chore: archive extract-table-cell-boxes proposal

Archived the extract-table-cell-boxes proposal which implemented: - Table cell boxes extraction from PP-StructureV3 table_res_list - Layered rendering for tables with cell borders - CV-based table line detection (disabled) - Scan artifact removal preprocessing - PDF orientation detection for rotated documents 🤖 Generated with [Claude Code](https://claude.com/claude-code) Co-Authored-By: Claude <noreply@anthropic.com>
2025-11-30 14:22:29 +08:00
parent 6252be6c6f
commit 6806fff1d5
3 changed files with 0 additions and 0 deletions
--- a/openspec/changes/archive/2025-11-30-extract-table-cell-boxes/specs/ocr-processing/spec.md
+++ b/openspec/changes/archive/2025-11-30-extract-table-cell-boxes/specs/ocr-processing/spec.md
@@ -0,0 +1,132 @@
+# Spec: OCR Processing - Table Cell Boxes Extraction
+
+## Overview
+
+在 OCR Track 處理表格時，補充調用 PaddleX 底層 SLANeXt 模型，獲取每個 cell 的座標信息。
+
+## Requirements
+
+### 1. 模型管理
+
+#### 1.1 模型緩存
+```python
+class PPStructureEnhanced:
+    def __init__(self, structure_engine):
+        self.structure_engine = structure_engine
+        # 底層模型緩存
+        self._table_cls_model = None
+        self._wired_table_model = None
+        self._wireless_table_model = None
+```
+
+#### 1.2 延遲載入
+- 模型只在首次需要時載入
+- 使用 `paddlex.create_model()` API
+- 模型配置從 settings 讀取
+
+### 2. Cell Boxes 提取流程
+
+#### 2.1 處理條件
+當 `mapped_type == ElementType.TABLE` 且有有效的 `block_bbox` 時觸發。
+
+#### 2.2 處理步驟
+
+```
+1. 裁切表格圖片
+   - 從原始圖片中根據 block_bbox 裁切
+   - 確保邊界不超出圖片範圍
+
+2. 判斷表格類型 (可選)
+   - 調用 PP-LCNet_x1_0_table_cls
+   - 獲取 wired/wireless 分類結果
+   - 或直接使用 PPStructureV3 內部的分類結果
+
+3. 調用對應 SLANeXt 模型
+   - wired → SLANeXt_wired
+   - wireless → SLANeXt_wireless
+
+4. 提取 cell boxes
+   - 從 result.json['res']['bbox'] 獲取
+   - 格式: [[x1,y1,x2,y2,x3,y3,x4,y4], ...]
+
+5. 座標轉換
+   - 將相對座標轉為全域座標
+   - global_box = [box[i] + offset for each point]
+   - offset = (table_x, table_y) from block_bbox
+
+6. 存入 element
+   - element['cell_boxes'] = processed_boxes
+   - element['cell_boxes_format'] = 'polygon_8'
+```
+
+### 3. 數據格式
+
+#### 3.1 Cell Boxes 結構
+```python
+element = {
+    'element_id': 'pp3_0_3',
+    'type': ElementType.TABLE,
+    'bbox': [84, 269, 1174, 1508],  # 表格整體 bbox
+    'content': '<html>...</html>',   # HTML 內容
+    'cell_boxes': [                  # 新增：cell 座標
+        [95, 273, 776, 274, 759, 326, 94, 325],  # cell 0 (全域座標)
+        [119, 296, 575, 295, 560, 399, 117, 401], # cell 1
+        # ...
+    ],
+    'cell_boxes_format': 'polygon_8',  # 座標格式說明
+    'table_type': 'wired',  # 可選：表格類型
+}
+```
+
+#### 3.2 座標格式
+- `polygon_8`: 8 點多邊形 `[x1,y1,x2,y2,x3,y3,x4,y4]`
+- 順序：左上 → 右上 → 右下 → 左下
+
+### 4. 錯誤處理
+
+#### 4.1 失敗情況
+- 模型載入失敗
+- 圖片裁切失敗
+- 預測返回空結果
+
+#### 4.2 處理方式
+- 記錄警告日誌
+- 繼續處理，element 不包含 cell_boxes
+- 不影響原有 HTML 提取流程
+
+### 5. 配置項
+
+```python
+# config.py
+class Settings:
+    # 是否啟用 cell boxes 提取
+    enable_table_cell_boxes_extraction: bool = True
+
+    # 表格結構識別模型 (已存在)
+    wired_table_model_name: str = "SLANeXt_wired"
+    wireless_table_model_name: str = "SLANeXt_wireless"
+```
+
+## Implementation Notes
+
+### 模型共享
+PPStructureV3 內部已載入了這些模型，但高層 API 不暴露。
+直接使用 `paddlex.create_model()` 會重新載入模型。
+考慮是否可以訪問 PPStructureV3 內部的模型實例（經測試：不可行）。
+
+### 性能優化
+- 模型實例緩存在 PPStructureEnhanced 中
+- 避免每次處理表格都重新載入模型
+- 考慮在內存緊張時釋放緩存
+
+### 座標縮放
+如果圖片在 Layout 分析前經過縮放（ScalingInfo），
+cell boxes 座標也需要相應縮放回原始座標系。
+
+## Test Cases
+
+1. **有線表格**：確認 cell boxes 提取正確
+2. **無線表格**：確認模型選擇和提取正確
+3. **複雜表格**：跨行跨列的表格
+4. **小表格**：cell 數量少的簡單表格
+5. **錯誤處理**：無效 bbox、模型失敗等情況