document-ocr: 一个相对完整的文档分析和识别项目

[](#document-ocr)document-ocr

Github

一个相对完整的文档分析和识别项目含以下五部分:

  1. 文档分析数据，
  2. 识别数据合成工具，
  3. 文档版面分析模型，
  4. 文本行识别模型，
  5. 单字识别模型

[](#%E6%95%B0%E6%8D%AE)数据

数据从网络抓取的公开上市公司年报数据 PDF　文件解析生成，有图片和文本的位置信息

一份样例

网盘下载地 提取码: nn1g

文本数据是标注到文本行的，部分数据会有些瑕疵，共34000样本

可以根据标注数据生成文本行识别数据

[](#%E8%AF%86%E5%88%AB%E6%95%B0%E6%8D%AE%E5%90%88%E6%88%90)识别数据合成

单字和文本行数据合成工具 能比较好的过滤字体中不支持的字符

[](#%E7%9B%B8%E5%85%B3%E7%AE%97%E6%B3%95%E5%AE%9E%E7%8E%B0)相关算法实现

所有代码依赖 Tensorflow 1.14 和 opencv 3.x

  1. 版面分析
  2. 文本行识别
  3. 单字识别

[](#%E6%B3%A8)注

  • 代码还有很多需要完善的地方，不在此列举，欢迎各种 issue
  • 代码中有很多参数没有提出到命令行比如 learning_rate 等，希望使用的时候多读下代码

原网址: 访问
创建于: 2024-03-07 16:32:14
目录: default
标签: 无

未标明原创文章均为采集，版权归作者所有，转载无需和我联系，请注明原出处，南摩阿彌陀佛，知识，不只知道，要得到

请先后发表评论
  • 最新评论
  • 总共0条评论