OCR 输入源的工程分层:印刷体与手写体的两套打法
上一篇讲硬元素校验时留了个前提:假设识别源是印刷体。这个前提在很多档案类项目里不成立——一页上可能同时有印刷表格和手写批注,输入源本身就是混合的。而拿同一套识别参数打印刷体和手写体,两边的结果会同时变差。这篇把「先分类、再分层处理」的工程做法拆开讲。
错误画像为什么不同
印刷体的错误集中在形近字符和版面噪声:扫描件歪斜、装订孔、底色不均,识别模型本身对规范字形把握很高,错的多是成像问题。
手写体完全是另一张错误画像:连笔让字界模糊、字形千人千面、涂改和批注混在正文里。同样是置信度 0.85,印刷体的 0.85 基本可信,手写体的 0.85 十有八九要错——分数的语义就不一样,这直接决定了下游质量门槛不能共用。
第一层:输入源分类
批量管道里给每页做一次轻量分类(印刷/手写/混合三态),成本可以压到忽略不计:不需要专门的分类模型,用识别引擎的中段输出就够——文字检测框的字高方差、笔画密度、以及首选引擎在手写通道上的平均置信度,三个特征过一条简单规则,九成页面能分对,分不对的落「混合」按保守通道处理。
分类结果决定三件事走哪条配置:预处理强度、识别引擎/模型选择、质量门槛与复核策略。
第二层:参数与预处理分道
印刷体通道的预处理克制为主:倾斜校正+切边,二值化要谨慎——档案纸张底色偏黄,自适应阈值没调好会把字本身当背景吃掉,宁可不二值化。
手写体通道反过来:先做行分割(把整页按行切开再识别,比整页直接怼上去的把握高)、分辨率要足(手写细笔画在低分辨率下直接消失,300dpi 是地板不是天花板)、涂改区单独裁出送专项而不是混进正文流。
第三层:门槛与复核分道
上一批标定数据里的分数段统计:印刷体 0.90 对应实测错误率不到百分之一;手写体 0.90 的错误率是它的数倍。同一张管道图、同一条「低于阈值进人审」的配置,效果就是印刷体在漏检、手写体在空转——前者把错放过去了,后者把对送进了人审队列。
正确姿势:两套阈值各标各的,人审队列里手写类工单单独分道(复核员处理手写件的节奏和印刷件差好几倍,混排的队列既拖慢吞吐也抬高误审率)。
PIPELINE = {
'print': {'pre': ['deskew', 'crop'],
'threshold': 0.90, 'queue': 'qc-fast'},
'hand': {'pre': ['row-seg', 'upscale'],
'threshold': 0.95, 'queue': 'qc-hand'},
'mixed': {'pre': ['row-seg', 'crop'],
'threshold': 0.95, 'queue': 'qc-hand'},
}
小结
分层这件事,本质上承认了一个事实:OCR 系统处理的不是一种输入,是两种。分类、参数、门槛三步各配各的,代码量增加不多,收益是两边的质量同时立起来。下一篇讲导出环节——结果怎么变成干净的 CSV 和 Excel,那里藏着另一类坑。
浙公网安备 33010602011771号