持续创作，加快生长！这是我参加「日新方案 6 月更文挑战」的第5天，点击查看活动详情

一、根据PaddleOCR的新冠肺炎检测成果图片个人数据脱敏

地址：aistudio.baidu.com/aistudio/pr…

1.项目简介

项目来源于社区朋友的号召，具体内容如下：

各位PPDE大佬们好，咱们是上海疫情IT志愿者，其中有来自曾参加了武汉2020新型冠状病毒防疫信息平台建造的开发者，现在咱们正在开发一款用于疫情防控的AI机器人：github.com/ShanghaiITV…

现在咱们正在开发一个抗原图片检测的功用，输入为居民图片，输出为图片类型和抗原检测图片的成果（阴性和阳性）。具体可见：github.com/ShanghaiITV…

此项目完全归于公益性质，毫无任何商业行为和规划，也期望各位大佬可以参加到此项目傍边来。

现在现已将功用区分成以下四个部分：

1：数据脱敏：mask掉图片中的名字序号等关键信息
2：阳性图片数据增强：因为现在大部分都是阴性图片，没有阳性图片，故需求做数据增强
3：抗原图片检测：检测图片中是否包含抗原检测仪
4：抗原图片阴阳检测：在抗原图片中检测阴性和阳性的成果

2.数据脱敏

想想便是mask掉图片中的名字序号等关键信息，现在有以下几种：

个人姓名
个人住宿等信息
检查日期

3.难点

处理这些信息比较难，主要有：

呈现的位置随机
内容格式随机
摄影办法随机
文字有手写有P的字

这么多人困难，怎么处理成为一个让我头痛的问题，一度想到数据标示，检测试剂盒，单独图画分割出试剂盒，但是又考虑到有些字也有写到试剂盒，真的让人头痛。而且运用分隔办法，需求进行数据标示，又是一个暗无天日的韶光，怕怕。

4.奇思妙想

思来想去，忽然想到，其实 PaddleOCR就可以完成功用，具体如下：

辨认图片上一切文字
检测一切文字的位置
排除掉试剂盒上的文字（如序列号等），其他位置的文字悉数mask 就这样完成数据脱敏，说干就干，下面看行动。

5.github地址

ShanghaiITVolunteer/AntigenClassifier github地址： github.com/ShanghaiITV…

欢迎我们一起来

6.与PaddleHub比较

与根据PaddleHub的新冠肺炎检测成果图片个人数据脱敏版别相比较，有以下优势。

引荐阅读:20000+Star超轻量OCR系统PP-OCRv3作用再提高5% – 11%！

6.1 PaddleOCR v3优势

PaddleHub的OCR运用的是2020年左右的1.x的OCR模型，精度较差，现在PP-OCR v3，速度更快，作用更强。

6.2 更好的猜测办法

之前猜测，是批量载入图片，假如数据过多，容易形成内存溢出。现在进行了改善，单张猜测，避免了内存溢出。

二、数据收集

为了准确取得所需数据，对现有的试剂盒进行收集。

新冠自测盒有哪几种
3月12日，国家药监局发布布告，批准南京诺唯赞、北京金沃夫、深圳华大因源、广州万孚生物、北京华科泰生物的新冠抗原产品自测运用请求改变，自此五款新冠抗原自测产品正式上市。

三、环境准备

# clone PaddleOCR代码
! git  clone https://gitee.com/PaddlePaddle/PaddleOCR --depth=1 >log.log

Cloning into 'PaddleOCR'...
remote: Enumerating objects: 1237, done.[K
remote: Counting objects: 100% (1237/1237), done.[K
remote: Compressing objects: 100% (1109/1109), done.[K
remote: Total 1237 (delta 209), reused 695 (delta 78), pack-reused 0[K
Receiving objects: 100% (1237/1237), 101.41 MiB | 4.84 MiB/s, done.
Resolving deltas: 100% (209/209), done.
Checking connectivity... done.

%cd ~
!pip install -U pip --user >log.log
!pip install -r PaddleOCR/requirements.txt  >log.log
!pip install shapely >log.log
!pip install -e PaddleOCR >log.log

/home/aistudio

!pip list |grep paddleocr

paddleocr              2.4             /home/aistudio/PaddleOCR

四、文字检测及辨认

1.调用PaddleOCR进行文字辨认及定位

import os
import cv2
import numpy as np
from paddleocr import PaddleOCR
# 加载最新的v2模型
ocr = PaddleOCR(det=True,cls=False)

/home/aistudio/PaddleOCR
[2022/05/09 22:44:29] root WARNING: version PP-OCRv2 not support cls models, auto switch to version PP-OCR
Namespace(benchmark=False, cls=False, cls_batch_num=6, cls_image_shape='3, 48, 192', cls_model_dir='/home/aistudio/.paddleocr/2.4/ocr/cls/ch_ppocr_mobile_v2.0_cls_infer', cls_thresh=0.9, cpu_threads=10, crop_res_save_dir='./output', det=True, det_algorithm='DB', det_db_box_thresh=0.6, det_db_score_mode='fast', det_db_thresh=0.3, det_db_unclip_ratio=1.5, det_east_cover_thresh=0.1, det_east_nms_thresh=0.2, det_east_score_thresh=0.8, det_limit_side_len=960, det_limit_type='max', det_model_dir='/home/aistudio/.paddleocr/2.4/ocr/det/ch/ch_PP-OCRv2_det_infer', det_pse_box_thresh=0.85, det_pse_box_type='box', det_pse_min_area=16, det_pse_scale=1, det_pse_thresh=0, det_sast_nms_thresh=0.2, det_sast_polygon=False, det_sast_score_thresh=0.5, draw_img_save_dir='./inference_results', drop_score=0.5, e2e_algorithm='PGNet', e2e_char_dict_path='./ppocr/utils/ic15_dict.txt', e2e_limit_side_len=768, e2e_limit_type='max', e2e_model_dir=None, e2e_pgnet_mode='fast', e2e_pgnet_score_thresh=0.5, e2e_pgnet_valid_set='totaltext', enable_mkldnn=False, gpu_mem=500, help='==SUPPRESS==', image_dir=None, ir_optim=True, is_visualize=True, label_list=['0', '180'], label_map_path='./vqa/labels/labels_ser.txt', lang='ch', layout_path_model='lp://PubLayNet/ppyolov2_r50vd_dcn_365e_publaynet/config', max_batch_size=10, max_seq_length=512, max_text_length=25, min_subgraph_size=15, mode='structure', model_name_or_path=None, ocr_version='PP-OCRv2', output='./output', precision='fp32', process_id=0, rec=True, rec_algorithm='CRNN', rec_batch_num=6, rec_char_dict_path='/home/aistudio/PaddleOCR/ppocr/utils/ppocr_keys_v1.txt', rec_image_shape='3, 32, 320', rec_model_dir='/home/aistudio/.paddleocr/2.4/ocr/rec/ch/ch_PP-OCRv2_rec_infer', save_crop_res=False, save_log_path='./log_output/', show_log=True, structure_version='STRUCTURE', table_char_dict_path=None, table_char_type='en', table_max_len=488, table_model_dir=None, total_process_num=1, type='ocr', use_angle_cls=False, use_dilation=False, use_gpu=False, use_mp=False, use_onnx=False, use_pdserving=False, use_space_char=True, use_tensorrt=False, use_xpu=False, vis_font_path='./doc/fonts/simfang.ttf', warmup=False)

%cd ~
img='message-4029623152461890607-image-normal-53f95e2e-328e-4279-8ce4-08b124f43c21..jpg'
result = ocr.ocr(cv2.imread(img,1 ), det=True,cls=True)
print(result)

/home/aistudio
[2022/05/09 22:38:31] root WARNING: Since the angle classifier is not initialized, the angle classifier will not be used during the forward process
[2022/05/09 22:38:33] root DEBUG: dt_boxes num : 9, elapse : 2.0214898586273193
[2022/05/09 22:38:34] root DEBUG: rec_res num  : 9, elapse : 0.7924504280090332
[[[[0.0, 197.0], [251.0, 197.0], [251.0, 307.0], [0.0, 307.0]], ('王晶晶', 0.7189245)], [[[596.0, 327.0], [636.0, 327.0], [636.0, 359.0], [596.0, 359.0]], ('S', 0.9587832)], [[[5.0, 499.0], [293.0, 499.0], [293.0, 594.0], [5.0, 594.0]], ('金小健', 0.9890587)], [[[595.0, 650.0], [642.0, 650.0], [642.0, 691.0], [595.0, 691.0]], ('S', 0.81341845)], [[[400.0, 911.0], [877.0, 921.0], [875.0, 1008.0], [398.0, 998.0]], ('3-201,5/1', 0.9159426)]]

可见，姓名、住宿信息、日期均可正常辨认

2.马赛克函数

def mosaic(selected_image, nsize=9):
    rows, cols, _ = selected_image.shape
    dist = selected_image.copy()
    # 区分小方块，每个小方块填充随机色彩
    for y in range(0, rows, nsize):
        for x in range(0, cols, nsize):
            # dist[y:y + nsize, x:x + nsize] = (np.random.randint(0, 255))
            # 调整色彩，255白色
            dist[y:y + nsize, x:x + nsize] = 255
    return dist

3.OCR辨认

# test
%cd ~
!mkdir saved

/home/aistudio
mkdir: cannot create directory ‘saved’: File exists

# img: 待脱敏图片
# target_dir: 脱敏后图片保存文件夹
# key_words： 检测盒的根本信息（不必mask掉文字列表)
def data_mask(img, target_dir, key_words=["2019", 'ANC', "C", "T", "S", "c", "t", "s"]):
    img_data=cv2.imread(img,1)
    result = ocr.ocr(img_data,  det=True,cls=True)
    print(result)
    print('len: ',len(result))
    print(f"*******************************************")
    for infomation in result:
        flag = True
        for word in key_words:
            myword, _ =infomation[-1]
            if word in myword:
                flag = False
                break
        if flag == True:
            cut_point = infomation[0]
            roiImg = img_data[int(cut_point[0][1]):int(cut_point[2][1]), int(cut_point[0][0]):int(cut_point[2][0])]  # 运用数组切片的办法截取载入图片上的部分,
            mosaic_result = mosaic(roiImg)
            img_data[int(cut_point[0][1]):int(cut_point[2][1]), int(cut_point[0][0]):int(cut_point[2][0])]= mosaic_result  # 然后,将截取的这部分ROI区域的图片保存在roiImg矩阵变量中
    cv2.imwrite(filename=os.path.join(target_dir, img), img=img_data)

data_mask(img="message-4029623152461890607-image-normal-53f95e2e-328e-4279-8ce4-08b124f43c21..jpg", target_dir="saved")

[2022/05/10 00:27:24] root WARNING: Since the angle classifier is not initialized, the angle classifier will not be used during the forward process
[2022/05/10 00:27:26] root DEBUG: dt_boxes num : 9, elapse : 2.079129457473755
[2022/05/10 00:27:26] root DEBUG: rec_res num  : 9, elapse : 0.795313835144043
[[[[0.0, 197.0], [251.0, 197.0], [251.0, 307.0], [0.0, 307.0]], ('王晶晶', 0.7189245)], [[[596.0, 327.0], [636.0, 327.0], [636.0, 359.0], [596.0, 359.0]], ('S', 0.9587832)], [[[5.0, 499.0], [293.0, 499.0], [293.0, 594.0], [5.0, 594.0]], ('金小健', 0.9890587)], [[[595.0, 650.0], [642.0, 650.0], [642.0, 691.0], [595.0, 691.0]], ('S', 0.81341845)], [[[400.0, 911.0], [877.0, 921.0], [875.0, 1008.0], [398.0, 998.0]], ('3-201,5/1', 0.9159426)]]
len:  5
*******************************************

4.根本作用

原图：

mask后的图：

五、完好程序

# -*- coding: utf-8 -*-
# __author__:Livingbody
# 2022/5/10 19:48
import os
import cv2
import numpy as np
from paddleocr import PaddleOCR
# 加载最新的v2模型
ocr = PaddleOCR(det=True,cls=False)
def mosaic(selected_image, nsize=9):
    rows, cols, _ = selected_image.shape
    dist = selected_image.copy()
    # 区分小方块，每个小方块填充随机色彩
    for y in range(0, rows, nsize):
        for x in range(0, cols, nsize):
            # dist[y:y + nsize, x:x + nsize] = (np.random.randint(0, 255))
            # 调整色彩，255白色
            dist[y:y + nsize, x:x + nsize] = 255
    return dist
# img: 待脱敏图片
# target_dir: 脱敏后图片保存文件夹
# key_words： 检测盒的根本信息（不必mask掉文字列表)
def data_mask(img, target_dir, key_words=["2019", 'ANC', "C", "T", "S", "c", "t", "s"]):
    img_data=cv2.imread(img,1)
    result = ocr.ocr(img_data,  det=True,cls=True)
    for infomation in result:
        flag = True
        for word in key_words:
            myword, _ =infomation[-1]
            if word in myword:
                flag = False
                break
        if flag == True:
            cut_point = infomation[0]
            roiImg = img_data[int(cut_point[0][1]):int(cut_point[2][1]), int(cut_point[0][0]):int(cut_point[2][0])]  # 运用数组切片的办法截取载入图片上的部分,
            mosaic_result = mosaic(roiImg)
            img_data[int(cut_point[0][1]):int(cut_point[2][1]), int(cut_point[0][0]):int(cut_point[2][0])]= mosaic_result  # 然后,将截取的这部分ROI区域的图片保存在roiImg矩阵变量中
    cv2.imwrite(filename=os.path.join(target_dir, img), img=img_data)
if __name__ == '__main__':
    # test
    data_mask(img="message-4029623152461890607-image-normal-53f95e2e-328e-4279-8ce4-08b124f43c21..jpg", target_dir="saved")

六、总结

本项目原先运用PaddleHub完成过一版，但是据说PaddleHub上的ocr模型很早了，没更新，所以选用PaddleOCR最新模型来进行猜测；
原项目批量脱敏，没考虑内存方面，容易爆内存，该版别一张一张转，避免了这个问题。

基于PaddleOCR的新冠肺炎检测结果图片个人数据脱敏

一、根据PaddleOCR的新冠肺炎检测成果图片个人数据脱敏

1.项目简介

2.数据脱敏

3.难点

4.奇思妙想

5.github地址

6.与PaddleHub比较

6.1 PaddleOCR v3优势

6.2 更好的猜测办法

二、数据收集

三、环境准备

四、文字检测及辨认

1.调用PaddleOCR进行文字辨认及定位

2.马赛克函数

3.OCR辨认

4.根本作用

五、完好程序

六、总结

作者信息

基于PaddleOCR的新冠肺炎检测结果图片个人数据脱敏

一、根据PaddleOCR的新冠肺炎检测成果图片个人数据脱敏

1.项目简介

2.数据脱敏

3.难点

4.奇思妙想

5.github地址

6.与PaddleHub比较

6.1 PaddleOCR v3优势

6.2 更好的猜测办法

二、数据收集

三、环境准备

四、文字检测及辨认

1.调用PaddleOCR进行文字辨认及定位

2.马赛克函数

3.OCR辨认

4.根本作用

五、完好程序

六、总结

相关文章

JavaAgent实战 | 如何通过无侵入式打印方法耗时

Python 霸榜的一周，又有什么新 AI 力作呢？「GitHub 热点速览」

关于将视频直播点播LntonMedia迁移至新服务器后，明明启动正常却无法正常访问的原因及解决方法

深入浅出推荐系统（一）：推荐系统基本架构

作者信息