基于卷積神經(jīng)網(wǎng)絡(luò)的酒文獻(xiàn)關(guān)鍵詞自動(dòng)識(shí)別與標(biāo)注算法

摘 要：關(guān)鍵詞自動(dòng)識(shí)別與標(biāo)注算法在酒類歷史文獻(xiàn)自動(dòng)分析和機(jī)器識(shí)別理解領(lǐng)域中有重要價(jià)值. 首先采用YOLOv7 網(wǎng)絡(luò)模型進(jìn)行酒文獻(xiàn)的文本框識(shí)別，接著引入CBAM 注意力機(jī)制獲得文本框位置、大小等特征，然后采用PaddleOCR 算法實(shí)現(xiàn)酒文獻(xiàn)的關(guān)鍵詞識(shí)別，最后應(yīng)用文字修補(bǔ)技術(shù)進(jìn)行優(yōu)化處理. 應(yīng)用該檢測(cè)算法設(shè)計(jì)的實(shí)驗(yàn)分析系統(tǒng)能高效處理海量酒文獻(xiàn)數(shù)據(jù)，以90% 的識(shí)別率提取文獻(xiàn)中與酒類相關(guān)的文字信息，能有效克服酒文獻(xiàn)中存在的文字印刷模糊不完整、字體種類多樣的特殊情形，實(shí)驗(yàn)中取得了較好的識(shí)別標(biāo)注效果.

關(guān)鍵詞：深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)；文字識(shí)別；酒文獻(xiàn)

中圖分類號(hào)：TP391

DOI： 10.19504/j.cnki.issn1671-5365.2024.06.05

在酒文獻(xiàn)整理與標(biāo)注分析研究中，由于文獻(xiàn)數(shù)量龐大，人工檢索和分析耗時(shí)耗力，因此采用人工智能和圖像分析技術(shù)進(jìn)行文獻(xiàn)分析[1]尤其迫切和重要. 命名實(shí)體識(shí)別（Named Entity Recognition，NER）是自然語(yǔ)言處理中的一項(xiàng)關(guān)鍵任務(wù)，旨在從文本中識(shí)別和提取出具有特定意義的命名實(shí)體，如人名、地名、組織機(jī)構(gòu)名、時(shí)間、日期等. 條件隨機(jī)場(chǎng)模型（CRF）[2]是較為成熟的技術(shù)方案，但其通常需要手動(dòng)設(shè)計(jì)特征函數(shù)來(lái)描述輸入序列和標(biāo)記序列之間的關(guān)系[3-4]. 隨著深度學(xué)習(xí)技術(shù)和理論的發(fā)展[5-6]，遞歸神經(jīng)網(wǎng)絡(luò)（RNN）、長(zhǎng)短時(shí)神經(jīng)記憶網(wǎng)絡(luò)模型（LSTM）等應(yīng)用其中[7-10]，有效提升了特征提取的效率. 雖然相關(guān)研究已經(jīng)探索了命名實(shí)體識(shí)別等技術(shù)在該領(lǐng)域的應(yīng)用，但在酒文獻(xiàn)處理上仍存在一些問(wèn)題. 具體而言，當(dāng)前的研究局限于特定領(lǐng)域，而酒文獻(xiàn)涉及多方面，需要更細(xì)致和全面的分析. 本文擬利用大數(shù)據(jù)技術(shù)收集和整理酒史文獻(xiàn)數(shù)據(jù)，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建文獻(xiàn)識(shí)別模型，實(shí)現(xiàn)自動(dòng)化的酒文獻(xiàn)識(shí)別和處理，從而更全面地理解酒文獻(xiàn)中的內(nèi)容.

1 PaddleOCR算法及YOLOv7-tiny網(wǎng)絡(luò)模型

1.1 PaddleOCR 算法

PaddleOCR[11]基于PaddlePaddle 深度學(xué)習(xí)框架開(kāi)發(fā)，提供了OCR 模型和工具，具有文字檢測(cè)、文字識(shí)別和布局分析等功能. PaddleOCR 是一種基于深度學(xué)習(xí)模型，識(shí)別精度較高，具備良好的魯棒性和泛化能力. PaddleOCR 預(yù)訓(xùn)練模型包括EAST、DB?Net、SAST、Rosetta、CRNN 等，能適用于不同的OCR 場(chǎng)景和需求. 由于白酒文獻(xiàn)中的文字布局復(fù)雜、字體多樣、字形多變，本文選擇對(duì)繁體字識(shí)別效果較好的PaddleOCR 字符識(shí)別模型.

1.2 YOLOv7-tiny 網(wǎng)絡(luò)模型

YOLOv7-tiny[12] 網(wǎng)絡(luò)模型主要由輸入端（In?put）、主干網(wǎng)絡(luò)（backbone）、頸部和頭部（Neckamp;Head）四個(gè)部分組成，YOLOv7-tiny結(jié)構(gòu)如圖1所示.

YOLOv7-tiny 模型輸入端部分采用Mosaic 數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計(jì)算、自適應(yīng)圖片縮放等方式對(duì)輸入圖像進(jìn)行預(yù)處理. 主干網(wǎng)絡(luò)部分由數(shù)個(gè)CBL 模塊、MCB 層、MP 層共同組成，其中CBL 模塊由1 個(gè)卷積層、1 個(gè)BN 層和Leakyrelu 激活函數(shù)組成；MCB層由5 個(gè)CBL 模塊組成，它可以有效地學(xué)習(xí)和快速收斂；MP 層由3 個(gè)CBL 模塊和一個(gè)最大池化層組成，兩部分都對(duì)特征圖進(jìn)行下采樣和通道數(shù)改變，最后將其結(jié)果融合，增強(qiáng)了特征提取能力. 頸部部分采用SPPCSP、UP 和MCB 結(jié)構(gòu)，SPPCSP 模塊有4 個(gè)CBL 模塊，通過(guò)最大池化來(lái)增大感受野，以適應(yīng)不同分辨率的圖像；UP 模塊通過(guò)最近鄰插值的方式來(lái)進(jìn)行上采樣. 頭部部分采用conv 和CBL 模塊，通過(guò)提取特征，分別輸出不同尺度大小的3 個(gè)預(yù)測(cè)結(jié)果.

2 本文算法及網(wǎng)絡(luò)模型改進(jìn)

2.1 改進(jìn)的PaddleOCR 算法

由于古代酒文獻(xiàn)布局復(fù)雜、字體古老、字形多變、印刷模糊，PaddleOCR 算法對(duì)于文本框的檢測(cè)效果較差，有大量的漏檢情況，進(jìn)而影響了文字識(shí)別效率. 由于YOLO 在目標(biāo)檢測(cè)中的優(yōu)秀表現(xiàn)，故將PaddleOCR 文本框檢測(cè)部分替換為YOLO 網(wǎng)絡(luò)模型，再將根據(jù)檢測(cè)結(jié)果中得到的文本框輸入到Pad?dleOCR 中，實(shí)現(xiàn)文獻(xiàn)關(guān)鍵詞的識(shí)別與標(biāo)注.

2.2 改進(jìn)的YOLOv7 網(wǎng)絡(luò)模型

改進(jìn)算法采用YOLOv7-tiny 網(wǎng)絡(luò)模型對(duì)文本框進(jìn)行檢測(cè)，為了使文本框的方向、位置、大小特征獲得更多關(guān)注，引入注意力機(jī)制CBAM[13]（Convolu?tional Block Attention Module）以優(yōu)化性能. CBAM模塊主要由兩個(gè)子模塊組成：通道注意力模塊（Channel Attention Module）和空間注意力模塊（Spatial Attention Module），如圖2 所示.

設(shè)輸入特征圖像為F ∈ RC × H × W（C、H、W 分別為特征圖的通道數(shù)、高和寬），利用CBAM 注意力機(jī)制獲得一維通道注意力特征Mc（F ） ∈ RC × 1 × 1 和二維空間注意力特征Ms （F ） ∈ R1 × H × W，計(jì)算式如下：

F' = Mc （F ） ? F （1）

F '' = Mc （F' ） ? F' （2）

其中：?表示元素乘法，F(xiàn) '' 表示最終結(jié)果.

在通道注意力模塊中，將輸入特征圖F ∈ RC × H × W 分別經(jīng)過(guò)基于水平和垂直方向的全局最大池化操作和全局平均池化操作之后，得到兩個(gè)C × 1 × 1 的特征圖，然后通過(guò)一個(gè)兩層的MLP，第一層神經(jīng)元個(gè)數(shù)為C/r（r 為減少率），激活函數(shù)為Relu，第二層神經(jīng)元個(gè)數(shù)為C，兩層權(quán)重是共享的.之后將兩部分做逐元素求和，再通過(guò)激活函數(shù)（Sig?moid）生成通道注意力特征. 最后，將通道注意力特征與輸入特征進(jìn)行元素乘法，并將其結(jié)果作為空間注意力模塊的輸入，即：

Mc （F ）= Sigmoid （MLP （AvgPool （F ））+MLP （MaxPool （F ））） （3）

其中：Mc （F ） ∈ RC × 1 × 1 表示通道特征，F(xiàn) 為輸入特征圖F ∈ RC × H × W.

空間注意力模塊能學(xué)習(xí)特征圖像中不同空間位置之間的相關(guān)性，并根據(jù)這些空間位置之間的相關(guān)性來(lái)分配不同的注意力權(quán)重. 將輸入的特征圖通過(guò)基于通道的全局最大池化操作和全局平均池化操作，基于通道的全局最大池化是對(duì)輸入特征圖在通道維度上進(jìn)行全局最大池化，這一步的目的是獲取每個(gè)空間位置上特征的最大值，以捕捉每個(gè)位置上的顯著特征，計(jì)算公式為Pmax = maxc Xcij，Xcij 表示特征圖X 在通道c、位置（i，j ） 處的值. 基于通道的全局平均池化是對(duì)輸入特征圖在通道維度上進(jìn)行全局平均池化. 這一步的目的是獲取每個(gè)空間位置上特征的平均值，以捕捉每個(gè)位置的整體信息. 計(jì)算公式為Pavg =1／CΣc = 1CXcij，分別得到兩個(gè)1 × H × W 的特征圖，將兩個(gè)特征圖作通道拼接，再經(jīng)過(guò)一個(gè)7×7 的卷積操作，得到一個(gè)1 × H × W 的特征圖，然后通過(guò)激活函數(shù)（Sigmoid）來(lái)生成空間注意力特征. 最后，將其與輸入特征圖進(jìn)行元素乘法運(yùn)算，最終得到在空間維度上關(guān)注重要特征的特征圖，計(jì)算式為：

Ms （F ） =Sigmoid （ f 7 × 7 （AvgPool （F ）;MaxPool （F ））） （4）

其中：Ms （F ） ∈ R1 × H × W 表示空間特征，f 7 × 7 表示一個(gè)大小為7×7 的卷積運(yùn)算，F(xiàn) 為輸入特征.

2.3 文字修補(bǔ)技術(shù)

古代酒文獻(xiàn)關(guān)鍵詞識(shí)別實(shí)驗(yàn)存在部分文字?jǐn)嚅_(kāi)的情況，嚴(yán)重影響文獻(xiàn)關(guān)鍵詞識(shí)別精度. 為了解決以上問(wèn)題，本文先使用膨脹（Dilation）、再使用腐蝕（Erosion）方法對(duì)文字修補(bǔ)技術(shù)，以達(dá)到修復(fù)填補(bǔ)文字?jǐn)嚅_(kāi)的區(qū)域，進(jìn)而提升檢測(cè)效果. 在文本識(shí)別技術(shù)中，腐蝕和膨脹是一些基本的形態(tài)學(xué)操作，通常用于處理二值化圖像，其中文本區(qū)域被視為前景，背景為其他部分. 腐蝕和膨脹操作可以使用數(shù)學(xué)形式表示，其中結(jié)構(gòu)元素（kernel）通常用一個(gè)矩陣或二維數(shù)組表示.

膨脹操作使用結(jié)構(gòu)元素，在圖像中滑動(dòng)并將其放置在像素上. 如果結(jié)構(gòu)元素與文本區(qū)域有任何重疊，該像素就被標(biāo)記為前景. 主要作用是擴(kuò)展前景對(duì)象的邊界，填充空白區(qū)域，連接文本區(qū)域內(nèi)的斷裂部分. 膨脹操作有助于連接字符之間的空隙，填充筆畫(huà)之間的空白，使文本更加連貫. 如果圖像表示為二值矩陣I，結(jié)構(gòu)元素表示為矩陣K，膨脹操作Dilated （I，K ）的數(shù)學(xué)表達(dá)如下：

Dilated（I，K ） （x，y ） = max（i，j ） ∈ KI （x + i，y + j ） （5）

其中：max 為取最大值操作，（x，y ）表示當(dāng)前像素的坐標(biāo)，（i，j ） 表示結(jié)構(gòu)元素的坐標(biāo). 該公式表示在位置（x，y ） 處，膨脹操作將圖像中與結(jié)構(gòu)元素K 重疊的部分的最大值作為輸出.

腐蝕操作通過(guò)在圖像中滑動(dòng)一個(gè)結(jié)構(gòu)元素（kernel）并將其放置在像素上，只有當(dāng)結(jié)構(gòu)元素完全覆蓋文本區(qū)域時(shí)，該像素才被保留為前景，否則被置為背景. 主要作用是縮小或消除前景對(duì)象的邊界，去除小的細(xì)節(jié)，使前景區(qū)域變得更加緊湊. 對(duì)于文本而言，腐蝕操作有助于消除細(xì)小的筆畫(huà)或連接線，使文本區(qū)域更加清晰. 腐蝕操作Eroded （I，K ）的數(shù)學(xué)表達(dá)如下：

Eroded（I，K ） （x，y ） = min（i，j ） ∈ K I （x + i，y + j ） （6）

其中：min 為取最小值操作，（x，y ）表示當(dāng)前像素的坐標(biāo)，（i，j ） 表示結(jié)構(gòu)元素的坐標(biāo). 該公式表示在位置（x，y ） 處，腐蝕操作將圖像中與結(jié)構(gòu)元素K 重疊的部分的最小值作為輸出.

3 算法實(shí)現(xiàn)

首先引入YOLOv7-tiny 模型進(jìn)行文本框檢測(cè)，接著采用膨脹和腐蝕方法對(duì)文字進(jìn)行修補(bǔ)，最后采用的改進(jìn)的識(shí)別算法完成酒文獻(xiàn)的識(shí)別. 實(shí)現(xiàn)效果如圖3 所示，整體檢測(cè)識(shí)別算法具體實(shí)現(xiàn)步驟如下：

第一步：輸入初始圖像F.

第二步：對(duì)初始圖像F 利用YOLO 目標(biāo)檢測(cè)算法進(jìn)行文本框檢測(cè)，并使用投影法[14]按列分割，從而得到文本框集合Φ： { Ni，i = 1，2，3… }，其中Ni 表示第i 個(gè)文本框.

設(shè)M、N 分別分投影區(qū)域的水平和垂直像素點(diǎn)個(gè)數(shù)，f （i，j ）為像素點(diǎn)（i，j ）處的灰度值，則投影法實(shí)現(xiàn)步驟如下：

（ⅰ）首先對(duì)圖像采用閾值法進(jìn)行二值化處理，由于需識(shí)別圖像顏色較為單一，T 可取128，計(jì)算如式（7）所示.

其中：V [ i ]表示縱軸垂直投影值，i 表示橫軸.

（ⅲ）利用平滑后的曲線，計(jì)算出波谷之間的平均距離作為參考值，將波谷所對(duì)應(yīng)的垂直線作為列分割線.

第三步：再次利用YOLO 目標(biāo)檢測(cè)算法將得到的文本框集合Φ 按行分割，得到單個(gè)文字框Ω：{ Mj，j = 1，2，3… }，其中Mj 表示第j 個(gè)文字框.

第四步：利用文字修補(bǔ)技術(shù)，先膨脹后腐蝕. 膨脹后結(jié)果為F1 = max（i，j ） ∈ Kernel{F （x + i，y + j ）}，腐蝕后結(jié)果為F2 = min（i，j ） ∈ Kernel{F } 1 （x + i，y + j ） ，其 中Kernel為操作核，（i，j ）為坐標(biāo)，Kernel大小為α × α，α為操作核大小參數(shù)，根據(jù)文字大小調(diào)整.

第五步：利用PaddleOCR 文本識(shí)別算法對(duì)單個(gè)文字框集合Ω結(jié)合F2 進(jìn)行識(shí)別，輸出檢測(cè)結(jié)果文字集合Λ和識(shí)別結(jié)果圖像F'.

PaddleOCR 文本識(shí)別算法步驟如下：

步驟一：特征提取，使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)輸入的序列進(jìn)行特征提取. 這一步通過(guò)一系列的卷積層和池化層來(lái)從輸入圖像中提取特征，并生成特征圖（Feature Map）.

步驟二：循環(huán)層處理，將特征圖輸入到循環(huán)層中進(jìn)行處理. 在PaddleOCR 中，循環(huán)層由一個(gè)雙向LSTM（Long Short-Term Memory，長(zhǎng)短時(shí)記憶）循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)成. LSTM 是一種特殊的RNN（Re?current Neural Network，循環(huán)神經(jīng)網(wǎng)絡(luò)）結(jié)構(gòu)，能夠捕獲長(zhǎng)距離依賴關(guān)系. 在PaddleOCR 中，LSTM 使用了雙向結(jié)構(gòu)，即同時(shí)使用過(guò)去和未來(lái)的信息，這有助于提高模型的性能和穩(wěn)定性.

步驟三：預(yù)測(cè)特征序列的標(biāo)簽分布，在循環(huán)層中，預(yù)測(cè)特征序列中的每一個(gè)特征向量的標(biāo)簽分布. 這一步通過(guò)將LSTM 網(wǎng)絡(luò)的輸出連接到一個(gè)全連接層和一個(gè)Softmax 函數(shù)來(lái)實(shí)現(xiàn)，生成每個(gè)字符的概率分布.

步驟四：整合結(jié)果，最后，將LSTM 網(wǎng)絡(luò)預(yù)測(cè)的特征序列的結(jié)果進(jìn)行整合，轉(zhuǎn)換為最終輸出的結(jié)果. 在PaddleOCR 中，這一步通過(guò)轉(zhuǎn)錄層（Transcrip?tion Layer）完成，將LSTM 網(wǎng)絡(luò)的輸出轉(zhuǎn)換為最終的識(shí)別結(jié)果.

在PaddleOCR 中，文本識(shí)別的核心公式主要包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）的特征提取、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的處理以及全連接層和Softmax 函數(shù)的概率轉(zhuǎn)換. 這些公式是實(shí)現(xiàn)文本識(shí)別算法的關(guān)鍵部分，具體如下：

（ⅰ）卷積層：卷積層是用于特征提取的核心部分，通過(guò)在輸入圖像上應(yīng)用一系列的卷積核進(jìn)行卷積運(yùn)算，生成特征圖. 常用的卷積操作公式可以表示為： F （x，y ） =Σi = 1kwi × xi，y，其中F （x，y ）表示在位置（x，y ）的特征值，wi 表示第i 個(gè)卷積核的權(quán)重，xi，y 表示輸入圖像在位置（x，y ）的特征值.

（ⅱ）循環(huán)層：循環(huán)層是用于處理序列數(shù)據(jù)的核心部分，通過(guò)定義一個(gè)遞歸神經(jīng)網(wǎng)絡(luò)來(lái)捕捉序列數(shù)據(jù)的時(shí)序依賴關(guān)系. 在PaddleOCR 中，循環(huán)層使用了雙向LSTM 結(jié)構(gòu)，其核心公式包括LSTM 單元的遞歸公式和輸出公式. LSTM 單元的遞歸公式可表示為：

[ ft，it，gt，ot ] =σ （ [Wxf xt + Whi ht - 1 + bf ] ， [Wxi xt + Whi ht - 1 + bi ] ，[Wxg xt + Whg ht - 1 + bg ] ， [Wxo xt + Who hp - 1 + bo ]）

其中ft、it 、gt 、ot 分別表示遺忘門(mén)、輸入門(mén)、候選細(xì)胞狀態(tài)和輸出門(mén)的輸出，W 和b 分別表示權(quán)重和偏置項(xiàng)，σ 表示激活函數(shù).

（ⅲ）全連接層和Softmax 函數(shù)：全連接層用于將前一層的輸出轉(zhuǎn)換為固定長(zhǎng)度的向量，而Softmax 函數(shù)則用于將每個(gè)字符的概率轉(zhuǎn)換為概率分布. 全連接層的公式可以表示為：a = Wx + b，其中a 表示輸出向量，W 和b 分別表示權(quán)重和偏置項(xiàng)，x 表示輸入向量. Softmax 函數(shù)的公式可以表示為：σ （x ） =ex／ex + ex + 1 + … + ex + N，其中σ （x ） 表示輸入向量x 經(jīng)過(guò)Softmax 函數(shù)后的概率分布.

4 實(shí)驗(yàn)分析

4.1 數(shù)據(jù)集介紹

數(shù)據(jù)集來(lái)源于中國(guó)酒史研究中心酒文獻(xiàn)數(shù)據(jù)庫(kù)，包括《秋白詩(shī)集》《疇人傳》《諸子集成（論語(yǔ)正義）》《太平御覽》《中國(guó)文學(xué)》，數(shù)據(jù)集中含有隸書(shū)、楷書(shū)、繁體字等多種字體，皆為豎版排列，酒文獻(xiàn)數(shù)據(jù)豐富. 經(jīng)實(shí)驗(yàn)整理，選擇共計(jì)24 000 張作為初始圖像數(shù)據(jù)集. 選取其中一部分進(jìn)行文本框手工標(biāo)注，以此作為文本框檢測(cè)訓(xùn)練數(shù)據(jù)集，標(biāo)注如圖4 所示.

4.2 文本框單字分割

將通過(guò)投影法得到的各個(gè)列文本框，應(yīng)用YO?LOv7 算法框選出單個(gè)漢字，實(shí)現(xiàn)單個(gè)文字的分割，實(shí)驗(yàn)結(jié)果如圖5 所示. 對(duì)分割出的文字圖像進(jìn)行修補(bǔ)，修補(bǔ)順序?yàn)橄扰蛎洝⒑蟾g，以提高部分受損文字的識(shí)別準(zhǔn)確率，實(shí)驗(yàn)結(jié)果如圖6 所示，圖中從左至右依次為原圖、膨脹后、腐蝕后變化效果.對(duì)分割出的酒文獻(xiàn)漢字進(jìn)行文本識(shí)別，實(shí)驗(yàn)結(jié)果如圖7 所示.

4.3 評(píng)價(jià)指標(biāo)

為定量判斷分析本文獻(xiàn)的改進(jìn)算法對(duì)古代酒文獻(xiàn)文本框的檢測(cè)和關(guān)鍵字識(shí)別效果，本文采用以下評(píng)價(jià)指標(biāo)來(lái)評(píng)估模型性能表現(xiàn)，其中指標(biāo)包括精確率（Precision）、召回率（Recall）、平均精度均值（meanAverage Precision， mAP 值），計(jì)算如式9 所示.

式中：P 表示所有預(yù)測(cè)目標(biāo)中正確的比例，QTP 為正樣本被檢測(cè)正確的數(shù)量；QFP 為負(fù)樣本被檢測(cè)為正樣本的數(shù)量；QFN 為背景被錯(cuò)誤檢測(cè)為正樣本的數(shù)量；R 表示所有已標(biāo)注目標(biāo)中被正確檢測(cè)的比例；n 表示類別數(shù)量，SAP 表示以R 為橫軸、P 為縱軸形成的P -R 曲線的面積，該曲線反映了模型在不同置信度閾值下的性能. 平均精度是對(duì)這個(gè)曲線下面積的平均值. 在一個(gè)類別上，精度越高、召回越大，平均精度就越高. 對(duì)每個(gè)目標(biāo)類別計(jì)算出來(lái)的SAP 進(jìn)行取平均值，可以得到mAP 值（sˉmAP），用于評(píng)估目標(biāo)檢測(cè)模型的性能，特別是在處理多類別物體檢測(cè)任務(wù)時(shí)，mAP 值越大表示模型性能越好.

在本文的實(shí)驗(yàn)分析中，將IoU 設(shè)為0.5 時(shí)，計(jì)算每一類的所有圖片的SAP，把所有類別求平均，即可得到mAP@0.5. mAP@.5：.95 表示在不同IoU 閾值（從0.5 到0.95，步長(zhǎng)0.05，即0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均mAP 值.

4.4 實(shí)驗(yàn)結(jié)果分析

本文采用YOLO 網(wǎng)絡(luò)模型進(jìn)行文本框檢測(cè)，在此基礎(chǔ)上增加注意力機(jī)制CBAM 進(jìn)行優(yōu)化，進(jìn)行消融實(shí)驗(yàn)，結(jié)果如表1 所示.

表1 表明，引入的CBAM 方法在P、R、mAP@0.5、mAP@.5：.95 四個(gè)評(píng)價(jià)指標(biāo)上均有提升，分別提升了2%、2%、3.2%、3.7%，證實(shí)本文方法的有效性，提升了模型在文獻(xiàn)中文本框的檢測(cè)性能，在海量文獻(xiàn)識(shí)別任務(wù)中的文本框漏檢情況得到了較好的解決.

圖8 的曲線反映了改進(jìn)后的模型性能隨訓(xùn)練輪次增加，mAP@.5：. 95 值的變化趨勢(shì). 在0-50 輪，mAP@.5：.95 快速提高，表明該模型收斂速度較快，性能較好. 50-70 輪，緩慢增長(zhǎng)，70-100 輪之后基本趨于穩(wěn)定，模型已經(jīng)達(dá)到收斂狀態(tài).

酒文獻(xiàn)漢字識(shí)別結(jié)果如圖9 所示.

5 小結(jié)

基于卷積神經(jīng)網(wǎng)絡(luò)的酒文獻(xiàn)關(guān)鍵詞識(shí)別與提取算法能夠更加快速地識(shí)別和分類各種類型的酒類文獻(xiàn)，實(shí)現(xiàn)關(guān)鍵詞的自動(dòng)提取和標(biāo)注，為酒文獻(xiàn)賦予標(biāo)簽，也為酒文獻(xiàn)的檢索和查詢提供更便捷的方法.本文借助深度學(xué)習(xí)與大數(shù)據(jù)技術(shù)，旨在從海量歷史文獻(xiàn)資料中發(fā)現(xiàn)關(guān)鍵信息，并找到內(nèi)在聯(lián)系，揭示傳統(tǒng)文獻(xiàn)中隱藏的知識(shí)關(guān)系和發(fā)展趨勢(shì)，以優(yōu)化傳統(tǒng)酒史文獻(xiàn)學(xué)研究和信息查找的路徑.

本項(xiàng)目的研究開(kāi)展，還將充分利用搜索引擎和網(wǎng)絡(luò)爬蟲(chóng)技術(shù)在網(wǎng)絡(luò)上尋找酒史文獻(xiàn)資料，同時(shí)作為酒史研究數(shù)據(jù)庫(kù)不斷新增豐富，為將來(lái)可能的歷史研究提供支持. 利用數(shù)字化技術(shù)實(shí)現(xiàn)文獻(xiàn)的提取與分類研究，項(xiàng)目的開(kāi)展將在挖掘酒史文化數(shù)據(jù)方面具有潛在意義，能為酒史文化研究發(fā)現(xiàn)新知識(shí)，提供新方法.

參考文獻(xiàn)：

[1] GAO H， ERGU D， CAI Y， et al. A robust cross-ethnic digi?tal handwriting recognition method based on deep learning[J].Procedia Computer Science， 2022（199）： 749-756. doi：10.1016/j.procs.2022.01.093.

[2] LAFFERTY J， MCCALLUM A， PEREIRA F C N. Condi?tional random fields： Probabilistic models for segmenting andlabeling sequence data[EB/OL]. （2001-06-28） [2023-01-27]. https：//dl.acm.org/doi/10.5555/645530.655813.

[3] 黃水清，王東波，何琳. 基于先秦語(yǔ)料庫(kù)的古漢語(yǔ)地名自動(dòng)識(shí)別模型構(gòu)建研究[J]. 圖書(shū)情報(bào)工作，2015（12）：135-140.

[4] 李娜. 面向方志類古籍的多類型命名實(shí)體聯(lián)合自動(dòng)識(shí)別模型構(gòu)建[J]. 圖書(shū)館論壇， 2021， 41（12）：11.

[5] LECUN Y， BENGIO Y， HINTON G. Deep learning[J]. Na?ture， 2015， 521（7553）： 436-444.

[6] BENGIO Y， GOODFELLOW I， COURVILLE A. Deeplearning[M]. Cambridge， MA， USA： MIT Press， 2017.

[7] 謝韜. 基于古文學(xué)的命名實(shí)體識(shí)別的研究與實(shí)現(xiàn)[D]. 北京：北京郵電大學(xué)，2018.

[8] 杜悅，王東波，江川，等. 數(shù)字人文下的典籍深度學(xué)習(xí)實(shí)體自動(dòng)識(shí)別模型構(gòu)建及應(yīng)用研究[J]. 圖書(shū)情報(bào)工作，2021，65（3）：100-108.

[9] HOCHREITER S， SCHMIDHUBER J. Long short-termmemory[J]. Neural Computation， 1997， 9（8）： 1735-1780.

[10] GRAVES A， SCHMIDHUBER J. Framewise phoneme clas?sification with bidirectional LSTM and other neural networkarchitectures[J]. Neural Networks， 2005， 18（5-6）： 602-610.

[11] LI C X， LIU W W， GUO R Y， et al. PP-OCRv3： More at?tempts for the improvement of ultra lightweight OCR system[EB/OL]. （2022-06-07） [2023-01-27]. ArXiv： abs/2206.03001.

[12] WANG C Y， BOCHKOVSKIY A， LIAO H Y M. YO?LOv7： Trainable bag-of-freebies sets new state-of-the-artfor real-time object detectors[EB/OL]. （2022-07-06）[2023-01-27]. arXiv：2207.02696.

[13] WOO S， PARK J， LEE J Y， et al. CBAM： Convolutionalblock attention module[C]//Ferrari V， Hebert M， Sminchis?escu C， et al. Computer Vision – ECCV 2018. Springer，Cham， 2018. doi：10.1007/978-3-030-01234-2_1.

[14] 李治強(qiáng)，楊強(qiáng). 基于時(shí)空分布特征的新聞字幕檢測(cè)改進(jìn)算法[J]. 廣播與電視技術(shù)，2007，34（2）：103-105.

【編校：王露】

基金項(xiàng)目：四川省哲學(xué)社會(huì)科學(xué)重點(diǎn)研究基地中國(guó)酒史研究中心開(kāi)放基金項(xiàng)目（ZGJS2021-03）；四川省科技計(jì)劃重點(diǎn)研發(fā)項(xiàng)目（2021YFG0029）