技术架构下——PPStructure的绣花功夫布局检测、方向分类、文本检测、阅读顺序重建深度拆解——大胖老师“上回咱们把整条文渊慧典的流水线跑了一遍。小菜你印象最深的是哪个环节”——小菜“版面分析我就想不通一页乱七八糟的古籍电脑是怎么一眼就看出哪儿是正文、哪儿是注的。”——二黑头也不抬“因为它不是‘看’出来的是‘算’出来的。而且算的过程中踩过的坑比你吃过的盐还多。”——大胖老师“二黑说得对。上回咱们只是走马观花今天就把版面分析这个车间单独拎出来扒到螺丝钉级别。四个模型一个算法外加三个差点让我们翻车的真实案例一个不落。”一、版面分析的四个“特种兵”大胖老师在白板上画了四个小人分别标注布局检测、方向分类、文本检测、阅读顺序重建。“很多人以为PPStructure就是一个模型丢进去图片吐出来结果。大错特错。”他敲着白板“它是一支特种部队每个队员都有自己的绝活配合起来才能完成版面分析这个高难度任务。今天咱们就给每位队员单独列个档案看看他们到底有什么本事又有什么软肋。”第一位布局检测——全局扫描兵“布局检测是第一个上场的。它的任务是在全图范围内快速定位所有‘有意义’的区域——文字块、表格、图片、印章——用矩形框标出来。只看大局不管细节。速度要快不能漏也不能把墨渍当文字。”二黑调出一张模型结构图“它用的是基于ResNet的骨干网络上面接特征金字塔FPN和检测头。ResNet负责提取图像特征FPN负责融合不同尺度的特征——古籍里的文字块大的像标题占半页小的像夹注只有几个字FPN能同时检测大小目标。检测头则输出每个框的坐标和类别标签。”“但通用模型直接上古籍问题很大。”大胖老师接过话“因为它的训练数据主要是现代文档——横排、单栏、无边框。古籍是竖排、多栏、栏线断断续续、还混杂印章和墨渍。通用模型会把两栏粘在一起把印章当文字把栏线当细长行。所以我们做了两件事微调和后处理。”微调二黑打开一张标注示例图“我们从全国十几家图书馆收集了大约五千页不同时期、不同版式的古籍扫描件手工标注了每一页的布局。正文、注文、眉批、标题、印章、页码一个框一个框地标。这批‘古籍版面金标数据集’喂进去微调后模型对古籍的适应能力大幅提升。正文和夹注的区分准确率从不到70%提升到了90%以上。”后处理“模型输出之后我们还加了一层规则过滤。比如印章区域通常颜色偏红、形状接近方形或圆形我们用颜色直方图和形状特征做二次确认。栏线误检的问题则靠形态学滤波——用OpenCV提取长直线特征凡是形状接近直线且像素密度均匀的都从文字候选区里剔除。双管齐下基本解决了古籍特有的误检问题。”第二位方向分类——旋转校正兵“布局检测给出了每个文字块的位置和类型但这些块可能是竖的、横的、倒的。”大胖老师指着白板上的第二个小人“方向分类器就是专门判断文字方向的微型模型。结构很简单一个轻量级卷积网络输出四个方向类别的概率0度、90度、180度、270度。但它对古籍的意义比很多复杂模型都大。”“为什么”小菜追问。二黑代答“因为古籍的文字方向不是全局统一的。正文竖排眉批可能是横排页码可能是横排印章可能各种奇怪角度。如果不分块做方向检测整体旋转90度正文正了眉批又歪了。所以方向检测必须精确到每一个文字块。”大胖老师补充“而且方向分类器还有一个隐藏功能——过滤误检。有些墨渍或纸张纹理被误检为文字块送进方向分类器因为找不到明确的文字方向置信度会很低。我们设了一个阈值置信度低于0.6的块直接丢弃。这就把大量‘假阳性’拦截在了OCR之前节省了算力也避免了输出乱码。一石二鸟。”第三位文本检测——精细切割兵“方向摆正之后每个文字块还是一整坨不能直接送OCR。需要把块里的每一行文字精确地切出来。”大胖老师把这一步比喻成“切豆腐”——把一整块豆腐切成均匀的长条每一根条都是一行文字。“PPStructure内部用的是DB可微分二值化文本检测算法。”二黑调出DB的论文截图“它不是在像素上做二值化而是让网络学习一个‘概率图’表示每个像素属于文字的概率然后用一个可微分的操作把它变成二值图。这样整个流程都是可导的可以端到端训练。DB的优点是速度快、精度高尤其对弯曲文本和多方向文本友好。”“但古籍文本检测有特殊难点。”大胖老师指了指屏幕上的一行双行夹注“这种小字注文紧贴着正文行间距极小。人眼能区分但模型经常把注文和正文连成一行或者把注文的两小行当成一行。我们在训练时特意加大了夹注样本的比例让模型多见这种‘亲密无间’的文字行。同时调整了DB的阈值参数让它对小间距文本更敏感。代价是推理速度慢了约10%但夹注的检测召回率提升了将近20个百分点——值。”第四位阅读顺序重建——整队指挥官“所有文字行都检测出来、识别出来之后还处在无序状态——东一行西一行。”大胖老师画了一群散乱的小点“最后这位队员的任务是把它们按照古人读书的顺序排列好。这是古籍OCR特有的刚需现代文档根本没有这个需求。”二黑站起来在白板上画了一页示意图“我们设计了一个两阶段排序算法。第一阶段按列分组。算法扫描全页的文字行坐标根据右上角的横坐标和纵坐标把竖直方向上对齐的行归到一组。判断标准是两行横坐标中心线距离小于阈值且纵坐标有较大重叠区间。分组之后列与列之间按横坐标从右到左排序。这就定下了‘从右到左’的大框架。”“第二阶段列内排序。同一列里的行先按纵坐标从上到下排。但如果检测到夹注块——宽度明显小于正文的窄行——就把它们插到正确的位置。算法判断夹注的上边缘和哪一行正文对齐就把它插到那行正文的后面。这样读的时候先读正文紧接着读夹注读完再跳回下一行正文。”小菜试着复述“第一步‘分列排队’第二步‘列内插队’”大胖老师哈哈一笑“用语不太学术但理解到位。这个算法完全是基于坐标的规则引擎不需要额外模型跑起来飞快。对常见的单栏、双栏、夹注版式准确率超过95%。”二、差点让版面分析翻车的三个真实案例讲完四个模型的基本原理大胖老师话锋一转“理论讲完了现在上硬菜。这三个真实案例每一个都差点让我们的版面分析当场去世。是二黑一个坑一个坑填过来的。”案例一明万历刻本的“隐形栏线”“这套明万历刻本栏线极细加上年代久远墨色变淡扫描后有些栏线在图像上几乎看不见。但看不见不等于不存在——它依然干扰着检测模型。布局检测把它当成细长的文字块方向分类器因为它没有文字特征而给低置信度但并没有低到被过滤的阈值。结果就是这条‘隐形栏线’混进了OCR输出了一串乱码。”二黑补充“我发现问题后用图像增强把栏线显影出来生成了一批‘栏线增强版’标注数据重新微调模型。同时在形态学滤波里加了一条即使像素密度不够均匀只要形状是标准的长直线也剔除。问题解决。这个案例告诉我古籍版面里有很多‘隐形信息’人眼能看到是因为有经验模型没有经验就得用数据把经验灌给它。”案例二乾隆朱墨套印本的“红色陷阱”“乾隆朱墨套印本正文是黑色批注是红色视觉效果很漂亮但对二值化来说是个灾难。”大胖老师调出一张原图“普通二值化把红色和黑色全变成了前景正文和批注糊成一团。版面分析根本分不清谁是谁。”二黑的解决方案是“先用颜色分离把红色通道和黑色通道分开分别做二值化生成两张独立的图片再分别送版面分析。红色通道的图只包含批注黑色通道的图只包含正文。最后在后处理里把两个通道的识别结果按照坐标合并回去。多了一道工序但效果立竿见影。后来我们把这个功能做成了一个可选项——‘朱墨套印模式’遇到红黑双色的古籍王大姐只需要勾选一下系统自动切换处理管线。”案例三民国手抄本的字迹粘连“某县馆的家谱手写小楷连笔严重。版面分析的文本检测把三个连在一起的草书字当成了一个‘超宽字’切出来的行乱七八糟。”大胖老师叹了口气“这种手抄本连人眼都得仔细辨认更别说模型了。”二黑想了个不是办法的办法“对手抄本降低文本检测的合并阈值宁可把行切碎一点也不要粘连。然后再靠后处理的阅读顺序算法把切碎的行重新拼回来。虽然增加了后处理的复杂度但最终输出的文本是通的。这不是技术问题是手抄本本身的模糊性。用工程手段兜底比死磕模型更划算。”三、版面分析的未来从“模型规则”到“端到端”讲完案例大胖老师让二黑展望一下未来。“你觉得下一代版面分析会是什么样”二黑想了想“现在的方案还是‘模型规则’的混合体——模型负责检测和识别规则负责阅读顺序和异常处理。这套方案已经能解决大部分问题但它有一个根本局限规则是人写的永远穷举不了古籍版式的所有变体。”“我判断未来三到五年版面分析会走向端到端的统一模型。输入一页图像直接输出按阅读顺序排列好的结构化文本中间不再有独立的布局检测、方向分类、文本检测、阅读顺序重建这些模块。所有这些能力全部内化在一个大模型里通过海量古籍数据训练出来。就像ChatGPT从文本生成统一了NLP任务一样版面分析的未来也是统一。”“但这需要更大规模、更多样化的训练数据也需要更强大的算力支撑。短期内我们的混合方案仍然是最经济、最可控的选择。我们不追求技术上的完美追求的是‘今天就能用明天还能更好’的工程合理性。”四、下期预告大胖老师看看时间“今天版面分析这块已经讲透了。四个模型三个案例一个未来展望。下一期咱们进入流水线的最后一站——后处理与输出。”小菜眼睛一亮“就是那个把识别结果变成双层PDF、能搜索能复制的魔法环节”“对。”二黑翻开笔记本“后处理里的门道不比版面分析少。置信度分析怎么辅助校对语言模型怎么自动纠错避讳字怎么自动补全双层PDF的透明文字层怎么精确叠加还有异体字标准化策略——学者要原字原样普通读者要现代标准字形怎么平衡”大胖老师拍板“那就下期主题就叫——”《OCR的最后一公里当识别结果遇上置信度分析、上下文纠错、避讳字补全以及双层PDF里那些看不见的文字是怎么“隐身”的》“小菜别忘了约王大姐来听。她上次问的‘为什么识别出来的字有时候繁简混着来’下期正好解答。还有把你那个贴了三盒膏药的手腕养好下一讲的内容密度不比今天低。”小菜揉了揉手腕在笔记本上重重记下。窗外夜色已深实验室的白板上密密麻麻画满了流程图和检测框示意图。二黑已经打开IDE开始优化昨天发现的阅读顺序bug——那个“三栏加眉批加侧批”的复杂版式准确率还没达到他的预期。大胖老师的保温杯第三次续了水。他站在白板前看着那四个小人和三个案例忽然笑了“搞古籍OCR这几年最大的感受是什么不是技术有多难是古籍太聪明了——它们用几百种方式告诉你别想用一套规则搞定我。”二黑头也不抬地接了一句“所以我们要比古籍更聪明。或者至少比它们更倔。”小菜补了一刀“或者比它们更有耐心。毕竟它们已经等了几百年不差这几个bug。”笑声中键盘声继续。窗外校图书馆的灯次第亮起。本文为注水技术版您看看即可不必当真写此文字就是图一乐-
