Document Intelligence-indelingsmodel

Belangrijk

• Openbare preview-versies van Document Intelligence bieden vroegtijdige toegang tot functies die actief zijn in ontwikkeling.
• Functies, benaderingen en processen kunnen veranderen, vóór algemene beschikbaarheid (GA), op basis van feedback van gebruikers.
• De openbare preview-versie van Document Intelligence-clientbibliotheken is standaard ingesteld op REST API-versie 2024-02-29-preview.
• Openbare preview-versie 2024-02-29-preview is momenteel alleen beschikbaar in de volgende Azure-regio's:
• VS - oost
• VS - west 2
• Europa -west

Deze inhoud is van toepassing op:v4.0 (preview) | Vorige versies:v3.1 (GA)v3.0 (GA)v2.1 (GA)

Document Intelligence-indelingsmodel is een geavanceerde machine learning-API voor documentanalyse die beschikbaar is in de Document Intelligence-cloud. Hiermee kunt u documenten in verschillende indelingen opnemen en gestructureerde gegevensweergaven van de documenten retourneren. Het combineert een verbeterde versie van onze krachtige OCR-mogelijkheden (Optical Character Recognition) met deep learning-modellen om tekst, tabellen, selectiemarkeringen en documentstructuur te extraheren.

Analyse van documentindeling

De indelingsanalyse van documentstructuur is het analyseren van een document om interessegebieden en hun onderlinge relaties te extraheren. Het doel is om tekst en structurele elementen van de pagina te extraheren om betere semantische begripsmodellen te maken. Er zijn twee typen rollen in een documentindeling:

• Geometrische rollen: Tekst, tabellen, afbeeldingen en selectiemarkeringen zijn voorbeelden van geometrische rollen.
• Logische rollen: Titels, koppen en voetteksten zijn voorbeelden van logische rollen van teksten.

In de volgende afbeelding ziet u de typische onderdelen in een afbeelding van een voorbeeldpagina.

Ontwikkelingsopties

Document Intelligence v4.0 (2024-02-29-preview, 2023-10-31-preview) ondersteunt de volgende hulpprogramma's, toepassingen en bibliotheken:

Functie	Resources	Model-id
Indelingsmodel	• Document Intelligence Studio • REST API • C# SDK • Python SDK • Java SDK • JavaScript SDK	vooraf gedefinieerde indeling

Vereisten voor invoer

• Geef voor de beste resultaten één duidelijke foto of een hoogwaardige scan per document op.

• Ondersteunde bestandsindelingen:

  Model	PDF	Afbeelding: JPEG/JPG, PNG, BMP, TIFF, HEIF	Microsoft Office: Word (DOCX), Excel (XLSX), PowerPoint (PPTX) en HTML
  Read	✔	✔	✔
  Indeling	✔	✔	✔ (2024-02-29-preview, 2023-10-31-preview)
  Algemeen document	✔	✔
  Vooraf gebouwd	✔	✔
  Aangepaste extractie	✔	✔
  Aangepaste classificatie	✔	✔	✔ (2024-02-29-preview)

• Voor PDF en TIFF kunnen maximaal 2000 pagina's worden verwerkt (met een abonnement op de gratis laag worden alleen de eerste twee pagina's verwerkt).

• De bestandsgrootte voor het analyseren van documenten is 500 MB voor betaalde (S0) laag en 4 MB gratis (F0).

• De afmetingen van de afbeelding moeten tussen 50 x 50 pixels en 10.000 pixels x 10.000 pixels zijn.

• Als uw PDF's zijn vergrendeld met een wachtwoord, moet u de vergrendeling verwijderen voordat u ze indient.

• De minimale hoogte van de tekst die moet worden geëxtraheerd, is 12 pixels voor een afbeelding van 1024 x 768 pixels. Deze dimensie komt overeen met ongeveer 8-punttekst op 150 punten per inch (DPI).

• Voor aangepaste modeltraining is het maximum aantal pagina's voor trainingsgegevens 500 voor het aangepaste sjabloonmodel en 50.000 voor het aangepaste neurale model.

  • Voor het trainen van aangepaste extractiemodellen is de totale grootte van trainingsgegevens 50 MB voor het sjabloonmodel en 1G-MB voor het neurale model.

  • Voor het trainen van aangepast classificatiemodel is 1GB de totale grootte van trainingsgegevens maximaal 10.000 pagina's.

Aan de slag met het indelingsmodel

Bekijk hoe gegevens, waaronder tekst, tabellen, tabelkoppen, selectiemarkeringen en structuurgegevens worden geëxtraheerd uit documenten met behulp van Document Intelligence. U hebt de volgende resources nodig:

• Een Azure-abonnement: u kunt er gratis een maken.

• Een Document Intelligence-exemplaar in Azure Portal. U kunt de gratis prijscategorie (F0) gebruiken om de service te proberen. Nadat uw resource is geïmplementeerd, selecteert u Ga naar de resource om uw sleutel en eindpunt op te halen.

Notitie

Document Intelligence Studio is beschikbaar met v3.0-API's en latere versies.

Voorbeelddocument verwerkt met Document Intelligence Studio

1. Selecteer Indeling op de startpagina van Document Intelligence Studio.

2. U kunt het voorbeelddocument analyseren of uw eigen bestanden uploaden.

3. Selecteer de knop Analyse uitvoeren en configureer indien nodig de opties analyseren:

   

   Probeer Document Intelligence Studio.

Ondersteunde talen en landinstellingen

Zie onze pagina Taalondersteuning: documentanalysemodellen voor een volledige lijst met ondersteunde talen.

Gegevensextractie

Met het indelingsmodel worden tekst, selectiemarkeringen, tabellen, alinea's en alineatypen (roles) uit uw documenten geëxtraheerd.

Notitie

Versies 2024-02-29-preview, 2023-10-31-previewen later ondersteunen Microsoft Office-bestanden (DOCX, XLSX, PPTX) en HTML-bestanden. De volgende functies worden niet ondersteund:

• Er zijn geen hoeken, breedte/hoogte en eenheid voor elk paginaobject.
• Voor elk gedetecteerd object is er geen begrenzings- of begrenzingsregio.
• Paginabereik (pages) wordt niet ondersteund als parameter.
• Geen lines object.

Pagina's

De verzameling pagina's is een lijst met pagina's in het document. Elke pagina wordt opeenvolgend in het document weergegeven en bevat de richtingshoek die aangeeft of de pagina wordt gedraaid en de breedte en hoogte (afmetingen in pixels). De pagina-eenheden in de modeluitvoer worden berekend zoals weergegeven:

Bestandsindeling	Berekende pagina-eenheid	Totaal aantal pagina's
Afbeeldingen (JPEG/JPG, PNG, BMP, HEIF)	Elke afbeelding = 1 pagina-eenheid	Totaal aantal afbeeldingen
PDF	Elke pagina in de PDF = 1 pagina-eenheid	Totaal aantal pagina's in het PDF-bestand
TIFF	Elke afbeelding in de TIFF = 1 pagina-eenheid	Totaal aantal afbeeldingen in de TIFF
Word (DOCX)	Maximaal 3000 tekens = 1 pagina-eenheid, ingesloten of gekoppelde afbeeldingen worden niet ondersteund	Totaal aantal pagina's van maximaal 3000 tekens per pagina
Excel (XLSX)	Elk werkblad = 1 pagina-eenheid, ingesloten of gekoppelde afbeeldingen wordt niet ondersteund	Totaal aantal werkbladen
PowerPoint (PPTX)	Elke dia = 1 pagina-eenheid, ingesloten of gekoppelde afbeeldingen wordt niet ondersteund	Totaal aantal dia's
HTML	Maximaal 3000 tekens = 1 pagina-eenheid, ingesloten of gekoppelde afbeeldingen worden niet ondersteund	Totaal aantal pagina's van maximaal 3000 tekens per pagina

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

Geselecteerde pagina's uit documenten extraheren

Voor grote documenten met meerdere pagina's gebruikt u de pages queryparameter om specifieke paginanummers of paginabereiken aan te geven voor tekstextractie.

Leden

Met het indelingsmodel worden alle geïdentificeerde tekstblokken in de verzameling geëxtraheerd als een object op het paragraphs hoogste niveau onder analyzeResults. Elke vermelding in deze verzameling vertegenwoordigt een tekstblok en bevat de geëxtraheerde tekst alscontenten de begrenzingscoördinaten polygon . De span informatie verwijst naar het tekstfragment in de eigenschap op het hoogste niveau content die de volledige tekst uit het document bevat.

"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"
    }
]

Alinearollen

Met de nieuwe op machine learning gebaseerde paginaobjectdetectie worden logische rollen geëxtraheerd, zoals titels, sectiekoppen, paginakopteksten, paginavoetteksten en meer. Met het Document Intelligence-indelingsmodel worden bepaalde tekstblokken in de paragraphs verzameling toegewezen met hun gespecialiseerde rol of type dat door het model wordt voorspeld. Ze worden het beste gebruikt met ongestructureerde documenten om inzicht te verkrijgen in de indeling van de geëxtraheerde inhoud voor een uitgebreidere semantische analyse. De volgende alinearollen worden ondersteund:

Voorspelde rol	Beschrijving	Ondersteunde bestandstypen
title	De hoofdkoppen op de pagina	pdf, image, docx, pptx, xlsx, html
sectionHeading	Een of meer subkoppen op de pagina	pdf, image, docx, xlsx, html
footnote	Tekst onder aan de pagina	pdf, afbeelding
pageHeader	Tekst aan de bovenrand van de pagina	pdf, afbeelding, docx
pageFooter	Tekst aan de onderkant van de pagina	pdf, afbeelding, docx, pptx, html
pageNumber	Paginanummer	pdf, afbeelding

{
    "paragraphs": [
                {
                    "spans": [],
                    "boundingRegions": [],
                    "role": "title",
                    "content": "NEWS TODAY"
                },
                {
                    "spans": [],
                    "boundingRegions": [],
                    "role": "sectionHeading",
                    "content": "Mirjam Nilsson"
                }
    ]
}

Tekst, regels en woorden

Het documentindelingsmodel in Document Intelligence extraheert tekst in afdruk- en handgeschreven stijl als lines en words. De styles verzameling bevat een handgeschreven stijl voor lijnen als deze worden gedetecteerd, samen met de spanten die verwijzen naar de bijbehorende tekst. Deze functie is van toepassing op ondersteunde handgeschreven talen.

Voor Microsoft Word, Excel, PowerPoint en HTML halen documentinformatieversies 2024-02-29-preview en 2023-10-31-preview-indelingsmodel alle ingesloten tekst op. Teksten worden geëxtraheerd als woorden en alinea's. Ingesloten afbeeldingen worden niet ondersteund.

"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": [],
    }
]

Handgeschreven stijl voor tekstregels

Het antwoord omvat het classificeren of elke tekstregel een handschriftstijl heeft of niet, samen met een betrouwbaarheidsscore. Voor meer informatie. Zie handgeschreven taalondersteuning. In het volgende voorbeeld ziet u een voorbeeld van een JSON-fragment.

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

Als u de mogelijkheid voor de invoegtoepassing lettertype/stijl inschakelt, krijgt u ook het resultaat lettertype/stijl als onderdeel van het styles object.

Selectiemarkeringen

Met het indelingsmodel worden ook selectiemarkeringen uit documenten geëxtraheerd. Geëxtraheerde selectiemarkeringen worden weergegeven in de pages verzameling voor elke pagina. Ze bevatten de begrenzing polygon, confidenceen selectie state (selected/unselected). De tekstweergave (dat wil gezegd :selected: en :unselected) wordt ook opgenomen als de beginindex (offset) en length die verwijst naar de eigenschap op het hoogste niveau content die de volledige tekst uit het document bevat.

{
    "selectionMarks": [
        {
            "state": "unselected",
            "polygon": [],
            "confidence": 0.995,
            "span": {
                "offset": 1421,
                "length": 12
            }
        }
    ]
}

Tabellen

Het extraheren van tabellen is een belangrijke vereiste voor het verwerken van documenten met grote hoeveelheden gegevens die doorgaans zijn opgemaakt als tabellen. Het indelingsmodel extraheert tabellen in de pageResults sectie van de JSON-uitvoer. Geëxtraheerde tabelgegevens bevatten het aantal kolommen en rijen, rijspanne en kolomspanne. Elke cel met de begrenzingsveelhoek wordt samen met informatie weergegeven, ongeacht of het gebied wordt herkend als een columnHeader of niet. Het model ondersteunt het extraheren van tabellen die worden gedraaid. Elke tabelcel bevat de rij- en kolomindex en begrenzingspogoncoördinaten. Voor de celtekst voert het model de informatie uit die de span beginindex (offset) bevat. Het model voert ook de length inhoud op het hoogste niveau uit die de volledige tekst uit het document bevat.

Notitie

Tabel wordt niet ondersteund als het invoerbestand XLSX is.

{
    "tables": [
        {
            "rowCount": 9,
            "columnCount": 4,
            "cells": [
                {
                    "kind": "columnHeader",
                    "rowIndex": 0,
                    "columnIndex": 0,
                    "columnSpan": 4,
                    "content": "(In millions, except earnings per share)",
                    "boundingRegions": [],
                    "spans": []
                    },
            ]
        }
    ]
}

Uitvoer naar markdown-indeling

De Indelings-API kan de geëxtraheerde tekst uitvoeren in markdown-indeling. Gebruik de outputContentFormat=markdown opdracht om de uitvoerindeling in Markdown op te geven. De markdown-inhoud wordt uitgevoerd als onderdeel van de content sectie.

"analyzeResult": {
"apiVersion": "2024-02-29-preview",
"modelId": "prebuilt-layout",
"contentFormat": "markdown",
"content": "# CONTOSO LTD...",
}

Cijfers

Afbeeldingen (grafieken, afbeeldingen) in documenten spelen een cruciale rol bij het aanvullen en verbeteren van de tekstuele inhoud, waardoor visuele weergaven worden geboden die helpen bij het begrijpen van complexe informatie. Het afbeeldingsobject dat door het indelingsmodel wordt gedetecteerd, heeft belangrijke eigenschappen, zoals boundingRegions (de ruimtelijke locaties van de afbeelding op de documentpagina's, inclusief het paginanummer en de veelhoekcoördinaten die de grens van de afbeelding aangeven), spans (details van de tekst die betrekking heeft op de afbeelding, waarbij de offsets en lengten binnen de tekst van het document worden opgegeven. Deze verbinding helpt bij het koppelen van de afbeelding aan de relevante tekstcontext( elements de id's voor tekstelementen of alinea's in het document die gerelateerd zijn aan of beschrijven de afbeelding) en caption of er een is.

{
    "figures": [
      {
        "boundingRegions": [],
        "spans": [],
        "elements": [
          "/paragraphs/15",
          ...
        ],
        "caption": {
          "content": "Here is a figure with some text",
          "boundingRegions": [],
          "spans": [],
          "elements": [
            "/paragraphs/15"
          ]
        }
      }
    ]
}

Secties

Hiërarchische documentstructuuranalyse is cruciaal bij het organiseren, begrijpen en verwerken van uitgebreide documenten. Deze aanpak is essentieel voor het semantisch segmenteren van lange documenten om het begrip te verbeteren, navigatie te vergemakkelijken en het ophalen van informatie te verbeteren. De komst van Het ophalen van Augmented Generation (RAG) in documentgeneratieve AI onderstreept de betekenis van hiërarchische documentstructuuranalyse. Het indelingsmodel ondersteunt secties en subsecties in de uitvoer, waarmee de relatie tussen secties en objecten in elke sectie wordt geïdentificeerd. De hiërarchische structuur wordt in elements elke sectie onderhouden. U kunt uitvoer gebruiken om de Markdown-indeling te gebruiken om eenvoudig de secties en subsecties in Markdown op te halen.

{
    "sections": [
      {
        "spans": [],
        "elements": [
          "/paragraphs/0",
          "/sections/1",
          "/sections/2",
          "/sections/5"
        ]
      },
...
}

Volgende stappen

• Meer informatie over het verwerken van uw eigen formulieren en documenten met Document Intelligence Studio.

• Voltooi een quickstart voor Document Intelligence en ga aan de slag met het maken van een app voor documentverwerking in de ontwikkeltaal van uw keuze.