如何使用 OCR 获得 100% 的文本提取？

Question

使用 GIT 代码，我们从图像中提取文本。但发现很少有挑战

1. 转换过程中丢失了几个字符，大部分丢失的字符在开头。
   • 示例：当状态In Progress被提取时，文件中只写入n Progress。
   • 如果状态为Assigned，则仅提取为ssigned
2. 某些文本的转换有额外的空间
   • 提取事件编号INC123456789时，在文件中写为INC1234 56789
3. 在某些情况下，角色本身会发生变化
   • 示例事件图片有带有文本的地图Google，当写入文件时它被转换为GooglA

有人遇到类似问题吗？并且知道如何获得 100% 的文本提取？

Answer 1

也许尝试编写自己的机器学习模型，或者敢于编写自己的深度学习神经网络。

一个更简单的选择可能是尝试使用某种字典模型（最简单的例子是 Levenshtein 距离模型）映射常见错误，其中：

• 您发现无效的词（即不在字典中）。使用 levenshtein 距离找到最接近的单词：
  • 文档中应使用的常用术语（看起来像合法词）
  • 词典中的常用词（简称bag of words）
• 替换那些词
• 更复杂（和可选）的方法是使用 ngram sentence correction 来纠正某些词组（例如.n Progress 到 In Progress)
• 运行语法检查以结束它（最好在此步骤使用 API）