Document AI自定义处理器单字母识别失败及训练报错咨询

当使用Google Document AI自定义处理器解析含单字母字段的政府文档（如护照性别字段的F/M）时，常遇到自动识别失败、手动标注后训练报错的情况，报错核心是entities.text_anchor.text_segments字段缺失（num_fields为0）。以下是针对性解决方法：

• 精准设置标注文本锚点：手动标注单字母值时，必须完整框选文档中的目标单字母，确保标注工具生成有效的text_segments关联。Document AI要求所有标注实体必须绑定文档内的具体文本片段，仅输入值而未关联文本锚点会触发验证错误。
• 调整处理器Schema配置：在处理器的实体定义中，明确单字母字段的value_type为TEXT，保证训练标注数据与Schema要求严格匹配，避免因字段类型不兼容导致的锚点校验失败。
• 规范标注团队操作流程：给标注人员明确要求，针对单字母字段需精准选中对应字符，可通过放大文档区域确保框选范围覆盖完整字母，避免因框选范围偏差导致文本锚点未被正确捕获。
• 优化OCR预处理器配置：在自定义处理器前添加OCR预处理器，调整字符识别阈值，针对单字母场景优化识别精度，确保OCR能准确识别并输出单字母文本，为后续标注提供有效文本片段。
• 检查训练文档的OCR质量：若报错文档的OCR结果未包含目标单字母，手动标注也无法生成有效文本锚点。此时需先优化图像质量（如调整清晰度、对比度），重新运行OCR后再进行标注和训练。

报错信息详情 #

"code": 3,
"message": "Invalid document.",
"details": [
{
  "@type": "type.googleapis.com/google.rpc.ErrorInfo",
  "reason": "INVALID_DOCUMENT",
  "domain": "documentai.googleapis.com",
  "metadata": {
    "document": "XXX/61275_D88_FIN_46.JPG",
    "num_fields_needed": "1",
    "field_name": "entities.text_anchor.text_segments",
    "annotation_name": "Gender",
    "num_fields": "0"
  }
}
]

内容的提问来源于stack exchange，提问作者Stefan Walther