滚动信息2

摘要：针对中原典籍数字化过程中古文字识别难度大、传统OCR适配性差、专业方案技术门槛高且难以规模化推广等问题，本文以《伤寒杂病论》《礼记》《齐民要术》及甲骨文为研究对象，基于百度EasyDL平台开展古籍与甲骨文专用识别模型的训练与优化研究。通过系统化的样本采集、精细标注、多轮增量训练与针对性优化策略，最终模型识别准确率达93.3%，F1-score为90.7%，平均精确率95.8%，平均召回率87.5%。研究为中原典籍数智化活化提供轻量化技术支撑，也为同类地域古籍智能识别提供可借鉴方案。

关键词：百度EasyDL；甲骨文识别；古籍识别；模型训练；数智化活化

一、引言

在数字人文与文旅文创融合背景下，中原典籍的数字化、智能化活化成为文化传承的关键环节。近年来，《关于推进新时代古籍工作的意见》《2021-2035年国家古籍工作规划》等政策相继出台，明确提出推动古籍数字化保护与活化利用。然而，古籍数字化的核心瓶颈在于文字识别——传统古籍文字异形、版式复杂、异体字繁多，通用OCR工具识别效果不佳，专业识别方案成本高、门槛高，基层文化机构难以介入。

EasyDL平台在多个领域的应用为上述困境提供了新思路。张雨烟等利用EasyDL实现常用词语手势视频50分类，验证了该平台零代码训练模式结合深度学习框架能够高效完成模型部署。王楠等基于EasyDL图像分类模型实现手写甲骨文识别，画板输入准确率达98.7%，手写照片准确率98.3%。罗俊杰等基于EasyDL深度学习平台实现游客评论数据的分类与情感极性判断，验证了该平台在文本分类任务中的可行性。但上述研究或聚焦手写体分类、或面向通用文本分类，未涉及竖排版古籍文本的识别问题。本文以《伤寒杂病论》《礼记》《齐民要术》及甲骨文拓片为研究对象，探索低成本、高效率的古籍智能识别路径。

二、研究对象与数据准备

（一）研究对象

本研究选取《伤寒杂病论》《礼记》《齐民要术》及甲骨文为研究对象。三部典籍分别对应中原文化中医学、哲学、农学三大核心领域，甲骨文作为汉字起源载体具有重要溯源意义。

（二）数据采集与预处理

本研究采集了三部典籍的高清原文图像及甲骨文拓片图像，同步整理对应规范文本与释义。具体数据采集情况（见表1）。

数据清洗阶段：剔除模糊、残缺、干扰严重的低质量图像，统一图像尺寸与格式，累计去重2300余条。

样本标注阶段：对古籍文字、甲骨文符号逐字标注。本研究鉴于古籍版式复杂性（竖排、双行夹注、行间注等），采用人工逐字标注，有效避免自动标注在复杂版式下的错误关联。标注数据集按7:2:1划分为训练集、验证集与测试集。

三、基于百度EasyDL的模型训练与实现

（一）平台选择与模型配置

选用百度EasyDL通用文字识别与自定义图像识别模块，针对古籍竖排、繁体、异体字及甲骨文象形特征调整模型参数。平台选择的核心考量：其一，EasyDL提供零代码训练能力，内置预训练模型通过迁移学习可快速适配特定领域[1]；其二，平台支持高精度训练模式，基于PaddlePaddle框架结合Auto Model Search自动选择最优算法；其三，训练完成后直接生成API接口与在线识别工具，部署便捷。

（二）模型训练流程

数据集导入平台后按训练集、验证集、测试集完成划分，针对古籍竖排版式配置文本行检测参数。选择高精度训练模式，平台自动执行特征提取、模型拟合与超参数调优。

迭代优化阶段，识别错误主要集中在三类：异体字混淆（如“脈”与“脉”）、残缺字误判（甲骨文拓片笔画缺失）、竖排版式行间干扰。据此进行针对性补充标注与增量训练，整个训练过程经历五轮迭代。训练完成后生成API接口与在线识别工具。

四、模型效果测试与结果分析

经五轮迭代优化，模型在测试集上取得稳定性能：识别准确率93.3%，F1-score为90.7%，平均精确率95.8%，平均召回率87.5%。（见图1）

精确率（95.8%）高于召回率（87.5%），表明模型在已识别样本上准确度较高，但仍有部分文字未被检出。未检出样本集中在两类：残缺严重的甲骨文拓片和字号较小的旁注文字。这一结构性差异揭示了精确率与召回率的固有张力——提升召回率需对残缺、模糊文字做出更多“猜测”，但将牺牲精确率。

与王楠等的手写甲骨文识别结果（画板输入98.7%、手写照片98.3%）相比[2]，本研究准确率（93.3%）偏低，原因在于：王楠等的研究对象为标准化手写体，背景单一、干扰少，且单个模型仅处理950个标签以内；本研究涵盖古籍原文、注文、甲骨文拓片等多种载体，版式复杂、异体字繁多、图像质量参差不齐，识别难度显著更高。与通用OCR相比，通用方案在古籍识别上准确率普遍低于60%，而基于EasyDL的专用模型通过迁移学习大幅超越通用方案。

五、结论与展望

本文基于百度 EasyDL 平台完成古籍与甲骨文专用识别模型的训练与优化，识别准确率达 93.3%，验证了轻量化 AI 平台在古文字识别领域的可行性。模型在精确率（95.8%）与召回率（87.5%）之间的结构性差异表明，残缺拓片与复杂版式仍是当前主要瓶颈。后续将扩大训练数据规模，构建多模型协同体系，并引入数据增强提升模型鲁棒性。

参考文献

[1] 张雨烟,李奥冰.基于EasyDL的常用词语手势视频50分类方法的研究[J].电脑编程技巧与维护,2024(01):157-160.

[2] 王楠,王超杰,焦清局.基于EasyDL的手写甲骨文识别研究[J].电子技术与软件工程,2023(03):184-187.

[3] 罗俊杰,雷泽鑫,胡一可,等.基于深度学习的城市公园游客情感倾向分析——以天津水上公园为例[J].中国园林,2021,37(9):65-70.

石浩帅

林州建筑职业技术学院