基于MaaS平台的光学字符识别模型优化方法及装置与流程

本发明涉及模型优化领域，尤其涉及一种基于maas平台的光学字符识别模型优化方法及装置。

背景技术：

1、随着企业数字化转型的深入推进，光学字符识别技术广泛用于票据核验、文档归档及信息提取等领域。基于模型即服务（model as a service，maas）平台构建的光学字符识别模型，通过开放应用程序编程接口（application programming interface，api）接口对外输出发票识别、票据解析能力。然而，受票据样式更新、复杂票面干扰等因素影响，该光学字符识别模型需长期迭代优化，不断适配全新业务场景。

2、目前，往往依赖人工采集及标注的训练数据，优化光学字符识别模型。但是，人工采集的训练数据往往难以覆盖真实业务场景中的各类边缘情况（如不同光照条件、拍摄角度及票据磨损等），导致光学字符识别模型在实际部署后识别效果不理想。其次，依赖人工标注训练数据，需标注人员手动标记图片中的文字区域和内容，从而耗费了大量人力物力。最后，利用融合正负样本的训练数据对光学字符识别模型进行迭代优化，往往难以有针对性地筛选出最具训练价值的难例样本用于模型优化，从而导致模型优化效果不佳。

技术实现思路

1、本发明提供了一种基于maas平台的光学字符识别模型优化方法及装置，解决了依赖人工采集及标注的训练数据，优化光学字符识别模型的现有技术，成本较高，且模型优化效果较差的问题，降低了模型优化成本，改善了模型优化效果，保证了各类图片识别结果的准确性。

2、第一方面，本发明实施例提供了一种基于maas平台的光学字符识别模型优化方法，包括：获取用户向maas平台提交的光学字符识别请求，并从光学字符识别请求中提取待识别图片；调用部署于maas平台的光学字符识别模型，对各待识别图片进行识别，得到与各待识别图片分别的图片识别结果；基于各图片识别结果，将各待识别图片划分为识别成功图片和识别失败图片；根据各识别失败图片生成增量训练集，并采用增量训练集，对光学字符识别模型进行微调；当微调后光学字符识别模型满足预设性能要求时，返回执行获取用户向maas平台提交的光学字符识别请求的操作，直至达到预先定义的微调终止条件。

3、第二方面，本发明实施例还提供了一种基于maas平台的光学字符识别模型优化装置，包括：图片获取模块，用于获取用户向maas平台提交的光学字符识别请求，并从光学字符识别请求中提取待识别图片；图片识别模块，用于调用部署于maas平台的光学字符识别模型，对各待识别图片进行识别，得到与各待识别图片分别的图片识别结果；图片分类模块，用于基于各图片识别结果，将各待识别图片划分为识别成功图片和识别失败图片；模型微调模块，用于根据各识别失败图片生成增量训练集，并采用增量训练集，对光学字符识别模型进行微调；飞轮优化模块，用于当微调后光学字符识别模型满足预设性能要求时，返回执行获取用户向maas平台提交的光学字符识别请求的操作，直至达到预先定义的微调终止条件。

4、第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例提供的基于maas平台的光学字符识别模型优化方法。

5、第四方面，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，该计算机指令用于使处理器执行时实现本发明任一实施例提供的基于maas平台的光学字符识别模型优化方法。

6、本发明的技术方案，通过获取用户向maas平台提交的光学字符识别请求，并从光学字符识别请求中提取待识别图片；调用部署于maas平台的光学字符识别模型，对各待识别图片进行识别，得到与各待识别图片分别的图片识别结果；基于各图片识别结果，将各待识别图片划分为识别成功图片和识别失败图片；根据各识别失败图片生成增量训练集，并采用增量训练集，对光学字符识别模型进行微调；当微调后光学字符识别模型满足预设性能要求时，返回执行获取用户向maas平台提交的光学字符识别请求的操作，直至达到预先定义的微调终止条件的技术手段，解决了依赖人工采集及标注的训练数据，优化光学字符识别模型的现有技术，成本较高，且模型优化效果较差的问题，降低了模型优化成本，改善了模型优化效果，保证了各类图片识别结果的准确性。

7、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

1.一种基于maas平台的光学字符识别模型优化方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述光学字符识别请求中包括待识别图片和认证令牌；从所述光学字符识别请求中提取待识别图片，包括：

3.根据权利要求1所述的方法，其特征在于，基于各所述图片识别结果，将各所述待识别图片划分为识别成功图片和识别失败图片，包括：

4.根据权利要求1所述的方法，其特征在于，根据各所述识别失败图片生成增量训练集，包括：

5.根据权利要求4所述的方法，其特征在于，在确定各所述识别失败图片的标注优先级之后，还包括：

6.根据权利要求4所述的方法，其特征在于，基于与各所述识别失败图片分别对应的调用流水记录，确定各所述识别失败图片的标注优先级，包括：

7.根据权利要求6所述的方法，其特征在于，基于各所述识别失败图片的用户标识、业务类型和调用时间，在各所述识别失败图片中，确定时段集中型异常图片、关键用户图片和新增业务类型图片，包括：

8.一种基于maas平台的光学字符识别模型优化装置，其特征在于，所述装置包括：

9.一种电子设备，其特征在于，所述电子设备包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于maas平台的光学字符识别模型优化方法。