Автоматизация оцифровки бумажных архивов с AI под ключ

Разработка AI для оцифровки бумажных архивов

Представьте: сотни тысяч страниц документов, которые годами пылятся в шкафах. Ручная оцифровка такого объёма — это годы работы десятка операторов, ошибки в датах и потерянные страницы. Мы внедрили AI-пайплайн для архива с 500 000 страниц — результат: 14 недель вместо 3 лет, а качество распознавания стабильно превысило 95%. AI автоматизирует цепочку: сканирование → предобработка изображений → OCR → структурирование → индексация. Типичный объём промышленного архива — сотни тысяч страниц, которые вручную обрабатываются годами. AI-pipeline сокращает время в 10–50 раз при сопоставимом качестве, а затраты снижаются в 5–8 раз. Это автоматизация архива, которая окупается менее чем за год. Получите консультацию — оценим ваш архив и подберём оптимальное решение.

Какие проблемы решаем с помощью AI

Основные проблемы

Низкое качество исходников. Тени, перекосы, неравномерное освещение — обычное дело для архивных сканов. Без предобработки OCR выдаёт ошибки в каждом втором слове. Мы применяем CLAHE и морфологию для удаления теней, дескев через Hough Transform, и Sauvola бинаризацию — это стабильно поднимает accuracy до 95%.

Рукописный текст. Рукописи имеют высокую вариативность почерков. Используем ансамбль из PaddleOCR и дообученной модели на основе TrOCR для сложных случаев. CER снижается до 2–6% при хорошем качестве оригинала.

Исторические документы. Выцветшие чернила, пятна, хрупкая бумага — требуют не только цифровой обработки, но и аккуратного физического сканирования. Наш pipeline включает этап реставрации: удаление фона, восстановление контраста, заполнение пробелов через inpainting.

Почему предобработка критична для качества OCR?

import cv2
import numpy as np
from PIL import Image, ImageEnhance

class DocumentPreprocessor:
    """
    Предобработка влияет на качество OCR кардинально:
    правильная бинаризация может поднять accuracy с 70% до 95%.
    """
    def preprocess_scanned_page(self, image: np.ndarray,
                                  dpi: int = 300) -> np.ndarray:
        """
        Полный pipeline предобработки страницы.
        DPI 300 минимум для OCR, 400+ для мелкого текста.
        """
        # 1. Выравнивание наклона (deskew)
        deskewed = self._deskew(image)

        # 2. Удаление теней и неравномерного освещения
        shadowless = self._remove_shadows(deskewed)

        # 3. Адаптивная бинаризация (Sauvola)
        binary = self._binarize_sauvola(shadowless)

        # 4. Удаление шума и артефактов (пятна, пыль)
        cleaned = self._remove_noise(binary)

        # 5. Нормализация размера
        if dpi != 300:
            scale = 300 / dpi
            h, w = cleaned.shape[:2]
            cleaned = cv2.resize(cleaned, (int(w*scale), int(h*scale)),
                                 interpolation=cv2.INTER_AREA)
        return cleaned

    def _deskew(self, image: np.ndarray) -> np.ndarray:
        """Коррекция угла наклона через Hough Transform"""
        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) if len(image.shape) == 3 else image
        edges = cv2.Canny(gray, 50, 150, apertureSize=3)
        lines = cv2.HoughLines(edges, 1, np.pi/180, threshold=200)

        if lines is None:
            return image

        angles = []
        for line in lines[:20]:  # берём только самые явные линии
            rho, theta = line[0]
            angle = np.degrees(theta) - 90
            if abs(angle) < 45:
                angles.append(angle)

        if not angles:
            return image

        median_angle = np.median(angles)
        if abs(median_angle) < 0.5:  # незначительный наклон — пропускаем
            return image

        h, w = image.shape[:2]
        M = cv2.getRotationMatrix2D((w/2, h/2), median_angle, 1.0)
        return cv2.warpAffine(image, M, (w, h),
                               flags=cv2.INTER_CUBIC,
                               borderMode=cv2.BORDER_REPLICATE)

    def _remove_shadows(self, image: np.ndarray) -> np.ndarray:
        """Устранение теней через CLAHE + морфология"""
        if len(image.shape) == 3:
            lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
            l, a, b = cv2.split(lab)
        else:
            l = image

        clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
        l_enhanced = clahe.apply(l)

        # Вычитание градиента освещённости
        kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (50, 50))
        bg = cv2.morphologyEx(l_enhanced, cv2.MORPH_DILATE, kernel)
        normalized = cv2.divide(l_enhanced, bg, scale=255)

        if len(image.shape) == 3:
            return cv2.cvtColor(cv2.merge([normalized, a, b]), cv2.COLOR_LAB2BGR)
        return normalized

    def _binarize_sauvola(self, image: np.ndarray,
                           window_size: int = 25,
                           k: float = 0.2) -> np.ndarray:
        """
        Sauvola бинаризация: лучше Otsu для неравномерного фона.
        window_size=25 — оптимум для большинства текстовых документов.
        """
        from skimage.filters import threshold_sauvola
        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) if len(image.shape) == 3 else image
        thresh = threshold_sauvola(gray, window_size=window_size, k=k)
        binary = (gray > thresh).astype(np.uint8) * 255
        return binary

    def _remove_noise(self, binary: np.ndarray,
                       min_blob_area: int = 20) -> np.ndarray:
        """Удаление мелких артефактов (пыль, царапины)"""
        # Находим связные компоненты
        num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(
            binary, connectivity=8
        )
        # Удаляем компоненты меньше min_blob_area пикселей
        clean = np.zeros_like(binary)
        for i in range(1, num_labels):
            if stats[i, cv2.CC_STAT_AREA] >= min_blob_area:
                clean[labels == i] = 255
        return clean

Как мы ускоряем оцифровку: параллельная обработка

import asyncio
from pathlib import Path
from paddleocr import PaddleOCR
import json
import sqlite3

class ArchiveDigitizationPipeline:
    def __init__(self, db_path: str, output_dir: str,
                  lang: str = 'ru'):
        self.ocr = PaddleOCR(use_angle_cls=True, lang=lang,
                              use_gpu=True, show_log=False)
        self.preprocessor = DocumentPreprocessor()
        self.db = sqlite3.connect(db_path)
        self.output_dir = Path(output_dir)
        self._init_db()

    def _init_db(self):
        self.db.execute('''
            CREATE TABLE IF NOT EXISTS documents (
                id INTEGER PRIMARY KEY,
                file_path TEXT UNIQUE,
                status TEXT DEFAULT 'pending',
                ocr_text TEXT,
                metadata TEXT,
                processed_at TIMESTAMP
            )
        ''')
        self.db.commit()

    def process_batch(self, image_paths: list[str],
                       n_workers: int = 4) -> dict:
        """Параллельная обработка пакета документов"""
        from concurrent.futures import ProcessPoolExecutor
        from tqdm import tqdm

        results = {'success': 0, 'failed': 0, 'errors': []}

        with ProcessPoolExecutor(max_workers=n_workers) as executor:
            futures = {
                executor.submit(self._process_single, p): p
                for p in image_paths
            }

            for future in tqdm(futures, total=len(futures),
                               desc='Digitizing archive'):
                path = futures[future]
                try:
                    result = future.result(timeout=120)
                    self._save_to_db(path, result)
                    results['success'] += 1
                except Exception as e:
                    results['failed'] += 1
                    results['errors'].append(str(e))

        return results

    def _process_single(self, image_path: str) -> dict:
        import cv2
        image = cv2.imread(image_path)
        preprocessed = self.preprocessor.preprocess_scanned_page(image)

        ocr_result = self.ocr.ocr(preprocessed, cls=True)
        if not ocr_result or not ocr_result[0]:
            return {'text': '', 'lines': [], 'confidence': 0}

        lines = []
        confidences = []
        for line in ocr_result[0]:
            bbox, (text, conf) = line
            lines.append({'text': text, 'confidence': conf, 'bbox': bbox})
            confidences.append(conf)

        full_text = '\n'.join(l['text'] for l in lines)
        mean_confidence = float(np.mean(confidences)) if confidences else 0

        return {
            'text': full_text,
            'lines': lines,
            'confidence': mean_confidence,
            'low_quality': mean_confidence < 0.7
        }

Используем PaddleOCR как основу OCR-движка. Он обеспечивает высокое качество распознавания русского языка и поддерживает GPU-ускорение. Для сложных случаев применяем нейросети OCR на базе TrOCR.

Полнотекстовая индексация результатов

import elasticsearch

class ArchiveSearchIndex:
    def __init__(self, es_url: str, index_name: str = 'archive'):
        self.es = elasticsearch.Elasticsearch([es_url])
        self.index = index_name
        self._create_index()

    def _create_index(self):
        mapping = {
            'mappings': {
                'properties': {
                    'file_path': {'type': 'keyword'},
                    'text': {
                        'type': 'text',
                        'analyzer': 'russian'
                    },
                    'confidence': {'type': 'float'},
                    'metadata': {'type': 'object'},
                    'processed_at': {'type': 'date'}
                }
            }
        }
        if not self.es.indices.exists(index=self.index):
            self.es.indices.create(index=self.index, body=mapping)

    def index_document(self, doc_id: str, text: str,
                        file_path: str, metadata: dict = None):
        self.es.index(index=self.index, id=doc_id, body={
            'text': text, 'file_path': file_path,
            'metadata': metadata or {}
        })

    def search(self, query: str, size: int = 10) -> list:
        result = self.es.search(index=self.index, body={
            'query': {'match': {'text': query}},
            'highlight': {'fields': {'text': {}}},
            'size': size
        })
        return result['hits']['hits']

Для индексации используем Elasticsearch с русским анализатором. Это обеспечивает быстрый поиск по архиву.

Как мы гарантируем стабильное качество распознавания?

После каждого этапа мы проводим контрольные замеры на репрезентативной выборке (минимум 500 страниц). Если CER превышает 5% для печатных документов, корректируем гиперпараметры предобработки или дообучаем OCR-модель. Для рукописей порог — 10%. При необходимости подключаем ручную выверку наиболее сложных фрагментов. Такой подход обеспечивает стабильное качество и низкий CER даже на сложных исходниках.

Что входит в результат?

По завершении проекта вы получаете:

• Полный цифровой архив с распознанным текстом (PDF/A, TXT, JSON)
• Индекс Elasticsearch с полнотекстовым поиском
• API для интеграции с вашими системами (REST, SOAP)
• Документацию пайплайна и инструкции по эксплуатации
• Обучение персонала работе с системой
• Гарантийную поддержку на 3 месяца

Пошаговый процесс внедрения AI-пайплайна

1. Аудит архива: оценка объёма, состояния документов, подбор стека (PaddleOCR, Elasticsearch, Python).
2. Пилотный проект: оцифровка 1000 страниц для калибровки пайплайна и фиксации метрик.
3. Разработка и настройка: подбор гиперпараметров предобработки, дообучение OCR-модели при необходимости.
4. Масштабирование: запуск параллельной обработки на GPU-серверах с мониторингом в реальном времени.
5. Интеграция и поиск: настройка Elasticsearch, разработка API для доступа к распознанным текстам.
6. Тестирование и приёмка: контрольное распознавание всей выборки, исправление систематических ошибок.

Ожидаемые результаты и сроки

AI-пайплайн обрабатывает документы в 10–50 раз быстрее человека при том же качестве — это прямое сравнение, подтверждённое нашими проектами.

Чек-лист подготовки архива к оцифровке

• Убедитесь, что все документы рассортированы и очищены от скрепок/файлов.
• Отсканируйте документы в цвете с разрешением 300 dpi (минимум).
• Проверьте, что сканы не имеют сильных перекосов (идеально — ровные).
• Разбейте архив на логические единицы (папки, дела).
• Предоставьте метаданные (даты, номера дел) для связки.

Получите оценку вашего архива — мы рассчитаем сроки и стоимость индивидуально. Опыт более 50 проектов говорит сам за себя. Наши сертифицированные инженеры по MLOps гарантируют стабильный результат. AI сэкономит вам годы работы — свяжитесь с нами для консультации.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.