image-recognition

# 图片识别 MCP 技能 ## 功能说明 基于 PaddleOCR-VL 的图像识别服务： - 📝 **文字识别**：提取图片中的文字内容 - 🌍 **多语言支持**：支持109种语言的OCR - 📊 **结构化输出**：JSON或Markdown格式 - 📐 **版面分析**：识别文本、表格、公式、图表 - 🎯 **精确定位**：提供文字位置信息 ## 核心模型 ### PaddleOCR-VL 1.5 百度开源的视觉语言模型： - **参数量**：0.9B（超轻量） - **支持语言**：109种 - **识别能力**：文本、表格、公式、图表 - **输出格式**：JSON、Markdown ## 工具列表 ### 1. extract_text - 文字提取 **功能**：从图片中提取文字内容 **参数说明**： | 参数 | 类型 | 必需 | 说明 | |------|------|------|------| | image | string | ✅ | 图片文件路径或URL | | format | string | ❌ | 输出格式：json/markdown，默认markdown | | language | string | ❌ | 语言代码，默认自动检测 | **使用示例**： ```json { "image": "/path/to/image.png", "format": "markdown", "language": "ch" } ``` **返回信息**： - 识别的文字内容 - 文字位置信息（JSON格式） - 置信度分数 ### 2. analyze_document - 文档分析 **功能**：分析文档图片的版面结构 **参数**： - `image`: 文档图片 - `output_format`: 输出格式 **返回**： - 文本区域 - 表格区域 - 图片区域 - 版面结构 ### 3. extract_table - 表格提取 **功能**：从图片中提取表格数据 **参数**： - `image`: 包含表格的图片 **返回**： - 表格结构 - 单元格内容 - 表头识别 ## 配置方式 ### 获取API Key 1. 访问PaddleOCR服务提供商 2. 注册账号并获取API Key 3. 配置到环境变量 ### MCP配置 ```json { "mcpServers": { "image-recognition": { "command": "uvx", "args": ["paddleocr-vl-mcp"], "env": { "PADDLEOCR_API_KEY": "your-api-key" } } } } ``` ## 使用场景 ### 1. 文档数字化 ``` 用户：帮我把这份扫描文档转成文字 助手：[调用extract_text，返回Markdown格式] ``` ### 2. 表格提取 ``` 用户：提取这张图片里的表格数据 助手：[调用extract_table，返回结构化数据] ``` ### 3. 截图文字提取 ``` 用户：识别这张截图里的文字 助手：[调用extract_text] ``` ### 4. 多语言识别 ``` 用户：识别这张日文图片的内容 助手：[设置language=ja进行识别] ``` ## 支持的语言 ### 主要语言 - 中文（简体、繁体） - 英文 - 日文 - 韩文 - 法语、德语、西班牙语等 ### 总计 支持 **109种语言** 的OCR识别 ## 输出格式对比 ### JSON格式 ```json { "text": "识别的文字", "bbox": [x1, y1, x2, y2], "confidence": 0.95 } ``` **适用场景**：需要精确位置信息、程序处理 ### Markdown格式 ```markdown # 文档标题 正文内容... | 列1 | 列2 | |-----|-----| | 数据 | 数据 | ``` **适用场景**：文档阅读、内容展示 ## 触发时机 - 用户需要识别图片文字 - 文档数字化处理 - 表格数据提取 - 多语言文字识别 ## 最佳实践 ### 1. 选择合适的格式 ```python # 需要位置信息 extract_text(image, format="json") # 只需要文本内容 extract_text(image, format="markdown") ``` ### 2. 指定语言提高准确率 ```python # 中文文档 extract_text(image, language="ch") # 日文文档 extract_text(image, language="ja") # 混合语言（自动检测） extract_text(image, language="auto") ``` ### 3. 处理复杂文档 ```python # 先分析版面 layout = analyze_document(image) # 再提取各区域内容 for region in layout.regions: if region.type == "table": extract_table(region) else: extract_text(region) ``` ## 注意事项 ⚠️ **重要提示**： 1. 图片质量影响识别准确率 2. 复杂排版可能需要后期校对 3. 手写文字识别准确率较低 4. 表格识别对格式要求较高 ## 应用场景 | 场景 | 推荐工具 | 说明 | |------|---------|------| | 文档数字化 | extract_text | 扫描件转文字 | | 表格录入 | extract_table | 图片表格转Excel | | 截图提取 | extract_text | 快速获取截图文字 | | 学术论文 | analyze_document | 识别公式图表 | ## 官方资源 - **模型**: PaddleOCR-VL 1.5 - **GitHub**: https://github.com/PaddlePaddle/PaddleOCR - **文档**: https://github.com/PaddlePaddle/PaddleOCR/blob/main/doc/doc_ch/whl.md - **支持**: 百度开源项目 ## 常见问题 ### Q: 识别准确率不高怎么办？ **A**: - 确保图片清晰 - 指定正确的语言 - 尝试不同的输出格式 ### Q: 支持手写文字吗？ **A**: 支持，但准确率可能低于印刷体 ### Q: 如何处理表格？ **A**: 使用extract_table工具，会自动识别表格结构 ### Q: 可以识别公式吗？ **A**: 可以，PaddleOCR-VL支持公式识别 ## 与其他工具配合 ### 文档处理流程 ``` pdf（提取页面）→ image-recognition（识别）→ 整理归档 ``` ### 数据录入流程 ``` image-recognition（识别表格）→ xlsx（写入Excel）→ 数据分析 ``` --- *更新时间: 2026-03-08* *版本: 1.0* *适用对象: 文档处理、数据提取、内容识别*