《人工智能数据标注》教案——06-数据标注任务活页-OCR文本识别标注.pdfVIP

扩展任务：OCR文本识别标注

任务活页设计

一、扩展任务：OCR文本识别标注

任务情境

文字识别(OCR)是视觉感知中一个重要的技术，目的是从照片中提取文字信

息。比如，把扫描文档转化成结构化的文字信息以方便检索。近几年来，随着深

度学习等技术的发展，文字识别相关技术取得了突破性进展，特别是场景文字的

检测、识别和结构化技术。这些技术的发展使得文字识别在工业界受到了广泛关

注。如票据识别，证件识别，文档文字识别等。

随着现在很多大型企业的规模扩大、销售业务不断拓展，财务部门审票的工

作量也日渐增长。每月需要处理大量的票据，而目前企业使用最多的方式手动录

入，也就导致了出现了以下几个问题：

1、录单任务繁重、强度大、员工在高强度重复工作状态下难免会疲劳出错；

2、增加录单人员、设备等都导致办公成本的增加；

3、基础票据的采集效率低，均导致统计数据滞后、周期长、报销慢等问题。

所以某公司决定开发一款OCR票据识别功能产品，可以帮助公司员工快速

导入票据信息，节省录单时间，提高录单准确率，增加公司效益。

任务目标

（1）为票据OCR模型的训练提供可用的数据。在此过程中学习了解票据文本

图像的特点、根据文本识别的流程确定文本标注的方法与流程、labelbee

多步骤标注方法完成文本标注等一系列操作，掌握实际项目中应对需求时

的解决问题能力。

第1页

任务准备

（1）请确认是否安装labelbee软件，若未安装，请提前安装；

（2）在教育平台上下载“OCR文本识别-待标注数据集”,该数据集为模拟小票

样本，仅供该实验使用。

任务实施

1.票据标注概述

步骤1：打开“OCR文本识别-待标注数据集“，观察数据集内的数据样本。

（1）如何对这批次数据进行标注？

（2）有多少张待标注的图像样本？

步骤2：认真阅读《票据OCR的标注需求》文档中的标注要求，后续需按

照该需求完成标注。

第2页

票据OCR的标注需求

标注内容

标注项目[票据OCR]

标注类型[2D检测框标注+文本标注]

标注数据集描述[模拟小票数据图像样本]

待标注目标[票据数据集中的所有文本]

标注的数据规模[待标注样本一共6张]

标注工具[labelbee]

交付数据格式[lablbee-json数据格式]

误差范围[质检合格率为100%]

标注要求

票据标注范围

需要标注图像内所有文本（英文字母与罗马字母）；

需要标注图像中有意义的符号（如单词缩写的符号，文本之间的标点等）。

票据标注方法

首先确定图像中文本的位置；

然后对该位置的文本内容进行标注。

文本框标注需求

按照单词、意群划分文本，将图像文本划分为较小的单元；

利用矩形检测框划分并标注文本位置；

矩形框尽量要贴合图像内文本文字与符号边缘，不要溢出，更不要压住文字与符号；

如果文本前后都有大量分割符号(如*，-等用于分割文本信息的符号)，只需标注文本，

第3页

无需标注符号；

文本内容标注要求

标注文本内容：英文字母和罗马数字以及所有符号；

对文本检测框中的文本进行标注时，如果文本字符之间存在空格，需要打出来。

标注规则及示例

按照单词划分文本，若单词前后有符号，可以将其一起覆盖与标注；

图像中的分割符号不需要标注，如下方的*号；

文本之间如果有空格需要被标注出来（RM与2.45之间的空格也需要标记出来）

文本中的符号需要正确输入（在英文状态下输入点号，冒号等）

误差范围

允许边界框正好压在文本轮廓上，允许边界框超出文本边界一小部分。

第4页

2.票据标注

步骤3：新建一个