百度云OCR测试
百度云OCR介绍
办公文档识别接口：https://ai.baidu.com/tech/ocr/doc_analysis_office
接口调用说明: https://ai.baidu.com/ai-doc/OCR/ykg9c09ji
重点关心正文提取能力：版面分析+文字识别能力。
中文和繁体中文
测试case覆盖：包含多栏、公式、页眉页脚、图片/表格等复杂版面。
评价标准：版面检测准确率，文字识别准确率。
测试结果：
-
注音文本
版面检测：较为准确，图片全部识别，正文文本类型全部正确检测，标题误判定为正文。
侧栏页码检测位置置于文本内
文字识别准确率：中文文本全部识别正确，极个别注音字符识别错误，总体准确率99%以上。
-
中文期刊文章
版面检测：能正确检测标题、页眉、脚注、页码等信息，正文检测正确，对于期刊这种高度格式化的文本图像，检测效果很好。
文本识别：上标识别出错，其余文字识别正确，正文文本识别正确率99%以上。
-
两栏文本
版面检测：能正确检测出页眉和小标题，能检测出两栏文本但是没有将其按栏分开，而是两栏交错地放在一起，不能检测出数学公式。
文本识别：文本识别准确，脚标和上标都准确识别，未发现误识别。
-
扫描文本
版面检测：能正确检测出文本为段落格式，能正确判断出脚注。
该村识别：汉字能准确识别，大部分全角引号逗号都能准确识别，少量全角逗号（尤其是文字间隔较近的全角逗号）与全角括号存在误识别。
-
三栏文本
版面检测：能检测出页眉、页脚，没有检测出页码，正文内容检测准确，三栏内容没有划分，而是按从左到右的顺序交叠在一起。
文本识别：除极个别高度模糊的字母以外，都没有误识别产生。
-
竖排文本（繁体，扫描版）
版面检测：版面错检测为表格，页眉和页脚都没有检测出来，正文内容检测几乎失效（正文内容几乎没有识别出来）
文本识别：完全失效，没有一个字能对得上
-
图中带字
版面检测：图片和正文能正常检测，图片中的文字也被当作正文一并处理了。
文本识别：文本识别准确。
-
横排繁体
版面检测：页眉和正文能正确检测。
文本识别：文本基本识别准确，部分繁体字误识别为长相形似的简体字或者部分繁体字被略去
-
复杂版面
版面检测：分栏错误，把两首诗放到同一句里面了。侧栏又能正常检测并识别。
文本识别：部分括号被遗失，大部分文本识别准确。
-
简体竖排文本
版面检测：把正文文本检测成了表格（因为正文有仿古框线），把标题检测成了正文文本而不是”title”，版面检测基本失败。
文本识别：从左向右识别，从上向下识别，文本识别准确，但是文本顺序不对，该文本应该是从右向左识别。
总体评价：百度云的文本识别能力还是不错的，但是对版面的检测就要差很多，对上传的图像大小也有限制，超过了2M或者超过了4096*4096的图像就不能响应。主要存在以下优势和不足：
- 优势：高分辨力的文本识别准确率高，能正确判别半角与全角符号；能够识别表格；
- 不足：版面判别能力差，分栏文本两栏或者三栏的判断完全依靠栏的竖线或者栏间距，不能应对间距较小又没有竖线分割的分栏文本，基本上不能提取页码。繁体识别能力较差，低分辨度的字符识别能力较差。
