讓 Azure Form Recognizer 幫你數位化大量紙本表單

在數位轉型的過程，通常不會是一步到位，總是會有一些青黃不接的過渡時期，在這些過渡時期的各項產出可能都會有一點尷尬。最常遇到的情況之一是，明明已經將表單數位化了，但是由於種種因素，還是會需要用到大量紙本表單，這些表單的資料，又要想辦法輸入到資料庫裡，需要有耗時耗力 key in，而且也會有恍神輸入錯誤的風險。為了渡過這樣的尷尬時期，或許就可以利用光學字元辨識（Optical Character Recognition，OCR）的技術來解決問題。但自己訓練模型又太久，所以我們可以偷懶一下，利用 Azure Form Recognizer。

Azure Form Recognizer Studio

• 登入 Form Recognizer Studio
  • 如果沒有 Azure 帳號，可以試著申請免費帳號。點此看教學。
  • 需要建立表單辨識器(預覽)
• 進入 Form Recognizer Studio 之後，會看到各種現成的範本可以使用，每種都有提供現成的範例，讓你可以嘗試操作，觀察效果。如果不知道自己的表格適合哪一種範本，建議一開始可以選擇 General documents。
• 在 General documents，可以直接用他們的範例檔案作分析，也可以直接上傳自己的檔案辨識文件中的文字。

實測結果

以下兩個範例，是將紙本表單 掃瞄 後，上傳到 Form Recognizer Studio 進行測試：

表格偵測效果佳

以吞嚥問題評估表作為示範

• 針對文字的部分，很明顯可以幾乎都有偵測到文字，且手寫文字也可被辨識。

• 可偵測到何處為表格，表格內需要打勾的格子，也被轉換成 checkbox 的形式呈現，並且知道哪一格被打勾了。

• 若點選 Selection marks，也明確呈現出，每個格子勾選的情況。
  

提升偵測效果的懶人破解法

以這份肌少症風險自我檢測（SARC-F）為例：

這邊有一個小問題，checkbox 離文字太近，可能會導致偵測效果變差，例如：方框可能無法有效被偵測到，偵測成『コ』，或者『□2 分』變成『11 分』。

在不自己訓練模型的情況下，最簡單的偷懶方法是，直接用修圖改掉原始表格。假設稍微把方框與文字分開一點，得到的結果就會改善許多。

偵測大量紙本表格

如果需要偵測的表格只有幾張，或許手動上傳偵測，可能還可以接受，但是量太大就有點痛苦了，這時候還是得稍微寫一點程式來處理。Azure Form Recognizer 也還算佛心，雖然現在還是預覽的版本，但也已經開出 API ，也把範例程式碼（Python, JavaScript, C#）直接放在網頁上，可以直接複製貼上，再自己依情況修改。

會需要用到自己的 key 和 endpoint，直接去自己的 resource 去取用即可，詳情點此。

另外，以下三點可以注意一下：

• API 可以讓使用者透過檔案的 URL 上傳檔案給 Form Recognizer 辨識，也可以將自己電腦中的檔案透過 binary 的方式上傳。
• 分析 PDF 檔的效果似乎比較好。
• 目前 Azure Form Recognizer 還不是正式版本，似乎只能讀取 PDF 檔的前兩頁。在掃描時，可以把每一份表單都獨立成一份 PDF 檔，然後再一一交由 Form Recognizer 辨識。期待之後，推出正式版本，功能可以更完整。

有需要大量偵測紙本表格的人可以參考此 Colab Notebook。