从文字检测到识别评估：用 PyTorch 搭建可控的中文 OCR 流程

先把 OCR 任务拆清楚

一张图片里包含分散、大小不一的文字时，直接让模型输出整段文本，往往不是最容易落地的做法。更清晰的工程路线是分成两步：先定位文字区域，再识别每个区域里的内容。检测阶段回答“文字在哪里”，识别阶段回答“这是什么字”，两者合起来构成常见的检测加识别 OCR 流程。

中文图片识别比单纯读取一行印刷体文字复杂得多。字体、字号、背景纹理、旋转角度和压缩噪声都会影响结果；相邻字符距离很近时，检测框还可能连在一起。若输入来自验证码，更要注意系统边界：未获授权地自动识别并提交验证码，可能绕过网站的反滥用机制。研究应限定在自有系统、书面授权的测试环境或专门提供的样例数据中，目标是评估防护质量，而不是对真实服务实施自动化访问。

在项目启动前，先定义输入尺寸、目标文字类别、允许的延迟和错误容忍度。比如，内部文档 OCR 更看重整段内容的准确率；视觉回归测试则可能更关心文字框位置是否稳定。任务定义越清楚，模型选型、标注规范和评估指标就越容易保持一致。

检测：让模型找到文字区域

DBNet 是常见的文本检测方案。它以卷积网络提取图像特征，再通过多尺度特征融合保留大小不同的文字信息，最后生成文本区域的概率图。与先预测分割图、再使用固定阈值切分的传统做法相比，DBNet 的可微分二值化模块可以在训练中学习更合适的区域边界，减少阈值选择对效果的影响。

模型输入分辨率需要按数据特征确定。图片较小、文字清晰时，较轻量的骨干网络通常已足够；文字细小或背景复杂时，提高分辨率可能改善召回率，但显存和推理耗时也会增加。不能只看训练集上的损失值，还应在独立验证集上比较漏检、误检和边界偏差。检测框过大，会把背景一并送入识别模型；框过小，则可能切掉笔画，造成相似字混淆。

检测训练依赖一致、准确的标注。常见标注形式包含图像路径、文字框顶点坐标及对应文本。标注人员需要统一框选规则：是否包含阴影、如何处理倾斜文字、相邻字符是分框还是合框，都应在开始前写入规范。公开自然场景数据可以帮助模型学习基础特征，但与特定业务图像存在域差异时，仍要使用授权采集的数据进行验证和补充训练。

数据增强可采用有限幅度的旋转、缩放、亮度变化和轻量噪声，目的在于覆盖真实输入可能出现的变化。增强幅度过大可能制造并不存在的图像分布，反而降低实际效果。涉及用户图片时，应先确认数据授权与保存期限，并对样本脱敏、限制访问，避免把敏感内容混入训练集或调试日志。

识别：把裁剪图转换成文字

文字框裁剪完成后，识别模型需要将图像映射为字符序列。CRNN 把卷积网络提取的视觉特征整理成序列，再交由双向循环网络建模上下文，最后通过 CTC 损失处理图像位置与字符长度不一的问题。CTC 不要求标注者逐像素标出每个字符的位置，因而适合短文本和常规印刷体识别任务，训练与推理也相对直接。

识别字典决定了模型能够输出哪些字符。字典过小，未收录字符会被映射成错误类别；字典盲目扩大，则会增加输出层规模和训练数据需求。应根据已获授权的数据分布确定字符集合，并为未知字符保留明确处理方式。不能把模型对字典外字符的猜测当成可靠结果，业务接口应允许返回低置信度或无法识别状态。

训练样本应覆盖实际字体、字号、字符组合和图像质量。若采用合成样本，应检查字体授权，并让合成图像尽量贴近真实采集条件；合成数据可以扩大变化范围，却不能代替真实验证集。数据划分应按来源或生成批次隔离，避免相似图片同时进入训练集和测试集，使评估结果虚高。

识别结果不宜只用单字符准确率判断。字符错误率能够反映整体差异，整串准确率则更接近最终使用体验；检测与识别串联后，还应单独统计端到端准确率。排查错误时，将样本按字体、背景、旋转程度和字符类别分组，通常比只观察一个总分更能揭示问题。置信度阈值也需要根据验证集校准，低置信度结果可以进入人工复核或明确失败流程。

推理、部署与故障定位

线上推理可以按顺序执行图像预处理、文字检测、区域裁剪、方向校正、文字识别和结果整理。预处理必须与训练阶段保持一致，包括颜色通道、像素归一化、缩放方式和填充规则。任何细小的不一致，都可能让模型表现明显下降。检测模型输出的概率图还要经过阈值处理和连通区域分析，再依据坐标映射回原图；若输入经过缩放或填充，坐标还需反算，不能直接当作原图位置使用。

部署前可将模型导出为 ONNX，并用目标推理运行时逐样本比对输出。验证不应只检查模型能否加载，还要比较 PyTorch 与部署版本的检测框、识别结果及置信度。CPU、GPU 和不同算子实现可能产生数值差异，因此应设置可接受的误差范围，并为不支持的算子准备替代路径。批量推理有助于提高吞吐量，但单请求延迟和显存占用也要纳入测试。

常见故障可以按链路分层排查。若框整体偏移，检查缩放比例、填充边界和坐标还原；若漏检集中在细小文字，检查输入分辨率、标注完整性及训练数据分布；若框正确但识别错误，检查裁剪是否切边、字典是否覆盖字符、训练与推理的归一化是否一致。保存少量经授权的失败样本，配合版本号、模型配置和推理日志，能让回归定位更有依据。日志中应避免记录不必要的原始图片或个人信息。

把验证放在授权边界内

验证码属于网站反自动化机制的一部分。若要评估自有业务的验证码方案，应使用测试密钥、隔离环境和明确的访问范围，记录测试账号、请求速率、数据保存方式及结束条件。评估重点可以放在误拦截率、人工完成耗时、无障碍可用性、重放防护、请求频率限制和异常流量告警上。对图片识别模型的测试，应使用自建样本或获得明确许可的数据，不要把模型输出接入第三方网站的自动提交流程。

模型准确率并不能单独代表验证码安全性。服务端还应检查令牌的时效、一次性使用属性、会话绑定和请求频率；客户端展示的交互过程不应成为唯一防线。对于业务系统，优先采用服务商提供的官方 SDK、测试环境和安全评估接口，并由服务端完成结果校验。这样既便于复现问题，也能避免测试流量影响真实用户或第三方服务。

中文 OCR 的工程难点，通常不在某一个网络结构，而在数据质量、坐标处理、错误评估与部署一致性。把检测和识别拆开验证，保留失败样本，并在授权范围内开展安全测试，才能得到可解释、可维护的系统。对验证码场景而言，防护方应把识别风险评估与服务端校验、异常监控和无障碍体验一并考虑，而不是把自动识别能力当作唯一的安全结论。