逆天強(qiáng)大！Spring AI 身份證識(shí)別，圖片分析真牛啊
環(huán)境：SpringBoot3.4.2
1. 簡(jiǎn)介
人類處理知識(shí)時(shí)，會(huì)同時(shí)通過多種數(shù)據(jù)輸入模式進(jìn)行。我們的學(xué)習(xí)方式、經(jīng)驗(yàn)積累本質(zhì)上都是多模態(tài)的。我們并非僅依賴視覺、僅依賴聽覺或僅依賴文本，而是綜合運(yùn)用多種感官。
與之相反，傳統(tǒng)機(jī)器學(xué)習(xí)往往專注于針對(duì)單一模態(tài)數(shù)據(jù)進(jìn)行處理的專用模型。例如，我們開發(fā)了用于文本轉(zhuǎn)語音或語音轉(zhuǎn)文本任務(wù)的音頻模型，以及用于目標(biāo)檢測(cè)和分類等任務(wù)的計(jì)算機(jī)視覺模型。
然而，新一輪的多模態(tài)大型語言模型浪潮正悄然興起。例如，OpenAI 的 GPT-4o、谷歌的 Vertex AI Gemini 1.5、Anthropic 的 Claude3，以及開源模型 Llama3.2、LLaVA 和 BakLLaVA 等，均能夠接受多種輸入（包括文本、圖像、音頻和視頻），并通過整合這些輸入生成文本響應(yīng)。
Spring AI 多模態(tài)能力
多模態(tài)（Multimodality）指模型能夠同時(shí)理解并處理來自多種來源的信息，涵蓋文本、圖像、音頻及其他數(shù)據(jù)格式。
Spring AI 的 Message API（消息接口） 為多模態(tài)大型語言模型（LLMs）提供了所有必要的抽象層支持，開發(fā)者可通過該接口實(shí)現(xiàn)跨模態(tài)數(shù)據(jù)的無縫整合與交互，無需底層適配即可構(gòu)建支持文本、圖像、音頻等多輸入源的AI應(yīng)用。
Spring AI Message API
說明：
UserMessage 的 content 字段 用于承載主要文本輸入，而可選的 media 字段 則支持添加一種或多種跨模態(tài)附加內(nèi)容（如圖像、音頻、視頻等）。字段通過 MimeType 明確標(biāo)識(shí)模態(tài)類型，以定義數(shù)據(jù)格式（如 image/jpeg、audio/mp3）。
接下來，我們將通過實(shí)例演示有關(guān)圖片識(shí)別的實(shí)例。
2.實(shí)戰(zhàn)案例
準(zhǔn)備環(huán)境
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-openai</artifactId>
</dependency>配置文件
spring:
ai:
openai:
api-key: sk-xxxooo
base-url: https://api.xty.app
chat:
options:
model: gpt-42.1 圖片分析
首先，我們準(zhǔn)備如下的這張圖片，我們對(duì)該圖片進(jìn)行分析，看看大模型能分析出什么內(nèi)容來：
示例代碼：
private final ChatClient chatClient ;
@GetMapping("/image")
public String image() {
return this.chatClient
.prompt()
.user(u -> u.text("你看到了什么?")
.media(MimeTypeUtils.IMAGE_PNG, new ClassPathResource("static/multimodal.test.png")))
.call()
.content() ;
}輸出結(jié)果
圖片
正確的分析出圖片中的內(nèi)容。
2.2 身份證識(shí)別
下面我們?cè)跍?zhǔn)備一張身份證，看看是否能正確的讀取出身份證中的內(nèi)容信息。
圖片
示例代碼：
@GetMapping("/sfz")
public String sfz() {
String text = """
輸出該身份證中的姓名(name), 性別(sex), 民族(nation), 出生(birth), 住址(address), 身份證號(hào)碼(idNo)。
最終以json格式輸出。
""";
return this.chatClient
.prompt()
.user(u -> {
u.text(text)
.media(MimeTypeUtils.IMAGE_PNG, new ClassPathResource("static/sfz.jpg"));
})
.call()
.content() ;
}輸出結(jié)果
圖片
正確識(shí)別出身份證中的所有信息。
2.3 結(jié)構(gòu)化輸出
以下示例將演示通過上傳汽車圖片方式分析圖片，并由系統(tǒng)以結(jié)構(gòu)化 JSON 格式返回分析結(jié)果（例如各顏色，總數(shù)）。
定義數(shù)據(jù)模型
public record CarCount(List<CarColorCount> counts, int total) {
}
public record CarColorCount(String color, int count) {
}接著，定義如下Service 發(fā)送圖片到OpenAI進(jìn)行分析
@Service
public class CarCountService {
private final ChatClient chatClient;
public CarCountService(ChatClient.Builder chatClientBuilder) {
this.chatClient = chatClientBuilder.build();
}
public CarCount getCarCount(InputStream imageInputStream, String contentType, String colors) {
String text = """
1.統(tǒng)計(jì)圖像中不同顏色車輛的數(shù)量
2.用戶通過提示詞（prompt）提供圖像，并指定需統(tǒng)計(jì)的顏色
3.僅統(tǒng)計(jì)用戶提示詞中明確指定的顏色（忽略其他顏色）
4.過濾用戶提示詞中的非顏色信息（如無關(guān)文本或無效描述）
5.若用戶提示詞中未指定任何顏色，直接返回總數(shù)為 0
""" ;
return chatClient.prompt()
.system(systemMessage -> systemMessage
.text(text))
.user(userMessage -> userMessage
.text(colors)
.media(MimeTypeUtils.parseMimeType(contentType), new InputStreamResource(imageInputStream)))
.call()
.entity(CarCount.class);
}
}REST接口
@PostMapping("/count")
public ResponseEntity<?> getCarCounts(@RequestParam("colors") String colors,
@RequestParam("file") MultipartFile file) {
try (InputStream inputStream = file.getInputStream()) {
var carCount = carCountService.getCarCount(inputStream, file.getContentType(), colors);
return ResponseEntity.ok(carCount) ;
} catch (IOException e) {
return ResponseEntity.status(HttpStatus.INTERNAL_SERVER_ERROR).body("圖片上傳失敗");
}
}接下來，我們準(zhǔn)備如下的圖片
圖片
輸出結(jié)果
圖片
