最新

AI 怎么校对 OCR 识别出来的形近字

数字 0 和字母 O、1 和 l 认错不影响阅读却会毁掉搜索,先筛可疑清单再逐条判断改不改。

文字识别的错误很有规律:数字 0 和字母 O、数字 1 和小写 l、己和已、日和曰、末和未。这些错不影响你读懂,但会让金额核对不上、关键词搜不到。让模型做校对的诀窍是别让它从头读一遍,而是先筛出一份可疑清单,再让它逐条判断这一处该不该改。

入口在哪

  • 识别结果导出:优先选带坐标或带置信度的版本,置信度低的那些行就是校对的重点区域。
  • 规则筛查:用脚本或表格公式先挑出同时含字母和数字的词、含 0 和 O、1 和 l 组合的词,形成可疑清单。
  • 模型侧:把可疑词和一整句上下文一起给,不要整篇丢进去让它自由发挥。

具体步骤

  1. 先做规则筛查,把金额、编号、日期这三类字段全部挑出来。正文里的形近字对阅读影响小,可以放到第二轮。
  2. 任务描述写具体:判断每个可疑词在该上下文里应该是数字还是字母,只回答改或不改,并给出依据。
  3. 上下文至少给一整句,最好前后各一句。只给一个孤立词,模型只能猜,猜对的概率和抛硬币差不多。
  4. 分字段处理。金额列先校,因为错一位就是十倍百倍;编号列次之,按固定长度和是否含字母的规则判断。
  5. 改动单独记三列:原文、改后、依据。不要覆盖识别结果,回查时全靠这三列。
  6. 校对完再跑一次格式校验:金额能否转成数字、编号长度是否符合规则、日期是不是合法日期。

几个坑

  • 全角半角混排。全角数字和半角数字看着几乎一样,程序处理完全不同,校验前统一转半角。
  • 字母 O 和数字 0 在编号里都可能合法。不能一刀切全局替换,要按编号格式判断,比如固定长度、固定含校验位。
  • 跨行长编号被断开。识别常把一行放不下的编号折成两行,先拼接再校对,否则每一段看着都像错的。
  • 不可逆操作。批量替换前必须留原始识别文本,一旦把字母 O 全替换成数字 0,含字母的编号就全废了,回退只能重跑识别。

怎么验证

抽二十条改动记录人工确认,统计错改比例;再对整篇做搜索测试,随便挑五个专有名词搜一遍,应该都能命中。搜索命中率是最直观的验收标准,比逐字读快得多。

常见问题

没有置信度信息怎么办?

用规则筛代替。数字字母混排、长度异常、常用词表里查不到,这三类基本覆盖了大部分识别错误,没有置信度也能筛出重点。

模型会不会把正确的字改错?

会,上下文不足时尤其明显。所以只让它回答改或不改并要求给依据,同时把改动范围限制在可疑清单内,不让它自由校订全文。

手写稿的识别错误怎么处理?

手写稿的错不只是形近字,还有连笔造成的整字丢失。这种情况适合人工复核为主、模型辅助为辅,别指望自动校对做到印刷体的准确率。

一句话总结:先规则筛出可疑清单,再让模型带上下文逐条判断改不改,最后用搜索命中率验收。