ADR-015. Опознание формы и страницы кадра

1. Контекст

FR-003 «Сегментация и извлечение атрибутов» требует: прежде чем читать поля, Сервис определяет форму бланка и распределяет кадры по её страницам — пока форма не опознана, состав страниц и полей неизвестен, а кадр, не отнесённый ни к одной странице, считается лишним.

ADR-014 «Фоновая очередь обработки пакетов и шесть состояний» поставил опознание вида шагом фоновой очереди (воркер прогоняет нормализацию и опознание вида; неуспех уводит пакет в «ошибка»), но механизм не задал и сослался на ADR-009 «Обращение к модели распознавания». А тот в разделе «За рамками» опознание формы/страницы явно исключает — считает, что к моменту вызова модели форма уже известна, кадр отнесён к странице, каталог полей собран.

Отсюда пробел, который закрывает это решение: чем именно кадр относится к форме и странице.

Что уже есть. Механизм отработан на стенде — эпик «Стенд распознавания карт»: выравнивание кадра, детекция рамки-якоря таблицы, счёт линий сетки, разведение вариантов бланка по зонам-различиям, скоринг с отрывом. Геометрия полей для последующего чтения уже смоделирована — область поля FormField в процентах страницы.

1.1. За рамками

Чтение значений полей известной формы (ADR-009 «Обращение к модели распознавания»), нормализация кадра (ADR_SRV_005_ImageNormalizationOrthocover) и семантический вид карты (card_kind модель возвращает в ходе извлечения, FR-003 «Сегментация и извлечение атрибутов») — не здесь. Это решение про геометрическое опознание раскладки, дающее конкретную форму и страницу.

2. Решение

Опознание геометрическое и детерминированное, не модельное. Форму и страницу кадра Сервис определяет алгоритмом по пикселям, а не обращением к VLM. Причина в порядке: опознание нужно до извлечения — выбрать форму, чтобы собрать каталог полей страницы и включить офлайн-чтение отметок; на этом шаге модель избыточна, недетерминирована и дороже, а признак — чисто геометрический (структура линий бланка).

Два признака, грубый и тонкий. Кадр выравнивается по вертикали (deskew), у таблицы детектируется рамка-якорь (границы по краевым линиям сетки). Дальше:

• страница (сторона листа, FormPage) — по грубому признаку: число горизонтальных линий по всей рамке разводит стороны;
• форма (редакция бланка, DocumentForm) — по тонкому: в заранее размеченных зонах-различиях сравнивается число линий.

Скоринг с отрывом. Кандидату считается взвешенная сумма модулей расхождений (грубый признак весомее, зоны уточняют); выбирается минимум. Отрыв от второго места — уверенность: мал — «вид не опознан».

Стыковка с очередью. Это и есть шаг «опознание вида» воркера ADR-014 «Фоновая очередь обработки пакетов и шесть состояний»: уверенное опознание даёт пару «форма + страница» каждому кадру, пакет идёт дальше по конвейеру; низкая уверенность или отсутствие подходящей формы = «вид не опознан» → пакет в состояние «ошибка», оператор разбирается командой (ручной повтор, отклонение вида, выбор формы вручную). Ручной выбор оператора авторитетнее детектора — детектор снимает рутину, а не решает окончательно.

Эталонные данные — справочные, при форме. Детектору нужен эталон на каждую форму/страницу: рамка-якорь, линии сетки, зоны-различия и ожидаемые счётчики линий. Это отдельная reference-сущность профиля детектирования при форме и странице (вводится следующим артефактом). Разметка эталона — работа аналитика на стенде.

Координаты — доли выровненного кадра, сводятся к процентам страницы — той же шкале, что область поля FormField и источник значения (ADR-005 «Привязка значения к странице формы и области»); шкала не зависит от разрешения снимка.

Обработка образа — локальная, управляемой библиотекой. Пиксельные профили и счёт линий выполняются в процессе Сервиса CPU-библиотекой обработки изображений (конкретная — в пункте реализации); кадры наружу не передаются, как и при обращении к модели.

2.1. Чего в первой редакции нет

Сознательно откладываем до фактов:

3. Обоснование

Критерий выбора — «сколько до первого воспроизводимого опознания на наших бланках», а не «насколько универсально». Структура линий бланка — устойчивый признак: он не зависит от рукописного наполнения и берётся арифметикой по пикселям, поэтому опознание бесплатно и повторяемо, а его ошибки объяснимы (видно, какая зона не совпала), в отличие от вердикта модели.

Это прямое продолжение принципа стенда «математика вперёд, модель — только на текст»: детерминированное опознание раскладки открывает офлайн-чтение отметок и адресную сегментацию, а модель остаётся там, где без неё нельзя, — на рукописном тексте.

Геометрия и модель не конкурируют, а дополняют: детектор даёт конкретную форму/страницу (редакцию и сторону), а семантический card_kind модель возвращает в ходе извлечения — это независимая перекрёстная проверка, а не источник геометрии.

4. Следствия

Каждой форме нужен размеченный эталон. Без профиля детектирования форма не опознаётся — появляется работа аналитика по разметке (её и ведёт стенд, эпик «Стенд распознавания карт»), и справочник форм versionируется вместе с профилями.

В бэкенде появляется обработка изображений. Раньше Сервис лишь звал внешнюю нормализацию (ADR_SRV_005_ImageNormalizationOrthocover); теперь он сам считает пиксельные профили — новая библиотека-зависимость под своим пунктом реализации.

Порог уверенности живёт без калибровки. Пока набора для настройки нет, граница «опознано / не опознано» грубая; спорные кадры уходят в «ошибка» ADR-014 «Фоновая очередь обработки пакетов и шесть состояний», где решает оператор. Это осознанно строгая сторона: лучше спросить человека, чем сесть не на ту форму.

Потолок — разрешение снимка. Счёт линий шумит на мелком фото; на этом упирается и точность опознания, и последующее офлайн-чтение (открытый вопрос стенда про разрешение).

5. Рассмотренные альтернативы

Опознавать форму моделью (VLM). Отправлять кадр модели и просить назвать вид/форму. Отвергнуто как первый шаг: недетерминировано, дороже и позже (сетевой вызов на каждый кадр до конвейера), а признак раскладки чисто геометрический — модель тут не нужна. Семантический card_kind модель и так вернёт при извлечении; это оставляет перекрёстную сверку.

Обучаемый классификатор кадров. Свёрточная сеть на «front_v1 / back_v2 / …». Отвергнуто: требует размеченного набора кадров, которого нет и который собирать только после того, как заработает базовое опознание; эвристика по линиям даёт результат сразу и объяснимо.

Только ручной выбор формы оператором. Оператор указывает форму каждому кадру. Отвергнуто как единственный путь — это рутина, ради устранения которой всё и затеяно; но сохранено как фолбэк и высшая инстанция: детектор предлагает, при низкой уверенности спрашивает, исправление оператора не переспрашивается.