这脚本的核心就一句话：把那些健身教练手写的、鬼画符一样的饮食记录单，自动变成 Excel 表格。我受够了每天晚上对着一堆破纸手动录入，效率低还容易错，关键是，这他妈本来就不该是人干的活。
最开始想得太简单了，以为调个 Tesseract 的 API 就完事了。结果第一批扫描件扔进去，识别率不到 30%。那些教练，有的用圆珠笔，有的用水笔，纸张是那种最便宜的拍纸簿，扫描仪扫出来背景全是灰的，字迹还经常洇开。这根本不是 OCR 问题，这是图像预处理问题。我花了整整三天，就折腾 OpenCV。灰度化、二值化、自适应阈值、降噪、形态学操作（开运算闭运算）全试了一遍。最后发现，针对这种低质量扫描件，用高斯模糊去噪再加一个局部自适应阈值（cv2.adaptiveThreshold 用 cv2.ADAPTIVE_THRESH_GAUSSIAN_C），效果比全局阈值好得多。但参数调起来真是要命，窗口大小、常数 C，差一点结果就天差地别。我写了个循环，批量测试不同参数组合，用识别出来的数字和字母的准确率作为评估指标，才算找到一个勉强能用的配置。
但这才刚开始。版面分析才是噩梦。单据格式不统一，有的项目横着写，有的竖着列。Tesseract 的 –psm 模式从 1 到 13 我全试了，自动布局分析（–psm 3）在复杂情况下就是一坨屎。最后没办法，我根据扫描件的固定物理尺寸（因为用的是统一模板），手动用像素坐标去划分 ROI（感兴趣区域）。比如客户姓名永远在左上角 100×50 的框里，日期在右上角，下面的食物列表是一个固定高度的区域。我用 cv2.rectangle 画出这些区域，分别裁剪出来，再单独扔给 Tesseract 识别，并且对每个区域指定不同的 –psm 模式。姓名和日期用 –psm 7（单行文本），食物列表用 –psm 6（统一区块的文本）。这招土，但有效。
识别出来的文本清洗又是坑。教练们缩写五花八门，“鸡胸肉”写成“鸡胸”，“200g”写成“200克”甚至“二百克”。我建了一个映射字典，把常见的错误拼写和缩写映射回标准词条。数字单位处理用了正则表达式，匹配“数字+单位（g/ml/克/毫升）”的模式，然后统一转换成纯数字。最头疼的是手写数字“7”和“1”、“5”和“6”经常分不清，我只能在后处理逻辑里加了一些启发式规则，比如在重量字段里，如果识别结果是“1”但上下文像是一个较大的值（比如前后都是几百），就尝试纠正为“7”。
全部流程用 Python 的 concurrent.futures 搞成多线程，一个线程处理图像预处理，一个线程跑 OCR，一个线程做文本清洗和入库。本地跑起来，处理一张单子从原来的手动3分钟，压缩到10秒以内，准确率从看心情提升到95%以上。我把输出直接怼进一个预设好公式的 Excel，总热量、蛋白质、碳水、脂肪自动算好，还能按客户生成周报图表。
做完了看着自动生成的报表，一点成就感都没有，只觉得累。技术栈七拼八凑（OpenCV, Tesseract, Pandas, openpyxl），全是脏活累活，没有任何“优雅”可言。但这就是2020年的我，困在管理交付的泥潭里，只能用这种极客式的、自虐般的自动化，来抢夺一点点属于自己的时间，和一点点对混乱局面的控制感。健身教练们觉得这工具神了，问我怎么弄的。我懒得解释，只说“写了个小脚本”。他们永远不会知道，为了对付他们那些破纸，我几乎重新学了一遍计算机视觉的入门课。这脚本比任何健身 App 都好，不是因为技术多先进，而是因为它诞生于一种深刻的、具体的、令人窒息的痛点，并且是用最硬的、最不讨巧的方式，把问题砸开了。
