(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210332932.0 (22)申请日 2022.03.31 (71)申请人 上海易康源医疗健康科技有限公司 地址 200120 上海市浦东 新区中国(上海) 自由贸易试验区临港新片区新杨公路 860号10幢 (72)发明人 曾祥云　朱姬渊　 (74)专利代理 机构 上海硕力知识产权代理事务 所(普通合伙) 31251 专利代理师 刘桂芝 (51)Int.Cl. G06V 20/62(2022.01) G06V 30/10(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 文字检测系统、 检测方法及训练方法 (57)摘要 本发明公开一种文字检测系统、 检测方法及 训练方法， 文字检测系统包括第一网络、 第二网 络以及分类单元、 回归单元， 其中： 第一网络用以 提取第一源图片S1、 第一源图片S1以及目标图片 T的特征； 第二网络单元用以接收第一网络输出 的特征提取分析， 用以提高文字检测的敏感度； 分类单元用以对文字检测结果进行分类； 回归单 元用以对文字检测结果进行回归分析。 本发明能 够学习不同情况的环境下样本的特征的不变同 时提升单类样本的独特性， 使得模 型既能够学习 到较强的领域泛化能力， 又能提升样本的区分 度， 保持较高的检测敏感度。 权利要求书1页 说明书4页 附图1页 CN 114663875 A 2022.06.24 CN 114663875 A 1.一种文字检测系统， 其特征是， 包括第一网络、 第 二网络以及 分类单元、 回归单元， 其 中： 第一网络用以提取第一源图片 S1、 第二源图片 S2以及目标图片T的特 征； 第二网络单 元用以接收第一网络 输出的特 征提取分析， 用以提高文字检测的敏感度； 分类单元用以对文字检测结果进行分类； 回归单元用以对文字检测结果进行回归分析。 2.如权利要求1所述的文字检测系 统， 其特征是， 第二网络包括NS1网络、 NS2网络以及 学习网络， 其中： NS1网络用以对第一源图片 S1以及目标图片T的特 征进行分析， 得到高阶特 征； NS2网络用以对第二源图片 S2以及目标图片T的特 征进行分析， 得到低阶特 征； 学习网络用以对NS1网络和NS2网络学习， 并更新 NS1网络和NS2网络 。 3.如权利 要求1所述的文字检测系统， 其特征是， 分类单元由全连接层模块以及sofmax 层组成。 4.如权利要求1所述的文字检测系统， 其特 征是， 回归单 元为二个全连接层模块组成。 5.如权利要求1所述的文字检测系统， 其特 征是， 所述第一网络为ef ficientnet V2。 6.一种文字检测方法， 应用于文字检测系统中， 包括 步骤： 获取图片信息； 对图片信息进行处 理， 并给出检测结果， 其特征是， 所述文字检测系统为权利要求1 ‑5之任一所述的文字检测系统。 7.一种文字检测系统的训练方法， 应用于文字检测系统中， 其特 征是， 包括步骤： 输入第一源图片 S1、 第二源图片 S2以及目标图片T； 从第一网络中抽取 特征， 并用GRL方法对图片对齐， 以least ‑squares进行训练； 第一源图片S1域和目标图片T通过第一网络再输入给第二网络的NS1网络， 用以实现高 阶源‑目标域的对齐以及源域的检测训练； 保持上述训练阶段学习到的目标， 对第二网络的学习网络进行训练， 并更新NS1网络、 NS2网络。 8.一种计算机可读存储介质， 其特征是， 所述存储介质中存储有指令或者程序， 所述指 令或者程序由处 理器加载并执 行如权利要求6所述的文字检测方法。 9.一种电子设备， 其特征是， 包括： 处理器、 存储介质和总线， 所述存储介质存储有所述 处理器可执行 的机器可读指令， 当电子设备运行时， 所述处理器与所述存储介质之间通过 总线通信， 所述处 理器执行所述机器可读指令， 以执 行如权利要求6所述的文字检测方法。权　利　要　求　书 1/1 页 2 CN 114663875 A 2文字检测系统、 检测方 法及训练方 法 技术领域 [0001]本发明涉及人工智能技 术领域， 尤其涉及文字检测系统、 检测方法及训练方法。 背景技术 [0002]文字检测任务是找出图像或视频中人们感兴趣的物体， 并同时检测出它们的位置 和大小。 文字检测技术 发展至今已经有几十年的时间， 从技术的发展 脉络看， 可以划分为传 统文字检测算法时期(2014 年之前)以及之后的基于 机器学习的文字检测算法。 [0003]传统文字检测算法主要基于手工提取特征， 手工 的缺陷主要在于计算量大， 识别 效果比较差， 而且人工成本也 非常高。 随着机器学习的各种新算法成熟， 文字检测技术得到 了质的飞跃， 基于CNN以及Y OLO的各种文字检测算法不断创新出来， 大大提高了文字检测的 识别能力和准确率。 [0004]基于机器学习的文字检测计算需要大量的标注数据， 往往在真实工业场景， 图片 分别非常复杂， 人工标注很难覆盖各个情况， 如图片不同的光照， 扭曲， 模糊等情况都很难 用标注到位。 导 致文字检测鲁棒 性比较差， 在不同的领域泛化能力 弱， 最终准确率 不高。 发明内容 [0005]本发明为解决现有技术中存在的技术问题， 提供一种文字检测系统， 包括第一网 络、 第二网络以及分类单 元、 回归单 元， 其中： [0006]第一网络用以提取第一源图片 S1、 第二源图片 S2以及目标图片T的特 征； [0007]第二网络单元用以接收第一网络输出的特征提取分析， 用以提高文字检测的敏感 度； [0008]分类单元用以对文字检测结果进行分类； [0009]回归单元用以对文字检测结果进行回归分析。 [0010]进一步地， 第二网络包括 NS1网络、 NS2网络以及学习网络， 其中： [0011]NS1网络用以对第一源图片 S1以及目标图片T的特 征进行分析， 得到高阶特 征； [0012]NS2网络用以对第二源图片 S2以及目标图片T的特 征进行分析， 得到低阶特 征； [0013]学习网络用以对NS1网络和NS2网络学习， 并更新 NS1网络和NS2网络 。 [0014]进一步地， 分类单 元由全连接层模块以及sofmax层组成。 [0015]进一步地， 回归单 元为二个全连接层模块组成。 [0016]进一步地， 所述第一网络为ef ficientnet V2。 [0017]本发明还提供一种文字检测方法， 应用于文字检测系统中， 包括 步骤： [0018]获取图片信息； [0019]对图片信息进行处 理， 并给出检测结果， [0020]所述文字检测系统为所述的文字检测系统。 [0021]本发明还提供一种文字检测系统的训练方法， 应用于文字检测系统中， 包括 步骤： [0022]输入第一源图片 S1、 第二源图片 S2以及目标图片T；说　明　书 1/4 页 3 CN 114663875 A 3