如何为文本检测处理的图像提供 RoI

我有一个要处理的图像库，每个图像的结构都相同。我想拉出图像中的文本。我有这个工作，但是有一些文本我想忽略。我也受到了阻碍，因为 OCR 并不完美，有时会给出“错误”的字符。

我通过拍摄图像、将其裁剪成单独的子图像并通过 OCR 运行每个子图像来解决该问题。它有效地创造了投资回报率。因为我知道所需文本的位置，所以这是有效的。

Google 的计费政策基于图像数量，因此处理的图像数量是 6 倍，这不是我想要在生产中做的事情。

我希望能够将 ROI 提供给扫描引擎，作为文本检测发生时的输入。有没有最好的方法来实现这一目标？

TIA！