Разработка HTR-систем для рукописных документов: TrOCR и PaddleOCR

Рукописный текст — значительно сложнее машинопечатного: бесконечное разнообразие почерков, лигатуры (слитное написание), нечёткие границы между символами, вариативность нажима и угла. Мы сталкиваемся с этим на каждом проекте. Клиенты часто приходят с задачей: нужно распознать тысячи заполненных от руки анкет за месяц с ошибкой не более 5%. Стандартные OCR-системы тут бессильны. За 5 лет мы реализовали более 30 проектов по распознаванию рукописного текста для архивных, медицинских и корпоративных заказчиков. Наш опыт подтверждает: правильная предобработка и выбор архитектуры решают 80% успеха. В одном из проектов для медицинского центра мы заменили ручной ввод 5000 карт в день на автоматическое распознавание — это сократило затраты на обработку документов более чем на 60%.

Как выбрать модель для русского рукописного текста?

Выбор архитектуры зависит от языка и объёма данных. TrOCR (Microsoft) — transformer encoder-decoder для OCR. Encoder: ViT-обработка изображения, Decoder: autoregressive генерация текста. State-of-the-art на IAM handwriting dataset: CER 2.89% (large model). Однако TrOCR обучен преимущественно на английском, поэтому для кириллицы лучше использовать PaddleOCR.

from transformers import TrOCRProcessor, VisionEncoderDecoderModel
from PIL import Image
import torch

class HandwritingRecognizer:
    def __init__(self, model_name: str = 'microsoft/trocr-large-handwritten'):
        self.processor = TrOCRProcessor.from_pretrained(model_name)
        self.model = VisionEncoderDecoderModel.from_pretrained(model_name)
        self.model.eval()
        self.device = 'cuda' if torch.cuda.is_available() else 'cpu'
        self.model.to(self.device)

    @torch.no_grad()
    def recognize(self, image: Image.Image) -> str:
        """Распознавание одной строки текста"""
        pixel_values = self.processor(
            images=image,
            return_tensors='pt'
        ).pixel_values.to(self.device)
        generated_ids = self.model.generate(
            pixel_values,
            max_new_tokens=128,
            num_beams=4
        )
        return self.processor.batch_decode(
            generated_ids,
            skip_special_tokens=True
        )[0]

PaddleOCR для рукописного кириллического текста — существенно лучше, чем TrOCR:

from paddleocr import PaddleOCR
ocr = PaddleOCR(
    use_angle_cls=True,
    lang='ru',
    rec_algorithm='SVTR_LCNet',
    rec_model_dir='./models/handwriting_rec'
)

Почему предобработка важнее архитектуры?

Рукописный текст требует более агрессивной предобработки. Удаление линованного фона, бинаризация, очистка артефактов — эти шаги критически влияют на итоговый CER. Ниже — типовой пайплайн.

import cv2
import numpy as np
from skimage import morphology

def preprocess_handwriting(image: np.ndarray) -> np.ndarray:
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # Удаление фоновых линий (линованная бумага)
    horizontal_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (40, 1))
    horizontal_lines = cv2.morphologyEx(gray, cv2.MORPH_OPEN, horizontal_kernel)
    gray = cv2.subtract(gray, horizontal_lines)
    # Otsu бинаризация
    _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
    # Удаление маленьких артефактов
    cleaned = morphology.remove_small_objects(
        binary.astype(bool), min_size=50
    ).astype(np.uint8) * 255
    return cleaned

Как мы проводим fine-tuning модели?

Для адаптации под корпоративные данные мы используем следующий пайплайн:

1. Разметка данных. Собираем 500–2000 строк рукописного текста, транскрибируем в Label Studio. Каждая строка — отдельный файл с текстовой меткой.
2. Аугментация. Применяем случайный сдвиг, поворот до 5°, масштабирование 0.9–1.1, добавление шума — это повышает устойчивость к вариациям почерка.
3. Fine-tuning. Для PaddleOCR используем RecModel с SVTR_LCNet, batch size 32, learning rate 1e-4, 100 эпох. Мониторим CER на валидации.
4. Валидация. Тестируем на 10% данных (не участвовавших в обучении). Если CER выше 10%, добавляем данных или меняем гиперпараметры.
5. Экспорт. Модель конвертируется в ONNX или сохраняется в формате PaddleOCR для инференса.

Сегментация строк для многострочных документов

Перед распознаванием многострочный документ нужно разбить на строки:

def segment_lines(binary_image: np.ndarray) -> list[np.ndarray]:
    """Горизонтальная проекция для сегментации строк"""
    horizontal_projection = binary_image.sum(axis=1)
    threshold = horizontal_projection.max() * 0.05
    in_line = horizontal_projection > threshold
    lines = []
    start = None
    for i, active in enumerate(in_line):
        if active and start is None:
            start = max(0, i - 5)
        elif not active and start is not None:
            end = min(len(in_line), i + 5)
            line_img = binary_image[start:end, :]
            if end - start > 10:
                lines.append(line_img)
            start = None
    return lines

Дообучение на корпоративных рукописных данных

Для специфического почерка (медицинские карты конкретной больницы, бланки предприятия) требуется fine-tuning. Без этого CER может достигать 20-30%, что неприемлемо для документооборота. Мы гарантируем, что после дообучения на 500–2000 строк точность вырастет до 90-95%.

• Разметка 500–2000 строк через Label Studio или CVAT.
• Fine-tuning TrOCR или PaddleOCR rec_model.
• CER снижается с 15–25% до 5–10% на domain-specific данных.

Что такое CER и почему это критично?

CER (Character Error Rate) — доля ошибок на уровне символов. Для бизнес-процессов даже 5% может означать сотни неправильно распознанных цифр в отчётах. В одном из проектов медицинского центра мы снизили CER с 18% до 4%, применив комбинацию адаптивной бинаризации и fine-tuning PaddleOCR. Результат — автоматическая обработка 5000 карт в день вместо ручного ввода, и сокращение затрат на обработку документов более чем на 60%. Эталонные значения CER на публичных датасетах (IAM Handwriting Database) составляют ~2.89%, но на реальных данных требуется дообучение.

Как часто нужно обновлять модель?

Если почерк операторов меняется или добавляются новые поля, модель рекомендуется дообучать раз в полгода. Мы предоставляем пайплайн инкрементального обучения, который позволяет обновить веса за несколько часов без полного ретренинга. При значительном изменении трафарета документов (например, переход на новый бланк) достаточно добавить 200–500 новых размеченных строк и запустить fine-tuning.

Что входит в работу

• Анализ требований и тестовый прогон на 50 страницах.
• Выбор архитектуры (TrOCR / PaddleOCR / комбинированная).
• Разработка пайплайна предобработки и сегментации.
• Дообучение модели (если нужно) с валидацией.
• Интеграция через REST API или gRPC.
• Документация и обучение операторов.
• Поддержка 3 месяца после внедрения.

Сроки и стоимость

Стоимость рассчитывается индивидуально — зависит от объёма данных, требуемой точности и сложности интеграции. Оценка проекта — по запросу. Свяжитесь с нами для тестового прогона на ваших образцах. Наши инженеры проанализируют ваши рукописные документы и предложат оптимальное решение. Получите консультацию уже сегодня.