document-ocr

一個相對完整的文檔分析和識別項目含以下五部分:

1. 文檔分析數(shù)據(jù)，
2. 識別數(shù)據(jù)合成工具，
3. 文檔版面分析模型，
4. 文本行識別模型，
5. 單字識別模型

Github地址

Gitee地址

 數(shù)據(jù)

數(shù)據(jù)從網(wǎng)絡(luò)抓取的公開上市公司年報數(shù)據(jù) PDF　文件解析生成，有圖片和文本的位置信息

網(wǎng)盤下載地 提取碼: nn1g

文本數(shù)據(jù)是標注到文本行的，部分數(shù)據(jù)會有些瑕疵，共34000樣本

可以根據(jù)標注數(shù)據(jù)生成文本行識別數(shù)據(jù)

識別數(shù)據(jù)合成

單字和文本行數(shù)據(jù)合成工具 能比較好的過濾字體中不支持的字符

 相關(guān)算法實現(xiàn)

所有代碼依賴 Tensorflow 1.14 和 opencv 3.x

1. 版面分析
2. 文本行識別
3. 單字識別

 注

 - 代碼還有很多需要完善的地方，不在此列舉，歡迎各種 issue

 - 代碼中有很多參數(shù)沒有提出到命令行比如 learning_rate 等，希望使用的時候多讀下代碼