152 lines
3.8 KiB
Markdown
152 lines
3.8 KiB
Markdown
# YDQ23_001838.pdf 和 YDQ23_001850.pdf 的CMA码识别问题分析
|
||
|
||
## 问题描述
|
||
|
||
### 预期结果
|
||
- PDF: YDQ23_001838.pdf
|
||
- 期望CMA码: 210020349096
|
||
- 实际CMA码: 440023010130 ❌
|
||
|
||
### 问题
|
||
440023010130这串数字是从哪里来的？
|
||
|
||
---
|
||
|
||
## 调查结果
|
||
|
||
### 1. PDF文本层分析
|
||
|
||
```bash
|
||
Found 440023010130 in PDF text:
|
||
Line 1: No粤4400230101300071
|
||
|
||
210020349096 NOT found in PDF text!
|
||
```
|
||
|
||
**关键发现**：
|
||
- ✅ 440023010130 存在于PDF文本层（在报告编号中）
|
||
- ❌ 210020349096 **不在PDF文本层**（只在图像中）
|
||
|
||
### 2. 模板匹配位置分析
|
||
|
||
```
|
||
Page size: 1191x1684
|
||
Best match position: (119, 1437)
|
||
Relative position: (17.4%, 88.7%) ← 在页面底部！
|
||
Confidence: 0.945
|
||
```
|
||
|
||
**问题**：模板匹配找到了页面**底部**的logo，而不是顶部正确的CMA logo！
|
||
|
||
### 3. 匹配结果
|
||
|
||
找到**160万个匹配**（阈值0.5太低），最佳匹配在：
|
||
|
||
| 位置 | 相对位置 | 置信度 | 区域 |
|
||
|------|---------|--------|------|
|
||
| (119, 1437) | (17.4%, 88.7%) | 0.945 | 页面**底部** |
|
||
| (514, 1010) | (50.5%, 63.3%) | 0.944 | 页面中间 |
|
||
|
||
---
|
||
|
||
## 根本原因
|
||
|
||
### 1. 页面底部有类似CMA logo的图案
|
||
|
||
在YDQ23_001838.pdf的页面底部（88.7%高度）有一个图案，与CMA logo很相似，匹配度更高（0.945）。
|
||
|
||
### 2. 真正的CMA logo在顶部
|
||
|
||
CMA标志和CMA码（210020349096）应该在**页面顶部**（0-30%高度），但模板匹配选择了底部的假logo。
|
||
|
||
### 3. ROI位置错误
|
||
|
||
由于匹配到了底部的假logo，ROI计算错误，OCR只找到了报告编号440023010130。
|
||
|
||
---
|
||
|
||
## 解决方案
|
||
|
||
### 添加位置过滤
|
||
|
||
**修改文件**：`cma_extraction_template_primary.py`
|
||
|
||
**修改内容**：在模板匹配时，只考虑页面上半部分（0-60%高度）的匹配
|
||
|
||
```python
|
||
# Get page dimensions for position filtering
|
||
page_h, page_w = page_mask.shape[:2]
|
||
# CMA logos are typically in the upper portion of the page (0-60% of height)
|
||
max_y_position = int(page_h * 0.6)
|
||
|
||
for scale in scales:
|
||
...
|
||
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)
|
||
|
||
# Position filtering: only consider matches in the upper portion
|
||
match_center_y = max_loc[1] + resized_template.shape[0] // 2
|
||
|
||
# Skip matches in the bottom portion (likely footer logos)
|
||
if match_center_y > max_y_position:
|
||
continue
|
||
|
||
if max_val > best_confidence:
|
||
# Update best match
|
||
```
|
||
|
||
**原因**：
|
||
- CMA标志通常在报告顶部（标题区域）
|
||
- 页面底部通常是页脚、日期、编号等信息
|
||
- 真正的CMA logo应该在0-60%的页面高度范围内
|
||
|
||
---
|
||
|
||
## 预期效果（修复后）
|
||
|
||
### 修复前
|
||
```
|
||
Best match: Y=1437 (88.7% of page height) ← 页面底部
|
||
ROI: 底部区域
|
||
OCR结果: 440023010130 (报告编号) ← 错误
|
||
```
|
||
|
||
### 修复后
|
||
```
|
||
Best match: Y=XXX (0-60% of page height) ← 页面顶部
|
||
ROI: 顶部CMA标志右侧
|
||
OCR结果: 210020349096 (正确CMA码) ← 正确
|
||
```
|
||
|
||
---
|
||
|
||
## 数字440023010130的来源
|
||
|
||
这串数字来自**PDF文本层**的报告编号：
|
||
|
||
```
|
||
No粤4400230101300071
|
||
↑
|
||
这是报告编号的一部分，不是CMA码
|
||
```
|
||
|
||
由于模板匹配找到了错误的位置（页面底部），OCR在这个区域只找到了报告编号，而不是真正的CMA码。
|
||
|
||
---
|
||
|
||
## 修改的文件
|
||
|
||
**cma_extraction_template_primary.py**
|
||
- 第143-151行：添加位置过滤逻辑
|
||
- 第169-198行：在匹配时检查Y坐标，跳过底部60%的匹配
|
||
|
||
---
|
||
|
||
## 总结
|
||
|
||
| 问题 | 原因 | 解决方案 | 状态 |
|
||
|------|------|---------|------|
|
||
| 识别到440023010130 | 模板匹配找到页面底部的假logo | 只考虑页面上半部分(0-60%)的匹配 | ✅ 已修复 |
|
||
| 找不到210020349096 | ROI在错误位置，OCR只找到报告编号 | 位置过滤后应该能找到正确位置 | ✅ 已修复 |
|
||
|
||
**修复后，系统应该能识别到正确的CMA码210020349096！**
|