aifinlab OCR扫描件识别 Skill
数据来源
本 Skill 支持多种扫描件输入格式，核心数据来源包括：
1. 扫描件文件类型
- 图片格式：PNG、JPG、JPEG、TIFF、BMP等
- PDF格式：扫描版PDF文档
- 多页文档：多页扫描文档、批量扫描文件
2. 扫描件类型
- 文档扫描件：合同、报告、证书等文档扫描件
- 表格扫描件：财务报表、数据表格扫描件
- 手写文档：手写文字、签名、批注
- 印刷文档：印刷文字、书籍、报纸
3. 扫描件特征
- 扫描质量：清晰度、分辨率、对比度
- 文档类型：单页文档、多页文档、装订文档
- 语言类型：中文、英文、多语言混合
- 版式类型：标准版式、复杂版式、手写版式
4. 数据格式要求
- 文件路径：本地文件路径或网络文件URL
- 图片格式：支持常见图片格式
- 文件权限：需要读取权限
说明：本 Skill 不包含扫描件采集功能，需要用户提供扫描件文件。建议扫描件清晰且分辨率足够，以便进行准确的OCR识别。
功能
本 Skill 提供全面的OCR扫描件识别能力，涵盖多种识别功能：
1. 文字识别
- 印刷文字识别：识别印刷体文字
- 手写文字识别：识别手写体文字
- 多语言识别：识别中文、英文等多种语言
- 特殊字符识别：识别数字、符号、公式等
2. 版面分析
- 版面结构识别：识别文档的版面结构
- 段落识别：识别段落和段落边界
- 行识别：识别文本行和行间距
- 列识别：识别多列布局和列边界
3. 表格识别
- 表格检测：检测扫描件中的表格
- 表格结构识别：识别表格的行列结构
- 表格内容提取：提取表格的文字内容
- 表格数据重建：重建表格的数据结构
4. 图像处理
- 图像预处理：去噪、二值化、倾斜校正
- 图像增强：对比度增强、清晰度提升
- 图像分割：文档分割、区域分割
- 图像质量评估：评估图像质量和识别难度
5. 格式保留
- 格式信息保留：保留字体、字号等格式信息
- 版式还原：尽可能还原原始版式
- 位置信息记录：记录文字在页面中的位置
- 布局信息提取：提取页面布局信息
6. 高级处理功能
- 批量识别：批量处理多个扫描件
- 识别结果校正：自动校正识别错误
- 置信度评估：评估识别结果的置信度
- 结构化输出：输出结构化的识别结果
使用示例
输出示例
{
"document_info": {
"filename": "scanned_document.pdf",
"file_size": 2048000,
"page_count": 5,
"format": "pdf",
"resolution": 300
},
"ocr_results": [
{
"page": 1,
"regions": [
{
"region_id": 1,
"type": "text",
"bbox": [100, 200, 500, 300],
"text": "2024年度财务报告",
"confidence": 0.98,
"language": "zh-CN"
},
{
"region_id": 2,
"type": "table",
"bbox": [100, 350, 500, 600],
"table_structure": {
"rows": 10,
"columns": 5,
"data": [
["项目", "2024年", "2023年", "2022年", "2021年"],
["营业收入", "1000", "900", "800", "700"]
]
},
"confidence": 0.95
}
],
"full_text": "2024年度财务报告\n\n项目\t2024年\t2023年\t2022年\t2021年\n营业收入\t1000\t900\t800\t700\n...",
"layout": {
"width": 2100,
"height": 2970,
"orientation": "portrait"
}
}
],
"statistics": {
"total_pages": 5,
"total_text_regions": 25,
"total_table_regions": 3,
"average_confidence": 0.94,
"languages": ["zh-CN"]
},
"quality_assessment": {
"overall_quality": "good",
"clarity_score": 0.92,
"contrast_score": 0.88,
"recommendations": []
}
}
注意事项与限制
1. 扫描质量要求
- 高分辨率清晰扫描件识别准确率较高
- 低分辨率或模糊扫描件可能影响识别
- 建议扫描分辨率不低于300 DPI
2. 识别准确性
- 印刷文字识别准确率较高
- 手写文字识别准确率相对较低
- 特殊字体可能影响识别
3. 版面复杂度
- 标准版式识别准确率较高
- 复杂版式可能影响识别
- 手绘表格识别可能有限
4. 语言支持
- 中文和英文识别准确率较高
- 其他语言识别准确率可能较低
- 多语言混合可能影响识别
5. 使用限制
- 本 Skill 不包含图像编辑功能
- 识别结果需要人工复核
- 低质量扫描件可能需要预处理
参考资料
- 见 references/ 目录中的相关文档，包括：
- OCR识别方法手册
- 图像预处理算法说明
- 多语言识别指南
- 性能优化指南