1.导读
随着企业数字化进程不断加速,PDF转Word的功能、纸质文本的电子化存储、文件复原与二次编辑、信息检索等应用都有着强烈的企业需求。目前市面上已有一些软件,但普遍需要繁琐的安装注册操作,大多还存在额度限制。此外,最终转换效果也依赖于版面形态,无法做到针对性适配。
针对开发者的需求,飞桨文字识别套件PaddleOCR全新发布PP-StructureV2智能文档分析系统,支持一行命令实现PDF转Word功能,文字、表格、标题、图片都可完整恢复,一键实现PDF编辑自由!
图1 PDF文件转Word文件效果图
PP-StructureV2智能文档分析系统升级点包括以下2方面:
- 系统功能升级 :新增图像矫正和版面复原模块,支持标准格式pdf和图片格式pdf解析!
- 系统性能优化 :
- 版面分析:发布轻量级版面分析模型,速度提升11倍,平均CPU耗时仅需41ms!
- 表格识别:设计3大优化策略,预测耗时不变情况下,模型精度提升6%。
- 关键信息抽取:设计视觉无关模型结构,语义实体识别精度提升2.8%,关系抽取精度提升超过9.1%。
- GitHub传送门:https://github.com/PaddlePaddle/PaddleOCR
2.PP-StructureV2
智能文档分析系统优化策略概述
PP-StructureV2系统流程图如下所示,文档图像首先经过图像矫正模块,判断整图方向并完成转正,随后可以完成版面信息分析与关键信息抽取2类任务。
图2 PP-StructureV2系统流程图
从算法改进思路来看,对系统中的3个关键子模块,共进行了8个方面的改进:
☆版面分析
- PP-PicoDet:轻量级版面分析模型
- FGD:兼顾全局与局部特征的模型蒸馏算法
☆表格识别
- PP-LCNet: CPU友好型轻量级骨干网络
- CSP-PAN:轻量级高低层特征融合模块
- SLAHead:结构与位置信息对齐的特征解码模块
☆关键信息抽取
- VI-LayoutXLM:视觉特征无关的多模态预训练模型结构
- TB-YX:考虑阅读顺序的文本行排序逻辑
- UDML:联合互学习知识蒸馏策略
最终,与PP-StructureV1相比:
- 版面分析模型参数量减少95%,推理速度提升11倍,精度提升0.4%;
- 表格识别预测耗时不变,模型精度提升6%,端到端TEDS提升2%;
- 关键信息抽取模型速度提升2.8倍,语义实体识别模型精度提升2.8%;关系抽取模型精度提升9.1%。
具体的改进策略解读请参考本文最后一节
3.PP-StructureV2
智能文档分析系统整体介绍
3.1 版面分析与恢复
版面分析指的是对图片形式的文档进行区域划分,定位其中的关键区域,如文字、标题、表格、图片等。在PP-StructureV1中,使用了PaddleDetection中开源的高效检测算法PP-YOLOv2完成版面分析的任务。在PP-StructureV2中,我们发布基于PP-PicoDet的轻量级版面分析模型,针对版面分析场景定制图像尺度,同时使用FGD知识蒸馏算法,进一步提升模型精度,最终CPU上41ms即可完成版面分析。
图3 版面分析效果图(分类为文字、图片、表格、图注、标注等)
3.2 表格识别
基于深度学习的表格识别算法种类丰富,PP-StructureV1基于文本识别算法RARE研发了端到端表格识别算法TableRec-RARE,模型输出为表格结构的HTML表示,进而可以方便地转化为Excel文件。TableRec-RARE中,图像输入到骨干网络后会得到四个不同尺度的特征图,分别为C2(1/4),C3(1/8),C4(1/16),C5(1/32),Head特征解码模块将C5作为输入,并输出表格结构信息和单元格坐标。
本次升级过程中,我们对模型结构和损失函数等5个方面进行升级,提出了 SLANet (Structure Location Alignment Network) ,模型结构如下图所示,详细解读请参考技术报告。
图4 SLANet模型结构图
可视化结果如下,左为输入图像[1],右为识别的HTML表格结果
图5 可视化结果
在PubtabNet英文表格识别数据集上,和其他方法对比如下。SLANet平衡精度与模型大小,推理速度最快,能够适配更多应用场景:
表1 SLANet模型与其他模型效果对比
策略 |
Acc |
TEDS |
推理速度(CPU+MKLDNN) |
模型大小 |
TableMaster |
77.9% |
96.12% |
2144ms |
253M |
TableRec-RARE |
73.8% |
95.3% |
1550ms |
8.7M |
SLANet |
76.31% |
95.89% |
766ms |
9.2M |
测试环境:飞桨版本为2.3.1,CPU为Intel(R) Xeon(R) Gold 6148 CPU @ 2.40GHz,开启mkldnn,线程数为10。
3.3关键信息抽取
关键信息抽取指的是针对文档图像的文字内容,提取出用户关注的关键信息,如身份证中的姓名、住址等字段。PP-Structure中支持了基于多模态LayoutLM系列模型的语义实体识别 (Semantic Entity Recognition, SER) 以及关系抽取 (Relation Extraction, RE) 任务。PP-StructureV2中,我们对模型结构以及下游任务训练方法进行升级,提出了VI-LayoutXLM(Visual-feature Independent LayoutXLM),具体流程图如下所示。
图6 关键信息抽取流程图
图7 语义实体识别与关系抽取效果图[2]
在XFUND数据集上,与其他方法的效果对比如下所示。
表2 VI-LayoutXLM模型与其他模型效果对比
模型 |
SER Hmean |
RE Hmean |
LayoutLMv2-base |
85.44% |
67.77% |
LayoutXLM-base |
89.24% |
70.73% |
StrucTexT-large |
92.29% |
86.81% |
VI-LayoutXLM-base (ours) |
93.19% |
83.92% |
4.社区开发者开发
PDF转Word应用程序
飞桨社区开发者吴泓晋(GitHubID:whjdark)基于最新发布的PP-StructureV2智能文档分析系统,开发了一款PDF转Word小工具,导入PDF文件可一键转换为可编辑Word,支持文字、表格、标题、图片的完整恢复。
图8 PDF文件转Word文件操作流程演示
软件的使用十分简单,下载后解压exe文件,打开图片或PDF文件,点击转换后可对图片型PDF文件进行OCR识别得到Word文件,或者通过PDF解析功能直接获得转换后的Word。