95% 只是开始，贝壳的 OCR 识别率提升之道

图像处理技术是目前人工智能发展最为迅猛的领域。居住服务平台贝壳找房积累和沉淀了大量的交易数据，依托着丰富的场景 + 数据 + 算法，贝壳交易智能围绕以房产证识别为核心的 OCR 技术架构也在落地实践中逐步建立起来。今年 6 月的 QCon 全球软件开发大会（北京站）2020 中，贝壳找房交易智能技术负责人郭流芳将分享贝壳找房 OCR 识别率提升实战经验，近日，我们对他做了采访。

OCR 技术初探

InfoQ：请简单介绍下自己，包括学习和工作经历。

郭流芳：大家好，我叫郭流芳，贝壳找房交易智能技术负责人。硕士毕业于中国矿业大学（北京），研究领域为图像处理，从事人工智能工作 6 年。从零到优构建了贝壳找房交易 OCR 技术体系，抽象总结了票据卡证类的 Uni-iMatch 解决方案和 ASLS 自学习系统，实现了行业内高水平备件识别精度。团队著有《深度学习 PyTorch 实战——图像技术在 OCR 上的应用》一书，将于今年面世。

InfoQ：能否讲讲你眼中的 OCR 技术？

郭流芳：OCR 的英文全称是 Optical Character Recognition，中文叫做光学字符识别，表示对数字化设备拍摄图像中的文字部分进行检测识别的技术。文字是信息的载体，但有相当大的一部分信息存在于视频（可以认为是时序图像）或者图片中。据思科白皮书的一项统计，到 2021 年左右互联网中 85% 以上的信息都是视频或者图片，这其中就包括数量不在少数，且有重大应用场景的文字图像。OCR 技术使这些图像中的文字信息得以利用成为可能。

在行业中，OCR，几乎成为图像文字识别技术的代名词。在 2012 年之前，这类任务是一个典型的模式识别问题，其流程主要包括预处理、特征提取、分类器等几个步骤。在 2012 年之后，深度学习席卷计算机各个领域，OCR 也变得简单起来，但仅仅是入门简单了。当前，OCR 仍然面临不少挑战。

OCR 文字检测方面，文字方向的多变性，有上下结构，有左右结构，还有混合结构，交叠结构。形状的不规则性，文字排列并不总是按行排列。多尺度问题，就是图片中的文字区域大小尺度相差很大。还有一些标注歧义性，检测完整性，不一而足。技术也从最初的矩形框回归，发展到多边形，到目前的任意形状检测。这些技术该如何和具体的业务问题结合起来解决实际问题呢？

OCR 文字识别方面，对于形变、光照、曲线、弧面、景深、形近字、噪音遮挡、文字交叠、长文本等依然存在巨大的优化空间。

还有在 OCR 领域经常被忽略的，那就是检测识别结果的结构化。把文字检测识别出来只是开始，如何返回结构化的结果，其难度不亚于检测和识别。例如，对于简历这种，有语义上明显的键值结构，但是又是模板不能完全覆盖的，因为你无法穷尽所有的情况。这种我们到底该如何做结构化呢？

总体而言，OCR 技术已经取得了长足的进步，但具体场景下仍有不少挑战需要攻克。

贝壳找房交易 OCR 技术体系

InfoQ：贝壳找房有哪些 OCR 应用场景？

郭流芳：贝壳找房的 OCR 能力建设是按照图像数据特征来划分的。具体分为视频图像 OCR，文档类 OCR，自然场景 OCR。

其中，文档类又细分为三大块。分别是：第一，票据卡证类，主要是贝壳找房平台上的各类备件，比如：房本、身份证、户口本、工作居住证等等。第二，通用表格类，主要涉及平台线上线下的各种表单数据，比如：报税单、征信报告、放款单等等。第三，通用文档类，泛指文档文字密集型，但又无明显结构化分割边界的图片，比如：交易中的合同、各种确认单、贝壳找房 IM 中的小图片等等。

自然场景 OCR，泛指背景主体是自然街景但其中含有文字信息的一类图像处理任务。具体应用在，为保证真房源而进行的图片实勘作业，涉及楼盘（小区名字）、楼栋（识别楼栋号牌）、单元门（单元号）、房屋（房屋号）、楼层识别（电梯间按键拍照识别）等等。

还有，就是视频图像 OCR，在视频讲房领域进行合规性审核，比如：审核视频中的水印 logo、审核视频的画面中是否存在不当承诺的文字等等。

当然，作为交易智能图像团队，有 OCR 能力，但不限于 OCR，会根据平台当前或者潜在需求，丰富技术栈，追求挑战，让交易不再难，服务于更美好的居住而不断前进。

InfoQ：请介绍一下贝壳的 OCR 技术体系，包括你们是什么时候开始打造 OCR 技术体系的，到现在经过了哪些阶段，有哪些重要时间节点。

郭流芳：贝壳的 OCR 技术体系，走过了大多数后进者都走过的路子，先用，再模仿，最后智造。

第一阶段：调研试用，时间大概是 2018 年。这一阶段，还是处于试用阶段，主要是调研尝试，试图给人力密集的备件审核业务，提效赋能。当时，调研试用了市面上兄弟团队的各类技术和接口，因为这些接口都是面向通用文字识别的，当年的测评结果其实并不理想。而且，随着调研试用的深入，审核人员预期的提高，希望迭代升级接口，提高准确率和降低接口响应时间。但这些需求，通用接口，通通不能满足，更重要的是，可能涉及信息安全问题。所以，痛定思痛，决定自主开发。

第二阶段：自主开发，时间截止到 2019 年年中。刚有讲到，随着深度学习的普及，这个门槛其实变得很低。随着第一阶段的结束，对于 OCR 产品和技术的未来，有了一个方向性的基本判断。接下来要做的就是要聚焦！聚焦！！在聚焦！！！我们给自己定下，千张平均字段识别率 95% 的目标。当时，市面上最好的接口也未达到这个准确率。我们调研开源技术，翻阅不少论文，排除了 character 级别的检测识别方案，确定了行检测行识别的初步方案。之所以，排除 character 单字的检测识别是因为成本高而效果差。初期进行数据合成，控制成本，搭建 serving，使用容器技术，提高可用性和响应速度。最终，成功达到目标。当然，这一切没有这么顺利，欲知详情，QCon 等你。

第三阶段：开始了技术栈 2.0 的升级。因为为了第二阶段的目标达成，我们需要跑的快，跑的准，所以，很多技术细节被暂时定义为非主要矛盾，暂时压制，并未去深入研究。随着各种备件识别业务的上线铺开，和识别精度的稳定攀升，原来的非主要矛盾，逐渐突出，成为主要矛盾。比如，最初的后处理（也就是结构化），越做越繁琐，越做越繁杂，且在工程上无法统一调配。比如：检测中遇到的一些弯曲（水平或垂直或景深）、印章、交叠、长短文本兼顾等等问题。比如：识别中的形近字、人名地名中的生僻字、CTC 和 attention 到底怎么使用。再比如：工程上如何构建闭环，如何解决商业化部署中的新增模板问题。针对这些痛点。我们踏上了技术栈 2.0 的升级之路。

InfoQ：贝壳的 OCR 技术有哪些优势？

郭流芳：我个人觉得，贝壳找房 OCR 的技术优势初期和后期都在于【场景】和【数据】。有位先哲曾经说过：“社会一旦有技术上的需要，这种需要就会比十所大学更能把科学推向前进”，这就是我对贝壳找房【场景】的理解。它既是我们技术的起点和落脚点，更是我们技术源源不断进步的驱动力。当然，贝壳找房平台积累的海量数据，是技术得以展开的一个基础。上文有提到 2019 年进行了技术 2.0 的升级，其中很重要的一个环节就是从不同角度 state of art。认知要跟最前沿的技术对齐，业务要落实最前沿的技术，自研技术要不断迭代，不断努力，以便最终成为最前沿的技术。有了这些方面，技术在场景和数据的驱动下，不断迭代，引领着准确率的上升。

在纯技术层面上，我觉得贝壳找房 OCR 技术的优势概括起来为 ------“灵活、深入”。具体表现为，在架构上，致力于打造各项追求极致的原子能力（比如：弯曲文本检测识别、交叠文本检测识别）等，使得各个原子能力跟其他能力项解耦，可以”控制变量法“的独立迭代发展，虽然这么做增加了工程的复杂度，但是，也同时给予工程以原子组合的灵活性。这使得这些单项技术可以走的深，可以走的远。目前，我们的架构设计可以随心所欲的根据图像（或者任务）的自身特点，进行组合，提供用户无感知的高品质服务。这点（打造迭代原子能力）在后续业务铺开，多样性和复杂度上来后，显的尤为重要，是能不能继续高速发展的关键因素。

OCR 难点与识别率提升

InfoQ：在前面你提到的应用场景中，从简单到复杂，请为它们排个序，并简述理由。

郭流芳：我觉得其实没有简单和复杂的区分，要做到极致，在技术的世界里，没有简单二字。但通常来说，我们认为票据卡证类的相对简单，其次是通用文档和自然场景，最后就是通用表格类。理由是，票据卡证类的图像相对来说各项约束更多，或者说问题空间更小，比如：身份证，性别只有两种可能性，“男”或者“女”。而版面上，目前以二代身份证为主，版式单一，字体确定。相对来说快速起步还是比较容易。但它也有自己的难点，比如，识别这块的人名、地名，还有一个最大的风险那就是用户隐私，数据合规性的问题，为此，你需要数据合成。但如何合成对模型有效的数据呢？数据合成不好，不升反降，适得其反。通用文档它的难点在于如何很好的结构化。还是上文中的例子：简历识别。想象各种各样的版式，但是键值对几乎是可以枚举的。完全给你纯文本版的简历，利用 nlp 做好各类样式适配的结构化都应该不太简单，更何况是非文字版的呢！自然场景的难点在于，背景的复杂多样、字体五花八门、遮挡、光照、多尺度以及如何大批量快速训练，而现在的自然场景，还有一个特点就是目标文字区域附近会有噪音（比如：楼牌附近都是广告），使得目标信息解析结构化也是痛点难点。之所以把表格排在最后是因为，表格自身标注的难度，以及表格之间风格的高度相似和单元格推理的极度易错（对于多行密集型，基本上一行出错，全表完蛋），更不提无边框的表格推理识别。

综上所述，各有各的特点。把每种技术任务的边界勘定好，利用约束聚焦解决问题，是我们实践中的一个很重要的思路。

InfoQ：以最复杂的场景为例，简述一下它的 OCR 识别过程，每个过程中有哪些坑点。

郭流芳：嗯，那我谈一下贝壳找房最有特色的房本识别吧。其可以作为 OCR 识别的一个典型代表。整个流程大概分为，图片摆正、图片分类、文字检测、文字识别、识别结果结构化。图片摆正是后续流程处理的前提，因为所有的标注和训练都是基于人的视角摆正的图片进行的。如果图片摆正失败，那么后续流程就会倒戈。目前我们的兜底是，采取方向类别信息的 top-2 进行摆正尝试。但是，要训练一个好的摆正模型难点在于，泛化。你没有办法预知所有的类别。在我们的实践中如果想做一个统一摆正模型的话，是要覆盖所有的备件，目前已知备件种类 691 种，但是每种备件又有自己的版本细分。做一个四分类的方向分类模型，几乎需要覆盖到多达 T 级的数据。那么，如何提高泛化能力呢？能不能先做一个预处理把方向特征明确化，让卷积直接学习图片的方向特征呢？这是我们摆正的坑。

正常来说，一个接口处理一个特定的备件类型，但实际情况，会有很多其他的备件进行请求，比如：比如在房本任务中，就会有房屋登记表、前后封皮、确认书等等非房本图像对接口进行请求。这些请求是没有走完全流程的必要性的。所以，我们增加了图片分类，只对目标图像放行，减少对后半程模型的请求次数。对于非目标数据接口在分类这里提前返回。图片分类，在保障一定分类准确率的前提下，需要保证高召回：宁可误判，不可漏判。对于这类分类任务如何解决？虽然是个二分类或者稀疏类别分类问题，但是，依然存在数据样本的极度不平衡的情况，非目标多种多样，如何既保证快速判断又保证分类的准确性呢？

检测是各种问题的高发环节，套打偏移（文本交叠检测）、曲面弧面的任意形状检测（还有一种方案是先做文档矫正？）、老房本中的单个汉字，单个数字检测（漏检率高）。这些问题该如何解决？方案怎么选？还有是否要在一个模型里解决所有问题呢？

识别这块，我们遇到了形近字（人也经常看错的）、生僻字（训练和测试数据都难以获取，但确实存在）、对于长文本的地址（序列太长，其中还夹杂生僻字），如何解决这些问题呢？还有字典达到一定量级后，精度如何进一步提升（精度长尾问题如何解决）？都是我们遇到的坑。

最后说下结构化，从相对位置信息加规则的 hardcode 到模板匹配再到命名实体语义分类，结构化的各个场景和具体技术到底该如何适配？NLP 加 OCR 去做结构化到底香不香？

InfoQ：我们都知道，识别率是衡量 OCR 识别是否精准的重要标准，你们是如何将识别率从 95% 提升到 99% 的？

郭流芳：我觉得概括起来可以归纳为面向 badcase，分析主要矛盾，然后，从【数据】【模型】【结构化】三个方向具体入手，逐个击破，逐步提高。

为了做好准确率提升，首先，需要把问题定义清楚，这至关重要，最重要的是把问题的边界和约束明确出来；其次，需要确定 Evaltion 和 Metric。我们这边奉行测试先行的原则，再探索或者新建任何一个任务前，第一优先级的是要确保至少 100 张的测试数据。对于存量模型我们建立了滑动测试集。测试集的大小为 1000。分成三部分，第一是：QA 组建的边缘测试集（目标是测全）。第二个是：离线训练中的未识别部分和线上回流的 badcase（目的是暴露问题）。第三部分是：线上数据随机抽样（目的是展示真实效果，为了测准）。利用滑动测试集，得到 badcase，统计 badcase 的数量分布，以此确定当前模型精度提升的主要阻碍。

整个深度学习是数据驱动的，对遇到的问题，优先使用【数据】解决。但是数据是宝贵稀缺的资源，有时不可多得，例如：为了扩大生僻字的字典大小，我们不得不设计完整的数据合成试验。因为生僻字之所以叫生僻字，就是因为很难遇到数据。

对于特定字段，进行专项后处理，在【结构化】环节上的进行优化。例如：在房本地址字段的长文本中，就引入了 NLP 的语言模型。因为，地址通常是头尾好识别，而中间难以识别。我们通过大量标注预料，利用头尾来预测中间。进行结果的交叉验证。

随着字典的增加，我们需要更大的网络【模型】提取特征，需要更有区分度【损失函数】，这些都需要根据自己数据的实际情况，进行分析决策。会看到我把【模型】这个角度放到了最后，是因为【数据是模型的上限，模型只是在无限逼近数据】，所以，只有数据被榨干后，才回到优化模型的部分。如果你数据都不够，那就先补充数据吧。

总之，只有一个点一个点的钻研才能获得精度滴滴点点的提升。

InfoQ：目前是否存在一些瓶颈？未来还将做哪些事情去提高识别率？

郭流芳：“各种计划都不可能达到绝对的完美，这意味着一切事物的改良可以无止境的进行。我深知这一点，所以我经常会找一些更好的方法。我不会问自己：我能不能做的更好？我知道我一定办得到，所以我会问：我要怎么才能做得更好？”

我引用上面的话，是我们团队的一个信仰。目前，我们面临的问题是如何低成本地去永无止境的优化。简而言之，如何平衡投入产出比的问题，在 99% 的时候，其实已经高于人工作业准确率的情况下，是否还要去优化？如果需要优化，该怎么优化？该怎么低成本的优化？这是我们面临的一个难题。为此，在房本领域，我们开发了 ASLS （Auto Self-Learning System）系统和 Uni-iMatch （Unified intelligent Matching）来解决精度长尾问题和新增模板问题。其思路（闭环意识和抽象归纳）是可以借鉴到其他识别领域的。

嘉宾介绍

郭流芳，贝壳找房交易智能技术负责人。硕士毕业于中国矿业大学（北京），研究领域为图像处理，从事人工智能工作 5 年。现为贝壳找房交易智能技术负责人。从零到优构建了贝壳找房交易 OCR 技术体系，抽象总结了票据卡证类的 Uni-iMatch 解决方案和 ASLS 自学习系统，备件识别精度处于行业领先水平。团队著有《深度学习 PyTorch 实战——图像技术在 OCR 上的应用》一书，将于今年面世。

在 QCon 北京 2020 的演讲中，郭流芳老师将重点介绍 OCR 技术的一般流程、各个环节遇到的实际问题以及整个技术架构的变迁，贝壳交易智能是如何通过一个一个技术点的突破，使识别率从无到有，从 95% 到 99% 的。还将介绍下基于业务演进打造的 Uni-iMatch 和 ASLS 系统。点击了解详情。