DocumentsOcrForAttribution. Автоматическое атрибутирование разнотипных документов

[AntonIV8]

В ходе итерации необходимо разработать систему, которая будет определять значение заданного перечня атрибутов в документах (например ФИО, Дата подписания, От кого и т.д).

• Документы в формате pdf.
• Структура документов заранее неизвестна и может быть любой.
• Значения атрибутов могут быть написаны от руки.

Система состоит из трех сервисов:

DocumentsOcrForAttribution - основной Net7 сервис. Принимает документ и список определяемых атрибутов через Web-api запрос (например через Postman). Реализует алгоритм работы системы, обращается к сервису Ocr и ИИ-классификатору. В своей логике содержит алгоритм, который определяет слова, которые потенциально могут быть значениями искомого атрибута. Алгоритм основывается на положении атрибута в документе и радиусу поиска возможных значений. В ответе на запрос пользователя выдает результат определения значения указанных атрибутов в документе.

OCR - сервис распознавания документом. Строится на основе Paddle OCR. Принимает документ от основного сервиса DocumentsOcrForAttribution и в ответе выдает распознанный текст с координатами. OCR сервис ничего не знает об атрибутах, он просто выполняет свое базовое распознавание текста.

AttributeClassifier - сервис на основе Pytorch. Сервис помогает определить основному сервису DocumentsOcrForAttribution к какому типу относятся потенциальные значения искомого атрибута. Например что из списка слов является ФИО, датой, адресом, цветом, денежной суммой и т.д

Все три сервиса должны запускатсья в docker и общаться между собой посредством web-api запросов.

Схема работы системы

Алгоритм нахождения значений искомого атрибута