Återställning av OCR-layout: Varför läsordningen avgör tabell- och formulärprecisionen

Återställning av OCR-layout är viktig eftersom korrekta tecken blir missvisande när etiketter, värden, rader och kolumner matas ut i fel ordning.

En skanner kan känna igen varje ord på ett skatteformulär men ändå koppla ett belopp till den intilliggande etiketten eller platta ut en tabell kolumn för kolumn i stället för rad för rad. Läsordningen är den mellanliggande struktur som kopplar synliga koordinater till serialiserad text. När den strukturen blir fel ärver extrahering, sökning och RAG ett självsäkert men omarrangerat dokument.

Teckenprecision bevarar inte dokumentrelationer

OCR börjar vanligtvis med att identifiera regioner, rader, ord och tecken. Dessa förutsägelser visar vilken text som finns och var den förekommer, men inte vilket block som ska följa efter ett annat. En textfil måste välja en sekvens, så layoutåterställning blir en separat slutledning baserad på positioner, visuell gruppering och dokumentkonventioner.

Forskningsarbetet LayoutReader beskriver läsordning som en hörnsten för kvitton och formulär och bygger en stor datamängd från metadata om dokumentlayout. Resultaten visar varför förbättrad radordning kan förbättra annars kapabla OCR-motorer utan att teckenigenkänningen behöver ändras.

Skillnaden är avgörande för strukturerade sidor. En felplacerad rad kan fortfarande verka harmlös i ett stycke, medan samma fel i ett formulär kan koppla ett värde till fel fält och i en tabell kan flytta varje cell till fel post.

Läsordning återskapar rader, kolumner och fältpar

En layoutmodell behandlar block som noder och förutsäger företrädes- eller grannskapsrelationer mellan dem. Geometrin ger ledtrådar som justering, avstånd, inneslutning och upprepade baslinjer; texten ger ledtrådar som rubriker, interpunktion och fälttyper. Den resulterande grafen linjäriseras sedan eller omvandlas till tabell- och nyckel-värde-strukturer.

Forskning om ordningsrelationer hävdar att en enda permutation kanske inte kan uttrycka alla giltiga relationer på en komplex sida. Parvis ordning kan bevara en rikare struktur när sidofält, nästlade regioner eller element med flera kolumner skapar mer än en möjlig läsväg.

För formulär är det användbara resultatet ofta inte en lång sträng utan relationer som etikett-till-värde och kryssruta-till-fråga. För tabeller måste rad- och kolumntillhörighet bevaras vid serialisering. Läsordning stöder därför strukturåterställning, snarare än att bara göra extraherad text behaglig att läsa.

Var layoutåterställning fortfarande ger plausibla fel

Roterade skanningar, sammanfogade celler, handskrift, flytande anteckningar, upprepade rubriker och tabeller utan kantlinjer kan övervinna de visuella regler som har lärts från renare sidor. En modell kan skapa en flytande sekvens som i tysthet korsar kolumner, särskilt när intilliggande fält innehåller kompatibla datum, valutor eller namn.

Text- och layoutmodellering modellerar gemensamt text, tvådimensionell position och visuella egenskaper för dokumentförståelse. Den kombinationen förklarar varför enbart koordinater inte räcker, men innebär också att fel i detektering eller OCR kan förorena den senare strukturella förutsägelsen.

Felgränsen går vid dokument där flera ordningar fortfarande är möjliga eller där en felaktig koppling ändrar en post. I sådana fall bör du bevara begränsningsrutor och sidbilder, visa osäkerhet och kräva granskning i stället för att behandla den serialiserade texten som kanoniska data.

Featured

ZimaCube 2 personlig molnhem NAS

ZimaCube2

$799.00 - $2,499.00

Buy Now

Genomför ett test av cell- och fältåterställning

Välj tio representativa sidor som innehåller text i flera kolumner, sammanfogade celler, upprepade rubriker, kryssrutor och etikett-värde-par. Skapa en liten referensmängd som registrerar den avsedda lässekvensen samt varje tabellrad, kolumn och formulärkoppling. Utvärdera den strukturerade utdata, inte bara teckenfelsfrekvensen.

Indexera både den återställda texten och dess källkoordinater, enligt den evidensdisciplin som beskrivs för strukturerad dokumenthämtning. Sök efter värden som förekommer mer än en gång på sidan och kontrollera att varje svar pekar på rätt etikett, rad, kolumn och sidregion.

Godkänn endast om systemet bevarar referensmängdens relationer och tvetydiga layouter flaggas. Ett högt OCR-resultat kompenserar inte för utbytta fält; om felen samlas kring en mall bör den mallen skickas till en specialiserad parser eller mänsklig granskning.