Deep OCR - 技巧和诀窍

Deep OCR 在许多方面都优于传统方法。最明显的一点是识别率提高。
不过，不受字体类型、文本极性和方向的影响，也是 Deep OCR 的强大优势。
在本文中，我们会向您介绍一些可以进一步优化 Deep OCR 结果的技巧和诀窍。

首先，您应花点时间考虑适合自己应用的模式。
Deep OCR 有两种模式可供选择：“检测”和“识别”。
“检测”模式会在图像中找到作为字的相连字符，然后提供字的边界框。
“识别”模式会将裁剪后的图像转换为机器可读的文本。


很多应用同时需要“检测”和“识别”两种模式。在这种情况下，可以使用“自动”模式。请记住，HALCON 提供了一个强大的工具箱，可以用来自己编写算法以便检测目标文本。如果您只对充满文本的图像中的特定文本行感兴趣，或是想要缩短运行时间，这可能会非常有用。

下面我们会为您提供一些关于如何在“检测”和“识别”模式下提高 Deep OCR 性能的提示。不过在评估结果之前，您应先看图像数据，考虑采用预处理方法，例如增强对比度。

检测
如果想要改进“检测”结果，应该看看得分图。您可以在 DeepOcrResult 句柄中找到得分图。特别是字符得分图和链接得分图，可帮助您深入了解“检测”结果。这些信息可用于调整重要参数“detection_min_word_score”和“detection_min_character_score”。

如果文本已经水平对齐，请将参数“detective_orientation”设置为 0，这样就不会出现矩形未完全对齐的问题。

对于包含细小文本的大幅图像，可以使用一个强大的参数“detection_tiling”。将此参数设置为“true”，可从内部将图像拆分为多个拼贴。拼贴过程完全自动完成，无需担心拼贴图像，只需享受文本检测结果即可。但是，请记住运行时间的增加取决于所处理图像的大小。

识别
如果在识别模式下得到了意外的结果，建议打开 DeepOcrResult 句柄查看用于识别的预处理图像。在许多情况下，这个图像可以解释“识别”失败的原因。最常见的问题是文本行的长度，可通过设置参数“recognition_image_width”来处理。可在标准示例“deep_ocr_workflow.hdev”中找到详细示例。

最后，往往也值得重新考虑 Deep OCR 是不是正确选择。即使 Deep OCR 优于基于规则的方法，仍有一些用例（速度限制、特定字体类型、硬件限制或像素精确分割）证明适合选择传统方法。

感谢分享   也有用在项目上了

写得很好

学习一下 感谢分享

写得太好了，使用后，检测识别率提高很多。

1.     **检测2
   
2.     **如果文本已经水平对齐，请将参数“detective_orientation”设置为 0，
   
3.     **这样就不会出现矩形未完全对齐的问题。
   
4.     set_deep_ocr_param (jzOcr, 'detection_orientation', 0)
   
5.     **如果想要改进“检测”结果，应该看看得分图。您可以在 DeepOcrResult 句柄中找到得分图。
   
6.     **特别是字符得分图和链接得分图，可帮助您深入了解“检测”结果。
   
7.     **这些信息可用于调整重要参数“detection_min_word_score”和“detection_min_character_score”。
   
8.     set_deep_ocr_param (jzOcr, 'detection_min_character_score', 0.1)//默认0.3
   
9.     set_deep_ocr_param (jzOcr, 'detection_min_word_score', 0.4)//默认0.7
   
10.    
    
11.     **对于包含细小文本的大幅图像，可以使用一个强大的参数“detection_tiling”。
    
12.     **将此参数设置为“true”，可从内部将图像拆分为多个拼贴。
    
13.     **拼贴过程完全自动完成，无需担心拼贴图像，只需享受文本检测结果即可。
    
14.     set_deep_ocr_param (jzOcr, 'detection_tiling', 'true')

复制代码

   

学习一下 感谢分享，之前OCR的功能用起来真是很头疼

已在项目上使用  ，不过自己重新训练的模型

Awesome write up