使用OpenCV Python识别机械零件字符时EasyOCR结果不准如何优化

核心优化方向 #

1. 图像预处理优化 #

原有预处理顺序不合理，且没有针对金属反光、字符对比度低的工业场景做适配，调整如下：

• 调整操作顺序：先转灰度再做滤波、锐化，避免彩色通道引入无效干扰
• 新增自适应二值化：解决金属表面反光不均的问题，明确分离深色字符和亮面金属背景
• 新增形态学去噪：过滤零件表面细小划痕、污渍噪点，避免干扰字符特征
• 可选优化：先定位字符所在的ROI区域，裁剪后放大2~3倍再做识别，可大幅提升小字符的识别准确率

2. EasyOCR参数优化 #

原有调用仅用默认参数，没有针对工业印刷字符的场景做适配：

• 增加allowlist参数：限定识别范围仅为场景中会出现的大写英文字母、数字，过滤括号、引号、逗号等错误识别的特殊符号
• 开启置信度过滤：设置detail=1获取每个识别结果的置信度，仅保留置信度≥0.6的有效结果
• 调整识别阈值：适当提高text_threshold参数到0.7以上，降低误识别概率

3. 后处理规则优化 #

可以根据你的零件字符的固定规则做校验修正：

• 固定字符长度过滤：如果你的零件字符是固定6位/8位，直接舍弃长度不符的结果
• 特殊符号替换：批量替换识别结果中误判的逗号、横杠、引号等无效符号

优化后参考代码 #

import numpy as np
import cv2
import easyocr

IMAGE_FILE_LOCATION = r'D:\camera_mv_image\IMAGES\date (1).jpeg'
input_img = cv2.imread(IMAGE_FILE_LOCATION)

# 预处理优化
# 1. 先转灰度
gray = cv2.cvtColor(input_img, cv2.COLOR_BGR2GRAY)
# 2. 双边滤波去噪
bfilter = cv2.bilateralFilter(gray, 15, 30, 30)
# 3. 自适应阈值二值化
thresh = cv2.adaptiveThreshold(bfilter, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
# 4. 形态学开运算去噪
kernel = np.ones((2,2), np.uint8)
clean = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=1)
# 5. 锐化
sharpen_kernel = np.array([[-1,-1,-1], [-1,9,-1], [-1,-1,-1]])
sharpen = cv2.filter2D(clean, -1, sharpen_kernel)

cv2.imshow('processed', sharpen)

# EasyOCR参数优化
reader = easyocr.Reader(['en'], gpu=False) # 有GPU可以开启gpu=True提升速度
# 限定识别范围为大写字母+数字，开启置信度过滤
result = reader.readtext(sharpen, 
                         detail=1,
                         allowlist='0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ',
                         text_threshold=0.7)
# 过滤低置信度结果，提取文本
final_result = []
for detection in result:
    if detection[2] >= 0.6:
        final_result.append(detection[1])
print("final", final_result)

cv2.waitKey(0)
cv2.destroyAllWindows()

内容的提问来源于stack exchange，提问作者nilam ghodsare