如何让文本识别更加智能，数据堂获取这些OCR转写数据

近年来，学生党们拥有了一款新的学习神器——拍照搜题。当遇到不会做的题目时，只需要对着题目拍照，手机中就会出现这道题目的详细解答思路和答案。“拍照搜题”背后的黑科技就是光学字符识别技术，即OCR。OCR是指电子设备，例如扫描仪或相机检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别的方法将形状翻译成计算机文字的过程。

OCR的应用领域十分广泛。最早为我们熟知的“哪里不会点哪里”的点读机就应用了OCR。点读机的点读笔中装有一个扫描文字的摄像头，当点读笔接触到书本后，便可将文字内容识别和提取。作为常用的一款办公软件，扫描全能王可以实现“图片转文字”的功能。软件可以识别各种文件类型中的文字信息，这是非常典型的OCR技术的应用。

目前，文本识别分为以下几类：

· 通用文字识别：一般是指如PDF等不规则文档类的识别。

·卡证识别：包括身份证、银行卡、营业执照、名片、护照、港澳通行证、户口本、驾驶证、行驶证等等。

· 票据识别：包括增值税发票、定额发票、火车票、出租车票、行程单、保单、银行单据等等。

· 其他：如车牌、车辆合格证、印章检测等等。

随着分类的不断拓展，OCR技术的应用场景也越来越广泛，以下是几个应用较为成熟的领域：

· 远程身份认证：结合OCR和人脸识别技术，实现用户证件信息的自动录入，并完成用户身份验证。应用于金融保险、社保、O2O等行业，有效控制业务风险。

· 内容审核与监管：自动识别图片、视频中的文字内容，及时发现涉黄、涉暴、政治敏感、恶意广告等不合规内容，规避业务风险，大幅节约人工审核成本。

· 纸质文档票据电子化：通过OCR实现纸质文档资料、票据、表格的自动识别和录入，减少人工录入成本，提高输入效率。

针对上述的场景，基于深度学习的技术而言，训练数据的数量很大程度上影响了技术效果。数据堂作为深耕于AI数据领域近10年的人工智能数据服务提供商，一直致力于为全球人工智能企业提供专业的数据服务。依托自身的数据优势以及丰富的数据处理经验，数据堂推出了系列OCR标注及转写数据，为相关技术应更广泛的落地提供助力。

数据涵盖8种语言、多种场景、不同拍摄角度、不同拍摄距离、不同光照条件。在标注方面，标注行级文本的四边形框，行级文本转写。四边形框顶点偏差不超过五个像素为正确检测，检测框精度不低于95%，文本转写精度不低于95%，该数据可用于多国语言OCR任务。

数据涵盖12种语言(6种亚洲语、6种欧洲语)，包括商店牌匾、站牌、海报、车票、路标、漫画、井盖画、提示语、警示语、包装说明、菜单、建筑物标志等多种自然场景。在标注方面，标注行级文本的四边形框，行级文本转写，四边形框顶点偏差不超过五个像素为正确检测，检测框精度不低于97%，文本转写精度不低于97%。

数据包括自然场景图片2,056张，互联网图像1,103张，文本图像347张。在标注方面，行级内容用行级四边形框标注、行级内容转写;竖列内容用竖列四边形框标注、竖列内容转写。数据可用于多场景下的印地语识别、印地语拍照翻译等任务。

数据包括自然场景图片258张，互联网图像2,553张，文本图像2,184张。在标注方面，行级内容用行级四边形框标注、行级内容转写;竖列内容用竖列四边形框标注、竖列内容转写。数据可用于多种场景下的越南语识别、越南语拍照翻译等任务。

相比物体检测识别，OCR由于包含倾斜文本框、低分辨率文字和文本版面多样化的情况，因此OCR数据标注具有特殊性，标注成本更高。数据堂的数加加Pro标注平台支持私有化部署，能够帮助企业快速、安全的对人工智能数据进行标注，为企业提供更专业、更安全的数据基础设施。

fqj