合同扫描件 OCR 引擎适配层与离线本地化部署产品系统

我要开发同款
无限2026年11月21日
4阅读

技术信息

语言技术
Python
系统类型
Linux、算法模型
行业分类
人工智能、企业服务

作品详情

行业场景

立项原因:某会员服务平台需要把纸质合同扫描件转成可检索的结构化文本,但客户数据不能出内网,公有云 OCR 接口一律不可用;同时历史归档里大量合同加盖红色公章,红章压字会导致整行识别失败。业务背景:合同归档、要素抽取、到期提醒三条业务线都依赖这份文本层,识别质量直接决定后续要素抽取的准确率。因此需要一套可完全离线运行、能被业务方以 HTTP 接口调用的本地 OCR 引擎适配层,并要求对盖章行给出可判读的置信度信号,供下游决定是否转人工复核。

功能介绍

系统分四层。第一层引擎适配:把 PaddleOCR PP-OCRv4 中文检测加识别模型封装成统一接口,行级输出包含文本、四角坐标 bbox、置信度与盖章重叠标记。第二层两遍识别流水线:第一遍全页识别,检出红章重叠行后走红色通道抑制再识别一次,取更优结果并按固定系数降权。第三层结果持久化与批量跑批:按合同ID/页码落 JSON,支持整目录批量处理并产出逐页准确率与耗时报告。第四层服务层:FastAPI 暴露行级识别接口,附离线权重打包、sha256 校验与一键起服务脚本。全套 30 项单元与集成测试,其中 14 项专测印章遮挡处理,可复现运行。

项目实现

我独立负责引擎适配层设计、离线部署与验收自证。完成 PP-OCRv4 权重离线打包,构建期做 sha256 校验、运行期零网络;在 network namespace 隔离下用 socket 探测证明外网不可达,且同进程仍能完成识别。实现红章行二次识别与置信度降权。用 10 页虚构合同页实测字符级准确率 99.70%(编辑距离 14 / 4611 字,单页最低 99.19%),4 核 CPU 上单页 P50 1.805 秒、P95 3.548 秒,四条验收标准全部实测通过并附复现脚本。

示例图片

声明:本文仅代表作者观点,不代表本站立场。如果侵犯到您的合法权益,请联系我们删除侵权资源!如果遇到资源链接失效,请您通过评论或工单的方式通知管理员。未经允许,不得转载,本站所有资源文章禁止商业使用运营!
下载安装【程序员客栈】APP
实时对接需求、及时收发消息、丰富的开放项目需求、随时随地查看项目状态

评论