训练方法、追溯方法、字符识别方法及装置和存储介质与流程

训练方法、追溯方法、字符识别方法及装置和存储介质
【技术领域】
1.本发明涉及文字识别技术领域，尤其涉及一种训练方法、追溯方法、字符识别方法及装置和存储介质。


背景技术：

2.文字识别技术是利用光学技术对图像中的文字和字符进行扫描识别，最终将图像中的字符转换成文本格式的技术。目前文字识别技术的应用非常广泛，例如各类印刷品的文字识别，文档图像的文字识别，各种照片的文字识别等等。
3.然而，由于一些待识别的图像存在字迹模糊、训练样本数据量少等原因，导致现有的字符识别模型准确率低、部分字符无法识别。而且对于制造业，不同的制程中，有些制程的图像中包含的字符所组成的字符库是相同的，有些制程的图像中的字符库并非完全相同，目前对于不论字符库是否相同的不同制程的图像进行字符识别时，都需要重新对字符识别模型进行训练，导致效率低下。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种训练方法、追溯方法、字符识别方法及装置和存储介质，用以提高字符识别的准确性。
5.一方面，本发明实施例提供了一种用于生成字符识别模型的训练方法，包括：
6.获取加工后的产品的原始图像；
7.对所述原始图像进行预处理；
8.对所述预处理后的原始图像进行分割，生成分割图像；
9.对所述分割图像进行数据增强，生成分割图像集；
10.将所述分割图像集输入预设模型进行训练，生成所述字符识别模型。
11.可选地，所述对所述分割图像进行数据增强，生成分割图像集，包括：
12.对所述分割图像通过模糊、平移、缩放、旋转以及输入深度学习模型的至少其中一种方式，生成分割图像集。
13.可选地，所述将所述分割图像集输入预设模型进行训练，生成字符识别模型，包括：
14.将不同的产品或制程对应的分割图像集进行组合；
15.将组合后的分割图像集输入预设模型进行训练，生成字符识别模型。
16.可选地，所述将组合后的分割图像集输入预设模型进行训练，生成字符识别模型，包括：
17.当所述不同的产品或制程对应的所述分割图像集中的字符不变时，对其中一种产品或制程的所述字符识别模型的全部网络参数进行迁移，并使用组合后的分割图像集输入所述字符识别模型进行训练，生成更新后的字符识别模型。
18.可选地，还包括：
19.当所述不同的产品或制程对应的所述分割图像集中的字符变化时，对其中一种产品或制程的所述字符识别模型的部分网络参数进行迁移，并使用组合后的分割图像集输入所述字符识别模型进行训练，生成更新后的字符识别模型。
20.可选地，所述对所述原始图像进行预处理，包括：
21.将所述原始图像转换为三信道图像，所述三信道图像包括饱和度信道图像；
22.对所述饱和度信道图像进行图像处理，并提取目标区域；
23.对所述原始图像对应的目标区域进行目标识别，以进行预处理。
24.可选地，所述对所述饱和度信道图像进行图像处理，并提取目标区域，包括：
25.对所述饱和度信道图像进行中值滤波处理、去除噪声处理以及膨胀腐蚀处理，生成目标图像；
26.将所述目标图像转换为二值图像，并从所述二值图像中提取目标区域。
27.可选地，所述对所述预处理后的原始图像进行分割，生成分割图像，包括：：
28.获取所述预处理后的原始图像中的像素值数据；
29.当所述预处理后的原始图像中的像素值数据为设定值时，对所述预处理后的原始图像的目标区域逐行进行分割，生成分割图像。
30.另一方面，本发明实施例提供了一种字符识别方法，包括：
31.获取加工后的产品的原始图像；
32.对所述原始图像进行预处理；
33.对所述预处理后的原始图像进行分割，生成分割图像；
34.将所述分割图像输入字符识别模型，生成所述原始图像中的字符信息，其中所述字符识别模型为通过上述用于生成字符识别模型的训练方法得到。
35.另一方面，本发明实施例提供了一种加工质量不良因子的追溯方法，包括：：
36.获取产品加工后的字符信息，其中所述字符信息由上述字符识别方法识别的字符得到；
37.根据所述字符信息提取特征信息；
38.获取产品加工时的加工信息；
39.将所述特征信息与获取的加工信息进行关联分析，生成加工质量不良因子。
40.另一方面，本发明实施例提供了一种字符识别装置，包括：
41.获取模块，用于获取加工后的产品的原始图像；
42.预处理模块，用于对所述原始图像进行预处理；
43.分割模块，用于对所述预处理后的原始图像进行分割，生成分割图像；
44.识别模块，用于将所述分割图像集输入训练后的字符识别模型，识别所述原始图像中的字符信息，其中所述字符识别模型为通过权利要求1-8任一项所述的用于生成字符识别模型的训练方法得到。
45.另一方面，本发明实施例提供了一种存储介质，其特征在于，包括：所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述用于生成字符识别模型的训练方法；或，上述字符识别方法；或，上述加工质量不良因子的追溯方法。
46.本发明实施例提供的技术方案中，获取加工后的产品的原始图像；对原始图像进行预处理；对预处理后的原始图像进行分割，生成分割图像；将分割图像输入字符识别模
型，生成原始图像中的字符信息。本发明实施例提供的技术方案中，通过将原始图像进行预处理后的原始图像进行分割生成的分割图像输入训练好的字符识别模型，能够生成原始图像中的字符信息，该字符识别模型能够有效提高字符识别的准确性。并且根据不同制程所包含的字符是否相同，快速进行网络参数的迁移，从而得到相应的字符识别模型，提高了训练效率。
【附图说明】
47.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
48.图1为本发明实施例提供的一种用于生成字符识别模型的训练方法的流程图；
49.图2为图1中对原始图像进行预处理的示意图；
50.图3为图1中对预处理后的原始图像进行分割，生成分割图像的示意图；
51.图4为图1中对另一预处理后的原始图像进行分割后生成分割图像的示意图；
52.图5为本发明实施例提供的字符识别模型的模型架构示意图；
53.图6为本发明实施例提供的一种迁移策略的示意图；
54.图7为本发明实施例提供的另一种迁移策略的示意图；
55.图8为本发明实施例提供的一种字符识别方法的流程图；
56.图9为本发明实施例提供的一种加工质量不良因子的追溯方法的流程图；
57.图10为本发明实施例提供的一种用于生成字符识别模型的训练装置的结构示意图；
58.图11本发明实施例提供的一种字符识别装置的结构示意图；
59.图12为本发明实施例提供的一种加工质量不良因子的追溯装置的结构示意图；
60.图13为本发明实施例提供的一种计算机设备的示意图。
【具体实施方式】
61.为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
62.应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
63.在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
64.应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，甲和/或乙，可以表示：单独存在甲，同时存在甲和乙，单独存在乙这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
65.本发明实施例提供了一种用于生成字符识别模型的训练方法，图1为本发明实施
例提供的一种用于生成字符识别模型的训练方法的流程图，如图1所示，该方法包括：
66.步骤102、获取加工后的产品的原始图像。
67.本发明实施例中，各步骤由计算机设备执行，例如，计算机设备包括计算服务器。
68.例如，焊接机焊接产品后，位于焊接机内的电荷耦合器件(charge coupled device，简称ccd)抓拍被抛料的产品的焊接图像，然后保存在指定的抛料图片目录中，位于图像采集服务器中的图像采集程序将焊接图像发送到计算服务器，该焊接图像为原始图像，则计算服务器获取到产品的原始图像。
69.步骤104、对原始图像进行预处理。
70.在一实施例中，计算服务器接收到原始图像后，通过opencv中的颜色识别方法对原始图像进行预处理，以确认字符在原始图像中的位置。
71.具体地，步骤104包括：
72.步骤a1、将原始图像转换为三信道图像，三信道图像包括饱和度信道图像。
73.本发明实施例中，三信道图像包括色调(hue)信道图像，饱和度(saturation)信道图像，明度(value)信道图像。
74.步骤a2、对饱和度信道图像进行图像处理，并提取目标区域。
75.具体地，步骤a2包括：
76.步骤a21、对饱和度信道图像进行中值滤波处理、去除噪声处理以及膨胀腐蚀处理，生成目标图像。
77.步骤a22、将目标图像转换为二值图像，并从二值图像中提取目标区域。
78.作为一种可选方案，从二值图像中提取亮色区域作为目标区域。
79.步骤a3、对原始图像对应的目标区域进行目标识别，以进行预处理。
80.作为一种可选方案，以字符作为目标，对原始图像对应的目标区域的进行目标识别，以进行预处理。
81.图2为图1中对原始图像进行预处理的示意图，如图2所示，原始图像的左上角与右上角存在字符，对原始图像进行预处理以得到框选出字符区域的预处理后的原始图像。
82.步骤106、对预处理后的原始图像进行分割，生成分割图像。
83.在一实施例中，具体地，步骤106包括：
84.步骤b1、获取预处理后的原始图像中的像素值数据。
85.步骤b2、当预处理后的原始图像中的像素值数据为设定值时，对预处理后的原始图像的目标区域逐行进行分割，生成分割图像。
86.本发明实施例中，能够根据实际情况设置设定值，例如，设定值为255。当设定值为255时，即对预处理后的原始图像的目标区域进行红色识别，识别出红色的字符以对字符部分逐行进行分割，生成分割图像。
87.本发明实施例中，若连续几行多次出现像素值数据为255的，则认为是同一行字符所在的区域，其余的类似，切割出每一行字符，保存成图像，便于模型训练或者预测。
88.本发明实施例中，能够对分割图像的图像尺寸进行均一化处理。
89.图3-图4为图1中对预处理后的原始图像进行分割，生成分割图像的示意图，如图3-图4所示，对预处理后的原始图像的深色部分进行分割，生成分割图像。例如，如图4所示，一个完整的图像被分割为多个分割图像，每个分割图像均包括一组独立的字符信息：找弧
[1]ng、找弧[11]ng、值判定[12]ng、找弧[7]ng、同心度：0.145911mm、间距：0.341792mm和两圆间距：0.293277mm。因此将预处理后的原始图像进行分割形成分割图像的目的是，将原始图像分割为多个具有独立的字符信息的分割图像，以便于后续对分割图像进行识别以识别出该分割图像中的独立的字符信息。
[0090]
步骤108、对分割图像进行数据增强，生成分割图像集。
[0091]
具体地，在一实施例中，对分割图像通过模糊、平移、缩放、旋转以及输入深度学习模型的至少其中一种方式，生成分割图像集。其中通过对一个分割图像进行模糊、平移、缩放和旋转的方式可以得到多个类似的分割图像，比如将一个图像进行缩放，可以得到多个尺寸大小不一的分割图像，以此来对分割图像进行图像增强，以扩充训练字符识别模型训练所使用的样本数量。
[0092]
本发明实施例中，深度学习模型包括生成式对抗网络(generative adversarial networks，简称gan)。通过将一个分割图像输入到gan模型中，也可获得多个类似的分割图像，同样可以对分割图像进行图像增强，以扩充训练字符识别模型训练所使用的样本数量。
[0093]
步骤110、将分割图像集输入预设模型进行训练，生成字符识别模型。
[0094]
图5为本发明实施例提供的字符识别模型的模型架构示意图，在一实施例中，预设模型为门控循环单元(gated recurrent unit，简称gru)模型。在对预设模型进行训练时，“3
×
3convolution”表示采用3
×
3的卷积核尺寸，用于提取特征；然后将对分割图像集中的每个分割图像进行“batchnormalization”，即批量归一化处理，使其量度得到统一；再进行“activation”，即采用激活函数来决定所要保留的数据；之后进行“maxpooling2d”，即对数据最大池化处理，其中滑动窗口的尺寸可以设置为3
×
3，来返回窗口内的最大值。如此将分割图像数据处理后，可以降低计算量、节约资源，然后将处理后的数据输入到预设模型即gru模型里，结合ctc(connectionist temporal classification，联结主义时间分类)损失函数，实现字符识别模型的模型架构的构建和训练。
[0095]
如图5所示，分割图像上的字符为：间距：0.341792，将分割图像输入字符识别模型，该字符识别模型包括3*3卷积核(convolution)、批标准化(batchnormalization)、激活函数(activation)、最大池化(maxpooling2d)、gru和联结主义时序分类(connectionist temporal classification，简称ctc)，卷积核用于提取分割图像的特征。批标准化用于将输入的分割图像的数据减去其均值，再除以标准偏差，加快模型的收敛速度，避免梯度消失。激活函数用于决定哪些数据被保留，非线性激活函数是神经网络逼近任意复杂的函数。最大池化的滑动窗口的尺寸为3*3，用于返回窗口内的最大值。ctc用于解决时序类数据的分类问题。
[0096]
在一些实施例中，由于不同产品或者制程的抛料原因的不同，待识别的字符也会有差异。为满足客户需求，针对不同产品或制程单独训练模型会增加训练工作量和训练时长。因此在一些实施例中，可以将不同产品或制程的数据组合在一起构建训练数据，训练基础模型。当有新数据增加时，采用合适的迁移策略快速完成模型的训练。
[0097]
因此，具体地，用于生成文字字符识别模型的训练方法还可以包括：
[0098]
步骤s1、将不同的产品或制程对应的分割图像集进行组合。
[0099]
本发明实施例中，制程包括抛光、电镀、清洗、焊接等不同的加工类型。
[0100]
步骤s2、将组合后的分割图像集输入预设模型进行训练，生成字符识别模型。
[0101]
例如，对焊接摄像头(rcam)制程数据中包括多个rcam原始图像以及这些图像中所包含的65个字符，而螺柱(nuts)制程数据中包括多个rcam原始图像以及这些图像中所包含的35个字符，将两种制程数据进行合并，生成混合数据集，其中，混合数据集包括rcam+nuts制程数据的所有原始图像，而对于合并后的字符，需要进行去重处理，得到71个字符。然后将rcam+nuts制程数据的所有原始图像进行预处理、分割图像、数据增强得到的组合后的分割图像集，以及将上述分割图像集中的对应的字符(共71个)输入到预设模型进行训练，即可得到适用于上述两种制程的字符识别模型。
[0102]
需要说明的是，上述“对于合并后的字符，需要进行去重处理”是指，两个制程中包含的字符有可能具有重复的，此时需要将重复的字符进行去重处理。如在a制程中的字符有“同心度：0.3”，其共包含7个字符，分别是“同”、“心”、“度”、“：”、“0”、“.”、“3”，在b制程中包含的字符有“同轴度：0.23”，则其包含8个字符，分别是“同”、“轴”、“度”、“：”、“0”、“.”、“2”、“3”。两个制程合并后，其中“同”、“度”、“：”、“0”、“.”、“3”是重复的，因此去除重复的字符后，其共有“同”、“心”、“度”、“：”、“0”、“.”、“3”以及“轴”、“2”这9个字符。
[0103]
在一实施例中，当不同的产品或制程对应的分割图像集中的字符不变时，即不同的产品或制程对应的分割图像集中的字符相同时，对其中一种产品或制程的字符识别模型的全部网络参数进行迁移，并使用组合后的分割图像集输入字符识别模型进行训练，生成更新后的字符识别模型。
[0104]
具体地，如图6为本发明实施例提供的一种迁移策略的示意图，如图6所示，网络参数包括：卷积神经网络(convolutional neural network，简称cnn)、矩阵变换(reshape)、gru、全链接层(dense)和归一化指数函数(softmax)，当不同的产品或制程对应的分割图像集中的字符不变时，对字符识别模型的全部网络参数进行迁移，用新的数据集快速优化整个网络。
[0105]
作为另一种可选方案，当不同的产品或制程对应的分割图像集中的字符变化时，对其中一种产品或制程的字符识别模型的部分网络参数进行迁移，并使用组合后的分割图像集输入字符识别模型进行训练，生成更新后的字符识别模型。
[0106]
图7为本发明实施例提供的另一种迁移策略的示意图，如图7所示，网络参数包括：cnn、reshape、gru、dense和softmax，当不同的产品或制程对应的分割图像集中的字符变化时，即不同的产品或制程对应的分割图像集中的字符不完全相同或者完全不相同时，对字符识别模型的部分网络参数进行迁移来快速优化新的网络以适应新的数据集。其中，迁移字符识别模型的部分网络参数，即对cnn、gru和dense进行迁移，而对归一化指数函数(softmax)并不进行迁移，而是使用组合后的分割图像集输入字符识别模型进行训练，生成更新后的归一化指数函数(softmax)以及相应的字符识别模型。能够快速优化骨干网络参数，全部优化分类器参数。
[0107]
本发明实施例提供的技术方案中，获取加工后的产品的原始图像；对原始图像进行预处理；对预处理后的原始图像进行分割，生成分割图像；将分割图像输入字符识别模型，生成原始图像中的字符信息。本发明实施例提供的技术方案中，通过将原始图像进行预处理后的原始图像进行分割生成的分割图像输入训练好的字符识别模型，能够生成原始图像中的字符信息，该字符识别模型能够有效提高字符识别的准确性。并且根据不同的产品或制程所包含的字符是否相同，快速进行网络参数的迁移，从而得到相应的字符识别模型，
提高了训练效率。
[0108]
本发明实施例还提供了一种字符识别方法，图8为本发明实施例提供的一种字符识别方法的流程图，如图8所示，该方法包括：
[0109]
步骤202、获取加工后的产品的原始图像。
[0110]
本发明实施例中，步骤202的具体描述请参见步骤102。
[0111]
步骤204、对原始图像进行预处理。
[0112]
本发明实施例中，步骤204的具体描述请参见步骤104。
[0113]
步骤206、对预处理后的原始图像进行分割，生成分割图像。
[0114]
本发明实施例中，步骤206的具体描述请参见步骤106。
[0115]
步骤208、将分割图像输入字符识别模型，生成原始图像中的字符信息，其中字符识别模型为通过前述的用于生成字符识别模型的训练方法得到。
[0116]
本步骤中，将分割图像输入字符识别模型，生成原始图像中的字符信息，例如，分割图像上显示有同心度：0.145911mm，将分割图像输入字符识别模型，生成原始图像中的字符信息，字符信息为同心度：0.145911mm，即可识别出分割图像上显示的字符，输出该字符的字符信息并保存至数据库。
[0117]
本发明实施例提供的技术方案中，获取加工后的产品的原始图像；对原始图像进行预处理；对预处理后的原始图像进行分割，生成分割图像；将分割图像输入字符识别模型，生成原始图像中的字符信息。本发明实施例提供的技术方案中，通过将原始图像进行预处理后的原始图像进行分割生成的分割图像输入训练好的字符识别模型，能够生成原始图像中的字符信息，该字符识别模型能够有效提高字符识别的准确性。
[0118]
本发明实施例提供了一种加工质量不良因子的追溯方法，图9为本发明实施例提供的一种加工质量不良因子的追溯方法的流程图，如图9所示，该方法包括：
[0119]
步骤302、获取产品加工后的字符信息，其中字符信息由前述的字符识别方法识别的字符得到。
[0120]
例如，获取产品加工后的字符信息，字符信息为同心度：0.145911mm。
[0121]
步骤304、根据字符信息提取特征信息。
[0122]
例如，根据字符信息同心度：0.145911mm提取特征信息为同心度。
[0123]
步骤306、获取产品加工时的加工信息。
[0124]
例如，获取产品加工时的加工信息，加工信息为产品、机台、治具及操作人员信息。在一实施例中，所述加工信息可以为加工时机台等装置的加工参数以及加工时各传感器得到的各传感器信息等。
[0125]
步骤308、将特征信息与获取的加工信息进行关联分析，生成加工质量不良因子。
[0126]
本发明实施例中，加工质量不良因子包括找弧，找圆，找线，值判定，两园距离等。
[0127]
例如，计算服务器将特征信息与获取的加工信息进行关联分析，即对产品、机台、治具及操作人员信息进行绑定，产生加工质量不良因子为同心度，最终将结果存入数据库。
[0128]
本发明实施例提供的技术方案中，通过使用前述的字符识别方法，对加工后的产品的图像中的文字进行识别，并结合产品的加工信息，可以迅速追溯产品加工时的不良因子，并便于后续根据确定的不良因子来调整加工参数，提高加工良率。
[0129]
本发明实施例中，根据实验数据可知，应用了该加工质量不良因子的追溯方法后，
产品的焊接良率提升了1.5％，并能够实时对焊接质量进行管控和报警。
[0130]
本发明实施例中，能够节约生计调机人力，产品的数据报表可直接生成，无需人工进行统计，降低现场数据统计人力的工作量。
[0131]
本发明实施例中，产品的新品切换仅需模型更新，无需再做其他开发，降低了产品切换的时间。
[0132]
本发明实施例提供的技术方案中，可适用于工业中有文字图片制造品的工站。本发明实施例提供的技术方案是一种通过字符识别模型提取字符信息并进行分析的技术，可应用于镭射焊接及其他制程，它通过图像处理与深度学习相结合的方法，切割文字感兴趣区域(region of interest，简称roi)，建立识别抛料图片文字的光学字符识别(optical character recognition，简称ocr)模型，提取图像上的字符信息并对其做统计，为生产提供数据。
[0133]
本发明实施例提供了一种用于生成字符识别模型的训练装置，图10为本发明实施例提供的一种用于生成字符识别模型的训练装置的结构示意图，如图10所示，该装置包括：获取模块11、预处理模块12、分割模块13、数据增强模块14和训练模块15。
[0134]
获取模块11用于获取加工后的产品的原始图像。
[0135]
预处理模块12用于对原始图像进行预处理。
[0136]
分割模块13用于对预处理后的原始图像进行分割，生成分割图像。
[0137]
数据增强模块14用于对分割图像进行数据增强，生成分割图像集。
[0138]
训练模块15用于将分割图像集输入预设模型进行训练，生成字符识别模型。
[0139]
本发明实施例中，数据增强模块14具体用于对分割图像通过模糊、平移、缩放、旋转以及输入深度学习模型的至少其中一种方式，生成分割图像集。
[0140]
本发明实施例中，训练模块15具体用于将不同的产品或制程对应的分割图像集进行组合；将组合后的分割图像集输入预设模型进行训练，生成字符识别模型。
[0141]
本发明实施例中，训练模块15还具体用于当不同的产品或制程对应的分割图像集中的字符不变时，对其中一种产品或制程的字符识别模型的全部网络参数进行迁移，并使用组合后的分割图像集输入字符识别模型进行训练，生成更新后的字符识别模型，或者；当不同的产品或制程对应的分割图像集中的字符变化时，对其中一种产品或制程的字符识别模型的部分网络参数进行迁移，并使用组合后的分割图像集输入所述字符识别模型进行训练，生成更新后的字符识别模型。
[0142]
本发明实施例中，预处理模块12具体用于将原始图像转换为三信道图像，三信道图像包括饱和度信道图像；对饱和度信道图像进行图像处理，并提取目标区域；对原始图像对应的目标区域进行目标识别，以进行预处理。
[0143]
本发明实施例中，预处理模块12具体用于对饱和度信道图像进行中值滤波处理、去除噪声处理以及膨胀腐蚀处理，生成目标图像；将目标图像转换为二值图像，并从二值图像中提取目标区域。
[0144]
本发明实施例中，分割模块13具体用于获取预处理后的原始图像中的像素值数据；当预处理后的原始图像中的像素值数据为设定值时，对预处理后的原始图像的目标区域逐行进行分割，生成分割图像。
[0145]
本实施例提供的用于生成字符识别模型的训练装置可用于实现上述图1中的用于
生成字符识别模型的训练方法，具体描述可参见上述用于生成字符识别模型的训练方法的实施例，此处不再重复描述。
[0146]
本发明实施例提供的技术方案中，获取加工后的产品的原始图像；对原始图像进行预处理；对预处理后的原始图像进行分割，生成分割图像；将分割图像输入字符识别模型，生成原始图像中的字符信息。本发明实施例提供的技术方案中，通过将原始图像进行预处理后的原始图像进行分割生成的分割图像输入训练好的字符识别模型，能够生成原始图像中的字符信息，该字符识别模型能够有效提高字符识别的准确性。
[0147]
本发明实施例提供了一种字符识别装置，图11本发明实施例提供的一种字符识别装置的结构示意图，如图11所示，该装置包括：获取模块21、预处理模块22、分割模块23和识别模块24。
[0148]
获取模块21用于获取加工后的产品的原始图像。
[0149]
预处理模块22用于对原始图像进行预处理。
[0150]
分割模块23用于对预处理后的原始图像进行分割，生成分割图像。
[0151]
识别模块24用于将分割图像集输入训练后的字符识别模型，识别原始图像中的字符信息，其中字符识别模型为通过上述用于生成字符识别模型的训练方法得到。
[0152]
本实施例提供的字符识别装置可用于实现上述图8中的字符识别方法，具体描述可参见上述字符识别方法的实施例，此处不再重复描述。
[0153]
本发明实施例提供的技术方案中，获取加工后的产品的原始图像；对原始图像进行预处理；对预处理后的原始图像进行分割，生成分割图像；将分割图像输入字符识别模型，生成原始图像中的字符信息。本发明实施例提供的技术方案中，通过将原始图像进行预处理后的原始图像进行分割生成的分割图像输入训练好的字符识别模型，能够生成原始图像中的字符信息，该字符识别模型能够有效提高字符识别的准确性。
[0154]
本发明实施例提供了一种加工质量不良因子的追溯装置，图12为本发明实施例提供的一种加工质量不良因子的追溯装置的结构示意图，如图12所示，该装置包括：获取字符模块31、提取模块32、获取信息模块33和关联分析模块34。
[0155]
获取字符模块31用于获取产品加工后的字符信息，其中字符信息由上述字符识别方法识别的字符得到。
[0156]
提取模块32用于根据字符信息提取特征信息。
[0157]
获取信息模块33用于获取产品加工时的加工信息；
[0158]
关联分析模块34用于将特征信息与获取的加工信息进行关联分析，生成加工质量不良因子。
[0159]
本实施例提供的加工质量不良因子的追溯装置可用于实现上述图9中的加工质量不良因子的追溯方法，具体描述可参见上述加工质量不良因子的追溯方法的实施例，此处不再重复描述。
[0160]
本发明实施例提供的技术方案中，加工质量不良因子的追溯装置通过使用前述的字符识别方法，对加工后的产品的图像中的文字进行识别，并结合产品的加工信息，可以迅速追溯产品加工时的不良因子，并便于后续根据确定的不良因子来调整加工参数，提高加工良率。
[0161]
本发明实施例提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行
时控制存储介质所在设备执行上述用于生成字符识别模型的训练方法；或，字符识别方法；或，加工质量不良因子的追溯方法的实施例的各步骤，具体描述可参见上述用于生成字符识别模型的训练方法；或，字符识别方法；或，加工质量不良因子的追溯方法的实施例。
[0162]
本发明实施例提供了一种计算机设备，包括存储器和处理器，存储器用于存储包括程序指令的信息，处理器用于控制程序指令的执行，程序指令被处理器加载并执行时实现上述用于生成字符识别模型的训练方法；或，字符识别方法；或，加工质量不良因子的追溯方法的实施例的各步骤，具体描述可参见上述用于生成字符识别模型的训练方法；或，字符识别方法；或，加工质量不良因子的追溯方法的实施例。
[0163]
图13为本发明实施例提供的一种计算机设备的示意图。如图13所示，该实施例的计算机设备40包括：处理器41、存储器42以及存储在存储器42中并可在处理器41上运行的计算机程序43，该计算机程序43被处理器41执行时实现实施例中的应用于用于生成字符识别模型的训练方法；或，字符识别方法；或，加工质量不良因子的追溯方法，为避免重复，此处不一一赘述。或者，该计算机程序被处理器41执行时实现实施例中应用于用于生成字符识别模型的训练装置；或，字符识别装置；或，加工质量不良因子的追溯装置中各模型/单元的功能，为避免重复，此处不一一赘述。
[0164]
计算机设备40包括，但不仅限于，处理器41、存储器42。本领域技术人员可以理解，图13仅仅是计算机设备40的示例，并不构成对计算机设备40的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
[0165]
所称处理器41可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0166]
存储器42可以是计算机设备40的内部存储单元，例如计算机设备40的硬盘或内存。存储器42也可以是计算机设备40的外部存储设备，例如计算机设备40上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，存储器42还可以既包括计算机设备40的内部存储单元也包括外部存储设备。存储器42用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器42还可以用于暂时地存储已经输出或者将要输出的数据。
[0167]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0168]
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0169]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0170]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0171]
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0172]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。