- 综合排序
- 最热优先
- 最新优先
- 来自专栏目标检测和深度学习
OCR技术综述
最近入坑研究OCR，看了比较多关于OCR的资料，对OCR的前世今生也有了一个比较清晰的了解。所以想写一篇关于OCR技术的综述，对OCR相关的知识点都好好总结一遍，以加深个人理解。 什么是OCR？ 比如汉王OCR，百度OCR，阿里OCR等等，很多企业都有能力都是拿OCR技术开始挣钱了。 其实我们自己也能感受到，OCR技术确实也在改变着我们的生活：比如一个手机APP就能帮忙扫描名片、身份证，并识别出里面的信息；汽车进入停车场、收费站都不需要人工登记了，都是用车牌识别技术；我们看书时看到不懂的题 比如“品”字，它的特征就是它有3个圈，6条横线，6条竖线。除了结构特征，还有大量人工专门设计的字符特征，据说都能得到不错的效果。最后再将这些特征送入分类器（SVM）做分类，得出识别结果。 针对传统OCR解决方案的不足，学界业界纷纷拥抱基于深度学习的OCR。 这些年深度学习的出现，让OCR技术焕发第二春。
16.2K92发布于 2018-04-18 - 来自专栏SIGAI学习与实践平台
OCR技术简介
OCR的技术路线 典型的OCR的技术路线如下图所示 其中影响识别准确率的技术瓶颈是文字检测和文本识别，而这两部分也是OCR技术的重中之重。 在传统OCR技术中，图像预处理通常是针对图像的成像问题进行修正。 [3]所以当面对自然场景的通用OCR，适于多尺度检测的FCN较之Faster R-CNN有着更好的表现。当采用FCN时，输出的掩膜可以作为前景文字的二值图像进行输出。 [12] 总结 尽管基于深度学习的OCR表现相较于传统方法更为出色，但是深度学习技术仍需要在OCR领域进行特化，而其中的关键正式传统OCR方法的精髓。 [3] Lin T Y, Dollar P, Girshick R, et al.
18.5K20发布于 2018-09-26 - 来自专栏SIGAI学习与实践平台
OCR技术简介
OCR的技术路线 典型的OCR的技术路线如下图所示 ? 其中影响识别准确率的技术瓶颈是文字检测和文本识别，而这两部分也是OCR技术的重中之重。 在传统OCR技术中，图像预处理通常是针对图像的成像问题进行修正。常见的预处理过程包括：几何变换（透视、扭曲、旋转等）、畸变校正、去除模糊、图像增强和光线校正等。 [3]所以当面对自然场景的通用OCR，适于多尺度检测的FCN较之Faster R-CNN有着更好的表现。当采用FCN时，输出的掩膜可以作为前景文字的二值图像进行输出。 ? FCN的网络结构[3] 但是与其他日常场景的物体检测所不同的是，文字图像的分布更接近于均匀分布而非正态分布，即文字总体的均值图像并不能体现文字这一抽象概念的特征。 FOTS的总体结构[12] 总结 尽管基于深度学习的OCR表现相较于传统方法更为出色，但是深度学习技术仍需要在OCR领域进行特化，而其中的关键正式传统OCR方法的精髓。
8.6K50发布于 2018-10-18 OCR识别技术
前言一、OCR是什么？OCR是光学字符识别的缩写，通俗来讲就是计算机可以通过图像来识别和处理文字信息。二、OCR应用领域OCR识别API对接步骤1、接入前文档查看需要什么协议？ 3、引入相关三方工具类4、调试import com.mittang.util.HttpUtils;import org.apache.http.HttpResponse;import org.apache.http.util.EntityUtils args) throws Exception{ String host = "https://open.expauth.com"; String path = "/v2/ocr API为了简化开发者的工作，许多云服务提供商提供了强大且易于集成的OCR API1.文字OCR文字识别场景服务商提供的OCR API可选择性比较多，开发者可以根据自己的需求选择适合自己的服务商。 总结OCR识别技术让信息处理变得更加便捷。目前OCR技术已经广泛应用于我们的生活和工作中。
4K10编辑于 2024-05-15- 来自专栏应用案例
OCR技术浅析
以深度学习兴起的时间为分割点，直至近五年之前，业界最为广泛使用的仍然是传统的OCR识别技术框架，而随着深度学习的崛起，基于这一技术的OCR识别框架以另外一种新的思路迅速突破了原有的技术瓶颈（如文字定位、 笔者针对业务中的身份证照片文字识别需求分别尝试了传统OCR识别框架及基于深度学习的OCR识别框架。下面就以身份证文字识别为例分别简要介绍两种识别框架。 传统OCR技术框架 如上图所示，传统OCR技术框架主要分为五个步骤： 首先文本定位，接着进行倾斜文本矫正，之后分割出单字后，并对单字识别，最后基于统计模型（如隐马尔科夫链，HMM）进行语义纠错。 下面介绍基于传统OCR框架处理身份证文字识别： 身份证识别技术流程与上述框架稍微有所差异。对该问题，已知先验信息：a.证件长宽固定；b.字体及大小一致；c.文本相对于证件位置固定；d.存在固定文字。 基于深度学习的OCR识别框架 目前，从技术流程上来说，主要分为两步，首先是检测出图像中的文本行，接着进行序列识别。
10.8K10发布于 2017-12-28 - 来自专栏ocr
OCR文字识别技术
OCR，作为一种自动解读这种图像符号的技术，毫无疑问将是下阶段大数据发展的大方向。 因为随着移动互联网的繁荣发展，社会已经迎来了移动应用井喷时代，而出于对业务模式创新，以及用户体验优化的追求，以前很多依赖特定仪器才能实现的技术和操作开始适配到移动端， OCR技术就是这股移动化浪潮中相当受到瞩目的技术之一 从身份证识别、银行卡识别、车牌识别到名片识别、文档识别等各种形式的识别OCR都能轻松搞定。现在你只要用手机对准这些进行拍照扫描，OCR技术瞬间就能将图片中的文字转变为可编辑的文本信息。 在这信息高速发展的时代，信息电子化已经成为了时代的必然趋势，而OCR技术作为文字电子化过程中最重要的环节，它改变了传统纸质介质资料输入的概念。 全球数据信息量呈指数式爆炸增长之势，随处可见大数据的影响，顺应移动互联网大潮，OCR技术无论是面向行业用户还是面向普通用户都呈现出移动化的趋势。
42.2K20发布于 2020-03-30 DeepSeek-OCR-2 开源 OCR 模型的技术
DeepSeek-OCR-2开源OCR模型的技术OCR应用的场景和类型很广，本次使用Qwen2的架构，解决看的全（扫码方式优化）、看的的准（内容识别、视觉标记、降低重复率），多裁剪策略提取核心信息。 1.2模型规格与性能指标DeepSeek-OCR-2参数量3B视觉编码器DeepEncoderV2(基于Qwen2-0.5B)语言解码器DeepSeek3B-MoE-A570M支持分辨率动态分辨率，最高 OCRBench860分3B参数以下模型SOTAOmniDocBench94.1分复杂文档解析最高分，超越Gemini3-pro文字检测识别70.92%自建基准，覆盖9大场景信息抽取92.29%卡片/收据 对于开发者而言，2026年是OCR技术选型最优的一年——既有成熟的传统方案，也有前沿的端到端模型，且都是免费开源的。 /GOT-OCR2.0Qwen2-VL:https://github.com/QwenLM/Qwen2-VL（本文由AI辅助整理技术资料，核心数据来源于各模型官方技术报告和GitHub仓库。）
51310编辑于 2026-02-07- 来自专栏通用文字识别信息技术白皮书
OCR技术的昨天今天和明天！2023年最全OCR技术指南！
本文将介绍该技术的前世今生，一览该技术的阶段性发展：传统OCR技术统治的过去，深度学习OCR技术闪光的现在，预训练OCR大模型呼之欲出的未来！ 一、OCR的前世：传统OCR技术统治的过去传统OCR技术的工作原理OCR的运作方式可以类比为人类阅读文本和识别模式的能力。传统OCR技术通过电脑视觉、模式识别技术来自动识别并提取图像或文档中的字符。 3.处理复杂背景和装饰字的挑战：如果文本字符与背景紧密相连或者文本在复杂的背景上，传统的OCR系统可能会难以准确地分割和识别字符。 这也是为什么越来越多的研究者开始探索使用深度学习等更先进的技术来改进OCR系统。二、OCR的今生：深度学习OCR技术闪光的现在传统OCR技术在处理复杂的图像和不规则形状的文本时，效果并不理想。 3.字符组合：最后，解码器将生成的字符序列组合成最终的文本结果。
4K11编辑于 2023-07-21 - 来自专栏IT技术精选文摘
OCR检测与识别技术
”、“医学文献图像”等挑战任务中的4项冠军，获得了业内广泛好评，同时也再次证明了团队在OCR领域的技术研发能力。 3、部分场景图片文本检测效果图 腾讯数平精准推荐团队自研的OCR技术目前已经广泛服务于公司内部的多个业务。 在OCR方面，我们已经有了多年积累下的各项技术积累，愿意与任何有OCR技术相关需求的业务同行进行交流合作，持续打造业界一流的数据、算法和系统。 （图2） 在2013年之前，传统算法在OCR领域占主导地位，其标准流程包含文本检测、单字符分割、单字符识别、后处理等步骤，如图3所示。 ? OCR技术在广告图像以及其他形式图像的研究与落地，仍存在巨大潜力尚待挖掘，本团队也会继续精耕细作。
26.8K101发布于 2018-06-22 - 来自专栏python3
Python3导入Asprise Ocr
Asprise是一个优秀的OCR软件，下面是Asprise_Python的官网网页 http://asprise.com/ocr/docs/html/asprise-ocr-package-dev-python.html 不过使用以下命令安装asprise之后，发现导入asprise的库会报错，提示找不到OCR模块 pip install asprise_ocr_sdk_python_api 再在命令行中输入asprise_ocr ，依然提示找不到OCR模块。 按照报错信息查找，修改\Lib\site-packages\asprise_ocr_api\__init__.py 文件中的代码为： from .ocr import * from .ocr_app import 好像在ocr_app模块中也有一处导入语句要修改。 最终输入asprise_ocr后启动一个demo程序，自动下载了Asprise 的Python动态链接库。
1.1K10发布于 2020-01-03 Datalab Marker与OCR文档解析技术
本文介绍了Datalab公司的Marker和OCR模型在文档解析与文本提取方面的技术应用。 OCR可从图像和文档中检测九十种语言的文本，并返回阅读顺序和表格网格。Marker模型基于开源项目Marker（某代码托管平台29k星标），OCR基于Surya（19k星标）。 元数据 },)print(output["markdown"][:400])运行OCRimport replicateoutput = replicate.run( "datalab-to/ocr Marker在所有测试模型中表现优异，包括GPT-4o、Deepseek OCR、Mistral OCR和olmOCR。 原文包含详细数据）定价Marker：快速/平衡模式，无page_schema，每1000页4元Marker：使用page_schema进行结构化提取，每1000页6元Marker：精确模式，每1000页6元OCR
600编辑于 2026-04-16- 来自专栏闪电gogogo的专栏
【OCR技术系列一】光学字符识别技术介绍
注：此篇内容主要是综合整理了光学字符识别 和OCR技术系列之一】字符识别技术总览，详情见文末参考文献 什么是 OCR？ 比如汉王OCR，百度OCR，阿里OCR等等，很多企业都有能力都是拿OCR技术开始挣钱了。 比如“品”字，它的特征就是它有3个圈，6条横线，6条竖线。除了结构特征，还有大量人工专门设计的字符特征，据说都能得到不错的效果。最后再将这些特征送入分类器（SVM）做分类，得出识别结果。 针对传统OCR解决方案的不足，学界业界纷纷拥抱基于深度学习的OCR。 这些年深度学习的出现，让OCR技术焕发第二春。 参考： [1] 光学字符识别，百度百科 [2] 【OCR技术系列之一】字符识别技术总览
6.9K40发布于 2018-08-10 - 来自专栏AI SPPECH
20：GLM-OCR 深度解析：轻量级多模态OCR的技术突破
背景动机与当前热点 本节核心价值 分析当前OCR技术的发展现状与痛点，阐述GLM-OCR应运而生的技术背景和市场需求。 在文档智能处理领域，OCR（光学字符识别）技术一直是基础且关键的环节。 多语言混排：支持中、英、日、韩等多种语言的混合识别 3. ： 开源贡献：为OCR领域提供了轻量级、高性能的开源解决方案 技术创新：融合了多模态学习、强化学习等前沿技术，推动了OCR技术的发展 生态构建：基于ModelScope平台，构建了完整的OCR技术生态 OCR，无需额外训练 智能版面分析：自动理解文档版面结构，提取语义信息 长期（3-5年）： 通用文档智能：从单纯的OCR升级为通用文档智能系统，理解文档语义 跨媒体理解：实现文本、图像、表格等多种媒体的统一理解 ： 开源生态繁荣：基于GLM-OCR的开源生态将不断壮大，促进OCR技术的普及 技术标准形成：推动OCR技术标准的形成，规范行业发展 跨领域融合：与AI、大数据等技术深度融合，形成新的技术范式 创业机会
1.2K10编辑于 2026-02-08 - 来自专栏ocr
ocr手机扫描银行卡的技术
手机扫描银行卡的技术应用背景 为了提高在移动终端上输入银行卡号的速度和准确性，我公司结合银行、保险、金融P2P及第三方支付等行业对自动识别银行卡号的迫切需求，推出手机扫描银行卡的技术SDK，各类APP只需集成手机扫描银行卡的技术 手机扫描银行卡的技术SDK可支持Android、iOS主流移动操作系统，APP集成手机扫描银行卡的技术SDK后，用户采用手机、平板电脑对银行卡进行拍摄识别即可自动识别银行卡号 手机扫描银行卡的技术技术功能特点 1．识别种类多：支持国内各个银行的卡，包括平面字体和凹凸字体； 2．识别速度快：单张手机扫描银行卡的技术速度小于1 秒； 3．银行卡OCR识别技术技术也可以部署在识别服务器上，可支持Linux 32/ 用户可部署到自有服务器上，APP可直接调用手机扫描银行卡的技术服务。 手机扫描银行卡的技术技术主要应用领域 1．金融保险：移动展业、移动查勘录入银行卡号； 2．银行：直销银行、手机银行绑卡； 3．移动支付：绑定银行卡支付； 4．金融P2P：绑定银行卡充值；
2.3K30发布于 2020-04-29 - 来自专栏vue全家桶
【玩转OCR有奖征文】文字识别技术原理
那么，有没有什么技术能帮助我们解决这些难题呢？有的，那就是OCR文字识别技术。 本文将以腾讯云文字识别OCR（Optical Character Recognition，光学字符识别）为例，详细介绍文字识别技术实现原理。 文字识别技术原理文字识别技术是一种将非结构化数据中的文字信息提取出来的技术。它主要通过光学方式对文字进行识别，因此被称为光学字符识别。 文字识别技术的基本原理是利用计算机视觉技术和深度学习技术对图像进行预处理、字符分割和字符识别等步骤，最终将图像中的文字信息提取出来。 字符分割主要采用计算机视觉技术和图像处理技术，通过设定不同的分割算法，将图像中的每个字符单独提取出来，便于后续的字符识别。字符分割算法可以分为基于规则的分割和基于学习的分割。
1.9K30编辑于 2023-08-30 【玩转OCR | 基于腾讯云智能结构化OCR的技术应用实践】
目录背景与业务挑战腾讯云智能结构化OCR的核心优势1. 全面的行业覆盖能力2. 高识别精度与版式适应性3. 个性化模板定制4. 便捷接入与资源优化应用实践案例：物流行业的单据自动化处理1. 在这些场景下，通用OCR产品无法满足高精度的识别需求，企业需要一种能够针对特定场景进行深度优化的解决方案。腾讯云智能结构化OCR凭借其强大的技术能力，为企业提供了灵活高效的文档解析服务。 高识别精度与版式适应性该产品借助多模态大模型技术，即便面对多样化版式或中英文混排的复杂场景，依然能够维持极高的识别准确率，且能够快速定位和提取关键信息。3. 3) 多语言支持优化针对中英文混排的场景，借助高级版OCR产品，解决了原先英文字段识别错误率高的问题。例如，对国际物流单据中的商品名称和备注信息实现了准确识别。 在未来，随着多模态大模型技术的进一步发展，智能结构化OCR在更多行业场景中的应用潜力将更加广阔。
1.5K00编辑于 2024-12-30- 来自专栏AgenticAI
探索 Phi-3-Vision-128K：引领未来的 AI 文档处理与 OCR 技术
本文将深入探讨 Phi-3-Vision-128K-Instruct 的核心技术，解析其架构、技术要求及使用注意事项，帮助您了解如何利用该模型简化文档提取、PDF 解析与 AI 数据分析等复杂任务。 测试 OCR 功能 为了展示 Phi-3-Vision-128K-Instruct 的 OCR 能力，我们使用了一些扫描身份证的实例进行测试。 借助此链接，您可以轻松测试模型的能力，尤其是其出色的 OCR 功能。 img 模型架构与训练 Phi-3-Vision-128K-Instruct 并不是普通的语言模型。 OCR 和文档提取的重要性 对于企业和研究人员而言，文档提取和 OCR 技术至关重要。 总结 Phi-3-Vision-128K-Instruct 不仅是多模态人工智能领域的重大进步，更是文档提取、OCR 以及 AI 驱动的内容生成的革命性飞跃。
34910编辑于 2025-03-18 - 来自专栏AI SPPECH
GOT-OCR-2.0-hf开源模型：多语言OCR技术的全面提升
一句话承诺：深度解析GOT-OCR-2.0-hf的技术架构、性能优势与应用场景，附详细代码示例和性能对比图表，助你快速掌握领先的光学字符识别技术。 GOT-OCR-2.0-hf技术特点对照表 技术特性 GOT-OCR-2.0-hf 传统OCR技术 提升幅度 应用价值 骨干网络 改进的ResNet50-V1d 基础CNN网络 显著增强 更高效的特征提取 result = model.chat(tokenizer, image, ocr_type="ocr") # 输出结果 print(f"OCR结果: {result}")---- 核心技术模块详解 多语言翻译 应用场景 技术实现 优势 实时翻译 OCR + 机器翻译API 快速多语言内容理解 文档翻译 OCR + 文档翻译 完整保留文档结构 图像翻译 OCR + 图像翻译 直观的翻译结果呈现 3 输出或保存结果 3.
31610编辑于 2025-11-20 - 来自专栏C/C++葵花宝典
【玩转OCR | 基于腾讯云智能结构化OCR的技术应用实践】
在这些场景下，通用OCR产品无法满足高精度的识别需求，企业需要一种能够针对特定场景进行深度优化的解决方案。腾讯云智能结构化OCR凭借其强大的技术能力，为企业提供了灵活高效的文档解析服务。 高识别精度与版式适应性 该产品借助多模态大模型技术，即便面对多样化版式或中英文混排的复杂场景，依然能够维持极高的识别准确率，且能够快速定位和提取关键信息。 3. 3) 多语言支持优化 针对中英文混排的场景，借助高级版OCR产品，解决了原先英文字段识别错误率高的问题。例如，对国际物流单据中的商品名称和备注信息实现了准确识别。 batch_ocr：循环处理多个文件，通过POST请求将图像发送至OCR API进行识别，并返回识别结果。 在未来，随着多模态大模型技术的进一步发展，智能结构化OCR在更多行业场景中的应用潜力将更加广阔。
1.7K10编辑于 2024-12-31 - 来自专栏DeepHub IMBA
DeepSeek=发布视觉压缩OCR模型 DeepSeek-OCR，哪些信息和技术亮点值得关注？
Contexts Optical Compression”的意思 模型架构也由两个部分组成： 一个是 DeepEncoder，负责把输入的图像压成很紧凑的视觉 token； 另一个是 DeepSeek-3B-MoE 这里的 MoE 不太常见在 OCR 里出现，它更常见于语言模型。DeepSeek 把它搬进 OCR，目的是在不同文档类型之间自动选择最合适的专家，从而兼顾表格、段落、手写体等多种结构。 也就是说如果普通 OCR 需要 10,000 个 token 才能读完整篇文档，这个模型可能只用 1,000 个就能搞定。 DeepSeek-OCR 在这个基准上，用更少的视觉 token 数量就超过了 GOT-OCR 2.0 和 MinerU 2.0，这俩都是目前比较强的开源 OCR 模型。 某种程度上，它已经不是 OCR，而更接近“文档理解引擎”。 DeepSeek 团队在论文里提到，他们想验证“视觉模态是否能成为长上下文压缩的一种方式”。
28310编辑于 2025-11-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号