春季是繁忙的播種季，學(xué)生黨迎來了開學(xué)季和緊張的研究生復(fù)試，職場人士也需要處理新簽業(yè)務(wù)帶來的大量不同類型的文件，比如合同、發(fā)票、檔案等。這些文件在被拍照、掃描成電子文檔的過程中，時常存在漏字、錯位現(xiàn)象。究其原因，有個看似“冷門”卻關(guān)鍵的技術(shù)點極大地影響了文字識別效果，這個技術(shù)便是“版面分析”。

　　近期，人工智能及大數(shù)據(jù)科技企業(yè)合合信息持續(xù)突破版面分析技術(shù)在版面分割、區(qū)域間的邏輯關(guān)系處理等方面的難題，通過智能文字識別、智能圖像處理等核心技術(shù)，助力使用者從各類復(fù)雜的圖片文檔中精準(zhǔn)獲取信息。

　　深度學(xué)習(xí)助力版面分析“泛化”難題突破

　　版面分析的目的是讓機器“看懂”文檔結(jié)構(gòu)，即將文檔圖像分割成不同類型內(nèi)容的區(qū)域，并分析區(qū)域之間的關(guān)系，這是內(nèi)容識別之前的關(guān)鍵步驟。

　　據(jù)中國科學(xué)院自動化研究所多模態(tài)人工智能系統(tǒng)全國重點實驗室聯(lián)合多所高校發(fā)布的論文顯示，版面分析主要包括物理版面分析（區(qū)域分割、分類，文本檢測與定位，文本行分割等），手寫及印刷區(qū)分，表格分析（單元格提取與關(guān)系分析），邏輯版面分析（區(qū)域語義分類、閱讀順序），以及簽名、圖標(biāo)、印章等版面元素的提取等。

　　總體而言，版面分析任務(wù)被分為物理版面分析（或稱為幾何版面分析）和邏輯版面分析兩類，前者主要解決區(qū)域分割問題，后者則關(guān)注區(qū)域之間的邏輯關(guān)系或閱讀順序。

　　從上世紀(jì)80年代開始，較多專門研究版面分析的工作成果開始涌現(xiàn)，此后經(jīng)歷了多番理念方法迭代。傳統(tǒng)的版面分析方法在進行版面布局分析和表格處理時會明顯受制于版式差異，在應(yīng)對不同場景下的文檔圖片時泛化效果存在缺陷，而深度神經(jīng)網(wǎng)絡(luò)的引入有效解決了這些問題。

　　合合信息技術(shù)人員在采訪中提到，得益于全卷積神經(jīng)網(wǎng)絡(luò)（FCN）和圖神經(jīng)網(wǎng)絡(luò)（GNN）的突破，文檔版面分析的方法和性能得到了很大發(fā)展。公司基于深度學(xué)習(xí)的方法，結(jié)合文本區(qū)域的幾何坐標(biāo)、視覺特征、文本語義等多種模態(tài)信息對文本閱讀順序進行預(yù)測，顯著提升分類結(jié)果。

合合信息智能文字識別服務(wù)平臺對存在圖片、表格的復(fù)雜文檔進行識別

　　同時，合合信息表格結(jié)構(gòu)解析方法在邏輯版面分析中也發(fā)揮了重要作用，主要包括自上而下的方法、自下而上的方法以及端到端圖像到標(biāo)記的方法等。在財報相關(guān)表格識別測試中，有線表識別單元格結(jié)構(gòu)準(zhǔn)確率高于98%；無線表識別中，在保證表格區(qū)域內(nèi)容的完整性的同時，檢測準(zhǔn)確率較傳統(tǒng)方法顯著提升。

　　教育、商務(wù)、文保，“小”技術(shù)有大應(yīng)用

　　近期，中共中央、國務(wù)院印發(fā)《數(shù)字中國建設(shè)整體布局規(guī)劃》，“數(shù)字中國”的建設(shè)邁上了新的征程。版面分析是實現(xiàn)文檔信息數(shù)字化的重要能力，解決了版面分析的痛點，有助于各界用戶將圖像文檔以數(shù)字化的手段更精準(zhǔn)地轉(zhuǎn)化為文檔數(shù)據(jù)，提升工作效率。

　　對于研究人員或?qū)W生群體而言，版面分析與OCR技術(shù)的結(jié)合可以廣泛應(yīng)用于課件、試卷、作業(yè)、學(xué)術(shù)論文等材料的數(shù)字化處理，自動識別和提取多種教育類文檔文本、圖像、公式、表格等元素進行不同場景的應(yīng)用，簡化教學(xué)和學(xué)習(xí)過程。

　　商務(wù)場景中，版面分析與OCR技術(shù)能自動識別和提取財務(wù)數(shù)據(jù)、圖表、文本等信息，并將印刷財報轉(zhuǎn)換為可分析的電子數(shù)據(jù)，在處理不同類型的財務(wù)報表時，能夠提升報告分析效率和準(zhǔn)確性，幫助相關(guān)人員實現(xiàn)公司財務(wù)報告、審計報告、年度報告等文件的自動處理和分析。

合合信息智能文字識別服務(wù)平臺對財務(wù)文件進行處理

　　此外，版面分析相關(guān)技術(shù)還可作用于文化保護，通過自動識別和提取各種類型書籍的表格、圖像信息，將不同時代、多種印刷版式、多種概念的紙質(zhì)圖樣按照符合人類理解的格式進行電子化存儲，幫助實現(xiàn)文獻、古籍、報紙、雜志等資料的數(shù)字化和知識管理。

　　相關(guān)研究表明，現(xiàn)階段，針對復(fù)雜版面文檔和拍照變形文檔的分析識別仍存在性能不足的情況。這個細小卻重要的技術(shù)還需要更多的研究機構(gòu)及科技企業(yè)加入進來，共同推動理論的研究與應(yīng)用的突破。