OCR-пайплайн для извлечения данных из свидетельств о регистрации ТС (СТС):
- Государственный регистрационный номер
- VIN (идентификационный номер)
- Номер кузова (кабины, прицепа)
# Запуск одной командой
docker-compose up --build
# Результаты в data/output/results.jsonТребования: Python 3.10+, Tesseract OCR
macOS:
# 1. Установить Tesseract
brew install tesseract tesseract-lang
# 2. Установить Poetry
pip install poetry
# 3. Установить зависимости
poetry install
# 4. Запуск
poetry run vehicle-ocr -i data/input -o data/output/results.jsonUbuntu/Debian:
# 1. Установить Tesseract
sudo apt-get install tesseract-ocr tesseract-ocr-rus tesseract-ocr-eng
# 2. Установить Poetry
pip install poetry
# 3. Установить зависимости
poetry install
# 4. Запуск
poetry run vehicle-ocr -i data/input -o data/output/results.jsonWindows:
# 1. Установить Tesseract
# Скачать установщик: https://github.com/UB-Mannheim/tesseract/wiki
# Установить и добавить в PATH: C:\Program Files\Tesseract-OCR
# 2. Установить Poetry
pip install poetry
# 3. Установить зависимости
poetry install
# 4. Запуск
poetry run vehicle-ocr -i data/input -o data/output/results.json# Базовый запуск
vehicle-ocr --input ./images --output ./results.json
# С параметрами
vehicle-ocr -i ./images -o ./results.json --lang eng
# Тихий режим
vehicle-ocr -i ./images -o ./results.json -qfrom vehicle_ocr import VehicleParser, Settings
# С настройками по умолчанию
parser = VehicleParser()
# Или с кастомными настройками
settings = Settings(
tesseract_lang="eng",
reg_number_region_start=0.10,
reg_number_region_end=0.35
)
parser = VehicleParser(settings)
# Обработка одного файла
result = parser.parse_document("document.jpg")
print(result.reg_number) # В883ВО799
print(result.vin) # WP1ZZZ9PZ9LA42290
print(result.body_number) # WP1ZZZ9PZ9LA42290
# Обработка директории
results = parser.process_directory("./images")
parser.save_results(results, "results.json")Настройки через переменные окружения (префикс VOCR_):
export VOCR_TESSERACT_LANG=eng
export VOCR_CLAHE_CLIP_LIMIT=2.5
export VOCR_MIN_IMAGE_HEIGHT=800Или файл .env:
VOCR_TESSERACT_LANG=eng
VOCR_CLAHE_CLIP_LIMIT=2.5| Параметр | По умолчанию | Описание |
|---|---|---|
tesseract_lang |
eng |
Языки OCR |
tesseract_psm |
6 |
Page segmentation mode |
clahe_clip_limit |
2.0 |
CLAHE порог контраста |
min_image_height |
800 |
Мин. высота для upscale |
reg_number_region_start |
0.15 |
Начало региона гос.номера |
reg_number_region_end |
0.30 |
Конец региона гос.номера |
vin_region_start |
0.25 |
Начало региона VIN |
vin_region_end |
0.60 |
Конец региона VIN |
body_number_region_start |
0.52 |
Начало региона номера кузова |
body_number_region_end |
0.68 |
Конец региона номера кузова |
{
"documents": [
{
"file": "test.jpg",
"reg_number": "В883ВО799",
"vin": "WP1ZZZ9PZ9LA42290",
"body_number": "WP1ZZZ9PZ9LA42290"
}
],
"total_processed": 1,
"statistics": {
"reg_numbers_found": 1,
"vins_found": 1,
"body_numbers_found": 1
},
"version": "1.0.0"
}vehicle-ocr/
├── pyproject.toml # Poetry конфигурация
├── Dockerfile
├── docker-compose.yml
├── src/
│ └── vehicle_ocr/
│ ├── __init__.py # Экспорт публичного API
│ ├── cli.py # CLI интерфейс
│ ├── config.py # Настройки (Pydantic)
│ ├── parser.py # Основной парсер
│ └── preprocessor.py # Предобработка изображений
├── tests/
│ └── test_parser.py
└── data/
├── input/ # Входные изображения
└── output/ # Результаты
Изображение → Извлечение региона → Предобработка → OCR → Постобработка → JSON
│ │ │ │
По % высоты CLAHE + Tesseract Нормализация
Upscaling (PSM 3,6) + Скоринг
- CLAHE — адаптивное улучшение контраста
- ROI extraction — извлечение регионов по % высоты документа
- Multi-strategy consensus — 36 комбинаций параметров, выбор по частоте
- Latin→Cyrillic нормализация — для гос.номеров (O→О, B→В и т.д.)
- VIN scoring — оценка по структуре ISO 3779
# Запуск тестов
poetry run pytest
# С coverage
poetry run pytest --cov=vehicle_ocr- Python 3.10+
- OpenCV — обработка изображений
- Tesseract OCR — распознавание текста
- Pydantic — валидация и настройки
- Poetry — управление зависимостями
- Docker — контейнеризация