基于Docker的OCR识别系统的诞生

Posted 2020-10-08

开发字符OCR识别系统的原因：

众所周知谷歌开源的tesseract-ocr是一套字符识别系统，其最新版本4.00采用了lstm（Long Short-Term Memory，长短时记忆网络）神经网络进行字符的训练与识别，其支持100多种语言（字符），对于比较标准的印刷体字符，其识别准确率非常高（在我们提供的数据集上，准确率可以达到98%）。

 

如何进行字符识别系统框架搭建：

Docker 是一个开源的应用容器引擎，让开发者可以打包他们的应用以及依赖包到一个可移植的容器中，然后发布到任何流行的 Linux 机器上，也可以实现虚拟化。容器是完全使用沙箱机制，相互之间不会有任何接口【1】。

由于tesseract-ocr目前只支持ubuntu系统安装（4.00版本只支持ubuntu 16.0.4以上系统安装），而且安装过程比较复杂、耗时。鉴于此，我们采用ubuntu 16.0.4的Docker镜像，生成Docker容器，然后将tesseract-ocr字符识别服务安装到Docker容器中，最后部署一个flask服务，暴露服务端口，提供给其他业务系统使用。

考虑到Docker容器中的flask服务需要自启动，以及服务可能由于程序异常而造成停止服务的情况，因此，需要在容器中添加自启动程序以及服务监听程序。自启动以及监听程序可以利用linux的定时器crontab命令，添加一条定时任务（每一分钟检测一次），检测程序是否正常运行，当服务不正常时，重启flask服务。在将该容器的服务移植到其他linux服务器（宿主机）后，考虑到服务器可能断电，或者宕机的情况，也需要在宿主机上利用crontab添加一条定时任务，监测Docker容器是否正常运行，如果运行不正常，需要重启该Docker容器。

考虑到该容器移植的便利性，我们利用Docker的commit和save命令，将该容器提交成新的镜像，并将该镜像保存为tar包，部署该OCR应用容器时，只需要将该tar包拷贝到宿主机上，利用Docker的load以及run命令，启动该容器以及自启动容器内的OCR识别服务。

    基于Docker的OCR识别系统的整个部署流程的关键操作步骤如下：

    提交容器变化到镜像中

    docker commit 【containerId】 ocr_images:ocr_api

    保存镜像到tar包中

    docker save ocr_images:ocr_api > ocr_images.tar

    加载OCR服务镜像

    docker load < ocr_images.tar

    启动OCR服务容器

    docker run -t -d -p 0.0.0.0:8000:8000 --name ocr_api ocr_images:ocr_api

OCR服务框架设计图

OCR识别系统的优点：

将该Docker服务（基于ubuntu 16.0.4，tesseract-ocr 4.00）打包成tar包后，就可以移植到任意linux平台上，包括移植到centos服务器上，移植到低版本的ubuntu上等等，充分发挥Docker容器的移植便利性，使该OCR服务能够非常便利的跨平台使用。

逐步优化的OCR识别系统：

由于该OCR识别系统比较耗时，我们在多台物理机上部署了若干个OCR识别服务，并进行了负载均衡，以满足勤智的字符识别业务需求，例如：实现了证件照、名片上文字的提取，法院判案中证明材料、裁判文书等字符提取任务，大大降低了对人工的依赖，提升工作效率。

[1]百度百科Docker介绍

本文出自 “勤智数码” 博客，转载请与作者联系！