基于机器学习的光学符号识别模型
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
透视
Hot-Point Perspective
D
I G I T C W 热点
138DIGITCW
2019.09
光学字符识别（Optical Character Recognition ，OCR ）是指通过电子设备通过字符识别方法将图片文字抽取为可编辑文本的过程。由于图像数据往往都包含噪声，像素模式之间的关系极其复杂，使用计算机完成OCR 的过程很困难。基于此，需要设计一种图像文字识别算法，以完成光学字符识别任务。
1 机器学习模型概述
用于分类的机器学习模型建立与求解过程，首先训练集进行
预处理，选取合适的方法进行训练后得到模型，然后使用测试数据对模型进行评测，如果结果较好则证明该模型适合解决该类问题。有多元线性回归模型、LightGbm 模型和 KNN 模型。
2 模型的建立求解
2.1 数据处理
首先使用Weka 软件对数据初步进行统计分析，从统计分析数据可以看出，数据集中并未含有异常值与缺失值，大部分在数据在0-15之间，分布较均匀。
统计分析之后，对数据集中的英文字符进行字典编码处理，首先建立字符字典，例如字典{A ：1，B ：2，C ：3，D ：4，E ：5}，然后进行字符映射，分别将数据集中的字符A ，B ，C ，D ，E 使用数字1，2，3，4，5代替，其它字符以次类推。2.2 特征工程
由于字符在图像中主要由像素构成，得出字符所在矩形区域的水平、竖直位置、矩形区域的宽度、高度对字符识别作用较小，故将其剔除，后期实验表明剔除这四组特征后的效果优于原始特征。
2.3 模型求解
（1）多元线性回归模型。将预处理后的样本数据代入模型，使用Python 中的sklearn.linear_model.LinearRegression 库求出权重矩阵，用于光学字符检测。
（2）LightGbm 模型。将预处理后的样本数据代入模型，设置boost 类型为gbdt'，叶子数为 100，学习率为 0.01，迭代5000次，使用Python 中的lightgbm 库得出模型，用于光学字符检测。
（3）KNN 模型。将预处理后的样本数据代入模型，使Python 中的 sklearn.neighbors 库得出模型，用于光学字符检测。
3 模型检验
准确率（Accuracy ）、查准率（Precision ）、召回率（Recall ）、F1值都是评价模型好坏的指标，只是评测的侧重点不同，且各指标间有一定的关联。3.1 Accuracy 值
Accuracy 为预测值中所有正确值的数量/真实值的数量，定义如式（1）
。
（1）
3.2 F1值
Precision 是指模型的查准率，定义如式（2）
。
（2）
3）。
（3）
Recall 是相对的，不能通过单一的Precision 或Recall 来评测模型的优劣，F1 值可以用来量化的权衡关系，
（4）取70%数据集作为训练集，其余30%数据集作为测试集，不同模型的在测试结的测试结果如图1所示。
图1 模型评测结果对比图
由于单个模型数据清洗前后的差距较小，对比不明显，给出模型评测结果对比表。
4 结果分析
由图1可以看出，KNN 模型的准确率远远高于其它两个模型，在测试集的准确率达到95.3%，所以对于英文字符的识别，具有很好的效果；由于特征数目对于多元线性回归模型来说过多，所以效果很差；由于改数据集对于LightGbm 模型来说过小，所以效果较差。综上所述，KNN 模型最适合光学字符识别。
5 结束语
综上所述，KNN 是一种简单有效的机器学习分类算法，优
点是训练代价较低、使用训练集的规模较小、更适合于多分类任务、准确率高、时间复杂度低，缺点是计算量较大、依赖于距离函数与K 值。KNN 模型不仅可以应用于光学字符识别，也可以应用于文本分类、用户产品推荐、疾病预测等方面。
基于机器学习的光学符号识别模型
杜菲霏1，2，郝欧亚1，2，王思桐1，2
（1.华北理工大学数学建模创新实验室，唐山 063210；2.华北理工大学电气工程学院，唐山 063210）
摘要：光学字符识别是指通过电子设备通过字符识别方法将图片文字抽取为可编辑文本的过程，目前主流的实现方法主要有两种：
CNN+RNN+CTC、CNN+RNN+ATTENTION。这两种方法均基于深度学习实现，取得了不错的效果，但缺点是需要使用大量的训练集、训练时间、高性能的计算环境，当样本量较少时，并不能发挥作用。基于此，提出基于机器学习的光学符号识别方法，以面对轻量级的图像文字识别任务。
关键词：OCR ；机器学习；KNN ；模型评测doi ：10.3969/J.ISSN.1672-7274.2019.09.109中图分类号：TP391.41 文献标示码：A 文章编码：1672-7274（2019）09-0138-01