产品名称识别/分类

Question

我是机器学习的新手，所以请原谅这个问题中的任何错误......

问题定义

我们正在从事一个有这些特定要求的项目：

1. 用户从药房货架上拍照，里面有一堆产品（药品），然后上传到 Azure

2. 我们正在使用 Azure 认知服务对图片进行 OCR 并从中检测文本

3. 在大多数情况下，OCR 会返回大量文本，其中大部分很有用，但有些行我们不需要它们，而且 OCR 可能会返回拼写错误的单词（非常类似于产品名称）

4. 我们有一个产品名称/公认术语的字典（手工制作（一种 vademecum））

5. 我们需要的是OCR返回的每一行文本：

   • 与已知产品名称/公认术语匹配
   • 丢弃生词

示例

1. 我们以这张图片为例： Sample Image

2. OCR 返回这些行（在第二列 (--->) 我们的预期结果）：

   • flex ---> NULL
   • F1ORAT1L ---> FLORATIL
   • FLORATIL L 100 ---> FLORATIL
   • FLORATIL 200 ---> FLORATIL
   • FLORATIL AT 250 ---> FLORATIL
   • 肠杆菌 ---> 肠杆菌
   • PROMOCAO ---> NULL
   • 是 27.30 ---> NULL
   • yces boulardii CNCM I ---> NULL
   • VALE POR ---> NULL
   • TA BARATO ---> NULL

问题

1. OCR 可能会返回拼写错误的单词（与产品名称非常相似）参见第 2 行和第 3 行。您建议如何实现这种模糊匹配？

2. 我们希望将不同类型的产品配置（FLORATIL 100、FLORATIL 200、FLORATIL AT 250）加入一个主要药物类别 = FLORATIL

3. 您认为解决此问题的最佳管道是什么？我们想使用 Azure 机器学习服务中可用的任何算法，但我们可以使用 python 或其他堆栈

谢谢！

Answer 1

根据您的需求定义，您可以简单地添加 Azure 搜索并获得您想要的：

• 调用 OCR
• 对于 OCR Result 中的每个项目，调用 Azure 搜索（在每个单词后添加 ~，并指定 queryType=full 以执行模糊匹配，请参阅文档 here）
• 使用搜索结果获得最高匹配项，如果需要，使用提供的分数过滤不匹配的结果

您只需使用您提到的字典设置您的 Azure 搜索