利用AWS內的S3與Lambda來辨識文字(也可以辨識車牌)，辨識到的文字會框起來

無

yueyu 2024-05-01 03:46:45 ‧ 338 瀏覽

分享至

注意，只能後端完成!!!!!

文字辨識與車牌辨識架構圖

功能說明

上傳圖片至S3
之後經由Lambda辨識圖片內的文字，並框出所辨識到的文字(使用opencv)
再回傳至S3

操作與流程說明

步驟1: 在搜尋框裡搜尋S3，之後打開S3，如下圖所示
步驟2: 進入S3，點選建立佇體，如下圖所示
步驟3: 先命名S3儲存桶的名稱，如下圖所示
步驟4: 將點選"ACL已啟用"，如下圖所示
步驟5: 將"封鎖公開存取權"改為不勾選的狀態，記得要勾選"我確認目前的設定可能導致此儲存貯體和其內的物件變成公開狀態。"，如下圖所示
步驟6: 第3~5的步驟做完後，即可建立儲存桶，如下圖所示
步驟7: 回到剛進S3時候的頁面，點選建立好的儲存桶，如下圖所示
步驟8: 點選"上傳" ，如下圖所示
步驟9: 點選"新增檔案"，之後就可以選取您想要辨識的圖片，如下圖所示
步驟10: 按"上傳"，如下圖所示
步驟11: 回到剛進S3時候的頁面，確認是否上傳成功，如下圖所示
步驟12: 需要上傳opencv至S3上，後面會利用到"物件URL"的連結(上傳方式和第8~10的步驟相同，只是上傳的是opencv檔案，並不是圖檔而已)，如下圖所示
步驟13: 點選您上傳的opencv，框起來的地方就是"物件URL"的連結，複製起來，等等會用到，如下圖所示
步驟14: 在搜尋框上搜尋Lambda，之後打開Lambda，如下圖所示
步驟15: 點選"層"，如下圖所示

-步驟16: 點選"建立Layer"，如下圖所示

-步驟17: 特別要注意的是執行時間需與opencv所下載的python版本一致，其他都照著做即可，如下圖所示

步驟18: 回到剛進lambda時候的頁面，點選"建立函式"，如下圖所示
步驟19: 照著下圖做，特別需要注意的是要點選現有角色，現有角色為"LabRole"，如下圖所示
步驟20: 建立完後，將滑鼠滑到至最下面的頁面，就可找到"新增層"，如下圖所示
步驟21: 照著下圖做，要注意的點是，我在步驟17是命名為opencv，所以要選您命名的，除非跟我命名的是一模一樣的，如下圖所示
步驟22: 回到剛進lambda時候的頁面，複製程式碼

import json
import base64
import boto3
from datetime import datetime
import os
import cv2
import numpy as np

def lambda_handler(event, context):
    s3 = boto3.client('s3')

    # Get the bucket name and the uploaded file name
    bucket_name = event['Records'][0]['s3']['bucket']['name']
    file_name = event['Records'][0]['s3']['object']['key']

    print('Bucket name: {}'.format(bucket_name))
    print('Upload file name: {}'.format(file_name))

    # Get current unix time
    created = int(datetime.now().timestamp())
    
    # OCR
    client = boto3.client('rekognition')
    response = client.detect_text(Image={'S3Object':{'Bucket':bucket_name,'Name':file_name}})
    print(json.dumps(response))
    
    # Text detection
    img_path = '/tmp/input_img.jpg'  # Path to temporarily store the input image
    output_img_path = '/tmp/output_img.jpg'  # Path to store the output image
    s3.download_file(bucket_name, file_name, img_path)  # Download image from S3
    img = cv2.imread(img_path)
    detectedText = response['TextDetections']
    
    # Iterate through detectedText to get the required name/value pairs
    for text in detectedText:
        # Get bounding box coordinates
        box = text['Geometry']['BoundingBox']
        h, w, _ = img.shape
        x1, y1, x2, y2 = int(box['Left'] * w), int(box['Top'] * h), int((box['Left'] + box['Width']) * w), int((box['Top'] + box['Height']) * h)
        # Draw rectangle around detected text
        cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
        # Put text label
        cv2.putText(img, text['DetectedText'], (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
    
    # Save annotated image
    cv2.imwrite(output_img_path, img)
    
    # Upload annotated image to S3
    s3.upload_file(output_img_path, bucket_name, 'annotated_' + file_name)

    return {
        'statusCode': 200,
        'body': json.dumps('Hello from Lambda!')
    }

把複製的程式碼貼到框框內，之後按"Deploy"，如下圖所示

步驟23: 按Test旁邊的箭號，之後點框起來的地方，如下圖所示
步驟24: 下面的程式碼為測試事件所用的程式碼，程式碼為JSON所用的，需要注意的點是程式碼內的"0429te"是我步驟1~6所建立的儲存桶名稱，所以必須要換成您所用命名的名稱，除非步驟都和我的一模一樣，還有"test2.png"的檔案，需要換成您上傳至S3的圖檔，檔名與副檔名都要相同才行!!!

{
  "Records": [
    {
      "eventVersion": "2.1",
      "eventSource": "aws:s3",
      "awsRegion": "us-west-2",
      "eventTime": "2024-04-29T00:00:00.000Z",
      "eventName": "ObjectCreated:Put",
      "userIdentity": {
        "principalId": "EXAMPLE"
      },
      "requestParameters": {
        "sourceIPAddress": "127.0.0.1"
      },
      "responseElements": {
        "x-amz-request-id": "EXAMPLE123456789",
        "x-amz-id-2": "EXAMPLE123/5678abcdefghijklambdaisawesome/mnopqrstuvwxyzABCDEFGH"
      },
      "s3": {
        "s3SchemaVersion": "1.0",
        "configurationId": "testConfigRule",
        "bucket": {
          "name": "0429te",
          "ownerIdentity": {
            "principalId": "EXAMPLE"
          },
          "arn": "arn:aws:s3:::0429te"
        },
        "object": {
          "key": "test2.png",
          "size": 1024,
          "eTag": "0123456789abcdef0123456789abcdef",
          "sequencer": "0A1B2C3D4E5F678901"
        }
      }
    }
  ]
}

如下圖所示