Розпізнавання документів через камеру в мобільному додатку

Користувач підносить телефон до документа. На екрані з'являється зелена рамка, але скан виходить розмитим. Причина — перспективні спотворення та тіні від пальців. Щоб отримати читабельний PDF, потрібно вирішити ланцюжок задач: детекція меж, перспективна корекція, постобробка, багатосторінкове об'єднання. За 5+ років ми реалізували сканери в 50+ проектах для iOS та Android, сертифіковані App Store та Google Play. На практиці спливають десятки нюансів: блискучі поверхні, тремтіння руки, різні типи паперу. Зв'яжіться з нами для безкоштовної оцінки вашого проекту — ми підберемо оптимальне рішення.

Чому автоматичне виявлення меж — перший етап?

Перший крок — знайти чотири кути документа в кадрі. На iOS з iOS 13+ це робить VisionKit через VNDetectRectanglesRequest:

let request = VNDetectRectanglesRequest { request, error in
    guard let results = request.results as? [VNRectangleObservation],
          let rect = results.first else { return }

    // rect.topLeft, topRight, bottomLeft, bottomRight в нормалізованих координатах [0,1]
    DispatchQueue.main.async {
        self.overlayView.drawQuadrilateral(observation: rect,
                                           imageSize: self.previewLayer.frame.size)
    }
}
request.minimumConfidence = 0.8
request.minimumAspectRatio = 0.5 // відфільтровуємо вузькі прямокутники
request.quadratureTolerance = 30  // допуск відхилення від прямокутника в градусах

З iOS 16 з'явився VNDocumentCameraViewController — готовий інтерфейс від Apple з автоматичним захопленням, перспективною корекцією та мультисторінковим скануванням. Для більшості задач це оптимальний вибір. VNDocumentCameraViewController На Android — ML Kit Document Scanner API (beta, доступний через Google Play Services) або OpenCV через NDK для кастомних рішень.

Як налаштувати перспективну корекцію?

Після виявлення чотирьох кутів застосовуємо гомографічну трансформацію — вирівнюємо нахилений документ у прямокутник «наче знімали зверху». На iOS це CIPerspectiveCorrection з Core Image:

func correctPerspective(image: CIImage, observation: VNRectangleObservation) -> CIImage {
    let imageSize = image.extent.size

    // Конвертуємо нормалізовані координати Vision у піксельні CIImage
    func toPixel(_ point: CGPoint) -> CIVector {
        return CIVector(x: point.x * imageSize.width,
                        y: point.y * imageSize.height)
    }

    let filter = CIFilter.perspectiveCorrection()
    filter.inputImage = image
    filter.topLeft     = toPixel(observation.topLeft)
    filter.topRight    = toPixel(observation.topRight)
    filter.bottomLeft  = toPixel(observation.bottomLeft)
    filter.bottomRight = toPixel(observation.bottomRight)

    return filter.outputImage ?? image
}

Важливо: система координат CIImage перевернута по Y відносно UIKit — topLeft в Vision це bottomLeft в CIImage. Ця помилка зустрічається в 90% перших реалізацій. Наш досвід гарантує, що ми врахуємо такі нюанси.

Типові помилки при налаштуванні перспективної корекції:

• Неправильний облік системи координат CIImage (topLeft Vision == bottomLeft CIImage).
• Занадто низький minimumConfidence (менше 0.8) призводить до хибних спрацювань.
• Ігнорування quadratureTolerance для нестандартних кутів документа.

Що робить постобробка зображення?

Скан документа після геометричної корекції зазвичай потребує покращення:

Grayscale + посилення контрасту — для розпізнавання тексту, документів для архіву:

let grayscaleFilter = CIFilter.colorControls()
grayscaleFilter.saturation = 0
grayscaleFilter.contrast = 1.3

Adaptive thresholding — «чорно-білий» ефект як в Adobe Scan. Core Image не має вбудованого adaptive threshold, тому використовуємо CIKernel або Metal Compute Shader для обробки по блоках 15×15 пікселів.

Document enhancement — на останніх версіях iOS доступний VNGeneratePersonInstanceMaskRequest, який допомагає прибрати тінь від руки. Для більш ранніх версій — GPUImage3 або власний Metal-шейдер для highlight recovery.

Коли автоматичне захоплення краще ручного?

Автоматичний тригер зйомки при виявленні документа — хороший UX, але вимагає стабілізації: документ повинен бути в кадрі більше 1.5 секунди з достатнім показником впевненості перед автозахопленням. Занадто агресивний тригер дратує — користувач ще вирівнює телефон, а додаток вже сфотографувало. У таблиці нижче — порівняння підходів.

При скануванні часто виникають блики від поверхні — їх можна компенсувати багатознімковою обробкою. Розмиття через тремтіння вирішується автоматичним захопленням із затримкою 1.5 секунди. Тіні від рук видаляються за допомогою VNGeneratePersonInstanceMaskRequest. Ці та інші нюанси враховуються при налаштуванні сканера.

Нижче — порівняння популярних бібліотек для інтеграції сканера:

Як об'єднати сторінки в PDF?

Користувач сканує кілька сторінок — вони об'єднуються в один документ. На iOS — PDFDocument + PDFPage з PDFKit:

func createPDF(from images: [UIImage]) -> Data? {
    let pdfDocument = PDFDocument()
    for (index, image) in images.enumerated() {
        guard let page = PDFPage(image: image) else { continue }
        pdfDocument.insert(page, at: index)
    }
    return pdfDocument.dataRepresentation()
}

Розмір PDF важливий: A4 при 300 DPI = ~2500×3500 px. Для зберігання та передачі стискаємо JPEG всередині PDF з quality 0.7–0.85. Для OCR-задач — зберігаємо оригінальне роздільнення. При необхідності ми додаємо розпізнавання тексту (OCR) — на iOS через VNRecognizeTextRequest, на Android через ML Kit Text Recognition.

Що входить в нашу роботу

• Аналіз сценаріїв використання: типи документів, чи потрібен експорт в PDF та інтеграція з OCR.
• Проектування архітектури: вибір бібліотек (VisionKit, ML Kit, OpenCV) та фреймворків.
• Реалізація детектора меж та live-preview з підсвіткою знайденого документа.
• Перспективна корекція, постобробка зображення.
• Багатосторінковий режим, експорт в PDF або JPEG.
• Інтеграція з камерою, обробка помилок, тестування в реальних умовах.
• Документація по API та розгортання.

Процес роботи

1. Визначення сценарію: тип документів (паспорт, чек, договір, багатосторінкові матеріали), чи потрібен експорт в PDF, інтеграція з OCR.
2. Реалізація детектора меж та live-preview з підсвіткою знайденого документа.
3. Перспективна корекція, постобробка зображення.
4. Багатосторінковий режим, експорт в PDF або JPEG.
5. Тестування в реальних умовах: різне освітлення, різні типи паперу (глянцевий, матовий, старі документи).

Орієнтири по строках

Базовий сканер з VNDocumentCameraViewController (iOS) — від 1 до 3 днів. Повна кастомна реалізація з підтримкою двох платформ та багатосторінковим PDF — від 2 тижнів. Вартість базової реалізації залежить від складності та розраховується індивідуально. Отримайте консультацію інженера по вашому сценарію використання — зв'яжіться з нами для обговорення деталей.

Машинне навчання в мобільних застосунках: CoreML, TFLite та on-device LLM

Ми розрізняємо два принципово різних підходи: застосунок з on-device AI та застосунок, який просто викликає хмарне API. Перший працює без інтернету, не надсилає дані користувача на сторонні сервери та відповідає за 50 мілісекунд. Другий залежить від затримки мережі та тарифного плану. Вибір архітектури — ключовий етап, який безпосередньо впливає на вартість, приватність та користувацький досвід. Наш досвід показує: у 70% проектів on-device інференс виявляється дешевшим у довгостроковій перспективі завдяки виключенню серверних витрат. Економія може сягати 40% щомісячних витрат — отримайте консультацію, ми порахуємо для вашого кейсу.

Як вибрати між CoreML та TFLite для on-device інференсу?

CoreML — нативний фреймворк Apple для запуску ML-моделей на пристрої, описаний у документації Apple. Підтримує Neural Engine (A11 Bionic та новіші), GPU та CPU як fallback. Моделі конвертуються у формат .mlmodel через coremltools з PyTorch, ONNX або TensorFlow. Конвертація — не завжди тривіальна: кастомні шари вимагають реалізації MLCustomLayer, а квантизація до INT8 іноді помітно знижує точність на специфічних даних. Ми гарантуємо, що підсумкова модель проходить валідацію на реальних даних до та після конвертації.

TensorFlow Lite — крос-платформна альтернатива для Android та Flutter відповідно до специфікації Google. На Android використовує NNAPI (Neural Networks API) для апаратного прискорення — з Android 10+ NNAPI стабільніший, до цього краще явно використовувати GPU delegate через GpuDelegate. Типова помилка: модель навчена на нормалізованих даних у діапазоні [0,1], а в застосунку на вхід подається [0,255] — інференс працює, але з безглуздими результатами без помилки. Ми включаємо модуль автоматичної валідації вхідних даних у SDK.

Для задач класифікації зображень, детекції об'єктів та сегментації доступні готові оптимізовані моделі. YOLOv8 у CoreML форматі запускає детекцію кадру 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite з GPU delegate — близько 8 мс на Pixel 7 при класифікації.

Що робити, якщо потрібна генерація тексту на пристрої?

Запуск невеликих мовних моделей на пристрої став реальністю за останні роки. Apple Intelligence використовує власні моделі через Private Cloud Compute, але для сторонніх розробників доступні інші шляхи.

llama.cpp з Metal backend на iOS — робочий підхід для phi-3-mini (3.8B параметрів, 4-bit квантизація, ~2.3 ГБ). Інференс: 15–25 токенів/секунду на iPhone 15 Pro. Для інтеграції в Swift використовуємо Swift Package llama.swift або обгортку через C-інтерфейс llama.h. Бінарник до застосунку не додаємо — модель завантажується при першому запуску та зберігається в Application Support. Наші сертифіковані розробники налаштовують інкрементальне завантаження, щоб не блокувати перший запуск.

На Android аналог — Google AI Edge (колишній MediaPipe LLM Inference API) з підтримкою Gemma-2B. Працює через GPU delegate, на Tensor G3 чіпі Pixel 8 Pro — близько 20 токенів/секунду.

Інтеграція OpenAI API та інших хмарних моделей

Для сценаріїв, де cloud inference допустимий, інтеграція OpenAI, Anthropic або Google Gemini — це HTTP клієнт + streaming SSE. У Swift зручно через AsyncThrowingStream для стрімінгових відповідей. У Kotlin — через Flow.

Критично важливо: API-ключі ніколи не зберігаються в бандлі застосунку. Навіть обфускований ключ витягується з IPA за 10 хвилин через strings або frida. Правильна архітектура: мобільний застосунок → власний backend → OpenAI API. Backend контролює rate limiting, логує запити, захищає ключ.

Що входить у роботу (результати)

• Навчена та квантизована модель під цільовий пристрій (документація за метриками)
• SDK для інтеграції (Swift/Kotlin/Flutter) з прикладами виклику
• Тести продуктивності на 3–5 реальних пристроях
• Інструкція з оновлення моделі OTA
• Підтримка при проходженні модерації App Store / Google Play (перевірка відповідності Guidelines 4.2, 5.1)
• 2 тижні технічної підтримки після релізу

Типовий пайплайн проекту

1. Аналіз завдання — вимірюємо latency, privacy, size, підтримувані пристрої.
2. Прототипування моделі — в Python, оцінка accuracy на цільових даних.
3. Конвертація та квантизація — під CoreML/TFLite з валідацією.
4. Інтеграція в застосунок — модель обгортається в сервісний шар (легко замінювати CoreML → TFLite → хмара).
5. Тестування — на реальних пристроях, вимір FPS, RAM, батареї.
6. Деплой — через TestFlight / Firebase App Distribution, моніторинг метрик.

Терміни: інтеграція готової CoreML/TFLite моделі — 1–2 тижні, розробка кастомної моделі з мобільною оптимізацією — від 6 тижнів, on-device LLM чат з персоналізацією — 4–8 тижнів.

Чому ми беремося за складні кейси?

10+ років досвіду в мобільній розробці, 50+ впроваджених AI/ML рішень, гарантія сумісності з актуальними версіями iOS та Android. Всі проекти проходять code review та навантажувальне тестування. У вартість вже входить підготовка документації для модерації та навчання вашої команди.

Зв'яжіться з нами — ми допоможемо вибрати архітектуру та впровадити ML у ваш застосунок під ключ. Замовте аудит наявного рішення — безкоштовно оцінимо потенціал економії серверних витрат. Отримайте консультацію експерта — напишіть нам сьогодні.