PaddleOCR 2.7 中文准确率只有 82% 预处理要按识别错字补

发票和合同扫描件走 PaddleOCR 2.7 的 ch_PP-OCRv4 模型,1000 张测试集字符准确率 82.3%,错得最多的是「己已」「末未」「0O」这三组,另外还有整行漏检,一条备注直接消失。漏检集中在表格线和印章遮挡的位置,人工复核时才被发现。

先看漏检。扫描件按 300dpi 存 PNG,灰度后直接喂模型,偏斜 3 到 5 度的票据经常整行识别失败。加 15 度以内的霍夫变换纠偏,漏检行从 4.1% 降到 1.2%。超过 15 度的样本直接转人工,强转会裁掉内容。

再看混淆。原图对比度低,纸面有反光,全局 Otsu 二值化把反光区糊成黑块,试过之后比原图更差。换成自适应阈值,blockSize 31、C 取 10,再叠 2 倍超分,混淆字对下降约 6 个百分点。

还有一处是缩放。长边统一压到 960 时,发票备注区 8 号字被抹掉,该区域识别率只有 61%。改成短边不小于 960、长边上限 1920 的等比缩放,这块升到 89%。缩放用 INTER_CUBIC,试过 INTER_LINEAR,细笔画会断,识别率反而低 2 个点。

三项叠加后测试集字符准确率 93.7%,代价是单张从 0.42 秒变成 1.1 秒。批处理能接受,实时上传的入口改成先看分辨率,低于 200dpi 才走全套预处理,其余只做纠偏。超分用 Real-ESRGAN 轻量版,单张多 180 毫秒,换来小字可读。

确认方式是同一批 1000 张固定随机种子复跑,准确率 93.7%、漏检行 1.1%,再抽 50 张肉眼比对,数字对得上才算收敛。

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = cv2.adaptiveThreshold(
    gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
    cv2.THRESH_BINARY, 31, 10)
h, w = gray.shape
scale = 960 / min(h, w)
if scale > 1:
    gray = cv2.resize(gray, None, fx=scale, fy=scale,
                      interpolation=cv2.INTER_CUBIC)

您可以还会对下面的文章感兴趣: