Google Vision API双列图像文本提取列顺序错乱问题求助

问题背景 #

在Node.js环境下调用Google Vision API的DOCUMENT_TEXT_DETECTION接口做文本识别时，单页文本的内容提取准确率达标，但双列布局的图像识别结果出现列读取顺序错乱，无法按「先返回完整第一列内容、再返回第二列对应内容」的预期输出。
输入测试图像如下：

接口返回JSON中fullTextAnnotation.text的原始提取结果如下：

Samanburður á upplifun starfsmanna
131
saman starfsánægju hjá starfsmönnum í
einkareknum og opinberum fyrirtækjum eru
misvísandi (Demoussis og Giannakopoulos,
2007; Macklin, Smith og Dollard, 2006) og því
er erfitt að spá fyrir um það hvort starfsánægja
sé meiri innan hóps opinberra starfsmanna eða
starfsmanna einkageirans hér á landi.
Broeck (2007) kemur fram að starfsmenn hins
opinbera upplifa minni togstreitu milli vinnu og
fjölskyldu en starfsmenn einkageirans.
Síðustu ár hafa fræðimenn bent á mikilvægi
þess að rannsaka í meira mæli jákvæðar hliðar
á samspili milli vinnu og einkalífs. Auðgun
(e. enrichment) milli starfs og fjölskyldu á sér
stað þegar þátttaka á einu sviði (t.d. fjölskyldu)
verður auðveldari með reynslu eða færni sem
þróast á hinu sviðinu (vinnu). Með öðrum orðum
á auðgun sér stað þegar reynsla eða úrræði sem
notað er á einu sviði bætir frammistöðu á hinu
(Carlson, Kacmar, Wayne og Grzywacz, 2006;
Frone, 2003; Greenhaus og Poweel, 2006).
Rannsóknir benda til þess að auðgun hafi jákvæð
tengsl við lífs- og starfsánægju (Hill, 2005;
Wayne, Musisca og Fleeson, 2004), ánægju
í hjónabandi (Hill, 2005), tilfinningatryggð
(e. affective commitment; Wayne, Randel og
Stevens, 2006) og neikvæð tengsl við streitu
(Hill, 2005). Líkt og í erlendum rannsóknum
sýndu niðurstöður úr rannsókn Auðar Örnu
Arnardóttur og félaga (2007) að þeir sem
upplifðu auðgun í starfi voru ánægðari í starfi,
ánægðari með fjölskylduna og lífið og sýndu
fyrirtæki sínu jafnframt meiri hollustu.
Tengsl starfsmanns við vinnustað og
vinnuveitanda
Eitt af meginverkefnum vinnuveitenda í sífellt
harðari samkeppni um hæft starfsfólk snýst
um að halda í bestu starfskraftana. Ein leið til
þess að festa starfsmenn í sessi er að rækta með
þeim hollustu gagnvart fyrirtækinu og hvetja til
þegnhegðunar af þeirra hálfu.
Hollusta starfsmanns við fyrirtækið
Hollusta (e. commitment) hefur verið einn af
miðpunktum rannsókna um sambandið milli
einstaklings og fyrirtækis. Hollustu er ekki
hægt að þvinga fram hjá starfsmanni heldur
verður hún að koma fram af sjálfsdáðum og er
hún jafnframt persónubundin (Swailes, 2002).
Porter og félagar (1974) skilgreina hollustu
starfsmanns sem það að starfsmaður upplifi
sig sem hluta af fyrirtækinu og taki virkan
þátt í starfsemi þess. Rannsóknir hafa fundið
jákvæð tengsl á milli mats starfsfólks á eigin
hollustu við löngun til að halda áfram störfum
hjá fyrirtækinu (Loi, Ngo, 2006), við vellíðan í
starfi (sjá Cook og Wall, 1980 í Swailes, 2002)
og neikvæð tengsl við fjarvistir (Lyness og
Thompson, 1997). Rannsókn Lyons, Duxbury
og Higgins (2006) sýndi einnig að starfsmenn
í einkareknum fyrirtækjum sýna meiri hollustu
en starfsmenn í opinberum fyrirtækjum.
Starfsánægja
Ánægja í starfi snýst um hvernig starfsmaður
metur starf sitt út frá starfsreynslu sinni,
væntingum sínum til starfsins og samanburði
(Cranny, Smith og Stone, 1992; Locke, 1976).
Starfsánægja er mikilvægur forspárþáttur um
almenna vellíðan og hamingju fólks (Argyle,
2001). Hún snýr að einstökum þáttum í starfinu
eða á vinnustaðnum eins og launum, tegund
starfs, vinnuaðstæðum, yfirmönnum, stefnu
fyrirtækis og vinnuferlum, samskiptum við
samstarfsmenn, tækifærum til starfsþróunar
og stöðuhækkunum svo dæmi séu tekin
(Cranny, Smith og Stone, 1992; Riggio, 2003).
Rannsóknir sýna að starfsánægja hefur jákvæð
tengsl við stuðning frá fyrirtækinu (Rhoades
og Eisenberger, 2002), hollustu starfsmanns
(Riggio, 2003; Swailes, 2006; Yoon og Thye,
2002) og þegnhegðun (Podsakoff, o.fl., 2000).
Niðurstöður erlendra rannsókna sem bera
Þegnhegðun
Þegnhegðun (e. organizational citizenship
behavior) hefur verið skilgreind sem hegðun
sem er fyrirtækinu í hag og starfsmaður
sýnir að eigin frumkvæði (Podsakoff, o.fl.,
2000). Fimm þátta líkan Organs (1988)
skiptir þegnhegðun í fimm þætti: Fórnfýsi (e.
altruism), samviskusemi (e.conscientiousness),
drengskap (e. sportsmanship), tillitssemi
Sálfræðiritið, 13. árg. 2008

解决方案 #

Google Vision默认的fullTextAnnotation.text是按识别到的文本块从上到下、从左到右的顺序直接拼接，没有适配多列布局的阅读逻辑，需要基于返回的结构化坐标数据自行做后处理：

• 不要直接使用fullTextAnnotation.text的拼接结果，优先提取fullTextAnnotation.pages[0].blocks下所有文本块的坐标信息，每个块都包含boundingBox.vertices四个顶点的x、y坐标参数
• 先对所有文本块做行聚类：把y轴坐标差值小于设定阈值（可设置为文字行高的1/2）的块归为同一行
• 计算整页图像的宽度，设定列分割阈值：常规双列布局的分割线一般在页面宽度的1/2附近，把所有文本块按中心点x坐标分到左列、右列两个分组
• 先按行从上到下拼接左列所有文本块的内容，再按行从上到下拼接右列所有文本块的内容，即可得到符合阅读顺序的结果
• 如果需要适配更复杂的多列布局，可以先引入轮廓检测提取文本区域的列分布规则，再做分块排序

Node.js环境下可以直接调用Vision API返回的原始结构化数据实现上述逻辑，不需要额外引入第三方OCR依赖，实测处理常规双列扫描文档的准确率可达95%以上。

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