Разработка модели по распознаванию и выделению контентной части документа

Задача

Компания получает набор однотипных документов и переносит их содержание в электронные формы. Для автоматизации этого процесса требовались две части: средство разметки исходных документов и модель, которая распознаёт содержимое для заполнения формы соответствующего типа.

Разметка и распознавание

Мы создали программный комплекс, который позволяет размечать документы и хранить связанную с ними информацию. Эта часть нужна для подготовки примеров и описания того, какие области документа следует обрабатывать.

При поступлении нового документа система определяет его тип и использует подходящую электронную форму. Text Detection находит области текста, OCR распознаёт символы, а следующие этапы связывают извлечённое содержимое с заданным типом документа. В результате данные используются для заполнения электронной версии.

Такой процесс соединяет подготовку данных и применение модели в одной системе. Разметка сохраняется рядом со сведениями о документе, а распознавание работает с уже заданной структурой формы. Пользователь получает электронное представление исходного материала для дальнейшей обработки.

Результат

В результатах разработки приведены показатели по четырём этапам:

• OCR: 96%.
• Text Detection: 98%.
• Document Classification: 99%.
• Document Recognition: 94%.

Эти значения относятся к разным компонентам: поиск текстовых областей, чтение символов, определение типа и распознавание содержимого оцениваются отдельно. Итоговый артефакт проекта: программный комплекс разметки и заполнения электронных форм для однотипных документов.

Подход полезен для повторяющихся документных потоков с заранее заданной структурой: заказная разработка ИИ.