VIN（車輛識(shí)別號(hào)）是一個(gè)17個(gè)字符的字符串，由數(shù)字和大寫字母組成，用作汽車的指紋。

它可以幫助識(shí)別任何一輛汽車的壽命，并獲得有關(guān)它的具體信息。該唯一標(biāo)識(shí)符在制造過(guò)程中打印在車輛的某個(gè)位置，以便人們?cè)谧廛嚮蜾N售等過(guò)程中需要時(shí)讀取。

幾個(gè)月前，我們的朋友聯(lián)系了我們，他們來(lái)自Monk：一家AI公司，為汽車、保險(xiǎn)和移動(dòng)市場(chǎng)提供最先進(jìn)的計(jì)算機(jī)視覺(jué)解決方案。他們正在開(kāi)發(fā)一種視覺(jué)智能技術(shù)，能夠在車輛生命周期的每個(gè)階段對(duì)車輛進(jìn)行檢查。

他們唯一的重點(diǎn)是建立檢測(cè)、分類和評(píng)估車輛損壞的最佳技術(shù)。能夠自動(dòng)讀取VIN對(duì)他們來(lái)說(shuō)很重要。

VIN用例

請(qǐng)注意，本文中VIN的任何照片都是偽造或模糊的。問(wèn)題的定義很簡(jiǎn)單：

· 輸入是寫在汽車上的VIN的照片

· 輸出是一個(gè)17個(gè)字符長(zhǎng)的字符串：VIN

以高精度自動(dòng)執(zhí)行此任務(wù)比看起來(lái)要困難。主要困難是：

輸入的照片大多是在室外拍攝的，有很多噪音（亮度、水漬、陰影等），這會(huì)使車輛識(shí)別碼的檢測(cè)和識(shí)別變得困難

· 雖然VIN是以相當(dāng)標(biāo)準(zhǔn)的格式書寫的，但所使用的字體并不標(biāo)準(zhǔn)，也不總是相同的，字母間距可能會(huì)有很大差異。

· 存在一種校驗(yàn)和驗(yàn)證方法來(lái)驗(yàn)證VIN，但它并不適用于所有車輛。我們拒絕了這個(gè)后處理解決方案。

· 最后但并非最不重要的一點(diǎn)是，VIN并不總是照片中唯一的文字，使用傳統(tǒng)的OCR方法是不夠的，因?yàn)槲覀冃枰�添加一層后處理�?lái)過(guò)濾掉不需要的字符。

以下是一些噪聲圖像的示例：

我們做的第一件事就是運(yùn)行現(xiàn)成的OCR，既可以從開(kāi)源庫(kù)中運(yùn)行，也可以從基于云的API中運(yùn)行。

VIN是寫在汽車上的，而不是寫在紙上的，而且它不是字符識(shí)別技術(shù)的常見(jiàn)用例。我們必須找到另一種使用Python和docTR的方法。

為什么要使用docTR？

DocTR是一個(gè)面向數(shù)據(jù)科學(xué)家和開(kāi)發(fā)人員的Python光學(xué)字符識(shí)別庫(kù)。端到端OCR使用兩個(gè)階段的方法實(shí)現(xiàn)：文本檢測(cè)和文本識(shí)別。

DocTR包括用于檢測(cè)和識(shí)別任務(wù)的預(yù)訓(xùn)練模型。任何人都可以使用它從圖像或pdf中提取單詞。你可以非常輕松地測(cè)試它（更多信息請(qǐng)參閱docTR文檔）

1．安裝

pip install python－doctr

2．Python hello world

from doctr．io import DocumentFile

from doctr．models import ocr＿predictor

model ＝ ocr＿predictor（pretrained＝True）

＃ PDF

doc ＝ DocumentFile．from＿pdf（＂path／to／your／doc．pdf＂）．a(chǎn)s＿images（）

＃ Analyze

result ＝ model（doc）

但正如我們之前提到的，沒(méi)有OCR能很好地解決我們的VIN問(wèn)題。通用OCR不是這個(gè)用例的好解決方案，因?yàn)椋?/p>

· OCR應(yīng)該是通用的，而文本檢測(cè)和文本識(shí)別的問(wèn)題在涉及“野外”數(shù)據(jù)（如VIN的照片）時(shí)非常困難。

· 通用OCR的輸出列出了寫入圖像中的字符，即使所有字符都被準(zhǔn)確檢測(cè)到，如何從中重建VIN字符串？

為了擺脫這些限制，我們決定對(duì)VIN數(shù)據(jù)上的docTR模型進(jìn)行微調(diào)，以實(shí)現(xiàn)檢測(cè)和識(shí)別任務(wù)，從而獲得更好的性能。

這樣，檢測(cè)將只提取VIN字符（而不是周圍的字符），我們將有一個(gè)用于讀取它們的微調(diào)模型。該庫(kù)包括基于預(yù)訓(xùn)練模型的檢測(cè)和識(shí)別能力。

由于這些預(yù)訓(xùn)練的模型，我們可以很容易地對(duì)VIN數(shù)據(jù)進(jìn)行微調(diào)：我們應(yīng)該獲得較高的精度，因?yàn)樗鼈冾A(yù)訓(xùn)練了數(shù)以百萬(wàn)計(jì)的各種數(shù)據(jù)。

我們的貢獻(xiàn)者經(jīng)常向庫(kù)添加最先進(jìn)的模型。以下是截至今天的可用模型列表：

文本檢測(cè)

· Real－time Scene Text Detection with Differentiable 

Binarization（https：／／arxiv．org／pdf／1911．08947．pdf）．

· LinkNet： Exploiting Encoder Representations for Efficient Semantic 

Segmentation（https：／／arxiv．org／pdf／1707．03718．pdf）

文本識(shí)別

· An End－to－End Trainable Neural Network for Image－based Sequence 

Recognition and Its Application to Scene Text 

Recognition（https：／／arxiv．org／pdf／1507．05717．pdf）．

· Show， Attend and Read： A Simple and Strong Baseline for Irregular Text 

Recognition（https：／／arxiv．org／pdf／1811．00751．pdf）．

· MASTER： Multi－Aspect Non－local Network for Scene Text 

Recognition（https：／／arxiv．org／pdf／1910．02562．pdf）．

我們的數(shù)據(jù)集

我們有5000張使用不同設(shè)備拍攝的VIN照片，所有這些照片都來(lái)自不同的車輛。這是一個(gè)好的開(kāi)始！

Nicolas告訴我們，他們的移動(dòng)應(yīng)用程序中有一個(gè)用于拍照的布局模板，強(qiáng)制用戶以正確的方向拍照。這使問(wèn)題變得更容易，因?yàn)槲覀兛梢约僭O(shè)輸入圖像的方向正確。它也有助于我們確保VIN不太傾斜：我們可以考慮最大絕對(duì)斜席角約5°。

我們的數(shù)據(jù)集包含方向錯(cuò)誤的照片和角度超過(guò)5°的傾斜VIN。我們從數(shù)據(jù)集中刪除了5°以上的傾斜照片，并改變了方向以使每張照片都筆直。

我們將75％的數(shù)據(jù)用于訓(xùn)練，15％用于驗(yàn)證，10％用于測(cè)試。

注釋文本檢測(cè)數(shù)據(jù)集

DocTR文本檢測(cè)模型輸出圖像的分割熱圖。

為了訓(xùn)練這個(gè)模型，我們需要為每個(gè)圖像提供對(duì)應(yīng)于我們正在尋找的文本位置的多邊形集。

在我們的例子中，每個(gè)圖像的標(biāo)簽都是一個(gè)多邊形，表示VIN在圖像中的位置。訓(xùn)練和驗(yàn)證集的文件夾結(jié)構(gòu)必須如下所示：

├── images

│   ├── sample＿img＿01．png

│   ├── sample＿img＿02．png

│   ├── sample＿img＿03．png

│   └── ．．．

└── labels．json

labels．json文件將輸入文件名映射到其多邊形標(biāo)簽：

｛

   ＂sample＿img＿01．png＂ ＝ ｛

       ＇img＿dimensions＇： （900， 600），

       ＇img＿h(yuǎn)ash＇： ＂theimagedumpmyhash＂，

       ＇polygons＇： ［［［x1， y1］， ［x2， y2］， ［x3， y3］， ［x4， y4］］，．．．］

    ｝，

    ＂sample＿img＿02．png＂ ＝ ｛

       ＇img＿dimensions＇： （900， 600），

       ＇img＿h(yuǎn)ash＇： ＂thisisahash＂，

       ＇polygons＇： ［［［x1， y1］， ［x2， y2］， ［x3， y3］， ［x4， y4］］，．．．］

    ｝

    ．．．

｝

我們使用了我們的內(nèi)部工具來(lái)注釋這些數(shù)據(jù)，但是你可以找到很多很好的商業(yè)軟件。

注釋文本識(shí)別數(shù)據(jù)集

在docTR端到端管道中，文本識(shí)別模型將在第一個(gè)文本檢測(cè)階段檢測(cè)到的輸入圖像作為輸入。然后，該算法將對(duì)這些作物執(zhí)行“讀取”任務(wù)，以獲得機(jī)器編碼的字符串。

對(duì)識(shí)別數(shù)據(jù)集進(jìn)行注釋比檢測(cè)更加繁瑣。我們?cè)俅问褂昧宋覀兊膬?nèi)部工具，其中包括一個(gè)預(yù)注釋功能，使用通用文本識(shí)別算法使其更容易。更正幾個(gè)字符確實(shí)比從頭開(kāi)始手動(dòng)鍵入所有字符更容易。你可以在許多商業(yè)注釋軟件中找到此功能。

對(duì)于文本識(shí)別任務(wù)，docTR要求數(shù)據(jù)集文件夾的結(jié)構(gòu)與文本檢測(cè)的結(jié)構(gòu)相同。

├── images

       ├── img＿1．jpg

       ├── img＿2．jpg

       ├── img＿3．jpg

       └── ．．．

├── labels．json

labels．json文件將輸入文件名映射到其輸出字符串：

｛

   labels ＝ ｛

   ＇img＿1．jpg＇： ＇I＇，

   ＇img＿2．jpg＇： ＇am＇，

   ＇img＿3．jpg＇： ＇a＇，

   ＇img＿4．jpg＇： ＇Jedi＇，

   ＇img＿5．jpg＇： ＇！＇，

   ．．．

｝

訓(xùn)練模型

現(xiàn)在讓我們跳到有趣的事情！正如你可能想象的那樣，實(shí)際的過(guò)程實(shí)際上是在訓(xùn)練實(shí)驗(yàn)和數(shù)據(jù)清理之間來(lái)回多次，以提高性能。但是為了這篇文章，讓我們考慮數(shù)據(jù)集第一次被完全注釋。

我們將使用TensorFlow 2（TF）后端來(lái)訓(xùn)練我們的模型：這也可以使用PyTorch后端來(lái)實(shí)現(xiàn)，因?yàn)椴襟E非常相似。你可以通過(guò)以下方式使用TF或PyTorch后端安裝docTR

Tensorflow

pip install python－doctr［tf］

PyTorch

pip install python－doctr［torch］

確保你有4個(gè)必需的帶注釋數(shù)據(jù)文件夾，例如：

├── detection＿train

   ├── images

├── train＿det＿img＿1．jpg

└── ．．．

└── labels．json

├── detection＿val

   ├── images

├── val＿det＿img＿1．jpg

└── ．．．

└── labels．json

├── recognition＿train

   ├── images

├── train＿rec＿img＿1．jpg

└── ．．．

└── labels．json

├── recognition＿val

   ├── images

├── val＿rec＿img＿1．jpg

└── ．．．

└── labels．json

文本識(shí)別模型訓(xùn)練

讓我們從文本識(shí)別算法開(kāi)始。

1．安裝docTR

pip install python－doctr［tf］

2．在筆記本電腦上的某個(gè)地方克隆存儲(chǔ)庫(kù)

git clone https：／／github．com／mindee／doctr

3．導(dǎo)航到剛剛克隆的docTR repo，進(jìn)入recognition references文件夾。references／recognition文件夾包含TensorFlow和PyTorch的訓(xùn)練腳本。

cd ／path／to／doctr／references／recognition

4．使用sar＿resnet31啟動(dòng)訓(xùn)練（此模型使用Resnet 31）

python train＿tensorflow．py model＝sar＿resnet31  train＿path＝／path／to／your／train／recognition／dataset val＿path＝／path／to／your／val／recognition／dataset －－vocab legacy＿french －－pretrained －－wb －－epochs 50

— pretrained：將從docTR－SAR開(kāi)始，使用Resnet31預(yù)訓(xùn)練模型。

— wb：將開(kāi)展一項(xiàng)關(guān)于權(quán)重和偏置的實(shí)驗(yàn)。

— tb：如果你想改用TensorBoard 。

根據(jù)機(jī)器規(guī)格，如果內(nèi)存不足，可能會(huì)出現(xiàn)內(nèi)存不足（OOM）錯(cuò)誤。如果出現(xiàn)此錯(cuò)誤，請(qǐng)使用－b參數(shù)減小批次大小：

python train＿tensorflow．py model＝sar＿resnet31 train＿path＝／path／to／your／train／recognition／dataset

val＿path＝／path／to／your／val／recognition／dataset －－vocab legacy＿french －－pretrained －－wb －－epochs 50 －b 16

－b：批量大小

驗(yàn)證步驟發(fā)生在每個(gè)epoch之后，如果驗(yàn)證丟失是所有epoch中最低的，則檢查點(diǎn)將保存在references文件夾中。

該模型收斂速度非常快，能夠在驗(yàn)證集上實(shí)現(xiàn)80％的準(zhǔn)確率。這看起來(lái)可能沒(méi)有那么多，但這是因?yàn)槲覀儗⑴で�的�?shù)據(jù)放入訓(xùn)練集中。我們后面計(jì)算端到端的指標(biāo)，這是最重要的指標(biāo)，了解整體進(jìn)展情況。

文本檢測(cè)模型訓(xùn)練

對(duì)于文本檢測(cè)模型，以下是步驟：

1．導(dǎo)航到／references／detection文件夾

cd ／path／to／doctr／references／detection

2．使用db＿resnet50啟動(dòng)訓(xùn)練（此模型使用Resnet 50主干）

python train＿tensorflow．py model＝db＿resnet50 train＿path＝／path／to／your／train／detection／dataset val＿path＝／path／to／your／val／detection／dataset －－pretrained －－wb

檢測(cè)模型比識(shí)別模型大：這一模型更可能出現(xiàn)OOM錯(cuò)誤。同樣，如果出現(xiàn)這種情況，可以考慮減少批量大小。

為這項(xiàng)任務(wù)使用預(yù)訓(xùn)練的模型是非常重要的。docTR模型的訓(xùn)練是檢測(cè)圖像中的任何單詞，我們只尋找VIN。通過(guò)僅在VIN上重新訓(xùn)練此模型，我們正在微調(diào)模型，以僅檢測(cè)VIN，并過(guò)濾掉任何周圍的文本。

檢測(cè)指標(biāo)比識(shí)別指標(biāo)更難分析。雖然精度看起來(lái)很高，但由于IoU不容易操作，我們將通過(guò)測(cè)試端到端管道來(lái)了解模型的性能。

測(cè)試經(jīng)過(guò)訓(xùn)練的模型

我們的模型保存在克隆的docTR存儲(chǔ)庫(kù)的參考文件夾中。

要查看模型的實(shí)際工作情況，代碼非常簡(jiǎn)單：

from doctr．io import DocumentFile

from doctr．models import ocr＿predictor

DET＿CKPT ＝ ＂file：／／／path／to／detection／model／db＿resnet50＿XXXX／weights＂

REC＿CKPT ＝ ＂file：／／path／to／recognition／model／sar＿resnet31＿XXXX／weights＂

model ＝ ocr＿predictor（det＿arch＝＇db＿resnet50＇， reco＿arch＝＇sar＿resnet31＇，pretrained＝True）

model．det＿predictor．model．load＿weights（DET＿CKPT）

model．det＿predictor．model．postprocessor．unclip＿ratio ＝ 2

model．reco＿predictor．model．load＿weights（REC＿CKPT）

if ＿＿name＿＿ ＝＝ ＂＿＿main＿＿＂：

   ＃ Image loading

   doc ＝ DocumentFile．from＿images（＂．／path／to／image＂）

   ＃ Models inference

   result ＝ model（doc）

   ＃ Max proba post processing rule for selecting the right VIN value among docTR results

   vin ＝ ＂＂

   for word in result．pages［0］．blocks［0］．lines［0］．words：

       if word．confidence ＞ confidence：

     vin ＝ word．value

     confidence ＝ word．confidence

   ＃ Display the detection and recognition results on the image

   result．show（doc）

為了找到最佳參數(shù)，我們根據(jù)驗(yàn)證集微調(diào)了Unprex＿ratio參數(shù)。這是用于從檢測(cè)模型擴(kuò)展輸出多邊形的因子，以便生成可輸入文本識(shí)別模型的方形框。

由于這兩個(gè)模型是分別訓(xùn)練的，因此沒(méi)有理由默認(rèn)參數(shù)是優(yōu)化文本識(shí)別性能的最佳參數(shù)。

在我們的測(cè)試集中測(cè)試了經(jīng)過(guò)訓(xùn)練的模型之后，我們實(shí)現(xiàn)了90％的端到端準(zhǔn)確率，考慮到數(shù)據(jù)量少和用例的復(fù)雜性，這是非常好的。如果我們?cè)敢猓�我們本可以花更多時(shí)間用一些想法優(yōu)化模型：

· 檢測(cè)模型在方形框上訓(xùn)練。DocTR將很快支持旋轉(zhuǎn)框，這將使我們對(duì)傾斜的照片有更好的魯棒性。

· 超參數(shù)微調(diào)：我們沒(méi)有在這方面花費(fèi)太多時(shí)間。例如，我們注意到dropout和學(xué)習(xí)率對(duì)訓(xùn)練有很大影響。我們手動(dòng)測(cè)試了一些值，但我們本可以花更多時(shí)間對(duì)這些參數(shù)進(jìn)行網(wǎng)格搜索。輸入大小也很重要，我們使用了默認(rèn)的docTR參數(shù)。

· 文本識(shí)別只針對(duì)算法的主干部分預(yù)訓(xùn)練模型：雖然有預(yù)訓(xùn)練的模型很好，但在使用它們時(shí)，我們不能自由地使用我們想要的詞匯表。我們?cè)儐?wèn)docTR團(tuán)隊(duì)，是否有可能只為文本識(shí)別算法的主干部分獲得預(yù)訓(xùn)練模型，這樣我們就可以用我們的特定詞匯訓(xùn)練分類頭。他們很快就會(huì)解決這個(gè)問(wèn)題。

· 當(dāng)然，更多的數(shù)據(jù)…

結(jié)論

本例是，該問(wèn)題需要對(duì)檢測(cè)層和識(shí)別層進(jìn)行重新訓(xùn)練，以獲得更好的性能。

使用通用的OCR并試圖提取所需的關(guān)鍵信息可能非常乏味。你需要在原始OCR結(jié)果的基礎(chǔ)上構(gòu)建大量的后處理，而且它不太可能在簡(jiǎn)單的文本檢測(cè)和識(shí)別任務(wù)中表現(xiàn)良好。

感謝閱讀！

       原文標(biāo)題 : 使用Python和docTR提取車輛識(shí)別號(hào)