Day13：文字辨識測試與常見誤判分析

17th鐵人賽 paddleocr pandas 資料清理資料重建

Yi-Ping, Fang

2025-08-13 08:48:54

214 瀏覽

分享至

　　在前篇我們透過PaddleOCR，初步將建築圖紙上的文字資訊辨識成文字資料，接下來本篇將聚焦於常見的識別情境與誤判分析。唯有深入理解各類誤判背後的結構與成因，才能進一步用pandas將「資料」結構化為真正可用的「資訊」，為後續自動化建模的應用鋪路。

13.1. 文字辨識測試結果

　　根據上一篇的操作步驟，模型所辨識的結果便能以(.txt)、(.png)方式將資料儲存，以利後續資料分析之用，範例如下圖13.1 & 圖13.2所示：

圖13.1 文字辨識結果文字檔

圖13.2 文字辨識結果可視圖

13.2. 圖紙資訊結構

在檢視辨識結果之前，我們先來了解建築圖面中一般會有哪些文字資訊：

外圍圖框：為了區別不同圖說間的用途，通常會在每張圖紙中顯示，例如工程案名、圖名、日期、比例、設計繪圖者等資訊。
圖面標題：為了更清楚顯示該圖的用途，主要會再次顯示圖名以及圖說比例。
空間名稱：在平面或立面四周圍封的區域，會標示上空間名稱。
標註尺寸：在圖面上顯示各空間或細部尺寸的數字。
說明文字：在圖面上加強說明圖面符號代表意義所加註的文字。
表格符號：通常表格和符號會彼此對應，例如以圖形內加註門窗編號，對應於門窗尺寸表；又或者柱編號對應於結構柱尺寸表…等。

13.3. 資料清理與重塑

　　有了大致的資訊框架後，我們可以試著在Colab新增筆記本，並以pandas來整理辨識結果(Pandas 是 Python 最常用的資料分析工具，可讓你像處理 Excel 表格一樣，快速進行資料整理、篩選、統計與分析)：

Step1：安裝pandas。

# 1. 安裝pandas
!pip install pandas

Step2：上傳txt檔案到Colab。

# 2. 上傳txt檔案到Colab
from google.colab import files
import pandas as pd

uploaded = files.upload()

# 檔名清單
filenames = list(uploaded.keys())
print("已上傳檔案：", filenames)

Step3：讀取並重新分類排序（中文、英文、數字、其他）。

# 3. 讀取並重新分類排序（中文、英文、數字、其他）
import re
import pandas as pd

df_dict = {}  # 保留每個檔案處理結果

def classify_text(s):
    s = str(s).strip()
    if re.fullmatch(r'\d+(\.\d+)?', s):
        return '數字'
    elif re.fullmatch(r'[A-Za-z]+', s):
        return '英文'
    elif re.search(r'[\u4e00-\u9fff]', s):
        return '中文'
    else:
        return '其他'

for fname in filenames:
    with open(fname, encoding='utf-8') as f:
        lines = [line.strip() for line in f if line.strip()]
    df = pd.DataFrame({'text': lines})

    df['分類'] = df['text'].apply(classify_text)
    # 改成你要的順序
    sort_order = ['中文', '英文', '數字', '其他']
    df['排序索引'] = df['分類'].map(lambda x: sort_order.index(x) if x in sort_order else len(sort_order))
    df_sorted = df.sort_values(by=['排序索引', 'text'], ignore_index=True)
    df_dict[fname] = df_sorted
    outname = fname.replace('.txt', '_sorted.txt')
    df_sorted['text'].to_csv(outname, index=False, header=False, encoding='utf-8')
    print(f"已處理：{fname} → 共{len(df_sorted)}筆，已輸出：{outname}")

Step4：壓縮並下載整理後的txt。

# 4. 壓縮並下載整理後的txt
import zipfile
import os

zipname = "sorted_txt_files.zip"
with zipfile.ZipFile(zipname, 'w') as zipf:
    for fname in filenames:
        outname = fname.replace('.txt', '_sorted.txt')
        if os.path.exists(outname):
            zipf.write(outname)

from google.colab import files
files.download(zipname)

Step5：跨檔案合併統計資訊。

# 5. 跨檔案合併統計資訊
import pandas as pd

# 合併所有檔案的已分類中文內容
all_chinese = []

for fname, df in df_dict.items():
    all_chinese += df[df['分類']=='中文']['text'].tolist()

chinese_series = pd.Series(all_chinese)
freq = chinese_series.value_counts().sort_values(ascending=False)

print("\n=== 所有檔案合併後高頻率出現的文字可能是圖框資訊(每張都有) ===")
print(freq)

Step6：跨檔案合併統計清單下載。

# 6. 跨檔案合併統計清單下載
freq.to_csv('all_files_chinese_freq.txt', encoding='utf-8')

from google.colab import files
files.download('all_files_chinese_freq.txt')

13.4. 常見誤判分析

從上一節統計清單中，透過資料的觀察(如圖)，主要可以歸納分析為以下兩類：

圖13.3 字形相近誤判示例

1. 字形相近誤判：
例如指鋁窗的「铭窗（46次）與銘窗（11次）、铝窗（15次）」、指1/2B磚的「1/2B 碑（8次）」…等簡繁體混用情形，這可能來自原圖不同區域字體混雜的關係。
2. 專有名詞拆分或不統一：
如「技能定中心」（7次）、「建築製圖應用-電繪丙級技術士技能定」（3次）、「建製圖應用-電繪頂丙級技術士技能定」（2次）；「建樂」（1次）、「建藥線」（4次）、「建線」（1次）等「建築線」的不同辨識結果…