训练Tesseract提升扫描件日期金额识别准确率遇报错求助

两类训练报错的根因与修复方法 #

• 报错1：

  class_id >= 0 && class_id < unicharset_size_:Error:Assert failed:in file src/training/common/trainingsampleset.cpp, line 581
  Aborted (core dumped)
  该报错由训练标注与字符集不匹配导致：要么是box标注文件里存在生成的unicharset字符集未收录的字符，要么是部分box标注行格式错误（比如缺字符字段、坐标值为非整数）。排查时逐张校验训练样本的box文件，用unicharset_extractor单独提取单样本的字符集，和全局使用的unicharset做比对，删除或修正不匹配的标注项即可解决。

• 报错2：

  Estimating resolution as 206
  Error during processing.
  该报错由训练图片DPI不达标导致，Tesseract训练要求输入图片分辨率不低于300DPI，当前检测到的图片分辨率仅206DPI。直接用图像处理工具批量将训练集图片DPI修改为300即可，以ImageMagick为例，转换命令为：

  convert 输入图片路径 -density 300 -units PixelsPerInch 输出图片路径
  

  转换完成后重新执行训练流程即可跳过该错误。

日期/金额高准确率识别落地方案 #

当前场景不需要做全量Tesseract模型训练，按优先级落地以下方案即可把字段识别准确率提升到99%以上，成本远低于从零微调模型：

• 第一步：配置识别字符白名单。日期、金额涉及的字符范围极小，仅包含0-9、/、-、.、,、货币符号，直接通过Tesseract参数限定识别字符集，从根源上杜绝/被识别为V、n这类无关字符的问题，Python调用示例：

  import pytesseract
  # 白名单根据业务实际出现的字符调整
  ocr_config = r'--oem 3 --psm 6 -c tessedit_char_whitelist=0123456789/-.,¥'
  result = pytesseract.image_to_string(processed_img, config=ocr_config)
  

• 第二步：做局部区域裁剪后识别。不要对整页PDF/扫描件做全量OCR，先通过版面匹配、轮廓检测或者固定位置坐标，把日期、金额所在的小范围区域单独裁剪出来再送入OCR，局部识别的准确率比整页识别高15%以上，也不会被页面其他位置的文字干扰。
  识别样例参考：
  
• 第三步：加结果后处理校验。识别完成后用正则匹配校验日期、金额格式：比如日期需匹配\d{1,2}[/-]\d{1,2}[/-]\d{2,4}这类业务约定的格式，金额需符合数值规则，校验不通过的结果直接标记为待复核，不要传入后续业务逻辑，可完全避免单字符识别错误引发的业务故障。
• 如果确实需要做模型微调，不要参考零散的第三方旧教程，直接用Tesseract官方的训练脚本跑流程，训练样本只需要收集业务场景下易识别错误的日期、金额字符即可，每个字符准备20-30个对应场景的样本就能达到很好的效果，不需要准备上万张的大训练集。

内容的提问来源于stack exchange，提问作者Piyush Gupta