最近接了個活，有大批的圖片需要文字識別
圖片參考
是印刷字體打印后再掃描的圖片，看到這種任務，首先想到的是用tesseract進行識別，印刷字體識別率很高
拿出工具進行識別分析，效果感人，5段文字，有3段都有識別錯的，2和Z，3和S
進過多個圖片測試，基本不可用，識別錯的太多了
對接百度通用識別，使用高精度版，准確率基本100%，不過百度賬戶有數量限制，客戶有幾千上萬的圖像需要識別，這個方式行不通，畢竟能免費為啥要付錢呢
免費測試網址：https://cloud.baidu.com/product/ocr/general
通過資料查閱，發現可以對某一類圖片進行訓練，即可大幅提升識別准確率
訓練過程參考：
https://www.cnblogs.com/cnlian/p/5765871.html
雖然這個教程是3.0的，但是5.0一樣訓練，不影響流程
通過選取40個圖片為訓練樣本，合並成一個tif，生成box文件，然后使用jTessBoxEditor修正錯誤，然后訓練出模型文件
使用新的模型文件進行識別，果然識別率大幅上升，測試准確度有99.9%，大批量測試速度也很快，1秒100張的速度
==================================================================================
==================================================================================
這邊分享一些中間遇到的坑和經驗：
1.32位模型和64位模型不通用，而且32位訓練我這邊出問題直接訓練不成功
2.提示無法讀取box：APPLY_BOXES: boxfile line 3/G ((80,0),(80,0)): FAILURE! Couldn't find a matching blob
這種錯誤大概率是訓練圖片太臟引起的，
如下左邊這種圖片就不行，需要使用opencv進行二值化處理，白底黑字，參照右圖
3.如果百度識別效果還可以，建議使用百度識別修改文件名，這樣大幅減少人工識別糾正的工作量
4.建議使用opencv進行處理，尋找輪廓，自己生成box文件，讀取文件名來匹配每個輪廓的文字內容，這樣可以極大的減少工作量
（jTessBoxEditor太難用了, 坐標得手動改，文字也要一個個改，不能放大，你要是改個100個，估計得崩潰）
box文件，格式為【文字內容，p1, p2, p3, p4, 圖片序號】
#opencv的rect轉換為box文件格式坐標
def get_tesseract_box(x, y, w, h, height):
p1 = x
p4 = height - y
p2 = p4 - h
p3 = x + w
return [p1, p2, p3, p4]
height為圖像高度
5.如果需要訓練的樣本比較多，建議首先使用小批量的圖片訓練出一個模型，然后使用這個模型來識別，作為原始圖片名，可以大幅減少工作量