iNeuKernel.Ocr圖像數據采集軟件，實現了實時自動獲得屏幕截圖或是應用程序截圖、動態增加數據識別標簽信息、后臺任務自動切片采集數據以及實時轉發數據，與iNeuOS工業互聯網操作系統互聯互通，完整數據采集、傳輸、存儲、視圖建模、分析等應用過程。

目       錄

1..... 應用概述... 2

2..... 免費下載試用... 2

3..... 視頻介紹... 2

4..... iNeuLink.Ocr圖像數據采集應用... 2

5..... 數據上傳到iNeuOS工業互聯網操作系統... 4

6..... Ocr基本概念... 7

1.   應用概述

　　在工業、軍工或航天等領域，有些設備及軟件系統比較陳舊，但是更換的成本比較高，在實驗或生產過程中不能夠完整的記錄數據，給數據應用和分析造成了很大的障礙，更無法解決實驗和生產人員的勞動強度。

　　通過OCR圖像識別的技術可以很好的解決上述問題，但是沒有一個完整的產品化的軟件實現操作級應用。盡管OCR技術相對比較成熟，除特定應用場景使用外，普及使用率并不高。

　　iNeuKernel.Ocr圖像數據采集軟件，實現了實時自動獲得屏幕截圖或是應用程序截圖、動態增加數據識別標簽信息、后臺任務自動切片采集數據以及實時轉發數據，與iNeuOS工業互聯網操作系統互聯互通，完整數據采集、傳輸、存儲、視圖建模、分析等應用過程。示意如下圖：

2.   免費下載試用

　　鏈接：https://pan.baidu.com/s/1joGfBefaBKiFJ1l08N3KZg

　　提取碼：v242

3.   視頻介紹

 　　視頻介紹：iNeuKernel.Ocr 圖像數據識別與采集

4.   iNeuLink.Ocr圖像數據采集應用

（1）運行的主界面，應用相對簡單。如下圖：

  （2）配置圖源，可以使用快捷鍵，全屏截圖或是程序截圖，以便定位數據標簽的坐標的相對位置，進行數據提取。如下圖：

  （3）增加或編輯識別標簽，單擊【數據識別】可以用紅色方框在圖源上標注要誤別的數據位置信息，在【數據識別結果】中可以看到識別數據的結果，并且填寫數據標簽名稱。如下圖：

  （4）轉發數據，可以把識別的數據結果轉發給其他系統，填寫站點編號、遠程IP、遠程Port轉發周期和是否啟用等信息。如下圖:

5.   數據上傳到iNeuOS工業互聯網操作系統

　　下載iNeuOS離線安裝包，安裝過程參見：一鍵部署。進入系統后，選擇桌面【設備模型】，單擊左上角小加號圖標，增加一個新的設備。選擇【服務實例】后面的【編輯】按鈕鏈接，配置【基本設置】和【Socket】，【Socket】默認偵聽端口為6699，其他信息一般不需要修改，如下圖：

     選擇配置好的【服務實例】，并且配置通訊類型、應用協議和選擇驅動等，配置如下圖：

     選擇左上角旋轉圖標，會重新啟動后臺服務，應用當前配置好的信息。硬件網關與iNeuOS平臺第一次通信時會同步網關的設備和數據點信息，會在當前iNeuOS設備驅動下生成子設備，在子設備上會有iNeuKernel硬件網關的數據點信息。如下圖：

 　　 iNeuOS工業互聯網試用：試用地址

6.   Ocr基本概念

 （1）OCR的應用場景

 　　根據OCR的應用場景而言，我們可以大致分成識別特定場景下的專用OCR以及識別多種場景下的通用OCR。就前者而言，證件識別以及車牌識別就是專用OCR的典型案例。針對特定場景進行設計、優化以達到最好的特定場景下的效果展示。那通用的OCR就是使用在更多、更復雜的場景下，擁有比較好的泛性。在這個過程中由于場景的不確定性，比如：圖片背景極其豐富、亮度不均衡、光照不均衡、殘缺遮擋、文字扭曲、字體多樣等等問題，會帶來極大的挑戰。

 （2）OCR的技術路線

 　　典型的OCR技術路線如下圖所示：

 　　其中OCR識別的關鍵路徑在于文字檢測和文本識別部分，這也是深度學習技術可以充分發揮功效的地方。PaddleHub為大家開源的預訓練模型的網絡結構是Differentiable Binarization+ CRNN，基于icdar2015數據集下進行的訓練。

 　　首先，DB是一種基于分割的文本檢測算法。在各種文本檢測算法中，基于分割的檢測算法可以更好地處理彎曲等不規則形狀文本，因此往往能取得更好的檢測效果。但分割法后處理步驟中將分割結果轉化為檢測框的流程復雜，耗時嚴重。因此作者提出一個可微的二值化模塊（Differentiable Binarization，簡稱DB），將二值化閾值加入訓練中學習，可以獲得更準確的檢測邊界，從而簡化后處理流程。DB算法最終在5個數據集上達到了state-of-art的效果和性能。參考論文：Real-time Scene Text Detection with Differentiable Binarization

 　　下圖是DB算法的結構圖：

 

 

　　接著，我們使用 CRNN（Convolutional Recurrent Neural Network）即卷積遞歸神經網絡，是DCNN和RNN的組合，專門用于識別圖像中的序列式對象。與CTC loss配合使用，進行文字識別，可以直接從文本詞級或行級的標注中學習，不需要詳細的字符級的標注。參考論文:An end-to-end trainable neural network for image-based sequence recognition and its application to scene text recognition

 　　下圖是CRNN的網絡結構圖：

 

---

物聯網&大數據技術 QQ群：54256083
物聯網&大數據項目 QQ群：727664080
QQ：504547114
微信：wxzz0151
博客：http://www.rzrgm.cn/lsjwq
微信公眾號：iNeuOS