【(Keras/监督学习)15分钟搞定最新深度学习车牌OCR】

石文华

文章来源：https://hackernoon.com/latest-deep-learning-ocr-with-keras-and-supervisely-in-15-minutes-34aecd630ed8

大家好，本教程在15分钟之内为大家介绍如果使用深度学习来构建现代文本识别系统，你将学会如何使用keras和监督学习解决这个问题，本指南适合对深度学习进行图像文本识别技术感兴趣的人们。
思考现实世界中一个简单的例子：车牌识别，这是一个很好的起点，你可以轻松的使用它来定制你的任务，关于车牌识别简单的教程，你可以在这里找到它：https://towardsdatascience.com/number-plate-detection-with-supervisely-and-tensorflow-part-1-e84c74d4382c

当我们进入这个领域时，面临着网上资源缺乏的问题，通过长期的研究和阅读很多论文，对构建有效的识别系统的原理我们有了自己的理解，我们在社区中用了2个小时的视频讲座分享了我们的想法，并用简单的语言解释了它是如何工作的，我们觉得这个内容是非常有价值的，因为你很难找到关于如何构建现代识别系统方面好的资源和浅析，我们强烈建议你在开始这篇文章之前观看它，因为它会给你很多直观的认识。
要顺利完成本教程，你需要Ubuntu, GPU 和 Docker.
所有的资源都可以在github（https://github.com/DeepSystems/supervisely-tutorials）上找到。源代码位于一个单独的jupyther笔记本上（https://github.com/DeepSystems/supervisely-tutorials/blob/master/anpr_ocr/src/image_ocr.ipynb），并带有解释和必要的可视化。

在哪里获得训练数据

对于本教程，我们人工生成了超过10k的图像数据集，它们跟真实的车牌非常相似，这些图片如下：

你可以很容易的从Supervisely(https://supervise.ly/)获取数据集，我们也在DeepSyetems（https://deepsystems.ai/）上做了很多像自动驾驶汽车，收据识别系统，道路缺陷检测等计算机视觉开发的案例。作为数据科学家，我们花费了很多时间处理训练数据集：创建自定义图像注释，将数据与公共数据集合并在一起，进行数据增强等，Supervisely这个网站简化了你使用训练数据，并自动执行许多日常任务。我们相信你会发现它真的很有用。
第一步是在Supervisely中注册。下一步是进入“导入” - >“数据集库”选项卡并单击“anpr_ocr”项目。

接着键入名称“anpr_ocr”并单击“下一步”按钮。

然后点击“上传”按钮，项目“anpr_ocr”就被添加到您的帐户。

它由两个数据集组成：“训练集”和“测试集”。

如果你想预览图像，只需点击数据集，你会立即进入注释工具。对每张图片，我们都会有一段文字说明，将用作地面实况来训练我们的系统。要查看它，只需点击所选图像对应的小图标（红色框所示）。

现在我们必须以特定格式下载它。要做到这一点，只需点击“导出”页面，并将此配置插入文本区域。如下图所示：

在上面的截图中，你可以看到说明导出步骤的方案，我们不会深入研究技术细节（如果需要，你可以阅读官方文档https://docs.supervise.ly/）但是你要认真理解下面的过程：在“anpr_ocr”项目中，有两个数据集，“测试”数据集按照原样导出，“Train”数据集被分为两组，“训练集”和“验证集”，“Train”中95%的作为训练集，5%作为验证集。
现在你可以点击“开始导出”按钮，等待两分钟，系统准备存档下载。点击下图红色框的按钮获取训练数据（以红色标记）。

开始我们的实验

我们在git仓库中准备了所有需要用到的东西。用下面的命令克隆它。
git clone https://github.com/DeepSystems/supervisely-tutorials.git
cd supervisely-tutorials/anpr_ocr
目录结构如下：
.
├── data
├── docker
│ ├── build.sh
│ ├── Dockerfile
│ └── run.sh
└── src
├── architecture.png
├── export_config.json
└── image_ocr.ipynb
将下载的压缩文件放入“data”这个目录并运行下面的命令。
unzip .zip -d .
我的例子中使用：
unzip test1–1703.zip -d .
现在让我们构建并运行准备好的工作环境（tensorflow和keras）。只需转到“docker”目录并运行以下命令：
./build.sh
./run.sh
之后，你将在容器内。运行下一个命令启动Jupyther笔记本
jupyter notebook
在终端，你将看到：

你必须复制选定的链接并将其粘贴到Web浏览器中。请注意，你的链接与我的略有不同。

最后一步是运行整个“image_ocr.ipynb”笔记本。点击“单元格” - >“全部运行”。

image_ocr.ipyn笔记本由几个主要部分组成：数据加载和可视化，模型训练，模型评估以及测试。此数据集训练过程大约需要30分钟。

如果运行正常，你会看到下面的输出：

正如你所看到的，预测的字符串将与地面实况相同。因此，我们在一个非常清晰的jupyther笔记本（https://github.com/DeepSystems/supervisely-tutorials/blob/master/anpr_ocr/src/image_ocr.ipynb）中构建了现代OCR系统。接下来，我们将介绍并解释它的工作原理。

它是怎样工作的

对我们来说，理解神经网络架构是关键。

首先，将图像输入到CNN以提取图像特征。 接着将这些特征输入到循环神经网络中，然后经过特殊的解码算法。 这种解码算法从每个时间步获得lstm输出并产生最终标签。
详细的架构如下。 FC - 完全连接层，SM - softmax层。

图片的维度是高度为64，长度为128，通道数为3
上图可以看出我们的原始图片经过CNN特征提取之后，维度变成了4*8*4，在实际应用中，我们的输出特征图可能有很多，也就是图片长宽在缩小，但是我们的特征图的深度在增加。
接着进行维度转换操作。得到16*8的向量序列，上图所示，有8个列向量，每个列有16个元素。 我们将这8个列向量输入LSTM网络并获得输出。 然后，我们使用全连接层+softmax层，并获得6个元素的向量。 该向量里面元素的含义是每个LSTM步骤预测的字母符号的概率。
在实际问题中，CNN输出向量的数量可以达到32,64甚至更多。所以最好使用多层双向LSTM。
如何解析得到的预测结果呢？如下图所示，我们输出了8个概率值，我们将连续的重复字符去掉，以及删除空格等特殊的字符，最后合并成一个字符串输出，也就是我们的预测结果。

我们在训练网络的时候，使用了CTC损失层代替了解码算法，我们在第二个幻灯片上提到过，虽然现在只有俄语版本，但是我们有英文幻灯片，并且很快发布英文版。
在实际中我们使用了更加复杂的NN价架构，如下图所示，但是原理的基本思想是相同的。

训练好模型之后，模型在测试集上也得到了很高的准确率， 我们将每个RNN步骤的概率分布可视化为一个矩阵。如下图所示：

上图的纵坐标是预测的符号和空白,横坐标表示时序。也就是输出结果的顺序。
总结：
我们很高兴在社区分享我们的经验。我们希望视频讲座和本教程，以及我们的数据和源代码将带你入门图像文字识别，并且希望每个人都可以从头开始构建现代OCR系统。