监控OCR系统

一个基于Python的后台服务程序，支持摄像头视频流捕获、OCR文字识别、HTTP API服务等功能。

功能特性

核心功能

摄像头管理: 自动检测可用摄像头，支持视频流捕获
屏幕截图: 支持全屏截图和区域截图，多种截图方法自动选择
智能OCR识别:
- 使用EasyOCR/PaddleOCR进行中文文字识别
- 支持字段映射配置和跨片段匹配
- 智能负数识别和绝对值处理
- 中文识别失败容错机制
HTTP服务: 提供健康检查、摄像头OCR和屏幕截图OCR等API接口
截图存储: 按年/月/日文件夹自动存储截图
配置管理: JSON格式配置文件，支持实时更新

HTTP API接口

健康检查

GET /health

返回系统状态信息

OCR识别

摄像头OCR识别

POST /ocr

捕获当前视频帧并进行OCR识别，返回字段映射结果

屏幕截图OCR识别

POST /screenshot/ocr

请求体参数：

region (可选): 截图区域 {"x": 0, "y": 0, "width": 1920, "height": 1080}
method (可选): 截图方法 "auto", "pyautogui", "pil", "screencapture", "win32"

{
  "status": False,
  "message": message,
  "msg": message,
  "code": code,
  "timestamp": datetime.now().isoformat(),
  "request_id": request_id or str(uuid.uuid4()),
  "error": error_detail or message,
  "data": {
    "field_mappings": {
      "key1": "value1",
      "key2": "value2"
    }
  }
}

纯屏幕截图

POST /screenshot/capture

请求体参数：

region (可选): 截图区域
method (可选): 截图方法
save (可选): 是否保存文件，默认true

屏幕截图信息

GET /screenshot/info

返回屏幕尺寸、可用截图方法等信息

字段映射管理

GET /config/mappings     # 获取字段映射
POST /config/mappings    # 更新字段映射

系统状态

GET /camera/status       # 摄像头状态
GET /storage/stats       # 存储统计

安装依赖

pip install -r requirements.txt

使用方法

GUI模式（推荐）

python main.py

GUI界面提供以下功能：

摄像头管理: 选择和配置摄像头设备
实时视频预览: 显示摄像头视频流
屏幕截图OCR: 点击按钮进行全屏截图并OCR识别
摄像头OCR: 对当前摄像头画面进行OCR识别
系统设置: 配置OCR参数和字段映射
HTTP服务控制: 启动/停止HTTP API服务

无GUI模式（服务器部署）

python main.py --no-gui

自定义配置文件

python main.py --config custom_config.json

配置说明

配置文件 config.json 包含以下设置：

{
  "camera": {
    "selected_index": 0,        // 摄像头索引
    "resolution": [1920, 1080], // 分辨率
    "fps": 30                   // 帧率
  },
  "ocr": {
    "field_mappings": {         // 字段映射
      "温度": "temperature",
      "湿度": "humidity",
      "压力": "pressure",
      "流量": "flow_rate",
      "数值A (max)": "value_a_max",
      "数值A (min)": "value_a_min"
    },
    "language": "ch",           // OCR语言
    "use_angle_cls": true,      // 文字方向分类
    "use_absolute_value": false  // 是否取绝对值
  },
  "storage": {
    "screenshot_dir": "./screenshots", // 截图存储目录
    "auto_cleanup_days": 30            // 自动清理天数
  },
  "http": {
    "host": "0.0.0.0",         // 服务地址
    "port": 9501,              // 服务端口
    "debug": false             // 调试模式
  }
}

OCR智能识别功能

字段映射配置

系统支持灵活的字段映射配置，可识别各种格式的数据：

"field_mappings": {
  "温度 (°C)": "temperature",          // 标准格式
  "数值A (max)": "value_a_max",        // 支持max/min区分
  "数值A (min)": "value_a_min"         // 智能区分相似字段
}

智能特性

1. 跨片段匹配

当OCR将完整字段拆分为多个片段时，系统能智能组合识别：

拆分前: 数值A（max）：152
OCR识别: ['数值A', '(max):', '152']
智能匹配: 系统自动关联字段名、标识符和数值

2. 负数识别与绝对值处理

"use_absolute_value": false   // 启用绝对值处理
"use_absolute_value": false  // 保留原始数值（包括负号）

效果示例:

启用绝对值: (min): -178 → 178
禁用绝对值: (min): -178 → -178

3. 中文识别容错

当中文字符识别失败时，系统使用英文关键字进行匹配：

识别失败: 数值字段 → ???????????
容错匹配: 通过 max/min 关键字识别字段
智能推断: 基于位置和上下文推断数值

4. 数据类型保持

系统智能保持原始数据类型：

整数: 152 → 152 (不会变成 152.0)
浮点数: 45.7 → 45.7
负数: -178 → 178 (绝对值) 或 -178 (保留)

匹配策略

系统采用多层匹配策略确保准确识别：

精确匹配: 完整字段名匹配
跨片段匹配: 处理OCR拆分的字段
模式匹配: 使用正则表达式匹配
容错匹配: 中文识别失败时的英文匹配
位置推断: 基于字段出现顺序的智能推断

GUI界面

1. 主界面

显示系统状态（摄像头、HTTP服务）
实时视频预览
启动/停止HTTP服务
导航到其他界面

2. 摄像头选择界面

自动检测可用摄像头
显示摄像头信息（分辨率等）
选择并启动摄像头

3. 设置界面

HTTP服务配置（端口等）
存储目录设置
字段映射管理（添加/删除映射关系）

项目结构

monitor_ocr/
├── main.py              # 主程序入口
├── gui_app.py           # GUI应用界面
├── camera_manager.py    # 摄像头管理
├── ocr_processor.py     # OCR处理器
├── storage_manager.py   # 存储管理
├── config_manager.py    # 配置管理
├── http_server.py       # HTTP服务器
├── config.json          # 配置文件
├── requirements.txt     # 依赖包列表
└── README.md           # 说明文档

开发环境

Python 3.8+
OpenCV 4.8+
EasyOCR 1.7+ (推荐) / PaddleOCR 2.7+
Flask 2.3+
Tkinter (GUI)

部署说明

Windows打包

方法1: 在Windows环境中直接打包 (推荐)

# 1. 预下载PaddleOCR模型
python prepare_models.py

# 2. 执行打包脚本
python build_windows.py

方法2: 使用GitHub Actions自动化打包

# 推送代码到GitHub，自动触发Windows构建
git push origin main
# 在GitHub Actions页面下载生成的Windows可执行文件

方法3: 使用Docker交叉编译

python build_windows_docker.py

打包输出:

MonitorOCR.exe (约400MB，包含所有OCR模型)
config.json - 配置文件
start.bat - Windows启动脚本
README.md - 使用说明

Docker部署

项目支持Docker容器化部署，适用于Linux环境和交叉编译。

# 标准部署
docker-compose up -d

# Windows交叉编译
docker build -f Dockerfile.windows -t monitor-ocr-windows .

模型管理

预下载模型

python prepare_models.py

模型文件信息

PP-OCRv5_server_det (83.9MB) - 文字检测模型
PP-OCRv5_server_rec (80.5MB) - 文字识别模型
PP-LCNet_x1_0_textline_ori (6.4MB) - 文字方向分类
UVDoc (30.6MB) - 文档处理模型
PP-LCNet_x1_0_doc_ori (6.4MB) - 文档方向分类
总大小: 209.4MB

离线部署

打包后的可执行文件包含所有模型，支持完全离线运行，无需联网下载。

项目文件结构

monitor_ocr/
├── main.py                    # 主程序入口
├── gui_app.py                 # GUI应用界面
├── camera_manager.py          # 摄像头管理
├── screenshot_manager.py      # 屏幕截图管理
├── ocr_processor.py           # OCR处理器
├── storage_manager.py         # 存储管理
├── config_manager.py          # 配置管理
├── http_server.py             # HTTP服务器
├── model_manager.py           # 模型管理器
├── prepare_models.py          # 模型预下载脚本
├── build_windows.py           # Windows打包脚本
├── build_windows_docker.py    # Docker交叉编译脚本
├── test_api.py                # API测试脚本
├── config.json                # 配置文件
├── requirements.txt           # 依赖包列表
├── Dockerfile                 # Docker配置
├── Dockerfile.windows         # Windows Docker配置
├── docker-compose.yml         # Docker Compose配置
├── .github/workflows/         # GitHub Actions工作流
├── build_instructions.md      # 详细打包指南
└── README.md                  # 项目说明

屏幕截图功能详解

支持的截图方法

系统会自动检测并选择最佳的截图方法：

PyAutoGUI - 跨平台截图库，支持全屏和区域截图
PIL ImageGrab - Python Imaging Library的截图功能
macOS screencapture - macOS系统原生截图命令
Windows API - Windows系统原生截图接口

截图功能特性

自动方法选择: 根据系统环境自动选择最佳截图方法
全屏截图: 捕获整个屏幕内容
区域截图: 指定坐标和尺寸截取特定区域
多显示器支持: 支持多显示器环境的截图
高质量输出: 保持原始分辨率和色彩

使用示例

GUI界面使用

点击"屏幕截图OCR"按钮
系统自动截取全屏并进行OCR识别
在弹出窗口中查看识别结果

API调用示例

# 全屏截图OCR
curl -X POST http://localhost:9501/screenshot/ocr \
  -H "Content-Type: application/json" \
  -d "{}"

# 区域截图OCR
curl -X POST http://localhost:9501/screenshot/ocr \
  -H "Content-Type: application/json" \
  -d '{"region": {"x": 100, "y": 100, "width": 800, "height": 600}}'

# 获取屏幕信息
curl http://localhost:9501/screenshot/info

注意事项

模型下载: 首次运行或打包前需执行 prepare_models.py
摄像头权限: 确保摄像头权限已开启
屏幕录制权限: macOS需要授予屏幕录制权限才能截图
网络安全: HTTP服务默认监听所有网络接口，注意安全设置
存储管理: 截图文件按年/月/日自动分类存储
自动清理: 支持自动清理过期截图文件
跨平台: 支持macOS开发，Windows部署
离线运行: 打包后完全离线，无需Python环境

故障排除

摄像头无法启动

检查摄像头是否被其他程序占用
确认摄像头驱动正常
尝试不同的摄像头索引

OCR识别不准确

调整摄像头焦距和光线
检查字段映射配置是否正确
确保文字清晰可见
验证EasyOCR/PaddleOCR模型是否正确加载
对于相似字段（如max/min），检查字段名是否精确匹配
如果中文识别失败，系统会自动使用英文关键字容错匹配

屏幕截图失败

检查屏幕录制权限（macOS系统偏好设置 > 安全性与隐私 > 屏幕录制）
确认pyautogui库已正确安装
尝试不同的截图方法参数
检查是否有其他程序阻止截图

HTTP服务启动失败

检查端口是否被占用
确认防火墙设置
查看错误日志信息

打包相关问题

模型缺失: 确保运行 prepare_models.py 下载所有模型
依赖错误: 检查 requirements.txt 中的包是否正确安装
平台兼容: Windows打包需要在Windows环境或使用交叉编译
文件大小: 最终可执行文件约400MB（包含所有OCR模型）

性能优化建议

使用SSD存储提升截图保存速度
调整摄像头分辨率平衡质量和性能
定期清理过期截图文件
在生产环境中使用专业WSGI服务器替代Flask开发服务器

更新日志

v1.2.0 (最新)

✅ 智能OCR识别升级
- 新增跨片段匹配功能，处理OCR字段拆分问题
- 智能负数识别和可配置绝对值处理
- 中文识别失败容错机制
- 相似字段名精确区分（如max/min）
✅ 配置功能增强
- 新增 use_absolute_value 配置选项
- 支持数据类型保持（整数/浮点数）
- 多层匹配策略优化
✅ EasyOCR支持
- 添加EasyOCR作为推荐OCR引擎
- 改进中英文混合识别效果

v1.1.0

✅ 新增屏幕截图OCR功能
✅ 支持多种截图方法自动选择
✅ GUI界面新增屏幕截图按钮
✅ HTTP API新增屏幕截图相关接口
✅ 支持全屏和区域截图
✅ 跨平台截图兼容性优化

v1.0.0

✅ 完整的摄像头管理系统
✅ PaddleOCR中文识别支持
✅ 可配置字段映射系统
✅ HTTP API服务
✅ GUI三界面管理
✅ 按日期分类的截图存储
✅ 跨平台打包支持
✅ 离线模型打包
✅ Docker容器化部署
✅ GitHub Actions自动化构建

许可证

本项目采用 MIT 许可证 - 详见 LICENSE 文件

贡献

欢迎提交 Issue 和 Pull Request 来改进项目！

联系方式

如有问题或建议，请通过以下方式联系：

提交 GitHub Issue
发送邮件至项目维护者

supine-win/screen_ocr

README