本发明涉及文字识别，尤其涉及一种基于字符条识别的告警方法、装置、设备、介质及程序产品。
背景技术：
1、目前，常规的基于字符条识别的告警方法包括：基于颜色阈值与角点检测的视频基于字符条识别的告警方法和基于yolo深度学习模型的基于字符条识别的告警方法；前者通过提取字符条的颜色和角点等“概貌”特征的方法，遇到字符条被遮挡、背景色非红色字符条或颜色与背景色接近的字符条时无法有效识别出字符条中的文字。后者利用预设匹配算法，计算“预测的边框”和“真实的边框”之间交集和并集的交并比(intersection overunion，iou)，当预测边界框与真实边界框之间的iou值较低时，损失函数的梯度可能较小，导致训练过程较慢；通过判别待测对象的类别置信度是否满足预设字符条类别置信度要求来对字符条进行分类判别，并未对字符条的内容进行有效识别和分析。
技术实现思路
1、针对现有技术存在的问题，本发明实施例提供一种基于字符条识别的告警方法、装置、设备、介质及程序产品，其能提高字符条及其中文字内容的识别率，从而提升含有目标内容的字符条预警准确率。
2、第一方面，本发明实施例提供了一种基于字符条识别的告警方法，包括：
3、通过预先训练好的字符条识别模型对待识别的目标图像进行字符条识别，获得字符条特征图；
4、通过预设的字符条文本检测模型对所述字符条特征图进行字符检测，获得所述字符条特征图中的文本序列；
5、通过预设的文本识别模型对所述文本序列进行文本识别，获得所述文本序列对应的文本标签序列；
6、当所述文本标签序列中存在预设的目标词句时，发出告警提示。
7、作为上述方案的改进，所述字符条识别模型是基于若干层卷积层、若干层卷积块、若干上采样层、若干层特征拼接层以及输出层构建的深度卷积神经网络模型；其中，所述特征拼接层用于拼接其上一层输出的特征和位于其上一层之上的设定一层输出的特征；所述上采样层用于对其上一层输出的特征进行二倍上采样处理。
8、作为上述方案的改进，所述卷积层采用prelu激活函数，所述输出层采用泊松损失函数。
9、作为上述方案的改进，所述字符条识别模型的训练包括以下步骤：
10、采集多张具有字符条信息的样本图像；
11、对各张所述样本图像进行字符条信息的位置标注，得到相应样本图像的标签图像；
12、对所述样本图像及其对应的标签图像进行重组分类，构建训练数据集和验证数据集；
13、利用所述训练数据集对预先构建的字符条识别模型进行模型训练；
14、利用所述验证数据集对训练后的字符条识别模型进行模型验证，并在所述字符条识别模型满足预设的模型验证条件时，得到训练好的字符条识别模型。
15、作为上述方案的改进，所述通过预设的字符条文本检测模型对所述字符条特征图进行字符检测，获得所述字符条特征图中的文本序列，包括：
16、通过所述字符条文本检测模型对所述字符条特征图进行字符检测，确定所述字符条特征图中的文本区域；
17、采用文本线构造算法对所述文本区域中各个字符进行拼接，得到所述字符条特征图中的文本序列；
18、根据所述文本序列的锚点，对所述文本序列进行文本框标记。
19、作为上述方案的改进，所述字符条文本检测模型包括密集卷积神经网络、第一卷积长短期记忆神经网络以及第一全连接层；
20、所述通过所述字符条文本检测模型对所述字符条特征图进行字符检测，确定所述字符条特征图中的文本区域，包括：
21、通过所述密集卷积神经网络对输入的所述字符条特征图进行字符提取，获得字符序列；
22、通过所述第一卷积长短期记忆神经网络对所述字符序列进行上下文信息提取，获得所述字符序列的上下文特征；
23、通过所述第一全连接层对所述字符序列的上下文特征进行文本分类判断，确定所述字符条特征图的文本区域。
24、作为上述方案的改进，所述文本识别模型包括卷积神经网络、第二卷积长短期记忆神经网络、特征序列提取层以及第二全连接层；其中，所述第二全连接层采用时间分类算法损失函数；
25、所述通过预设的文本识别模型对所述文本序列进行文本识别，获得所述文本序列对应的文本标签序列，包括：
26、通过所述卷积神经网络对输入的所述文本序列进行特征提取，获得特征图；
27、通过特征序列提取层将所述特征图转换为特征向量序列；
28、通过所述第二卷积长短期记忆神经网络对所述特征向量序列中每个特征向量进行学习，得到所述特征向量序列的预测标签分布；
29、通过所述第二全连接层将所述预测标签分布转换为所述文本标签序列。
30、作为上述方案的改进，在通过预设的字符条文本检测模型对所述字符条特征图进行字符检测，获得所述字符条特征图中的文本序列之前，所述方法还包括：
31、对所述字符条特征图进行位置矫正。
32、第二方面，本发明实施例提供了一种基于字符条识别的告警装置，包括：
33、字符条识别模块，用于通过预先训练好的字符条识别模型对待识别的目标图像进行字符条识别，获得字符条特征图；
34、字符检测模块，用于通过预设的字符条文本检测模型对所述字符条特征图进行字符检测，获得所述字符条特征图中的文本序列；
35、文本识别模型，用于通过预设的文本识别模型对所述文本序列进行文本识别，获得所述文本序列对应的文本标签序列；
36、告警模块，用于当所述文本标签序列中存在预设的目标词句时，发出告警提示。
37、第三方面，本发明实施例提供了一种基于字符条识别的告警设备，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的基于字符条识别的告警方法。
38、第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面中任意一项所述的基于字符条识别的告警方法。
39、第五方面，本发明实施例提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如第一方面中任意一项所述的基于字符条识别的告警方法。
40、相对于现有技术，本发明实施例的一种基于字符条识别的告警方法、装置、设备、介质及程序产品，通过预先训练好的字符条识别模型对待识别的目标图像进行字符条识别，获得字符条特征图；通过预设的字符条文本检测模型对所述字符条特征图进行字符检测，获得所述字符条特征图中的文本序列；通过预设的文本识别模型对所述文本序列进行文本识别，获得所述文本序列对应的文本标签序列；当所述文本标签序列中存在预设的目标词句时，发出告警提示；本发明实施例能提高字符条及其中文字内容的识别率，提升含有目标内容的字符条预警准确率。
1.一种基于字符条识别的告警方法，其特征在于，包括：
2.如权利要求1所述的基于字符条识别的告警方法，其特征在于，所述字符条识别模型是基于若干层卷积层、若干层卷积块、若干上采样层、若干层特征拼接层以及输出层构建的深度卷积神经网络模型；其中，所述特征拼接层用于拼接其上一层输出的特征和位于其上一层之上的设定一层输出的特征；所述上采样层用于对其上一层输出的特征进行二倍上采样处理。
3.如权利要求2所述的基于字符条识别的告警方法，其特征在于，所述卷积层采用prelu激活函数，所述输出层采用泊松损失函数。
4.如权利要求1-3中任一项所述的基于字符条识别的告警方法，其特征在于，所述字符条识别模型的训练包括以下步骤：
5.如权利要求1所述的基于字符条识别的告警方法，其特征在于，所述通过预设的字符条文本检测模型对所述字符条特征图进行字符检测，获得所述字符条特征图中的文本序列，包括：
6.如权利要求5所述的基于字符条识别的告警方法，其特征在于，所述字符条文本检测模型包括密集卷积神经网络、第一卷积长短期记忆神经网络以及第一全连接层；
7.如权利要求1所述的基于字符条识别的告警方法，其特征在于，所述文本识别模型包括卷积神经网络、第二卷积长短期记忆神经网络、特征序列提取层以及第二全连接层；其中，所述第二全连接层采用时间分类算法损失函数；
8.如权利要求1所述的基于字符条识别的告警方法，其特征在于，在通过预设的字符条文本检测模型对所述字符条特征图进行字符检测，获得所述字符条特征图中的文本序列之前，所述方法还包括：
9.一种基于字符条识别的告警装置，其特征在于，包括：
10.一种基于字符条识别的告警设备，其特征在于，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的基于字符条识别的告警方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至8中任意一项所述的基于字符条识别的告警方法。
12.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至8中任意一项所述的基于字符条识别的告警方法。
