python基于OCR深度学习实现商品配料表识别

1、概述

        当前人民和国家对食品安全十分重视，但商家为了保证食品长时间储存，味道鲜美，在食品中添加超量或对人有严重危害得食品添加剂，严重危害到人民的安全，我们以方便面为例，一包方便面最多可有25种食品添加剂，常见的有谷氨酸钠、焦糖色、柠檬酸、特丁基对苯二酚等。儿童长期食用含柠檬酸的产品，可能导致低钙血症。所以在选择食品时，尽量选择优质、信誉好的大厂家生产的食品。并且要学会看食品配料表，尽量买食品添加剂少的食品。

        我就当前热点话题，对食品配料识别进行了研究和实现，目前调研常用的几个开源的OCR识别模型主要有几个如下表所示，简单说一下各个模型的优缺点，paddleocr用起来很方便是国产识别模型（baidu搞得），只需要用python安装对应模块即可，而且识别速度和效果是这几个中最好的（个人感觉），而且可以更换不同级别的模型，例如服务器级别的chinese_ocr_db_crnn_server、和手机端级别的chinese_ocr_db_crnn_mobile等。chineseocr_lite也是一个轻量级的识别模型但是相对比于paddleocr来说再复杂的识别场景下识别速度和效果没有paddleocr好其他的就不提了。

        传统OCR模型识别流程主要就是两个步骤：文字位置识别+文字识别，传统识别模型使用ctpn文本检测+crnn文本识别，在chineseocr_lite模型中使用yolov3+crnn实现。

 2、Docker+Flask搭建PaddleOCR识别环境

• 基础环境搭建

# docker安装python

docker pull python:3.8.12

# 安装后创建服务环境

docker run  -dit -p 13000:5000 docker.io/python:3.8.12 --name api_server

# 进入环境

docker exec -it 5eba0c1402bc /bin/bash

• 相关模块搭建

# 安装编译环境

apt-get update && apt-get install libgl1

apt install vim

# 安装paddleOCR

pip install paddlehub -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install paddlepaddle -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install shapely -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install pyclipper -i https://pypi.tuna.tsinghua.edu.cn/simple

• 搭建Falsk服务

# coding:utf-8
from flask import Flask
from flask import jsonify
from flask import request
import paddlehub as hub
import cv2
import numpy as np
import base64
app = Flask(__name__)
 
@app.route("/api/ocr",methods=["POST"])
def ocr():
    try:
        image_str = request.json.get("image")
        image_np = np.fromstring(base64.b64decode(image_str.split(';base64,')[1]), dtype=np.uint8)
        image_array = cv2.imdecode(image_np, cv2.IMREAD_COLOR)
        result = []
        #if is_blurry(image_array):
            #print("chpp")
        result = chpp_ocr.recognize_text(images=[image_array], box_thresh= 0.1, text_thresh= 0.1, angle_classification_thresh=0.9, det_db_unclip_ratio=1.5)
        #else:
            #print("mobile")
            #result = mobile_ocr.recognize_text(images=[image_array], box_thresh= 0.1, text_thresh= 0.1, angle_classification_thresh=0.9)
        data = [i["text"] for i in result[0]["data"]]
        return jsonify({"code":200,"data":data})
    except Exception as e:
        return jsonify({"code":400,"data":str(e)})
 
def is_blurry(image_array):
    gray = cv2.cvtColor(image_array, cv2.COLOR_BGR2GRAY)
    fm = cv2.Laplacian(gray, cv2.CV_64F).var()
    print("blurry:" + str(fm))
    return fm < 550
 
if __name__ == '__main__':
    global mobile_ocr
    global chpp_ocr
    mobile_ocr = hub.Module(name="chinese_ocr_db_crnn_mobile")
    print("加载mobile模型完成")
    chpp_ocr = hub.Module(name="ch_pp-ocrv3")
    print("加载chpp模型完成")
    app.config['JSON_AS_ASCII'] = False
    app.run(host="0.0.0.0", port=5000)

• 运行服务

创建一个服务启动脚本如下使用nohup进行启动

nohup python api_server.py  > log.log 2>&1 &

• 接口测试

使用apipost测试软件进行接口测试，发送数据类型是json字符串，传入image的base64字符即可。