使用可视视频阅读的提示和技巧

In-Sight®ViDi™Read是一款光学字符识别(OCR)工具，利用深度学习来解码变形、歪斜和蚀刻糟糕的代码，适用于各种应用。与In-Sight D900相机相结合，这一强大的OCR工具大大缩短了开发时间，即使在具有挑战性的条件下。应用程序设置很容易使用In-Sight ViDi Read。你需要做的就是

1. 定义感兴趣的区域。
2. 设置字符的大小。

然而，要完全最大化该工具，您必须超越默认配置。学习如何…使用ViDi Read工具的这些技巧和技巧来提高周期时间和吞吐量。

提示1:检查您的模型。
当使用ViDi Read工具时，两个最常见的模型是Node模型和RegEx模型。这两者并非总是可互换的，根据应用程序的不同，它们的执行方式可能会有所不同。

在创建新模型时，Node模型是默认选项。对于OCR来说，这可能是一个健壮的选项，因为它可以处理各种模式，比如弯曲路径和多行文本。然而，健壮性可能是以处理时间为代价的。如果应用程序在一行中有线性文本，使用RegEx模型可以比等效的Node模型产生70%的加速。

提示2:不要害怕改变抽样密度。
采样密度是一个运行时参数，用于确定为了返回结果，in - sight ViDi Read将处理多少个图像样本。虽然该工具默认的采样密度为4，更改这个数字可能不会影响应用程序的准确性。将抽样密度降低1可以比抽样密度为4的等效RegEx模型产生80%的加速，而对评分的影响小于3%。

提示#3:在你的特征尺寸范围内拨号。
在In- sight ViDi Read中，术语“尺寸范围”是用来描述你期望字符的大小。一个范围会自动设置，以确保包含所有预期的字符。当你的字体和字符尺寸有变化时，保持默认大小范围是很有用的。如果你的角色大小是一致的，那么改变大小范围以更接近你的预期阈值可以产生超过35%的加速。

技巧4:混合和匹配你的优化。
当这些技巧和技巧一起使用时，具有较小特征大小范围和采样密度的RegEx模型几乎可以比标准Node模型快三倍。但是，选择适合您的应用程序的优化是很重要的。

并非所有这些提高性能的技术都适用于所有情况，但每一项改进都可以为应用程序的运行时带来巨大的好处。无论您采用什么技巧，都要确保在部署之前测试和验证系统的性能。