresh=0.1, det_east_nms_thresh=0.2, det_east_score_thresh=0.8, det_limit_side_len=960, det_limit_type=‘max’, det_model_dir=‘/home/aistudio/.paddleocr/2.1/det/ch’, drop_score=0.5, enable_mkldnn=False, gpu_mem=8000, image_dir=‘’, ir_optim=True, label_list=[‘0’, ‘180’], lang=‘ch’, max_text_length=25, rec=True, rec_algorithm=‘CRNN’, rec_batch_num=6, rec_char_dict_path=‘./ppocr/utils/ppocr_keys_v1.txt’, rec_char_type=‘ch’, rec_image_shape=‘3, 32, 320’, rec_model_dir=‘/home/aistudio/.paddleocr/2.1/rec/ch’, use_angle_cls=True, use_dilation=False, use_gpu=True, use_pdserving=False, use_space_char=True, use_tensorrt=False, use_zero_copy_run=False)
download https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_det_infer.tar to /home/aistudio/.paddleocr/2.1/det/ch/ch_ppocr_mobile_v2.0_det_infer.tar
download https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_rec_infer.tar to /home/aistudio/.paddleocr/2.1/rec/ch/ch_ppocr_mobile_v2.0_rec_infer.tar
100%|██████████| 3.90M/3.90M [00:00<00:00, 47.6MiB/s]
100%|██████████| 1.45M/1.45M [00:00<00:00, 34.6MiB/s]
download https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_cls_infer.tar to /home/aistudio/.paddleocr/cls/ch_ppocr_mobile_v2.0_cls_infer.tar
INFO 2022-05-26 08:05:31,915 predict_system.py:92] dt_boxes num : 65, elapse : 1.9299414157867432
[2022/05/26 08:05:31] root INFO: dt_boxes num : 65, elapse : 1.9299414157867432
INFO 2022-05-26 08:05:32,009 predict_system.py:107] cls num : 65, elapse : 0.06732296943664551
[2022/05/26 08:05:32] root INFO: cls num : 65, elapse : 0.06732296943664551
INFO 2022-05-26 08:05:32,183 predict_system.py:111] rec_res num : 65, elapse : 0.16558265686035156
[2022/05/26 08:05:32] root INFO: rec_res num : 65, elapse : 0.16558265686035156
[[[617.0, 56.0], [944.0, 56.0], [944.0, 87.0], [617.0, 87.0]], (‘《塔类业务交付验收单’, 0.9945518)]
[[[10.0, 131.0], [127.0, 131.0], [127.0, 172.0], [10.0, 172.0]], (‘客户:’, 0.9867139)]
[[[542.0, 128.0], [1142.0, 123.0], [1142.0, 162.0], [542.0, 167.0]], (‘中国联合网络通信有限公司泰安市分公司’, 0.99098516)]
[[[858.0, 209.0], [994.0, 203.0], [996.0, 244.0], [860.0, 250.0]], (‘铁塔名称’, 0.996998)]
[[[1059.0, 206.0], [1525.0, 203.0], [1525.0, 245.0], [1059.0, 247.0]], (‘名嘉广场置业有限公司前绿化带’, 0.9981682)]
[[[73.0, 216.0], [205.0, 216.0], [205.0, 257.0], [73.0, 257.0]], (‘需求名称’, 0.998343)]
[[[317.0, 216.0], [781.0, 211.0], [781.0, 249.0], [318.0, 254.0]], (‘名嘉广场置业有限公司前绿化带’, 0.9984528)]
[[[861.0, 288.0], [991.0, 288.0], [991.0, 322.0], [861.0, 322.0]], (‘铁塔区县’, 0.99679285)]
[[[46.0, 293.0], [224.0, 288.0], [225.0, 329.0], [47.0, 335.0]], (‘运营商区县’, 0.9963339)]
[[[503.0, 293.0], [603.0, 293.0], [603.0, 327.0], [503.0, 327.0]], (‘泰山区’, 0.9958537)]
In [187]
print(result[4]) #resul[4]即为我们所需要的目标信息
print(result[6]) #信息一样,但是通过坐标我们可以发现result[4]才是我们需要的目标信息
[[[1059.0, 206.0], [1525.0, 203.0], [1525.0, 245.0], [1059.0, 247.0]], (‘名嘉广场置业有限公司前绿化带’, 0.9981682)]
[[[317.0, 216.0], [781.0, 211.0], [781.0, 249.0], [318.0, 254.0]], (‘名嘉广场置业有限公司前绿化带’, 0.9984528)]
在使用方案一进行信息抽取的过程中,我们发现目标信息的输出位置并不固定,导致结果出错,在对比模型的输出与目标图片的特点后我们发现,PaddleOCR的默认输出顺序是先从上到下,后从左到右。
而在任务目标图片中,常有图片有略微倾斜,导致目标信息的输出位置移动。这里仍旧以图一为例:图一正常的目标信息位置应该为第七位即result[6],但由于图像倾斜,导致目标输出位置迁移到了result[4]。
倾斜情况如图:
5.3.2 方案二:基于识别框位置抽取目标信息
在方案一的实行过程中,发现输出结果中包含信息的识别区域信息,于是优化了方案一,首先计算并根据图片的文字分布情况调整得到目标信息位置的中心点,通过各个识别框与中心点的距离,定位目标识别框,从而抽取目标信息
In [18]
data = result[4][0] #data为图一的目标区域
center = [sum(e)/len(e) for e in zip(*data)] #计算目标框中心点
print(center)
center = [1292.0, 220.0] #由于目标框下方密集上方稀疏,所以将中心点y值略微上移,提高准确度
[1292.0, 225.25]
六、模型应用
In [ ]
import os
path=“/home/aistudio/images/” #待读取的文件夹
path_list=os.listdir(path)
path_list.sort() #对读取的路径进行排序
name_list = []
for filename in path_list: #会出现checkpoints文件,跳过
file = os.path.join(path, filename)
text=ocr.ocr(file,cls=True)
min=9999999
for t in text:
location = [sum(e)/len(e) for e in zip(*t[0])] #计算识别框中心点
if(((location[0]-center[0])**2+(location[1]-center[1])**2)<min):
min=((location[0]-center[0])**2+(location[1]-center[1])**2)
name=t[1][0] #取距离目标位置最近的识别框中的内容
if name in name_list:
name = name + ‘same’ #用于区别相同名称,防止在重命名的时候覆盖分拣
name_list.append(name)
name = name + ‘.jpg’
newname = os.path.join(path, name)
os.rename(file, newname)
#由于文件名已被修改,想要再次测试只需删除images文件夹,并重新执行数据解压的操作即可
In [20]
name_list #带有same后缀的是用于区分相同名称
[‘名嘉广场置业有限公司前绿化带’,
‘泰山区凤凰小区南侧’,
‘泰山区华城丽景湾北’,
‘中国山东泰安主城区国棉北机房无’,
‘老王府村北十字路口绿化带’,
‘时代大厦西区’,
‘高新区龙腾路青年特车西’,
‘泰山区上峪环山路卧龙大观北’,
‘泰山区上峪环山路卧龙大观北same’,
‘泰山区白马石东一体化基站’,
‘泰山区徐家楼栗家庄南快装’,
‘泰山区建行干部学校’,
‘宁阳磁窑力博集团办公楼-3G’,
‘宁阳县东庄王家庄’,
‘宁阳华丰机电高庄山坡’,
‘杨家集-2’,
‘新泰市放城游坡村’,
‘新泰市宫里镇桃园村中间’,
‘无线’,
‘新泰市龙廷胡家庄新建’,
‘中国山东泰安新泰赵家峪机房无线’,
‘泉沟庙子牌村’,
‘新泰龙庭刘家石山子机房无线’,
‘新泰西韩’,
‘新泰星泰晶光电’,
‘新泰泉沟高崖头’,
‘新泰楼德镇封家庄’,
‘新泰谷里镇卧马村’,
‘新泰市西张庄湖西社区’,
‘岱岳区惠普西区西新建’]
七、模型评价与改进方向
通过对比发现图四,图十七,图十九重命名存在错误,准确率达到90%,达到任务要求。
其中图四与图十七错误为选用的文字识别模型无法跨行识别,图十七为文字识别错误,所以后续改进方向以调整文字识别模型为主,使其可以跨行识别,或者选用PaddleOCR新提供的V3版本,增加文字识别的准确度。
八、总结
在任务过程中最大的体会就是,寻找契合任务的模型才是最重要的,有时候我们常会考虑较为新颖复杂的模型,但很多时候一个自己更为了解并且契合任务的模型更易于任务的实现,如在本次任务中的RE模型,其准确度反而不如对基础模型的调整使用
PaddleOCR具有多种OCR使用场景,并且提供多种模型,使用方便,比起自己写或者寻找其他模型要省时省力的多,并且模型效果也较为优秀。
感谢导师高睿与同项目组的成员,与他们的交流使我获得了很多新思路
团队介绍:
队名:重生之我在百度学AI
导师:高睿
队长:汪哲瑜 浙江工业大学之江学院 数据科学与大数据技术专业 2019级 本科生
队员:高炳辉、吴尚放、郑媛、蔚欢平 浙江工业大学之江学院 数据科学与大数据技术专业 2019级 本科生
更多推荐
所有评论(0)