testOCR

测试两款开源OCR工具以及百度飞桨在线产品PP-OCRv4的识别效果

• 先说结论：百度的飞桨在线产品PP-OCRv4 对文字、数字、排版的识别都很不错；开源paddleOCR和Umi-OCR对文字、数字的识别效果都还可以，但是对排版的识别及其导致的输出顺序效果都不太好，二者差不多，相同与不同如下；

• 相同点：

  • 都可批量OCR
  • 对文本、数字等等效果比较好，但对布局格式识别、输出顺序不太行。
  • 对图片、pdf等文件都可以识别

• 不同之处

  • Umi-OCR通过应用程序鼠标点击进行操作
  • PaddleOCR通过命令行/python进行操作,输出结果中含有置信度
  • Umi-OCR可识别二维码

• 如下是测试过程：

Umi-OCR

• 设置规则
  • 多栏：自动识别多栏布局输出
  • 单栏：不识别布局，从上往下按照一行行的顺序识别和输出

纯文本

• 效果很好，连格式几乎都一样，除了有些缩进和换行被忽略了；
  

发票1

• 多栏-按自然段换行：最上面盖章处，识别有少许偏差，上面中间部分一行行识别和输出效果还可以，下面列与列之间间隙较大，就变成了一列列识别和输出，键与值之间错位，不方便对应；最右下角可能是光线不好，没识别出来；

• 多栏，总是换行：识别效果和顺序和上方差不多，但每识别一段就换行；

• 单栏：自然换行：从上往下按照一行行的顺序识别和输出，但是遇到一些格式不一样的一起识别就会出现顺序问题

发票2

• 多栏-按自然段换行：尽管除了少数和印章重叠的字识别有误之外（蓝色圈出），文字和数字都识别出来了，但是识别和输出格式和输出顺序很糟糕，整体上也是从左向右一列列识别和输出，但他并不是以每列相同的宽度去读取的，像圈1和圈4所在列就比较规则，所以它也能准确读出来，但有些列的宽度并不能包含相应格式的数据保证他们的连贯性；（如图中圈3）

• 单栏：自然换行 ：从上往下按照一行行的顺序识别和输出，语意不连贯，键值不对应，盖章文字未识别出；

• 总结：对纯文本效果比较好，但对布局格式识别不太行；

开源PaddleOCR

纯文本

发票1

发票2

• 总结：和前者效果差不多：对纯文本效果比较好，但对布局格式识别不太行；

PP-OCRv4 在线

• 对文本、数字、布局、排版格式等等识别的都很好；唯一缺点就是印章重叠处的文字识别不太精准；

纯文本

发票