基于人工智能的手写电话号码图像识别方法和装置转让专利
申请号 : CN201910436534.1
文献号 : CN110110706A
文献日 : 2019-08-09
发明人 : 于振东
申请人 : 东喜和仪(珠海市)数据科技有限公司
摘要 :
本发明涉及计算机技术人工智能领域，具体涉及基于人工智能的手写电话号码图像识别方法和装置。本发明的一具体实施包括：通过对第一图片进行预处理，得到第二图片，然后将第二图片输入至预先训练的电话号码识别模型，得到与第一图片对应的电话号码文本，从而提高了电话号码图像识别的准确率和效率。
权利要求 :
1.基于人工智能的手写电话号码图像识别方法，其特征在于，包括：对第一图片进行预处理，得到第二图片；
将第二图片输入至预先训练的电话号码识别模型，得到与所述第一图片对应的电话号码文本。
2.根据权利要求1所述的方法，其特征在于，所述电话号码识别模型通过如下步骤训练得到：第一步，获取第一训练样本集合，所述第一训练样本包括第一样本图片和已知第一识别结果，所述第一样本图片包括带有一位手写数字的图片和/或一位非手写数字的图片；
第二步，对所述第一样本集合中的所述第一样本图片进行预处理，得到预处理后的第一样本图片；
第三步，将所述预处理后的第一样本图片作为预设模型的输入，将所述已知第一识别结果作为所述预设模型期望输出，利用机器学习的方法训练得到个位号码识别模型；
第四步，基于所述个位号码识别模型组建第一电话号码提取模型；
第五步，获取第二训练样本集合，所述第二训练样本包括第二样本图片和已知第二识别结果，所述第二样本图片包括带有手写电话号码的图片和/或非手写电话号码的图片；
第六步，对所述第二样本集合中的所述第二样本图片进行预处理，得到预处理后的第二样本图片；
第七步，将所述预处理后的第二样本图片作为所述第一电话号码识别模型的输入，将所述已知第二识别结果作为所述第一电话号码识别模型的期望输出，利用机器学习的方法训练得到所述电话号码识别模型。
3.根据权利要求1-2所述的方法，其特征在于，所述电话号码识别模型通过如下步骤训练得到：对所述第一图片进行图像识别，得到对应的电话号码长度；
基于所述电话号码长度和所述个位号码识别模型组建第二电话号码提取模型；
基于所述第二训练样本集合，利用机器学习的方法对所述第二电话号码提取模型进行训练，得到所述电话号码识别模型。
4.根据权利要求3所述的方法，其特征在于，所述模型的类型为神经网络，所述图像识别基于神经网络实现。
5.基于人工智能的手写电话号码图像识别装置，其特征在于，包括：图像处理单元，被配置成用于对第一图片进行预处理，得到第二图片；
图片识别单元，被配置成用于将第二图片输入至预先训练的电话号码识别模型，得到与所述第一图片对应的电话号码文本。
6.根据权利要求5所述的装置，其特征在于，所述电话号码识别模型通过如下步骤训练得到：第一步，获取第一训练样本集合，所述第一训练样本包括第一样本图片和已知第一识别结果，所述第一样本图片包括带有一位手写数字的图片和/或一位非手写数字的图片；
第二步，对所述第一样本集合中的所述第一样本图片进行预处理，得到预处理后的第一样本图片；
第三步，将所述预处理后的第一样本图片作为预设模型的输入，将所述已知第一识别结果作为所述预设模型期望输出，利用机器学习的方法训练得到个位号码识别模型；
第四步，基于所述个位号码识别模型组建第一电话号码提取模型；
第五步，获取第二训练样本集合，所述第二训练样本包括第二样本图片和已知第二识别结果，所述第二样本图片包括带有手写电话号码的图片和/或非手写电话号码的图片；
第六步，对所述第二样本集合中的所述第二样本图片进行预处理，得到预处理后的第二样本图片；
第七步，将所述预处理后的第二样本图片作为所述第一电话号码识别模型的输入，将所述已知第二识别结果作为所述第一电话号码识别模型的期望输出，利用机器学习的方法训练得到所述电话号码识别模型。
7.根据权利要求5-6所述的装置，其特征在于，所述电话号码识别模型通过如下步骤训练得到：对所述第一图片进行图像识别，得到对应的电话号码长度；
基于所述电话号码长度和所述个位号码识别模型组建第二电话号码提取模型；
基于所述第二训练样本集合，利用机器学习的方法对所述第二电话号码提取模型进行训练，得到所述电话号码识别模型。
8.根据权利要求7所述的装置，其特征在于，所述模型的类型为神经网络，所述图像识别基于神经网络实现。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
说明书 :
基于人工智能的手写电话号码图像识别方法和装置
技术领域
[0001] 本申请实施例涉及计算机技术人工智能领域，具体涉及基于人工智能的手写电话号码图像识别方法和装置。
背景技术
[0002] 随着人工智能技术的发展，图像识别技术得到了广泛的应用。图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。文字识别是识别字母、数字和符号，从印刷文字识别到手写文字识别，应用非常广泛。图像识别通常是让智能机将图像或视频分解为像素，识别形状，以便“看到”这些图像的内容，并对它们进行分类的过程。
发明内容
[0003] 本申请实施例提出了一种基于人工智能的手写电话号码图像识别方法和装置。
[0004] 第一方面，本申请实施例提供了一种基于人工智能的手写电话号码图像识别方法，包括：对第一图片进行预处理，得到第二图片；
将第二图片输入至预先训练的电话号码识别模型，得到与第一图片对应的电话号码文本。
将第二图片输入至预先训练的电话号码识别模型，得到与第一图片对应的电话号码文本。
[0005] 在一些实施例中，电话号码识别模型通过如下步骤训练得到：第一步，获取第一训练样本集合，第一训练样本包括第一样本图片和已知第一识别结果，第一样本图片包括带有一位手写数字的图片和/或一位非手写数字的图片；
第二步，对第一样本集合中的第一样本图片进行预处理，得到预处理后的第一样本图片；
第三步，将预处理后的第一样本图片作为预设模型的输入，将已知第一识别结果作为预设模型期望输出，利用机器学习的方法训练得到个位号码识别模型；
第四步，基于个位号码识别模型组建第一电话号码提取模型；
第五步，获取第二训练样本集合，第二训练样本包括第二样本图片和已知第二识别结果，第二样本图片包括带有手写电话号码的图片和/或非手写电话号码的图片；
第六步，对第二样本集合中的第二样本图片进行预处理，得到预处理后的第二样本图片；
第七步，将预处理后的第二样本图片作为第一电话号码识别模型的输入，将已知第二识别结果作为第一电话号码识别模型的期望输出，利用机器学习的方法训练得到电话号码识别模型。
第二步，对第一样本集合中的第一样本图片进行预处理，得到预处理后的第一样本图片；
第三步，将预处理后的第一样本图片作为预设模型的输入，将已知第一识别结果作为预设模型期望输出，利用机器学习的方法训练得到个位号码识别模型；
第四步，基于个位号码识别模型组建第一电话号码提取模型；
第五步，获取第二训练样本集合，第二训练样本包括第二样本图片和已知第二识别结果，第二样本图片包括带有手写电话号码的图片和/或非手写电话号码的图片；
第六步，对第二样本集合中的第二样本图片进行预处理，得到预处理后的第二样本图片；
第七步，将预处理后的第二样本图片作为第一电话号码识别模型的输入，将已知第二识别结果作为第一电话号码识别模型的期望输出，利用机器学习的方法训练得到电话号码识别模型。
[0006] 在一些实施例中，电话号码识别模型通过如下步骤训练得到：对第一图片进行图像识别，得到对应的电话号码长度；
基于电话号码长度和个位号码识别模型组建第二电话号码提取模型；
基于第二训练样本集合，利用机器学习的方法对第二电话号码提取模型进行训练，得到电话号码识别模型。
基于电话号码长度和个位号码识别模型组建第二电话号码提取模型；
基于第二训练样本集合，利用机器学习的方法对第二电话号码提取模型进行训练，得到电话号码识别模型。
[0007] 在一些实施例中，上述模型的类型为神经网络，上述图像识别基于神经网络实现。
[0008] 第二方面，本申请实施例提供了一种基于人工智能的手写电话号码图像识别装置，包括：图像处理单元，被配置成用于对第一图片进行预处理，得到第二图片；
图片识别单元，被配置成用于将第二图片输入至预先训练的电话号码识别模型，得到与第一图片对应的电话号码文本。
图片识别单元，被配置成用于将第二图片输入至预先训练的电话号码识别模型，得到与第一图片对应的电话号码文本。
[0009] 在一些实施例中，电话号码识别模型通过如下步骤训练得到：第一步，获取第一训练样本集合，第一训练样本包括第一样本图片和已知第一识别结果，第一样本图片包括带有一位手写数字的图片和/或一位非手写数字的图片；
第二步，对第一样本集合中的第一样本图片进行预处理，得到预处理后的第一样本图片；
第三步，将预处理后的第一样本图片作为预设模型的输入，将已知第一识别结果作为预设模型期望输出，利用机器学习的方法训练得到个位号码识别模型；
第四步，基于个位号码识别模型组建第一电话号码提取模型；
第五步，获取第二训练样本集合，第二训练样本包括第二样本图片和已知第二识别结果，第二样本图片包括带有手写电话号码的图片和/或非手写电话号码的图片；
第六步，对第二样本集合中的第二样本图片进行预处理，得到预处理后的第二样本图片；
第七步，将预处理后的第二样本图片作为第一电话号码识别模型的输入，将已知第二识别结果作为第一电话号码识别模型的期望输出，利用机器学习的方法训练得到电话号码识别模型。
第二步，对第一样本集合中的第一样本图片进行预处理，得到预处理后的第一样本图片；
第三步，将预处理后的第一样本图片作为预设模型的输入，将已知第一识别结果作为预设模型期望输出，利用机器学习的方法训练得到个位号码识别模型；
第四步，基于个位号码识别模型组建第一电话号码提取模型；
第五步，获取第二训练样本集合，第二训练样本包括第二样本图片和已知第二识别结果，第二样本图片包括带有手写电话号码的图片和/或非手写电话号码的图片；
第六步，对第二样本集合中的第二样本图片进行预处理，得到预处理后的第二样本图片；
第七步，将预处理后的第二样本图片作为第一电话号码识别模型的输入，将已知第二识别结果作为第一电话号码识别模型的期望输出，利用机器学习的方法训练得到电话号码识别模型。
[0010] 在一些实施例中，电话号码识别模型通过如下步骤训练得到：对第一图片进行图像识别，得到对应的电话号码长度；
基于电话号码长度和个位号码识别模型组建第二电话号码提取模型；
基于第二训练样本集合，利用机器学习的方法对第二电话号码提取模型进行训练，得到电话号码识别模型。
基于电话号码长度和个位号码识别模型组建第二电话号码提取模型；
基于第二训练样本集合，利用机器学习的方法对第二电话号码提取模型进行训练，得到电话号码识别模型。
[0011] 在一些实施例中，上述模型的类型为神经网络，上述图像识别基于神经网络实现。
[0012] 第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；
存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本申请实施例中所述任一的方法。
存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本申请实施例中所述任一的方法。
[0013] 第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如本申请实施例中所述任一的方法。
[0014] 本申请实施例提供的基于人工智能的手写电话号码图像识别方法和装置，通过对第一图片进行预处理，得到第二图片，然后将第二图片输入至预先训练的电话号码识别模型，得到与第一图片对应的电话号码文本，提高了电话号码图像识别的准确率和效率。
附图说明
[0015] 通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本申请的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的基于人工智能的手写电话号码图像识别方法的一个实施例的流程图；
图3是根据本申请的基于人工智能的手写电话号码图像识别方法的一个应用场景的示意图；
图4是根据本申请的电话号码识别模型的一个训练方法的实施例的流程图；
图5是根据本申请的基于人工智能的手写电话号码图像识别装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
图2是根据本申请的基于人工智能的手写电话号码图像识别方法的一个实施例的流程图；
图3是根据本申请的基于人工智能的手写电话号码图像识别方法的一个应用场景的示意图；
图4是根据本申请的电话号码识别模型的一个训练方法的实施例的流程图；
图5是根据本申请的基于人工智能的手写电话号码图像识别装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
[0016] 下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
[0017] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0018] 需要说明的是，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0019] 需要说明的是，本文中术语“预设”， 表示预先设置的、预先设定的、预先选取的、预先规定的或预先训练的这几种含义。一般来说，预设模型指预先训练的模型或预先设置的模型，预设路线指预先设置的路线，预设规则指预先设置的规则，预设置指预先设定的设置，预设厨房设备指预先选取的厨房设备。
[0020] 图1示出了可以应用本申请的一种基于人工智能的手写电话号码图像识别方法和装置的实施例的示例性系统架构100。
[0021] 如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0022] 终端设备101、102或103上可以安装有雷达（例如红外激光雷达）、语音设备（例如麦克风、喇叭、扬声器等）、成像设备（摄像头、图形/图像扫描装置等）、显像设备(例如显示屏、投影仪、投屏设备、AR/VR设备、裸眼3D显像设备例如激光成像等)、文本输入类应用、空间物体识别类应用、图像物体识别类应用、语音识别类应用等。用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。
[0023] 终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于照相机、摄像机、智能手机、无人机等各种飞行器、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
[0024] 服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的目标图片进行分析，生成与目标图片匹配的电话号码文本的图片电话号码识别服务器。图片电话号码识别服务器可以对获取到的目标图片进行分析处理，确定与目标图片对应的预处理信息，然后对所确定的信息进行处理，从而生成与目标图片对应的电话号码文本。
[0025] 需要说明的是，本申请实施例所提供的基于人工智能的手写电话号码图像识别方法一般由服务器105执行，相应地，基于人工智能的手写电话号码图像识别装置一般设置于服务器105中。
[0026] 需要指出的是，服务器105的本地也可以存储有待识别电话号码的图片，服务器105可以直接提取本地的待识别电话号码的图片，此时，示例性系统架构100可以不包括终端设备101、102、103和网络104。
[0027] 需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
[0028] 需要说明的是，本申请实施例所提供的基于人工智能的手写电话号码图像识别方法也常常由终端设备101、102或103执行，相应地，此时基于人工智能的手写电话号码图像识别装置设置于终端设备101、102或103中。
[0029] 需要指出的是，终端设备101、102或103的本地也可以获取和/或存储有待识别电话号码的图像，终端设备101、102或103可以直接获取图像或提取本地的待识别电话号码的图像，此时，示例性系统架构100可以不包括服务器105和网络104。
[0030] 应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0031] 继续参考图2，示出了根据本申请的基于人工智能的手写电话号码图像识别方法的一个实施例的流程200。基于人工智能的手写电话号码图像识别，包括以下步骤：步骤201，对第一图片进行预处理，得到第二图片。
[0032] 在本实施例中，基于人工智能的手写电话号码图像识别方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接的方式从终端设备接收终端发送的用于待识别电话号码的目标图片即第一图片，然后上述执行主体可以对目标图片进行预处理以获得预处理信息即第二图片。在这里预处理包括：经过灰度化、二值化、去噪声和归一化处理后的图片信息。
[0033] 步骤202，将第二图片输入至预先训练的电话号码识别模型，得到与第一图片对应的电话号码文本。
[0034] 在本实施例中，上述执行主体可以利用预先训练的电话号码识别模型对获取到的目标图片的预处理信息进行分析，从而得到与目标图片对应的电话号码文本。在这里，电话号码识别模型可以用于表征目标图片和相应的电话号码文本之间的对应关系。
[0035] 在本实施例中，上述电话号码识别模型例如可以为卷积神经网络，该卷积神经网络可以通过卷积核进行特征提取，分别将与目标图片对应的数字序列中的各数字与数字几何特征、数字串长度和序列空间特征一一对应，从而生成电话号码文本。
[0036] 在本实施例的一些可选的实现方式中，上述电话号码提取模型的类型还可以为RNN。
[0037] 在本实施例的一些可选的实现方式中，上述电话号码提取模型的类型还可以为CRNN。
[0038] 继续参考图3，图3是根据本实施例的基于人工智能的手写电话号码图像识别方法的应用场景的一个示意图。在图3的应用场景中，用户通过移动智能终端301向服务器302输入了将带有电话号码 “13631200600”的图片转换成电话号码文本“13631200600”的请求。服务器302在接收到该请求后，可以获取带有电话号码“13631200600”的图片，并通过预处理获得预处理信息。然后，服务器302将所得到的预处理信息输入至预先训练的电话号码识别模型303，从而得到与输入图片对应的电话号码文本“13631200600”，并通过移动智能终端301显示。在这里，预训练的模型为预先训练的电话号码识别模型303。
[0039] 本申请实施例提供的基于人工智能的手写电话号码图像识别方法和装置，通过将待识别电话号码的图片的预处理信息输入至预先训练的电话号码识别模型，得到与目标图片对应的电话号码文本，从而提高了电话号码识别的准确度和效率。
[0040] 进一步参考图4，其示出了根据本申请的电话号码识别模型的一个训练方法的实施例的流程400。该的流程400，包括以下步骤：步骤401，获取第一训练样本集合，第一训练样本包括第一样本图片和已知第一识别结果，第一样本图片包括带有一位手写数字的图片和/或一位非手写数字的图片。
[0041] 在本实施例中，基于人工智能的手写电话号码图像识别方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接的方式从存储有样本图片的存储服务器中获取第一训练样本集合。在这里，训练样本集合中的训练样本可以包括包括第一样本图片和已知第一识别结果，第一样本图片包括带有一位手写数字的图片和/或一位非手写数字的图片。
[0042] 步骤402，对第一样本集合中的第一样本图片进行预处理，得到预处理后的第一样本图片。
[0043] 在本实施例中，基于人工智能的手写电话号码图像识别方法的执行主体(例如图1所示的服务器)可以对第一样本集合中的第一样本图片进行预处理，得到预处理后的第一样本图片。在这里预处理包括：经过灰度化、二值化、去噪声和归一化处理后的图片信息。
[0044] 步骤403，将预处理后的第一样本图片作为预设模型的输入，将已知第一识别结果作为预设模型期望输出，利用机器学习的方法训练得到个位号码识别模型。
[0045] 在本实施例中，基于人工智能的手写电话号码图像识别方法的执行主体(例如图1所示的服务器)可以将预处理后的第一样本图片作为预设模型的输入，将已知第一识别结果作为预设模型期望输出，利用机器学习的方法训练得到个位号码识别模型。在这里，预设模型基于基本的神经网络层搭建。
[0046] 在一些可选的实现方式里，预设模型可以是预先训练的神经网络模型。
[0047] 步骤404，基于个位号码识别模型组建第一电话号码提取模型。
[0048] 在本实施例中，基于人工智能的手写电话号码图像识别方法的执行主体(例如图1所示的服务器)可以基于个位号码识别模型组建第一电话号码提取模型。
[0049] 步骤405，获取第二训练样本集合，第二训练样本包括第二样本图片和已知第二识别结果，第二样本图片包括带有手写电话号码的图片和/或非手写电话号码的图片。
[0050] 在本实施例中，基于人工智能的手写电话号码图像识别方法的执行主体(例如图1所示的服务器)可以获取第二训练样本集合，第二训练样本包括第二样本图片和已知第二识别结果，第二样本图片包括带有手写电话号码的图片和/或非手写电话号码的图片。
[0051] 步骤406，对第二样本集合中的第二样本图片进行预处理，得到预处理后的第二样本图片。
[0052] 在本实施例中，基于人工智能的手写电话号码图像识别方法的执行主体(例如图1所示的服务器)可以对第二样本集合中的第二样本图片进行预处理，得到预处理后的第二样本图片。
[0053] 步骤407，将预处理后的第二样本图片作为第一电话号码识别模型的输入，将已知第二识别结果作为第一电话号码识别模型的期望输出，利用机器学习的方法训练得到电话号码识别模型。
[0054] 在本实施例中，基于人工智能的手写电话号码图像识别方法的执行主体(例如图1所示的服务器)可以将预处理后的第二样本图片作为第一电话号码识别模型的输入，将已知第二识别结果作为第一电话号码识别模型的期望输出，利用机器学习的方法训练得到电话号码识别模型。
[0055] 在一些实施例中，电话号码识别模型通过如下步骤训练得到：对第一图片进行图像识别，得到对应的电话号码长度；
基于电话号码长度和个位号码识别模型组建第二电话号码提取模型；
基于第二训练样本集合，利用机器学习的方法对第二电话号码提取模型进行训练，得到电话号码识别模型。在这里，基于对第一图片进行图像识别得到的电话号码长度动态地调整模型架构，并在得到新架构后进行训练，这得益于神经网络训练速度的提升和电话号码样本集合的小规模。
基于电话号码长度和个位号码识别模型组建第二电话号码提取模型；
基于第二训练样本集合，利用机器学习的方法对第二电话号码提取模型进行训练，得到电话号码识别模型。在这里，基于对第一图片进行图像识别得到的电话号码长度动态地调整模型架构，并在得到新架构后进行训练，这得益于神经网络训练速度的提升和电话号码样本集合的小规模。
[0056] 在一些实施例中，上述模型的类型为神经网络，上述图像识别基于神经网络实现。
[0057] 在本实施例中，上述执行主体可以从训练样本集合中选取训练样本，执行如下训练步骤：首先，将选取的每一个训练样本中的样本图片经过预处理后作为初始卷积神经网络的输入，将与样本图片对应的电话号码文本、数字文本或文本长度作为期望输出，对初始卷积神经网络进行训练，得到与样本图片对应的电话号码文本、数字文本或文本长度。接着，基于预设损失函数，确定预设损失函数的损失值是否达到预设目标值。在响应于确定预设损失函数的损失值达到预设目标值时，可以确定初始神经网络训练完成，并将训练完成的初始神经网络确定为电话号码识别模型、个位号码识别模型或文本长度识别模型。在这里，预设损失函数可以用于表征预测的电话号码文本、数字文本或文本长度与期望的电话号码文本、数字文本或文本长度之间的差异。
[0058] 上述执行主体在响应于确定预设损失函数的损失值未达到预设目标值时，调整初始卷积神经网络的参数，以及从上述训练样本集合中重新选取样本或增加样本规模，将调整后的初始卷积神经网络作为初始卷积神经网络，继续执行上述训练步骤。在这里，调整初始卷积神经网络的参数例如可以调整初始卷积神经网络的卷积层的数目、卷积核的大小。
[0059] 从图4中可以看出，与图2所示的实施例不同的是，本实施例突出了对电话号码识别模型的训练步骤。从而使得基于人工智能的手写电话号码图像识别更加准确。
[0060] 进一步参考图5，作为对上述图4所示方法的实现，本申请提供了基于人工智能的手写电话号码图像识别装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0061] 如图5所示，本实施例的基于人工智能的手写电话号码图像识别装置500包括：图像处理单元501和图片识别单元502。图像处理单元，被配置成用于对第一图片进行预处理，得到第二图片；图片识别单元，被配置成用于将第二图片输入至预先训练的电话号码识别模型，得到与第一图片对应的电话号码文本。
[0062] 在本实施例中，基于人工智能的手写电话号码图像识别装置500中：图像处理单元501和图片识别单元502的具体处理及其带来的有益效果可参看图2对应实施例中的步骤
201和步骤202的实现方式的相关描述，在此不再赘述。
201和步骤202的实现方式的相关描述，在此不再赘述。
[0063] 对电话号码识别模型的训练步骤参考图4对应的实施例。
[0064] 下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
[0065] 如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
[0066] 以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
[0067] 特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请该的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
[0068] 可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，该程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0069] 附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0070] 描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括图像处理单元和图片识别单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，图像处理单元还可以被描述为“对第一图片进行预处理，得到第二图片的单元”。
[0071] 作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对第一图片进行预处理，得到第二图片；将第二图片输入至预先训练的电话号码识别模型，得到与第一图片对应的电话号码文本。
[0072] 以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。