发票识别把订单号里的 0 认成 O,200 条样本里有 37 条错。人眼一眼能分,模型不行,尤其是字号小、像素糊的那批。业务侧要求订单号必须是十八位纯数字,错一位就查不到单。
第一反应是找 PaDDLeOCR 的白名单参数,想只放数字。翻完 2.7.3 的接口文档,检测和识别都没有字符集限制这一项,只有方向分类和语言模型可选。把 limit_side_len 从 960 提到 1280,准确率涨了一点,单张耗时从 210 毫秒涨到 430 毫秒,不值。
换到后处理。订单号字段确定是纯数字,把常见的形近字符做映射:O 和 o 转 0,I 和 l 转 1,S 转 5,B 转 8。映射只对订单号这一列生效,收货地址里的字母原样保留,避免把 O 型圈改成 0 型圈。
再加一层置信度门槛:识别分数低于 0.9 的订单号不自动入账,标红转人工。200 条重跑,错 2 条,两条都是图像本身缺笔画,映射也救不回来,人工复核能覆盖。
也考虑过训练一个小分类器专门判 0 和 O,样本要几万张,标注成本比收益高,放弃。字段级后处理的好处是可解释,出问题直接对着映射表改,不用重新跑一遍模型,也不用等 GPU。
耗时几乎没变,后处理是字符串替换,214 毫秒里只有 1 毫秒花在这。后来把这套映射也接到金额字段上,小数点被识别成逗号的情况一起消掉了。
DIGIT_MAP = str.maketrans({
'O': '0', 'o': '0', 'I': '1',
'l': '1', 'S': '5', 'B': '8',
})
def fix_order(s, score):
if not s or score < 0.9:
return None
return s.translate(DIGIT_MAP) 