关于easyocr、paddleocr、cnocr之比较

cnocr是用来做中文OCR的Python 3包。cnocr自带了训练好的识别模型，安装后即可直接使用。cnocr主要针对的是排版简单的印刷体文字图片，如截图图片，扫描件等。cnocr目前内置的文字检测和分行模块无法处理复杂的文字排版定位。如果要用于场景文字图片的识别，需要结合其他的场景文字检测引擎使用。

EasyOCR 是一个使用 Java 语言实现的 OCR 识别引擎（基于Tesseract）。借助几个简单的API，即能使用Java语言完成图片内容识别工作。并集成了图片清理、识别 CAPTCHA 验证码图片，票据等内容的一体化工作。EasyOCR不仅可以为消费者提供服务，更主要面向开发，能够提供本地化的开发SDK集成，与 C/S，B/S 及 Android 移动端项目进行原生集成。

PaddleOCR是一个与OCR相关的开源项目，不仅支持超轻量级中文OCR预测模型，总模型仅8.6M（单模型支持中英文数字组合识别、竖排文本识别、长文本识别，其中检测模型DB（4.1M）+识别模型CRNN（4.5M）），而且提供多种文本检测训练算法（EAST、DB）和多种文本识别训练算法（Rosetta、CRNN、STAR-Net、RARE）。

easyocr、paddleocr、cnocr是目前比较常见的开源OCR组件，提供了标注、训练、调用等功能，对于高清、标准的图片和证件照的识别问题都不大，但对于拍摄效果、角度、以及物件本身的模糊问题识别的效果，还是有很大区别的。

个人测试情况如下：

代码示例如下

import easyocr
# 创建reader对象
reader = easyocr.Reader(['ch_sim','en'],gpu=False)
# 读取图像
result = reader.readtext('C:\Python\Pycharm\dzp.jpg')
# 结果
# print(result)
# [([[317, 131], [485, 131], [485, 175], [317, 175]], '晶序列号', 0.8012555837631226),
#  ([[1127, 147], [1319, 147], [1319, 183], [1127, 183]], '031094', 0.2800997197628021),
#  ([[],[],[],[]],' ',0.0),
for box_info in result:
    print('坐标=', box_info[0])
    print('文字=', box_info[1])
    print('概率=', box_info[2])
    # 坐标= [[317, 131], [485, 131], [485, 175], [317, 175]]
    # 文字= 晶序列号
    # 概率= 0.8012555837631226
from cnstd import CnStd
from cnocr import CnOcr
std = CnStd()
cn_ocr = CnOcr()
box_info_list = std.detect('C:\Python\Pycharm\dzp.jpg')
#print('box_info_list=',box_info_list)
for box_info in box_info_list:
    # {'box': array([[320, 934],[790, 934],[790, 976],[320, 976]]),
    #  'score': 1.0,
    #  'cropped_img': array([[[83, 85, 82],[84, 86, 83],[81, 87, 83]],
    #        [[86, 88, 85],[84, 86, 83],[83, 85, 82],[],[],[]]
    #        ], dtype=uint8)}
    cropped_img = box_info['cropped_img']  # 检测出的文本框
    ocr_res = cn_ocr.ocr_for_single_line(cropped_img)
    print('ocr result: %s' % ''.join(ocr_res))
    # ocr result:
    # ocr result: 更痤国盔
    # ocr result: 开擅查立
    # ocr result: oN
    # ocr result: H
    # ocr result: Hv
    # ocr result: !/油面人
from paddleocr import PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang="ch")  # need to run only once to download and load model into memory
img_path = 'C:\Python\Pycharm\dzp.jpg'
result = ocr.ocr(img_path, cls=True)
for line in result:
    print(line)
    # [[[272.0, 121.0], [486.0, 126.0], [486.0, 175.0], [272.0, 171.0]], ['产品序列号', 0.9959299]]
    # [[[272.0, 168.0], [436.0, 173.0], [436.0, 216.0], [272.0, 211.0]], ['制造年月', 0.9986]]

对于各OCR组件训练标注和完整开发过程尚未学习，估计训练后不同组件识别率会有很大提升空间，此外效率与GPU服务器也有很大关系，后续慢慢尝试吧