如何解决中的字母混淆问题？

Question

我试图提取带有OCR和regex的增值税发票号，但很多时候字母B与数字8混淆了。例如，增值税号码是B28125185，OCR返回828125185。当然，regex没有检测到增值税的数量。我读过一些关于Levenshtein距离的文章，但我不知道如何实现它。有办法解决这个问题吗？

谢谢

Answer 1

如果您正在使用的图像有一个特定的字体，您可以考虑培训模型，以满足您的需要。下面是一个描述这个过程的视频：https://www.youtube.com/watch?v=TpD76k2HYms

或者，你也可以尝试关于图片的培训--输入增值税数字的图像+他们的文本，来教他们看起来怎样。

以下是培训文档的链接：

https://tesseract-ocr.github.io/tessdoc/TrainingTesseract-4.00.html#tutorial-guide-to-lstmtraining