目录PaddleOCR 完整技术方案详解（对应前面车牌识别的两步式深度学习 OCR架构）一、整体架构：标准两阶段分离式 OCR（检测 + 识别双模型，非端到端单网络）二、第一阶段：文本检测 DB（Differentiable Binarization 可微分二值化）1. 定位作用2. 核心原理3. 对比车牌检测三、第二阶段：文本识别（分两代主流算法）1. PP-OCR / PP-OCRv2：CRNN（CNN+RNN+CTC 损失，行业经典文字识别）2. PP-OCRv3：SVTR_LCNet（替换 CRNN，无 RNN 纯 Transformer 结构）四、辅助模块：方向分类器（cls 模型）五、和车牌识别方案对应关系六、模型文件格式（OpenCV C++ 部署相关）七、优缺点总结八、一句话归类PaddleOCR 完整技术方案详解（对应前面车牌识别的两步式深度学习 OCR架构）一、整体架构：标准两阶段分离式 OCR（检测 + 识别双模型，非端到端单网络）完整流水线：原图 →DB 文本检测→ 文本框矫正 / 方向分类 →文字识别→ 输出文本三大独立模型模块：文本检测模型（DB/DBNet）文本方向分类器（可选，处理倒置、倾斜文字）文本识别模型（旧版 CRNN / 新版 SVTR）二、第一阶段：文本检测 DB（Differentiable Binarization 可微分二值化）1. 定位作用找出图片里所有文字区域，输出四边形文本框，支持弯曲、倾斜、弧形文字（招牌、票据、车牌都适配）。2. 核心原理传统分割检测用固定阈值二值化，DB 新增可学习自适应阈值图：网络同时预测「文本概率图」+「阈值图」；