PP-OCRv6 文字检测 + 识别的 Java 17 实现，纯 ONNX Runtime 推理， 零 PaddlePaddle 依赖。完整复现预处理 / 后处理（DB 后处理、CTC 解码、 pyclipper 等价的多边形 unclip）。
移植自 AIwork4me/ppocrv6_onnx 的 ppocrv6_onnx.py 单文件参考实现，与 Python 版本保持 bit-exact（默认 CPU 单线程）。
| 组件 | 版本 | 说明 |
|---|---|---|
| JDK | 17+ | 推荐 Azul Zulu 17 / Temurin 17 / Oracle 17 |
| Maven | 3.6+ | 编译 / 打包 |
| ONNX Runtime | 1.26.0 | 由 Maven 自动拉取 |
| OpenCV | 4.10.0-0 | 由 Maven 自动拉取（含 Windows/Linux/macOS 原生库） |
| JTS | 1.20.0 | 多边形偏移（pyclipper 等价物） |
已经下载了 PP-OCRv6 官方 ONNX 模型（det + rec），放到 models/ppocr-v6/{tier}/ 目录，可以按需选择：
models/ppocr-v6/
├── tiny/ # 轻量，速度快，精度一般 (det 1.7MB + rec 4.3MB)
│ ├── det.onnx
│ ├── rec.onnx
│ └── dict.txt
├── small/ # 平衡档 (det 9.4MB + rec 20.2MB)
│ ├── det.onnx
│ ├── rec.onnx
│ └── dict.txt
└── medium/ # 高精度档 (det 59.2MB + rec 73.0MB)
├── det.onnx.zip # 由于 git 限制，需要解压后使用
├── rec.onnx.zip # 由于 git 限制，需要解压后使用
└── dict.txt| 档次 | det 模型 | rec 模型 | 字符表 | 定位 |
|---|---|---|---|---|
tiny |
1.7 MB | 4.3 MB | 约 2855 字符 | 轻量优先，速度快，精度一般 |
small |
9.4 MB | 20.2 MB | 约 2855 字符 | 速度与精度均衡，推荐默认 |
medium |
59.2 MB | 73.0 MB | 约 7180 字符 | 精度优先，覆盖更全字符集 |
| 场景 | 推荐档次 | 说明 |
|---|---|---|
| 移动端 / 嵌入式设备 | tiny |
模型体积小、内存占用低，适合资源受限环境 |
| 实时视频流 / 高并发调用 | tiny |
推理延迟低，吞吐高 |
| 通用文档识别、日常开发调试 | small |
各项指标均衡，覆盖大多数场景 |
| 服务器端批量识别 | small |
速度与精度兼顾，推荐默认 |
| 复杂版面 / 低质量图片 | medium |
检测与识别精度最高 |
| 生僻字及全字符集场景 | medium |
字符表约 7180 个，覆盖面更广 |
mica-ppocr-core/src/test/java/net/dreamlu/mica/ai/ppocr/test/Main.java 是一个写死路径的本地测试入口，直接运行即可对一张图片做 OCR 推理，便于快速验证。
mvn -pl mica-ppocr-core test-compile
mvn -pl mica-ppocr-core exec:java -Dexec.mainClass=net.dreamlu.mica.ai.ppocr.test.Main
# 或在 IDE 中直接 Run 'Main'源码中三个常量按需修改：
private static final String TIER = "tiny"; // tiny / small / medium
private static final String IMAGE_PATH = "test_images/1.png"; // 待推理图片
private static final String VIS_PATH = "test_images/vis.png"; // 可视化结果；传 null 跳过以 test_images/1.png 为例（模型档次 tiny），识别结果可视化如下：
| 输入图片 | 识别结果可视化 |
|---|---|
 |
 |
注意：测试的行驶证来源于网络，如有侵权，请联系删除。
识别结果：
--- 行驶证结构化解析 ---
plateNo: 鲁GH9P12
owner: 盛瑞传动股份有限公司
vehicleType: 小型普通客车
vin: LJ8F3D5H910700001
issueDate: 2018-02-24
注意：识别结果结构化采用标签定位 + 位置匹配 + 正则兜底的四步法，可以参考 VehicleLicenseParser
引入依赖：
<dependency>
<groupId>net.dreamlu.mica.ai</groupId>
<artifactId>mica-ppocr-core</artifactId>
<version>${mica.ppocr.version}</version>
</dependency>核心 API：net.dreamlu.mica.ai.ppocr.engine.PPOcrV6Engine，实现 Closeable，推荐 try-with-resources。
import net.dreamlu.mica.ai.ppocr.config.PPOcrV6Config;
import net.dreamlu.mica.ai.ppocr.config.PPOcrV6Result;
import net.dreamlu.mica.ai.ppocr.engine.PPOcrV6Engine;
import net.dreamlu.mica.ai.ppocr.utils.OrtProviders;
import org.opencv.core.Mat;
import org.opencv.imgcodecs.Imgcodecs;
import nu.pattern.OpenCV;
import java.util.List;
public class Demo {
public static void main(String[] args) {
OpenCV.loadLocally();
Mat img = Imgcodecs.imread("test.png");
PPOcrV6Config config = PPOcrV6Config.builder()
.detModelPath("models/ppocr-v6/tiny/det.onnx")
.recModelPath("models/ppocr-v6/tiny/rec.onnx")
.recCharDictPath("models/ppocr-v6/tiny/dict.txt")
.build();
try (PPOcrV6Engine engine = new PPOcrV6Engine(config)) {
List<PPOcrV6Result> results = engine.run(img);
for (PPOcrV6Result r : results) {
System.out.printf("%s (%.3f)%n", r.text(), r.score());
}
}
}
}支持更多调参（DB 阈值、识别批大小、ORT 线程数、GPU 加速等），详见 PPOcrV6Config.java。
引入依赖：
<dependency>
<groupId>net.dreamlu.mica.ai</groupId>
<artifactId>mica-ppocr-spring-boot-starter</artifactId>
<version>${mica.ppocr.version}</version>
</dependency>application.yml：
mica:
ai:
ppocr:
enabled: true # 设为 false 关闭 Starter
det-model-path: models/ppocr-v6/tiny/det.onnx
rec-model-path: models/ppocr-v6/tiny/rec.onnx
rec-char-dict-path: models/ppocr-v6/tiny/dict.txt
# 其它可选：det-thresh / det-box-thresh / det-unclip-ratio /
# rec-batch-size / prefer-accelerator / intra-op-num-threads / ...注入引擎即可使用：
@Service
public class OcrService {
private final PPOcrV6Engine engine;
public OcrService(PPOcrV6Engine engine) { this.engine = engine; }
public List<PPOcrV6Result> recognize(Mat image) {
return engine.run(image);
}
}业务方可在 mica.ai.ppocr 之外对配置做旁路覆盖（环境变量 / 配置中心 / 路径解析等）：
@Component
public class TierCustomizer implements PPOCRPropertiesCustomizer {
@Override
public void customize(PPOcrV6Config.PPOcrV6ConfigBuilder builder) {
String tier = System.getenv("PPOCR_TIER");
if ("small".equals(tier)) {
builder.detModelPath("models/ppocr-v6/small/det.onnx")
.recModelPath("models/ppocr-v6/small/rec.onnx")
.recCharDictPath("models/ppocr-v6/small/dict.txt");
}
}
}或函数式风格：
@Bean
PPOCRPropertiesCustomizer tierEnvCustomizer() {
return builder -> {
String tier = System.getenv("PPOCR_TIER");
if (tier != null) {
builder.detModelPath("models/ppocr-v6/" + tier + "/det.onnx")
.recModelPath("models/ppocr-v6/" + tier + "/rec.onnx")
.recCharDictPath("models/ppocr-v6/" + tier + "/dict.txt");
}
};
}Customizer 按 Spring 容器顺序生效；多个时建议用 @Order 显式控制。
mica-ppocr/ # 父 pom（packaging=pom）
├── pom.xml
├── README.md
├── CLAUDE.md
├── models/ppocr-v6/{tiny,small,medium}/ # 自备模型（不在仓库中）
├── mica-ppocr-core/
│ └── src/main/java/net/dreamlu/mica/ai/ppocr/
│ ├── engine/PPOcrV6Engine.java # 唯一公开入口（Closeable）
│ ├── config/PPOcrV6Config.java # Lombok @Builder 配置
│ ├── config/PPOcrV6Result.java # record (text, score, box)
│ ├── preprocessor/DetectionPreprocessor.java
│ ├── preprocessor/RecognitionPreprocessor.java
│ ├── postprocessor/DbPostProcessor.java
│ ├── postprocessor/CtcLabelDecoder.java
│ └── utils/
│ ├── BoxUtil.java # 框排序 + minAreaRect
│ ├── CropUtil.java # 透视裁剪
│ ├── Offset.java # JTS BufferOp（pyclipper 等价）
│ ├── NdArrayUtils.java # numpy 风格轻量子集
│ └── OrtProviders.java # ORT 执行提供者选择
│ └── cli/Main.java # CLI 入口
└── mica-ppocr-spring-boot-starter/
└── src/main/java/net/dreamlu/mica/ai/ppocr/autoconfigure/
├── PPOCRAutoConfiguration.java
├── PPOCRProperties.java # @ConfigurationProperties("mica.ai.ppocr")
├── PPOCRPropertiesCustomizer.java # 旁路覆盖 SPI
└── OpenCVNativeLoader.java
Apache License Version 2.0