likes
comments
collection

再添神器!Paddle.js 发布 OCR SDK

作者站长头像
站长
· 阅读数 49

再添神器!Paddle.js 发布 OCR SDK

关键词:OCR、Paddle.js、PaddleOCR

01 前言

OCR(Optical Character Recognition,光学字符识别)是文字识别的统称,不仅支持文档或书本文字识别,还包括识别自然场景下的文字,又可以称为 STR(Scene Text Recognition)。

OCR 文字识别一般包括两个部分,文本检测和文本识别;文本检测首先利用检测算法检测出图像中的文本行;然后检测到的文本行用识别算法去识别出具体文字。

OCR SDK(@paddlejs-models/ocr) 所依赖的技术主要包含两大部分:百度开源的超轻量级文字识别模型套件 PaddleOCR 和基于 JavaScript 的前端深度学习推理引擎 Paddle.js。接下来将对 PaddleOCR@paddlejs-models/ocr 进行详细介绍。

再添神器!Paddle.js 发布 OCR SDK

02 PaddleOCR

PaddleOCR 是百度开源的超轻量级文字识别模型套件,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。目前,不仅开源了超轻量 8.6M 中英文模型,而且用户可以自定义训练,使用自己的数据集 Fine-tune 一下就能达到非常好的效果。并且提供了多种硬件推理(服务器端、移动端、嵌入式端等全支持)的一整套部署工具,是 OCR 文字识别领域工业级应用的绝佳选择。

在 Paddle.js 框架内使用的模型是:ch_PP-OCRv2_det_infer 文本检测推理模型和 ch_PP-OCRv2_rec_infer 文本识别推理模型。

对于之前 PP-OCR 版本模型,主要有三个方面提升:

  1. 在模型效果上,相对于 PP-OCR mobile 版本提升超 7%

  2. 在速度上,相对于 PP-OCR server 版本提升超过 220%

  3. 在模型大小上,11.6M 的总大小,服务器端和移动端都可以轻松部署。

再添神器!Paddle.js 发布 OCR SDK

GitHub 项目: github.com/PaddlePaddl…

03 @paddlejs-models/ocr

@paddlejs-models/ocr 是运行在浏览器端的模型 SDK,提供文本识别 AI 能力。SDK 封装两个API:init(模型初始化)和 recognize(文本识别),核心代码如下:

import * as ocr from '@paddlejs-models/ocr';
// 模型初始化
await ocr.init();
// 获取文本识别结果API,img为用户上传图片,option为可选参数 
// option.canvas as HTMLElementCanvas:若用户需要绘制文本框选区域,传入canvas元素
// option.style as object:若用户需要配置canvas 样式,传入style 对象
// option.style.strokeStyle as string:文本框选颜色
// option.style.lineWidth as number:文本框选线段宽度
// option.style.fillStyle as string:文本框选填充颜色
const res = await ocr.recognize(img, option?);
// 识别文字结果
console.log(res.text);
// 文本区域坐标
console.log(res.points);import * as ocr from '@paddlejs-models/ocr';
// 模型初始化
await ocr.init();
// 获取文本识别结果API,img为用户上传图片,option为可选参数 
// option.canvas as HTMLElementCanvas:若用户需要绘制文本框选区域,传入canvas元素
// option.style as object:若用户需要配置canvas 样式,传入style 对象
// option.style.strokeStyle as string:文本框选颜色
// option.style.lineWidth as number:文本框选线段宽度
// option.style.fillStyle as string:文本框选填充颜色
const res = await ocr.recognize(img, option?);
// 识别文字结果
console.log(res.text);
// 文本区域坐标
console.log(res.points);

GitHub 项目:

github.com/PaddlePaddl…

整体流程图

再添神器!Paddle.js 发布 OCR SDK

模型转换

paddlejsconverter 是适用于 Paddle.js 的模型转换工具,其作用是将 PaddlePaddle 模型转化为浏览器友好的格式,以供 Paddle.js 在浏览器等环境中加载预测使用。

工具安装命令:

pip3 install paddlejsconverter

工具使用命令:

# paddle_model_file_path 为ocr_det/ocr_rec PaddlePaddle模型本地路径
# paddle_param_file_path 为ocr_det/ocr_rec PaddlePaddle模型参数本地路径
# paddlejs_model_directory 为转换完成的paddlejs模型本地路径(开发者自定义)
paddlejsconverter  \
--modelPath=<paddle_model_file_path> \
--paramPath=<paddle_param_file_path> \
--outputDir=<paddlejs_model_directory>

模型初始化

模型初始化模块首先会加载 ocr_det 文本检测模型和 ocr_rec 文本识别模型,并行执行模型预热逻辑,减少模型预热时间。模型初始化主要实现如下:

detectRunner = new Runner({
    modelPath: 'https://paddlejs.bj.bcebos.com/models/ocr_det_new',
    mean: [0.485, 0.456, 0.406],
    std: [0.229, 0.224, 0.225],
    bgr: true
});
const detectInit = detectRunner.init();
recRunner = new Runner({
    modelPath: 'https://paddlejs.bj.bcebos.com/models/ocr_rec_new',
    mean: [0.5, 0.5, 0.5],
    std: [0.5, 0.5, 0.5],
    bgr: true
});
const recInit = recRunner.init();
return await Promise.all([detectInit, recInit]);

Runner.init API 主要完成模型加载、神经网络生成以及模型预热过程,由于我们使用 WebGL backend 计算,所以在预热过程中需要完成着色器(shader)编译以及权重数据上传至纹理(texture)。

模型推理运行时

再添神器!Paddle.js 发布 OCR SDK

1. 文本检测

ocr_det 文本检测模型用于检测图片内文本所在区域,返回每个文本框选区域的坐标点。

预处理

预处理是将原图大小按照模型输入 shape [1, 3, 960, 960] 缩放至 960 * 960

  • 对长图处理:

再添神器!Paddle.js 发布 OCR SDK

  • 对宽图处理:

再添神器!Paddle.js 发布 OCR SDK

推理

模型推理过程同 Paddle.js 部分,详见GitHub:github.com/PaddlePaddl…

模型后处理采用 DB(可微二值化)算法,具体计算过程如下:

  • 根据二值化图像获取所有文本框轮廓

  • 根据轮廓信息获取最小外接矩形,返回矩形的顶点坐标和宽高最小值

  • 根据二值化图像和矩形框坐标计算矩形框的置信度

  • 扩张文本框大小,返回扩张后的轮廓信息

  • 根据扩张后的轮廓信息计算最小外接矩形

  • 将最终的矩形框映射回原图,获取矩形框的顶点坐标

2. 文本识别

ocr_rec 模型采用 CRNN 算法,该算法的主要思想是认为文本识别是针对序列进行预测,所以采用了预测序列常用的 RNN 网络。算法通过 CNN(卷积层)提取图片特征,然后采用 RNN(循环层)对序列进行预测,最终使用 CTC(转录层)得到文本序列。

预处理

ocr_rec 模型输入 shape 为 [1, 3, 32, 100],模型推理前会对图片文本框选区域进行处理:图片文本框选区域宽高比 <= 100 / 32,对缺省部分进行 #000 填充;框选区域宽高比 > 100 / 32,对框选区域按宽度进行裁剪。最终传入识别模型的图片宽高比为 100 : 32。以下图文本框为例:

再添神器!Paddle.js 发布 OCR SDK

推理

将预处理过后的图片传入 Paddle.js 框架引擎中,进行模型推理计算,得到文本序列置信度列表,在字典中查找置信度最大值索引对应的字符,完成文字识别。

在模型推理过程中,核心算法为 RNNRNN 是循环神经网络,由输入层、隐藏层和输出层组成,擅长对序列数据进行处理。

再添神器!Paddle.js 发布 OCR SDK

t时刻,输入层为xt,隐藏层为st,输出层为ot。从上图可知,st的值不仅仅取决于输入层xt,还取决于t−1时刻的隐藏层st−1。计算公式如下:

再添神器!Paddle.js 发布 OCR SDK

因为 RNN 有梯度消失问题,不能获取更多上下文信息,所以 CRNN 中使用的是 LSTM(Long Short Term Memory),LSTM 是一种特殊的 RNN,能够保存长期的依赖关系。

基于图像的序列,两个方向的上下文是相互有用且互补的。由于 LSTM 是单向的,所以将两个 LSTM,一个向前和一个向后组合到一个双向 LSTM 中。此外,可以堆叠多层双向 LSTM。ch_PP-OCRv2_rec_infer 识别模型就是使用的双层双向 LSTM 结构。计算过程如下图所示:

再添神器!Paddle.js 发布 OCR SDK

丨效果展示

再添神器!Paddle.js 发布 OCR SDK

05 Benchmark

评估环境:

  • MacBook Pro A2141(16英寸/i7/16G/512GSSD)

  • 评估耗时阶段为图像预测耗时,不包括图像的预处理和后处理

  • 针对OCR实际应用场景,随机收集的50张图像

  • 浏览器环境

模型名称

ch_ppocr_mobile

ch_PP-OCRv2

检测耗时(WebGL)

139ms

258ms

识别耗时(WebGL)254ms60ms
整体识别F-score0.5030.5224
检测模型大小2.6M3M
识别模型大小4.6M8.6M