评估中英混排报告的OCR,不应只检查输出字符串是否存在。搜索、引文摘录和字段入表是不同任务,需要不同验收对象。先冻结同一组代表页和人工对照,再记录原始输出、差异类型与修正成本,才能判断结果适合什么用途,而不是直接给软件排名。
定义输入与预期结果
来源对象包括文件版本、页面范围、语言与扫描条件。预期结果由人工对照能够辨认的原图建立,记录位置、确认值和字段关系。肉眼也读不清的内容标为来源不明,不把猜测值当成标准答案。
样本覆盖中文正文、英文缩写、型号、数字单位、双栏和表格,困难页也要包含。只用最清楚的一页,无法代表实际报告中的风险;但也不必机械凑固定页数,关键是说明每页为什么入选。

在文档工具面板中定位注释、OCR、页面提取与其他工具。
把验收拆成三个层级
第一层是字符,检查相似字母、前导零、小数点、正负号和否定。第二层是字段,检查值是否仍属于正确行列、单位和条件。第三层是结构,检查栏序、图注、续表及跨页接续。字符完全正确但错列的结果,不能通过字段入表验收。
如果要计算比例,先声明分母、统计单位和样本范围。字符正确率与字段全对比例不是同一指标,不能混成"总体准确率"。没有正式测量时,只记录具体错误及用途判断,不编数字。

OCR设置中的语言、输出模式与页面范围;不是当前业务材料的实测结果。
参数变更保持可解释
可以用UPDF在获准工作副本上处理代表页,按照实际语言与页面范围设置OCR,输出另存。当前Windows指南提供相应配置,工具入口按UPDF 3.0实际界面确认,不将桌面选项推到所有平台。
每轮记录模式、语言、范围与来源,尽量一次调整一类因素。不要同时换源图和多个参数后,断言某一设置带来提升。多工具比较也应采用相同样本,不能一份经过人工修正、另一份仍是原始输出。

新版注释工具栏,可用于高亮和记录核对问题;图中文档仅为界面示例。
错误表不能覆盖原结果
保留原识别值、人工确认值、差异类型、风险和处理状态。数字遗漏小数点与普通拼写错误对任务的影响不同,应分别归类。原图不清、识别错字、布局失序和漏页也要区分,避免所有问题都靠再次运行OCR处理。
表格字段同时保存行名、列名、单位与脚注。空白、破折号和零值不自动互换。英文断行连字符与型号连字符按语义核对,不统一删除。原文与自己的解释分列,不能把校正后的理解冒充原始字符。

新版阅读界面中的演示PDF与页面缩略图;样本为虚构资料,不是实际业务文件。
从样本结果生成使用边界
若正文适合检索但型号字段频繁出错,可以把用途限定为定位原页,关键字段继续人工复核。原件模糊到无法辨认时先索取清晰来源,不通过重复识别制造确定值。人工修正很多时,将修正工作计入交付,而不隐藏在"已转文字"状态后面。
结论至少写适用页面、已发现问题、必须复核项、未覆盖版面和是否扩大范围。样本通过不是全文件通过,新出现的复杂表格或扫描质量下降仍需补测。验收成果是带边界的判断,不是脱离任务的好用或不好用。
最后让接收者核对关键字段标准。引用者与资料录入人员对错误的容忍不同,评估应服务真实下游任务,而不是只追求输出外观整齐。
来源版本更换后,应重新核对对照值和证据位置。