diff --git a/doc/doc_ch/ppocr_introduction.md b/doc/doc_ch/ppocr_introduction.md
index 443ab2635ef8934b9b614e942c98ca09a285b328..dfc5b45e10a8de8687e79a3eadcdd259db58ec68 100644
--- a/doc/doc_ch/ppocr_introduction.md
+++ b/doc/doc_ch/ppocr_introduction.md
@@ -60,7 +60,7 @@ PP-OCRv3文本检测从网络结构、蒸馏训练策略两个方向做了进一
 
 由于 MKLDNN 加速库支持的模型结构有限，SVTR 在CPU+MKLDNN上相比PP-OCRv2慢了10倍。
 
-PP-OCRv3 期望在提升模型精度的同时，不带来额外的推理耗时。通过分析发现，SVTR_Tiny结构的主要耗时模块为Mixing Block，因此我们对 SVTR_Tiny 的结构进行了一系列优化，详细速度数据请参考下方消融实验表格:
+PP-OCRv3 期望在提升模型精度的同时，不带来额外的推理耗时。通过分析发现，SVTR_Tiny结构的主要耗时模块为Mixing Block，因此我们对 SVTR_Tiny 的结构进行了一系列优化（详细速度数据请参考下方消融实验表格）:
 
 1. 将SVTR网络前半部分替换为PP-LCNet的前三个stage，保留4个 Global Mixing Block ，精度为76%，加速69%，网络结构如下所示：
 <img src="../ppocr_v3/svtr_g4.png" width=800>
@@ -90,7 +90,7 @@ PP-OCRv3 期望在提升模型精度的同时，不带来额外的推理耗时
 - 训练策略上：参考 [SSL](https://github.com/ku21fan/STR-Fewer-Labels) 设计了方向分类前序任务，获取更优预训练模型，加速模型收敛过程，提升精度; 使用UDML蒸馏策略、监督attention、ctc两个分支得到更优模型。
 - 数据增强上：基于 [ConCLR](https://www.cse.cuhk.edu.hk/~byu/papers/C139-AAAI2022-ConCLR.pdf) 中的ConAug方法，改进得到 RecConAug 数据增广方法，支持随机结合任意多张图片，提升训练数据的上下文信息丰富度，增强模型鲁棒性；使用 SVTR_large 预测无标签数据，向训练集中补充81w高质量真实数据。
 
-基于上述策略，PP-OCRv3识别模型相比PP-OCRv2，在速度可比的情况下，精度进一步提升4.5%。 体消融实验如下所示：
+基于上述策略，PP-OCRv3识别模型相比PP-OCRv2，在速度可比的情况下，精度进一步提升4.5%。 具体消融实验如下所示：
 
 实验细节：
 
@@ -108,7 +108,7 @@ PP-OCRv3 期望在提升模型精度的同时，不带来额外的推理耗时
 | 09 | + UDML | 12M | 78.4% | 7.6ms |
 | 10 | + unlabeled data | 12M | 79.4% | 7.6ms |
 
-注： 测试速度时，输入图片尺寸均为(3,32,320)
+注： 测试速度时，实验01-05输入图片尺寸均为(3,32,320)，06-10输入图片尺寸均为(3,48,320)
 
 <a name="2"></a>
 ## 2. 特性
diff --git a/doc/ppocr_v3/ppocr_v3.png b/doc/ppocr_v3/ppocr_v3.png
index 72eb5eaac14a9e5248728732bb1e4a2f765f7482..123c125acdcbc9e2ef6e4d6a0a1c92d01136ffde 100644
Binary files a/doc/ppocr_v3/ppocr_v3.png and b/doc/ppocr_v3/ppocr_v3.png differ