OCR 技术是数字化时代必不可少的实用工具。以前都依赖专业的公司的专业软件才能完成。成本很高。也正因为如此，我国纸质资料的数字化并不普及。基于大模型的ORC 也许会改变这样的现状。
文本识别，也称为光学字符识别 (OCR)，可以将印刷文本或手写文本转换为易于编辑、搜索和分析的数字格式。它涉及分析文本图像并识别其中包含的字符和单词。
深度学习彻底改变了文本识别，显著提升了准确性和性能。目前已有多种基于深度学习的文本识别方法。
使用深度学习进行文本识别
-
卷积神经网络 (CNN)：CNN 通常用于基于图像的文本识别。输入图像由卷积层驱动，提取特征并学习文本表征。然后，CNN 的输出被传递到循环神经网络 (RNN) 进行进一步处理和文本识别。
-
循环神经网络 (RNN)：RNN 广泛应用于基于序列的文本识别，例如手写和语音识别。RNN 使用反馈循环来处理序列数据，从而能够捕捉长期依赖关系和上下文信息。
-
编码器-解码器网络：编码器-解码器网络用于端到端文本识别。输入图像首先被编码为特征向量，然后解码为字符或单词序列。这些网络可以进行端到端训练，从而提高效率和准确性。
记得十年前学习google 的tensorflow 神经网络技术的第一个项目就是手写数字的识别。伴随着大模型（LLM） 特别是多模态大模型的出现，基于AI大模型 的OCR 变现出显著的优势。而且使用十分简单。最近我就尝试了基于阿里的qwen-vl 大模型实现OCR 。
输入：
这是一个page 的文档，通过截屏出来的图片。
代码
import os
from openai import OpenAI
import base64
def encode_image(image_path):
with open(image_path, "rb") as image_file:
return base64.b64encode(image_file.read()).decode("utf-8")
input_image_path = r"./text.png"
base64_image = encode_image(input_image_path)
client = OpenAI(
api_key="sk-27c202869xxxxxxa4a9300767e0d",
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
model="qwen-vl-ocr-latest",
messages=[
{
"role": "system",
"content": [{"type": "text", "text": "You are a helpful assistant."}],
},
{
"role": "user",
"content": [
{
"type": "image_url",
"image_url": {
"url": f"data:image/jpeg;base64,{base64_image}"
},
},
{"type": "text", "text": "请识别出图片文字"},
],
},
],
)
print(completion.choices[0].message.content)
结果
播客电台项目报告
项目简介
项目的目标
本项目标是实现像收听电台一样收听自己喜爱的播客节目。节目单是根据听众的喜好，利用
AI技术的推荐算法自动生成。实现听众完全脱离屏幕操作，可以在多种设备收听播客节目。
本项目的另一个目标是将国外优质的播客节目翻译成中文播客，使国内听众能够收听到国外
生活，教育类的播客节目。倾听世界的声音。
项目的背景
国内播客的现状
国内的播客平台主要包括喜马拉雅和小宇宙。本人收听了一段时间的播客节目，总的感觉有一些高
质量的播客节目，比如我喜欢的播客包括：硅谷101，商业就是这样的。但是高质量的节目比较少，
主要表现在：
• 音频书比较多，访谈类节目比较少。从我个人的体验而言，我更喜欢访谈类节目，感觉有一个人
在讲述。更加亲切。我尝试使用了两个大模型
- qwen-vl-max-latest
- qwen-vl-ocr-latest
初步测试，感觉两个模型的OCR 识别能力都很棒。
我也尝试过OllamaOCR ，它是基于Llama 3.2-Vision 11B 实现的，感觉对中文的识别效果不行。
PDF 分页转换成图（PDF2Image）
#pip install pdf2image
#conda install -c conda-forge poppler
from pdf2image import convert_from_path
pages = convert_from_path('./2.pdf', 500)
for count, page in enumerate(pages):
page.save(f'./pages/page{count}.jpg', 'JPEG')分页转换程序
from openai import OpenAI
import base64
import os.path
def encode_image(image_path):
with open(image_path, "rb") as image_file:
return base64.b64encode(image_file.read()).decode("utf-8")
#input_image_path = r"./text.png"
#base64_image = encode_image(input_image_path)
client = OpenAI(
api_key="sk-27c202869xxxxx4a9300767e0d",
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
def PageOCR(base64_image):
completion = client.chat.completions.create(
model="qwen-vl-ocr-latest",
messages=[
{
"role": "system",
"content": [{"type": "text", "text": "You are a helpful assistant."}],
},
{
"role": "user",
"content": [
{
"type": "image_url",
"image_url": {
"url": f"data:image/jpeg;base64,{base64_image}"
},
},
{"type": "text", "text": "请识别出图片文字,以markdown的格式输出。内容仅包含文字和标点符号，不包含任何说明，注释。"},
],
},
],
)
print(completion.choices[0].message.content)
return completion.choices[0].message.content
def Main():
DIR = './pages'
FileNumber=len([name for name in os.listdir(DIR) if os.path.isfile(os.path.join(DIR, name))])
Text=""
for count in range(FileNumber):
base64_image= encode_image(f'./pages/page{count}.jpg' )
Text=Text+PageOCR(base64_image)
f = open("Content.md", "a")
f.write(Text)
f.close()
Main()OCR 了一篇繁体字的散文
很满意的结果，但是要求大模型以markdown 格式输出，好像它没有照我做。
结束语
很感慨，技术进步有时候真的很无情，一些企业做了许多年的OCR ， 被大模型超越了，真是被时代淘汰，连招呼都不打。
无论是语音转码（TTS/STT），还是OCR ，中文还是要依靠国内的力量来开发。也是国内团队具有优势的场景之一。
