Let's Make AGI Real

核心观点：PaddleOCR适合本地进行文字识别、版面分析、表格与文档结构恢复；OCR输出不是校勘完成的文本。老报刊、古籍、竖排和低质扫描必须保留图像、置信度、错误记录和人工复核。

一、工具概览与业务定位

PaddleOCR由百度飞桨团队开源维护，提供多语言OCR、文本检测识别、文档理解和PP-StructureV3等流程。项目采用Apache 2.0许可证，可在本地CPU/GPU、服务器或容器环境运行。PaddleOCR GitHub

在图书馆中，它适合把扫描图像转成“可搜索、可校对”的初稿，尤其适合批量数字化的技术环节。其价值取决于扫描质量、版面类型、语言模型和质检方案。

二、访问方式、功能与费用

• 按官方仓库和文档安装Python包或Docker环境；模型可按任务下载。
• PP-OCRv5面向多语言识别，PP-StructureV3处理版面、表格和文档结构；具体语言与硬件支持以当前文档为准。
• 软件无订阅费；真实成本包括扫描、预处理、CPU/GPU、存储、模型微调、标注、校对和长期维护。
• 商用和再分发应核对Apache 2.0许可证以及馆藏版权。

三、适用边界

OCR容易在繁体字、异体字、小字号、污渍、透印、断行、竖排、表格、广告边框和多栏阅读顺序上出错。字符准确率高也不代表人名、日期、金额和专名正确。用于检索可以设定容错，用于全文发布、引用或数字人文分析则需更严格校对。

四、六类图书馆场景

1. 地方文献：老报刊、地方志和档案扫描识别。
2. 参考咨询：在历史图像中快速定位关键词。
3. 课题检索：构建可全文检索的研究语料。
4. 阅读推广：为展览提供经校对的摘录和说明。
5. 馆员培训：比较预处理和模型选择对错误率的影响。
6. 质量控制：建立字符、字段和版面三层验收。

五、七步标准流程

1. 检查版权、保存级图像和元数据。
2. 抽样识别版面类型与主要错误。
3. 做裁边、去斜、去噪、对比度等预处理。
4. 选择语言、方向和结构化流程。
5. 保存文字、坐标、置信度和版面结果。
6. 按风险字段人工校对并计算准确率。
7. 版本化发布，保留图像与修订记录。

六、三个可复现案例

案例一：识别一版民国老报纸

任务背景

目标是先支持馆内关键词检索，不直接公开全文。

操作步骤

选300—400dpi图像；预处理；启用方向与版面分析；输出行框和文字；人工校对标题、人名和日期。

可直接复制的任务表达

输入：老报纸单页TIFF。输出：原图不变、预处理图、OCR文本、文字框坐标、置信度、阅读顺序和校对表。校对字段：报头、日期、版次、标题、人名、地名、数字；低于阈值或无法识别处保留【□】。

预期输出

可检索文本和逐字段校对记录。

馆员人工复核要点

繁简、异体字、断栏和广告插入；不凭上下文悄悄补字。

案例二：比较预处理前后识别质量

任务背景

培训学员理解“模型不是唯一变量”。

操作步骤

同一页分别用原图、去斜图和去噪图识别；选200字金标准；计算字符错误率；分析错误类型。

可直接复制的记录表

记录“图像版本｜检测漏行｜识别错字｜插入/删除｜专名错误｜字符错误率CER｜处理耗时｜是否改善”。结论必须基于同一金标准文本。

预期输出

预处理对比表和推荐参数。

馆员人工复核要点

去噪可能同时抹掉细笔画；只报告平均准确率会掩盖关键字段错误。

案例三：为地方志表格建立结构化数据

任务背景

需要提取年代、地名和数量，但表格存在合并单元格。

操作步骤

运行结构化流程；导出表格；逐页核对行列；建立数据字典；异常项回图像。

可直接复制的任务表达

输出字段：原文件｜页码｜表名｜行号｜年代｜地名｜数值｜单位｜OCR置信度｜人工状态｜原图坐标。合并单元格和空白不得自动向下填充，除非数据字典明确规定。

预期输出

CSV/表格草案与异常清单。

馆员人工复核要点

单位、跨行、负号、年份和合计行；统计分析前需完整校对。

七、新手最容易犯的八个错误

1. 低分辨率图像直接批量识别。
2. 不做方向与版面分析。
3. 只看整体准确率，不查人名日期。
4. 自动纠错后不保留原识别。
5. 不建立金标准样本。
6. 覆盖保存级原图。
7. 忽视版权与敏感档案。
8. 以开源免费低估校对和运维成本。

八、隐私、数据安全与版权

本地部署可减少图像外传，但仍要控制工作目录、缓存、日志和模型服务端口。档案、名人手稿、近现代个人材料可能含敏感信息，公开前需遵守档案、个人信息和版权规则。OCR文本属于派生物，必须保留原图来源、页码和校对状态；自动纠错应可追踪，不应覆盖原始识别层。

九、8分钟快闪演示脚本

• 0:00—0:40 展示一页低质老报纸。
• 0:40—1:30 说明扫描、预处理和识别链。
• 1:30—3:00 对比原图与去斜结果。
• 3:00—4:20 查看文字框和阅读顺序。
• 4:20—5:20 核对人名、日期、数字。
• 5:20—6:20 计算小样CER。
• 6:20—7:20 填写校对状态和原图坐标。
• 7:20—8:00 总结“可检索≠可出版”。

十、一页式操作清单

识别前

• ☐ 保存原图并检查版权、分辨率和版面；
• ☐ 建立抽样金标准；
• ☐ 选择语言、方向和结构流程；
• ☐ 确定检索级或出版级验收。

识别中

• ☐ 保存预处理版本；
• ☐ 输出坐标、置信度和阅读顺序；
• ☐ 标记低置信度和无法识别字符；
• ☐ 不覆盖原始结果。

交付前

• ☐ 抽查标题、人名、日期、数字、单位；
• ☐ 计算并报告误差；
• ☐ 保留图文映射与校对人；
• ☐ 公开发布前完成版权和隐私审查。

十一、结论与使用建议

PaddleOCR适合建立本地、可控的馆藏OCR流程。最重要的不是选择一个“最高准确率”模型，而是定义用途、保存原件、抽样评测、重点字段校对和版本管理。只有通过相应等级验收的文本，才能进入检索、研究或出版环节。

参考来源与延伸阅读

1. PaddleOCR GitHub。
2. PP-StructureV3文档。
3. PaddleOCR许可证。
4. 飞桨OCR文档入口。
5. 项目内部资料：《面向图书馆工作的AI应用深度调研报告》及AI4L任务卡。

更新提示： 模型、语言覆盖、安装方式和硬件要求随版本变化，正式项目应冻结版本与参数。