淘丁数据标注：OCR文字标注的难点及解决办法
淘丁数据标注：OCR文字标注的难点及解决办法
OCR文字标注
简单来说OCR文字标注其实就是文字识别，是对图片中的文字，进行人为、机器识别的方式，完全获取文字信息的一种标注工序。
举一个例子：你想要将你看到某一本书的其中一篇文章想把内容复制出来，不想手写，自己输入又非常费时时，我们就可以通过OCR技术转译为文字了。
OCR文字标注 目前的难点
1：内容不规则、图片清晰度等、背景干扰等。
2：非简体字识别、相似文字、生僻字、复杂公式符号等。
3：定位问题明显、行间距不清楚，难于标注、字高范围。
4：手写体问题是目前的主要难点，因为每个人的个人习惯字体风格都不同，这就难免会导致机器在识别文字内容时出现错误。
5：按照识别内容来说目前分为三大类：汉字、英文、阿拉伯数字。数字识别最简单；英文识别仅有26个字母；但是中文就不一样了常用汉字、相似文字、以及繁简体等，还需要识别出整个字体。
这些是目前OCR文字标注最大的难题。
如何解决OCR文字标注目前的难点
要攻克这些难点就需要机器进行学习演练，而这个过程中则需要大量的数据支撑，这就需要借助数据标注的帮助，而这些大量的数据支撑就是我们所需要做的。
在这个过程中我们可以做采集、清洗、标注这些工序。
（1）采集：如手写字体、广告牌、学生作业、各类印刷体拍照收集
（2）清洗：去除无效数据、去除噪点数据、快速分类等
（3）标注：拉框、标签、转写。
OCR技术可以快速高效地实现信息采集录入，不再需要浪费人力来进行录入登记、也不用花费众多的物力，在节省时间成本的同时大幅度的提高工作效率，因此在社会各行各业中都能发现它的身影。
