成人免费xxxxx在线视频软件_久久精品久久久_亚洲国产精品久久久_天天色天天色_亚洲人成一区_欧美一级欧美三级在线观看

告別「復制+粘貼」,基于深度學習的OCR,實現PDF轉文本

新聞 深度學習
最近,來自 K1 Digital 的高級機器學習工程師 Lucas Soares 一直在嘗試通過使用 OCR(光學字符識別)自動轉錄 pdf 幻燈片,以便直接在 markdown 文件中操作它們的內容,從而避免手動復制和粘貼 pdf 內容,實現這一過程的自動化。

[[403226]]

傳統的講座通常伴隨著一組 pdf 幻燈片。一般來說,想要對此類講座做筆記,需要從 pdf 復制、粘貼很多內容。

最近,來自 K1 Digital 的高級機器學習工程師 Lucas Soares 一直在嘗試通過使用 OCR(光學字符識別)自動轉錄 pdf 幻燈片,以便直接在 markdown 文件中操作它們的內容,從而避免手動復制和粘貼 pdf 內容,實現這一過程的自動化。

告別「復制+粘貼」,基于深度學習的OCR,實現PDF轉文本

左為項目作者 Lucas Soares。

項目地址:https://github.com/EnkrateiaLucca/ocr_for_transcribing_pdf_slides

為什么不使用傳統的 pdf 轉文本工具呢?

Lucas Soares 發現傳統工具往往會帶來更多的問題,需要花時間解決。他曾經嘗試使用傳統的 Python 軟件包,但是遇到了很多問題(例如必須使用復雜的正則表達式模式解析最終輸出等),因此決定嘗試使用目標檢測和 OCR 來解決。

基本過程可分為以下步驟:

  • 將 pdf 轉換為圖片;
  • 檢測和識別圖像中的文本;
  • 展示示例輸出。

基于深度學習的 OCR 將 pdf 轉錄為文本

將 pdf 轉換為圖像

Soares 使用的 pdf 幻燈片來自于 David Silver 的增強學習(參見以下 pdf 幻燈片地址)。使用「pdf2image」包將每張幻燈片轉換為 png 圖像格式。

告別「復制+粘貼」,基于深度學習的OCR,實現PDF轉文本

pdf 幻燈片示例。

地址:https://www.davidsilver.uk/wp-content/uploads/2020/03/intro_RL.pdf

代碼如下: 

  1. from pdf2image import convert_from_path 
  2. from pdf2image.exceptions import ( 
  3.  PDFInfoNotInstalledError, 
  4.  PDFPageCountError, 
  5.  PDFSyntaxError 
  6.  
  7. pdf_path = "path/to/file/intro_RL_Lecture1.pdf" 
  8. images = convert_from_path(pdf_path) 
  9. for i, image in enumerate(images): 
  10.     fname = "image" + str(i) + ".png" 
  11.     image.save(fname, "PNG"

經過處理后,所有的 pdf 幻燈片都轉換成 png 格式的圖像:

告別「復制+粘貼」,基于深度學習的OCR,實現PDF轉文本

檢測和識別圖像中的文本

為了檢測和識別 png 圖像中的文本,Soares 使用 ocr.pytorch 庫中的文本檢測器。按照說明下載模型并將模型保存在 checkpoints 文件夾中。

ocr.pytorch 庫地址:https://github.com/courao/ocr.pytorch

代碼如下: 

  1. # adapted from this source: https://github.com/courao/ocr.pytorch 
  2. %load_ext autoreload 
  3. %autoreload 2 
  4. import os 
  5. from ocr import ocr 
  6. import time 
  7. import shutil 
  8. import numpy as np 
  9. import pathlib 
  10. from PIL import Image 
  11. from glob import glob 
  12. import matplotlib.pyplot as plt 
  13. import seaborn as sns 
  14. sns.set() 
  15. import pytesseract 
  16.  
  17. def single_pic_proc(image_file): 
  18.     image = np.array(Image.open(image_file).convert('RGB')) 
  19.     result, image_framed = ocr(image) 
  20.     return result,image_framed 
  21.  
  22. image_files = glob('./input_images/*.*'
  23. result_dir = './output_images_with_boxes/' 
  24.  
  25. # If the output folder exists we will remove it and redo it. 
  26. if os.path.exists(result_dir): 
  27.     shutil.rmtree(result_dir) 
  28. os.mkdir(result_dir) 
  29.  
  30. for image_file in sorted(image_files): 
  31.     result, image_framed = single_pic_proc(image_file) # detecting and recognizing the text 
  32.     filename = pathlib.Path(image_file).name 
  33.     output_file = os.path.join(result_dir, image_file.split('/')[-1]) 
  34.     txt_file = os.path.join(result_dir, image_file.split('/')[-1].split('.')[0]+'.txt'
  35.     txt_f = open(txt_file, 'w'
  36.     Image.fromarray(image_framed).save(output_file) 
  37.     for key in result: 
  38.         txt_f.write(result[key][1]+'\n'
  39.     txt_f.close() 

設置輸入和輸出文件夾,接著遍歷所有輸入圖像(轉換后的 pdf 幻燈片),然后通過 single_pic_proc() 函數運行 OCR 模塊中的檢測和識別模型,最后將輸出保存到輸出文件夾。

其中檢測繼承(inherit)了 Pytorch CTPN 模型,識別繼承了 Pytorch CRNN 模型,兩者都存在于 OCR 模塊中。

示例輸出

代碼如下: 

  1. import cv2 as cv 
  2.  
  3. output_dir = pathlib.Path("./output_images_with_boxes"
  4.  
  5. # image = cv.imread(str(np.random.choice(list(output_dir.iterdir()),1)[0])) 
  6. image = cv.imread(f"{output_dir}/image7.png"
  7. size_reshaped = (int(image.shape[1]),int(image.shape[0])) 
  8. image = cv.resize(image, size_reshaped) 
  9. cv.imshow("image", image) 
  10. cv.waitKey(0
  11. cv.destroyAllWindows() 

下圖左為原始 pdf 幻燈片,圖右為轉錄后的輸出文本,轉錄后的準確率非常高。

告別「復制+粘貼」,基于深度學習的OCR,實現PDF轉文本

文本識別輸出如下: 

  1. filename = f"{output_dir}/image7.txt" 
  2. with open(filename, "r") as text: 
  3.     for line in text.readlines(): 
  4.         print(line.strip("\n")) 

通過上述方法,最終你可以得到一個非常強大的工具來轉錄各種文檔,從檢測和識別手寫筆記到檢測和識別照片中的隨機文本。擁有自己的 OCR 工具來處理一些文本內容,這比依賴外部軟件來轉錄文檔要好的多。

 

責任編輯:張燕妮 來源: 機器之心Pro
相關推薦

2021-09-24 09:59:59

復制粘貼PythonPDF

2020-09-14 17:10:16

微信搜索移動應用

2024-10-25 11:56:33

OCRVisRAGRAG

2024-08-29 08:23:22

EasyOCRSpring文字識別

2017-05-22 13:15:45

TensorFlow深度學習

2018-07-19 15:13:15

深度學習圖像

2017-05-12 16:25:44

深度學習圖像補全tensorflow

2023-05-22 08:00:00

深度學習機器學習人工智能

2023-09-26 07:39:21

2019-05-22 14:28:08

AI人工智能深度學習

2018-08-03 09:42:01

人工智能深度學習人臉識別

2021-11-03 09:00:00

深度學習自然語言機器學習

2022-10-26 15:41:38

深度學習Deepfake機器學習

2024-11-04 08:14:48

2024-12-03 09:59:00

2017-09-21 15:43:02

深度序列學習

2017-08-03 16:20:42

深度學習文本摘要遞歸神經網絡

2020-10-17 09:03:06

使用JS創建復制&粘貼

2023-11-12 23:01:44

PaddleOCR深度學習

2017-07-06 15:02:53

OpenGL ES架構GPU
點贊
收藏

51CTO技術棧公眾號

主站蜘蛛池模板: 在线色网| 中文字幕亚洲欧美日韩在线不卡 | 日韩欧美天堂 | 精品二 | 亚洲在线| 久久精品一级 | 久久亚洲一区二区三区四区 | 欧美日韩高清在线一区 | 亚洲一区二区精品视频 | 国产91丝袜在线18 | 中文字幕免费 | 免费成人在线网站 | 中文字幕1区2区 | 日日噜噜噜夜夜爽爽狠狠视频97 | 亚洲一区二区三区免费 | 欧美最猛黑人xxxx黑人 | 国产在线一区二区 | 精品国产一区探花在线观看 | 日韩淫片免费看 | 密室大逃脱第六季大神版在线观看 | 国产视频一视频二 | 国产精品视频免费观看 | 日批免费在线观看 | 综合久久久久 | 亚洲国产伊人 | 台湾佬久久 | 亚洲第一天堂无码专区 | 国产美女一区二区 | 亚洲免费视频网址 | 户外露出一区二区三区 | 91精品在线观看入口 | 国产精品国产三级国产aⅴ无密码 | 亚洲一区二区三区在线 | av免费网址 | 九九在线视频 | 久久伊人操 | 国产精品中文 | 毛片高清 | 草草影院ccyy| 91麻豆精品国产91久久久更新资源速度超快 | 国产美女精品 |