Не заменяйте все O на нули во всём распознанном тексте. Сначала определите поле: числовой счётчик, буквенный код или смешанный идентификатор. Для каждого нужны свои допустимые символы и правила проверки. Сохраните исходную строку и фрагмент изображения, чтобы предложенное исправление можно было проверить и отменить.
Похожий знак получает смысл из поля
| Тип поля | Разумное действие |
|---|---|
| Только цифры по контракту | Проверить цифровой кандидат и ограничения |
| Только латинские буквы | Не подменять букву числом |
| Буквы и цифры | Считать O/0 неоднозначностью |
| Свободное описание | Не выполнять массовую замену |
| Неизвестный тип | Сначала определить назначение поля |
Условный код AB0O показывает проблему: в одной строке законно соседствуют ноль и латинская O. Кириллическая О создаёт ещё один визуально похожий вариант. Нормализация алфавита тоже должна быть явно разрешена контрактом, иначе приложение сохранит внешне похожий, но другой ключ.
В руководстве Tesseract описан tessedit_char_whitelist для известного подмножества символов и выбор режима сегментации под область. Документация проверена 25 октября 2026 года. Ограничение алфавита подходит только там, где вы заранее знаете тип поля. Применённое ко всему документу, оно удалит полезные буквы и создаст убедительно выглядящие ошибки.
Кандидат исправления не должен стирать доказательство
Условная запись результата:
raw_text: AB0O
field_type: mixed_identifier
source: страница и область изображения
candidates: сохранить неоднозначные варианты
validation: формат / справочник / контрольное правило
decision: accepted / needs_review
normalized_value: только после принятого решенияПроверка по длине или шаблону отсеивает часть ошибок, но не доказывает правильность оставшегося варианта. Даже совпадение со справочником может быть случайным. Если оба кандидата допустимы, оставьте статус ручной проверки; не выбирайте первый найденный объект и не связывайте с ним документ автоматически.
Контрольная цифра полезна только у идентификатора, для которого такое правило действительно существует и проверено. Не добавляйте произвольный алгоритм к чужому формату. Сравнение с независимым подтверждённым источником сильнее, чем повтор того же OCR с похожими настройками, но источник и актуальность совпадения также нужно записать.
Посмотрите на область до повышения уверенности
Если поле вырезано слишком тесно, символ может потерять край; после агрессивной бинаризации тонкая линия исчезнет. Сравните оригинал, подготовленную область и результат распознавания. Увеличение confidence в интерфейсе не восстанавливает потерянные пиксели. Для эксперимента меняйте один этап подготовки и используйте разрешённый тестовый набор.
- Создать искусственные строки с 0, латинской O и кириллической О.
- Проверить цифровое, буквенное и смешанное поле отдельно.
- Добавить повреждённое изображение и два допустимых кандидата.
- Убедиться, что неоднозначность отправляется на проверку.
- Повторить обработку и сохранить ранее подтверждённое решение.
Исправления оператора храните с причиной и версией правила. Они могут помочь улучшению процесса, но не превращайте единичную замену в глобальное правило для всех документов. Новая настройка должна пройти тот же набор смешанных идентификаторов и отрицательных примеров. Для отката нужны исходные строки, а не только окончательные значения.
Если неверные коды уже попали в систему, остановите их автоматическое применение и составьте адресный список для сверки. Не делайте обратную замену всех нулей на буквы: восстановить исходное значение так невозможно. Для диагностики подготовьте тип поля, искусственный образец и путь кандидата до принятого решения. Исправный процесс умеет честно оставить сомнение, когда изображение не даёт однозначного ответа.