الملفات والمخرجات
ابدأ بما يحتويه الملف. يمكن لملف PDF أن يحتوي على صور أو نص مشفر أو كليهما؛ اسم الملف لا يخبرك ما إذا كان يمكن تحديد كلماته.
OCR — التعرف الضوئي على الحروف
عملية تحديد الحروف المرئية في صورة وتمثيلها كنص مشفر. تتيح لك إعادة استخدام الكلمات من مسح ضوئي أو صورة؛ قد تظل النتيجة المعترف بها بحاجة إلى تصحيح.
PDF ممسوح ضوئياً
ملف PDF تتضمن صفحاته صوراً لمستندات ممسوحة ضوئياً أو مصورة. تحتوي بعض ملفات PDF الممسوحة ضوئياً أيضاً على طبقة نص OCR، بينما يحتوي البعض الآخر على صور فقط.
PDF رقمي الأصل
ملف PDF تم إنشاؤه مباشرة من محتوى رقمي، مثل محرر مستندات، بدلاً من مسح الورق ضوئياً. غالباً ما يحتوي على نص فعلي، على الرغم من أن التحديد والاستخراج قد يظلان متأثرين بكيفية إنتاجه.
PDF قابل للبحث
ملف PDF يحتوي على نص يمكن للقارئ البحث فيه. يمكن أن تصبح الصفحة الممسوحة ضوئياً قابلة للبحث عند إضافة نص معترف به بجانب صورتها. القابلية للبحث بحد ذاتها لا تضمن الدقة أو إمكانية الوصول.
طبقة النص
النص المشفر المخزن في PDF. في الصفحة الممسوحة ضوئياً، قد يكون غير مرئي وموضعاً فوق الصورة أو تحتها بحيث يعمل التحديد والبحث بينما يظل المظهر الأصلي مرئياً.
هيكل الصفحة
يجب على أداة التعرف القيام بأكثر من مجرد تحديد الحروف. يجب عليها أيضاً تحديد العلامات التي تنتمي لبعضها وكيف يجب أن يتنقل القارئ خلالها.
تحليل التخطيط
تحديد المناطق مثل الفقرات والعناوين والصور والجداول. التعرف على كلمات الجدول والحفاظ على هيكل الصفوف والأعمدة هي مهام مرتبطة ببعضها ولكنها متميزة.
ترتيب القراءة
التسلسل المقصود للنص. يجب أن يتبع المقال المكون من عمودين عادةً عموداً واحداً قبل المتابعة في التالي، بدلاً من التناوب عبر كليهما. الكلمات الصحيحة بالترتيب الخاطئ يمكن أن تنتج نصاً غير قابل للاستخدام.
التجزئة
تقسيم الصفحة إلى وحدات أصغر مثل مناطق النص أو الأسطر أو الحروف. يمكن للحدود غير الصحيحة أن تدمج الكلمات المجاورة، أو تقسم حرفاً، أو تخلط أجزاء غير مترابطة من الصفحة.
RTL — نص من اليمين إلى اليسار
النص في لغات مثل العربية أو العبرية الذي يتدفق عادةً من اليمين إلى اليسار. يمكن للأرقام والنصوص اللاتينية المضمنة أن تتبع اتجاهات مختلفة. ترتيب العرض وترتيب الحروف المخزنة ليس بالضرورة متطابقاً.
إعداد الصورة
يغير الإعداد كيفية تقديم العلامات الموجودة إلى عملية التعرف. لا يمكنه إنشاء نص لم تعد صورة المصدر تحتويه.
PPI وDPI
تصف البكسلات في البوصة أخذ عينات الصورة بحجم مادي؛ وتصف النقاط في البوصة كثافة النقاط المطبوعة. غالباً ما تستخدم إعدادات المسح الضوئي DPI بشكل غير رسمي. تغيير القيمة المخزنة وحدها لا يضيف تفاصيل إلى صورة موجودة.
تصحيح الميل (Deskew)
تصحيح ميل بسيط بحيث تصبح أسطر النص أكثر أفقية. يختلف هذا عن تدوير صفحة مقلوبة أو تصحيح منظور صورة فوتوغرافية التقطت بزاوية.
التحويل الثنائي (Binarization)
تحويل صورة إلى بكسلات سوداء وبيضاء باستخدام عتبة أو قاعدة قرار أخرى. قد يبسط صفحة واضحة، ولكنه قد يؤدي أيضاً إلى فقدان العلامات الباهتة أو دمج الخطوط القريبة.
المعالجة المسبقة
تعديلات الصورة التي تتم قبل التعرف، مثل تصحيح الاتجاه أو القص أو تغييرات التباين. التعديل المفيد يحسن العلامات القابلة للتعرف دون إزالة علامات الترقيم أو التشكيل أو أي تفاصيل ذات معنى أخرى.
التعرف والمراجعة
يصف التقييم مهمة ومجموعة بيانات معينة. اقرأ تعريف النتيجة قبل مقارنتها بنتيجة أخرى أو استخدامها للحكم على مستنداتك الخاصة.
التعرف على خط اليد
التعرف على الحروف أو الكلمات المكتوبة بخط اليد. الحروف المتصلة والاختصارات الشخصية والأشكال الخاصة بالكاتب تجعلها تحدياً مختلفاً عن النص المطبوع الواضح.
درجة الثقة
تقدير قد يرفقه نظام التعرف بتنبؤ ما. يعتمد معناه على النظام والمعايرة. إنه ليس تلقائياً احتمال أن يكون المستند بأكمله صحيحاً.
CER — معدل خطأ الحروف
مقارنة للنص المعترف به مع مرجع مدقق، بناءً على إدراج الحروف وحذفها واستبدالها بالنسبة لطول المرجع. كلما كان أقل كان أفضل. يمكن أن يخفي معدل CER المنخفض خطأً مهماً في اسم أو رقم.
WER — معدل خطأ الكلمات
مقارنة مماثلة على مستوى الكلمة. يمكن لحرف واحد غير صحيح أن يجعل الكلمة بأكملها تُحسب كخاطئة. لذلك، يصف WER وCER جوانب مختلفة من النص ولا ينبغي التعامل معهما كبدائل لبعضهما.
الحقيقة الأساسية (Ground truth)
المرجع المدقق المستخدم لتقييم التعرف. تهم اتفاقيات النسخ الخاصة به: كيف يتعامل مع علامات الترقيم، والإملاء، والمسافات، والنص غير المقروء يؤثر على المقارنة. يمكن للمرجع المعيب أن ينتج نتيجة مضللة.
أسئلة وأجوبة
هل OCR هو نفس الترجمة؟
لا. يقرأ OCR النص المرئي في شكل قابل للتحرير. تعبر الترجمة عن النص بلغة أخرى. تساعد مراجعة التعرف أولاً في تجنب ترجمة مصدر مقروء بشكل خاطئ.
هل تنزيل ملف Word هو نسخة من التخطيط الأصلي؟
ليس بالضرورة. يمكن أن يحتوي المستند القابل للتحرير على نص معترف به دون الحفاظ على جداول المصدر أو التباعد أو تصميم الصفحة. تحقق من المخرجات مقابل الأصل عندما يكون التخطيط مهماً.
لماذا يمكن أن تختلف درجتا دقة؟
قد تستخدم مستندات مختلفة، أو اتفاقيات مرجعية، أو قياسات متنوعة. أخطاء الأحرف، وأخطاء الكلمات، والمناطق المحذوفة، ومشكلات ترتيب القراءة ليست أموراً متطابقة.