OCR 把 0 认成 O 订单号错 200 条 字符白名单怎么配

陆零云 30 0
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...

PaddleOCR 2.7.3 竖排小票识别串行 方向分类怎么关

陆零云 33 0
票据识别接的是 PaddleOCR 2.7.3,竖版小票一次识别出来,「合计」和后面的金额被拼成同一行,字段顺序整体错开。置信度打印是 0.93,靠分数根本挑不出错的那几张。 第一反应是把 rec_score_thresh 提到 0.85,重跑一遍,错的还是高置信,只是把几张打印模糊的也误杀了。又去关方向分类,use_angle_cls 设 False,横版图里倒置的文字立刻识别不出来,说明这条路也不对。 回头看检测框才发现问题不在识别,在切分。小票是正常...

扫描版 PDF 解析全是乱码 | 每页 300 dpi 重渲染再 OCR 怎么做

陆零云 33 0
一批 2019 年的供应商合同是扫描件,pdfplumber 抽出来的文本每页只有十几个空格和 \x00,有一页出来全是锟斤拷。文件 38MB,每页就是一张 2480×3508 的图,根本没有文本层。 先加判断再决定走哪条路。每页 extract_text() 之后统计非空白字符,少于 50 个就当扫描页处理,正常排版的 PDF 一页通常 800 字以上,这个阈值不会误伤。判断完用 PyMuPDF 把页面渲染成图,dpi 直接给 300。 踩过两个坑。一个...

PaddleOCR 2.7 中文准确率只有 82% 预处理要按识别错字补

陆零云 38 0
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...