简介:中文OCR选型没有通用的最高识别率。本文按云端、私有化离线和Tesseract三类方案对比适用场景,给出可直接跑通的Tesseract模型安装与参数设置,并介绍混合路由的阈值设定方法和200到500张样本的验收步骤,帮你用自己的数据选出合适方案。
识别率取决于图片质量、版式、字体、语种混排和业务要求。没有哪款软件在所有场景下都排第一,选型只能靠自己的样本来判断。
粗略的选择思路如下。清晰的印刷体扫描件,一般用云端通用文字识别最省事。数据不能出内网,就选私有化部署或离线SDK。预算很紧,且愿意花时间调参和预处理,可以用开源的Tesseract做出可用的结果,但要自己处理预处理和参数。
| 方案 | 中文印刷体 | 复杂版面、手写、表格 | 部署形态 | 主要成本 |
|---|---|---|---|---|
| 云端OCR API | 通常较好,部分厂商针对模糊、倾斜、翻转做了优化 | 视厂商而定,部分提供医疗、教育、卡证等场景模型 | 公有云API或SDK | 按调用量计费 |
| 商业离线SDK或私有化 | 通常较好 | 视产品而定 | 本地服务器或一体机 | 授权费与硬件 |
| Tesseract(开源) | 清晰文档可用 | 较弱,需自行预处理和微调 | 纯本地 | 人力与时间 |
表中的判断只是方向性的。正式选型前,请用自己的样本测试。
Tesseract效果不理想,通常是三个原因叠加。第一,默认的识别模型以英文为主。第二,中文笔画密集,形近字多,对分辨率和噪声很敏感。第三,它的版面分析对双栏、竖排、表格和印章的支持较弱。前两点可以通过预处理和参数改善。第三点往往要先切分版面,再逐块识别。
Tesseract官方仓库提供两套权重。tessdata_best精度优先,体积大、速度慢,适合离线批处理。tessdata_fast速度优先,体积小,适合端侧或高并发场景。中文常用的语言包是chi_sim(简体)和chi_tra(繁体)。混排英文时,可以指定chi_sim+eng。
本节以Tesseract 4.x或5.x在Linux上为例。不同版本和系统的模型目录不同,不要假设固定路径。
第一步,确认版本和已安装的语言包:
tesseract --versiontesseract --list-langs
第二步,下载简体中文精度版权重:
wget https://github.com/tesseract-ocr/tessdata_best/raw/main/chi_sim.traineddata
第三步,放置模型文件,有两种做法。
方式一是放入系统默认目录。在Ubuntu或Debian上,先查看版本目录,再复制文件:
ls /usr/share/tesseract-ocr/sudo mv chi_sim.traineddata /usr/share/tesseract-ocr/<版本号>/tessdata/
把<版本号>替换成上一条命令列出的目录名。Homebrew和Windows安装包的默认目录各不相同,请以你机