OCR 是什么：识别出的文本仍需核实
OCR 是什么？它是光学字符识别的缩写，指把图像中呈现的字符转换为机器可读文本。它可以让扫描页面可被搜索，或为后续处理提供文本。识别出的字符仍需检查；OCR 不会核实文档的真实性、字段含义或其中涉及现实情况的陈述。
扫描记录页面的外观。OCR 给出页面上文字和符号的识别结果。随后，字段提取将部分文本归入有名称的值，例如编号或金额。将这些阶段分开，更容易找到错误最初在哪个环节进入记录。
扫描文档时，OCR 做了什么
扫描仪或相机生成图像。识别过程定位可能的文本，再将其视觉模式转换为字符。视系统而定，版面处理还可能帮助按阅读顺序排列文本。这些是不同的任务：即使字母正确，顺序错误也可能歪曲表单或表格的内容。
数字方式创建的文档可能已经含有可选中的文本，而纯图像扫描件只是呈现字符，并没有底层文本表示。在决定是否需要识别前，应检查来源。现有的可选文本也可能不完整或顺序错误，因此不能因它存在就认定提取结果正确。
图像模糊、印字过浅、旋转和重叠标记，都可能使证据缺失或难以辨认。改善图像可能有助于审核者检查，但调整对比度不能确定两个相似字符中究竟应是哪一个。应同时保留原始来源和用于识别的处理后版本。
相关内容：PDF 表格提取：复用前保留表头、单元格与来源证据。
OCR 中可搜索文本与已核实的文档数据有何区别？
可搜索文本让软件能够找到识别出的词。语义提取关注某个值承担什么角色。核实则将候选值与权威来源或已定义的验收规则比较。包含金额的字符串即使完全可搜索，也可能属于错误的行。
文档 AI 指南介绍字段提取和证据审核。发票数据提取进一步介绍发票专用的算术检查和异常处理。这里关注的问题更窄：在这些后续任务开始前，识别出的文本是否保留了可见字符。
采购单据转录练习
用键入文本模拟扫描件，并刻意加入转录错误。两段内容都是虚构的。第一段表示审核者在想象中的来源里能够读到的内容，并非上传的图像。第二段由作者编写，用于说明识别错误，并非复制自 OCR 引擎。
Purchase Note P-A — revision one
Top label: Item reference O0-17
Middle label: Quantity 2
Lower label: Stated amount 18.50
Bottom label: Delivery point Depot O
Margin note: Currency not statedIllustrative faulty recognised text
Item reference 00-17
Quantity 2
Stated amount 185.0
Delivery point Depot 0
Currency not stated来源中的编号刻意以大写 O 开头，后面跟着数字零。候选识别结果把这个大写字母替换成了另一个零。金额中的小数点也发生了移位。两个错误字符串看起来都足够合理，可能通过表面的格式检查。
| 来源裁剪区域标识 | 识别出的文本 | 候选字段 | 本练习中的人工核实 |
|---|---|---|---|
| P-A 顶部标签 | 00-17 | item_reference = 00-17 | 拒绝此识别结果；键入的来源为 O0-17。 |
| P-A 中部标签 | 2 | quantity = 2 | 与作者编写的数量行一致。 |
| P-A 下部标签 | 185.0 | stated_amount = 185.0 | 拒绝此小数点位置；来源写明 18.50。 |
| P-A 底部标签 | Depot 0 | delivery_point = Depot 0 | 拒绝末尾字符；来源写明 Depot O。 |
| P-A 页边备注 | 未注明币种 | currency = unknown | 保持未知；金额本身无法证明币种。 |
裁剪区域标识是人工编写的审核定位信息，并不表示 OCR 组件返回了边界框或页面坐标。处理实际来源时，应利用审核者可获得的证据，记录可供查看的页面和区域标识。
接受修正后的编号，只能确认它与这一行来源一致，并不能核实该编号存在于库存系统中。同样，确认打印金额为 18.50，也不能证明这笔金额应当支付、计算正确，或使用某种特定币种。
为什么格式看似正确的字符串仍可能出错
185.0 和 18.50 都可以解析为小数，因此数值解析器无法判断来源打印的是哪一个。编号格式规则也可能同时接受 O0-17 和 00-17。应将表示形式的验证与对来源的忠实度检查分开。
对于表格，应检查行列关联。如果数量移到了另一个物品的编号旁边，即使每个识别字符都正确，候选记录也可能是错误的。审核时应保留来源的标签和位置信息，不要把页面压平成无法追溯的一串值。
不要用模型看似合理的补全替代不确定的文本。如果来源确实无法辨认，应记录识别问题尚未解决，并获取另一份来源或经授权的澄清。本练习能够进行键入修正，是因为虚构来源明确给出了字符。
AI Flowi Workflow 中的 Read File
目录参考文档中的 Read File 条目导出了 ocr_engine 选项 "None" 和 "easyocr"，以及 pipeline 选项 "standard" 和 "vlm"；该接口已在目录中说明，但未经 Ai Flowi 生产环境测试。
这些精确的选择值用于标识设置，并不能证明引擎已安装、支持哪些格式，或能够成功识别字符。文件管理文档介绍如何选择文件。对于 P-A，无论考察哪种设置，验收问题都相同：候选编号是否保留了大写 O 后接数字零，金额是否保留了来源的小数点位置？引擎名称无法回答这两项比较。
后续如需借助模型提取信息，应按要求使用您自己的提供商账户和 API 密钥；提供商用量单独计费。完成这项键入文本比较，不需要调用模型，也不需要配置读取与提取的组合流程。
常见 OCR 错误与相关术语
不要把上传成功等同于文本可读，把文本可读等同于字符识别正确，或把结构化结果等同于已核实的事实。应区分原始识别结果、候选字段与审核后的值。如果来源版本发生变化，应重新比较，而非沿用先前的确认结果。
计算机视觉涉及更广泛的图像任务。数据标注说明参考判定，自然语言处理则介绍获得可读语言后的理解任务。仅凭 OCR 不应授权付款，也不应裁定有争议的文档陈述。
作者：Ai Flowi · 发布于