Wat is het document intelligence-indelingsmodel?

Deze inhoud is van toepassing op:v4.0 (GA) | Vorige versies:v3.1 (GA)v3.0 (buiten gebruik stellen)v2.1 (buiten gebruik stellen)

Het indelingsmodel Azure Document Intelligence in Foundry Tools is een geavanceerde API voor documentanalyse op basis van machine learning. Het model is beschikbaar in de Document Intelligence-cloud. U kunt het gebruiken om documenten in verschillende indelingen te verwerken en gestructureerde gegevensweergaven van de documenten te retourneren. Het model combineert een verbeterde versie van de krachtige OCR-mogelijkheden (Optical Character Recognition) met deep learning-modellen om tekst, tabellen, selectiemarkeringen en documentstructuur te extraheren.

Indelingsanalyse van documentstructuur

Indelingsanalyse van documentstructuur is het proces van het analyseren van een document om interessegebieden en hun onderlinge relaties te extraheren. Het doel is om tekst en structurele elementen van de pagina te extraheren om betere semantische begripsmodellen te maken. Er zijn twee typen rollen in een documentindeling:

• Geometrische rollen: Tekst, tabellen, afbeeldingen en selectiemarkeringen zijn voorbeelden van geometrische rollen.
• Logische rollen: Titels, koppen en voetteksten zijn voorbeelden van logische rollen van teksten.

In de volgende afbeelding ziet u de typische onderdelen in een afbeelding van een voorbeeldpagina.

Ontwikkelopties

Document Intelligence v4.0: 2024-11-30 (GA) ondersteunt de volgende hulpprogramma's, toepassingen en bibliotheken.

Ondersteunde talen

Zie Taalondersteuning: Documentanalysemodellen voor een volledige lijst met ondersteunde talen.

Ondersteunde bestandstypen

Document Intelligence v4.0: indelingsmodel 2024-11-30 (GA) ondersteunt de volgende bestandsindelingen:

Invoervereisten

• Foto's en scans: geef één duidelijke foto of een hoogwaardige scan per document op voor de beste resultaten.
• PDF's en TIFF's: Voor PDF-bestanden en TIFF's kunnen maximaal 2000 pagina's worden verwerkt. (Met een abonnement op de gratis laag worden alleen de eerste twee pagina's verwerkt.)
• Wachtwoordvergrendelingen: als uw PDF-bestanden zijn vergrendeld met een wachtwoord, moet u de vergrendeling verwijderen voordat u ze inzendt.
• Bestandsgrootte: de bestandsgrootte voor het analyseren van documenten is 500 MB voor de betaalde laag (S0) en 4 MB voor de gratis laag (F0).
• Afbeeldingsafmetingen: De afmetingen van de afbeelding moeten tussen 50 pixels x 50 pixels en 10.000 pixels x 10.000 pixels zijn.
• Teksthoogte: de minimale hoogte van de tekst die moet worden geëxtraheerd, is 12 pixels voor een afbeelding van 1024 x 768 pixels. Deze dimensie komt overeen met ongeveer 8-punts tekst bij 150 punten per inch.
• Aangepaste modeltraining: Het maximum aantal pagina's voor trainingsgegevens is 500 voor het aangepaste sjabloonmodel en 50.000 voor het aangepaste neurale model.
• Aangepaste training voor extractiemodellen: de totale grootte van trainingsgegevens is 50 MB voor het sjabloonmodel en 1 GB voor het neurale model.
• Training voor aangepast classificatiemodel: de totale grootte van trainingsgegevens is 1 GB met maximaal 10.000 pagina's. Voor 2024-11-30 (GA) is de totale grootte van trainingsgegevens 2 GB met maximaal 10.000 pagina's.
• Office-bestandstypen (DOCX, XLSX, PPTX): de maximale tekenreekslengte is 8 miljoen tekens.

Zie Servicelimieten voor meer informatie over modelgebruik, quota en servicelimieten.

Aan de slag met het indelingsmodel

Bekijk hoe gegevens, waaronder tekst, tabellen, tabelkoppen, selectiemarkeringen en structuurgegevens, worden geëxtraheerd uit documenten met behulp van Document Intelligence. U hebt de volgende resources nodig:

• Een Azure-abonnement. U kunt er gratis een maken.

• Een Document Intelligence-exemplaar in de Azure-portal. U kunt de gratis prijscategorie (F0) gebruiken om de service uit te proberen. Nadat uw resource is geïmplementeerd, selecteert u Ga naar de resource om uw sleutel en eindpunt op te halen.

  

Nadat u uw sleutel en eindpunt hebt opgehaald, gebruikt u de volgende ontwikkelopties om uw Document Intelligence-toepassingen te bouwen en te implementeren.

Gegevensextractie

Het indelingsmodel extraheert structurele elementen uit uw documenten. De volgende structurele elementen worden beschreven in de rest van dit artikel, samen met richtlijnen voor het extraheren van deze elementen uit uw documentinvoer:

• Pagina's
• Paragrafen
• Tekst, regels en woorden
• Selectiemarkeringen
• Tabellen
• Uitvoerrespons naar Markdown
• Afbeeldingen
• Secties

Voer de analyse van de lay-out van het voorbeelddocument in Document Intelligence Studio uit. Ga vervolgens naar het tabblad Resultaten en open de volledige JSON-uitvoer.

Pagina's

De pages verzameling is een lijst met pagina's in het document. Elke pagina wordt sequentieel weergegeven in het document en bevat de richtingshoek, die aangeeft of de pagina wordt gedraaid en de breedte en hoogte (afmetingen in pixels). De pagina-eenheden in de modeluitvoer worden berekend zoals weergegeven in de volgende tabel.

# Analyze pages.
for page in result.pages:
print(f"----Analyzing layout from page #{page.page_number}----")
print(f"Page has width: {page.width} and height: {page.height}, measured with unit: {page.unit}")

"pages": [
    {
        "pageNumber": 1,
        "angle": 0,
        "width": 915,
        "height": 1190,
        "unit": "pixel",
        "words": [],
        "lines": [],
        "spans": []
    }
]

Geselecteerde pagina's extraheren

Voor grote documenten met meerdere pagina's gebruikt u de pages queryparameter om specifieke paginanummers of paginabereiken aan te geven voor tekstextractie.

Paragrafen

Met het indelingsmodel worden alle geïdentificeerde tekstblokken in de verzameling geëxtraheerd als een object op het paragraphs hoogste niveau onder analyzeResults. Elke vermelding in deze verzameling vertegenwoordigt een tekstblok en bevat de geëxtraheerde tekst als content en de begrenzingscoördinaten polygon . De spans informatie verwijst naar het tekstfragment in de eigenschap op het hoogste niveau content die de volledige tekst uit het document bevat.

"paragraphs": [
    {
        "spans": [],
        "boundingRegions": [],
        "content": "While healthcare is still in the early stages of its Al journey, we are seeing pharmaceutical and other life sciences organizations making major investments in Al and related technologies.\" TOM LAWRY | National Director for Al, Health and Life Sciences | Microsoft"
    }
]

Alinearollen

Met de nieuwe paginaobjectdetectie op basis van machine learning worden logische rollen geëxtraheerd, zoals titels, sectiekoppen, paginakopteksten, paginavoetteksten en meer. Met het Document Intelligence-indelingsmodel worden bepaalde tekstblokken in de paragraphs verzameling toegewezen met hun gespecialiseerde rol of type dat door het model wordt voorspeld.

U kunt het beste alinearollen met ongestructureerde documenten gebruiken om inzicht te verkrijgen in de indeling van de geëxtraheerde inhoud voor een uitgebreidere semantische analyse. De volgende paragraafrollen worden ondersteund.

{
    "paragraphs": [
                {
                    "spans": [],
                    "boundingRegions": [],
                    "role": "title",
                    "content": "NEWS TODAY"
                },
                {
                    "spans": [],
                    "boundingRegions": [],
                    "role": "sectionHeading",
                    "content": "Mirjam Nilsson"
                }
    ]
}

Tekst, regels en woorden

Het documentindelingsmodel in Document Intelligence extraheert tekst in afdruk- en handgeschreven stijl als lines en words. De styles verzameling bevat een handgeschreven stijl voor lijnen, indien gedetecteerd, samen met de reeksen die verwijzen naar de bijbehorende tekst. Deze functie is van toepassing op ondersteunde handgeschreven talen.

Voor Microsoft Word, Excel, PowerPoint en HTML worden met het indelingsmodel Document Intelligence v4.0 2024-11-30 (GA) alle ingesloten tekst geëxtraheerd. Teksten worden opgedeeld in woorden en alinea's. Ingesloten afbeeldingen worden niet ondersteund.

# Analyze lines.
if page.lines:
    for line_idx, line in enumerate(page.lines):
    words = get_words(page, line)
    print(
        f"...Line # {line_idx} has word count {len(words)} and text '{line.content}' "
        f"within bounding polygon '{line.polygon}'"
    )

    # Analyze words.
    for word in words:
        print(f"......Word '{word.content}' has a confidence of {word.confidence}")

"words": [
    {
        "content": "While",
        "polygon": [],
        "confidence": 0.997,
        "span": {}
    },
],
"lines": [
    {
        "content": "While healthcare is still in the early stages of its Al journey, we",
        "polygon": [],
        "spans": [],
    }
]

Handgeschreven stijl voor tekstregels

Het antwoord bevat of elke tekstregel een handgeschreven stijl heeft of niet, samen met een betrouwbaarheidsscore. Zie Handgeschreven taalondersteuning voor meer informatie. In het volgende voorbeeld ziet u een voorbeeld van een JSON-fragment.

"styles": [
{
    "confidence": 0.95,
    "spans": [
    {
        "offset": 509,
        "length": 24
    }
    "isHandwritten": true
    ]
}

Als u de mogelijkheid voor de invoegtoepassing lettertype/stijl inschakelt, krijgt u ook het resultaat lettertype/stijl als onderdeel van het styles object.

Selectietekens

Het indelingsmodel extraheert ook selectiemarkeringen uit documenten. Geëxtraheerde selectiemarkeringen worden weergegeven in de pages verzameling voor elke pagina. Ze bevatten de begrenzing polygon, confidence, en selectie state (selected/unselected). De tekstweergave (dat wil gezegd :selected: en :unselected) wordt ook opgenomen als de beginindex (offset) en length die verwijst naar de eigenschap op het hoogste niveau content die de volledige tekst uit het document bevat.

# Analyze selection marks.
if page.selection_marks:
    for selection_mark in page.selection_marks:
        print(
            f"Selection mark is '{selection_mark.state}' within bounding polygon "
            f"'{selection_mark.polygon}' and has a confidence of {selection_mark.confidence}"
        )

{
    "selectionMarks": [
        {
            "state": "unselected",
            "polygon": [],
            "confidence": 0.995,
            "span": {
                "offset": 1421,
                "length": 12
            }
        }
    ]
}

Tabellen

Het extraheren van tabellen is een belangrijke vereiste voor het verwerken van documenten die grote hoeveelheden gegevens bevatten die doorgaans zijn opgemaakt als tabellen. Het indelingsmodel extraheert tabellen in de pageResults sectie van de JSON-uitvoer. Geëxtraheerde tabelgegevens bevatten het aantal kolommen en rijen, rijspanne en kolomspanne.

Elke cel met zijn begrenzingsveelhoek wordt geëxporteerd, samen met de informatie of het gebied als columnHeader wordt herkend of niet. Het model ondersteunt het extraheren van tabellen die worden gedraaid. Elke tabelcel bevat de rij- en kolomindex en begrenzingspogoncoördinaten. Voor de celtekst voert het model de span informatie uit die de beginindex (offset) bevat. Het model geeft ook de length weer binnen topniveau-content die de volledige tekst van het document bevat.

Hier volgen enkele factoren die u moet overwegen wanneer u de mogelijkheid voor extractie van documentinformatiebalen gebruikt:

• Zijn de gegevens die u wilt ophalen als een tabel en is de tabelstructuur zinvol?
• Kunnen de gegevens in een tweedimensionaal raster passen als de gegevens niet in een tabelindeling zijn opgenomen?
• Beslaan uw tabellen meerdere pagina's? Zo ja, om te voorkomen dat u alle pagina's moet labelen, splitst u het PDF-bestand op in pagina's voordat u het naar Document Intelligence verzendt. Na de analyse worden de pagina's verwerkt tot één tabel.
• Zie Tabellaire velden als u aangepaste modellen maakt. Dynamische tabellen hebben een variabel aantal rijen voor elke kolom. Vaste tabellen hebben een constant aantal rijen voor elke kolom.

if result.tables:
    for table_idx, table in enumerate(result.tables):
        print(f"Table # {table_idx} has {table.row_count} rows and " f"{table.column_count} columns")
        if table.bounding_regions:
            for region in table.bounding_regions:
                print(f"Table # {table_idx} location on page: {region.page_number} is {region.polygon}")
        # Analyze cells.
        for cell in table.cells:
            print(f"...Cell[{cell.row_index}][{cell.column_index}] has text '{cell.content}'")
            if cell.bounding_regions:
                for region in cell.bounding_regions:
                print(f"...content on page {region.page_number} is within bounding polygon '{region.polygon}'")

{
    "tables": [
        {
            "rowCount": 9,
            "columnCount": 4,
            "cells": [
                {
                    "kind": "columnHeader",
                    "rowIndex": 0,
                    "columnIndex": 0,
                    "columnSpan": 4,
                    "content": "(In millions, except earnings per share)",
                    "boundingRegions": [],
                    "spans": []
                    },
            ]
        }
    ]
}

Antwoorduitvoer in Markdown-formaat

De indelings-API kan de geëxtraheerde tekst uitvoeren in Markdown-indeling. Gebruik de outputContentFormat=markdown opdracht om de uitvoerindeling op te geven in Markdown. De Markdown-inhoud wordt uitgevoerd als onderdeel van de content sectie.

document_intelligence_client = DocumentIntelligenceClient(endpoint=endpoint, credential=AzureKeyCredential(key))
poller = document_intelligence_client.begin_analyze_document(
    "prebuilt-layout",
    AnalyzeDocumentRequest(url_source=url),
    output_content_format=ContentFormat.MARKDOWN,
)

PageHeader="This is the header of the document."

This is title
===
# 1\. Text
Latin refers to an ancient Italic language originating in the region of Latium in ancient Rome.
# 2\. Page Objects
## 2.1 Table
Here's a sample table below, designed to be simple for easy understand and quick reference.
| Name | Corp | Remark |
| - | - | - |
| Foo | | |
| Bar | Microsoft | Dummy |
Table 1: This is a dummy table
## 2.2. Figure
<figure>
<figcaption>

Figure 1: Here is a figure with text
</figcaption>

![](figures/0)
FigureContent="500 450 400 400 350 250 200 200 200- Feb"
</figure>

# 3\. Others
Al Document Intelligence is an Al service that applies advanced machine learning to extract text, key-value pairs, tables, and structures from documents automatically and accurately:
    :selected:
clear
    :selected:
precise
    :unselected:
vague
    :selected:
coherent
    :unselected:
Incomprehensible
Turn documents into usable data and shift your focus to acting on information rather than compiling it. Start with prebuilt models or create custom models tailored to your documents both on premises and in the cloud with the Al Document Intelligence studio or SDK.
Learn how to accelerate your business processes by automating text extraction with Al Document Intelligence. This webinar features hands-on demos for key use cases such as document processing, knowledge mining, and industry-specific Al model customization.
PageFooter="This is the footer of the document."
PageFooter="1 | Page"

Afbeeldingen

Afbeeldingen (grafieken en afbeeldingen) in documenten spelen een cruciale rol bij het aanvullen en verbeteren van de tekstuele inhoud. Ze bieden visuele representaties die helpen bij het begrijpen van complexe informatie. Het figures object dat door het indelingsmodel wordt gedetecteerd, heeft belangrijke eigenschappen zoals:

• boundingRegions: De ruimtelijke locaties van de afbeelding op de documentpagina's, inclusief het paginanummer en de veelhoekcoördinaten die de grens van de afbeelding aangeven.
• spans: De tekstgedeelten met betrekking tot de afbeelding specificeren hun offsets en lengten binnen de tekst van het document. Deze verbinding helpt bij het koppelen van de afbeelding aan de relevante tekstcontext.
• elements: De id's voor tekstelementen of alinea's in het document die zijn gerelateerd aan of beschrijven de afbeelding.
• caption: De beschrijving als er een is.

Wanneer output=figures tijdens de eerste analysebewerking wordt opgegeven, genereert de service bijgesneden afbeeldingen voor alle gedetecteerde afbeeldingen die toegankelijk zijn via /analyeResults/{resultId}/figures/{figureId}. De FigureId waarde is de id die is opgenomen in elk afbeeldingsobject, volgens een niet-gedocumenteerde conventie van {pageNumber}.{figureIndex} waar figureIndex de waarde opnieuw wordt ingesteld op één per pagina.

Voor v4.0 2024-11-30 (GA) hebben de begrenzingsregio's voor afbeeldingen en tabellen alleen betrekking op de kerninhoud en sluit het bijbehorende bijschrift en voetnoten uit.

# Analyze figures.
if result.figures:
    for figures_idx,figures in enumerate(result.figures):
        print(f"Figure # {figures_idx} has the following spans:{figures.spans}")
        for region in figures.bounding_regions:
            print(f"Figure # {figures_idx} location on page:{region.page_number} is within bounding polygon '{region.polygon}'")

{
    "figures": [
        {
        "id": "{figureId}",
        "boundingRegions": [],
        "spans": [],
        "elements": [
            "/paragraphs/15",
            ...
        ],
        "caption": {
            "content": "Here is a figure with some text",
            "boundingRegions": [],
            "spans": [],
            "elements": [
            "/paragraphs/15"
            ]
        }
        }
    ]
}

Secties

Hiërarchische documentstructuuranalyse is cruciaal bij het organiseren, begrijpen en verwerken van uitgebreide documenten. Deze aanpak is essentieel voor het semantisch segmenteren van lange documenten om het begrip te verbeteren, navigatie te vergemakkelijken en het ophalen van informatie te verbeteren. De komst van retrieval-geaugmenteerde generatie (RAG) in document-generatieve AI onderschrijft het belang van hiërarchische documentstructuuranalyse.

Het indelingsmodel ondersteunt secties en subsecties in de uitvoer, waarmee de relatie tussen secties en objecten in elke sectie wordt geïdentificeerd. De hiërarchische structuur wordt in elements voor elke sectie onderhouden. U kunt het uitvoerantwoord voor de Markdown-indeling gebruiken om eenvoudig de secties en subsecties in Markdown op te halen.

document_intelligence_client = DocumentIntelligenceClient(endpoint=endpoint, credential=AzureKeyCredential(key))
poller = document_intelligence_client.begin_analyze_document(
    "prebuilt-layout",
    AnalyzeDocumentRequest(url_source=url),
    output_content_format=ContentFormat.MARKDOWN,
)

{
    "sections": [
        {
        "spans": [],
        "elements": [
            "/paragraphs/0",
            "/sections/1",
            "/sections/2",
            "/sections/5"
        ]
        },
...
}

Deze inhoud is van toepassing op:v3.1 (GA) | Nieuwste versie:v4.0 (GA) | Eerdere versies:v3.0v2.1

Deze inhoud is van toepassing op:v3.0 (buiten gebruik stellen) | Nieuwste versies:v4.0 (GA)v3.1 | Vorige versie:v2.1 (buiten gebruik stellen)

Deze inhoud is van toepassing op:v2.1 | Latest version:v4.0 (GA)

Het Document Intelligence-indelingsmodel is een geavanceerde API voor documentanalyse. Het model is gebaseerd op machine learning en is beschikbaar in de Document Intelligence-cloud. U kunt het gebruiken om documenten in verschillende indelingen te verwerken en gestructureerde gegevensweergaven van de documenten te retourneren. Het combineert een verbeterde versie van de krachtige OCR-mogelijkheden met Deep Learning-modellen. U kunt deze gebruiken om tekst, tabellen, selectiemarkeringen en documentstructuur te extraheren.

Analyse van documentindeling

Indelingsanalyse van documentstructuur is het proces van het analyseren van een document om interessegebieden en hun onderlinge relaties te extraheren. Het doel is om tekst en structurele elementen van de pagina te extraheren om betere semantische begripsmodellen te maken. Er zijn twee typen rollen in een documentindeling:

• Geometrische rollen: Tekst, tabellen, afbeeldingen en selectiemarkeringen zijn voorbeelden van geometrische rollen.
• Logische rollen: Titels, koppen en voetteksten zijn voorbeelden van logische rollen van teksten.

In de volgende afbeelding ziet u de typische onderdelen in een afbeelding van een voorbeeldpagina.

Ondersteunde talen en landinstellingen

Zie Taalondersteuning: Documentanalysemodellen voor een volledige lijst met ondersteunde talen.

Document Intelligence v2.1 ondersteunt de volgende hulpprogramma's, toepassingen en bibliotheken.

Invoerrichtlijnen

Ondersteunde bestandsindelingen:

• Foto's en scans: geef één duidelijke foto of een hoogwaardige scan per document op voor de beste resultaten.
• PDF's en TIFF's: Voor PDF's en TIFF's kunnen maximaal 2000 pagina's worden verwerkt met een gratis abonnement. Alleen de eerste twee pagina's worden verwerkt.
• Bestandsgrootte: de bestandsgrootte voor het analyseren van documenten is 500 MB voor de betaalde laag (S0) en 4 MB voor de gratis laag (F0).
• Afbeeldingsafmetingen: De afmetingen van de afbeelding moeten tussen 50 pixels x 50 pixels en 10.000 pixels x 10.000 pixels zijn.
• Wachtwoordvergrendelingen: als uw PDF-bestanden zijn vergrendeld met een wachtwoord, moet u de vergrendeling verwijderen voordat u ze inzendt.
• Teksthoogte: de minimale hoogte van de tekst die moet worden geëxtraheerd, is 12 pixels voor een afbeelding van 1024 x 768 pixels. Deze dimensie komt overeen met ongeveer 8-punts tekst bij 150 punten per inch.
• Aangepaste modeltraining: Het maximum aantal pagina's voor trainingsgegevens is 500 voor het aangepaste sjabloonmodel en 50.000 voor het aangepaste neurale model.
• Aangepaste training voor extractiemodellen: de totale grootte van trainingsgegevens is 50 MB voor het sjabloonmodel en 1 GB voor het neurale model.
• Training voor aangepast classificatiemodel: de totale grootte van trainingsgegevens is 1 GB met maximaal 10.000 pagina's. Voor 2024-11-30 (GA) is de totale grootte van trainingsgegevens 2 GB met maximaal 10.000 pagina's.
• Office-bestandstypen (DOCX, XLSX, PPTX): de maximale tekenreekslengte is 8 miljoen tekens.

Invoerhandleiding

• Ondersteunde bestandsindelingen: JPEG, PNG, PDF en TIFF.
• Ondersteund aantal pagina's: voor PDF en TIFF worden maximaal 2000 pagina's verwerkt. Voor abonnees van de gratis laag worden alleen de eerste twee pagina's verwerkt.
• Ondersteunde bestandsgrootte: de bestandsgrootte moet kleiner zijn dan 50 MB en de afmetingen moeten ten minste 50 x 50 pixels en maximaal 10.000 x 10.000 pixels zijn.

Beginnen

U kunt Document intelligence gebruiken om gegevens zoals tekst, tabellen, tabelkoppen, selectiemarkeringen en structuurgegevens uit documenten te extraheren. U hebt de volgende resources nodig:

• Een Azure-abonnement. U kunt er gratis een maken.
• Een Document Intelligence-exemplaar in de Azure-portal. U kunt de gratis prijscategorie (F0) gebruiken om de service uit te proberen. Nadat uw resource is geïmplementeerd, selecteert u Ga naar de resource om uw sleutel en eindpunt op te halen.

Nadat u uw sleutel en eindpunt hebt opgehaald, kunt u de volgende ontwikkelopties gebruiken om uw Document Intelligence-toepassingen te bouwen en te implementeren.

REST API

• Document Intelligence v2.1 (Form Recognizer)

Document Intelligence-hulpprogramma voor het labelen van voorbeelden

1. Ga naar het Document Intelligence Sample Labeling-tool.

2. Selecteer Op de startpagina van het voorbeeldhulpprogramma de optie Indeling gebruiken om tekst, tabellen en selectiemarkeringen op te halen.

   

3. Plak in het veld Eindpunt van de Document Intelligence-service het eindpunt dat u hebt verkregen met uw Document Intelligence-abonnement.

4. Plak in het sleutelveld de sleutel die u hebt verkregen uit uw Document Intelligence-resource.

5. Selecteer in het veld Bronde URL in de vervolgkeuzelijst. U kunt het voorbeelddocument gebruiken:

   • Sample-document.

   • Selecteer Ophalen.

6. Selecteer Indeling uitvoeren. Met de tool voor labelen in Document Intelligence wordt de API voor lay-outanalyse aangeroepen om het document te analyseren.

   

7. Bekijk de resultaten. Bekijk de gemarkeerde geëxtraheerde tekst, gedetecteerde selectiemarkeringen en gedetecteerde tabellen.

   

Document Intelligence v2.1 ondersteunt de volgende hulpprogramma's, toepassingen en bibliotheken.

Gegevens extraheren

Het indelingsmodel extraheert structurele elementen uit uw documenten. De structurele elementen worden hier beschreven en de volgende richtlijnen laten zien hoe u deze kunt extraheren uit uw documentinvoer.

• Pagina
• Paragraaf
• Tekst, lijn en woord
• Selectiemarkering
• Tabel
• Aantekeningen

Gegevens extraheren

Het indelingsmodel extraheert structurele elementen uit uw documenten. De structurele elementen worden hier beschreven en de volgende richtlijnen laten zien hoe u deze kunt extraheren uit uw documentinvoer.

• Pagina
• Paragraaf
• Tekst, lijn en woord
• Selectiemarkering
• Tabel
• Natuurlijke leesrichting
• Paginanummer of -bereik selecteren

Pagina

De pages verzameling is een lijst met pagina's in het document. Elke pagina wordt opeenvolgend in het document weergegeven en bevat de richtingshoek die aangeeft of de pagina wordt gedraaid en de breedte en hoogte (afmetingen in pixels). De pagina-eenheden in de modeluitvoer worden berekend zoals weergegeven in de volgende tabel.

"pages": [
    {
        "pageNumber": 1,
        "angle": 0,
        "width": 915,
        "height": 1190,
        "unit": "pixel",
        "words": [],
        "lines": [],
        "spans": []
    }
]

Geselecteerde pagina's uit documenten extraheren

Voor grote documenten met meerdere pagina's gebruikt u de pages queryparameter om specifieke paginanummers of paginabereiken aan te geven voor tekstextractie.

Paragraaf

Met het indelingsmodel worden alle geïdentificeerde tekstblokken in de verzameling geëxtraheerd als een object op het paragraphs hoogste niveau onder analyzeResults. Elke vermelding in deze verzameling vertegenwoordigt een tekstblok en bevat de geëxtraheerde tekst als contenten de begrenzingscoördinaten polygon . De span informatie verwijst naar het tekstfragment in de eigenschap op het hoogste niveau content die de volledige tekst uit het document bevat.

"paragraphs": [
    {
        "spans": [],
        "boundingRegions": [],
        "content": "While healthcare is still in the early stages of its Al journey, we are seeing pharmaceutical and other life sciences organizations making major investments in Al and related technologies.\" TOM LAWRY | National Director for Al, Health and Life Sciences | Microsoft"
    }
]

Paragraafrol

Met de nieuwe paginaobjectdetectie op basis van machine learning worden logische rollen geëxtraheerd, zoals titels, sectiekoppen, paginakopteksten, paginavoetteksten en meer. Met het Document Intelligence-indelingsmodel worden bepaalde tekstblokken in de paragraphs verzameling toegewezen met hun gespecialiseerde rol of type dat door het model wordt voorspeld. U kunt het beste alinearollen met ongestructureerde documenten gebruiken om inzicht te verkrijgen in de indeling van de geëxtraheerde inhoud voor een uitgebreidere semantische analyse. De volgende paragraafrollen worden ondersteund.

{
    "paragraphs": [
                {
                    "spans": [],
                    "boundingRegions": [],
                    "role": "title",
                    "content": "NEWS TODAY"
                },
                {
                    "spans": [],
                    "boundingRegions": [],
                    "role": "sectionHeading",
                    "content": "Mirjam Nilsson"
                }
    ]
}

Tekst, lijn en woord

Het documentindelingsmodel in Document Intelligence extraheert tekst in afdruk- en handgeschreven stijl als regels en woorden. De styles verzameling omvat alle handgeschreven stijlen voor lijnen als deze worden gedetecteerd, samen met de reeksen die naar de bijbehorende tekst verwijzen. Deze functie is van toepassing op ondersteunde handgeschreven talen.

Voor Word, Excel, PowerPoint en HTML worden met het indelingsmodel Document Intelligence v4.0 2024-11-30 (GA) alle ingesloten tekst geëxtraheerd. Teksten worden opgedeeld in woorden en alinea's. Ingesloten afbeeldingen worden niet ondersteund.

"words": [
    {
        "content": "While",
        "polygon": [],
        "confidence": 0.997,
        "span": {}
    },
],
"lines": [
    {
        "content": "While healthcare is still in the early stages of its Al journey, we",
        "polygon": [],
        "spans": [],
    }
]

Handgeschreven stijl

Het antwoord omvat het classificeren of elke tekstregel een handschriftstijl heeft of niet, samen met een betrouwbaarheidsscore. Zie Handgeschreven taalondersteuning voor meer informatie. In het volgende voorbeeld ziet u een voorbeeld van een JSON-fragment.

"styles": [
{
    "confidence": 0.95,
    "spans": [
    {
        "offset": 509,
        "length": 24
    }
    "isHandwritten": true
    ]
}

Als u de mogelijkheid voor de invoegtoepassing lettertype/stijl inschakelt, krijgt u ook het resultaat lettertype/stijl als onderdeel van het styles object.

Selectiemarkering

Het indelingsmodel extraheert ook selectiemarkeringen uit documenten. Geëxtraheerde selectiemarkeringen worden weergegeven in de pages verzameling voor elke pagina. Ze bevatten de begrenzing polygon, confidence, en selectie state (selected/unselected). De tekstweergave (dat wil gezegd :selected: en :unselected) wordt ook opgenomen als de beginindex (offset) en length die verwijst naar de eigenschap op het hoogste niveau content die de volledige tekst uit het document bevat.

{
    "selectionMarks": [
        {
            "state": "unselected",
            "polygon": [],
            "confidence": 0.995,
            "span": {
                "offset": 1421,
                "length": 12
            }
        }
    ]
}

Tabel

Het extraheren van tabellen is een belangrijke vereiste voor het verwerken van documenten die grote hoeveelheden gegevens bevatten die doorgaans zijn opgemaakt als tabellen. Het indelingsmodel extraheert tabellen in de pageResults sectie van de JSON-uitvoer. Geëxtraheerde tabelgegevens bevatten het aantal kolommen en rijen, rijspanne en kolomspanne. Elke cel met zijn begrenzingsveelhoek wordt geëxporteerd, samen met de informatie of het gebied als columnHeader wordt herkend of niet.

Het model ondersteunt het extraheren van tabellen die worden gedraaid. Elke tabelcel bevat de rij- en kolomindex en begrenzingspogoncoördinaten. Voor de celtekst voert het model de span informatie uit die de beginindex (offset) bevat. Het model geeft ook de length weer binnen topniveau-content die de volledige tekst van het document bevat.

Hier volgen enkele factoren die u moet overwegen wanneer u de mogelijkheid voor extractie van documentinformatiebalen gebruikt:

• Zijn de gegevens die u wilt ophalen als een tabel en is de tabelstructuur zinvol?
• Kunnen de gegevens in een tweedimensionaal raster passen als de gegevens niet in een tabelindeling zijn opgenomen?
• Beslaan uw tabellen meerdere pagina's? Zo ja, om te voorkomen dat u alle pagina's moet labelen, splitst u het PDF-bestand op in pagina's voordat u het naar Document Intelligence verzendt. Na de analyse worden de pagina's verwerkt tot één tabel.
• Zie Tabellaire velden als u aangepaste modellen maakt. Dynamische tabellen hebben een variabel aantal rijen voor elke kolom. Vaste tabellen hebben een constant aantal rijen voor elke kolom.

{
    "tables": [
        {
            "rowCount": 9,
            "columnCount": 4,
            "cells": [
                {
                    "kind": "columnHeader",
                    "rowIndex": 0,
                    "columnIndex": 0,
                    "columnSpan": 4,
                    "content": "(In millions, except earnings per share)",
                    "boundingRegions": [],
                    "spans": []
                    },
            ]
        }
    ]
}

Aantekeningen

Het indelingsmodel extraheert aantekeningen in documenten, zoals vinkjes en kruisjes. Het antwoord bevat het soort annotatie, samen met een betrouwbaarheidsscore en begrenzingspolygon.

    {
    "pages": [
    {
        "annotations": [
        {
            "kind": "cross",
            "polygon": [...],
            "confidence": 1
        }
        ]
    }
    ]
}

Uitvoer van natuurlijke leesvolgorde (alleen Latijns)

U kunt de volgorde opgeven waarin de tekstregels worden uitgevoerd met de readingOrder queryparameter. Gebruik natural voor een mensvriendelijkere leesvolgorde-uitvoer, zoals in het volgende voorbeeld wordt getoond. Deze functie wordt alleen ondersteund voor Latijnse talen.

Paginanummer of -bereik selecteren voor tekstextractie

Voor grote documenten met meerdere pagina's gebruikt u de pages queryparameter om specifieke paginanummers of paginabereiken aan te geven voor tekstextractie. In het volgende voorbeeld ziet u een document met 10 pagina's, met tekst die is geëxtraheerd voor beide gevallen, alle pagina's (1-10) en geselecteerde pagina's (3-6).

De bewerking Resultaat van Analyse van Layout ophalen

De tweede stap is het aanroepen van de Get Analyze Layout Result bewerking. Deze bewerking neemt als invoer de resultaat-id op die door de Analyze Layout bewerking is gemaakt. Het retourneert een JSON-antwoord dat een statusveld bevat met de volgende mogelijke waarden.

Roep deze bewerking iteratief aan totdat deze de succeeded waarde retourneert. Gebruik een interval van drie tot vijf seconden om te voorkomen dat de aanvraag per seconde wordt overschreden.

Wanneer het statusveld de succeeded waarde heeft, bevat het JSON-antwoord de geëxtraheerde indeling, tekst, tabellen en selectiemarkeringen. De geëxtraheerde gegevens omvatten geëxtraheerde tekstregels en woorden, beperkte vakken, tekstweergave met handgeschreven indicatie, tabellen en selectiemarkeringen met een aanduiding of ze geselecteerd of niet-geselecteerd zijn.

Handgeschreven classificatie voor tekstregels (alleen Latijns)

Het antwoord omvat het classificeren of elke tekstregel een handgeschreven stijl heeft of niet, samen met een betrouwbaarheidsscore. Deze functie wordt alleen ondersteund voor Latijnse talen. In het volgende voorbeeld ziet u de handgeschreven classificatie voor de tekst in de afbeelding.

Voorbeeld van JSON-uitvoer

Het antwoord op de Get Analyze Layout Result bewerking is een gestructureerde weergave van het document met alle informatie die is geëxtraheerd. Zie een sample-documentbestand en de gestructureerde uitvoer sample indelingsuitvoer.

De JSON-uitvoer bestaat uit twee delen:

• Het readResults knooppunt bevat alle herkende tekst en selectiemarkeringen. De hiërarchie van de tekstpresentatie is pagina, vervolgens regel en vervolgens afzonderlijke woorden.
• Het pageResults knooppunt bevat de tabellen en cellen die zijn geëxtraheerd met de begrenzingsvakken, betrouwbaarheid en een verwijzing naar de regels en woorden in het readResults veld.

Voorbeelduitvoer

Tekst

De indelings-API extraheert tekst uit documenten en afbeeldingen met meerdere teksthoeken en kleuren. Het accepteert foto's van documenten, faxen, afgedrukte en/of handgeschreven tekst (alleen in het Engels) en gemengde modi. Tekst wordt geëxtraheerd met informatie over regels, woorden, begrenzingsvakken, betrouwbaarheidsscores en stijl (handgeschreven of andere). Alle tekstinformatie wordt opgenomen in de readResults sectie van de JSON-uitvoer.

Tabellen met kopteksten

De Layout-API extraheert tabellen in de pageResults sectie van de JSON-uitvoer. U kunt documenten scannen, fotograferen of digitaliseren. Tabellen kunnen complex zijn met samengevoegde cellen of kolommen, met of zonder randen, en met oneven hoeken.

Geëxtraheerde tabelgegevens bevatten het aantal kolommen en rijen, rijspanne en kolomspanne. Elke cel met het begrenzingsvak wordt samen met de aanduiding of het gebied als een onderdeel van een koptekst wordt herkend of niet, uitgegeven. De model voorspelde koptekstcellen kunnen meerdere rijen omvatten en zijn niet noodzakelijkerwijs de eerste rijen in een tabel. Ze werken ook met gedraaide tabellen. Elke tabelcel bevat ook de volledige tekst met verwijzingen naar de afzonderlijke woorden in de readResults sectie.

Selectiemarkeringen voor documenten

Met de indelings-API worden ook selectiemarkeringen uit documenten geëxtraheerd. Uitgepakte selectiemarkeringen bevatten het begrenzingsvak, betrouwbaarheid en status (geselecteerd/uitgeschakeld). Informatie over selectiemarkeringen wordt geëxtraheerd in de readResults sectie van de JSON-uitvoer.

Migratiehandleiding

• Volg de stappen in de migratiehandleiding voor Document Intelligence v3.1 voor meer informatie over het gebruik van de versie v3.1 in uw toepassingen en werkstromen.

• Meer informatie over het verwerken van uw eigen formulieren en documenten met Document Intelligence Studio.
• Voltooi een quickstart voor Document Intelligence en maak een app voor documentverwerking in de ontwikkeltaal van uw keuze.

• Vind meer voorbeelden op GitHub.

• Vind meer voorbeelden op GitHub.

• Meer informatie over het verwerken van uw eigen formulieren en documenten met het hulpprogramma Document Intelligence-voorbeeldlabels.
• Voltooi een quickstart voor Document Intelligence en maak een app voor documentverwerking in de ontwikkeltaal van uw keuze.