lab.kzbrd.ru как машины читают документы

27.10.2026

Синтетические судебные документы из настоящих образцов

Размеченных данных для русского OCR мало, а ручная разметка дорогая. Поэтому берём настоящую страницу, описываем её как шаблон, подставляем новые значения и рендерим в «скан». Координаты и текст при этом не пишутся вручную, а снимаются с отрисованной страницы.

Задача

Нужны размеченные страницы для дообучения OCR: изображение, эталонный текст в порядке чтения и bbox каждого блока. Исходных страниц с разметкой нет, а реальные документы содержат персональные данные, поэтому их нельзя ни публиковать, ни использовать в открытом виде.

Схема работы

  1. Шаблон. Vision-LLM смотрит на скан и описывает страницу списком блоков: bbox в шкале 0..1000, тип блока, выравнивание, строки текста. Переменные данные внутри строк помечаются как [[тип|значение]]: ФИО, адрес, суд, дата, номер дела, ИНН.
  2. Новые значения. Для каждого поля генерируется новое значение того же типа и формата: ФИО сохраняет падеж и формат инициалов (pymorphy3, Faker ru_RU), даты и номера сохраняют маску цифр.
  3. Верстка. HTML собирается детерминированно: каждый блок ставится по своему bbox, размер шрифта подбирается в браузере так, чтобы текст влез в исходный прямоугольник.
  4. Рендер и разметка. Страница рисуется в Chromium на 180 dpi. Строки и блоки снимаются из DOM через Range.getBoundingClientRect, поэтому bbox совпадает с реально отрисованными глифами, а не с тем, что модель написала в HTML.
  5. «Скан». Augraphy добавляет чернила, фактуру бумаги, шум копира и перспективу фото. Четыре пресета: clean, scan, copy, photo. Геометрия пересчитывается в полигоны.
  6. Выход. На каждый вариант: изображение, чистая версия без искажений, JSON со строками, блоками и полями, и .md с эталонным текстом.
Схема генерации 01 → 05
Вход · скан настоящей страницы 5 образцов: извещения и определения суда 01 · Шаблон Vision-LLM: блоки, bbox 0..1000, поля [[тип|значение]] 02 · Новые значения ФИО с падежом, даты и номера той же маски 03 · Верстка блоки по bbox, шрифт подбирается в браузере 04 · Рендер и разметка Chromium 180 dpi, строки и bbox из DOM 05 · «Скан» augraphy: чернила, фактура, шум копира, перспектива Выход · vNN.jpg, vNN.json, vNN.md изображение, bbox и поля, эталонный текст

Данные

  • 5 шаблонов: извещения и определения суда, по 20 вариантов на шаблон, 100 страниц.
  • Персональные данные. Все ФИО, адреса, номера дел и номера договоров в шаблонах размечены как поля и заменены. В выходных .md и на картинках исходных значений нет: проверено поиском по фамилиям и номерам из исходных образцов. Выборка картинок проверена глазами.
  • Публичные реквизиты судов и учреждений (адреса, телефоны, сайты) оставлены как в оригинале: это данные органов, а не частных лиц.

Примеры

Три варианта из разных шаблонов, v01:

Извещение, шапка суда и 8 адресатов (шаблон t1)

Извещение с шапкой суда и адресатами

Извещение о привлечении третьего лица, две колонки (шаблон t3, пресет с сильными полосами)

Извещение о третьем лице

Определение об отмене судебного приказа, сплошной текст (шаблон t4)

Определение об отмене приказа