image-recognition

name	Image Recognition
description	图片识别与图文理解，基于 PaddleOCR-VL 模型，支持识别图片中的文字、场景、物体等信息。支持109种语言，可输出JSON或Markdown格式。
triggers	["识别图片","看图","图片识别","OCR","文字识别","图片内容"]
mcp	{"command":"uvx","args":["paddleocr-vl-mcp"],"env":{"PADDLEOCR_API_KEY":"your_api_key"}}

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：

{
  "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

{
  "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

{
  "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

# 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

# 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

# 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

# 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