Обнаружить текст в формате «числовая единица», используя pytesseract OCR ValueError при преобразовании числа в число с п ⇐ Python

[Anonymous]

Это из завершившегося онлайн-хакатона (извлечение значений сущностей объектов из изображений). Я новичок, но сначала попробовал создать функцию ocr для извлечения текста из предварительно обработанных изображений и передачи его через Функция parse_string(s) для проверки формата. Однако я продолжаю получать сообщение об ошибке в одном файле с выводом.
constants.py содержит все допустимые единицы измерения, например. вес: г, фунт и т. д., объем: миллилитр, ..
Это моя функция:

Код: Выделить всё

def extract_text(image_path):
"""Perform OCR to extract text from the image."""
if not image_path or not os.path.exists(image_path):
print(f"Image path does not exist: {image_path}")
return ""

try:
image = cv2.imread(image_path)
if image is None:
print(f"Error reading image file: {image_path}")
return ""

# Preprocess the image for OCR
image = rescale_image(image)
image = enhance_contrast(image)
image = binarize_image(image)
image = enhance_structure(image)

# Extract text using Tesseract
config = "--psm 6"  # specify page segmentation mode(psm) for no.s
text =  pytesseract.image_to_string(image, config=config)

"""Sanitize OCR output by removing non-alphanumeric characters and trimming noise."""
# Remove unwanted symbols or characters
text = re.sub(r'[^a-zA-Z0-9\s,.]', '', text)
# Replace multiple spaces with a single space
text = re.sub(r'\s+', ' ', text).strip()

return text

except Exception as e:
print(f"Error extracting text from {image_path}: {e}")
return ""

def batch_ocr(image_paths, num_threads=5):
"""Perform OCR on a batch of images using multiple threads."""
with ThreadPoolExecutor(max_workers=num_threads) as executor:
ocr_results = list(tqdm(executor.map(extract_text, image_paths), total=len(image_paths)))

# filter out invalid ocr results
valid_results = []
for result in ocr_results:
if re.match(r'^\d+(\.\d+)?\s+[a-zA-Z]+$', result.strip()):  # Simple number + unit pattern
valid_results.append(result)
else:
valid_results.append("")  # Mark invalid results as empty

return valid_results

# ----------------------- Utility Functions -----------------------

def common_mistake(unit):
"""Correct common unit mistakes."""
unit = unit.lower().strip()
corrections = {
'grams': 'gram',
'kilograms': 'kilogram',
'ounces': 'ounce',
'centimetres': 'centimetre',
'inches': 'inch',
'lbs': 'pound',
'storager': 'storage',
'dcuratcn': 'duration',
'ttralagn': 'translation',  # Example OCR mistake corrections
# Add more corrections here
}
return corrections.get(unit, unit)

# valid numeric string check
def is_valid_numeric_string(s):
"""Check if the string likely contains a valid numeric value and unit."""
# Check if the string contains any numbers
return any(char.isdigit() for char in s)

def parse_string(s):
"""Parse a string to extract number and unit."""
if not s or str(s).lower() == 'nan':
print(f"Empty or NaN string encountered: {s}")
return None, None

# Filter out invalid strings before parsing

if is_valid_numeric_string(s):
s = s.strip()
print(f"Parsing string: {s}")
pattern = re.compile(r'^-?\d+(\.\d+)?\s+[a-zA-Z\s]+$')

# if not pattern.match(s):
#     raise ValueError(f"Invalid format in {s}")
# handle the case where the string is not in the expected format
if not pattern.match(s):
print(f"Skipping invalid format: {s}")
return None, None  # Skip invalid entries

parts = s.split(maxsplit=1)

# sanitize the number part
number_str = parts[0].replace(",", "").strip() # Remove commas and extra spaces
try:
number = float(number_str)  # Extract the number part
except ValueError:
print(f"Invalid number format in: {s} (number part: '{number_str}')")
return None, None
unit = common_mistake(parts[1].strip().lower())

# Handle allowed_units using your constants
return number, unit

else:
print(f"Skipping non-numeric string: {s}")
return None, None  # Skip non-numeric entries

Выход:

Код: Выделить всё

ValueError: Invalid format in STORER

+ DCURATCN TRENDS A TTRALAGN Sean ume TTA i

Таким образом, я исследовал и добавил изменение масштаба (300ppi), контрастность, бинаризацию, размытие, шумоподавление, расширение и эрозию, а также добавил обработку ошибок и регистрацию в функции, но ошибка сохраняется. Пожалуйста, помогите (также, если это неправильный путь, пожалуйста, подскажите мне, как мне правильно повысить эффективность распознавания и обнаружить нужные тексты на изображениях).

Подробнее здесь: https://stackoverflow.com/questions/789 ... n-converti