光学字符识别 (OCR)

光学字符识别 (OCR) 是计算机视觉技术中的一项关键技术。 是计算机视觉领域的一项重要技术，可将不同类型的 文件（如扫描的纸质文件、PDF 文件或数码相机拍摄的图像）转换为可编辑和可搜索的数据。 可搜索数据。通过弥合实体纸张和数字数据之间的鸿沟，OCR 使机器能够 "读取 "和处理文本，而这种方式在过去是无法实现的。 和处理文本，而这在历史上仅限于人类的能力。早期的 OCR 依靠简单的 模式匹配，而现代 OCR 则利用先进的 机器学习和 深度学习算法来处理复杂的字体、手写体和嘈杂的背景、 手写体和嘈杂的背景，而且精确度极高。

现代 OCR 技术

当代 OCR 系统的功能是将原始视觉输入转化为结构化信息的多级管道。 信息。这一过程已从僵化的模板匹配发展到灵活的人工智能驱动方法。

• 图像预处理：在读取文本之前，原始输入要经过 数据预处理，以提高质量。 阈值处理和 降噪等技术有助于将文本从背景中分离出来。
• 文本检测：这一关键步骤包括定位图像中包含文字的特定区域。 包含文本的特定区域。高性能 对象检测模型，如 Ultralytics YOLO11等高性能对象检测模型，经常用于在字词或线条周围绘制 即使在杂乱无章的场景中，也能在文字或线条周围画出边界框。 杂乱的场景中。
• 文字识别：定位后，将图像片段输入一个 神经网络。架构结合 卷积神经网络（CNN） 特征提取和 递归神经网络（RNN）或 变换器进行序列建模，是解码字符序列的标准方法。 解码字符序列。
• 后期处理：利用 自然语言处理 (NLP) 技术和词典对最终输出进行完善，以纠正拼写错误并确保识别的文本具有语义意义。

真实世界的人工智能应用

OCR 与其他人工智能学科的融合，使自动化在各行各业得到广泛应用。

自动车牌识别 (ANPR)

在智能城市基础设施中，OCR 是以下方面的引擎 自动车牌识别。物体检测器首先识别视频帧中的车辆和车牌。随后，OCR 算法提取字母数字字符，与数据库进行交叉比对，以进行收费或安全监控。 安全监控。这需要 实时推理能力，以处理 高速交通数据。

智能文件处理（IDP）

金融和法律部门利用 OCR 智能文档分析。人工智能系统可以扫描发票、收据和合同，而不是手动输入数据。通过将 OCR 与 名称实体识别（NER）相结合，这些系统可以自动提取特定字段，如日期、收据和合同。 系统可以自动提取日期、供应商名称和总金额等特定字段，大大降低了管理开销和推理延迟。 管理费用和推理延迟。

OCR 与图像分类

将 OCR 与 图像分类。图像 分类是对整个图像进行分类（例如，将图像标记为 "文件 "或 "街道标志"），而 OCR 则是细粒度的。 例如，将图像标记为 "文件 "或 "路标"），而 OCR 是细粒度的；它能定位和识别图像中的特定字符序列。 图像中的特定字符序列。同样，OCR 也不同于标准的对象检测、 标准对象检测可能会将 "停车标志 "作为一个对象类别，而 OCR 会读取标志上的字母 "S-T-O-P"。 标志上的字母 "S-T-O-P"。

使用YOLO11实现文本检测

常见的工作流程是使用YOLO 模型detect 文本区域，然后将其传递给识别引擎（如开源YOLO Tesseract OCR 引擎 开源Tesseract OCR 引擎）。下面的示例 演示了如何加载预训练模型，以detect 通常包含文本的对象，如车牌或 交通标志。

from ultralytics import YOLO

# Load the YOLO11 model pre-trained on COCO dataset
model = YOLO("yolo11n.pt")

# Perform inference on an image containing text objects (e.g., a street sign)
# The model detects the object, allowing a secondary OCR step to crop and read it
results = model.predict(source="path/to/street_sign.jpg", save=True)

# Display the detected class names (e.g., 'stop sign')
for r in results:
    print(f"Detected classes: {r.boxes.cls}")

更多阅读和资源

为了探索推动早期 OCR 研究的基础数据集，我们使用了 MNIST 数据库。 MNIST 手写数字数据库 是一个经典资源。对于那些对技术发展感兴趣的人来说，Tesseract 项目的历史可以让他们深入了解开源 OCR 技术。 Tesseract 项目的历史提供了有关开源 贡献。现代基于云的解决方案，如 Google 视觉 API和 亚马逊 Textract等现代云解决方案代表了当前最先进的托管 OCR 服务的最先进水平。此外，对场景文本识别的研究也在不断突破界限，使人工智能能够在不受制约的 "野外 "环境中读取文本。 此外，对场景文本识别的研究也在不断突破界限，使人工智能能够在不受限制的 "野外 "环境中读取文本。