Windows离线OCR-11：工程图纸识别与自动重命名实战

在 Windows 上处理工程图纸时，真正消耗时间的往往不是画图，而是图档整理。制造企业的设计部门每天会收到大量 DWG、PDF 或扫描图纸，需要人工确认图号、图名、版本，再按固定规则重命名；外文图纸还要翻译标题栏和技术注释。这些操作一旦放到云端完成，图纸内容就会离开本机，很多涉密项目、内部标准和未公开产品资料不允许这样做。离线 OCR-11 正是为这类场景出现的：本机完成图像预处理、文字识别、字段提取、自动重命名和截图翻译，全程不联网，资料不离开本机。

这篇文章以“离线 OCR-11 本地处理链路”为主线，从工程图纸识别的特殊性讲起，逐步搭建一套 Windows 离线 OCR 系统。完成阅读后你可以得到三样东西：第一，一套可复现的本地 OCR 环境；第二，能从复杂工程图纸中提取图号、图名、版本并自动重命名文件的脚本；第三，一个基于截图和本地翻译模型的实时翻译流程。读者需要掌握基本 Python 语法，能在 Windows 命令行里执行命令，不需要提前了解 OCR 原理。

1. 先把“离线 OCR-11”这条链路拆开看

1.1 工程图纸识别和普通文档识别有本质差别

普通文档 OCR 的目标通常是“把整页文字转出来”，交给用户阅读或进入全文索引即可，版式和位置关系不是核心。工程图纸完全不同，识别对象不是连续段落，而是分散在标题栏、明细栏、技术要求、尺寸标注里的短文本，它们之间靠坐标位置和表格线组织关系。

工程图纸的识别难点集中在几个地方：

• 版式复杂：标题栏、明细栏、图框、角标混在一起，每张图纸的模板可能不同。
• 字体多样：仿宋、黑体、宋体、数字字母混排，同一张图里可能出现多种字号。
• 文字方向不确定：横排、竖排、旋转 90 度都很常见。
• 背景干扰大：表格线、图框线、阴影、折痕、印章都会干扰文字检测。
• 输入类型杂：扫描件、黑白稿、蓝图、CAD 直接导出的图片，清晰度和对比度差异极大。

所以工程图纸 OCR 不能只做“文字识别”，必须把“检测位置 + 识别文字 + 结构化字段”串联起来。这也是离线 OCR-11 与普通截图识字工具的核心区别：它不止告诉你图上有哪些字，还告诉你哪个字对应图号、哪个字对应图名，然后直接帮你把文件改好名。

1.2 离线 OCR-11 的五个环节

离线 OCR-11 不是某一个组件，而是一条完整的本地处理链路，可以拆成五个环节：

前三个环节属于通用 OCR 能力，后两个环节决定系统能否落地到具体业务。很多 OCR 项目失败，不是因为识别率不够，而是因为字段提取和业务动作没有设计好。识别结果是人看的，字段提取是给程序用的，两者的评价标准完全不同。

1.3 本地处理解决了隐私、断网和批量效率三个问题

选择本地离线方案，首先解决的是隐私边界问题。涉密图纸、未公开产品图、客户现场照片，一旦上传到在线接口，就脱离了公司控制范围。离线方案让图纸只经过本机内存和磁盘，日志里也不记录图像内容。

其次是断网可用性。设计院项目现场、工厂车间、出差途中的网络环境不一定稳定。OCR 系统依赖外网接口，网络一断整套流程就停摆。本地模型文件放到固定目录后，识别、翻译都不依赖外部请求。

第三是批量处理效率。在线 OCR 接口通常有单张大小限制、并发限制和配额限制，几百张图纸批量跑会被限速。本地处理是纯计算密集型任务，瓶颈在 CPU、内存和磁盘，批量速度可以稳定预估。

2. Windows 本地环境准备与离线依赖

2.1 组件选型与版本对齐

离线 OCR 的组件选择要遵循一条原则：版本以官方发布页为准，并且在项目里锁定版本号。这里给出一个常见组合，实际落地时请按自己的系统环境重新确认。

这里要特别提醒：PaddleOCR 2.x 和 3.x 的调用方式差异很大。下文示例以 2.x 风格的ocr.ocr()返回结构为准。如果你安装的是 3.x，第一次调用后先打印原始返回结构，再按下标的实际层级解析，不要直接照搬 2.x 的result[0]写法。

2.2 创建 Python 虚拟环境

Windows 上建议每个 OCR 项目单独建虚拟环境，避免不同项目依赖互相污染。打开 PowerShell 或 CMD，执行以下命令：

cd D:\workspace\offline-ocr11 python -m venv venv_ocr venv_ocr\Scripts\activate python -m pip install --upgrade pip

激活成功后，命令行提示符前面会出现(venv_ocr)。这一步很关键，后续所有安装和运行都必须在虚拟环境里进行。

2.3 准备离线依赖包和 OCR 模型

在可以联网的开发机上，先把依赖包下载到本地目录，再拷贝到离线机器安装：

mkdir D:\offline_packages pip download -d D:\offline_packages -r requirements.txt

requirements.txt内容参考如下：

paddlepaddle==2.6.1 paddleocr==2.7.3 opencv-python numpy Pillow mss pyperclip argostranslate

离线机器上安装：

pip install --no-index --find-links=D:\offline_packages -r requirements.txt

依赖之外，PaddleOCR 首次运行时会自动下载检测模型、方向分类模型和识别模型，这些模型默认存放在C:\Users\当前用户名\.paddleocr目录。离线环境下首次运行会报网络错误，解决办法是：在有网机器上先运行一次，让模型完整下载到C:\Users\用户名\.paddleocr，再把整个目录拷贝到离线机器的同一位置。

模型目录拷贝到位后，可以用一段极短代码验证环境：

from paddleocr import PaddleOCR ocr = PaddleOCR(use_angle_cls=True, lang='ch', show_log=False, use_gpu=False) print("PaddleOCR init OK")

能打印出PaddleOCR init OK，说明 OCR 引擎和模型文件都已经可用。

3. 实现工程图纸字段提取与自动重命名

3.1 图纸标题栏中的关键字段

工程图纸的标题栏通常位于图框右下角，是字段提取的主战场。不同企业模板不同，但关键字段高度相似：

实际设计字段提取规则时，不要把字段值限制死。同一个字段在不同图纸模板里可能叫“图号”“编号”“Drawing No.”，所以要建立一个标签别名表，而不是只匹配一个词。

3.2 图像预处理

预处理的目标是把“人眼能看懂的图纸”变成“OCR 引擎更容易识别的图像”。工程图纸常出现的问题是小字号、低对比度、表格线干扰。

import cv2 def preprocess_drawing(image_path, scale=1.5): img = cv2.imread(image_path) if img is None: raise FileNotFoundError(f"无法读取图片: {image_path}") gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 工程图纸扫描件普遍偏小，先放大再识别 gray = cv2.resize(gray, None, fx=scale, fy=scale, interpolation=cv2.INTER_CUBIC) # 自适应阈值比全局阈值更适合处理阴影和蓝底图 binary = cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 15 ) return img, binary

放大倍数不建议超过 2 倍，倍数过大会导致笔画变粗、粘连，反而降低识别率。自适应阈值适合背景明暗不均匀的图纸；如果图纸本身就是清晰的二值黑白稿，用全局阈值或直接不做二值化效果更好。

蓝底白字图纸比较特殊，白字反色后会变成黑字，识别率明显提升。可以加一个反色分支：

def maybe_invert(binary): # 如果背景像素占比过高，说明可能是白字蓝图，反色处理 white_ratio = (binary == 255).mean() if white_ratio > 0.8: return cv2.bitwise_not(binary) return binary

在预处理阶段，建议把中间结果保存到临时目录，方便后续排查“哪一步把字弄丢了”。

3.3 文本检测与识别

PaddleOCR 将检测和识别封装在同一个接口里。实际工程中建议自己先做检测，再做识别，这样能保留文字坐标，为字段提取提供位置信息。

from paddleocr import PaddleOCR ocr = PaddleOCR( use_angle_cls=True, lang='ch', show_log=False, use_gpu=False, ) result = ocr.ocr("preprocessed.png", cls=True)

result的典型结构是双重列表：最外层是一个图片列表，每个图片元素里是检测到的文本行，每行包含坐标框和(文字, 置信度)。解析代码如下：

def parse_lines(result): lines = [] if not result or not result[0]: return lines for item in result[0]: box, (text, score) = item xs = [p[0] for p in box] ys = [p[1] for p in box] lines.append({ "text": text.strip(), "x": min(xs), "y": min(ys), "w": max(xs) - min(xs), "h": max(ys) - min(ys), "score": score, }) return lines

把 x、y、宽、高提取出来后，字段提取就能依赖坐标关系，而不是只看字符串。

3.4 字段提取：按坐标分行 + 标签匹配 + 正则兜底

标题栏里“图号：FP-2024-001”可能被 OCR 拆成两个文本行，也可能挤成一行。更稳妥的策略是先按 y 坐标分行，再按 x 坐标排序，然后做标签匹配。

def group_rows(lines, row_eps=15): lines = sorted(lines, key=lambda d: (d["y"], d["x"])) rows = [] for line in lines: if not rows or abs(line["y"] - rows[-1]["y"]) > row_eps: rows.append({"y": line["y"], "items": [line]}) else: rows[-1]["items"].append(line) for row in rows: row["items"].sort(key=lambda d: d["x"]) return rows

row_eps表示同一行的最大 y 坐标差，需要根据图纸扫描分辨率调整。原图越大，这个值越大。

标签匹配逻辑如下：

LABEL_MAP = { "图号": "drawing_no", "图纸编号": "drawing_no", "编号": "drawing_no", "图名": "drawing_name", "图纸名称": "drawing_name", "名称": "drawing_name", "版本": "version", "版次": "version", "材料": "material", "材质": "material", "比例": "scale", } def extract_fields(lines): rows = group_rows(lines) fields = {} for row in rows: items = row["items"] for i, item in enumerate(items): clean = item["text"].rstrip("：: ") if clean not in LABEL_MAP: continue key = LABEL_MAP[clean] # 优先取同一行右侧最近文本 for j in range(i + 1, len(items)): if items[j]["x"] >= item["x"] + item["w"]: fields[key] = items[j]["text"] break # 正则兜底，处理标签和值被 OCR 拆行的情况 full_text = "\n".join(line["text"] for line in lines) if "drawing_no" not in fields: m = re.search(r"图号\s*[:：]?\s*([A-Z0-9\-_/]+)", full_text) if m: fields["drawing_no"] = m.group(1) return fields

正则兜底的价值在于，当 OCR 把“图号”和值拆在不同行时，基于坐标的匹配会漏掉，此时把全文拼接后搜索“图号: XXX”模式能补救回来。

3.5 自动重命名与重名冲突处理

字段提取出来后，重命名是一个纯文件操作，但要注意 Windows 文件名规范和幂等性。

import os import re def to_win_filename(name): return re.sub(r'[\\/:*?"<>|\r\n]+', "_", name).strip() def rename_by_fields(src_path, fields): folder = os.path.dirname(src_path) ext = os.path.splitext(src_path)[1] no = to_win_filename(fields.get("drawing_no", "NO_NO")) name = to_win_filename(fields.get("drawing_name", "未命名")) ver = to_win_filename(fields.get("version", "A0")) new_name = f"{no}_{name}_V{ver}{ext}" new_path = os.path.join(folder, new_name) if new_path == src_path: return src_path, False i = 1 while os.path.exists(new_path): stem = os.path.splitext(new_path)[0] new_path = os.path.join(folder, f"{stem}_{i}{ext}") i += 1 os.rename(src_path, new_path) return new_path, True

三个关键点：第一，Windows 文件名不允许出现\ / : * ? " < > |等字符，必须统一替换成下划线；第二，重命名存在重名风险，用(1)、(2)后缀避免覆盖；第三，脚本要支持重复执行，已经符合命名规则的文件直接跳过，否则第二次运行会把ABC_基座_V1.pdf又改名成ABC_基座_V1_1.pdf。

4. 本地截图实时翻译

4.1 截图模块

截图翻译需要先解决“如何把屏幕内容变成图片”。Python 里常用的方案是mss，它比Pillow.ImageGrab在帧率上更适合高频截图。

import mss import mss.tools def capture_screen(path="screen.png", region=None): with mss.mss() as sct: monitor = region if region else sct.monitors[1] shot = sct.grab(monitor) mss.tools.to_png(shot.rgb, shot.size, output=path) return path

region是一个字典，格式为{"left": 0, "top": 0, "width": 800, "height": 600}。日常使用中，先让用户框选一个屏幕区域，再针对这个区域做 OCR 和翻译，速度和准确率都比整屏处理高。

4.2 复用 OCR 实例识别屏幕文字

OCR 模型的加载成本很高，几十万参数的模型文件从磁盘载入内存并完成初始化，需要数秒甚至更久。截图翻译是高频操作，必须保证 PaddleOCR 实例只创建一次，后续调用复用。

_global_ocr = None def get_ocr(): global _global_ocr if _global_ocr is None: _global_ocr = PaddleOCR(use_angle_cls=True, lang="ch", show_log=False, use_gpu=False) return _global_ocr

识别屏幕文字时，直接调用：

result = get_ocr().ocr("screen.png", cls=True) lines = parse_lines(result) source_text = "\n".join(line["text"] for line in lines)

要注意屏幕截图通常已经是清晰渲染的文字，分辨率足够，所以可以不经过预处理直接进 OCR。但字体过小或在高分屏缩放场景下，仍建议先放大再识别。

4.3 接入离线翻译模型

离线翻译可以用argostranslate，它基于 CTranslate2，模型文件放在本地，翻译过程不产生网络请求。安装后需要导入语言包。

from argostranslate import package, translate def load_translator(model_path): package.install_from_path(model_path) languages = translate.load_installed_languages() source = None target = None for lang in languages: if lang.code == "en": source = lang if lang.code == "zh": target = lang if source is None or target is None: raise RuntimeError("缺少 en 或 zh 语言包") return source.get_translation(target)

package.install_from_path只需要调用一次，语言包安装后就会写入本地目录。get_translation返回一个翻译对象，可以反复调用。

使用翻译对象：

def translate_offline(text, translator): if not text.strip(): return "" return translator.translate(text)

如果业务场景只涉及工程术语，翻译模型反而不一定是首选。工程领域里“Q235A”“ISO 4014”“焊接符号”这些术语翻译模型可能翻错，不如维护一张本地术语词典，先做术语替换，再交给翻译模型做整句翻译。这种“词典 + 模型”的组合在离线场景里更可控。

4.4 输出到剪贴板和终端

翻译结果最好同时输出到终端和剪贴板，方便用户粘贴到聊天窗口、邮件或文档。

import pyperclip def run_pipeline(screen_path, translator): result = get_ocr().ocr(screen_path, cls=True) lines = parse_lines(result) source_text = "\n".join(line["text"] for line in lines) translated = translate_offline(source_text, translator) pyperclip.copy(translated) print("原文:") print(source_text) print("译文:") print(translated) return source_text, translated

如果希望实现“截图即翻译”而不是手动传文件，可以结合keyboard库注册全局热键，用户按下指定快捷键后自动截取当前屏幕或指定区域。热键部分在 Windows 上要考虑管理员权限，部分全局热键需要以管理员身份运行脚本才能注册成功。

5. 运行验证与效果检查

5.1 准备最小测试集

不要拿一张样例图就判断系统可用。建议准备 5 到 10 张覆盖不同场景的图纸：

• 两张清晰扫描件，一张横版、一张竖版。
• 一张低分辨率扫描件。
• 一张蓝底白字图纸。
• 一张带手工红章或手写批注的图纸。
• 一张英文标题栏图纸。

每张图提前人工标注好期望字段值，作为验收基准。验收时把脚本输出和人工标注逐字段对比。

5.2 字段提取验收标准

验收时特别关注“部分正确”的情况：图号识别对了但图名带了冒号，或者版本识别成了“A2 ”带空格。这些细节不改，文件名就会带杂质。

5.3 性能观察项

离线场景虽然不涉及网络，但本地处理耗时同样需要记录。建议在脚本里加简单的耗时统计：

import time start = time.time() result = get_ocr().ocr("preprocessed.png", cls=True) cost = time.time() - start print(f"单张识别耗时: {cost:.2f}s")

重点关注三个指标：进程启动到可用时间（模型加载耗时）、单张图纸完整处理耗时、处理 100 张图纸的批量总耗时。如果单张耗时超过 30 秒，优先检查预处理放大倍数、PaddleOCR 是否意外运行在 GPU 模式、机器内存是否不足导致频繁换页。

6. 常见问题排查与三个典型坑

6.1 问题排查总表

6.2 典型坑一：模型文件与 PaddleOCR 版本不匹配

现象：代码能在开发机运行，拷到离线机器后报模型结构错误或 key 不存在。

原因：模型是通过某个 PaddleOCR 版本下载的，离线机器上安装的 PaddleOCR 版本不同，可能出现模型结构不兼容。

检查方式：对比两台机器上pip show paddleocr的版本号，以及C:\Users\用户名\.paddleocr下的模型目录名。

解决方式：在联网机器上安装与目标机完全相同的 PaddleOCR 版本，再下载模型并拷贝。不要混用不同大版本的模型目录。

6.3 典型坑二：预处理过猛导致丢字

现象：一张扫描图纸经二值化后，文字笔画断裂，识别结果大面积丢失。

原因：自适应阈值的块大小和偏移量设置不当，或者放大倍数过大导致笔画粘连。

检查方式：保存预处理中间图，用看图软件放大对比原图。

解决方式：对阈值参数做小规模网格搜索，例如blockSize取 15、21、31、41，偏移量取 5、10、15，跑同一张小测试图，选择识别率最高的一组参数。不要盲目加大放大倍数，1.5 倍通常已经足够。

6.4 典型坑三：重命名脚本重复执行造成二次改名

现象：脚本跑第二遍后，文件名从FP-2024-001_基座_V1.pdf变成FP-2024-001_基座_V1_1.pdf。

原因：脚本没有判断文件是否已经符合目标命名规则，对每个文件都执行重命名。

解决方式：重命名前先比较new_name和当前文件名，一致则跳过；同时用正则判断文件名是否已经匹配图号_图名_V版次模式，匹配则跳过。这样脚本才能安全地反复执行。

7. 生产落地与扩展方向

7.1 从学习环境到生产环境的改造清单

脚本能跑通只是第一步，进入生产环境前至少要完成以下改造：

• 配置外置：模型路径、标签别名表、命名模板、阈值参数不要硬编码在脚本里，统一放到 YAML 或 JSON 配置文件。
• 日志记录：记录每张图的处理时长、识别置信度、提取到的字段、重命名前后文件名，方便追溯。
• 批量队列：处理大量图纸时使用简单的任务队列，一张失败不影响后续图纸处理。
• 权限控制：重命名前先备份文件名映射表到 CSV，需要回滚时能一键恢复。
• 灰度发布：先在小批量真实图纸上跑一遍，对比人工标注结果，确认准确率后再全量执行。
• 接口化：如果其他团队用 Java 或其他语言，可以把 OCR 服务封装成本地 HTTP 接口，客户端通过http://127.0.0.1:8090/ocr调用，服务端复用已加载的模型实例。

配置外置是这里最优先的一项。测试时改参数无所谓，生产环境里每次调参都改代码，迟早会改错。

7.2 可以继续扩展的方向

离线 OCR-11 的最小链路搭建完成后，可以沿几个方向继续扩展。

硬件加速方向：如果本机有独立显卡，可以尝试 PaddlePaddle 的 GPU 版本，提高批量处理吞吐。但要注意，先确认显卡在推理框架的支持矩阵内，部分新显卡需要特定版本驱动和框架版本，不要只看显存大小。

结构化抽取方向：当图纸模板种类很多、正则和坐标规则维护成本变高时，可以把字段提取升级为利用本地小模型做信息抽取，输入标题栏文本，输出结构化字段，规则库只作为兜底。

知识库方向：把每次提取出的图号、图名、材料、版本、识别时间写入 SQLite，配合全文索引，就能形成一个图纸内容检索知识库。后续按“材料=Q235A”“版本=A2”这样的条件筛选图纸，比翻目录快得多。

服务化方向：把 OCR 识别和翻译能力做成常驻 Windows 服务，开机自动启动，内存中保持模型实例，业务系统通过本地接口调用，避免每次启动都重复加载模型。

最后想强调一点：离线 OCR 项目的成败，往往不在模型效果，而在工程细节。版本锁定、模型文件离线备份、预处理参数可调、重命名可回滚、日志可追溯，这五件事比追求更高的识别率更能决定系统能不能被长期使用。如果你所在团队还没有一套离线 OCR 管线，建议先用本文的最小链路跑通自己的图纸样本，再逐步扩展。