Разработка модели по распознаванию и выделению контентной части документа

Задача

Автоматизировать заполнение электронных форм по однотипным бумажным или сканированным документам. На вход системы поступает набор сканов документов одного типа (анкеты, бланки, формы) — нужно без ручного ввода распознать содержимое и заполнить соответствующие поля электронной формы с высокой точностью.

Решение

Разработан программный комплекс из двух взаимосвязанных компонентов.

Компонент 1 — Инструмент разметки документов:

• Позволяет описать структуру нового типа документа: указать расположение каждого поля, его тип и связь с полем электронной формы
• Хранит описания структуры в системе
• Расширяем: новый тип документа добавляется через интерфейс разметки без написания кода

Компонент 2 — Модель распознавания:

Обработка каждого документа проходит в 4 этапа:

1. Text Detection (TD) — локализация всех текстовых блоков на изображении документа. Находит границы текста независимо от ориентации и качества скана.

2. OCR (Optical Character Recognition) — распознавание символов внутри найденных блоков. Поддерживает кириллицу, латиницу, цифры.

3. Document Classification — определение типа документа по структуре и содержимому. Нужно при обработке смешанного потока документов разных видов.

4. Document Recognition — извлечение конкретных смысловых полей и их маппинг на поля электронной формы.

Результат

Метрики на тестовой выборке:

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

Система обеспечивает точность, сопоставимую с ручным вводом квалифицированного оператора, при скорости обработки сотен документов в час. Применима в: банках (анкеты клиентов), страховании (бланки заявлений), медицине (медицинские формы), госсекторе (административные документы).

Система применима в: банках (обработка анкет и заявлений клиентов), страховании (заявления о страховых случаях), медицине (заполнение медицинских форм), государственном секторе (обработка административных документов), логистике (транспортные и таможенные документы). Решение сокращает ручной ввод данных и снижает количество ошибок операторов.

Подход TD+OCR+Classification+Recognition обеспечивает стабильную высокую точность на однотипных документах даже при плохом качестве скана, повороте страниц и различных шрифтах.