Gemini Pro Vision 作为 表格 OCR 解决方案的简单测试

[ninehills]

随着 Google 发布了 Gemini Pro Vision，我在思考能否将其用来解决 RAG 中经典的问题，扫描 PDF 中的表格识别和转换为 Markdown 格式。

结论先行

1. 使用 Few-shot 可以达到比较完美的识别效果。
2. 英文和数据的识别较好。
3. 中文 OCR 识别能力较弱，无法使用。

Prompt

我们使用 ai.google.dev，编写 Structured Prompt 如下：

Model: Gemini Pro Vision
Temperature: 0

Prompt 正文：

Please perform OCR on the image and convert it to Markdown table. 

- Correctly convert tables and recheck the header columns of the tables.
- Use ```markdown``` code block to wrap the output.

Examples

为了提高识别效果，尤其是解决在多行换行识别逻辑的问题，需要增加示例。

Input:

Output:

```markdown
表 4-1 几种常用的遥感卫星及其遥感器参数

| 遥感卫星 | 轨道高度/km | 轨道倾角/° | 周期/天 | 波段/μm | 空间分辨率/m | 扫幅带宽/km |
| --- | --- | --- | --- | --- | --- | --- |
| Quick Bird | 450 | 97.2 | 1~3.5 | 0.45~0.9<br/>0.45~0.52<br/>0.52~0.60<br/>0.63~0.69<br/>0.76~0.90 | 0.61~0.72<br/>2.44~2.88<br/>2.44~2.88<br/>2.44~2.88<br/>2.44~2.88 | 16.5 |
| 中巴 CBERS-1 | 778 | 98.7 | 26 | 0.50~1.10<br/>1.55~1.75<br/>2.08~2.35<br/>10.4~12.5 | 77.8<br/>77.8<br/>77.8<br/>77.8 |  |
|  |  |  |  | CCD 相机<br/>0.45~0.52<br/>0.52~0.59<br/>0.63~0.69<br/>0.77~0.89<br/>0.51~0.73 | 19.5 |  |
|  |  |  |  | 广角成像仪<br/>0.63~0.69<br/>0.77~0.89 | 256 |  |
| Landsat TM | 705 | 98.2 | 16 | 0.45~0.52<br/>0.52~0.60<br/>0.63~0.69<br/>0.76~0.90<br/>1.55~1.75<br/>10.4~12.4<br/>2.05~2.35 | 30<br/>（1～5，7波段） | 185 |
```

运行结果

运行 1

Input:

Output:（下划线是github markdown 语法的问题）

表 4-1 续

遥感卫星	轨道高度/km	轨道倾角/°	周期/天	波段/μm	空间分辨率/m	扫幅带宽/km
SPOT	832	98.2	26	0.500.59 0.610.68 0.790.89 0.510.73	20 20 20 10	60
NOAA	833	98.9	0.5	0.580.68 0.721.10 3.553.93 10.311.3 11.5~12.5	1 100	2 400
IKONOS	681	98.1	14	0.450.9 0.450.52 0.520.60 0.630.69 0.76~0.90	0.82 4 4 4 4	1

运行 2

Input:

Output:

表 5-1 浙江省森林防火数据库文件
字段解释

字段序号	字段名称
8	名称、地址、经度（度，分，秒）、纬度（度，分，秒）、区域面积、县区、单位、负责人姓名和电话
10	名称、地址、值班电话、成员姓名、工作单位、行政级别、指挥权限、办公室电话、住宅电话、传真号码、办公电话
14	名称、地址、负责人、电话、经度（度，分，秒）、纬度（度，分，秒）、海拔高度、森林类型、郁闭度、火灾隐患、主要林木、二号工具、柴油、割灌机、GPS定位仪
10	名称、乡镇（乡镇、村）、村庄、经度（度，分，秒）、纬度（度，分，秒）、海拔高度、森林类型、郁闭度、火灾隐患、主要林木、二号工具、柴油、割灌机、GPS定位仪
14	名称、地址、负责人、电话、经度（度，分，秒）、纬度（度，分，秒）、海拔高度、森林类型、郁闭度、火灾隐患、主要林木、二号工具、柴油、割灌机、GPS定位仪
8	无线电台呼号（经建委）、注册号码、台站名称、台站所在地、经度（度，分，秒）、纬度（度，分，秒）、数量、配置情况、通讯设施状况、处置建议
30	编号、火灾编号、发生时间、扑救开始时间、火场面积、森林类型、火场级别、火灾等级、主要原因、过火面积、受灾林木株数、毁坏林木蓄积、受害林地面积、火场火势、火灾扑救力量、扑救方法、车辆（台）、人员（人）、消防器材、扑救经过、火场天气、火灾损失、年份和健康状况、处理建议

运行 3

Input:

Output:

表1-2 我国各省林业站、点遥感区域面积表

站名	遥感面积/万hm2	航线	航线长度/km	备注
东北林业航空中心	190.90	3	1024
吉林省森林消防站	227.35	1	544	系统合同线
贵州省森林消防站	491.50	4	1558	不含重要面积
加格达奇森林消防站	512.75	3	1276	同上
漠河森林消防站	620.25	3	1604
广西壮族自治区林业厅				广西规划航线
海南省林业厅	430.25	7	2811	不含重要面积
乌兰察布特种林场	365.25	4	1399	同上
乌鲁木齐电气林场	314.75	3	1030
克拉玛依林场	754.50	8	3108
长白山森林公园		2	543
江西省林业厅	502.00	3	1282
广西贺州林场	648.50	5	2111
东方红林业农场		1	238
伊春森工林场	378.50	5	1635	同上