PyTesseract识别7段数码管数字：置信度异常及结果解析求助

所用代码 #

def detect_date(image: cv2.UMat, bbox:list) -> datetime:
    gry1 = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    thr1 = cv2.threshold(gry1, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]
    data = pytesseract.image_to_data(thr1, lang="7seg", config="--psm 6 digits", output_type= Output.DICT)
    return data

环境与测试素材 #

• 使用了Shreeshrii的7seg训练数据集
• 测试图片：
  

遇到的问题 #

• 采用--psm 6 digits配置时，image_to_data返回5个识别条目，其中正确识别出的数字串205215068对应的置信度为0，无法理解这两个现象的原因。
• 仅保留--psm 6、去掉digits参数时，识别结果错误，但置信度数值正常。
• 不清楚能否获取单个数字的置信度，还是只能拿到整串数字的置信度。

分析与建议 #

1. digits参数导致置信度异常的原因
   digits参数会强制Tesseract将识别字符集限定为0-9，但7seg训练数据集是针对七段数码管字符专门训练的，内部字符定义和标准digits字符集存在兼容冲突，导致Tesseract的置信度评分机制失效，出现置信度为0的情况。建议去掉digits参数，通过预处理确保图像仅保留数字区域来限定识别范围。

2. 多条目识别的原因
   psm 6模式假设图像是单一文本块，但如果二值化后的图像存在噪点、数字间距不均等问题，Tesseract会把整串数字拆分成多个识别块，因此返回多个条目。可以检查二值化图像是否有多余噪点，或者尝试改用psm 7（假设图像为单行文本）模式。

3. 获取单个数字的置信度
   image_to_data支持返回单个数字的置信度。返回的字典中，conf字段对应每个识别单元的置信度，text字段是识别内容。你可以筛选出text长度为1的条目，这些就是单个数字的识别结果，对应的conf即为单个数字的置信度。如果当前PSM模式无法拆分单个数字，可尝试psm 8（假设图像为单个字符/单词），或者先对图像进行数字分割，将每个七段数字单独截取后再识别。

4. 预处理优化
   OCR结果高度依赖预处理图像质量，可尝试在灰度图后添加cv2.GaussianBlur模糊处理，减少噪点后再做阈值操作；或调整二值化参数，确保七段数码管笔画完整、无断裂，背景干净。

内容的提问来源于stack exchange，提问作者Sharov