ocr-table

表格识别

基于 PaddleOCR PP-StructureV2, 用于识别表格。

环境

conda env create -f environment.yml

服务端

# port 8080
python server.py --port 8080

单元测试

 python -m unittest discover testing '*_test.py' -v

镜像打包

make all

服务实现

表格识别服务的简化流程如下：

表格区域图片
    |
    | (图像方向预测 + 旋转)
    v
0度方向的图片 -----------------------+
    |                              |
    | (表格结构预测)                 | (文本检测)
    v                              v
表格Cell检测框集                 文本检测框集
    |                              |
    |                              | (图片裁剪 + 文本识别)
    |                              v
    |                         文本识别结果集
    |                              |
    |                              |
    +------------------------------+
                   |
                   | (根据Cell检测框和文本检测框坐标，聚合文本)
                   v
               表格识别结果

流程说明：

1. 图像方向预测和旋转。我们使用 PaddleClas 内建的图像分类器预测文本区域图片的方向，并将图片旋转为 0 度。
   这是因为我们训练文本检测模型所用的文本图片方向均为 0 度（即水平方向的文字为从左向右排列，竖直方向的文本为从上向下排列）。

   源码：./server.py#rotate_to_zero

2. 表格结构预测。将0度方向图片输入表格结构预测模型，得到表格 Cell 检测框列表。

   源码：PaddleOCR/ppstructure/table/predict_table.py#L108

3. 文本检测和识别。将0度方向的图片输入文本检测模型，得到文本检测框并裁剪出图像，将文本图像输入文本识别模型，得到文本识别结果。

   源码：PaddleOCR/ppstructure/table/predict_table.py#L112

4. 文本聚合。根据表格 Cell 检测框和文本检测框的坐标，聚合文本，得到包含表格结构和内容的识别结果。

   源码：PaddleOCR/ppstructure/table/predict_table.py#L100

5. 重新识别（流程图上未表示）。我们会对表格的识别结果评分，若表格识别结果评分较低，则对表格区域图片进行一些预处理后重复上述识别流程。

   源码：./cores/check_table.py

参考：

• PaddleOCR-表格识别流程
• PaddleOCR-表格识别模型全流程指南