OCR چیست؟

OCR، کوتاه شده برای تشخیص کاراکتر نوری، فناوری است که متن داخل تصاویر، فایل های اسکن شده و PDF های مبتنی بر تصویر را به متن قابل خواندن توسط ماشین تبدیل می کند. به طور عملی، OCR عکس یک رسید، یک قرارداد اسکن شده، یا یک فرم کاغذی را به محتوای دیجیتالی تبدیل می‌کند که می‌تواند جستجو، کپی، فهرست‌بندی، تجزیه و تحلیل و ادغام در جریان‌های کاری کسب‌وکار باشد.

برای مشاغل، OCR چیزی بیش از یک ویژگی راحتی است. این بخش اصلی تحول دیجیتال است زیرا شکاف بین اسناد کاغذی و داده های دیجیتالی ساخت یافته را پر می کند. بدون OCR، فایل های اسکن شده اغلب فقط تصاویر هستند. با OCR، آنها به دارایی های تجاری قابل استفاده تبدیل می شوند.

چرا OCR مهم است

بسیاری از شرکت ها هنوز اطلاعات را در فرم هایی دریافت می کنند که پردازش خودکار آنها دشوار است: فاکتورها، رسیدها، قراردادها، یادداشت های تحویل، اسناد شناسایی، فرم ها، سوابق پزشکی و پرونده های کاغذی بایگانی شده. هنگامی که این فایل ها بدون OCR اسکن می شوند، متن به صورت بصری برای انسان قابل مشاهده است اما از سیستم های نرم افزاری پنهان می شود. OCR با استخراج متن و قابل جستجو و پردازش آن مشکل را حل می کند.

به همین دلیل است که OCR به طور گسترده برای ایجاد استفاده می شود PDF های قابل جستجوبهبود بازیابی اسناد، کاهش ورود دستی داده ها، پشتیبانی از آرشیو انطباق، و سرعت بخشیدن به اتوماسیون پایین دست. ادوبی راهنمای PDF قابل جستجو و نمای کلی OCR AWS هر دو بر این نکته تأکید دارند که OCR اسناد مبتنی بر تصویر را به فایل‌های قابل ویرایش یا جستجو تبدیل می‌کند و باعث صرفه‌جویی در زمان و بهبود کارایی می‌شود.

OCR چگونه کار می کند

در سطح بالا، OCR معمولاً از یک گردش کار چند مرحله ای پیروی می کند.

1. اکتساب تصویر

این فرآیند با یک تصویر یا ورودی سند، مانند PDF اسکن شده، عکس تلفن، TIFF، PNG یا JPEG شروع می شود. سیستم ابتدا محتوای بصری را دریافت کرده و آن را برای تجزیه و تحلیل آماده می کند. IBM این مرحله اولیه را به عنوان تبدیل منبع به فرمی مناسب برای شناسایی توصیف می کند.

2. پیش پردازش

قبل از تشخیص، موتورهای OCR اغلب تصویر را تمیز و عادی می کنند. این می تواند شامل حذف نویز، افزایش کنتراست، صاف کردن لبه ها، تصحیح انحراف، و رسیدگی به تراز ضعیف باشد. Google Cloud صریحاً از حالت‌زدایی و اصلاح چرخش به‌عنوان ویژگی‌هایی یاد می‌کند که کیفیت استخراج را بهبود می‌بخشند، در حالی که IBM پیش پردازش را به‌عنوان مرحله مهمی برای حذف پیکسل‌های اضافی و اصلاح هم‌ترازی صفحه برجسته می‌کند.

3. تشخیص متن

سپس سیستم OCR محل ظاهر شدن متن در صفحه را مشخص می کند. IBM OCR را به عنوان شامل یک تشخیص مرحله ای که کلمات را در سند بومی سازی می کند. پلتفرم های OCR مدرن می توانند بلوک ها، پاراگراف ها، خطوط، کلمات و گاهی اوقات حتی نمادها را تشخیص دهند.

4. تشخیص متن

هنگامی که مناطق متن پیدا شد، سیستم کاراکترها یا کلمات را شناسایی می کند. OCR سنتی به شدت به تطبیق الگو و قالب‌های فونت متکی بود. سیستم‌های مدرن‌تر از یادگیری ماشین و شبکه‌های عصبی برای تشخیص دقیق‌تر متن چاپی، دست‌خط، زبان‌های ترکیبی و طرح‌بندی‌های پیچیده استفاده می‌کنند. مایکروسافت خاطرنشان می کند که OCR مدرن متن چاپ شده و دست نویس را استخراج می کند و می تواند کلمات، خطوط و بلوک های متن را تولید کند، در حالی که اسناد Tesseract موتور OCR مبتنی بر LSTM خود را برجسته می کند.

5. ساختار و صادرات

خروجی نهایی ممکن است متن ساده، PDF قابل جستجو، DOCX، XML، JSON یا داده های ساختار یافته آماده پایگاه داده باشد. در سناریوهای پیشرفته تر، خروجی OCR تنها به متن محدود نمی شود. این می‌تواند شامل مختصات، امتیازات اطمینان، ساختار صفحه، سلسله‌مراتب طرح‌بندی، و عناصر سند شناسایی‌شده مانند چک باکس، فیلدهای فرم یا محتوای جدول باشد.

انواع OCR

یکی از دلایلی که مقالات OCR رتبه خوبی دارند این است که در تعریف اولیه متوقف نمی شوند. آنها اغلب توضیح می دهند که OCR در خانواده وسیع تری از فناوری های تشخیص قرار دارد.

OCR ساده

OCR ساده معمولاً الگوهای تصویر را با قالب‌های فونت یا کاراکتر ذخیره شده مطابقت می‌دهد. این بهترین عملکرد را بر روی اسناد واضح و چاپ شده با فونت های قابل پیش بینی و طرح بندی تمیز دارد. AWS این را به عنوان یک دسته OCR اساسی بر اساس الگوریتم های تطبیق فهرست می کند.

ICR (تشخیص کاراکتر هوشمند)

ICR توسعه OCR است که از یادگیری ماشین برای تفسیر کاراکترهای چاپ شده با دست و اشکال کاراکترهای متغیرتر استفاده می کند. این امر به ویژه در هنگام برخورد با فرم های دست نویس یا ورودی با فرمت ترکیبی مرتبط است. AWS و ABBYY هر دو ICR را از OCR استاندارد متمایز می کنند.

IWR (تشخیص هوشمند کلمات)

IWR در سطح کلمه کار می کند و نه در سطح شخصیت. این می‌تواند عملکرد را در سناریوهای خاص دست‌نویس یا ضبط سند، که در آن زمینه به شناسایی دقیق‌تر کلمات کامل کمک می‌کند، بهبود بخشد. AWS شامل تشخیص هوشمند کلمه به عنوان یک نوع جداگانه مرتبط با OCR است.

OMR (تشخیص علامت نوری)

OMR اغلب در کنار OCR مورد بحث قرار می گیرد، اگرچه از نظر فنی متفاوت است. به جای خواندن حروف، OMR علائمی مانند حباب های پر شده، کادرهای انتخاب و مناطق انتخاب را شناسایی می کند. در جریان کار اسناد عملی، OCR و OMR اغلب برای امتحانات، نظرسنجی ها، فرم های درخواست و چک لیست ها ترکیب می شوند.

تشخیص تمام متن در مقابل تشخیص سطح میدان

ABBYY همچنین تمایز مفیدی بین این دو قائل است تشخیص تمام متن و تشخیص در سطح میدانی. تشخیص متن کامل برای تبدیل سند، بایگانی و استفاده مجدد از محتوا استفاده می‌شود، در حالی که تشخیص در سطح زمینه بر استخراج مقادیر خاص از مناطق تعیین‌شده، مانند مجموع فاکتورها، تاریخ‌ها، نام‌ها یا شماره‌های شناسه تمرکز دارد.

OCR در مقابل AI OCR

OCR سنتی عمدتاً بر تبدیل متن قابل مشاهده به متن قابل خواندن توسط ماشین تمرکز دارد. AI OCR فراتر می رود. می تواند طرح بندی را درک کند، ساختار سند را شناسایی کند، جداول را شناسایی کند، فرم ها را تفسیر کند، جفت های کلید-مقدار را استخراج کند، دست خط را بخواند و گاهی اوقات روابط بین فیلدها را استنتاج کند.

به همین دلیل است که بسیاری از پلتفرم های ابری اکنون OCR را به عنوان بخشی از آن قرار می دهند پردازش هوشمند اسناد (IDP) یا سند هوش مصنوعی نه به عنوان یک ابزار مستقل. مایکروسافت بیان می‌کند که OCR برای IDP اساسی است، در حالی که Google Cloud's Enterprise Document OCR ویژگی‌هایی مانند نکات زبان، اصلاح چرخش، امتیازدهی با کیفیت تصویر، استخراج چک باکس و تشخیص سبک فونت را اضافه می‌کند.

به عبارت دیگر، OCR اساسی به این سوال پاسخ می دهد: "چه متنی در این صفحه وجود دارد؟"
هوش مصنوعی OCR و اطلاعات مستند به این سوال بزرگتر پاسخ می دهند: "این سند شامل چه چیزی است و کدام داده مهم است؟"

موارد استفاده رایج OCR

OCR در بسیاری از صنایع استفاده می شود زیرا متن به دام افتاده در تصاویر یک مشکل جهانی است.

PDF قابل جستجو و آرشیو دیجیتال

یکی از رایج ترین موارد استفاده، تبدیل PDF های اسکن شده یا فکس شده به اسناد قابل جستجو است. این برای بایگانی‌ها، پرونده‌های حقوقی، سوابق مطابقت و ذخیره‌سازی اسناد تاریخی بسیار مهم است. Adobe توضیح می دهد که PDF های مبتنی بر تصویر قبل از اینکه کاربران بتوانند در داخل آنها جستجو کنند به OCR نیاز دارند.

پردازش فاکتور، رسید و فرم

تیم‌های حساب‌های پرداختنی، مالی، تدارکات و عملیات از OCR برای استخراج داده‌ها از فاکتورها، سفارش‌های خرید، رسیدها و اسناد تحویل استفاده می‌کنند. OCR کلید زنی دستی را کاهش می دهد و از مسیریابی خودکار در سیستم های ERP، حسابداری و گردش کار پشتیبانی می کند. AWS به طور مکرر رسیدها، فرم ها، فاکتورها و قراردادها را به عنوان سناریوهای اصلی OCR و IDP برجسته می کند.

مدارک شناسایی و ورود به هواپیما

OCR می‌تواند با خواندن داده‌ها از شناسه‌ها، مجوزها، برنامه‌ها و اسناد پشتیبانی، گردش‌های کاری ورود و تأیید مشتری را تسریع کند. در این موارد، OCR معمولاً با منطق اعتبارسنجی و بررسی انسانی برای تصمیم گیری های پرخطر همراه است. این جهت گسترده‌تر پردازش اسناد در OCR مایکروسافت و Google Cloud و موقعیت‌یابی هوشمند اسناد منعکس شده است.

محتوای چند زبانه و دست خط

پلتفرم‌های مدرن OCR به طور فزاینده‌ای از چندین زبان و در برخی موارد اسناد با زبان ترکیبی پشتیبانی می‌کنند. مایکروسافت به پشتیبانی از متن چاپی و دست‌نویس در چندین زبان اشاره می‌کند و Google برای بهبود نتایج، تشخیص زبان و نکات زبان را مستند می‌کند.

استخراج متن تصویر عمومی

فراتر از اسناد، OCR برای پوسترها، علائم، برچسب ها، بسته ها، اسکرین شات ها و تصاویر محصول نیز استفاده می شود. مایکروسافت به طور خاص OCR را برای تصاویر عمومی "در طبیعت" از OCR بهینه شده برای اسناد برای اسناد اسکن شده یا دیجیتال جدا می کند.

ابزار رایگان: تصویر به متن رایگان

چه چیزی بر دقت OCR تأثیر می گذارد

دقت OCR به تنهایی توسط نرم افزار تعیین نمی شود. کیفیت تصویر و شرایط سند اهمیت زیادی دارد.

IBM چندین دلیل رایج برای دشواری OCR را شناسایی می کند: وضوح ناکافی، نور بد، از دست دادن فوکوس، صفحه های بدون تراز، تنظیمات نادرست اسکنر، و مصنوعات ناشی از چاپ ضعیف. گوگل مشکلات چرخش، تابش خیره کننده، تاری و فونت های کوچک را به لیست عواملی که می توانند بر کیفیت استخراج تأثیر بگذارند اضافه می کند.

برای بهبود عملکرد OCR، به طور کلی بهتر است:

• ضبط اسناد با وضوح کافی،
• اجتناب از تاری و سایه،
• انحراف و چرخش صحیح،
• کنتراست را بالا نگه دارید،
• در صورت امکان از نسخه های اصلی تمیز استفاده کنید،
• هنگامی که زبان مبدأ شناخته شده است، نکات زبانی را ارائه دهید،
• و هنگام استخراج داده های تجاری حیاتی از تأیید انسانی استفاده کنید.

برای محتوای سئو، این بخش مهم است زیرا کاربرانی که «OCR» را جستجو می‌کنند اغلب می‌خواهند بدانند که چرا نتایج تشخیص آنها نادرست یا ناسازگار است.

گزینه های نرم افزار OCR: منبع باز در مقابل OCR ابری

ابزارهای OCR معمولاً به دو گروه بزرگ تقسیم می شوند: موتورهای منبع باز و خدمات ابر مدیریت شده.

Tesseract یکی از شناخته شده ترین موتورهای OCR منبع باز است. مستندات آن بیان می‌کند که تحت مجوز Apache 2.0 منبع باز است، از زبان‌های مختلف پشتیبانی می‌کند و شامل یک موتور مبتنی بر LSTM است که در Tesseract 4 معرفی شده است. این یک گزینه قوی برای توسعه‌دهندگانی است که می‌خواهند کنترل، پردازش آفلاین و بدون قفل فروشنده وجود داشته باشد، اگرچه استقرار و بهینه‌سازی نیاز به تلاش فنی دارد.

پلتفرم‌های OCR ابری مدیریت‌شده از ارائه‌دهندگانی مانند Google Cloud، مایکروسافت و AWS معمولا مقیاس‌بندی آسان‌تر، مدیریت زبان داخلی، استخراج طرح‌بندی، امتیازات اطمینان و ویژگی‌های سند ساختاریافته را ارائه می‌دهند. هنگامی که کسب و کارها به استقرار سریعتر، پشتیبانی سازمانی و درک اسناد پیشرفته نیاز دارند، آنها اغلب انتخاب بهتری هستند.

آیا OCR به تنهایی کافی است؟

برای کارهای ساده ای مانند تبدیل PDF اسکن شده به متن قابل جستجو، OCR ممکن است کافی باشد. اما بسیاری از کسب و کارها اکنون به چیزی بیش از استخراج متن نیاز دارند. آنها به طبقه بندی اسناد، تجزیه جدول، درک فرم، استخراج کلید-مقدار، اعتبارسنجی، مسیریابی گردش کار و تجزیه و تحلیل نیاز دارند. به همین دلیل است که OCR به طور فزاینده ای به عنوان پایه و اساس سیستم های اتوماسیون اسناد بزرگتر به جای یک گام مستقل استفاده می شود.

نتیجه

OCR یک فناوری اساسی برای تبدیل اطلاعات مبتنی بر کاغذ و تصویر به داده های دیجیتال قابل استفاده است. در ساده ترین حالت، OCR متن قابل مشاهده را به متن قابل خواندن توسط ماشین تبدیل می کند. در سطح پیشرفته‌تر، سیستم‌های OCR مجهز به هوش مصنوعی مدرن می‌توانند طرح‌بندی، دست‌خط، جداول، چک‌باکس‌ها و ساختار سند را درک کنند و آنها را در پردازش هوشمند اسناد مرکزی قرار دهند.

برای کاربران و مشاغل به طور یکسان، ارزش واقعی OCR فقط خواندن کلمات از یک تصویر نیست. این اسناد را قابل جستجو، عملی و آماده برای اتوماسیون می کند. به همین دلیل است که OCR همچنان یکی از مهم ترین فناوری ها در دیجیتالی کردن اسناد، کارایی گردش کار و مدیریت اطلاعات سازمانی است.

---

سوالات متداول

OCR مخفف چیست؟

OCR مخفف تشخیص کاراکتر نوری. به فناوری اطلاق می شود که متن را از تصاویر، اسکن و PDF های مبتنی بر تصویر استخراج می کند و آن متن را به فرم قابل خواندن ماشین تبدیل می کند.

آیا OCR می تواند دست خط را بخواند؟

بله، بسیاری از سیستم‌های OCR مدرن می‌توانند حداقل مقداری متن دست‌نویس یا چاپ شده را بخوانند. مایکروسافت و AWS بین OCR استاندارد و رویکردهای پیشرفته تر مانند ICR برای سناریوهای مرتبط با دست خط تمایز قائل می شوند.

چرا PDF اسکن شده من قابل جستجو نیست؟

زیرا بسیاری از پی دی اف های اسکن شده به عنوان تصاویر ذخیره می شوند، نه به عنوان اسناد متنی. OCR باید قبل از جستجو، کپی یا نمایه سازی متن اعمال شود.

تفاوت بین OCR و AI OCR چیست؟

OCR بر خواندن متن تمرکز می کند. AI OCR معمولاً قابلیت های درک سند مانند تجزیه و تحلیل طرح، استخراج جدول، پشتیبانی از دست خط و تشخیص میدان را اضافه می کند.

تفاوت بین OCR و OMR چیست؟

OCR کاراکترها و کلمات را می خواند، در حالی که OMR علائمی مانند حباب های پر شده، چک باکس ها یا انتخاب های روی فرم ها را تشخیص می دهد.

آیا Tesseract هنوز مرتبط است؟

بله. Tesseract با مجوز Apache 2.0، پشتیبانی از زبان گسترده و تشخیص مبتنی بر LSTM، یک موتور OCR منبع باز اصلی باقی می ماند.