扫描件混合文字翻译与数字过滤实操
针对工程扫描件中英文与数字混合、OCR误识别数字为英文的问题，翻译云的核心解决思路是：通过图像预处理提升文字提取精度，利用区域识别或语言模型区分文本类型，并在翻译后使用正则表达式精准过滤掉纯数字结果。
1 上传文件并执行图像预处理
登录翻译云工作台，点击【新建任务】>【文档翻译】。上传您的工程扫描件（支持PDF、JPG、PNG格式）。在右侧【高级设置】面板中，找到【图像预处理】选项，勾选“增强对比度”和“去除水印/背景噪点”，以应对模糊、带底纹的扫描件，减少OCR识别死角。
2 配置OCR语言与翻译规则
在【翻译设置】区域，将OCR识别语言设置为“英语”。关键步骤：取消勾选“自动检测语言”选项，强制引擎仅识别英文字符形态，可大幅降低将印刷体数字误判为英文的概率。在【翻译引擎】下拉菜单中，选择“专业领域-工程科技”模型，以优化专业术语的语境翻译。
遇到复杂底纹时，在预处理选项输入指令参数：`--enhance-contrast 1.5 --remove-watermark-mode deep` 提升 OCR 置信度。
3 应用翻译后处理正则过滤
翻译完成后，进入【译后编辑】界面。在顶部工具栏找到【批量查找与替换】（图标为放大镜与笔）。在“查找”框中输入正则表达式：^[0-9\s\.\-]+$。此表达式将匹配纯数字、数字间空格、点号和短横线组成的字符串。将“替换为”框留空，点击【全部替换】，即可一键删除所有被误翻译的纯数字结果，保留英文部分的翻译。
常见操作避坑指南
Q：应用正则过滤后，发现部分带单位的数字（如“15MPa”）也被删除了，如何保留？
A：这是因为正则表达式过于严格。请将表达式修改为
^\s*[0-9]+(?:\.[0-9]+)?\s*$，此表达式仅匹配纯粹的数字（整数或小数），而会保留包含字母（如MPa、mm）的混合字符串。Q：扫描件中英文说明文字为手写体，OCR识别率低、乱码多怎么办？
A：手写体属于OCR识别难点。请在步骤1的【图像预处理】中，额外勾选“二值化”并手动调整阈值滑块，或尝试切换OCR引擎为“手写体增强模式”。若仍不理想，建议在翻译前，使用工作台的【划定识别区域】功能，手动框选文字区域，排除无关干扰。
⚠️ 技术规范与免责声明：本文档提供的配置指令与操作步骤基于翻译云当前最新版本。受限于源文档的加密级别、扫描件分辨率及第三方软件（如 InDesign/WPS）的底层排版逻辑差异，最终翻译与排版还原效果可能存在合理波动。涉及机密合同与财务数据的处理，请务必在工作台中开启「阅后即焚」或使用企业级私有化部署方案。
