如何使用Amazon Textract检测文档中的删除线标记

原生能力边界 #

• 直接调用Textract的默认文本检测接口（包括DetectDocumentText、AnalyzeDocument基础文本模块），无法直接返回删除线标记结果：这类接口只会输出识别到的文本内容、文本块坐标、识别置信度，不会原生标注文本是否带有删除线、下划线这类格式属性。

可落地的检测实现方案 #

你可以通过组合Textract的现有能力实现删除内容检测，针对学生作业上手绘删除线的场景，有两类成熟可行的方案：

• 基于几何位置匹配的规则检测
  调用AnalyzeDocument接口时开启全要素检测，拿到两类返回结果：一是所有识别到的单词、文本行的边界框坐标；二是文档内所有识别到的线条元素（包括手绘横线、印刷线条）。后续通过固定规则做匹配即可：
  1. 筛选出方向接近水平、长度和对应文本段宽度差值在合理区间的线条
  2. 判断线条的垂直坐标是否落在目标文本块的垂直高度范围内
  3. 当线条和文本块的水平重叠度超过设定阈值（通常设为60%即可适配大部分手绘歪扭的删除线），即可判定对应文本为被删除的内容
     这个方案可控性强，针对手写作业场景的准确率可以达到实用标准。
• 基于自定义查询的低代码检测
  如果不想开发复杂的坐标匹配逻辑，可以在调用AnalyzeDocument时启用Queries功能，传入自定义查询指令找出文档中所有被横线划掉的作废文本，Textract会基于内置的文档理解能力直接返回匹配到的删除内容，开发量极低，适合快速验证场景。

优化注意点 #

• 不要单独靠文本识别置信度判断删除内容：只要被划掉的文字本身字迹清晰，Textract返回的识别置信度依然会维持在较高水平，单靠置信度筛选会出现大量漏判。
• 如果手绘删除线和文字笔画重叠度极高，可以在调用Textract前先对文档做二值化、形态学操作的预处理，提前分离细线条和文字笔画，能有效降低误判率。

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