春季是繁忙的播种季,学生党迎来了开学季和紧张的研究生复试,职场人士也需要处理新签业务带来的大量不同类型的文件,比如合同、发票、档案等。这些文件在被拍照、扫描成电子文档的过程中,时常存在漏字、错位现象。究其原因,有个看似“冷门”却关键的技术点极大地影响了文字识别效果,这个技术便是“版面分析”。

近期,人工智能及大数据科技企业合合信息持续突破版面分析技术在版面分割、区域间的逻辑关系处理等方面的难题,通过智能文字识别、智能图像处理等核心技,助力使用者从各类复杂的图片文档中精准获取信息。

深度学习助力版面分析“泛化”难题突破

版面分析的目的是让机器“看懂”文档结构,即将文档图像分割成不同类型内容的区域,并分析区域之间的关系,这是内容识别之前的关键步骤。

据中国科学院自动化研究所多模态人工智能系统全国重点实验室联合多所高校发布的论文显示,版面分析主要包括物理版面分析(区域分割、分类,文本检测与定位,文本行分割等),手写及印刷区分,表格分析(单元格提取与关系分析),逻辑版面分析(区域语义分类、阅读顺序),以及签名、图标、印章等版面元素的提取等。

总体而言,版面分析任务被分为物理版面分析(或称为几何版面分析)和逻辑版面分析两类,前者主要解决区域分割问题,后者则关注区域之间的逻辑关系或阅读顺序。

从上世纪80年代开始,较多专门研究版面分析的工作成果开始涌现,此后经历了多番理念方法迭代。传统的版面分析方法在进行版面布局分析和表格处理时会明显受制于版式差异,在应对不同场景下的文档图片时泛化效果存在缺陷,而深度神经网络的引入有效解决了这些问题。

合合信息技术人员在采访中提到,得益于全卷积神经网络(FCN)和图神经网络(GNN) 的突破,文档版面分析的方法和性能得到了很大发展。公司基于深度学习的方法,结合文本区域的几何坐标、视觉特征、文本语义等多种模态信息对文本阅读顺序进行预测,显著提升分类结果。

合合信息智能文字识别服务平台对存在图片、表格的复杂文档进行识别

同时,合合信息表格结构解析方法在逻辑版面分析中也发挥了重要作用,主要包括自上而下的方法、自下而上的方法以及端到端图像到标记的方法等。在财报相关表格识别测试中,有线表识别单元格结构准确率高于98%;无线表识别中,在保证表格区域内容的完整性的同时,检测准确率较传统方法显著提升。

教育、商务、文保,“小”技术有大应用

近期,中共中央、国务院印发《数字中国建设整体布局规划》,“数字中国”的建设迈上了新的征程。版面分析是实现文档信息数字化的重要能力,解决了版面分析的痛点,有助于各界用户将图像文档以数字化的手段更精准地转化为文档数据,提升工作效率。

对于研究人员或学生群体而言,版面分析与OCR技术的结合可以广泛应用于课件、试卷、作业、学术论文等材料的数字化处理,自动识别和提取多种教育类文档文本、图像、公式、表格等元素进行不同场景的应用,简化教学和学习过程

商务场景中,版面分析与OCR技术能自动识别和提取财务数据、图表、文本等信息,并将印刷财报转换为可分析的电子数据,在处理不同类型的财务报表时,能够提升报告分析效率和准确性,帮助相关人员实现公司财务报告、审计报告、年度报告等文件的自动处理和分析。

合合信息智能文字识别服务平台对财务文件进行处理

此外,版面分析相关技术还可作用于文化保护,通过自动识别和提取各种类型书籍的表格、图像信息,将不同时代、多种印刷版式、多种概念的纸质图样按照符合人类理解的格式进行电子化存储,帮助实现文献、古籍、报纸、杂志等资料的数字化和知识管理。

相关研究表明,现阶段,针对复杂版面文档和拍照变形文档的分析识别仍存在性能不足的情况。这个细小却重要的技术还需要更多的研究机构及科技企业加入进来,共同推动理论的研究与应用的突破。