Python 简单列表的Tesseract训练技术

因此，我正在培训自适应分类器（Tesseract中的默认引擎）。 但我在这方面有点麻烦，因为文档非常零碎和/或缺失

我正在训练一个非常小的数据集，我想我刚开始使用arial black，直到我收集更多关于我的主题的数据。 我想识别say化妆品（丹麦语）上的标签，这只是一个列表（逗号分隔的单词）。只有非常具体的词，特别是：

斯莫尔， 奥斯特， 酸奶， 艾默尔， 伊莉特， 弗勒德， 奶昔， 莱克托斯， 米尔凯萨克， 动物节， 动物油， 斯莫罗利， 巴格尔马格里纳， 人造奶油 米纳林， 利巴杰梅尔， 因达佩特·穆尔克， mælkebestandele， 穆尔凯托夫， 托尔梅尔克， 马尔卡普尔弗， skummetmælkspulver， 瑟德穆尔斯普尔弗， mælkeprotein， 乳清蛋白， 卡森， 卡塞纳特， 卡塞纳钙， 卡利乌姆卡塞纳特， 利钠肽， 瓦勒， 谷蛋白， 瓦勒普尔弗， 马尔克

以及以大写字母开头的相同单词（例如：“Vallepulver”）。 但是我一直很难为这种形态找到合适的配置文件，我认为我应该使用DAWG系统，因为准确性和速度非常重要

到目前为止，我采取了以下步骤： 使用jTessboxeditor生成.box文件 将.box文件转换为.tr文件，文件名为tesseract imagefile.exp0，文件名为box nobatch box.train 然后使用unicharset_提取器filename.exp0.box提取unicharset 创建包含以下内容的字体属性文件：arial 1 0 然后使用“mftraining”“cntraining”对角色特征进行聚类 将所有文件重命名为我选择的语言名称 创建包含上述列表的单词列表 使用wordlist2dawg将单词列表转换为lang.words.dawg 最后将数据与combine_tessdata lang相结合。 但我仍然体验到非常不准确的结果（我使用scantailor在将图像馈送给Tesseract之前对图像进行预处理），以下是我目前正在测试Tesseract的图像（采用.tif格式）：

系统只能识别上面列表中的单词（因此列表和图像之间的唯一匹配是“milk”）

任何关于我可能做错什么/改进什么（特别是在我不存在的配置中）的建议都是非常值得赞赏的，因为我已经为此奋斗了很长一段时间了

---

真诚地说，你是一个绝望的书呆子。

你有没有试过解析Tesseract返回的结果，并手动挑选出你想要的单词？e、 g.您有一个可接受单词的列表和Tesseract返回的每个单词的列表，因此您应该能够选择您想要的单词，但是感谢您的回复：-）