pdf_signature_extraction/PP_OCRV5_RESEARCH_FINDINGS.md

PP-OCRv5 研究發現

日期: 2025-01-27 分支: pp-ocrv5-research 狀態: 研究完成

---

📋 研究摘要

我們成功升級並測試了 PP-OCRv5，以下是關鍵發現：

✅ 成功完成

1. PaddleOCR 升級：2.7.3 → 3.3.2
2. 新 API 理解和驗證
3. 手寫檢測能力測試
4. 數據結構分析

❌ 關鍵限制

PP-OCRv5 沒有內建的手寫 vs 印刷文字分類功能

---

🔧 技術細節

API 變更

舊 API (2.7.3):

from paddleocr import PaddleOCR
ocr = PaddleOCR(lang='ch', show_log=False)
result = ocr.ocr(image_np, cls=False)

新 API (3.3.2):

from paddleocr import PaddleOCR

ocr = PaddleOCR(
    text_detection_model_name="PP-OCRv5_server_det",
    text_recognition_model_name="PP-OCRv5_server_rec",
    use_doc_orientation_classify=False,
    use_doc_unwarping=False,
    use_textline_orientation=False
    # ❌ 不再支持: show_log, cls
)

result = ocr.predict(image_path)  # ✅ 使用 predict() 而不是 ocr()

主要 API 差異

特性	v2.7.3	v3.3.2
初始化	PaddleOCR(lang='ch')	PaddleOCR(text_detection_model_name=...)
預測方法	ocr.ocr()	ocr.predict()
cls 參數	✅ 支持	❌ 已移除
show_log 參數	✅ 支持	❌ 已移除
返回格式	[[[box], (text, conf)], ...]	OCRResult 對象 with .json 屬性
依賴	獨立	需要 PaddleX >=3.3.0

---

📊 返回數據結構

v3.3.2 返回格式

result = ocr.predict(image_path)
json_data = result[0].json['res']

# 可用字段：
json_data = {
    'input_path': str,                    # 輸入圖片路徑
    'page_index': None,                   # PDF 頁碼（圖片為 None）
    'model_settings': dict,               # 模型配置
    'dt_polys': list,                     # 檢測多邊形框 (N, 4, 2)
    'dt_scores': list,                    # 檢測置信度
    'rec_texts': list,                    # 識別文字
    'rec_scores': list,                   # 識別置信度
    'rec_boxes': list,                    # 矩形框 [x_min, y_min, x_max, y_max]
    'rec_polys': list,                    # 識別多邊形框
    'text_det_params': dict,              # 檢測參數
    'text_rec_score_thresh': float,       # 識別閾值
    'text_type': str,                     # ⚠️ 'general' (語言類型，不是手寫分類)
    'textline_orientation_angles': list,  # 文字方向角度
    'return_word_box': bool               # 是否返回詞級框
}

---

🔍 手寫檢測功能測試

測試問題

PP-OCRv5 是否能區分手寫和印刷文字？

測試結果：❌ 不能

測試過程

1. ✅ 發現 text_type 字段
2. ❌ 但 text_type = 'general' 是語言類型，不是書寫風格
3. ✅ 查閱官方文檔確認
4. ❌ 沒有任何字段標註手寫 vs 印刷

官方文檔說明

• text_type 可能的值：'general', 'ch', 'en', 'japan', 'pinyin'
• 這些值指的是語言/腳本類型
• 不是手寫 (handwritten) vs 印刷 (printed) 的分類

結論

PP-OCRv5 雖然能識別手寫文字，但不會標註某個文字區域是手寫還是印刷。

---

📈 性能提升（根據官方文檔）

手寫文字識別準確率

類型	PP-OCRv4	PP-OCRv5	提升
手寫中文	0.706	0.803	+13.7%
手寫英文	0.249	0.841	+237%

實測結果（full_page_original.png）

v3.3.2 (PP-OCRv5):

• 檢測到 50 個文字區域
• 平均置信度：~0.98
• 示例：
  • "依本會計師核閱結果..." (0.9936)
  • "在所有重大方面有違反..." (0.9976)

待測試: v2.7.3 的對比結果（需要回退測試）

---

💡 升級影響分析

優勢

1. ✅ 更好的手寫識別能力（+13.7%）
2. ✅ 可能檢測到更多手寫區域
3. ✅ 更高的識別置信度
4. ✅ 統一的 Pipeline 架構

劣勢

1. ❌ 無法區分手寫和印刷（仍需 OpenCV Method 3）
2. ⚠️ API 完全不兼容（需重寫服務器代碼）
3. ⚠️ 依賴 PaddleX（額外的依賴）
4. ⚠️ OpenCV 版本升級（4.6 → 4.10）

---

🎯 對我們項目的影響

當前方案（v2.7.3 + OpenCV Method 3）

PDF → PaddleOCR 檢測 → 遮罩印刷文字 → OpenCV Method 3 分離手寫 → VLM 驗證
                        ↑ 86.5% 手寫保留率

PP-OCRv5 方案

PDF → PP-OCRv5 檢測 → 遮罩印刷文字 → OpenCV Method 3 分離手寫 → VLM 驗證
      ↑ 可能檢測更多手寫   ↑ 仍然需要！

關鍵發現

PP-OCRv5 不能替代 OpenCV Method 3！

---

🤔 升級建議

升級的理由

1. 更好地檢測手寫簽名（+13.7% 準確率）
2. 可能減少漏檢
3. 更高的識別置信度可以幫助後續分析

不升級的理由

1. 當前方案已經穩定（86.5% 保留率）
2. 仍然需要 OpenCV Method 3
3. API 重寫成本高
4. 額外的依賴和複雜度

推薦決策

階段性升級策略：

1. 短期（當前）：

   • ✅ 保持 v2.7.3 穩定方案
   • ✅ 繼續使用 OpenCV Method 3
   • ✅ 在更多樣本上測試當前方案

2. 中期（如果需要優化）：

   • 對比測試 v2.7.3 vs v3.3.2 在真實簽名樣本上的性能
   • 如果 v5 明顯減少漏檢 → 升級
   • 如果差異不大 → 保持 v2.7.3

3. 長期：

   • 關注 PaddleOCR 是否會添加手寫分類功能
   • 如果有 → 重新評估升級價值

---

📝 技術債務記錄

如果決定升級到 v3.3.2

需要完成的工作：

1. 服務器端：

   • 重寫 paddleocr_server.py 適配新 API
   • 測試 GPU 利用率和速度
   • 處理 OpenCV 4.10 兼容性
   • 更新依賴文檔

2. 客戶端：

   • 更新 paddleocr_client.py（如果 REST 接口改變）
   • 適配新的返回格式

3. 測試：

   • 10+ 樣本對比測試
   • 性能基準測試
   • 穩定性測試

4. 文檔：

   • 更新 CURRENT_STATUS.md
   • 記錄 API 遷移指南
   • 更新部署文檔

---

✅ 完成的工作

1. ✅ 升級 PaddleOCR: 2.7.3 → 3.3.2
2. ✅ 理解新 API 結構
3. ✅ 測試基礎功能
4. ✅ 分析返回數據結構
5. ✅ 測試手寫分類功能（結論：無）
6. ✅ 查閱官方文檔驗證
7. ✅ 記錄完整研究過程

---

🎓 學到的經驗

1. API 版本升級風險：主版本升級通常有破壞性變更
2. 功能驗證的重要性：文檔提到的「手寫支持」不等於「手寫分類」
3. 現有方案的價值：OpenCV Method 3 仍然是必需的
4. 性能 vs 複雜度權衡：不是所有性能提升都值得立即升級

---

🔗 相關文檔

• CURRENT_STATUS.md - 當前穩定方案
• NEW_SESSION_HANDOFF.md - 研究任務清單
• PADDLEOCR_STATUS.md - 詳細技術分析

---

📌 下一步

建議用戶：

1. 立即行動：

   • 在更多 PDF 樣本上測試當前方案
   • 記錄成功率和失敗案例

2. 評估升級：

   • 如果當前方案滿意 → 保持 v2.7.3
   • 如果遇到大量漏檢 → 考慮 v3.3.2

3. 長期監控：

   • 關注 PaddleOCR GitHub Issues
   • 追蹤是否有手寫分類功能的更新

---

結論: PP-OCRv5 提升了手寫識別能力，但不能替代 OpenCV Method 3 來分離手寫和印刷文字。當前方案（v2.7.3 + OpenCV Method 3）已經足夠好，除非遇到性能瓶頸，否則不建議立即升級。