Как извлечь спецификации материалов из PDF-сертификата

Краткий ответ

PDF-сертификат испытания завода содержит полное доказательство спецификации материала для партии материала: химический состав, результаты механических испытаний, стандарт и сорт, по которому он был испытан, и заявление сертифицирующего завода. Извлечение этих значений из PDF и ввод их в используемую систему—без ручного переввода—это практическая задача, которую решает это руководство.

---

Понимание содержимого PDF спецификации материала

Перед извлечением знайте, что вы ищете. Типичный MTC содержит:

Поля заголовка/идентификации

• Номер плавки (иногда называемый номером отливки, номером плавления или номером партии)
• Номер и дата сертификата
• Ссылка на заказ/PO
• Название и адрес сертифицирующего завода
• Подписант и должность

Поля спецификации материала

• Применяемый стандарт (например, ASTM A106, EN 10210-1, API 5L)
• Сорт (например, Сорт B, S355J2H, X52)
• Форма продукта (бесшовная труба, горячекатаный лист, стержень)
• Номинальные размеры (внешний диаметр, толщина стенки, длина)
• Состояние термической обработки (отожженный, закаленный, в состоянии после прокатки)

Таблица химического состава

• Углерод (C), Марганец (Mn), Кремний (Si), Фосфор (P), Сера (S) как минимум
• Дополнительные элементы в зависимости от сорта: Хром, Молибден, Никель, Ванадий, Ниобий, Бор, Азот и др.
• Значения обычно указываются в процентах по массе до 2-4 десятичных знаков

Результаты механических испытаний

• Прочность на разрыв (UTS), предел текучести (YS/Rp0.2), удлинение (%)
• Для сортов, испытанных на удар: поглощенная энергия Шарпи (Джоули) при указанной температуре
• Твердость (HB, HV, HRC) где применимо

Дополнительные данные (где применимо)

• Результаты неразрушающего контроля
• Данные сварочной проволоки / присадочного металла (для сварных изделий)
• Записи о термической обработке после сварки
• Результаты гидростатических испытаний

---

Метод 1: Ручное копирование-вставка (отдельные документы)

Для случайных поисков с низким объемом:

1. Откройте PDF в любом PDF-ридере
2. Для нативных PDF (машинного создания): используйте инструмент выделения текста для выделения и копирования значений непосредственно. Примечание: таблицы могут копироваться не аккуратно—значения могут приходить в неправильном порядке в зависимости от того, как был создан PDF.
3. Для сканированных PDF: текстовый слой—это изображение, а не выделяемый текст. Вы должны визуально читать значения и вводить их.

Ограничения: Медленно, подвержено ошибкам для химических таблиц, нет структурированного вывода, нет аудита.

---

Метод 2: Извлечение текста PDF с помощью Python (программное, нативные PDF)

Для разработчиков, которым нужно обработать пакет нативных PDF программным способом:

import pdfplumber

with pdfplumber.open("milling_cert.pdf") as pdf:
    for page in pdf.pages:
        # Extract all text
        text = page.extract_text()
        
        # Extract tables as lists
        tables = page.extract_tables()
        for table in tables:
            for row in table:
                print(row)

Что это вам дает: Необработанный текст и массивы таблиц из нативного PDF. Все еще требуется логика постобработки для определения какая таблица является таблицей химии, какая строка является заголовком и как связать значения с ярлыками элементов.

Ограничения:

• Работает только с нативными PDF (не сканированными)
• Структура таблицы теряется для сложных макетов (объединенные ячейки, многострочные заголовки)
• Нет идентификации полей—нужно писать правила для поиска каждого значения
• Не обрабатывает вариации макета между разными заводами

Этот подход применим для однопоставщика, высокообъемного сценария с стабильным форматом PDF. Это не универсальный парсер сертификатов.

---

Метод 3: Извлечение на основе ИИ (общего назначения)

Для производственного использования на нескольких поставщиков и типов документов:

Инструмент извлечения на базе ИИ получает PDF, классифицирует тип документа, определяет применимую схему извлечения, извлекает значения с оценками уверенности для каждого поля и возвращает структурированную запись JSON. Процесс одинаков для нативных PDF и сканированных документов, хотя точность выше для нативных PDF.

Как выглядит вывод (упрощенно):

{
  "heat_number": "A87234",
  "applicable_standard": "ASTM A106",
  "grade": "Grade B",
  "chemical_composition": {
    "carbon": { "value": 0.18, "unit": "wt%", "confidence": 0.97 },
    "manganese": { "value": 1.06, "unit": "wt%", "confidence": 0.96 },
    "phosphorus": { "value": 0.012, "unit": "wt%", "confidence": 0.94 },
    "sulfur": { "value": 0.008, "unit": "wt%", "confidence": 0.95 }
  },
  "mechanical_properties": {
    "tensile_strength": { "value": 415, "unit": "MPa", "confidence": 0.98 },
    "yield_strength": { "value": 240, "unit": "MPa", "confidence": 0.97 },
    "elongation": { "value": 28.5, "unit": "%", "confidence": 0.95 }
  }
}

Каждое поле несет значение, единицу и оценку уверенности. Поля с низкой уверенностью направляются на ручную проверку.

---

Общие проблемы извлечения по типам полей

Номера плавок: Формат сильно варьируется—некоторые заводы используют чисто числовые коды, другие используют буквенно-цифровые комбинации с дефисами, третьи включают ссылки на партию или испытуемый образец. Инструменты извлечения должны обрабатывать разнообразие форматов без усечения или транспонирования символов.

Единицы: Механические свойства могут быть указаны в МПа, Н/мм², кси или кгс/см² в зависимости от страны завода и применяемого стандарта. Требуется определение и нормализация единиц для сравнения между сертификатами. Прочность на разрыв "60 кси" и "414 МПа" эквивалентны, но без осведомленной нормализации единиц будут выглядеть по-разному.

Значения химии близкие к пределам обнаружения: Некоторые заводы указывают элементы как "<0.005" (ниже предела обнаружения) вместо конкретного значения. Инструмент извлечения должен обрабатывать это как ограниченное значение, а не как текстовую строку или нуль.

Двойная сертификация: Сертификат, охватывающий два одновременных стандарта (например, ASTM A106 Гр.B / ASME SA-106 Гр.B), должен регистрировать обе ссылки. Инструменты, работающие с одним стандартом, молча удаляют вторую ссылку.

Таблицы размеров продукта: Для сертификатов трубопроводов обычна таблица размеров, в которой перечислены наружный диаметр, толщина стенки и длина по номеру позиции. Эта таблица должна анализироваться отдельно от химических и механических данных и связываться по номеру позиции.

---

После извлечения: проверка по спецификации

Извлеченные значения полезны только если вы знаете, соответствуют ли они требованиям. Проверка требует сравнения каждого извлеченного значения с пределами применимого стандарта:

Без сохраняемой и версионируемой базы данных стандартов эта проверка требует от рецензента ручного поиска пределов—что сводит на нет большую часть преимуществ автоматизации. Платформы как TestCert интегрируют извлеченные значения с механизмом проверки стандартов во время извлечения, поэтому результат (прошло/не прошло) определяется автоматически для каждого извлеченного поля.

---

ЧЗВ

---

Связанные руководства

• Извлечение данных PDF-сертификатов испытания заводов на основе ИИ: методы
• Как оцифровать PDF-сертификаты испытания заводов