中文扫描件 AI OCR 实战：从识别、复核到脱敏与外部 AI 使用

一份盖过章、复印过两次的中文合同，对软件而言可能只是由灰点、阴影和线条组成的图片。页眉公司名、正文身份证号、表格账号或骑缝章下的金额识别错误，都可能在后续抽取或脱敏时变成漏项。

因此，AI OCR 的任务不应被概括成“把扫描件转成文字”。严谨的目标是：把原始图像转换为可定位、可校正、可追溯的文字与结构，在明确下游用途后识别敏感字段，经人工复核完成脱敏，再对导出文件做反向验证。若结果随后要交给豆包等外部 AI，上传又是一个新的数据流，不能因为前面的 OCR 或脱敏在本地完成，就把后续服务也视为本地处理。

脱敏卫士把 OCR 结果带回“候选识别—人工复核—安全副本”这一条可操作链路。 对文字型或扫描型 PDF 和图片，桌面端可在本机组合固定规则与 AI/NER 标记候选字段，复核人员再处理低置信度、签名印章和复杂图片区域。它不追求用一个准确率覆盖全部文档，而是让高风险页面能够停下来、补标并被验收。

先分清五件事：OCR 不是完整的文档理解

中文扫描件处理至少包含五层任务，它们可能由同一套软件串联，也可能来自不同组件，但验收时必须分开。

1. 图像预处理修正旋转、透视、噪点、阴影、黑边和对比度，让字符更容易被检测。预处理改变的是像素，不判断某串数字是否为账号。
2. OCR检测文字区域并识别字符，回答“页面上写了什么”。“0/O”“1/l”“未/末”、简繁异体字和小数点都是常见混淆。
3. 版面与表格分析恢复标题、段落、多栏阅读顺序、行列、合并单元格以及键值关系，回答“文字之间是什么结构”。字符全对，行列错位，银行流水仍然不可用。
4. 字段抽取与实体识别从文字和结构中定位合同编号、姓名、地址、账号、金额等对象。固定格式字段适合规则校验；姓名、机构、地址等依赖上下文的内容更需要实体识别和人工判断。
5. 脱敏与验证按接收对象和用途处理敏感内容，导出后重新打开结果，反查是否仍能搜索、复制或看到原值。OCR 的置信度不是脱敏完成证明。

不能把“整页文字识别率较高”等同于“关键字段没有漏检”。若银行卡号中的一位错成字母，字段抽取与脱敏仍可能失效。业务验收必须把字符、结构、字段和最终页面分层统计。

一条可审计的 OCR—复核—脱敏管道

建议把流程固化为以下十个控制点。每一步都应保留输入版本、输出版本、异常原因和经办人，避免在最终发现漏项时无法判断问题发生在哪一层。

阶段	核心动作	需要留下的证据	不满足时的处理
1. 输入质量评估	判断有无文本层、页数、方向、分辨率、压缩、缺页和重复页	原件只读副本、文件哈希、页面清单、质量标签	缺页、来源不明或文件损坏时停止
2. 图像预处理	去歪斜、旋转、裁边、去噪、阴影修正，必要时保留彩色版本	预处理参数与处理前后样张	不可逆增强掩盖印章或浅色字时回退
3. OCR	识别简繁中文、中英混排、数字、标点并返回位置	原始识别结果、坐标、置信度或异常标记	无输出、乱码页进入异常队列
4. 版面/表格抽取	恢复多栏顺序、段落、表格行列和合并单元格	带坐标文本、结构化表格、页码映射	结构无法可靠恢复时降级为逐页人工录入
5. 字段/实体识别	用规则、校验位、词典与 NER 标记敏感候选	字段类型、原页位置、命中方式	冲突字段或不合语境的结果转人工
6. 低置信度队列	汇总低置信字符、重叠区域、缺失字段和规则冲突	异常类型、风险等级、负责人	高风险字段未清空不得进入外发
7. 人工校正	对照原图修字、修表、补字段；关键项双人复核	校正记录、复核人、变更前后值	原图也无法辨认时向文件提供方补件
8. 脱敏	按用途选择涂黑、星号、代指或人工图片框选	脱敏清单、规则版本、人工补标记录	接收对象或字段口径不明时暂停
9. 导出	生成与原件分离的结果副本，保留页序和必要语义	导出文件、版本号、生成时间	页数、版式或可读性异常时回到对应阶段
10. 反向验证	搜索、复制、缩放、抽图、逐页对照，检查漏项与误伤	验收记录、抽样清单、问题闭环	发现关键字段残留即阻断外发或上传

预处理不宜“一键拉满”。强二值化可能抹掉浅色印章、铅笔批注或防伪底纹，过度去噪会吞掉小数点和汉字细笔画。应保存原始页、标准处理页和特殊增强页，不能覆盖原件。

六类中文文档，关键字段和失败方式各不相同

1. 中文合同：正文准确还不够，还要管附件和印章

合同的关键字段通常包括当事人姓名或企业名称、统一社会信用代码、法定代表人、地址、联系方式、银行账号、合同编号、金额、日期，以及签名和印章图像。常见失败包括多栏附件阅读顺序颠倒、表格中的付款账号串列、骑缝章覆盖文字、扫描裁边切掉页码，以及手写补充条款未被识别。

应核对首页主体、尾页签署区、附件和骑缝区域；对账号、身份证号、金额和联系人执行双人复核。签名、指纹、印章可能需要人工框选，不能假定 OCR 一定发现。

2. 银行流水：字符正确，还要保证行列和借贷方向

流水的关键字段包括户名、账号或卡号、交易日期时间、对方户名与账号、摘要、币种、收入、支出、余额和流水号。表格识别若把下一行金额并到上一行，或者把“收入”和“支出”列对调，单个字符看似都对，财务语义却已损坏。

应按单元格核对行列，对日期、金额、余额做格式与勾稽检查；若仍需趋势分析，先定义数值保留或变换方式，并复核负数、小数和币种。不能用“能导出 Excel”代替结构验收。

3. 发票：号码、代码、金额和校验码容错空间很小

发票通常关注购买方与销售方名称、统一社会信用代码、地址电话、开户行及账号、发票号码、开票日期、项目明细、金额、税额、价税合计和备注。二维码、底纹、印章与细小字体可能互相干扰，“8/B”“0/O”、小数点遗漏和大写金额错字会让字段校验失败。

样本应覆盖打印件、复印件、折痕、印章压字和低对比度页面。抽取后校验号码长度、日期、金额合计和购销双方位置；失败页面进入复核队列，不能自动猜测。

4. 营业执照：复杂背景和版式变化会影响字段定位

营业执照的关键字段包括名称、类型、法定代表人、经营范围、注册资本、成立日期、住所、统一社会信用代码和登记机关。国徽、底纹、二维码、悬挂拍照产生的透视变形，以及不同年份版式，都会影响字段和值的配对。

这类证照要结合版面位置、字段标签和代码格式交叉验证，避免把背景或附件号码当成目标值；经营范围长文本还应检查断行、漏行和阅读顺序。

5. 病历：手写、专业缩写与时间线需要临床复核

病历可能包含患者姓名、证件号、住址、联系方式、就诊号、住院号、科室、诊断、检查结果、处方、医师签名和时间。医生手写、医学缩写、上下标、单位和阴阳性符号对通用 OCR 都很困难，字符错误还可能改变医学含义。

OCR 索引不能替代原始病历。用于脱敏外发时，应核对身份字段、页间患者标识、检查单粘贴区和签名。临床内容无法确认时保留原图定位并升级处理，不能让语言模型“补全”。

6. 政务档案：旧纸张、繁体字和多层批注是常态

政务档案常见关键字段包括姓名、证件信息、家庭住址、联系电话、单位、文号、案号、档号、日期、签批意见、印章和附件目录。老旧复印件可能有繁体字、竖排、铅笔批注、透印、纸张泛黄、装订阴影和缺角，多份材料还会混合不同年代的字体与表格。

应先确认档案用途，再定义隐藏内容。版面无法恢复时，可保留页面级图像索引并人工著录。不能为“可搜索”破坏档案原貌；原件、处理副本与发布副本应分开管理。

测试矩阵：不要只拿干净样张做演示

试点测试集应来自获授权的真实分布，并去除与目标无关的重复样本。每个维度至少覆盖正常、轻度困难和严重困难三档；高风险但低频的材料应主动补样，不能被海量清晰页稀释。

测试维度	必测样本	重点观察
文字体系	简体、繁体、简繁混排、异体或旧字形	字符混淆、词语被自动改写、繁体字段漏检
语言混排	中文与英文公司名、邮箱、缩写、大小写	分词、空格、大小写和阅读顺序
数字符号	身份证号、账号、金额、日期、百分号、小数点	0/O、1/l、千分位、小数点、负号
非印刷内容	印章、签名、手写批注、指纹	是否被漏掉、误作正文或覆盖邻近文字
图像质量	倾斜、模糊、阴影、反光、低 DPI、压缩噪声	字符与标点损失、坐标漂移、整页失败
版面结构	多栏、竖排、页眉页脚、脚注、附件	阅读顺序、跨栏合并、页码误入正文
表格	有线、无线、合并单元格、跨页表格	单元格归属、行列错位、跨页续表
遮挡叠加	盖章压字、签字压线、折痕、装订黑边	被遮字符、印章与正文边界、裁边误删
复杂背景	证照底纹、发票底纹、水印、污渍、照片背景	背景误识别、浅色字消失、区域漏检

每个样本都要保存目标字符、单元格、关键字段和敏感实体的正确值及坐标。金标准由两名标注者处理争议；原图无法判定的内容标为“不可判读”，不强行参与计算。

六组指标如何计算，为什么不能设万能阈值

不同文档、字段风险和下游用途决定不同验收线。用于全文搜索的档案可以容忍少量非关键字符错误；用于脱敏外发的身份证号、账号和患者身份字段则几乎不能容忍漏检。以下指标需要同时看，不能只挑表现最好的一项。

字符错误率（CER）

CER =（替换字符数 + 删除字符数 + 插入字符数）÷ 金标准字符总数

例如金标准有 10,000 个字符，识别结果相对它出现 60 次替换、20 次删除、20 次插入，则 CER 为 (60 + 20 + 20) ÷ 10,000 = 1%。应按简体、繁体、数字、手写和印章覆盖区分层报告，避免平均值掩盖难例。

字段级精确率与召回率

字段精确率 = 正确提取字段数 ÷ 系统提取字段总数

字段召回率 = 正确提取字段数 ÷ 金标准应有字段总数

若样本应有 120 个账号，系统提取 110 个，其中 100 个值和位置均正确，则精确率为 100 ÷ 110 ≈ 90.9%，召回率为 100 ÷ 120 ≈ 83.3%。精确率低意味着复核负担大，召回率低意味着漏项风险高；二者必须并列。

表格单元格准确率

表格单元格准确率 = 文字内容与行列归属均正确的单元格数 ÷ 金标准单元格总数

例如 500 个单元格中，470 个文字正确，但其中 15 个被放错行列，则真正正确的是 455 个，单元格准确率为 455 ÷ 500 = 91%。仅比较导出文本而忽略行列位置，会高估表格可用性。

页面成功率

先为项目定义“成功页”：例如无整页漏识别、阅读顺序可用、所有关键字段已进入候选或人工队列，且版面可供复核。页面成功率 = 成功页数 ÷ 处理总页数。若 300 页中 276 页满足定义，则为 92%。这个数字只在成功页定义一致时可比较。

人工复核率

人工复核率 = 进入人工检查的页数（或字段数）÷ 全部页数（或字段数）

例如 200 页中 70 页因低置信、复杂版面或高风险字段进入复核，页面口径复核率为 35%。报告必须注明按页还是按字段；复核率不是越低越好，异常规则过松也会制造虚假的低复核率。

关键字段漏检率

关键字段漏检率 = 未被 OCR、字段识别或人工队列发现的关键字段数 ÷ 金标准关键字段总数

若 80 个高风险字段中有 2 个直到终验才被发现，漏检率为 2 ÷ 80 = 2.5%。应同时列出漏掉的字段类型、页面质量和发生阶段。一个平均值不能抵消单个严重漏项。

企业应根据外发风险、人工能力和文件类型分别定线，并保留基线版本。更换扫描设备、OCR 模型、预处理参数、字段规则或文档来源后，都要重新评估，不能沿用旧结论。

低置信度与异常队列怎么设计

置信度只是排序信号，不是真实概率。队列不应只收“模型分数低”的字符，还应收这些异常：整页无文本、识别字符骤减、页码断裂、表格列数变化、校验位失败、金额勾稽不平、必填字段缺失、印章或签名区域与正文重叠、同一实体前后值冲突，以及预处理前后差异过大。

队列可分三类：普通纠错单人复核；账号、身份证号、患者标识、合同主体等高风险字段两人独立复核；无法判读、缺页、结构错乱或数据边界不明的任务升级。第二人应独立判断，再处理分歧。

所有关键字段、异常页和人工修改页应重点检查；普通页按文档类型、来源批次和设备分层抽取。若发现关键漏检、批次页序错乱、版本混用、未批准外发原件，或无法证明导出副本完成内容处理，应立即停止并回滚。

扫描合同处理后再交给豆包：两个数据边界，不能混为一个

假设企业法务收到一份 86 页扫描合同，需要让豆包帮助归纳履约义务。建议流程如下：先把原件置为只读，在受控本机完成页面清点、去歪斜和 OCR；核对主体、合同编号、账号、金额、联系人以及签署页；再用脱敏卫士（RedactOS）桌面端导入扫描型 PDF 或图片，结合固定格式规则与 AI/NER 标记姓名、地址、机构、身份证号、手机号、银行卡号、统一社会信用代码、合同编号和金额等候选项。

复核者关闭误报、划词补充漏项，对签名、印章等区域人工框选。后续 AI 需要理解关系时，可选“<人物1>”“<单位1>”等代指；公开展示可选涂黑或星号。高风险字段经第二人核对后，导出副本并搜索原值、尝试复制、放大签署区及检查页数。

只有验收通过的脱敏副本才进入后续步骤。把这份副本上传豆包时，数据已经离开前述本地处理边界，进入豆包及相关网络、账号、日志、历史记录和留存设置所决定的外部数据流。企业仍需按实际账号与使用方式核查服务条款、上传权限、可发送字段和留存策略。这里没有“豆包原生集成”的含义，也不能把“本地完成脱敏”解释为“后续 AI 处理仍在本地”。原件、脱敏映射表和可还原任务信息不得随脱敏副本一并上传。

脱敏卫士在这条流程中的位置与边界

桌面端支持 .docx、.txt、文字型 PDF、扫描型 PDF 和图片，可在本机完成导入、识别、复核与导出。固定格式字段可使用正则规则，姓名、地址、单位和机构等语义实体可由 AI/NER 标记；用户可查看脱敏项目清单，取消误报，通过划词或图片框选补充遗漏，再按用途导出结果。所有任务会形成记录，便于后续复核和任务内还原。

这是“自动识别 + 人工复核”的本地工作台，不保证所有 OCR 场景完美识别。模糊手写、重叠印章、复杂表单和多栏顺序仍可能需要专门 OCR、人工校正或补件。脱敏卫士不应被描述为已有通用云 API、云协作或豆包原生连接器；Skill 或 CLI 之后的模型数据流仍取决于实际配置。

国内 OCR 候选如何做非排名 POC

需要专门版面、表格或字段能力时，可以从官方中文资料建立候选清单，但不要把不同数据集、接口和口径下的厂商准确率放在一张排行榜里。以下信息仅用于确定试点范围，不能替代本组织样本测试。

非排名候选	官方资料可确认的窄能力	在试点中的用法
百度智能云 OCR	官方接口简介列出含位置通用文字、办公文档版面、手写、表格、印章和结构化能力	分别测试合同版面、印章覆盖区和表格；不引用官网宣传准确率
腾讯云表格识别 V3	官方接口说明支持中英文图片/PDF中的常规、无线和多表格，返回单元格内容，并说明 PDF 按页处理	用银行流水和跨页表格样本验证行列、旋转页与单页调用限制
阿里云 OCR 表格识别	官方接口说明列出有线、条纹、无线及手写表格、低置信度提示；该接口支持多种图片格式但不直接支持 PDF	用发票和表单图片测试低置信队列，PDF 先确认另行解析路径

候选入口分别见百度智能云 OCR 接口简介、腾讯云表格识别 V3和阿里云表格识别接口。云端接口通常意味着文件或图像需要按接口数据流提交；测试前应单独确认账号权限、区域、日志、存储、删除和合同要求。若材料不允许离开本机或专网，就不能仅因识别能力合适而直接上传。

一个可落地的四阶段试点

阶段一：定义用途与金标准

选定一个边界清楚的流程，例如“扫描合同外发前脱敏”，不要一次覆盖所有部门。由业务、安全、档案与执行人员共同定义关键字段、允许输出形式、停止条件和指标口径。按六类文档与测试矩阵抽取获授权样本，建立双人标注的金标准，并冻结原件。

阶段二：小样本跑通全链路

用少量但难度分层的文件跑完输入评估、预处理、OCR、结构抽取、实体识别、异常队列、人工复核、脱敏、导出和反向验证。记录每次人工修改及原因。此阶段目标是发现队列和责任断点，不是追求漂亮平均数。

阶段三：扩大批次并做对照

扩大到不同来源、设备、月份和文档版式，使用同一金标准口径比较不同配置。分别报告 CER、字段精确率与召回率、单元格准确率、页面成功率、人工复核率和关键字段漏检率。对云端候选还要记录实际数据流和失败重试，不只看识别输出。

阶段四：验收、上线与持续监测

按文件类型设定自己的验收线，明确哪些页面全检、哪些分层抽检、谁能放行。上线后按批次监测难例比例、人工复核量和漏项原因。扫描仪、模型、规则或版式发生变化时触发回归测试；指标持续恶化或关键漏检出现时暂停自动放行。

上线前验收清单

• [ ] 原件只读保存，页数、顺序、重复页和文件哈希已有记录。
• [ ] 预处理参数可追溯，特殊增强没有覆盖唯一原图。
• [ ] 简繁、中英、数字、手写、印章和签名难例均进入测试集。
• [ ] 倾斜、模糊、阴影、低 DPI、多栏、表格、盖章压字和复杂背景均有结果。
• [ ] 六项指标按统一金标准计算，并按文档与风险字段分层报告。
• [ ] 低置信、字段缺失、校验失败、结构冲突和整页异常均能进入队列。
• [ ] 身份证号、账号、患者标识、合同主体等关键字段已按要求双人复核。
• [ ] 脱敏规则、人工修改、导出版本、复核人和放行时间可以追溯。
• [ ] 导出副本已在独立阅读环境中完成搜索、复制、缩放和逐页反查。
• [ ] 原件、脱敏副本、任务记录与映射表按不同敏感级别控制访问。
• [ ] 若结果交给豆包或其他外部 AI，已另行批准发送范围并核查数据流。
• [ ] 已定义停机、补件、人工降级和升级责任人。

常见故障排查

现象	可能原因	排查与处置
某页完全没有文字	页面被识别为空白、方向异常、加密或渲染失败	对照原页检查方向和渲染，单页重试；仍失败则进入人工队列
字符清楚但字段没命中	OCR 分词、字符混淆、规则缺少引导词或实体上下文不足	查看原始文字与坐标，修正字符；补自定义规则或人工标记
多栏正文顺序混乱	版面分区失败，页眉页脚被并入正文	调整版面模型或区域；高风险页保留原图逐区复核
表格金额串行串列	线框断裂、合并单元格、旋转或跨页续表	用单元格金标准核对，检查旋转角；必要时人工重建结构
印章下文字消失	红章与黑字重叠、灰度化或二值化过强	回到彩色原图，采用分色或较弱增强；人工确认被遮内容
手写内容被自动“润色”	后处理语言模型按语境猜测	保留原始 OCR 输出，关闭不必要自动纠错；不可判读项不补写
导出后仍能复制原值	只加了视觉覆盖层，原文本或图像仍在	立即阻断外发，回到正式内容处理并重新做反向验证
人工队列突然减少	阈值、规则、版本或样本来源发生变化	比较版本与难例分布，抽检未入队页面，排除异常规则过松

FAQ

1. 扫描分辨率达到某个数值，就一定能识别好吗？

不能。分辨率只是一个因素，焦点、压缩、倾斜、阴影、纸张、字体、印章遮挡和单字像素大小都会影响结果。应以真实样本的分层测试为准，并保存原图，不要为追求锐度过度处理。

2. OCR 置信度很高，是否可以跳过人工复核？

不建议。置信度用于排序，不等于业务正确性。格式合法但属于错误对象的账号，可能仍获较高分。高风险字段、异常页和所有人工修改页应按既定标准复核。

3. 手写、签名和印章能否全部自动识别并脱敏？

不能作这种承诺。部分专门能力可以识别某些手写或印章，但材料质量和样式差异很大；签名、指纹、印章及其覆盖文字经常需要人工框选、双人核对或补件。

4. OCR 后已经搜不到姓名，是否说明脱敏完成？

不是。姓名可能仍存在于页面图像、隐藏文本、附件或其他拼写形式中；账号、地址、签名和印章也未必能用姓名搜索发现。应对导出文件执行搜索、复制、缩放、逐页对照和图片区域检查。

5. 本地完成 OCR 和脱敏后，能否直接把结果上传豆包？

仍需审批和核查。先确认关键字段漏检率、导出验证和接收用途，再确认豆包实际使用方式下的发送、权限、日志、历史记录与留存。上传行为是新的外部数据流，本地步骤不会自动把后续处理变成本地。

6. 应该选择本地 OCR 还是云端 OCR？

先看数据边界，再看样本效果。禁止外联或高保密材料应优先满足本机、专网或获批部署要求；允许云端处理时，也要核查接口数据流并用同一测试集做 POC。能力名称、价格或厂商宣传不能替代本组织验收。

结语：真正的目标是可验证，而不是“识别完成”

AI OCR 可以把难以搜索的中文扫描件转成可处理内容，但它不会自动消除图像质量、版面、表格、字段语义和数据流风险。可靠的做法是把每一层的输入输出拆开，把低置信和业务异常送入人工队列，用六组指标持续测量，再用导出后的反向验证决定文件能否外发。

对于合同、流水、发票、营业执照、病历和政务档案，最重要的不是追求一个脱离样本的“高准确率”，而是知道哪些字段不能漏、哪些页面必须停、谁来复核、结果将流向哪里。做到这一点，OCR 才真正成为可审计的文档处理入口，而不是把像素错误带进脱敏和外部 AI 的放大器。

下一步： 可先查看脱敏卫士对扫描件、OCR 内容和图片框选的支持，再使用虚构或已授权的非敏感扫描样本在线体验。真实高敏材料应在桌面端本机处理并执行第二人复核。

相关阅读

• PDF 怎么正确脱敏？
• 财务报表脱敏要检查哪些信息？
• 贷款材料如何安全脱敏？