6806fff1d5
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>
133 lines
3.6 KiB
Markdown
133 lines
3.6 KiB
Markdown
# 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
|