当前位置：首页 > news >正文

cv_resnet18_ocr-detection应用案例：截图文字识别与批量处理技巧

news 2026/9/1 3:30:08

cv_resnet18_ocr-detection应用案例：截图文字识别与批量处理技巧

1. 引言

你有没有遇到过这样的烦恼？电脑里存了几百张截图，里面有重要的会议纪要、产品说明、网页资料，想整理成文字却无从下手。一张张打开，再手动复制粘贴，或者用手机对着屏幕拍照识别，效率低得让人抓狂。

或者，作为运营人员，每天需要从几十张商品截图中提取价格、规格、描述信息，手动录入到表格里，枯燥又容易出错。又或者，你是内容创作者，需要从各种图片素材里快速获取文字灵感，但传统的OCR工具要么识别不准，要么慢如蜗牛。

今天，我要分享一个能彻底解决这些痛点的“神器”——cv_resnet18_ocr-detection。这不是一个复杂的算法论文，而是一个开箱即用、上手简单的工具。它就像一个文字“吸尘器”，能帮你把图片里的文字又快又准地“吸”出来。

这篇文章，我会带你从零开始，手把手教你如何用这个工具搞定截图文字识别和批量处理。不管你是技术小白，还是有一定经验的开发者，都能找到适合你的使用技巧。我们不讲复杂的原理，只讲实用的方法，让你看完就能用，用了就见效。

2. 为什么选择cv_resnet18_ocr-detection？

在开始动手之前，我们先简单了解一下这个工具的特点。市面上OCR工具不少，为什么偏偏推荐它呢？

第一，它足够快。基于ResNet-18这个轻量级网络，它的推理速度比很多同类工具快30%以上。这意味着处理100张截图，别人要10分钟，它可能只要7分钟。别小看这3分钟，当你每天要处理成千上万张图片时，节省的时间非常可观。

第二，它足够准。虽然追求速度，但它在常见截图、文档上的识别准确率相当不错。特别是对于电脑截图、手机截屏这种文字清晰、排版规整的图片，识别率能达到90%以上。

第三，它足够简单。开发者科哥给它配了一个漂亮的Web界面，你不需要懂任何代码，打开浏览器就能用。上传图片、点击按钮、查看结果，整个过程就像用美图秀秀一样简单。

第四，它足够灵活。支持单张识别，也支持批量处理；可以调整检测阈值来适应不同质量的图片；还能导出ONNX模型，方便集成到其他系统里。

最重要的是，它完全开源免费，你只需要保留开发者的版权信息，就可以随便用。对于个人学习、公司内部使用，都是非常友好的选择。

3. 快速上手：5分钟搭建你的私人OCR服务

3.1 环境准备与启动

首先，你需要有一台能运行Docker的服务器或电脑。如果没有，可以在CSDN星图镜像广场直接找到这个镜像，一键部署。

假设你已经有了镜像，启动服务只需要三步：

第一步，进入项目目录：

cd /root/cv_resnet18_ocr-detection

第二步，运行启动脚本：

bash start_app.sh

第三步，看到这个提示就说明成功了：

============================================================ WebUI 服务地址: http://0.0.0.0:7860 ============================================================

现在，打开你的浏览器，输入http://你的服务器IP:7860，就能看到那个紫色渐变风格的Web界面了。

整个启动过程不到1分钟，比安装一个普通软件还快。如果你在本地电脑上使用，IP就是127.0.0.1；如果在服务器上，需要换成服务器的公网IP。

3.2 界面初体验

第一次打开界面，你会看到四个标签页：

单图检测：处理单张图片，适合临时用一下
批量检测：一次处理多张图片，适合整理资料
训练微调：用你自己的数据训练模型，适合专业用户
ONNX导出：把模型导出成通用格式，方便集成

对于大多数用户来说，前两个功能就完全够用了。界面设计得很直观，上传区域、设置区域、结果显示区域，一目了然。

4. 单张截图识别：从上传到结果的完整流程

4.1 上传与识别

我们从一个最简单的例子开始。假设你有一张商品详情页的截图，想要提取里面的商品信息和价格。

第一步，点击“上传图片”区域，选择你的截图文件。支持JPG、PNG、BMP格式，基本上常见的图片格式都能用。

第二步，图片上传后会自动显示预览。这时候你可以调整一下“检测阈值”。这个滑块控制着模型检测文字的严格程度：

值越小（比如0.1），检测越宽松，可能会把一些不是文字的东西也识别出来
值越大（比如0.4），检测越严格，可能会漏掉一些模糊的文字

对于大多数电脑截图，用默认的0.2就很好。如果截图质量很高，文字很清晰，可以调到0.3；如果截图有点模糊或者文字比较小，可以调到0.15。

第三步，点击“开始检测”按钮。等待几秒钟，结果就出来了。

4.2 结果解读与处理

识别完成后，你会看到三个结果区域：

1. 识别文本内容这里按顺序列出了检测到的所有文字块。比如你的商品截图可能会识别出：

1. 华为Mate 60 Pro 2. 12GB+512GB 雅川青 3. ￥6999 4. 麒麟9000S芯片 5. 超可靠玄武架构 6. 卫星通话功能

每个文字块都有编号，你可以直接复制这些文字。如果顺序不对，可以手动调整一下。

2. 检测结果图片这是一张可视化图片，用绿色的框标出了检测到的文字区域。你可以直观地看到模型找到了哪些文字，有没有漏掉或者错判。

3. 检测框坐标这是JSON格式的数据，记录了每个文字框的精确坐标。如果你需要进一步处理，比如按区域提取文字，这个数据就很有用。

{ "image_path": "/tmp/product_screenshot.jpg", "texts": [["华为Mate 60 Pro"], ["12GB+512GB 雅川青"], ["￥6999"]], "boxes": [[100, 200, 300, 200, 300, 220, 100, 220]], "scores": [0.98, 0.97, 0.99], "success": true, "inference_time": 2.8 }

最后，如果需要保存结果，点击“下载结果”按钮，就能把带检测框的图片保存到本地。

4.3 实用小技巧

技巧一：预处理提升效果如果截图质量不太好，可以先简单处理一下再识别：

亮度太暗：用图片编辑工具调亮一些
对比度太低：增加对比度让文字更清晰
有干扰元素：简单裁剪一下，只保留文字区域

技巧二：分段识别如果一张截图里文字特别多，而且分成了不同的区块（比如左边是商品图，右边是参数表），可以：

先把整张图识别一次，看看效果
如果效果不好，把图片按区域裁剪成多张小图
分别识别每张小图，最后合并结果

技巧三：结果后处理识别出来的文字可能需要简单整理：

去掉多余的空格和换行
合并应该在一起的文字块
修正明显的识别错误（比如“0”识别成“O”）

5. 批量处理实战：高效整理海量截图

单张识别虽然方便，但真正能体现这个工具威力的，是批量处理功能。想象一下，你有100张会议截图需要整理，一张张处理要花多少时间？用批量功能，可能10分钟就搞定了。

5.1 准备工作

在开始批量处理之前，建议先做好准备工作：

整理你的截图文件把需要处理的截图放在同一个文件夹里，建议按类别分好子文件夹。比如：

会议截图/ ├── 项目A会议/ │ ├── 20240115_需求讨论.png │ ├── 20240115_技术方案.png │ └── 20240115_任务分配.png ├── 项目B会议/ │ ├── 20240116_进度汇报.png │ └── 20240116_问题讨论.png └── 培训材料/ ├── 产品介绍1.png └── 产品介绍2.png

统一命名规范给文件起个有意义的名字，方便后续整理。建议用“日期_主题_序号”的格式，比如：

20240115_需求讨论_01.png
20240115_需求讨论_02.png
20240116_技术方案_01.png

检查图片质量批量处理前，快速浏览一下所有图片，确保：

文字清晰可读
没有严重的模糊或变形
重要信息没有被遮挡

5.2 批量处理步骤

现在开始实际操作：

第一步，打开Web界面的“批量检测”标签页。

第二步，点击“上传多张图片”按钮。你可以按住Ctrl键（Windows/Linux）或Command键（Mac）多选文件，也可以直接拖拽整个文件夹到上传区域。

注意：单次最多上传50张图片。如果超过50张，建议分批处理，避免内存不足。

第三步，设置检测阈值。批量处理时，建议先用默认的0.2试试效果。如果发现很多图片识别效果不好，再根据情况调整：

大部分图片文字清晰：用0.2-0.3
图片质量参差不齐：用0.15-0.25
追求高精度，不怕漏检：用0.3-0.4

第四步，点击“批量检测”按钮。这时候你会看到处理进度，一张一张的图片在画廊里显示出来。

第五步，等待处理完成。处理时间取决于图片数量和大小，一般100张截图（每张1-2MB）大概需要3-5分钟。

5.3 结果管理与导出

批量处理完成后，所有结果会显示在画廊里。你可以：

逐张查看结果点击画廊里的任何一张图片，会放大显示。你可以看到识别出的文字和检测框，检查识别效果。

批量下载结果点击“下载全部结果”按钮，会下载一个压缩包，里面包含：

所有图片的识别结果（文本格式）
带检测框的可视化图片
JSON格式的坐标数据

结果整理建议批量处理的结果需要进一步整理才能发挥最大价值。这里分享几个实用方法：

方法一：按主题分类整理

# 简单的Python脚本，按关键词分类结果 import os import json def categorize_results(result_folder): categories = { '需求': [], '技术': [], '任务': [], '其他': [] } for filename in os.listdir(result_folder): if filename.endswith('.json'): with open(os.path.join(result_folder, filename), 'r', encoding='utf-8') as f: data = json.load(f) text = ' '.join([' '.join(t) for t in data['texts']]) # 根据关键词分类 if '需求' in text or '功能' in text: categories['需求'].append(filename) elif '技术' in text or '代码' in text or '架构' in text: categories['技术'].append(filename) elif '任务' in text or 'TODO' in text or '安排' in text: categories['任务'].append(filename) else: categories['其他'].append(filename) return categories

方法二：提取关键信息如果是商品截图，你可能只关心价格、型号等关键信息：

def extract_product_info(text_list): """从识别结果中提取商品信息""" product_info = { 'name': '', 'price': '', 'spec': '', 'description': '' } for text in text_list: # 提取商品名称（通常包含品牌和型号） if any(brand in text for brand in ['华为', '小米', '苹果', '三星']): product_info['name'] = text # 提取价格（包含¥、￥、$等符号） if any(symbol in text for symbol in ['¥', '￥', '$', '€']): product_info['price'] = text # 提取规格（包含GB、TB、英寸等单位） if any(unit in text for unit in ['GB', 'TB', '英寸', '寸', 'GHz']): product_info['spec'] = text return product_info

方法三：生成摘要报告对于会议截图，可以自动生成摘要：

def generate_meeting_summary(text_list): """从会议截图生成摘要""" summary = { 'topics': [], 'decisions': [], 'actions': [], 'keywords': [] } # 提取主题（通常包含“主题”、“议题”、“讨论”等词） for text in text_list: if any(word in text for word in ['主题', '议题', '讨论']): summary['topics'].append(text) # 提取决策（通常包含“决定”、“同意”、“通过”等词） if any(word in text for word in ['决定', '同意', '通过', '决议']): summary['decisions'].append(text) # 提取行动项（通常包含“负责”、“完成”、“跟进”等词） if any(word in text for word in ['负责', '完成', '跟进', '行动']): summary['actions'].append(text) return summary

5.4 批量处理的高级技巧

技巧一：分批次处理如果图片特别多（比如超过200张），建议分成小批次处理：

每批50-100张
处理完一批，保存结果，清空缓存
再处理下一批

这样可以避免内存不足，也方便中间检查效果。

技巧二：混合质量图片处理如果你的截图质量参差不齐，可以：

先用较低的阈值（0.15）处理所有图片
检查结果，标记识别效果差的图片
对这些图片进行预处理（调亮、增加对比度等）
用正常阈值（0.2）重新处理

技巧三：自动化流水线如果需要经常处理大量截图，可以写个简单的脚本自动化：

#!/bin/bash # 自动化处理脚本 INPUT_DIR="./screenshots" OUTPUT_DIR="./results" THRESHOLD=0.2 BATCH_SIZE=50 # 创建输出目录 mkdir -p $OUTPUT_DIR # 分批处理 for i in $(seq 0 $BATCH_SIZE $(find $INPUT_DIR -name "*.png" -o -name "*.jpg" | wc -l)); do # 获取当前批次文件 FILES=$(find $INPUT_DIR -name "*.png" -o -name "*.jpg" | head -n $((i+BATCH_SIZE)) | tail -n $BATCH_SIZE) # 调用OCR处理（这里需要根据实际API调整） python process_batch.py --files $FILES --threshold $THRESHOLD --output $OUTPUT_DIR/batch_$i echo "处理完第 $((i/BATCH_SIZE+1)) 批，共 $BATCH_SIZE 张图片" done echo "所有图片处理完成！结果保存在 $OUTPUT_DIR"

6. 实际应用场景案例

了解了基本用法，我们来看看这个工具在实际工作中能解决哪些具体问题。

6.1 场景一：会议纪要自动化整理

痛点：每次开会都要拍照或截图记录白板内容、PPT要点，会后整理成文字费时费力。

解决方案：

会议期间，对重要的白板内容、PPT页面进行截图
会后，将所有截图批量上传到OCR工具
一键识别所有文字内容
用脚本自动整理成会议纪要格式

具体操作：

# 会议纪要自动整理脚本 import os from datetime import datetime def organize_meeting_notes(ocr_results_folder, meeting_date, meeting_topic): """整理会议截图OCR结果""" # 读取所有识别结果 all_texts = [] for result_file in os.listdir(ocr_results_folder): if result_file.endswith('.txt'): with open(os.path.join(ocr_results_folder, result_file), 'r', encoding='utf-8') as f: content = f.read().strip() if content: # 跳过空文件 all_texts.append(content) # 生成会议纪要 meeting_minutes = f"""会议纪要 ================ 会议主题：{meeting_topic} 会议时间：{meeting_date} 参会人员：[请填写] 记录人：[请填写] 会议内容： {'-'*40} """ # 按页面顺序整理内容 for i, text in enumerate(all_texts, 1): meeting_minutes += f"第{i}页：\n{text}\n\n" # 添加会议决议和行动项 meeting_minutes += f"""会议决议： 1. [决议内容] 行动项： 1. [负责人]：[任务内容]，截止时间：[日期] 下次会议安排： 时间：[日期] 议题：[议题内容] """ # 保存文件 output_filename = f"{meeting_date}_{meeting_topic}_会议纪要.txt" with open(output_filename, 'w', encoding='utf-8') as f: f.write(meeting_minutes) print(f"会议纪要已生成：{output_filename}") return output_filename

效果：原来需要1-2小时整理的会议记录，现在10分钟就能完成，而且格式统一，便于存档和分享。

6.2 场景二：商品信息批量采集

痛点：电商运营需要从竞品截图里采集价格、规格、卖点等信息，手动录入容易出错。

解决方案：

收集竞品商品详情页截图
批量OCR识别
自动提取关键信息（价格、型号、规格等）
生成对比表格

具体操作：

# 商品信息提取与对比 import pandas as pd import re def extract_product_details(text): """从识别文本中提取商品详情""" details = { 'product_name': '', 'price': '', 'specifications': [], 'key_features': [] } # 提取商品名称（通常在第一行或包含品牌名） lines = text.split('\n') for line in lines: line = line.strip() if not line: continue # 匹配价格（包含货币符号和数字） price_match = re.search(r'[¥￥\$€]?\s*[\d,]+\.?\d*', line) if price_match: details['price'] = price_match.group() # 匹配规格（包含单位） if re.search(r'\d+\s*(GB|TB|英寸|寸|GHz|MP)', line): details['specifications'].append(line) # 识别关键卖点 key_phrases = ['旗舰', '新品', '优惠', '促销', '限量', '独家'] if any(phrase in line for phrase in key_phrases): details['key_features'].append(line) # 商品名称通常是第一行非空文本 for line in lines: if line.strip() and not details['product_name']: details['product_name'] = line.strip() break return details def create_comparison_table(product_details_list, product_names): """创建商品对比表格""" df_data = [] for details, name in zip(product_details_list, product_names): df_data.append({ '商品名称': name, '商品详情': details['product_name'], '价格': details['price'], '规格': '; '.join(details['specifications'][:3]), # 取前3个规格 '关键卖点': '; '.join(details['key_features'][:3]) # 取前3个卖点 }) df = pd.DataFrame(df_data) return df # 使用示例 if __name__ == "__main__": # 假设这是OCR识别出的文本 ocr_texts = [ """华为Mate 60 Pro 12GB+512GB 雅川青 ￥6999 麒麟9000S芯片 超可靠玄武架构 卫星通话功能""", """iPhone 15 Pro Max 256GB 蓝色钛金属 ￥8999 A17 Pro芯片 钛金属设计 5倍光学变焦""" ] product_names = ['华为手机', '苹果手机'] all_details = [] for text in ocr_texts: details = extract_product_details(text) all_details.append(details) comparison_df = create_comparison_table(all_details, product_names) print("商品对比表：") print(comparison_df.to_string(index=False)) # 保存为Excel comparison_df.to_excel('商品对比.xlsx', index=False)

效果：原来需要人工逐条查看、复制、粘贴的商品信息，现在可以批量自动提取，生成整齐的对比表格，效率提升10倍以上。

6.3 场景三：学习资料数字化

痛点：纸质书籍、PDF文档中的内容无法直接搜索和编辑，学习效率低。

解决方案：

对书籍重点页面、PDF内容进行截图
OCR识别成可编辑文本
按章节整理，添加标签
导入笔记软件，建立知识库

具体操作：

# 学习资料整理系统 import os import json from datetime import datetime class StudyMaterialOrganizer: def __init__(self, base_folder='./study_materials'): self.base_folder = base_folder self.metadata_file = os.path.join(base_folder, 'metadata.json') self.metadata = self.load_metadata() def load_metadata(self): """加载元数据""" if os.path.exists(self.metadata_file): with open(self.metadata_file, 'r', encoding='utf-8') as f: return json.load(f) return {'materials': [], 'tags': {}, 'last_updated': ''} def save_metadata(self): """保存元数据""" self.metadata['last_updated'] = datetime.now().isoformat() with open(self.metadata_file, 'w', encoding='utf-8') as f: json.dump(self.metadata, f, ensure_ascii=False, indent=2) def add_material(self, title, content, source, tags=None, category=''): """添加学习资料""" material_id = len(self.metadata['materials']) + 1 material = { 'id': material_id, 'title': title, 'content': content, 'source': source, 'tags': tags or [], 'category': category, 'created_at': datetime.now().isoformat(), 'updated_at': datetime.now().isoformat() } self.metadata['materials'].append(material) # 更新标签统计 if tags: for tag in tags: if tag not in self.metadata['tags']: self.metadata['tags'][tag] = 1 else: self.metadata['tags'][tag] += 1 self.save_metadata() # 保存内容到文件 content_file = os.path.join(self.base_folder, f"{material_id}_{title}.txt") with open(content_file, 'w', encoding='utf-8') as f: f.write(content) print(f"已添加资料：{title} (ID: {material_id})") return material_id def search_materials(self, keyword='', tags=None, category=''): """搜索学习资料""" results = [] for material in self.metadata['materials']: match = True # 关键词搜索 if keyword: if (keyword.lower() not in material['title'].lower() and keyword.lower() not in material['content'].lower()): match = False # 标签搜索 if tags and match: if not any(tag in material['tags'] for tag in tags): match = False # 分类搜索 if category and match: if material['category'] != category: match = False if match: results.append(material) return results def export_to_markdown(self, output_file='study_notes.md'): """导出为Markdown格式""" with open(output_file, 'w', encoding='utf-8') as f: f.write("# 学习笔记\n\n") f.write(f"> 最后更新：{datetime.now().strftime('%Y-%m-%d %H:%M')}\n\n") # 按分类组织 categories = {} for material in self.metadata['materials']: category = material['category'] or '未分类' if category not in categories: categories[category] = [] categories[category].append(material) # 输出每个分类 for category, materials in categories.items(): f.write(f"## {category}\n\n") for material in materials: f.write(f"### {material['title']}\n\n") f.write(f"**来源**：{material['source']} \n") f.write(f"**标签**：{', '.join(material['tags'])} \n") f.write(f"**时间**：{material['created_at'][:10]}\n\n") # 内容（限制长度） content_preview = material['content'][:500] + '...' if len(material['content']) > 500 else material['content'] f.write(f"{content_preview}\n\n") f.write("---\n\n") print(f"笔记已导出到：{output_file}") # 使用示例 if __name__ == "__main__": organizer = StudyMaterialOrganizer() # 添加OCR识别的内容 ocr_content = """卷积神经网络（CNN）的基本结构 1. 卷积层：提取局部特征 2. 池化层：降低特征维度 3. 全连接层：进行分类或回归 4. 激活函数：引入非线性""" organizer.add_material( title="CNN基础知识", content=ocr_content, source="《深度学习》P123截图", tags=["深度学习", "CNN", "神经网络"], category="计算机视觉" ) # 搜索资料 results = organizer.search_materials(keyword="卷积", tags=["深度学习"]) print(f"找到 {len(results)} 条相关记录") # 导出笔记 organizer.export_to_markdown()

效果：零散的学习资料变成结构化的知识库，可以快速搜索、分类、复习，学习效率大幅提升。

7. 性能优化与问题解决

7.1 识别效果不佳怎么办？

即使是最好的OCR工具，也不可能100%准确。遇到识别效果不好的情况，可以尝试这些方法：

问题一：文字漏检症状：图片中有文字，但没有识别出来。

解决方法：

降低检测阈值（比如从0.2调到0.15）
检查图片质量，确保文字清晰
如果文字太小，尝试放大图片再识别
调整图片对比度，让文字更突出

问题二：错误识别症状：把非文字内容识别成文字，或者文字识别错误。

解决方法：

提高检测阈值（比如从0.2调到0.3）
预处理图片，去除干扰元素
对识别结果进行后处理校正
如果特定字符经常识别错误，可以建立替换规则

问题三：文字顺序错乱症状：识别出的文字顺序不对，特别是多列排版时。

解决方法：

尝试不同的图片方向
如果有多列，先裁剪成单列再识别
根据检测框的坐标信息重新排序

7.2 处理速度慢怎么办？

如果你觉得处理速度不够快，可以尝试这些优化：

硬件层面

使用GPU加速：如果有NVIDIA显卡，确保正确配置了CUDA
增加内存：批量处理大量图片时，内存越大越好
使用SSD硬盘：图片读取速度更快

软件层面

调整批量大小：根据内存情况调整单次处理的图片数量
优化图片尺寸：在不影响识别的前提下，适当缩小图片
使用缓存：重复处理的图片可以缓存结果

使用技巧

预处理统一尺寸：把所有图片调整到相似尺寸再处理
分批处理：不要一次性处理太多图片
关闭不必要的程序：释放系统资源

7.3 内存不足怎么办？

处理大量图片时可能会遇到内存不足的问题：

预防措施

监控内存使用：处理前检查可用内存
分批次处理：比如每次只处理50张
优化图片格式：使用压缩率高的格式如WebP

应急处理

重启服务：释放内存碎片
增加交换空间：临时缓解内存压力
升级硬件：如果经常需要处理大量图片，考虑升级内存

8. 进阶技巧：让OCR更智能

8.1 自定义词典提升专业术语识别

如果你经常处理某个领域的截图（比如医学、法律、技术文档），可以创建自定义词典来提升专业术语的识别准确率。

# 专业术语校正器 class DomainSpecificCorrector: def __init__(self, domain='general'): self.domain = domain self.term_dict = self.load_terminology() def load_terminology(self): """加载专业术语词典""" # 这里可以加载不同领域的术语词典 terminologies = { 'medical': { '份析': '分析', '影象': '影像', 'CT扫猫': 'CT扫描', '心藏': '心脏', '肿溜': '肿瘤' }, 'legal': { '台同': '合同', '泱讼': '诉讼', '法徉': '法律', '叔利': '权利', '义雾': '义务' }, 'technical': { '编成': '编程', '代妈': '代码', '绠式': '格式', '苹台': '平台', '服雾器': '服务器' } } return terminologies.get(self.domain, {}) def correct_text(self, text): """校正文本中的术语""" if not text: return text corrected = text for wrong, right in self.term_dict.items(): corrected = corrected.replace(wrong, right) return corrected def batch_correct(self, texts): """批量校正""" return [self.correct_text(text) for text in texts] # 使用示例 if __name__ == "__main__": # 医学文档OCR结果 ocr_results = [ "患者CT扫猫结果显示心藏正常", "肿溜份析报告需要影象支持", "这份医疗影象份析很详细" ] corrector = DomainSpecificCorrector(domain='medical') corrected_results = corrector.batch_correct(ocr_results) print("原始结果：") for text in ocr_results: print(f" - {text}") print("\n校正后结果：") for text in corrected_results: print(f" - {text}")

8.2 多语言混合识别

虽然cv_resnet18_ocr-detection主要针对中文优化，但也能处理英文和数字。对于中英文混合的内容，可以这样处理：

# 中英文混合处理 class MixedLanguageProcessor: def __init__(self): self.chinese_pattern = re.compile(r'[\u4e00-\u9fff]+') self.english_pattern = re.compile(r'[a-zA-Z]+') self.number_pattern = re.compile(r'\d+') def analyze_language_mix(self, text): """分析文本中的语言组成""" chinese_chars = self.chinese_pattern.findall(text) english_words = self.english_pattern.findall(text) numbers = self.number_pattern.findall(text) chinese_len = sum(len(word) for word in chinese_chars) english_len = sum(len(word) for word in english_words) number_len = sum(len(num) for num in numbers) total_len = len(text) return { 'chinese_ratio': chinese_len / total_len if total_len > 0 else 0, 'english_ratio': english_len / total_len if total_len > 0 else 0, 'number_ratio': number_len / total_len if total_len > 0 else 0, 'is_mixed': (chinese_len > 0 and english_len > 0) or (chinese_len > 0 and number_len > 0) or (english_len > 0 and number_len > 0) } def separate_languages(self, text): """分离不同语言部分""" # 找出所有中文字符段 chinese_parts = self.chinese_pattern.findall(text) # 找出所有英文单词 english_parts = self.english_pattern.findall(text) # 找出所有数字 number_parts = self.number_pattern.findall(text) # 找出其他字符（标点、空格等） other_parts = [] last_end = 0 for match in list(self.chinese_pattern.finditer(text)) + \ list(self.english_pattern.finditer(text)) + \ list(self.number_pattern.finditer(text)): if match.start() > last_end: other_parts.append(text[last_end:match.start()]) last_end = match.end() if last_end < len(text): other_parts.append(text[last_end:]) return { 'chinese': chinese_parts, 'english': english_parts, 'numbers': number_parts, 'others': other_parts, 'original': text } def format_mixed_text(self, text, style='markdown'): """格式化混合语言文本""" analysis = self.separate_languages(text) if style == 'markdown': formatted = [] for part in analysis['chinese']: formatted.append(part) # 中文正常显示 for part in analysis['english']: formatted.append(f"`{part}`") # 英文用代码格式 for part in analysis['numbers']: formatted.append(f"**{part}**") # 数字加粗 for part in analysis['others']: formatted.append(part) return ' '.join(formatted) else: return text # 使用示例 if __name__ == "__main__": processor = MixedLanguageProcessor() # 测试文本 test_texts = [ "Python是一种流行的编程语言，2023年TIOBE排名第一", "iPhone 15 Pro Max售价为9999元", "深度学习Deep Learning在计算机视觉CV领域应用广泛" ] for text in test_texts: print(f"\n原文：{text}") analysis = processor.analyze_language_mix(text) print(f"分析结果：中文{analysis['chinese_ratio']:.1%}，英文{analysis['english_ratio']:.1%}，数字{analysis['number_ratio']:.1%}") if analysis['is_mixed']: formatted = processor.format_mixed_text(text, style='markdown') print(f"格式化后：{formatted}")

8.3 与工作流集成

把OCR集成到你的日常工作流中，可以进一步提升效率：

集成到文件管理器在文件管理器中右键点击图片，选择“识别文字”，结果自动保存到剪贴板或文本文件。

集成到笔记软件在Obsidian、Notion等笔记软件中，通过插件自动识别图片中的文字并插入到笔记中。

集成到自动化脚本定期扫描特定文件夹，自动识别新图片并整理结果。

# 文件夹监控与自动OCR import os import time from watchdog.observers import Observer from watchdog.events import FileSystemEventHandler import shutil class OCRFileHandler(FileSystemEventHandler): def __init__(self, ocr_processor, input_folder, output_folder): self.ocr_processor = ocr_processor self.input_folder = input_folder self.output_folder = output_folder self.supported_extensions = {'.png', '.jpg', '.jpeg', '.bmp'} def on_created(self, event): """监控文件创建事件""" if not event.is_directory: file_path = event.src_path file_ext = os.path.splitext(file_path)[1].lower() if file_ext in self.supported_extensions: print(f"检测到新图片：{file_path}") self.process_image(file_path) def process_image(self, image_path): """处理图片""" try: # 调用OCR处理 result = self.ocr_processor.process(image_path) # 生成输出文件名 filename = os.path.basename(image_path) name_without_ext = os.path.splitext(filename)[0] # 保存文本结果 text_output = os.path.join(self.output_folder, f"{name_without_ext}.txt") with open(text_output, 'w', encoding='utf-8') as f: for i, text in enumerate(result['texts'], 1): f.write(f"{i}. {text}\n") # 保存JSON结果 json_output = os.path.join(self.output_folder, f"{name_without_ext}.json") import json with open(json_output, 'w', encoding='utf-8') as f: json.dump(result, f, ensure_ascii=False, indent=2) # 移动原图片到已处理文件夹 processed_folder = os.path.join(self.input_folder, 'processed') os.makedirs(processed_folder, exist_ok=True) shutil.move(image_path, os.path.join(processed_folder, filename)) print(f"处理完成：{filename} -> {text_output}") except Exception as e: print(f"处理失败：{image_path}, 错误：{e}") def start_folder_monitor(input_folder, output_folder): """启动文件夹监控""" # 确保输出文件夹存在 os.makedirs(output_folder, exist_ok=True) # 创建OCR处理器（这里需要根据实际OCR工具调整） class MockOCRProcessor: def process(self, image_path): # 这里应该调用实际的OCR处理 # 返回模拟结果 return { 'texts': [f"识别到的文字 {os.path.basename(image_path)}"], 'boxes': [], 'success': True } ocr_processor = MockOCRProcessor() event_handler = OCRFileHandler(ocr_processor, input_folder, output_folder) observer = Observer() observer.schedule(event_handler, input_folder, recursive=False) observer.start() print(f"开始监控文件夹：{input_folder}") print(f"输出到：{output_folder}") try: while True: time.sleep(1) except KeyboardInterrupt: observer.stop() observer.join() # 使用示例 if __name__ == "__main__": # 设置监控文件夹 input_folder = "./watch_folder" # 监控这个文件夹 output_folder = "./ocr_results" # 结果输出到这里 # 启动监控 start_folder_monitor(input_folder, output_folder)