利用OpenCV+ConvNets检测几何图形

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

导读

人工智能领域中增长最快的子领域之一是自然语言处理（NLP），它处理计算机与人类（自然）语言之间的交互，特别是如何编程计算机以处理和理解大量自然语言数据。

自然语言处理通常涉及语音识别、自然语言理解和自然语言生成等。其中，命名实体识别（NER）等信息提取问题正迅速成为NLP的基础应用之一。在这篇文章中，我们将分享一个解决执行NER时出现的最棘手问题之一的解决方案。

深度学习的最新发展导致了可用于实体提取和其他NLP相关任务的复杂技术的迅速发展。通常，企业级OCR软件（ABBY、ADLIB等）用于将大量非结构化和基于图像的文档转换为完全可搜索的PDF和PDF/A，人们可以使用最先进的算法（BERT、ELMo等）创建高度上下文化的语言模型来推断提取的信息并实现NLP目标。

但实际上，并非所有文档都仅由基于语言的数据组成。文档可以具有许多其他非语言元素，例如单选按钮、签名块或某些其他几何形状，这些元素可能包含有用的信息，但无法通过OCR或上述任何算法轻松处理。因此，需要设计一个专门的解决方案来识别和处理这些元素。

操作步骤

步骤1：将文档（PDF等）转换为图像文件。编写一个基于OpenCV API的启发式代码来提取所有可能的图像片段，此代码应针对覆盖率而不是准确性进行优化。

步骤2：相应地标记步骤1中提取的图像。创建一个基于CNN的深度学习网络，并根据标记的图像对其进行培训，这一步将保证准确性。

步骤3：创建一个Sklearn pipeline，集成上述两个步骤，以便在接收文档时，提取所有潜在图像，然后使用经过训练的CNN模型预测所需形状的图像。