MODEL / 03 · MULTILINGUAL TEXT RECOGNITION

面向多语种标本签的
PaddleOCR 微调模型

基于 eslav PP-OCR 识别器,在真实标本签文本上进行微调,适配手写与打印混合、较长文本行和领域字符。

01 / BEFORE & AFTER

同一批文本,比较微调带来的变化

字符错误率 CER · 越低越好相同预处理
微调前
34.75%
微调后模型
11.66%
050100%
测试单元:人工确认的文本行相同输入高度、宽度处理与推理 batch

CER 与 WER 分别衡量字符和词的编辑错误。此表衡量识别器在人工行裁块上的表现。

02 / MODEL & ADAPTATION

保留识别框架,适配领域文本

文本行图像文本行裁块
→
PPLCNet视觉特征
→
SVTR + CTC序列建模与解码
→
文字序列微调后的领域字符表

字符表适配

从训练数据中补入 5 个字符,保留原字符索引,适配标本签中的多语种与特殊符号。

长文本行处理

采用动态池化处理较长行,最大输入宽度 1,792。

训练与部署

训练使用 CTC 与 NRTR 辅助目标;导出识别模型保留 CTC 路径,可接入既有标签数字化流程。

基础识别器
eslav PP-OCR
训练 / 验证
1,836 / 261 行
所选学习率
3×10⁻⁵
03 / PAIRED LINE EXAMPLES

看清楚每一行发生了什么变化

文字识别输入的实际文本行

人工参考转写

微调前 · 官方识别器

微调后 · PaddleOCR

04 / APPLICATION SCENARIOS

连接标签图像与结构化资料

01

多语种历史标本签

处理以西里尔文为主、含拉丁学名、数字与混合文字的标签文本。

02

手写与打印混合行

在统一识别流程中读取印制抬头、手写地名和采集信息,保留原始文字输出。

03

批量转录与人工复核

将识别结果与行图并列呈现,为转录核对、字段抽取和地理定位提供输入。

05 / RESOURCES

开放信息

模型与微调后参数文件将随论文发布公开