如何使用OCR获得100％的文本提取？

Question

使用GIT代码，我们从图像中提取文本。但发现了一些挑战

1. 转换过程中很少有角色被遗漏，大多数缺失的角色都在开始。
   • 示例：提取状态 In Progress 时，只会将 n Progress 写入文件。
   • 如果状态为 Assigned ，则仅提取为 ssigned
2. 某些文字的转换还有额外的空间
   • 提取事件编号 INC123456789 时，在文件中将其写为 INC1234 56789
3. 在某些情况下，角色本身会发生变化
   • 示例事件图片包含带有文本 Google 的地图，当写入文件时，它被转换为 GooglA

任何面临类似问题的人？并知道如何获得100％的文本提取？

Answer 1

也许尝试编写自己的机器学习模型，或敢于编写自己的深度学习神经网络。

一个更简单的选择可能是尝试使用某种字典模型映射常见错误（最简单的例子是Levenshtein距离模型），其中：

• 您会发现无效的字词（即不在字典中）。使用levenshtein distance找到最接近的单词：
  • 您在文档中预期的常用术语（似乎是合法的话）
  • 字典中的常用字词（称为 bag of words ）
• 替换这些字
• 更复杂的（和可选的）方法是使用 ngram sentence correction 来纠正某些词组（例如。n Progress到In Progress ）
• 运行语法检查以将其置顶（最好在此步骤中使用API​​ ）