表头+表格这种组合，没办法识别出表头标题

[gaogaomie]

我测试的例子用的是人行征信报告，其实某种意义上，它算是表格，但在使用ocr识别和html组装的过程中，它会把表头标题给忽略掉了，这种情况求大佬解答下，该怎么解决

[Joker1212]

可以先进行版面识别，会将表格区域和文字区域分开，再分别进行表格识别和文字ocr，也可以先版面识别后进行整页ocr识别，可能更快，整页ocr的结果给到表格识别模型，会进行box匹配的

[Joker1212]

或者格式固定的话，直接后面再用ocr添加一下也可以

[Joker1212]

可以试试rapidLayout,我试了这个模型 layout_engine = RapidLayout(model_type="doclayout_docstructbench", conf_thres=0.2)
，应该是能区分表格标题和内容框的，分别按box截图，再进行ocr识别和表格识别就行了，可能预先做个识别框去重，保留分数高的

[gaogaomie]

好的，我试试，谢谢大佬解答

[gaogaomie]

【先版面识别后进行整页ocr识别，整页ocr的结果给到表格识别模型，会进行box匹配的】
这个思路我觉得挺不错的，大佬你这个有参考的代码或者项目吗？

[Joker1212]

整页ocr识别就是把这个图片给RapidOCR识别，然后直接把这个结果丢给表格模块就行了，readme中有RapidOCR配合传入ocr结果的代码，表格模型只会匹配识别框重叠的，要提高效率你可以自己先根据版面识别的表格区域bbox过滤一下ocr的bbox