Herstel van OCR-opmaak: waarom de leesvolgorde de nauwkeurigheid van tabellen en formulieren bepaalt

Herstel van de OCR-indeling is belangrijk, omdat nauwkeurige tekens misleidend worden wanneer labels, waarden, rijen en kolommen in de verkeerde volgorde worden weergegeven.

Een scanner kan elk woord op een belastingformulier herkennen, maar toch een bedrag aan het aangrenzende label koppelen of een tabel kolom voor kolom in plaats van rij voor rij afvlakken. De leesvolgorde vormt de tussenliggende structuur die zichtbare coördinaten verbindt met geserialiseerde tekst. Zodra die structuur onjuist is, nemen extractie, zoekopdrachten en RAG een zelfverzekerd maar herschikt document over.

Tekennauwkeurigheid behoudt documentrelaties niet

OCR begint meestal met het detecteren van regio's, regels, woorden en tekens. Deze voorspellingen geven aan welke tekst aanwezig is en waar die staat, maar niet welk blok op een ander moet volgen. Een export als platte tekst moet één volgorde kiezen, waardoor herstel van de indeling een afzonderlijke gevolgtrekking wordt op basis van posities, visuele groepering en documentconventies.

Het onderzoek naar LayoutReader beschrijft de leesvolgorde als een hoeksteen voor bonnen en formulieren en bouwt een grote dataset op basis van metadata over documentindelingen. De resultaten laten zien waarom het verbeteren van de regelvolgorde capabele OCR-engines kan verbeteren zonder hun tekenherkenner aan te passen.

Het onderscheid is doorslaggevend voor gestructureerde pagina's. Een verkeerd geplaatste regel lijkt in een alinea misschien onschuldig, terwijl dezelfde fout in een formulier één waarde aan het verkeerde veld kan koppelen en in een tabel elke cel naar het verkeerde record kan verplaatsen.

De leesvolgorde reconstrueert rijen, kolommen en veldparen

Een indelingsmodel behandelt blokken als knooppunten en voorspelt volgorde- of buurtrelaties ertussen. Geometrie levert aanwijzingen zoals uitlijning, tussenruimte, insluiting en herhaalde basislijnen; tekst levert aanwijzingen zoals kopteksten, interpunctie en veldtypen. De resulterende graaf wordt vervolgens gelineariseerd of omgezet in tabel- en sleutel-waardestructuren.

Onderzoek naar volgorderelaties stelt dat één enkele permutatie mogelijk niet elke geldige relatie op een complexe pagina kan uitdrukken. Een paarsgewijze volgorde kan een rijkere structuur behouden wanneer zijbalken, geneste regio's of elementen met meerdere kolommen meer dan één plausibel leespad creëren.

Voor formulieren is de nuttige uitvoer vaak niet één lange tekenreeks, maar zijn het relaties zoals label-naar-waarde en selectievakje-naar-vraag. Voor tabellen moeten het rij- en kolomlidmaatschap behouden blijven tijdens het serialiseren. De leesvolgorde ondersteunt daarom structuurherstel en maakt geëxtraheerde tekst niet alleen prettiger om te lezen.

Waar herstel van de indeling nog steeds plausibele fouten oplevert

Gedraaide scans, samengevoegde cellen, handschrift, zwevende annotaties, herhaalde kopteksten en tabellen zonder randen kunnen de visuele regels doorbreken die zijn geleerd van overzichtelijkere pagina's. Een model kan een vloeiende reeks produceren die stilzwijgend kolommen kruist, vooral wanneer aangrenzende velden compatibele datums, valuta of namen bevatten.

Tekst- en indelingsmodellering modelleert tekst, tweedimensionale positie en visuele kenmerken gezamenlijk voor documentbegrip. Die combinatie verklaart waarom alleen coördinaten onvoldoende zijn, maar betekent ook dat fouten in detectie of OCR de latere structurele voorspelling kunnen besmetten.

De foutgrens ligt bij elk document waarin meerdere volgordes plausibel blijven of waarin een verkeerde koppeling een record wijzigt. Behoud in dat geval begrenzingskaders en paginabeelden, maak onzekerheid zichtbaar en vereist controle in plaats van de geserialiseerde tekst als canonieke gegevens te behandelen.

Featured

ZimaCube 2 Persoonlijke Cloud Home NAS

ZimaCube2

$799.00 - $2,499.00

Buy Now

Voer een reconstructietest voor cellen en velden uit

Kies tien representatieve pagina's met tekst in meerdere kolommen, samengevoegde cellen, herhaalde kopteksten, selectievakjes en label-waardeparen. Maak een kleine gouden set waarin de bedoelde leesvolgorde en elke tabelrij, kolom en formulierkoppeling worden vastgelegd. Evalueer de gestructureerde uitvoer en niet alleen het foutenpercentage voor tekens.

Indexeer zowel de herstelde tekst als de broncoördinaten, volgens de bewijsdiscipline die wordt beschreven voor het ophalen van gestructureerde documenten. Zoek naar waarden die meer dan één keer op de pagina voorkomen en controleer of elk antwoord naar het juiste label, de juiste rij, kolom en paginaregio verwijst.

Geef alleen een voldoende als het systeem de relaties uit de gouden set behoudt en ambigue indelingen markeert. Een hoge OCR-score compenseert niet voor verwisselde velden; als fouten zich per sjabloon concentreren, stuur dat sjabloon dan naar een gespecialiseerde parser of menselijke controle.