OCR документов с фото: пайплайн детекции, коррекции и распознавания

Пайплайн OCR для фотографий документов

Фотография документа — не скан. Типичные проблемы: перспективные искажения (текст становится трапецией), тени от пальцев и переплёта, неравномерное освещение, смазанность при движении, отражения на глянцевых поверхностях. Качественная система распознавания должна исправлять все эти искажения до передачи в OCR-движок. Без предобработки даже лучшие модели (PaddleOCR, GPT-4o) показывают CER 20–30% на таких фото. Для паспортов и удостоверений требуется CER <5% — это достижимо только с комплексным пайплайном.

Мы разработали решение, которое автоматически детектирует документ, выравнивает перспективу, убирает тени и блики, и только затем запускает OCR. Такой подход даёт стабильно низкую ошибку даже на неидеальных снимках. Наш пайплайн обрабатывает кадр за ~200 мс на GPU и уже внедрён в проектах для банков и государственных организаций — более 5 лет опыта, более 20 успешных интеграций.

Как мы выравниваем документ на фотографии?

Первая задача — найти документ в кадре и исправить перспективу. Типичная ситуация: пользователь фотографирует паспорт под углом, и текст становится нечитаемым для обычного OCR. Мы используем детекцию контуров на изображении после предобработки: перевод в серый, размытие, выделение границ оператором Canny, затем поиск четырёхугольника, занимающего >20% кадра. Если такой контур найден — применяем перспективную трансформацию (homography). Это даёт фронтальный вид 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: даже при наклоне до 30° текст становится горизонтальным, что радикально улучшает качество распознавания.

Что делать с тенями и бликами?

Следующая проблема — неравномерное освещение. На реальных фото часто встречаются тени от пальцев, переплёта или блики на ламинированных картах. Для теней применяем CLAHE (Contrast Limited Adaptive Histogram Equalization) в цветовом пространстве LAB. Это адаптивно выравнивает яркость по локальным областям, не создавая артефактов. Для бликов используем inpainting — обнаруживаем пересвеченные пиксели (значение >250 в одном из RGB-каналов) и интерполируем их из соседних участков.

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

Также добавляем лёгкий sharpen для компенсации размытости при съёмке с рук. Наш опыт показывает, что комбинация CLAHE + sharpen снижает CER на 3–5% по сравнению с сырым изображением.

Полный пайплайн обработки фото документа

Вот как выглядит наш production-пайплайн (код на Python с OpenCV и PaddleOCR). Функции объединены в один класс. Мы используем PaddleOCR с русским языком и угловой классификацией (use_angle_cls=True). На GPU обработка одного кадра занимает ~200 мс. Для мобильных устройств можно заменить на лёгкую модель.

Сравнение OCR-движков на реальных фото

PaddleOCR даёт лучший баланс точности и скорости для русскоязычных документов. При этом без нашего пайплайна предобработки любой OCR показывает на 5–10% худший CER. Используя комбинацию OpenCV и PaddleOCR, мы добиваемся CER <5% для паспортов — это в 1.5–3 раза лучше, чем без предобработки. Наш пайплайн обрабатывает кадр в 2 раза быстрее стандартных решений с аналогичным качеством.

Процесс внедрения

Реализация под ключ включает:

1. Анализ: изучение типов документов, условий съёмки, требований к точности, подбор эталонных снимков.
2. Проектирование: выбор стека (OpenCV, PyTorch/TensorFlow, OCR-движок), архитектура пайплайна, конфигурация контейнеров.
3. Разработка: написание модулей детекции, коррекции, OCR; интеграция с backend через REST API.
4. Тестирование: на вашем датасете (минимум 500 изображений) замер CER, latency p99, отладка edge-кейсов.
5. Деплой: контейнеризация (Docker), развёртывание на сервере или edge-устройстве, мониторинг метрик.

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

Что входит в результат

• Документированный пайплайн (код, конфиги, дашборды мониторинга).
• Интеграция через REST API с примерами запросов.
• Обучающий вебинар для команды заказчика.
• Гарантия: фиксируем целевой CER в договоре — ваш бизнес получает предсказуемое качество.

Сроки ориентировочно

Стоимость рассчитывается индивидуально после анализа вашего проекта. Свяжитесь с нами для оценки — обсудим стек и объём работ, подготовим коммерческое предложение за 1–2 дня. Получите консультацию инженера, чтобы убедиться, что решение подходит именно вам.

Мы работаем с компьютерным зрением и OCR более 5 лет, реализовали проекты для банков, страховых и государственных организаций. Ваш кейс может быть следующим.

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.