document-ocr文档分析和识别项目

联合创作 · 2023-09-30

 document-ocr

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

Github地址

Gitee地址

 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

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

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

 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

 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
 

浏览 5
点赞
评论
收藏
分享

手机扫一扫分享

编辑
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

编辑
举报