如何讓文本識別更加智能，數據堂獲取這些OCR轉寫數據

近年來，學生黨們擁有了一款新的學習神器——拍照搜題。當遇到不會做的題目時，只需要對著題目拍照，手機中就會出現(xiàn)這道題目的詳細解答思路和答案。“拍照搜題”背后的黑科技就是光學字符識別技術，即OCR。OCR是指電子設備，例如掃描儀或相機檢查紙上打印的字符，通過檢測暗、亮的模式確定其形狀，然后用字符識別的方法將形狀翻譯成計算機文字的過程。

OCR的應用領域十分廣泛。最早為我們熟知的“哪里不會點哪里”的點讀機就應用了OCR。點讀機的點讀筆中裝有一個掃描文字的攝像頭，當點讀筆接觸到書本后，便可將文字內容識別和提取。作為常用的一款辦公軟件，掃描全能王可以實現(xiàn)“圖片轉文字”的功能。軟件可以識別各種文件類型中的文字信息，這是非常典型的OCR技術的應用。

目前，文本識別分為以下幾類：

· 通用文字識別：一般是指如PDF等不規(guī)則文檔類的識別。

·卡證識別：包括身份證、銀行卡、營業(yè)執(zhí)照、名片、護照、港澳通行證、戶口本、駕駛證、行駛證等等。

· 票據識別：包括增值稅發(fā)票、定額發(fā)票、火車票、出租車票、行程單、保單、銀行單據等等。

· 其他：如車牌、車輛合格證、印章檢測等等。

隨著分類的不斷拓展，OCR技術的應用場景也越來越廣泛，以下是幾個應用較為成熟的領域：

· 遠程身份認證：結合OCR和人臉識別技術，實現(xiàn)用戶證件信息的自動錄入，并完成用戶身份驗證。應用于金融保險、社保、O2O等行業(yè)，有效控制業(yè)務風險。

· 內容審核與監(jiān)管：自動識別圖片、視頻中的文字內容，及時發(fā)現(xiàn)涉黃、涉暴、政治敏感、惡意廣告等不合規(guī)內容，規(guī)避業(yè)務風險，大幅節(jié)約人工審核成本。

· 紙質文檔票據電子化：通過OCR實現(xiàn)紙質文檔資料、票據、表格的自動識別和錄入，減少人工錄入成本，提高輸入效率。

針對上述的場景，基于深度學習的技術而言，訓練數據的數量很大程度上影響了技術效果。數據堂作為深耕于AI數據領域近10年的人工智能數據服務提供商，一直致力于為全球人工智能企業(yè)提供專業(yè)的數據服務。依托自身的數據優(yōu)勢以及豐富的數據處理經驗，數據堂推出了系列OCR標注及轉寫數據，為相關技術應更廣泛的落地提供助力。

數據涵蓋8種語言、多種場景、不同拍攝角度、不同拍攝距離、不同光照條件。在標注方面，標注行級文本的四邊形框，行級文本轉寫。四邊形框頂點偏差不超過五個像素為正確檢測，檢測框精度不低于95%，文本轉寫精度不低于95%，該數據可用于多國語言OCR任務。

數據涵蓋12種語言(6種亞洲語、6種歐洲語)，包括商店牌匾、站牌、海報、車票、路標、漫畫、井蓋畫、提示語、警示語、包裝說明、菜單、建筑物標志等多種自然場景。在標注方面，標注行級文本的四邊形框，行級文本轉寫，四邊形框頂點偏差不超過五個像素為正確檢測，檢測框精度不低于97%，文本轉寫精度不低于97%。

數據包括自然場景圖片2,056張，互聯(lián)網圖像1,103張，文本圖像347張。在標注方面，行級內容用行級四邊形框標注、行級內容轉寫;豎列內容用豎列四邊形框標注、豎列內容轉寫。數據可用于多場景下的印地語識別、印地語拍照翻譯等任務。

數據包括自然場景圖片258張，互聯(lián)網圖像2,553張，文本圖像2,184張。在標注方面，行級內容用行級四邊形框標注、行級內容轉寫;豎列內容用豎列四邊形框標注、豎列內容轉寫。數據可用于多種場景下的越南語識別、越南語拍照翻譯等任務。

相比物體檢測識別，OCR由于包含傾斜文本框、低分辨率文字和文本版面多樣化的情況，因此OCR數據標注具有特殊性，標注成本更高。數據堂的數加加Pro標注平臺支持私有化部署，能夠幫助企業(yè)快速、安全的對人工智能數據進行標注，為企業(yè)提供更專業(yè)、更安全的數據基礎設施。

fqj