النصيحة التي يقدمها الجميع حول مسح النص هي استخدام أعلى دقة ممكنة والحصول على الإضاءة بشكل صحيح. قمت بتشغيل المحرك الذي يستخدمه هذا الموقع ضد مجموعة من الصور التالفة عمدًا لمعرفة أي من هذه الأمور ، ولم يكن الجواب أيضًا. جاءت الجملة نفسها بشكل مثالي من صورة ثلث الحجم الأصلي ، تمامًا من نص رمادي على خلفية رمادية ، ومثالية من ملف jpeg محفوظ بجودة 25. ما دمرها كان يميل الصفحة بخمس درجات. خرج كل رقم أدناه من هذا المدى ، ويشيرون إلى قائمة تحقق مختلفة عن القائمة المعتادة.
ليرة تركية؛DR: يقرأ TesserAct النص الذي تم تقديمه بشكل نظيف حتى يحدث خطأ في شيئين محددين. الميل هو الأول: من 0 إلى 3 درجات من الانحراف أعطى معدل خطأ 0٪ ، و 5 درجات أعطت 2.9٪ ، و 12 درجة أعطت 16.7٪ ، و 20 درجة أعطت 32.4٪. الحجم هو الثاني ، وهو منحدر وليس منحدرًا: بقي النص مثاليًا لأسفل ارتفاعًا كبيرًا يبلغ حوالي 7 بكسل ثم انهار إلى 85.3٪ أخطاء عند 5.8 بكسل. تباين منخفض ، ضبابية وضغط JPEG الثقيل بالكاد مسجل. قومي باستقامة الصورة قبل أن تفعلي أي شيء آخر. لامه محول الصورة إلى النص يشغل المحرك في متصفحك، لذلك لا يتم تحميل الصورة مطلقًا.
كيف تم إنتاج هذه الأرقام؟
من خلال تقديم جملة معروفة ، وإتلاف الصورة بطريقة واحدة في كل مرة ، وقراءتها مرة أخرى ، وحساب التعديلات اللازمة لإصلاح النتيجة.
المقياس هو معدل خطأ الحرف: مسافة levenshtein بين ما قالته الصورة وما عادت المحرك ، مقسومة على طول الحقيقة. معدل الخطأ 2٪ على سطر من خمسين حرفًا هو حرف خاطئ. كان النص عبارة عن ثلاثة أسطر تمزج النثر ورقم الفاتورة والتاريخ ومبلغ العملة وعنوان البريد الإلكتروني ورقم الهاتف ، لأن الأخطاء التي تهم في الممارسة تحدث في النوع الثاني من المحتوى بدلاً من الأول.
تحذير واحد ينتمي إلى الأعلى بدلاً من دفنه. هذه صور معروضة وليست صور فوتوغرافية. كل واحد يعزل متغيرًا واحدًا ، وهو الطريقة الوحيدة لنسب الفشل إلى سبب ما ، لكن الصورة الحقيقية للصفحة تصل مع العديد منها في وقت واحد: إمالة طفيفة ، وإضاءة غير متساوية عبر الطية ، وحركة ضبابية في إحدى الحواف ، وكاميرا شحذت كل شيء قبل الحفظ. لذلك فإن العتبات أدناه هي أفضل الحالات. الصورة التي تكون عند الحد الأقصى لمحورين ستكون أسوأ مما يوحي به أي من الرقمين.
المحرك هو نموذج LSTM Tesseract 4 من خلال Tesseract.js ، وهو بالضبط ما تديره الأداة ، لذا فهذه ليست أرقامًا من نظام مختلف.
كم الانحراف هو الكثير؟
بين ثلاث وخمس درجات ، وهو أقل ميلًا مما قد تلاحظه.
| تناوب | معدل خطأ الحرف | الثقة المبلغ عنها |
|---|---|---|
| 0 درجة | 0.0٪ | 95 |
| 1 درجة | 0.0٪ | 95 |
| 2 درجة | 0.0٪ | 95 |
| 3 درجات | 0.0٪ | 94 |
| 5 درجات | 2.9٪ | 91 |
| 8 درجات | 7.8٪ | 82 |
| 12 درجة | 16.7% | 70 |
| 20 درجة | 32.4٪ | 66 |
لا شيء يحدث لثلاث درجات ثم يسقط من على الرف. السبب هو كيفية عمل المحرك: فهو يجد أسطرًا من النص ، ثم يقسم كل سطر إلى أحرف. يتقاطع الخط المائل عدة صفوف من وحدات البكسل ، لذلك يقطع التقطيع من خلال قمم بعض الحروف وأسفل الآخرين ، ويطلب من النموذج تصنيف الأجزاء.
عند 5 درجات كانت الأخطاء صغيرة ومكلفة. "تاريخ" وعاد "التاريخ" و"التاريخ" و"الإجمالي"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""" كلاهما عبارة عن حرف واحد داخل كلمة يقرأها الإنسان مباشرة ، وكلاهما يجلس بجوار رقم الفاتورة ومبلغ العملة الذي كان الشخص سينسخه دون أن يتحقق.
يتم إخراج الهاتف الذي يتم حمله يدويًا على الصفحة بشكل روتيني بأكثر من خمس درجات. هذا هو الشيء الوحيد الذي يستحق الإصلاح قبل تشغيل أي شيء ، والإصلاح مجاني: قم بتدوير الصورة حتى تصبح الخطوط مستوية.
ما مدى صغر حجم النص قبل فشل التعرف الضوئي على الحروف؟
أصغر مما تتوقع ، حتى النقطة التي يتوقف فيها عن العمل تمامًا.
| عرض الصورة | ارتفاع الحرف الكبير | معدل الخطأ | ثقة |
|---|---|---|---|
| 1600 بكسل | ~ 29 بكسل | 0.0٪ | 95 |
| 800 بكسل | ~ 14 بكسل | 0.0٪ | 95 |
| 533 بكسل | ~ 10 بكسل | 0.0٪ | 92 |
| 400 بكسل | ~ 7 بكسل | 0.0٪ | 84 |
| 320 بكسل | ~ 6 بكسل | 85.3٪ | 41 |
| 240 بكسل | ~ 4 بكسل | 100.0٪ | 0 |
تُقرأ نفس الأسطر الثلاثة بشكل مثالي بربع حجمها الأصلي ، حيث يبلغ ارتفاع كل حرف كبير حوالي سبعة بكسل. خطوة أخرى لأسفل وكان الإخراج غير قابل للاستخدام ، ثم فارغًا.
هذا جرف ، وليس تدرجًا ، وهو يغير النصيحة. "استخدم أعلى دقة لديك" ليس خطأ ، لكنه يصف مشكلة لا تواجهها معظم الصور. لقطة شاشة لصفحة ويب ، صورة لافتة ، صورة هاتف لحرف مطبوع: كل هذه تحتوي على أكثر من سبعة بكسلات من ارتفاع الحرف. ما لديهم في كثير من الأحيان هو الميل.
المكان الذي يعضه الجرف هو محصول من مسافة بعيدة. نص في خلفية صورة عطلة ، لافتة عبر شارع ، سطر من الطباعة الصغيرة داخل مسح صفحة كاملة بدقة الشاشة. إذا كان من الصعب عليك قراءتها عند تكبير 100٪ ، يكون المحرك بالقرب من أرضيته أيضًا.
هل التباين المنخفض يفسد القراءة؟
لا ، وكانت هذه هي النتيجة التي تناقضت أكثر ما توقعته.
نص رمادي في # 8a8a8a على خلفية رمادية في #bdbd قراءة مرة أخرى بمعدل خطأ 0.0٪ وثقة 95 ، مطابق لـ Black on White. أعطى ضبابية غاوسية بثلاثة بكسلات على الصورة بأكملها 0.6٪. أعطى JPEG محفوظًا بجودة 25 وتم تحجيمه إلى نصف الحجم 0.0٪.
والسبب هو أن المحرك لا يقرأ الرمادي. إنه يحول الصورة أولاً ، ويحول كل شيء إلى أبيض وأسود مع عتبة مختارة من الصورة ، ويبقى التباين المنخفض المنتظم على هذه الخطوة سليمة. ما لا ينجو هو التباين الذي يختلف عبر الصفحة ، وهو ما ينتجه الظل أو فلاش الهاتف: لا يمكن أن تناسب عتبة واحدة نصفي الصورة.
لذا فإن الإصدار المفيد من نصيحة الإضاءة أضيق من الإصدار المعتاد. حتى الإضاءة مهمة. الإضاءة الساطعة لا. صورة خافتة ومضاءة بشكل متساوٍ لصفحة تتفوق على صورة مشرقة مع ظل في المنتصف.
لماذا يخرج تخطيط من عمودين مخلوطًا؟
لأن ترتيب القراءة هو حكم تخطيطي ، والمحرك يجعله من الهندسة وحدها.
لقد قدمت كتلتين من النص جنبًا إلى جنب ، ثلاثة أسطر لكل منهما ، على خطوط أساسية مشتركة. جاءت النتيجة مخلوعة:
LEFT ONE RIGHT ONE LEFT TWO RIGHT TWO LEFT THREE RIGHT THREE
كل كلمة صحيحة. الترتيب لا فائدة منه. وجد المحرك ستة أسطر من النص جالسًا في ثلاثة مواضع رأسية ويقرأ كل صف ، وهو السلوك الصحيح لجدول والخط الخطأ لعمودين من النثر.
غالبًا ما تنجو صفحة صحيفة حقيقية أو ملف PDF أكاديمي ، لأن الميزاب بين الأعمدة واسع ومتسق بدرجة كافية لاكتشاف خطوة تجزئة الصفحة. غالبًا ما لا تفعل لقطة شاشة لتخطيط به كتلتان فضفاضتان ، وهذا هو الحال الشائعة لهذا النوع من الأدوات.
الإصلاح الموثوق هو الاقتصاص. قم بتشغيل عمود واحد ، وانسخ النتيجة ، ثم قم بتشغيل العمود الآخر. يبدو الأمر شاقًا ويستغرق حوالي خمس عشرة ثانية ، وهو أقل من إعادة بناء فقرة تم خلط جملها.
هل يمكن قراءة الكتابة اليدوية؟
ليس بشكل موثوق ، والحدود تدور حول ما إذا كانت الأحرف تلمس بدلاً من ما إذا كانت تبدو غير رسمية.
لم أتمكن من اختبار الكتابة اليدوية الحقيقية دون توفير صورة لها ، والتي من شأنها أن تحتوي على متغيرات مختلطة ، لذلك اختبرت ثلاثة خطوط لتقليل الانتظام كواجهة:
| الخط | معدل الخطأ | ثقة |
|---|---|---|
| كوميدي بلا ميس | 0.0٪ | 95 |
| فرشاة نص MT | 5.9٪ | 67 |
| سنيل المستديرة | 20.6٪ | 55 |
Comic Sans غير رسمي ومقروء تمامًا للمحرك ، لأن أحرفه عبارة عن أشكال منفصلة ذات عرض ثابت. Snell Roundhand هو نص متصل ، وعاد خُمس الشخصيات بشكل خاطئ.
هذا هو التمييز الحقيقي. تم تدريب نموذج Tesseract على النوع المطبوع ويتوقع قطع خط إلى رسومات منفصلة. لا تحتوي الكتابة المتصلة على نقاط قطع نظيفة ، لذلك يفشل التقسيم قبل أن يحصل التعرف على فرصة. الكتابة اليدوية الأصلية أسوأ من Snell Roundhand ، وليس أفضل ، لأنها تختلف أيضًا من حرف إلى آخر.
إذا كنت بحاجة إلى قراءة بخط اليد ، فهذه هي الأداة الخاطئة وكذلك كل واجهة Tesseract الأمامية الأخرى. تحتاج هذه الوظيفة إلى نموذج مدرب على الكتابة اليدوية.
ما هي الشخصيات التي يخطئها؟
الحروف التي تشبه الأرقام ، والاتجاه متسق.
لقد قدمت سطرًا من المشتبه بهم المعتادين وقرأته مرة أخرى:
truth: O0 l1I 5S 8B 2Z rn/m
read: 00 111 5S 8B 2Z rn/m
أصبح رأس المال o صفرًا. أصبح كل من L LOWERCAL L و CAPITAL I الرقم 1. أزواج الأشخاص الذين يقلقهم معظمهم ، 5 ضد S و 8 ضد B ، عادوا بشكل صحيح ، كما فعل RN ضد M.
النمط هو أن الحرف المعزول مع رمز رقمي يُقرأ كرقم. في الجري النثري نادرًا ما يكون هذا مهمًا ، لأن نموذج اللغة المحيط به يسحب النتيجة إلى الكلمة. في رمز مرجعي أو رقم تسلسلي أو لوحة ترخيص ، لا توجد كلمة محيطة للمساعدة ، وهذا هو بالضبط المكان الذي يتم فيه استخدام هذا النوع من الأداة.
صحح أي سلسلة تمزج الأحرف والأرقام بدون مسافات. إنها فئة الإخراج التي يكون المحرك خاطئًا بثقة.
ماذا تخبرك درجة الثقة؟
تقريبًا كيف سارت الصفحة ، وليس ما إذا كان الرقم الذي تهتم به صحيحًا.
تُظهر الأداة ثقة كلمة المحرك على أنها عالية أو متوسطة أو منخفضة ، مع ارتفاع عند 85 وما فوق. مقابل معدلات الخطأ المقاسة ، يكون هذا الخرائط معقولًا ومتفائلًا على نطاق واسع عند الحافة:
| دعوى | ثقة | ملصق | معدل الخطأ الحقيقي |
|---|---|---|---|
| نظيف | 95 | سام رف | 0.0٪ |
| 5 درجات من الانحراف | 91 | سام رف | 2.9٪ |
| 12 درجة من الانحراف | 70 | وسط | 16.7% |
| 320 بكسل | 41 | نزل | 85.3٪ |
| نص متصل | 55 | نزل | 20.6٪ |
الدرجة المنخفضة هي تحذير موثوق: كل ما سجل تحت 60 تم كسره حقًا. الدرجة العالية هي دليل أضعف مما تبدو عليه. سجلت الحالة ذات 5 درجات 91 ، والتي تسميها الواجهة عالية ، بينما تفسد كلمة بهدوء في سطر فاتورة.
استخدمه كمنبه دخان بدلاً من ضمان. الوسائل المنخفضة لا تهتم بقراءة الإخراج. عالية تعني أن الصفحة ككل سارت على ما يرام ، وهي ليست مثل كل شخصية على ما يرام.
كم تكلفة كل لغة لتحميلها؟
بين 0.67 و 2.82 ميغا بايت ، مرة واحدة ، ثم يتم تخزينها مؤقتًا.
يحتاج المحرك إلى ملف بيانات مدرب لكل لغة. نظرًا لأن الأداة تقوم بتشغيل نموذج LSTM فقط ، فإنها تسحب مجموعة أفضل جودة ، وهي أصغر بكثير من الملفات التي يقتبسها معظم عمليات الكتابة المكشوفة. تقاس من CDN المكتبة الافتراضية إلى:
| تعبير | نزل الريش | تعبير | نزل الريش |
|---|---|---|---|
| انجليزي | 2.82 ميغا بايت | هندي | 1.32 ميغا بايت |
| الروسية | 2.56 ميغابايت | بنغالي | 1.31 ميغا بايت |
| اللغة الإسبانية | 2.00 ميغا بايت | كوري | 1.50 ميغا بايت |
| ياباني | 1.94 ميغا بايت | مواطن عظيم | 1.27 ميغا بايت |
| الصينية (مبسطة) | 1.64 ميغا بايت | البرتغالية | 1.33 ميغا بايت |
| عربي | 1.58 ميغابايت | إيطالي | 1.58 ميغابايت |
| فرنسي | 0.67 ميغابايت |
يصل الثلاثة عشر معًا إلى حوالي 21 ميغا بايت ، وهي أقل من صورة واحدة من هاتف حديث. الافتراض الشائع بأن اللغة الصينية أو اليابانية يجب أن يكون هائلاً لا يثبت هنا: الصينية المبسطة هي 1.64 ميغابايت ، أصغر من اللغة الإنجليزية ، لأن الملف يخزن نموذجًا بدلاً من مكتبة رسومية.
لماذا أول تشغيل أبطأ من الثاني؟
لأن الأول هو تنزيل محرك وتشغيله ، والثاني هو القراءة فقط.
يجلب التشغيل الأول للغة بناء WebAsemblemy لـ Tesseract ، ويجلب ملف بيانات اللغة ، ويهيئ العامل. بعد ذلك يبقى العامل على قيد الحياة في الصفحة ويتم تخزين ملف البيانات مؤقتًا بواسطة المتصفح ، لذلك تبدأ الصورة الثانية بنفس اللغة على الفور. يؤدي تبديل اللغات إلى إعادة تهيئة العامل ولكنه لا يعيد تنزيل أي شيء تم جلبه بالفعل.
الاعتراف نفسه سريع. في هذا الجهاز ، استغرقت قراءة صورة الاختبار الثلاثة 186 مللي ثانية للإصدار النظيف وبين 70 و 125 مللي ثانية للأخرى التالفة ، وكلها على عامل يعمل بالفعل. للحصول على صفحة كاملة من النص ، توقع ثانية أو اثنتين بدلاً من عُشر واحدة ، لكن انتظار التشغيل الأول الذي تلاحظه هو الإعداد وليس القراءة.
بمجرد تخزين اللغة مؤقتًا ، تعمل الأداة بدون شبكة على الإطلاق ، وهي قدرة حقيقية غير متصلة بالإنترنت بدلاً من خط تسويق.
ماذا يجب أن تفعل لصورة قبل تشغيل OCR؟
ثلاثة أشياء ، بهذا الترتيب ، والشيء الأول مهم أكثر من الاثنين الآخرين مجتمعين.
- تقويمها. قم بالتناوب حتى تصبح أسطر النص مستوية. ثلاث درجات مجانية ، وخمسة ليست كذلك.
- اقتصاص النص. يعمل هذا على إصلاح مشكلة العمود ، ويزيل الخلفية التي يتعين على المقسم رفضها ، ويجعل النص حصة أكبر من الإطار.
- اترك كل شيء آخر وشأنه. لا تقم بشحذ، لا ترفع التباين، لا تتحول إلى أبيض وأسود باليد. على أي حال ، فإن ثنائيات المحرك تضيف رنينًا حول حواف الأحرف التي لم تكن موجودة من قبل.
الشيء الذي يستحق الإضافة بدلاً من إزالته هو الدقة ، ولكن فقط إذا كنت بالقرب من الأرض. الانتقال من ارتفاع 7 بكسل إلى 14 بكسل واحد لم يغير شيئًا في القياسات. الانتقال من 6 إلى 7 غير كل شيء.
متى تكون OCR هي الأداة الخاطئة؟
عندما لا تكون الصورة من نص ، عندما يكون النص مكتوبًا بخط اليد ، وعندما يكون الشيء الذي تريده هو مستند قابل للبحث بدلاً من كتلة من الأحرف.
يمنحك OCR الكلمات بدون بنية: لا عناوين ، ولا خلايا جدول ، ولا حدود للفقرة يمكنك الوثوق بها ، ولا ترتيب قراءة عبر تخطيط معقد. للحصول على اقتباس من لقطة شاشة أو عنوان صورة صحيحة تمامًا. لتحويل تقرير ممسوح ضوئيًا إلى شيء قابل للتحرير ، فهو أول خطوات عدة.
إذا كان ما تريده هو وصف لصورة بدلاً من الكلمات المطبوعة ، فهذا نموذج مختلف تمامًا وأداة مختلفة. وإذا كان المصدر عبارة عن ملف PDF تم إنشاؤه بدلاً من مسحه ضوئيًا ، يكون النص موجودًا بالفعل في الملف: يؤدي سحبه إلى الخارج مباشرةً من الحفاظ على التخطيط ولا يفقد أي شيء ، والذي لا يمكن أن يتطابق معه أي قدر من التعرف على الصور.
لماذا يتم تشغيل هذا في المتصفح؟
لأن الصور التي يضعها الأشخاص من خلال التعرف الضوئي على الحروف هي الصور التي لا يرغبون في تحميلها.
الإيصالات والرسائل المصرفية والوصفات الطبية وجوازات السفر وبطاقات الهوية وصورة عقد ولقطة شاشة لمحادثة خاصة. البديل المعتاد هو موقع يأخذ صورتك ويعالجها على خادم لا تعرف شيئًا عنه ، ويحتفظ بكل ما يحتفظ به.
هنا المحرك يعمل في الصفحة ، في عامل. يتم فك تشفير الصورة في ذاكرة علامة التبويب ، وتقرأ هناك ، ويظهر النص. لا يتم تحميل أي شيء ، ولا توجد قائمة انتظار ولا نسخة مخزنة ، وبعد التشغيل الأول ، يعمل كل شيء في وضع عدم الاتصال. التكاليف هي تنزيل اللغة لمرة واحدة وأن الصور الكبيرة جدًا محدودة بما يمكن أن تحمله علامة التبويب.
شيئان لا يفعلهما هذا الموقع بعد ، وهما ينتميان إلى نفس خط الأنابيب: تقويم صفحة مصورة وقصها في النص. يجب أن يحدث كلاهما في أي عارض لديك بالفعل ، وهو التماس المحرج في سير العمل أعلاه. ما يأتي بعده مغطى: إذا كان المصدر صورة لعدة صفحات ، دليل الجمع بين الصور يتعامل مع إعادة النتائج معًا.
