基于PaddleOCR银行卡识别实现（二）

前言

        基于PaddleOCR银行卡识别实现（一）

        上一章讲了检测模型的实现，这一章将一下识别模型的实现，实现原理很简单，PaddleOCR提供的通用字符集有6623个，但是银行卡号就不需要这么多，只需要0~9就可以了，下面我们来看看如何实现，以及获取卡号后，如何获取银行卡名称和银行卡类型，文章最后有模型下载地址。

一、银行卡识别模型实现

1、创建字符集

在ppocr/utils/目录中创建一份只有数字的字符集ppocr_keys_bank.txt，0~9。

 2、导入数据集

目前收集了3000张左右的真实银行卡卡号切图和上万张合成卡号切图

 数据集部分切图：

 3、创建配置文件

复制一份yml文件

 文件内容如下：

Global:
  use_gpu: true
  epoch_num: 500
  log_smooth_window: 20
  print_batch_step: 10
  save_model_dir: ./output/rec_chinese_lite_v2.0_bank
  save_epoch_step: 50
  # evaluation is run every 5000 iterations after the 4000th iteration
#  eval_batch_step: [0, 2000]
  eval_batch_step: 100
  cal_metric_during_train: True
#  pretrained_model: ./pretrained_models/ch_ppocr_mobile_v2.0_rec_pre/best_accuracy
  pretrained_model:
  checkpoints:
  save_inference_dir: ./inference/rec_chinese_lite_v2.0_bank
  use_visualdl: False
  infer_img: doc/imgs_words/ch/word_1.jpg
  # for data or label process
  character_dict_path: ppocr/utils/ppocr_keys_bank.txt
  character_type: ch
  max_text_length: 25
  infer_mode: False
  use_space_char: False
  save_res_path: ./output/rec/predicts_chinese_lite_v2.0.txt


Optimizer:
  name: Adam
  beta1: 0.9
  beta2: 0.999
  lr:
    name: Cosine
    learning_rate: 0.001
  regularizer:
    name: 'L2'
    factor: 0.00001

Architecture:
  model_type: rec
  algorithm: CRNN
  Transform:
  Backbone:
    name: MobileNetV3
    scale: 0.5
    model_name: small
    small_stride: [1, 2, 2, 2]
  Neck:
    name: SequenceEncoder
    encoder_type: rnn
    hidden_size: 48
  Head:
    name: CTCHead
    fc_decay: 0.00001

Loss:
  name: CTCLoss

PostProcess:
  name: CTCLabelDecode

Metric:
  name: RecMetric
  main_indicator: acc

Train:
  dataset:
    name: SimpleDataSet
    data_dir: ./train_data/
    label_file_list:
      - "./train_data/bank/real_rec_train.txt"
    ratio_list: [1.0]
    transforms:
      - DecodeImage: # load image
          img_mode: BGR
          channel_first: False
      - RecAug: 
      - CTCLabelEncode: # Class handling label
      - RecResizeImg:
          image_shape: [3, 32, 320]
      - KeepKeys:
          keep_keys: ['image', 'label', 'length'] # dataloader will return list in this order
  loader:
    shuffle: True
    batch_size_per_card: 32
    drop_last: True
    num_workers: 8

Eval:
  dataset:
    name: SimpleDataSet
    data_dir: ./train_data/
    label_file_list:
      - "./train_data/bank/real_rec_test.txt"
    ratio_list: [1.0]
    transforms:
      - DecodeImage: # load image
          img_mode: BGR
          channel_first: False
      - CTCLabelEncode: # Class handling label
      - RecResizeImg:
          image_shape: [3, 32, 320]
      - KeepKeys:
          keep_keys: ['image', 'label', 'length'] # dataloader will return list in this order
  loader:
    shuffle: False
    drop_last: False
    batch_size_per_card: 32
    num_workers: 8

4、执行命令进行GPU训练

python -m paddle.distributed.launch --gpus 0 tools/train.py -o Global.use_visualdl=True -c configs/rec/ch_ppocr_v2.0/rec_chinese_lite_train_v2.0_bank.yml

注意显存问题，需要大于4G的显存，2G显存会溢出

5、显示运行图

visualdl --logdir=output/rec_chinese_lite_v2.0_bank/vdl --port 8081

识别模型效果最高能到达：acc：0.97

6、导出模型

python tools/export_model.py -c configs/rec/ch_ppocr_v2.0/rec_chinese_lite_train_v2.0_bank.yml
 -o Global.pretrained_model="./output/rec_chinese_lite_v2.0_bank/best_accuracy" Global.save
_inference_dir="./output/rec_chinese_lite_v2.0_bank/"

检测模型和识别模型串联验证：

python tools/infer/predict_system.py --det_algorithm="DB" --det_model_dir="./inference/ch_db_mv3_bank/" --rec_model_dir=./inference/rec_chinese_lite_v2.0_bank/ --image_dir="C:\Users\YY007\Desktop\bank\1.jpg" --rec_char_dict_path="./ppocr/utils/ppocr_keys_bank.txt" --use_gpu=True --use_angle_cls=False --det_db_unclip_ratio=2.5

7、验证模型

8、获取银行卡类型和名称

获取银行卡名称和类型，可以通过这个链接来进行获取：

"https://ccdcapi.alipay.com/validateAndCacheCardInfo.json?cardNo=" + rec_res_final[
    "bank_card_number"] + "&cardBinCheck=true"

获取的结果：

{
  "cardType": "DC",
  "bank": "HNRCU",
  "key": "622991116400066409",
  "messages": [],
  "validated": true,
  "stat": "ok"
}

银行卡类型对应的名称：

 {
    "DC": "借记卡",
    "CC": "信用卡",
    "SCC": "准贷记卡",
    "PC": "预付费卡"
}

银行卡编号对应的银行卡名称文件下载地址：

下载地址

小结

到这一步，银行卡识别已经完成，通过PaddleOCR来完成银行卡识别功能，只需要改动很少的代码就可以完成识别功能，具体改动参考“基于PaddleOCR银行卡识别实现（一）”文本检测部分，大家可通过提升数据集数量或者使用别的分割网络来试试看效果，下一章将继续讲解整个部署流程构建基于PaddleOCR银行卡识别实现（三），下方提供的模型开箱就可以使用，检测效果(0.983)、识别效果(0.975)，欢迎大家下载。

3000多张真实银行卡卡号切图和上万张合成卡号切图下载地址：

下载地址

检测和识别模型下载地址：

PP-OCRv2版模型下载地址