Арлазаров В.Л., Емельянов Н.Е. (Ред.). Управление информационными потоками

Оглавление

Управление информационными потоками в системе автоматического ввода документов

Арлазаров В.В.

Статья посвящена организации ввода и распознавания документов известной структуры. Рассматриваются основные этапы технологии и методы управления потоком информации через множество рабочих мест. Показывается зависимость выбора метода управления потоком от его интенсивности.

В настоящее время все большее распространение получают системы, автоматизирующие процесс ввода и обработки документов. Основное внимание уделяется документам, имеющим жесткую структуру. Под такими документами понимаются деловые бумаги, в которых априорно задается структура, то есть определены топологические и геометрические соотношения всех элементов. К таким документам относятся различные платежные квитанции, анкеты, почтовые карточки и тому подобное. По существу, имеется следующая проблема: есть документ, на котором есть, с одной стороны, данные, которые присущи всем документам этого типа, и эти данные являются статическими, и, с другой стороны, данные, являющиеся переменными (например, надпись "Фамилия, Имя, Отчество", встречающаяся в большинстве документов, относится к статическим данным, а непосредственно фамилия, имя и отчество – к переменным). Обработка таких документов заключается в том, что необходимо выделить переменные данные и перевести их в электронный текстовый вид. Наличие жесткой структуры позволяет выделять из общего потока однотипные документы, а уже непосредственно в документе выделять отдельные места, в которых расположена искомая информация; модели описания таких документов обсуждаются в [1, 2, 3].

Создание систем потокового ввода документов предусматривает решение пяти основных задач.

Во-первых, создание технологической цепочки, позволяющей переводить в электронный вид большое число документов, представленных на бумаге. Здесь используются появившиеся в последнее время мощные сканеры, обрабатывающие до 150 страниц в минуту, или большое количество низко производительных сканеров (до 6–12 страниц в минуту), или несколько сканеров средней производительности (30–50 страниц в минуту). В процессе ввода документы проходят несколько этапов обработки, часть из которых полностью автоматизирована, часть выполняется с минимальным взаимодействием с пользователем.

Во-вторых, полученные графические образы документов необходимо отсортировать. В общем случае необходимо распределить получившуюся "кучу" (несортированный набор графических образов документов) по "корзинам". В каждой "корзине" должны находиться документы одного типа ("корзина" почтовых открыток, платежных поручений и т.д.). Здесь необходимо решить задачу формализации характеристик, определяющих тип документа. Таких характеристик должно быть достаточно, чтобы однозначно отделить один тип от другого. С другой стороны, излишняя детализация может привести как к существенному увеличению количества отбракованных документов, т.е. не подходящих ни к одному типу, так и к неоправданному усложнению решения задачи управления потоком. Алгоритмы идентификации и подходы к решению задачи формализации характеристик формы обсуждаются в работах [1–6].

В-третьих, на уже отсортированных графических представлениях документов необходимо определить те места, на которых расположены искомые переменные данные, используя при этом заранее известную структуру документа.

В-четвертых, данные, расположенные в местах, определенных в предыдущей задаче, необходимо перевести из графического вида в текстовый. При решении этой задачи используются системы оптического распознавания текстов, представляющие собой интенсивно развивающийся сектор рынка программного обеспечения. Наиболее известными российским пользователям являются такие системы, как "Cuneiform", "Tiger", "Fine Reader".

В-пятых, полученные и распознанные данные необходимо записать в соответствующую базу данных или информационную систему.