1、序言
HaaS 即 Hardware as a Service,它是加速AIoT开发者创新的一个积木平台.
Python轻应用是跑在HaaS积木平台上的一套应用框架.他是基于MicroPython进行开发,继承了python优美简介的语法,同时提供了便捷的嵌入式硬件操作库。HaaS100作为阿里云IoT推出的一款 Iot 开发板,它适配了MicroPython的运行引擎,提供了各种丰富的硬件操作接口,同时提供阿里云物联网平台和云端AI相关的能力。通过这块芯片,可以轻松通过python程序实现硬件控制,云端AI以及云端互通的能力。
今天就来讲解下,怎么基于Python轻应用框架,来实现文字识别(OCR)功能.
2、方案
2.1、总体思路
方案涉及主要涉及Minicv,Alibaba Cloud SDK 等功能模块.
MiniCV 是一套轻量级视觉框架,支持数据获取,图像处理,图像编解码,视频编解码,机器学习,UI呈现。
Alibaba Cloud SDK是阿里达摩院视觉智能开放平台的端上的引覆盖人脸、人体、视频、文字等150+场景。
关于视觉视觉智能平台的详细信息可以参考官网:https://vision.aliyun.com/
数据处理流程为:通过MiniCV模块,完成数据源的封装处理,图片的解码,图片数据的格式转换和缩放等功能,最后将处理好的数据喂给ML 模块,ML 模块通过Alibaba Cloud SDK引擎和达摩院的视觉开放智能平台进行交互,得到预期结果.
由于HaaS100的板子默认没有配置LCD,所以为了方便开发者使用,我通过打印LOG 的方式将结果输出.
2.2、具备功能
文字识别技术基于阿里云深度学习技术,为您提供通用的印刷文字识别和文档结构化等能力。文字识别技术可以灵活应用于证件文字识别、发票文字识别、文档识别与整理等行业场景,满足认证、鉴权、票据流转审核等业务需求
2.3、效果呈现
测试资源图片:"/data/python-apps/ml/recognize-character/res/test.jpg"
输出结果:
# -------------------Welcome HaasAI MicroPython--------------------
-----ml ucloud RecognizeCharacter demo start-----
results size:1
index:0
probability:0.441612
text:飞猪旅行
left:199
angle:-5
top:166
height:373
width:781
bytearray(b'\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00')
-----ml ucloud RecognizeCharacter demo end-----
3、OCR技术介绍
3.1、概念介绍
OCR是Optical Character Recognition的缩写,意思是光学字符识别,简称文本识别。
- 光学输入: 扫描仪,摄像机等
- 算法处理,文字提取和识别
- 文本输出
简单来说就是提取图像中文本信息。
一张图片上能涵盖的文本信息是非常多的,如果我们手工录入这些文本,势必会很慢。但是通过OCR,就能一次性获取图片中所有的文本信息,效率大幅提升。
正是由于OCR是一种非常快捷、省力的文字输入方式,所以在文字量比较大的今天,很受人们欢迎。比如说银行卡识别,身份证识别,电子名片。
3.2、文本检测之DB技术分析
DB即Differentiable Binarization,从字面意思就可以知道,它的主要特点就是一个可变的二值化阈值。它可以通过训练,动态设置不同场景,不同像素点的二值化阈值,从而更加精准的定位文本的位置。
如上图所示:
蓝色箭头部分代表了传统的分割流程。
原始图-->分割图-->二值图-->目标图,在这个流程中,分割图到二值图的转换是通过一个固定的阈值来完成的,因此,当文字比较密集,并且不规则的时候,生成的二值图的文字边界就不太准确。
红色部分是DB的流程。它的主要功能就是在进行图片分割的同时,会基于文本边界生成一个动态的阈值图,也就是图中的threshold map. 通过segmentation map 和 threshold map 共同决定如何生成二值图。
segmentation map: 有文字的区域有值P
threshhold map: 文字边界才有值T
binary map: B = 1或者B=0
如果上图所示
文字区域内部:
P = 0.99 , T= 0.2 , P –T > 0, B = 1
文字区域边界:
P = 0 , T= 0.99 , P –T < 0, B = 0
非文字区域:
P = 0 , T= 0.2 , P –T < 0, B = 0
对于原始图中的每个像素点,都计算依据P 和T 值的不同,计算得到最终的二值图B,最后将二值图还原到原始图片中,生成精确的文本区域。
3.3、文本识别
文本识别指的是将 文本检测得到的文本框的的内容,转化为具体文字的过程。通常情况下,文本识别可以分为两大类:
定长文字识别
定长文字的识别比较简单,使用场景也比较有限,常见的有验证码识别。这种文字识别的网络结果也会比较简单,可以参考LeNet ,构建一个CNN网络,通常情况下三个卷积和一个全连接层就可以实现,本文中不做详细介绍。
不定长文字识别
在日常生活,很多场景我们是不知道需要被识别的文字长度。因此我们需要一个更加复杂的网络,通过深度学习,自主判定文字的长度,并加以分割可转换。目前不定长文字的识别通常有两种实现方式:
* CNN + Seq2Seq + Attention
- CRNN 这两种方法主要差别在输出层,他们都抛弃了softMax, 分辨采用拉Attention 和 CTC 来将序列特征信息转化为识别结果。Attention 由于机制原因,模型比较大,因此在Iot 端上我们采用的是CRNN 。
3.4、CRNN
CRNN(Convolutional Recurrent Neural Network,卷积循环神经网络)是目前比较流行的文字识别模型,不需要对样本数据进行字符分割,可识别任意长度的文本序列,模型速度快、性能好。
CRNN的主要特点是:
* 可训练
* 序列化识别任意长度字符,无需分割
* 速度快,性能好,模型小
CRNN模型主要由以下三部分组成:
* 卷积层:从输入图像中提取出特征序列
* 循环层:预测从卷积层获取的特征序列的标签分布;
* 转录层:把从循环层获取的标签分布通过去重、整合等操作转换成最终的识别结果。
3.4.1、卷积层
- 预处理 对输入图像先做了缩放处理,把所有输入图像缩放到相同高度
- 卷积运算 7个卷积 加上 4 pooling , 引入 2 个bn(BatchNormalization) 加速模型收敛,缩短训练过程
- 特征提取 从左到右,按列生成特征向量,作为循环层的输入
3.4.2、循环层
循环层由一个双向的 LSTM 组成。
LSTM(Long Short Term Memory,长短期记忆网络)是一种特殊结构的RNN(循环神经网络),用于解决RNN的长期依赖问题,也即随着输入RNN网络的信息的时间间隔不断增大,普通RNN就会出现“梯度消失”或“梯度爆炸”的现象
从上图可以看出,LSTM跟RNN最大的区别就是增加一个保存长期状态的单元,并且通过三个门开关,控制这个单元的状态
- 输入门:决定当前时刻的网络状态,保存多少到这个长期状态
- 遗忘门:决定上一个时刻的长期状态,保留多少到当前时刻的长期状态
- 输出门:当前的长期状态,有多少作为当前网络的结果输出
3.4.3、转录层
转录层是将LSTM网络预测的特征序列的结果通过CTC进行整合,转换为最终输出的结果。
CTC模型(Connectionist Temporal Classification,联接时间分类),主要用于解决训练时字符无法对齐问题。
如上图所示:输入字符CTC ,由于字符间隔,图像变形等原因,导致经过CNN+RNN 处理后的结果变成--CC----TT--CC
其中-代表空白区域,它是在CTC在训练阶段加上去的,目的就是为了避免解码的去重方便。
在解码阶段,先去掉连贯的重复字符,然后去掉插入的空白字符,最后得到识别结果CTC。
4、Demo体验
4.1、代码下载和编译
参考《HaaS100快速开始》下载,编译,烧录,AliOS Things代码.(解决方案选择:py_engine_demo)
烧录完成,启动设备,通过串口输入:
(命令中的 ssid password 是开发者自己工作环境的wifi 用户名和密码)
python /data/python-apps/wifi/main.py ssid password
python /data/python-apps/ml/recognize-character/main.py
4.2、示例代码
from minicv import ML
print("-------------------Welcome HaasAI MicroPython--------------------")
print("-----ml ucloud RecognizeCharacter demo start-----")
OSS_ACCESS_KEY = "xxxx"
OSS_ACCESS_SECRET = "xxxx"
OSS_ENDPOINT = "xxxx"
OSS_BUCKET = "xxxx"
ml = ML()
ml.open(ml.ML_ENGINE_CLOUD)
ml.config(OSS_ACCESS_KEY, OSS_ACCESS_SECRET, OSS_ENDPOINT, OSS_BUCKET, "NULL")
ml.setInputData("/data/python-apps/ml/recognize-character/res/test.jpg")
ml.loadNet("RecognizeCharacter")
ml.predict()
responses_value = bytearray(10)
ml.getPredictResponses(responses_value)
print(responses_value)
ml.unLoadNet()
ml.close()
print("-----ml ucloud RecognizeCharacter demo end-----")
4.3、设备端配置
4.3.1、账号注册
点击红色框圈中的“立即注册”按钮进行注册.
4.3.2、OSS参数获取
使用OSS功能的时候涉及到四个配置参数:AccessKeyId,AccessKeySecret,Endpoint,BucketName.
AccessKey 获取:
登录https://ram.console.aliyun.com/账号管理平台查看AccessKeyId,AccessKeySecret(账号为上一节中注册的账号)
点击账号头像框中的"AccessKey管理"按钮.
点击按钮"查看Select",获取AccessKeyId,AccessKeySecret
Bucket账号获取:
登陆OSS控制台https://oss.console.aliyun.com/创建Bucket,创建时地域一定要选择上海
在Bucket创建好后,从上图我们可以看到:
Endpoint:oss-cn-shanghai.aliyuncs.com
BucketName就是我们创建Bucket取的名字oss-ai-dev。
4.3.3、Bucket文件夹创建
4.4.4、Bucket文件夹权限
创建好文件夹后,记住一定要修改文件夹权限,否则访问失败.
开发者技术支持
Python轻应用继承了Python易学易用的特点,同时提供了基于嵌入式硬件的基础库封装,让开发者可以很方便的通过交互式的环境,实时进行嵌入式开发,让嵌入式开发也变得简单方便。
如需更多技术支持,可加入钉钉开发者群,获取一对一的技术支持!
更多技术与解决方案介绍,请访问HaaS官方网站 https://haas.iot.aliyun.com/