2019数字中国创新大赛：文化传承汉字书法多场景识别赛题解读

2019年5月6日至8日，第二届数字中国建设峰会将在福州海峡国际会展中心举行。本届峰会的主题是“以信息化培育新动能 用新动能推动新发展 以新发展创造新辉煌”。峰会定位为我国信息化发展政策发布平台、电子政务和数字经济发展成果展示平台、数字中国建设理论经验和实践交流平台、汇聚全球力量助推数字中国建设的合作平台。

具体内容解读：

我们是华为云EI企业智能体，是华为云的大数据与人工智能团队，提供其中包括昇腾芯片、MindSpore框架、ModelArts平台，以及上层API的全栈式服务。我们一共有超过45项产品，一百多项功能，文字识别就是我们一个重要产品之一。



我们OCR服务包括通用类，票据类，证件类，行业类，模板定制等，服务国内和泰国、新加坡等众多国外内客户。



书法是中国的瑰宝，是中华民族对人类审美的伟大贡献。在全球化里、电子化今天，很多人，尤其是很多青年学生，大家对书法越来越陌生，基于书法的文化传承出现断层。相信大家都听过王羲之的兰亭序，这不仅是杰出书法作品，也是中国历史、乃至世界历史上杰出的文化瑰宝之一。针对这个问题，我们提出了文化传承这个赛题。我们希望从这个赛题让参赛者系统学习和利用人工智能技术，因为这里要用到人工智能非常重要的两个能力，一个是物体检测、一个是把图片转化为文字的序列化算法。同时让大家感受传统中国文化。

文字识别本身有其巨大的社会商业价值，比如金融行业的票据识别、医疗行业的化验单识别、物流行业的快递单识别、自动驾驶的路牌识别等。我们现在在跟故宫合作，解决古代书法的识别，跟这个赛题切合。



文字识别应用场景非常广泛，包括物流与制造业，金融保险，医疗教育，政务政法，互联网，总之所有有文档的地方都需要文字识别，代替人工录入，提升业务信息化效率。这也非常契合国家工业4.0战略，用机器代替复杂烦琐的人工工作。



赛题难点有以下几点。首先赛题数据为模拟古文写作风格生成的书法类型的图片，基本是按照文字竖列标注的，与日常习惯差别很大。




其次个别字符在测试集里出现了，但在训练集却没有出现，相关字段识别错误的可能性极大。



第三有近上万个字符，需要分类的数量很大；同时因为汉字形近字较多，及其容易识别错误。



第四图片场景非常复杂，对文字识别形成强烈的干扰；文字存在扭曲、倾斜、大小差别很大等特点。



赛题评判标准为文字字段识别F1值，即参赛者不仅需要保证整个字段完全正确，需要同时保证字段识别结果的precision和recall。 

赛题结果还是比较令人满意的，前两名成绩都是98%以上，比我们预期的96高了不少的。可见选手能力都是非常强的，最后我们希望通过这次比赛能够让参赛者参与人工智能新挑战，弘扬中华民族传统文化，预祝大赛圆满成功。谢谢大家。