OCR для текстовых капч: где он реально помогает, а где ломается на пустом месте

OCR для текстовых капч: где он реально помогает, а где ломается на пустом месте

OCR-библиотека — это не “магия распознавания”, а узкий конвейер: бинаризация, выравнивание, сегментация, потом классификация символов. Если капча однослойная, с нормальным контрастом и без сильного шума, OCR часто дешевле, чем внешний антикапча-сервис.

Стабильность решают не модели, а препроцессинг:
— кроп строго по области текста;
— приведение фона к двум цветам;
— удаление линий и точек до распознавания;
— нормализация масштаба и толщины штриха.
Без этого даже хороший движок дает мусор на шрифтах с слипшимися символами.

На практике чаще всего ломают пайплайн три вещи: наклон строки, перекрытие символов и случайные артефакты поверх букв. Если символы касаются друг друга, сегментация важнее самого OCR. Если капча живет внутри canvas или рисуется через JS, сначала снимайте картинку после отрисовки, а уже потом гоните ее в распознавание.

Снижаем косты на распознавание: держите OCR как первый фильтр, а не единственный ответ. Если confidence низкий — сразу уводите запрос в резервный сценарий: повторный кроп, другой препроцессинг или ручной fallback. Так меньше ложных проходов и меньше лишних запросов в платные сервисы.