以下是关于移动端图片视觉处理中图片上文字识别与提取的方法：
在 AI 拍立得的工作流中，也涉及到图片文字的提取，其核心处理能力交由阿里云百炼大模型平台端执行，该模型系统集成了多模态的大模型以及垂直领域的小模型，也包含了知识库和插件的能力，处理链条涵盖了从图片的识别与理解、图片文字的提取，再到将文字与场景内容相结合，同时也能够支持风格化重构和输出的整个过程。在 0 基础手搓 AI 拍立得的工作流中，实现图片文字提取的步骤包括上传输入图片、理解图片信息并提取图片中的文本内容信息等。
移动端图片视觉处理方法在试卷拍照去除书写笔迹方面可以采用图像处理和机器学习技术的结合。以下是一个详细的方法介绍：1.图像预处理：图像去噪：使用去噪算法（如高斯滤波、中值滤波）去除图像中的噪声。图像增强：通过增强算法（如直方图均衡化、对比度增强）提升图像的清晰度和对比度。2.图像分割：使用图像分割算法将试卷图像中的书写笔迹和背景分离。常用的分割算法包括阈值分割、边缘检测和基于区域的分割方法。3.文字检测：在分割后的图像中，使用文字检测算法（如基于深度学习的文本检测模型）识别出试卷上的文字区域。4.文字识别：对检测到的文字区域进行文字识别，将文字内容转换为计算机可处理的文本数据。常用的文字识别技术包括基于深度学习的端到端文本识别模型和传统的OCR（Optical Character Recognition）技术。5.后处理：根据需求进行后处理，如去除残余的噪点、填补文字区域的空白等。6.机器学习模型训练（可选）：如有足够的数据，可以采用机器学习技术训练模型，通过学习样本中的书写笔迹特征来自动去除试卷上的笔迹。7.优化算法：对整个处理流程进行优化，提高处理速度和准确度。可以采用并行计算、硬件加速等方法提升算法的效率。8.移动端集成：将设计好的算法和模型集成到移动应用程序中，以实现试卷拍照去除书写笔迹的功能。可以使用移动端开发框架（如iOS的Core ML、Android的TensorFlow Lite）来实现模型的部署和调用。
用户可以选择拍摄场景类型，并立即拍照，AI会自动识别和分析照片中的内容信息，依据预设场景规则，迅速生成符合情境的反馈，避免繁琐的额外操作。在AI拍立得的整体工作流中，其核心处理能力现已完全交由阿里云百炼大模型平台端执行。该模型系统集成了多模态的大模型以及垂直领域的小模型，也包含了知识库和插件的能力，处理链条涵盖了从图片的识别与理解、图片文字的提取，再到将文字与场景内容相结合，同时也能够支持风格化重构和输出的整个过程。即时反馈速度是AI拍立得的关键诉求之一，确保用户获得拍摄后的实时反馈。最早在2月份测试时，质谱的GLM-4V版本在处理速度上表现最优。然而，随着使用的深入，发现其在图片理解以及Prompt富化场景能力方面略显不足，故而更换为通义VL模型。通过API的方式去调用阿里云百炼大模型应用/工作流详细的API对接文档信息目前，Pailido小程序版本正在使用通义的Qwen-VL-Plus版本，该模型具有更强的图片理解和文本富化的能力。在Qwen-VL-Max版本效果更佳，但使用成本相对较高。
1.上传输入图片2.理解图片信息，提取图片中的文本内容信息3.场景提示词优化/图像风格化处理4.返回文本/图像结果[heading2]2.1零代码版本[content]为了简化流程，我们选择了Coze平台并实现了零代码版本的工作流。搭建流程时，我们主要关注以下几个步骤：上传图片：将本地图片转换为在线OSS存储的URL，以便在平台中进行调用，主要是用图像流过一道。插件封装：将图片理解大模型和图片OCR封装为工作流插件，实现便捷调用，如果市场里面有可以直接使用。