Model čtení funkce Document Intelligence

Důležité

• Verze Document Intelligence ve verzi Public Preview poskytují dřívější přístup k funkcím, které jsou aktivní ve vývoji.
• Funkce, přístupy a procesy se můžou před obecnou dostupností (GA) změnit na základě zpětné vazby uživatelů.
• Verze Public Preview klientských knihoven Document Intelligence ve výchozím nastavení je rest API verze 2024-02-29-preview.
• Verze Public Preview 2024-02-29-preview je aktuálně dostupná jenom v následujících oblastech Azure:
• USA – východ
• USA – západ 2
• Západní Evropa

Tento obsah se vztahuje na:v4.0 (Preview) | Předchozí verze:v3.1 (GA)v3.0 (GA)

Poznámka:

Pokud chcete extrahovat text z externích obrázků, jako jsou popisky, znaky ulice a plakáty, použijte funkci Analýzy obrázků Azure AI v4.0 optimalizovanou pro obecné obrázky bez dokumentu s vylepšeným synchronním rozhraním API s výkonem, které usnadňuje vkládání OCR do scénářů uživatelského prostředí.

Model OCR (Document Intelligence Read Optické rozpoznávání znaků) běží s vyšším rozlišením než Azure AI Vision Read a extrahuje tisk a rukou psaný text z dokumentů PDF a naskenovaných obrázků. Obsahuje také podporu pro extrahování textu z dokumentů Microsoft Wordu, Excelu, PowerPointu a HTML. Rozpozná odstavce, řádky textu, slova, umístění a jazyky. Model pro čtení je podkladovým modulem OCR pro další předem vytvořené modely document intelligence, jako jsou rozložení, obecný dokument, faktura, potvrzení, dokument identity (ID), karta zdravotní pojištění, W2 kromě vlastních modelů.

Co je OCR pro dokumenty?

Optické rozpoznávání znaků (OCR) pro dokumenty je optimalizované pro velké textové dokumenty ve více formátech souborů a globálních jazycích. Obsahuje funkce, jako je skenování obrázků dokumentů s vyšším rozlišením pro lepší zpracování menšího a zhuštěného textu; detekce odstavce; a správu vyplnitelných formulářů. Funkce OCR také zahrnují pokročilé scénáře, jako jsou pole s jedním znakem a přesná extrakce klíčových polí běžně zjištěných v fakturách, účtech a dalších předem připravených scénářích.

Možnosti vývoje

Document Intelligence v4.0 (2024-02-02-29-preview, 2023-10-31-preview) podporuje následující nástroje, aplikace a knihovny:

Funkce	Zdroje informací	ID modelu
Čtení modelu OCR	• Document Intelligence Studio • REST API • C# SDK • Python SDK• Java SDK • JavaScript SDK• JavaScript SDK	předem připravená čtení

Požadavky na vstup

• Nejlepšíchvýsledkůch

• Podporované formáty souborů:

  Model	PDF	Obrázek: JPEG/JPG, PNG, BMP, TIFF, HEIF	systém Microsoft Office: Word (DOCX), Excel (XLSX), PowerPoint (PPTX) a HTML
  Čteno	✔	✔	✔
  Rozložení	✔	✔	✔ (2024-02-29-preview, 2023-10-31-preview)
  Obecný dokument	✔	✔
  Předpřipravený	✔	✔
  Vlastní extrakce	✔	✔
  Vlastní klasifikace	✔	✔	✔ (29. 2024. 2024)

• U SOUBORŮ PDF a TIFF je možné zpracovat až 2000 stránek (s předplatným úrovně Free se zpracovávají pouze první dvě stránky).

• Velikost souboru pro analýzu dokumentů je 500 MB pro placenou úroveň (S0) a 4 MB pro bezplatnou úroveň (F0).

• Rozměry obrázku musí být mezi 50 x 50 pixelů a 10 000 px x 10 000 pixelů.

• Pokud jsou soubory PDF uzamčené heslem, musíte před odesláním toto uzamčení odebrat.

• Minimální výška extrahovaného textu je 12 pixelů pro obrázek o velikosti 1024 x 768 pixelů. Tato dimenze odpovídá 8150 bodům na palec (DPI).

• Pro trénování vlastního modelu je maximální počet stránek pro trénovací data 500 pro vlastní model šablony a 50 000 pro vlastní neurální model.

  • Pro trénování vlastního modelu extrakce je celková velikost trénovacích dat 50 MB pro model šablony a 1G MB pro neurální model.

  • Pro trénování modelu vlastní klasifikace je 1GB celková velikost trénovacích dat s maximálně 10 000 stránkami.

Začínáme s modelem čtení

Zkuste extrahovat text z formulářů a dokumentů pomocí nástroje Document Intelligence Studio. Potřebujete následující prostředky:

• Předplatné Azure – můžete si ho zdarma vytvořit.

• Instance Document Intelligence na webu Azure Portal K vyzkoušení služby můžete použít cenovou úroveň Free (F0). Po nasazení prostředku vyberte Přejít k prostředku a získejte klíč a koncový bod.

Poznámka:

Sada Document Intelligence Studio v současné době nepodporuje formáty souborů Microsoft Wordu, Excelu, PowerPointu a HTML.

Ukázkový dokument zpracovaný pomocí nástroje Document Intelligence Studio

1. Na domovské stránce nástroje Document Intelligence Studio vyberte Číst.

2. Můžete analyzovat ukázkový dokument nebo nahrát vlastní soubory.

3. Vyberte tlačítko Spustit analýzu a v případě potřeby nakonfigurujte možnosti Analyzovat:

   

   Vyzkoušejte Nástroj Document Intelligence Studio.

Podporované jazyky a národní prostředí

Úplný seznam podporovaných jazyků najdete na stránce s modely analýzy dokumentů.

Extrakce dat

Poznámka:

Soubor Microsoft Word a HTML jsou podporovány ve verzi 3.1 a novějších verzích. Ve srovnání s PDF a obrázky nejsou podporovány následující funkce:

• Každý objekt stránky neobsahuje žádný úhel, šířku/výšku a jednotku.
• Pro každý zjištěný objekt neexistuje žádná ohraničení mnohoúhelníku ani ohraničující oblasti.
• Rozsah stránek (pages) není podporován jako parametr.
• Žádný lines objekt.

Stránky

Kolekce stránek je seznam stránek v dokumentu. Každá stránka je v dokumentu reprezentována postupně a zahrnuje úhel orientace označující, jestli je stránka otočena, a šířku a výšku (rozměry v pixelech). Jednotky stránky ve výstupu modelu se počítají, jak je znázorněno níže:

Formát souboru	Vypočítaná jednotka stránky	Celkový počet stránek
Obrázky (JPEG/JPG, PNG, BMP, HEIF)	Každý obrázek = 1 jednotka stránky	Celkový počet obrázků
PDF	Každá stránka v PDF = 1 jednotka stránky	Total pages in the PDF
TIFF	Každý obrázek v jednotce TIFF = 1 stránka	Celkový počet obrázků ve formátu TIFF
Word (DOCX)	Až 3 000 znaků = 1 jednotka stránky, vložené nebo propojené obrázky nejsou podporovány.	Celkový počet stránek až 3 000 znaků
Excel (XLSX)	Každý list = 1 jednotka stránky, vložené nebo propojené obrázky nejsou podporovány.	Celkový počet listů
PowerPoint (PPTX)	Každý snímek = 1 jednotka stránky, vložené nebo propojené obrázky se nepodporují.	Celkový počet snímků
HTML	Až 3 000 znaků = 1 jednotka stránky, vložené nebo propojené obrázky nejsou podporovány.	Celkový počet stránek až 3 000 znaků

"pages": [
    {
        "pageNumber": 1,
        "angle": 0,
        "width": 915,
        "height": 1190,
        "unit": "pixel",
        "words": [],
        "lines": [],
        "spans": []
    }
]

Výběr stránek pro extrakci textu

U velkých vícestrákových dokumentů PDF použijte pages parametr dotazu k označení konkrétních čísel stránek nebo rozsahů stránek pro extrakci textu.

Odstavce

Model Read OCR v document Intelligence extrahuje všechny identifikované bloky textu v paragraphs kolekci jako objekt nejvyšší úrovně v části analyzeResults. Každá položka v této kolekci představuje blok textu a zahrnuje extrahovaný text jakocontent a ohraničující polygon souřadnice. Informace span ukazují na fragment textu v rámci vlastnosti nejvyšší úrovně content , která obsahuje celý text z dokumentu.

"paragraphs": [
    {
        "spans": [],
        "boundingRegions": [],
        "content": "While healthcare is still in the early stages of its Al journey, we are seeing pharmaceutical and other life sciences organizations making major investments in Al and related technologies.\" TOM LAWRY | National Director for Al, Health and Life Sciences | Microsoft"
    }
]

Text, řádky a slova

Model Read OCR extrahuje text tištěného a rukou psaného stylu jako lines a words. Model vypíše ohraničující polygon souřadnice a confidence pro extrahovaná slova. Kolekce styles obsahuje všechny ručně psané styly čar, pokud jsou zjištěny spolu s rozsahy odkazujícími na přidružený text. Tato funkce se vztahuje na podporované ručně psané jazyky.

V případě Microsoft Wordu, Excelu, PowerPointu a HTML extrahuje model Document Intelligence Read v3.1 a novější verze veškerý vložený text tak, jak je. Texty jsou extenzované jako slova a odstavce. Vložené obrázky nejsou podporované.

"words": [
    {
        "content": "While",
        "polygon": [],
        "confidence": 0.997,
        "span": {}
    },
],
"lines": [
    {
        "content": "While healthcare is still in the early stages of its Al journey, we",
        "polygon": [],
        "spans": [],
    }
]

Ručně psaný styl pro řádky textu

Odpověď zahrnuje klasifikaci, jestli je každý řádek textu ve stylu rukopisu nebo ne, spolu se skóre spolehlivosti. Další informace najdete vtématu podpora rukou psaného jazyka. Následující příklad ukazuje příklad fragmentu kódu JSON.

"styles": [
{
    "confidence": 0.95,
    "spans": [
    {
        "offset": 509,
        "length": 24
    }
    "isHandwritten": true
    ]
}

Pokud jste povolili funkci doplňku font/style, získáte také výsledek písma a stylu jako součást objektustyles.

Další kroky

Dokončení rychlého startu pro funkci Document Intelligence:

• REST API
• C# SDK
• Python SDK
• Java SDK
• JavaScript

Prozkoumejte naše rozhraní REST API:

Rozhraní DOCUMENT Intelligence API verze 4.0