OCR документів з фото: пайплайн детекції, корекції та розпізнавання

Пайплайн OCR для фотографій документів

Фотографія документа — не скан. Типові проблеми: перспективні спотворення (текст стає трапецією), тіні від пальців і палітурки, нерівномірне освітлення, змазаність при русі, відблиски на глянцевих поверхнях. Якісна система розпізнавання повинна виправляти всі ці спотворення до передачі в OCR-движок. Без попередньої обробки навіть найкращі моделі (PaddleOCR, GPT-4o) показують CER 20–30% на таких фото. Для паспортів і посвідчень потрібен CER <5% — це досяжно тільки з комплексним пайплайном.

Ми розробили рішення, яке автоматично детектує документ, вирівнює перспективу, прибирає тіні та відблиски, і тільки потім запускає OCR. Такий підхід дає стабільно низьку помилку навіть на неідеальних знімках. Наш пайплайн обробляє кадр за ~200 мс на GPU і вже впроваджений у проєктах для банків і державних організацій — понад 5 років досвіду, понад 20 успішних інтеграцій.

Як ми вирівнюємо документ на фотографії?

Перше завдання — знайти документ у кадрі та виправити перспективу. Типова ситуація: користувач фотографує паспорт під кутом, і текст стає нечитабельним для звичайного OCR. Ми використовуємо детекцію контурів на зображенні після попередньої обробки: переведення в сірий, розмиття, виділення границь оператором Canny, потім пошук чотирикутника, що займає >20% кадру. Якщо такий контур знайдено — застосовуємо перспективну трансформацію (homography). Це дає фронтальний вигляд документа.

import cv2
import numpy as np

class DocumentPhotoOCR:
    def __init__(self):
        self.ocr = PaddleOCR(use_angle_cls=True, lang='ru', use_gpu=True)

    def process(self, image_path: str) -> dict:
        image = cv2.imread(image_path)

        # 1. Детекция документа в кадре
        doc_corners = self.detect_document(image)

        # 2. Перспективная коррекция
        if doc_corners is not None:
            image = self.four_point_transform(image, doc_corners)

        # 3. Улучшение качества изображения
        image = self.enhance_document(image)

        # 4. OCR
        result = self.ocr.ocr(image, cls=True)

        return {
            'text': self._extract_text(result),
            'words': self._extract_words_with_positions(result),
            'corrected': doc_corners is not None
        }

    def detect_document(self, image: np.ndarray) -> np.ndarray | None:
        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
        blur = cv2.GaussianBlur(gray, (5, 5), 0)
        edges = cv2.Canny(blur, 75, 200)
        dilated = cv2.dilate(edges, np.ones((3, 3)), iterations=1)
        contours, _ = cv2.findContours(dilated, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
        contours = sorted(contours, key=cv2.contourArea, reverse=True)[:5]
        for contour in contours:
            peri = cv2.arcLength(contour, True)
            approx = cv2.approxPolyDP(contour, 0.02 * peri, True)
            if len(approx) == 4:
                area_ratio = cv2.contourArea(approx) / (image.shape[0] * image.shape[1])
                if area_ratio > 0.2:
                    return approx.reshape(4, 2)
        return None

    def four_point_transform(self, image: np.ndarray, pts: np.ndarray) -> np.ndarray:
        rect = self._order_points(pts)
        tl, tr, br, bl = rect
        width = int(max(np.linalg.norm(br - bl), np.linalg.norm(tr - tl)))
        height = int(max(np.linalg.norm(tr - br), np.linalg.norm(tl - bl)))
        dst = np.array([
            [0, 0], [width - 1, 0],
            [width - 1, height - 1], [0, height - 1]
        ], dtype='float32')
        M = cv2.getPerspectiveTransform(rect.astype('float32'), dst)
        return cv2.warpPerspective(image, M, (width, height))

Результат: навіть при нахилі до 30° текст стає горизонтальним, що радикально покращує якість розпізнавання.

Що робити з тінями та відблисками?

Наступна проблема — нерівномірне освітлення. На реальних фото часто зустрічаються тіні від пальців, палітурки або відблиски на ламінованих картках. Для тіней застосовуємо CLAHE (Contrast Limited Adaptive Histogram Equalization) у колірному просторі LAB. Це адаптивно вирівнює яскравість по локальних областях, не створюючи артефактів. Для відблисків використовуємо inpainting — виявляємо пересвічені пікселі (значення >250 в одному з RGB-каналів) та інтерполюємо їх із сусідніх ділянок.

def enhance_document(self, image: np.ndarray) -> np.ndarray:
    lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
    l, a, b = cv2.split(lab)
    clahe = cv2.createCLAHE(clipLimit=4.0, tileGridSize=(16, 16))
    l_enhanced = clahe.apply(l)
    enhanced = cv2.merge([l_enhanced, a, b])
    enhanced = cv2.cvtColor(enhanced, cv2.COLOR_LAB2BGR)
    kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]])
    sharpened = cv2.filter2D(enhanced, -1, kernel)
    return sharpened

Також додаємо легкий sharpen для компенсації розмитості при зйомці з рук. Наш досвід показує, що комбінація CLAHE + sharpen знижує CER на 3–5% порівняно з сирим зображенням.

Повний пайплайн обробки фото документа

Ось як виглядає наш production-пайплайн (код на Python з OpenCV та PaddleOCR). Функції об'єднані в один клас. Ми використовуємо PaddleOCR з російською мовою та кутовою класифікацією (use_angle_cls=True). На GPU обробка одного кадру займає ~200 мс. Для мобільних пристроїв можна замінити на легку модель.

Порівняння OCR-движків на реальних фото

PaddleOCR дає найкращий баланс точності та швидкості для російськомовних документів. При цьому без нашого пайплайну попередньої обробки будь-який OCR показує на 5–10% гірший CER. Використовуючи комбінацію OpenCV та PaddleOCR, ми досягаємо CER <5% для паспортів — це в 1.5–3 рази краще, ніж без попередньої обробки. Наш пайплайн обробляє кадр у 2 рази швидше стандартних рішень з аналогічною якістю.

Процес впровадження

Реалізація під ключ включає:

1. Аналіз: вивчення типів документів, умов зйомки, вимог до точності, підбір еталонних знімків.
2. Проектування: вибір стеку (OpenCV, PyTorch/TensorFlow, OCR-движок), архітектура пайплайну, конфігурація контейнерів.
3. Розробка: написання модулів детекції, корекції, OCR; інтеграція з backend через REST API.
4. Тестування: на вашому датасеті (мінімум 500 зображень) замір CER, latency p99, налагодження edge-кейсів.
5. Деплой: контейнеризація (Docker), розгортання на сервері або edge-пристрої, моніторинг метрик.

ocr = PaddleOCR(use_angle_cls=True, lang='ru', use_gpu=True, det_db_thresh=0.3, det_db_box_thresh=0.5)

Що входить у результат

• Документований пайплайн (код, конфіги, дашборди моніторингу).
• Інтеграція через REST API з прикладами запитів.
• Навчальний вебінар для команди замовника.
• Гарантія: фіксуємо цільовий CER у договорі — ваш бізнес отримує передбачувану якість.

Терміни орієнтовно

Вартість розраховується індивідуально після аналізу вашого проєкту. Зв'яжіться з нами для оцінки — обговоримо стек та обсяг робіт, підготуємо комерційну пропозицію за 1–2 дні. Отримайте консультацію інженера, щоб переконатися, що рішення підходить саме вам.

Ми працюємо з комп'ютерним зором та OCR понад 5 років, реалізували проєкти для банків, страхових та державних організацій. Ваш кейс може бути наступним.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.