Google DocumentAI语言提示设置及中英混排OCR识别异常问题

可能的核心原因 #

• 文本布局与块分割逻辑干扰：中英混排时，如果中文和英文的字号、行间距、位置关系差异较大（比如中文是小字号注释、位于英文行尾/行侧），DocumentAI的文本块检测算法可能会将中文区域判定为非主要文本块，或者与英文块合并后优先识别英文，导致中文被遗漏。而单独裁剪时，中文成为唯一文本主体，算法会优先检测识别。
• language_hints 配置逻辑问题：即使设置了中文作为提示，若language_hints的顺序不合理（比如先添加英文再中文），模型会倾向于优先匹配英文语境，对混排中的中文识别优先级降低。另外，部分场景下仅设置单一中文提示可能不够，需要明确指定中英双语言提示。
• 置信度阈值过滤：DocumentAI默认会过滤置信度较低的识别结果。混排场景中，中文区域可能因为周围英文的干扰，识别置信度被拉低至阈值以下，导致结果被丢弃；单独裁剪时没有干扰，置信度达标就能正常输出。

针对性解决步骤 #

1. 优化 language_hints 配置
   明确指定中英双语言提示，且将中文放在前面提升优先级，示例代码片段：

   process_options = {
       "ocr_config": {
           "language_hints": ["zh", "en"]
       }
   }
   

2. 调整文本块检测参数
   在ocr_config中增加对小文本、低对比度文本的检测支持，比如开启图像质量评分，或者适当降低置信度阈值（谨慎调整，避免引入过多噪声）：

   process_options = {
       "ocr_config": {
           "language_hints": ["zh", "en"],
           "min_confidence": 0.3,  # 根据实际情况调整阈值
           "enable_image_quality_scores": True
       }
   }
   

3. 图像预处理优化
   对原图进行针对性预处理，比如增强中文区域的对比度、锐化，或者将中英文本区域分割后分别识别，再合并结果。
4. 局部补全识别
   对漏识别的区域单独裁剪后调用DocumentAI识别，将局部结果与全局识别结果做合并，弥补全局识别的遗漏。

内容的提问来源于stack exchange，提问作者jonah_w