PatentOCR：专利图纸中组件标识符细粒度检测与OCR的基准工具

《Scientific Data》：PatentOCR: A Benchmark for Fine-Grained Detection and OCR of Component Identifiers in Patent Drawings

　　

摘要

在自然场景中，光学字符识别技术已取得显著成效，但在专利图纸等技术领域仍存在诸多挑战。专利图纸中包含用于表示专利组件的字母数字标识符，这些标识符与专利文档中的文字描述相对应。然而，由于这些标识符的大小不一、分布稀疏且背景杂乱，通用的OCR引擎往往容易将组件误识别为字符，难以区分相关的标识符与其他文本。目前，针对这类标识符的精细标注数据集还十分缺乏。针对这一不足，本研究提出了PatentOCR这一新数据集，其中包含2,236份专利图纸，以及20,165条像素级的精细标注信息，还有相应的箭头或指引线，有助于模型更清晰地区分目标特征与复杂背景。此外，本研究还利用该数据集在专利图纸字符识别方面的应用，通过评估四种模型的组合建立了全面的研究基准，并提出了两种用于该任务的评估方法。PatentOCR能为知识产权领域的多模态研究提供更多资源。