3.8 KiB

Raw Blame History

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

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

# 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！

3.8 KiB Raw Blame History Unescape Escape