使用Doctr进行OCR文本检测时合并边界框的问题分析与解决

问题背景

在文档OCR处理过程中，文本检测环节的质量直接影响最终识别结果。近期在使用Doctr库进行文档文本检测时，发现一个常见问题：多个单词被错误地合并检测为单个文本区域，导致后续识别模型(未针对空格进行训练)产生不准确的结果。

问题现象

当使用Doctr的文本检测模型(db_resnet50或fast架构)处理文档图像时，检测器会将相邻的多个单词合并为一个边界框。例如，"Invoice Number"这样的两个单词可能被检测为一个整体区域，而非分开的两个单词区域。这种现象在浅色文本或小字号文本上尤为明显。

技术分析

经过深入分析，发现此问题主要源于以下几个方面：

1. 检测模型参数设置：默认的bin_thresh和box_thresh参数(0.3)可能不适合所有文档类型，需要根据具体场景调整。

2. 预处理差异：直接使用detection_predictor和recognition_predictor组合时，缺少了ocr_predictor中的关键处理步骤，特别是padding移除环节。

3. 文本特性影响：浅色文本、小字号文本或字符间距较小的文本更容易出现合并检测的情况。

解决方案

方案一：使用完整OCR流程

推荐直接使用ocr_predictor而非单独组合检测和识别模型。ocr_predictor内部包含必要的中间处理步骤，如：

from doctr.models import ocr_predictor
model = ocr_predictor(det_arch='db_resnet50', reco_arch='crnn_vgg16_bn', pretrained=True)
results = model([image])

方案二：手动处理检测结果

如需保持det_predictor+rec_predictor的架构，需要手动添加关键处理步骤：

# 获取检测结果后处理
loc_preds = [list(det_out.values())[0] for det_out in det_preds]

# 移除padding(模拟ocr_predictor内部处理)
def _remove_padding(pages, loc_preds):
    # 实现padding移除逻辑
    return processed_preds

loc_preds = _remove_padding(pages, loc_preds)

方案三：调整检测参数

根据文档特性调整检测模型参数：

det_model = detection_predictor(arch='db_resnet50', assume_straight_pages=True, pretrained=True)
det_model.model.postprocessor.bin_thresh = 0.3  # 可尝试调整
det_model.model.postprocessor.box_thresh = 0.3  # 可尝试调整

最佳实践建议

1. 优先使用ocr_predictor而非单独组合模型
2. 对于特殊文档(浅色文本等)，考虑预处理增强文本对比度
3. 根据文档类型调整检测阈值参数
4. 对于关键应用，建议在特定数据集上微调模型

总结

Doctr作为强大的OCR工具库，在不同场景下可能需要特定的配置和预处理。理解其内部处理流程并根据实际需求调整，能够显著提升文本检测和识别的准确性。特别是要注意直接组合检测和识别模型时可能遗漏的关键处理步骤，这些步骤在完整OCR流程中是自动完成的。