tesseract5.0 图片训练模型实战

最近接了个活，有大批的图片需要文字识别

图片参考

 

是印刷字体打印后再扫描的图片，看到这种任务，首先想到的是用tesseract进行识别，印刷字体识别率很高

拿出工具进行识别分析，效果感人，5段文字，有3段都有识别错的，2和Z，3和S

进过多个图片测试，基本不可用，识别错的太多了

 

 

 对接百度通用识别，使用高精度版，准确率基本100%，不过百度账户有数量限制，客户有几千上万的图像需要识别，这个方式行不通，毕竟能免费为啥要付钱呢

免费测试网址：https://cloud.baidu.com/product/ocr/general

通过资料查阅，发现可以对某一类图片进行训练，即可大幅提升识别准确率

训练过程参考：

https://www.cnblogs.com/cnlian/p/5765871.html

虽然这个教程是3.0的，但是5.0一样训练，不影响流程

通过选取40个图片为训练样本，合并成一个tif，生成box文件，然后使用jTessBoxEditor修正错误，然后训练出模型文件

使用新的模型文件进行识别，果然识别率大幅上升，测试准确度有99.9%，大批量测试速度也很快，1秒100张的速度

 

 

 ==================================================================================

 ==================================================================================

这边分享一些中间遇到的坑和经验：

1.32位模型和64位模型不通用，而且32位训练我这边出问题直接训练不成功

2.提示无法读取box：APPLY_BOXES: boxfile line 3/G ((80,0),(80,0)): FAILURE! Couldn't find a matching blob

　　这种错误大概率是训练图片太脏引起的，

　　如下左边这种图片就不行，需要使用opencv进行二值化处理，白底黑字，参照右图

 

 

3.如果百度识别效果还可以，建议使用百度识别修改文件名，这样大幅减少人工识别纠正的工作量

4.建议使用opencv进行处理，寻找轮廓，自己生成box文件，读取文件名来匹配每个轮廓的文字内容，这样可以极大的减少工作量

　　（jTessBoxEditor太难用了, 坐标得手动改，文字也要一个个改，不能放大，你要是改个100个，估计得崩溃）

　　

　　box文件，格式为【文字内容，p1, p2, p3, p4, 图片序号】

　　 

#opencv的rect转换为box文件格式坐标
def get_tesseract_box(x, y, w, h, height):
    p1 = x
    p4 = height - y
    p2 = p4 - h
    p3 = x + w
    return [p1, p2, p3, p4]

　height为图像高度

5.如果需要训练的样本比较多，建议首先使用小批量的图片训练出一个模型，然后使用这个模型来识别，作为原始图片名，可以大幅减少工作量