Comment l’analyse de la mise en page par OCR reconstitue-t-elle les tableaux et l’ordre de lecture sur plusieurs colonnes ?
L’analyse de la mise en page par OCR reconstruit les pages complexes en combinant les mots reconnus avec leur géométrie, les types de régions, les relations entre les tableaux et une séquence de lecture déduite.
Un relevé bancaire numérisé, une facture, un planning d’appareils, un formulaire scolaire, une page de magazine ou un manuel technique ne se résume pas à un ensemble de mots. Le sens dépend de l’emplacement d’un élément, du titre auquel se rattache un paragraphe, de l’en-tête qui décrit une valeur de tableau et de la colonne à lire ensuite. L’OCR des caractères fournit le texte et les coordonnées ; l’analyse de la mise en page ajoute la couche structurelle qui transforme ces détections en un document qu’un pipeline de recherche ou de RAG peut préserver de manière cohérente.
L’OCR produit d’abord des éléments textuels ancrés dans la géométrie de la page
La reconstruction commence par des détections au niveau de la page, telles que les mots, les lignes, les segments, les polygones englobants, les niveaux de confiance et l’orientation. La géométrie préserve des informations que le texte brut supprimerait autrement.
Les éléments de page avec segments et positions préservent le texte reconnu ainsi que la géométrie locale à la page, fournissant aux étapes ultérieures de mise en page les informations nécessaires pour regrouper les lignes, les régions et les emplacements d’origine.
Un mot situé à x=800 n’est pas intrinsèquement « après » un mot situé à x=100. Sur une page à deux colonnes, leur relation géométrique peut indiquer deux flux de lecture distincts plutôt qu’une seule phrase lue de gauche à droite. La couche de coordonnées constitue donc une information spatiale brute pour le regroupement, mais la géométrie seule ne suffit pas à déterminer les rôles sémantiques tels que titre, légende, en-tête de tableau ou pied de page.
Les modèles de mise en page classent les régions avant d’aplatir la page
Un analyseur de mise en page détecte des régions plus vastes, telles que les paragraphes, les titres, les en-têtes, les tableaux, les figures, les listes, les en-têtes de page et les pieds de page. Chaque région contient à la fois du contenu et une position sur la page.
La classification des rôles géométriques et logiques sépare les régions physiques, telles que les tableaux et les figures, des rôles sémantiques, tels que les titres, les en-têtes et les pieds de page, avant l’aplatissement de la page.
Cette étape de segmentation empêche qu’un numéro de page, une note latérale, une légende et un paragraphe principal soient traités comme des lignes équivalentes dans un seul flux linéaire.
Elle crée également des conteneurs que les traitements ultérieurs des tableaux et de l’ordre de lecture peuvent relier, au lieu de devoir résoudre les relations entre chaque mot individuellement.
La reconstruction des tableaux ajoute des lignes, des colonnes, des cellules et des fusions autour du texte OCR
Reconnaître « 128,50 $ » ne permet pas de déterminer s’il s’agit d’un sous-total, d’une franchise, d’une mensualité ou d’une valeur provenant d’une autre colonne. L’analyseur doit déduire la cellule à laquelle l’élément appartient ainsi que les relations de la grille qui l’entourent.
La récupération de la structure des tableaux et des relations contextuelles transforme les éléments OCR en lignes, colonnes, cellules, en-têtes et objets associés à des sections, qui restent pertinents après l’indexation.
Les limites des cellules peuvent être déduites de lignes de séparation visibles, d’espaces, de motifs d’alignement, de caractéristiques visuelles apprises ou d’une combinaison de ces indices. La structure obtenue enregistre l’appartenance aux lignes et aux colonnes et peut également préserver les cellules fusionnées ou les rôles d’en-tête.
Un pipeline RAG local peut alors sérialiser le tableau sous forme de lignes structurées, de Markdown, de HTML, de paires clé-valeur ou de segments adaptés aux tableaux, tout en conservant les coordonnées pour vérifier la source.
L’ordre de lecture est déduit comme une relation entre les régions
Une fois les régions détectées, le système doit encore déterminer quel élément suit lequel. Un simple tri de haut en bas échoue avec les pages à deux colonnes, les encadrés latéraux, les légendes sur plusieurs lignes et les textes qui contournent les figures.
La modélisation de l’ordre de lecture comme un problème de graphe permet d’évaluer les transitions candidates entre les lignes de texte ou les régions avant de choisir une séquence globale pour les mises en page complexes à plusieurs colonnes.
Les systèmes commerciaux de mise en page peuvent utiliser des modèles différents, mais la tâche conceptuelle reste la même : déterminer les relations de succession à partir de la géométrie, du texte, de la classe de région et de motifs de mise en page appris. Le résultat doit permettre de terminer un paragraphe dans la colonne de gauche avant de passer en haut de la colonne de droite, tout en maintenant une légende proche associée à sa figure au lieu de l’insérer dans le texte principal.
La hiérarchie relie les titres, les paragraphes, les tableaux et les figures au sein des sections
L’ordre de lecture fournit une séquence, mais la recherche bénéficie également d’une hiérarchie. Un paragraphe situé sous « Exceptions de garantie » doit rester associé à ce titre, même si le titre lui-même se trouve plusieurs lignes au-dessus du segment récupéré.
Un arbre de mise en page du document préserve la hiérarchie parent-enfant afin qu’un segment de paragraphe ou de tableau puisse conserver le contexte du titre qui définit son rôle dans le document original.
Cela est particulièrement utile pour un système RAG privé, car une ligne de tableau récupérée peut être ambiguë sans le titre de section ou les en-têtes de colonne qui la définissent.
Le découpage tenant compte de la structure peut donc être effectué après la reconstruction, au lieu de contraindre le segmenteur à redécouvrir les relations de la page à partir du texte OCR aplati.
La sortie structurée préserve la provenance pour la recherche et la vérification
Un analyseur robuste doit conserver la correspondance entre les éléments reconstruits, les numéros de page et les coordonnées d’origine. L’interface de recherche peut ainsi afficher le tableau ou le paragraphe original au lieu de traiter la structure générée comme un nouveau document impossible à retracer.
La réparation des relations de tableau perdues par l’OCR nécessite d’ajouter les associations entre lignes, colonnes, en-têtes et cellules fusionnées avant de transformer le contenu extrait en segments de recherche ordinaires.
Pour une facture domestique, la provenance peut relier un montant récupéré à sa cellule, à l’intitulé de sa ligne, à l’en-tête de sa colonne, à sa page et à sa boîte englobante. Pour un manuel à plusieurs colonnes, elle peut préserver la séquence exacte des paragraphes. L’analyse de la mise en page est donc bien plus qu’un simple formatage esthétique. Elle détermine quelle unité d’information l’index vectoriel ou par mots-clés classera ensuite et quelle région source une citation pourra afficher.
L’analyse de la mise en page ne peut pas reconstruire de manière fiable des informations que l’OCR n’a jamais capturées
Les modèles structurels dépendent de signaux visuels et textuels exploitables. Un flou important, des bords rognés, de l’écriture manuscrite, une inclinaison, des tampons superposés, des numérisations dégradées ou une reconnaissance incorrecte des caractères peuvent supprimer les informations nécessaires à l’identification d’une cellule ou d’une relation.
La modélisation conjointe de la détection de la mise en page et de l’ordre de lecture aide à relier la reconnaissance des régions à la séquence dans laquelle elles doivent être lues lors de la reconstruction d’un document complet.
Distinguer les incohérences de l’OCR entre les pages numérisées des erreurs d’ordre de mise en page évite qu’un analyseur attribue la responsabilité de caractères mal reconnus à la reconstruction structurelle.
Évaluez les deux aspects. Vérifiez la précision du texte, l’appartenance des éléments aux cellules, l’association des en-têtes, la hiérarchie des sections, l’ordre de lecture et la traçabilité des coordonnées avant que la sortie reconstruite ne devienne une source d’information pour un système de recherche ou de RAG privé.
Produits recommandés
Centre Tech & IA
Plus à lire
Les caméras domestiques peuvent-elles synchroniser les événements sans services horaires cloud ?
Une explication axée sur les mécanismes de l’heure de la caméra sans cloud, ses compromis liés aux ressources partagées, trois FAQ sur la diffusion...
Un service d’IA local peut-il détecter les couches de modèle corrompues avant l’inférence ?
Une explication axée sur les mécanismes de la détection des couches de modèle corrompues, de ses compromis en matière de ressources partagées, de trois...
Un système RAG peut-il être restauré sans régénérer chaque embedding ?
Une explication de la restauration RAG sans réencodage, axée sur le mécanisme, de ses compromis en matière de ressources partagées, trois FAQ sur la...
