一、AutoJS OCR功能概述

AutoJS作为一款基于JavaScript的自动化工具，其OCR（光学字符识别）模块为开发者提供了强大的文字识别能力。通过OCR功能，用户可以快速提取图片中的文字信息，无需手动输入，极大提升了工作效率。该功能的核心价值在于自动化处理视觉信息，尤其适用于需要批量处理截图、文档扫描或界面元素提取的场景。

1.1 OCR技术原理

AutoJS的OCR实现基于深度学习模型，通过卷积神经网络（CNN）分析图像中的字符特征，结合循环神经网络（RNN）或Transformer架构进行序列建模，最终输出识别结果。其优势在于：

• 高精度识别：支持中英文混合、多字体、复杂背景的文本识别
• 实时处理：单张图片识别耗时通常在500ms以内（取决于设备性能）
• 轻量化部署：无需额外安装大型识别库，集成于AutoJS运行环境

1.2 典型应用场景

• 自动化测试：识别应用界面中的提示文本进行验证
• 数据采集：从网页截图、PDF扫描件中提取结构化信息
• 无障碍辅助：为视障用户读取屏幕内容
• 办公自动化：批量处理发票、合同等文档的数字化

二、基础使用方法

2.1 环境准备

确保AutoJS版本≥4.1.1（OCR功能需此版本支持），并授予应用截图权限。代码示例：

// 检查权限
if (!devices.canControlScreen()) {
    toast("请授予AutoJS截图权限");
    exit();
}

2.2 核心API解析

2.2.1 images.captureScreen()

截取当前屏幕并返回Image对象：

let img = images.captureScreen();

2.2.2 ocr.recognize()

执行OCR识别，返回包含文本和位置的数组：

let results = ocr.recognize(img);
// 结果格式示例：
// [
//   {text: "AutoJS", confidence: 0.98, bounds: {left: 100, top: 200, right: 300, bottom: 250}},
//   {text: "OCR", confidence: 0.95, bounds: {...}}
// ]

2.3 完整识别流程

function recognizeTextFromScreen() {
    // 1. 截图
    let img = images.captureScreen();
    // 2. 识别（可添加区域参数）
    let results = ocr.recognize(img);
    // 3. 处理结果
    let text = results.map(r => r.text).join("\n");
    log("识别结果：\n" + text);
    // 4. 释放资源
    img.recycle();
    return text;
}

三、进阶使用技巧

3.1 区域识别优化

通过指定ROI（Region of Interest）减少计算量：

// 识别屏幕特定区域（如左上角100x100区域）
let roi = {left: 0, top: 0, right: 100, bottom: 100};
let results = ocr.recognize(images.captureScreen(), roi);

3.2 参数调优指南

参数	默认值	适用场景	效果
language	“auto”	中英文混合	指定”chi_sim”（简体中文）可提升中文识别率
psm	3	复杂布局	设置为6（假设统一文本块）可处理表格数据
oem	3	特殊字体	设置为1（基于LSTM）对手写体更友好

示例：

ocr.recognize(img, {
    language: "chi_sim+eng",
    psm: 6,
    oem: 1
});

3.3 性能优化策略

1. 图像预处理：

   • 二值化处理（适用于黑白文档）：

     let gray = images.grayscale(img);
     let binary = images.threshold(gray, 128, 255);

   • 透视校正（针对倾斜截图）：

     // 需结合OpenCV或手动计算变换矩阵

2. 异步处理：

   threads.start(function() {
       let text = recognizeTextFromScreen();
       ui.run(() => {
           ui.result.setText(text);
       });
   });

四、典型应用案例

4.1 自动化表单填写

场景：从身份证照片提取信息自动填充表单

function extractIDInfo(imgPath) {
    let img = images.read(imgPath);
    let results = ocr.recognize(img, {
        language: "chi_sim",
        psm: 6
    });
    // 简单规则匹配（实际需更复杂的NLP处理）
    let name = results.find(r => r.text.includes("姓名"))?.text.replace("姓名", "").trim();
    let idNum = results.find(r => r.text.length === 18)?.text;
    img.recycle();
    return {name, idNum};
}

4.2 游戏界面元素识别

场景：识别MMORPG游戏中的任务提示

function checkQuestText() {
    let img = images.captureScreen();
    // 假设任务文本位于屏幕顶部中央
    let questArea = {left: width/2-200, top: 50, right: width/2+200, bottom: 150};
    let results = ocr.recognize(img, questArea);
    let questText = results.map(r => r.text).join(" ");
    if (questText.includes("新任务")) {
        toast("发现新任务！");
    }
    img.recycle();
}

五、常见问题解决方案

5.1 识别准确率低

• 原因：图像模糊、光照不足、字体特殊
• 对策：

  // 图像增强示例
  let enhanced = images.contrast(img, 1.5); // 增加对比度
  let results = ocr.recognize(enhanced);
  enhanced.recycle();

5.2 性能瓶颈

• 现象：高分辨率图片识别卡顿
• 优化：

  // 降采样处理
  let smallImg = images.resize(img, 0.5); // 缩小为50%
  let results = ocr.recognize(smallImg);
  smallImg.recycle();

5.3 内存泄漏

• 预防措施：
  • 始终调用img.recycle()
  • 避免在循环中重复创建Image对象
  • 使用try-finally确保资源释放：

    let img;
    try {
        img = images.captureScreen();
        // 处理逻辑
    } finally {
        if (img) img.recycle();
    }

六、最佳实践建议

1. 预处理优先：对低质量图片先进行二值化、去噪等处理
2. 区域限制：尽可能缩小识别区域以减少计算量
3. 结果验证：结合正则表达式或关键词库验证识别结果
4. 异步设计：长时识别任务放入子线程避免UI卡顿
5. 错误处理：捕获OcrException处理识别失败情况

通过合理运用AutoJS的OCR功能，开发者可以构建出高效、稳定的文字识别自动化方案。实际开发中需根据具体场景调整参数，并通过持续测试优化识别效果。