3. OCR技术入门
在保险理赔业务中，影像件是最常见的信息载体：发票、病历、诊断证明、费用清单、身份证、银行卡、事故证明等，几乎都以扫描件或手机拍照的形式进入系统。OCR（Optical Character Recognition，光学字符识别）要做的，是把这些图像中的文字像素转换为可编辑、可检索、可校验的文本。理解OCR的基本原理与边界，是后续单证结构化与理赔自动化的前提。
一、OCR核心原理：从像素到字符的四个环节
无论技术如何演进，OCR的底层逻辑都可以拆解为“检测—识别—后处理—输出”四个环节。检测负责回答“文字在哪里”，识别负责回答“文字是什么”，后处理负责回答“结果是否合理”，输出则把结果组织成业务可用的结构。
- 图像预处理：灰度化、二值化、去噪、倾斜校正、透视矫正。保险影像常见拍照倾斜、阴影、折痕，预处理质量直接影响后续识别率。
- 文本检测：定位文字区域，输出文本框坐标。传统方法依赖连通域与边缘检测，深度学习方法（如CTPN、DBNet）可处理任意方向与密集排版。
- 文本识别：将文本框内容转为字符序列。CRNN+CTC是经典方案，Transformer类模型在长文本与复杂字体上表现更好。
- 后处理与结构化：通过词典、正则、业务规则、版面分析，把散乱文本还原为字段，例如“金额”“日期”“诊断名称”。
关键认知：OCR输出的是“文本+坐标+置信度”，不是直接可用的理赔字段。结构化是在OCR结果之上叠加版面理解与业务规则的过程，这也是保险场景OCR与通用OCR最大的分水岭。
二、发展历程：从模板匹配到多模态大模型
OCR并非新事物，其演进大致经历四个阶段，每个阶段都对应着不同的能力边界与适用场景。
| 阶段 | 代表技术 | 核心特点 | 保险场景适用性 |
|---|---|---|---|
| 模板匹配期 | 固定版式切割、特征比对 | 依赖预设模板，版式一变即失效 | 仅适合格式高度统一的保单封面 |
| 传统机器学习期 | 连通域分析、SVM、HMM | 可处理简单排版，需人工设计特征 | 对发票、身份证等半固定版式有一定效果 |
| 深度学习期 | CTPN、CRNN、DBNet、Transformer | 端到端检测识别，抗干扰能力强 | 可覆盖病历、费用清单等复杂版式 |
| 多模态大模型期 | 视觉-语言联合建模、文档理解 | 兼顾文字、版面、语义与问答 | 支持跨单证字段抽取与推理校验 |
对理赔业务而言，阶段演进带来的不是“识别率从90%到99%”的线性提升，而是从“能认字”到“能理解单证”的能力跃迁。早期OCR只能输出文本流，如今文档理解模型可以直接回答“这张发票的价税合计是多少”，并给出坐标依据。
三、通用OCR与保险场景OCR的差异
通用OCR面向的是“把图上的字认出来”，而保险场景OCR面向的是“把理赔需要的字段准确、可追溯地抽出来”。两者在目标、数据、评价指标和工程约束上都有显著差异。
- 版式复杂度：通用OCR多处理文档、路牌、屏幕等相对规整内容；保险单证包含手写病历、多栏费用清单、盖章遮挡、复印件模糊等极端情况。
- 字段语义要求：通用OCR只要求字符正确；保险OCR要求“诊断名称”必须归一到ICD编码，“金额”必须区分自费、医保、统筹等口径。
- 置信度与可追溯：理赔审核需要知道每个字段来自哪一页、哪个坐标、置信度多少，以便人工复核与审计。
- 合规与隐私：保险影像含大量个人敏感信息，OCR部署需考虑脱敏、私有化、数据不出域等要求。
- 评价指标：通用OCR看字符准确率；保险OCR更关注字段级准确率、召回率与端到端直通率。
实战提示：评估OCR供应商时，不要只看“字符识别率”。应要求对方在真实理赔单证上给出字段级指标，并说明对模糊、旋转、手写、盖章遮挡等badcase的处理策略。
四、案例与误区复盘
某健康险理赔团队曾遇到一个典型问题：通用OCR对医疗发票的字符识别率达到97%，但“医保统筹支付金额”字段的抽取准确率只有62%。复盘发现，问题不在识别环节，而在版面理解——发票中“统筹支付”“个人自付”“现金支付”等多个金额字段位置相近，通用OCR输出的文本流丢失了栏目对应关系，规则引擎按行匹配时频繁串栏。
解决路径是引入版面分析：先检测表格线与栏目区域，再把每个金额绑定到对应表头，最后用业务规则校验“各项之和是否等于总金额”。调整后字段准确率提升到93%以上。这个案例说明，保险场景OCR的瓶颈往往不在“认字”，而在“认结构”和“认业务”。
常见误区：①认为OCR识别率等于字段准确率；②忽略影像质量，把拍照不规范的问题归咎于模型；③不做置信度阈值与人工复核兜底；④用通用模型直接处理手写病历，未做领域微调；⑤只关注单张识别，忽略多页单证之间的字段关联与一致性校验。
五、本节要点清单
- OCR本质是“检测+识别+后处理”，输出文本、坐标与置信度。
- 技术演进从模板匹配走向多模态文档理解，能力从“认字”升级为“理解单证”。
- 保险OCR的核心差异在于版式复杂、字段语义强、可追溯要求高、合规约束严。
- 评估应聚焦字段级指标与端到端直通率，而非单一字符准确率。
- 结构化不是OCR的附属功能，而是决定理赔自动化上限的关键环节。
# 保险OCR结果示例（简化）
{
"page": 1,
"blocks": [
{"text": "医保统筹支付", "bbox": [120, 340, 260, 365], "conf": 0.98},
{"text": "￥3,280.50", "bbox": [300, 340, 420, 365], "conf": 0.96}
],
"field": {
"medical_insurance_amount": {
"value": 3280.50,
"source_bbox": [300, 340, 420, 365],
"confidence": 0.96,
"need_review": false
}
}
}