من جدول PDF إلى خلايا مترابطة: مشاريع تخرج الرؤية الحاسوبية

ما معنى أن يعيد النظام بناء جدول؟

قد يعثر كاشف الصور على مستطيل الجدول بدقة، ثم يقرأ OCR الكلمات بطريقة صحيحة، ومع ذلك يضع قيمة الإجمالي تحت العمود الخطأ لأن صف العنوان يدمج خليتين. يركز مشروع تخرج الرؤية الحاسوبية على هذه الطبقة الوسطى: اكتشاف الجدول، تحديد صفوفه وأعمدته، تمثيل الخلايا الممتدة، وربط النص بمكانه. نسخة البداية لا تحتاج استخراج مجموعة ضخمة من تقارير حساسة؛ اختر صفحات عامة أو أنشئ جداول اختبار بنفسك. احتفظ بكل صفحة مع إحداثيات الحقيقة المرجعية ومصدرها، ثم أظهر الفرق بين صورة الصفحة والهيكل الذي أنتجه النظام بحيث يستطيع المراجع رؤية أين انكسرت البنية. هذا الفصل مهم لأن إصلاح OCR لا يعالج خطأ ربط الخلية، والعكس صحيح.

ابدأ من تعريف المهمة في PubTables-1M

تعرض ورقة PubTables-1M مجموعة كبيرة وموحدة لتعليقات الجداول، وتفصل ثلاث مهام: اكتشاف منطقة الجدول، التعرف على بنيته، وتحليل الدور الوظيفي للخلايا. تعامل معها كمرجع منهجي لا كضمان أن ملفات الجامعة ستشبه أوراقها العلمية. يشرح مستودع Microsoft Table Transformer تنظيم النماذج والبيانات؛ اقرأ شروط الاستخدام وتحقق من أن ملفات التقييم متاحة ومناسبة قبل التدريب. لا تنسخ المجموعة كاملة إلى مشروعك أو موقعك دون مراجعة الترخيص. إذا تعذر استضافة الصور، استخدم اختباراً مصغراً من جداول أنشأتها، مع وصف واضح أنها تركيبية، ولا تنسب إليها أداء PubTables. احتفظ باسم المصدر والإصدار حتى يستطيع قارئ التقرير معرفة أي ملف أو بروتوكول استخدمته.

افصل مراحل الخطأ في خط المعالجة

يسجل خطك المدخل PDF ورقم الصفحة ودقة العرض ونوع الخطوة. حوّل الصفحة إلى صورة بدقة ثابتة، شغل كاشفاً، ثم أرسل كل منطقة إلى محلل صفوف وأعمدة، وبعدها تعرف على النص في كل خلية. أنشئ تمثيلاً وسيطاً مثل HTML table أو JSON يحفظ امتداد الصف والعمود وترتيب القراءة. مثال اختباري: جدول فيه صف عنوان يمتد فوق ثلاثة أعمدة، وصف ثان فيه اسم المادة ووحدة القياس والقيمة. إذا اكتشف OCR الرقم 12.5 لكن نسبه إلى وحدة القياس، فالمشكلة ليست في قراءة الرقم بل في مطابقة الخلية. احفظ مربعات الكشف وروابط النص حتى يستطيع المراجع التفريق بين خطأ المنطقة وخطأ الشبكة وخطأ الحروف. مثال البيانات يجب أن يتضمن الحالة قبل وبعد إعادة بناء الهيكل.

قارن بين خط أساس بسيط ونموذج تعلم آلي

ابدأ بجداول ذات خطوط ظاهرة: استخرج الخطوط الأفقية والعمودية بعمليات صورة تقليدية، ثم ابن شبكة من التقاطعات. هذا خط أساس يوضح ما يمكن إنجازه دون تدريب. بعده اختبر Table Transformer أو نموذجاً آخر بحسب الترخيص ومتطلبات التشغيل. لا تقارن عدد الجداول الصحيحة وحده؛ قس precision وrecall لمناطق الجداول، ثم نسبة الصفوف والأعمدة المطابقة ومعدل الخلايا ذات النص الصحيح. في الجداول بلا حدود، اقترح النظام صفوفاً من المحاذاة والمسافات؛ سجلها كمجموعة مستقلة لأن الاستدلال أصعب. إن كان لديك ثلاثون صفحة، فلا تذكر accuracy بدقة عشرية توحي بقياس واسع؛ اعرض عدد الصفحات وأمثلة الفشل والاختلاف بين نوعين من الجداول، وميّز نتائج النموذج عن التعديلات اليدوية.

أنشئ معياراً مرجعياً يراه محكمان

اكتب قواعد لما يعنيه امتداد الخلية وما إذا كان عنوان الجدول خارج الشبكة أو داخلها. اختر صفحات بأحجام خطوط مختلفة، وجدولاً مدوراً، وخلايا فارغة، ونصاً عربياً من اليمين إلى اليسار، وأرقاماً عربية وغربية، وعنواناً متعدد الأسطر. اطلب من شخصين ترسيم عينة مشتركة، وسجل كيف حسمتما الخلاف قبل توسيع الوسم. لا تسمح للنموذج بأن يختار الحقيقة المرجعية التي سيحاسب عليها. خزّن annotations بإصدار مع اسم الصفحة وبصمتها؛ إذا عدل أحد الحدود فاحتفظ بالنسخة السابقة وسبب التغيير. هذا يمنع تفسير فرق التقييم الناتج عن اختلاف قواعد الوسم على أنه تقدم في النموذج. أضف حالات اختبار لا يتفق فيها المراجعان حتى يرى القارئ حدود الحكم البشري أيضاً.

اختبارات تقبل الفشل قبل العرض

مرر PDF نصياً وآخر ممسوحاً، وصفحة بدقة أقل، وصفحة فيها ظل أو قص للحافة. افحص أن جدولين في الصفحة لا يندمجان وأن عنواناً قريباً لا يصنف كصف. أنشئ اختبار تحويل للـJSON إلى HTML ثم قارن ترتيب الخلايا وقيمها؛ يجب أن يحافظ على الخلايا المدمجة ولا يسقط النص. أضف حالات «لم يجد جدولاً» و«وجد المنطقة لكن تعذر بناء الشبكة» و«البنية صحيحة والنص غير مقروء». لا تخف فشل OCR باستبدال القيمة يدوياً قبل حساب النتيجة. إن احتجت تصحيحاً بشرياً فخزنه كخطوة مستقلة، واعرض معدل التصحيحات لا بوصفه إخراجاً آلياً. اختبر اتجاه النص بعينة عربية مختلطة برمز لاتيني حتى لا ينقلب ترتيب الأعمدة أثناء التصدير.

تسليم قابل للمراجعة وحدود صريحة

يضم التقرير صفحات الاختبار المسموح بها، والوسوم، وإصدارات النماذج، وطريقة تحويل PDF، ومقاييس كل مرحلة. اختلاف الجداول بين المقالات الأكاديمية والفواتير والدرجات قد يجعل النموذج يتدهور عند نقله إلى مصدر جديد؛ لا تعمم من عينة واحدة. تجنب الملفات الشخصية أو سجلات الدرجات الحقيقية، ولا ترسل محتوى سرياً لخدمة خارجية بلا تصريح. يمكن تناول النطاق في مشاريع تخرج وخدمات الذكاء الاصطناعي وتحليل البيانات. يضيف واصف الرسوم المرتبط بالبيانات تفسيراً للرسم بعد استخراج الجدول، بينما يركز مقال تدقيق أبعاد CAD على الرسومات الهندسية لا جداول PDF. لا يوجد في هذا المقترح قياس جديد قبل أن ينفذ الفريق التجربة على مجموعة موثقة.