OCR çətinlikləri: çətin skanlardan etibarsız mətnə qədər

Səhvlər söz tanınmazdan əvvəl başlaya bilər

Səhifəni faydalı mətnə çevirmək bir neçə qərarı əhatə edir. Sistem müvafiq bölgələri müəyyən etməli, onların daxilindəki işarələri şərh etməli və nəticəni müvafiq ardıcıllıqla düzməlidir. Bu işlər ayrı-ayrı komponentlər tərəfindən idarə oluna və ya öyrənilmiş sistemdə birləşdirilə bilər, lakin onlar fərqli tələblər olaraq qalır. Prosesin əvvəlindəki uğursuzluq sonrakı hər şeyə təsir edə bilər.

Kənarında əl yazısı olan iki sütunlu məqaləni nəzərdən keçirin. Çap olunmuş sözləri tanımaq asan ola bilər, lakin qeyd əsas mətnin bir hissəsi kimi səhv salına bilər və sütunlar bir-birinə qarışa bilər. Orfoqrafiya yoxlanışı bu problemi həll etməyəcək. Əksinə, mükəmməl düzülmüş abzas hələ də səhv oxunmuş ad və ya tarix ehtiva edə bilər.

Faydalı fərq çatışmayan sübut, səhv tanınma və itirilmiş struktur arasındadır. Daha dəqiq hərf tanınması heç vaxt daxil edilməmiş bölgəni bərpa edə bilməz və daha təmiz tərtibat iki qeyri-müəyyən simvoldan hansının əslində yazıldığını müəyyən edə bilməz.

Kiçik simvollar və zəif çəkiliş mövcud sübutları məhdudlaşdırır

Tanınma simvollar arasındakı görünən fərqlərdən asılıdır. Bulanıqlıq 'e' hərfindəki boşluğu bağlaya, bitişik vuruşları birləşdirə və ya vergül ilə nöqtə arasındakı fərqi silə bilər. Kiçik mətn bu fərqləri qorumaq üçün çox az piksel ehtiva edə bilər. Güclü sıxılma kənarlarda blok naxışları və cingilti əlavə edə bilər, bu da faylın normal ölçüdə oxunaqlı görünməsinə, lakin tanıyıcının ehtiyac duyduğu detalların zədələnməsinə səbəb olur.

Şəkil ölçüləri və fayl ölçüsü buna görə də keyfiyyətin natamam ölçüləridir. Böyük fotoşəkil kiçik, uzaq bir səhifəni ehtiva edə bilər; yüksək keyfiyyətli skan hələ də fokusdan kənarda ola bilər. DPI etiketini dəyişdirmək və ya mövcud şəkli böyütmək orijinal hərflərin təzə ölçüsünü əlavə etmir. IMPACT rəqəmsallaşdırma layihəsindən çəkiliş təlimatı buna görə də adi mətni daha çox detal tələb edən çox kiçik çapdan ayırır.

Orijinal mövcud olduqda daha yaxşı çəkiliş bu qeyri-müəyyənliyi azalda bilər. Lakin söz parıltı ilə gizləndikdə, kəsildikdə və ya fiziki olaraq çatışmadıqda, transkripsiyanın o hissəsi üçün görünən sübut yoxdur. Təkmilləşdirmə inandırıcı bir forma təklif edə bilər, lakin çatışmayan sözləri doğrulaya bilməz.

Fırlanma, perspektiv və səhifə əyriliyi müxtəlif problemlər yaradır

Bucaq altında çəkilmiş səhifə sadəcə fırlanma problemindən daha çoxunu təqdim edir. Perspektiv səhifənin bir tərəfini digərindən daha dar edə bilər, kitabın əyri səthi isə cildləməyə yaxın sətirləri əyə bilər. Yan tərəfə çevrilmiş səhifə, bir az əyilmiş skan və əyilmiş kitab yayılması müxtəlif həndəsi düzəlişlər tələb edir. Sadəcə üçünü də fırlatmaq eyni yaxşılaşmanı yaratmayacaq.

Bu təhriflər sətirlərin aşkarlanmasına və qonşu sözlərin ayrılmasına mane ola bilər. Cildləməyə yaxın simvollar bir-birinə sıxıla və ya kölgədə qismən gizlənə bilər. Sənədin düzəldilməsi üzrə tədqiqatlar daha düz səhifə görünüşünün bərpasını öz tapşırığı kimi qəbul edir, çünki səhifə forması sonrakı tanınmaya təsir edir.

Həndəsi düzəlişin də hüdudları var. Daha yaxşı uyğunlaşdırma mövcud hərfləri şərh etməyi asanlaşdıra bilər, lakin təkrar nümunə götürmə kiçik detalları yumşalda bilər və düzləşdirmə heç vaxt çəkilməmiş mətni üzə çıxara bilməz. Məqsəd sadəcə düzbucaqlı görünən səhifə deyil, sübutun istifadə edilə bilən təsviridir.

Solğun mürəkkəb və fon işarələri mətnlə rəqabət aparır

Hər tünd işarə simvola aid deyil. Kağız teksturası, ləkələr, xətli sətirlər, möhürlər və arxa tərəfdən görünən çap mətni xatırlada bilər və ya onun üzərindən keçə bilər. Digər tərəfdən, solğun karandaş, solmuş mürəkkəb və yüngül durğu işarələrini fondan ayırmaq çətin ola bilər. Eyni səhifə hər iki növ problemi ehtiva edə bilər.

Şəklin təmizlənməsi güzəştləri əhatə edir. Səhifəni ağ-qaraya çevirmək hansı çalarların ön plan işarələrinə, hansıların isə fona aid olduğuna qərar verməyi tələb edir. Solğun kağız teksturasını silən hədd onluq vergülünü də silə bilər. Səs-küyün təmizlənməsi kiçik vurğunu ata bilər, kəskinləşdirmə isə arzuolunmaz kənarları gücləndirə bilər. OCR iş axınları buna görə də təkmilləşdirməni, binarlaşdırmanı və səs-küyün təmizlənməsini universal təmizləmə parametrləri kimi deyil, fərqli əməliyyatlar kimi qəbul edir.

Üst-üstə düşən işarələr xüsusi qayğı tələb edir. Möhür abzasın üzərindən keçdikdə belə qorunmağa dəyər məlumatı ehtiva edə bilər və imza etibarlı şəkildə transkripsiya edilmədən də mənalı ola bilər. Mane olan bölgəni ayrı-seçkilik etmədən silmək sənədin özünün bir hissəsini silə bilər. Vizual olaraq daha təmiz şəkil mütləq daha sadiq şəkil deyil.

Tanış olmayan tipoqrafiya aydın çapı şərh etməyi çətinləşdirir

Şəkil kəskin ola bilər, lakin onun hərfləri tanıyıcı üçün tanış deyil. Dekorativ şriftlər, sıxılmış çap, liqaturalar və qeyri-adi simvol formaları müəyyən edilməli olan naxışları dəyişdirir. Liqatura başqa cür ayrı hərflər olacaqları birləşdirə bilər; hərfin köhnə forması fərqli müasir simvola bənzəyə bilər. Kiçik hərflər, üst simvollar və yaxın məsafəli durğu işarələri əlavə fərqlər yaradır.

Tarixi sənədlər çox vaxt bir neçə çətinliyi özündə birləşdirir. Şriftlər çap maşınlarına və dövrlərə görə dəyişir, orfoqrafiya müasir istifadədən fərqli ola bilər, kağız və ya çap izi isə zədələnmiş ola bilər. Tarixi OCR üzrə tədqiqatlar tipoqrafiyanı və mürəkkəb tərtibatı əsas çətinliklər kimi müəyyən edir və bir neçə mərhələdə düzəliş etməyə imkan verən iş axınlarından istifadə edir. Yalnız təsvirin kontrastını yaxşılaşdırmaq hər bir tanış olmayan hərf formasını həll edə bilməz.

Burada həm də redaktor seçimi var: səhifəni köçürmək və onun dilini müasirləşdirmək fərqli tapşırıqlardır. Qeyri-adi orfoqrafiyanı avtomatik olaraq tanış sözlə əvəz etmək mətni oxumağı asanlaşdıra bilər, lakin bu, onu mənbəyə qarşı daha az etibarlı edir. Tarixi adlar, qısaltmalar və sitatlar sənədin öz qaydaları əsasında qiymətləndirilməlidir.

Əl yazısı yazan şəxslər arasında və eyni səhifə daxilində dəyişir

Əl yazısının vahid, sabit simvol formaları dəsti yoxdur. Yazanlar hərfləri birləşdirir, onların meylini dəyişir, sözləri qısaldır və qeyri-ardıcıl boşluqlar buraxırlar. Tələsik yazılmış söz bir neçə sətir əvvəl diqqətlə yazılmış eyni sözdən fərqli görünə bilər. Birləşdirilmiş xətlər həm də bir simvolun harada bitib digərinin harada başladığına qərar verməyi çətinləşdirir.

Ardıcıllığa əsaslanan tanıma sətiri şərh etmək üçün qonşu hərflərdən və sözlərdən istifadə edə bilər, lakin kontekst qeyri-müəyyənliyi aradan qaldırmır. Tanış olmayan soyad, kod və ya tək bir rəqəm az linqvistik kömək göstərə bilər. Kənar qeydlər, üstündən xətt çəkilmiş mətn və sətir üzərindəki əlavələr yazanın dəyişikliklərini necə təmsil etmək barədə ayrı bir sual yaradır. Bunlar həm tanıma, həm də köçürmə siyasətinin çətinlikləridir.

Təsviri tanımaq və canlı qələm hərəkətini qeyd etmək arasındakı fərq də vacibdir. Skan edilmiş qeyd son görünən işarələri ehtiva edir, lakin onların ardıcıllığını, sürətini və ya istiqamətini deyil. Əl yazısı tədqiqatları bu oflayn təsvirləri onlayn qələm girişindən fərqləndirir. Qələmin tutulmuş hərəkətləri və ya səliqəli şəkildə ayrılmış simvollar üzərindəki uğurun, bütöv bir əl yazısı səhifəsinin fotoşəklinə dəyişilmədən keçəcəyi güman edilməməlidir.

Dillər, skriptlər və oxu istiqamətləri ayrı-ayrı qeyri-müəyyənliklər yaradır

Dil parametrləri faydalı kontekst təmin edir, lakin dil və skript eyni deyil. Bir neçə dil fərqli orfoqrafiya nümunələrindən və ya əlavə hərflərdən istifadə edərək bir skripti paylaşa bilər. Sənəd həmçinin bir cümlə daxilində skriptləri qarışdıra bilər, məsələn, yerli dildə küçə adı və Latın identifikatoru olan ünvanda olduğu kimi. Çoxdilli tanıma fərdi simvollarla yanaşı, bu keçidlərin də öhdəsindən gəlməlidir.

Tanıma dili veb-saytın interfeysinin dilini deyil, oxunan mətni təsvir edir. Mövcud dil seçimi hər şrift, yazı tərzi və ya çəkilmə şəraiti üçün bərabər dəqiqlik demək deyil. Çoxdilli meyarlar fərqli skriptləri və qarışıq səhnələri məhz ona görə yoxlayır ki, performans müxtəlif materiallar üzrə sınaqdan keçirilməlidir.

Ərəb, fars və digər sağdan sola yazılan dillər üçün ekran ardıcıllığı başqa bir qat əlavə edir. Unicode saxlanılan simvolların məntiqi ardıcıllığını onların vizual düzülüşündən fərqləndirir. Rəqəmlər, durğu işarələri və Latın sözləri bir sətir daxilində fərqli istiqamət qaydalarına tabe ola bilər. Görünən qarışıqlıq buna görə də tanıma, mətnin saxlanması və ya ekranla bağlı ola bilər. Bütün sətiri əl ilə tərsinə çevirmək, əsas simvol ardıcıllığı artıq düzgün olan bir köçürməyə zərər verə bilər.

Düzgün sözlər hələ də yanlış oxu ardıcıllığı ilə görünə bilər

Sənəd tərtibatı sadə simvollar sətirinin avtomatik olaraq ələ keçirə bilmədiyi əlaqələri ifadə edir. Sütunlar, başlıqlar, alt yazılar, qeydlər və yan panellərin hər birinin öz rolu var. Tanıyıcı onların sözlərini düzgün oxuya bilər, lakin onları yanlış ardıcıllıqla birləşdirə bilər. Qonşu sütuna keçən cümlə, hər bir söz düzgün yazılsa belə, struktur xətasıdır.

Tərtibat tədqiqatları həm də tanış sənəd növlərinin niyə tam sınaq olmadığını göstərir. Elmi məqalələr ətrafında hazırlanmış sistem dərsliklərdə, formalarda və ya hesabatlarda fərqli düzülüşlərlə qarşılaşa bilər. Kiçik bir alt yazını qaçırmaq və ya başlığı əsas mətn kimi qəbul etmək bütün nəticənin faydalılığına təsir edə bilər. Hər bir müvafiq bölgəni tapmaq və həmin bölgələri sıralamaq sənəd konvertasiyasının qiymətləndirilməsinin bir hissəsidir.

Bu problemlər təkrar istifadə və əlçatanlıq üçün vacibdir. Səhifə düzgün görünə bilər, lakin köçürülmüş mətn və ya səs çıxışı uyğun olmayan bir ardıcıllığı izləyə bilər. W3C-nin PDF təlimatı məntiqi oxu ardıcıllığının əlçatanlığı necə dəstəklədiyini izah edir. Tanınmış mətn faydalıdır, lakin onun yaradılması özlüyündə başlıqların, oxu ardıcıllığının və sənədin digər əlçatanlıq ehtiyaclarının həll edildiyini təsdiqləmir.

Cədvəllər, formalar və düsturlar işarələr arasındakı əlaqələrdən asılıdır

Cədvəlin mənası hansı dəyərin hansı sətir və sütuna aid olmasından asılıdır. Birləşdirilmiş xanalar, təkrarlanan başlıqlar, boş xanalar və səhifələr boyu davam edən cədvəllər bu əlaqəni çətinləşdirir. Əgər bir dəyər yanlış başlığa təyin olunarsa, bütün görünən rəqəmləri oxumaq kifayət deyil. Cədvəl çıxarılması tədqiqatı cədvəlin tapılmasını, strukturunun bərpasını və xanalarının rollarının müəyyən edilməsini ayırır.

Formalar əlaqəli bir problem yaradır. Etiket və onun dəyəri boşluq, xətt və ya araya girən qeydlə ayrıla bilər. Yaxınlıqdakı onay qutusu yalnız mətnli köçürmənin ifadə etmədiyi məlumatları daşıya bilər. Məsələn, hansı qutunun işarələndiyini qeyd etmədən həm Təsdiqlənib, həm də Rədd edilib sözlərini çıxarmaq, hər iki söz düzgün tanınsa belə, formanın həlledici hissəsini itirir.

Rəqəmlər və düsturlar da kiçik xətaları böyüdür. 12.5-da onluq vergülünü atmaq dəyəri dəyişir; mənfi işarəsini tire ilə qarışdırmaq ifadəni dəyişə bilər. Kəsrlər, üstlü qüvvətlər və alt indekslər simvol kimliyi ilə yanaşı mövqedən də asılıdır. Düsturun ikiölçülü strukturu uyğun təmsil tələb edir, cədvəlin yenidən qurulması və riyazi köçürmə isə adi sözlərin yazılışından kənar qiymətləndirmə tələb edir.

Səlis çıxış çatışmazlıqları və dəstəklənməyən düzəlişləri gizlədə bilər

Dil konteksti tanıyıcıya məqbul oxunuşlar arasında seçim etməyə kömək edir, lakin məqbulluq və sədaqət fərqli məqsədlərdir. Sistem tanış olmayan adı ümumi sözlə əvəz edə, orfoqrafiya səhvini nizamlaya və ya cümləyə uyğun ifadə təqdim edə bilər. Nəticə səhifədən uzaqlaşarkən təbii səslənə bilər. Bu, tapşırıq redaktə etməkdən çox köçürmə olduqda xüsusilə vacibdir.

Bir 2026 əl yazısı meyarı yazan xətalarını, çoxsaylı dilləri və mürəkkəb ifadələri araşdırdı və bir neçə generativ sistemdə vizual olaraq dəstəklənməyən düzəlişlər barədə məlumat verdi. Bu tapıntı hər bir sistemin eyni şəkildə davrandığı qaydadan çox, uğursuzluq rejimini göstərir. Daha geniş mənada, yaxşı formalaşmış abzas hər bir sözün mövcud olduğuna və ya bütün nəzərdə tutulan sətirlərin daxil edildiyinə dair sübut deyil.

Xətalar əvvəlki emaldan da gələ bilər. Skan edilmiş PDF artıq qüsurlu bir OCR mətn qatı ehtiva edə bilər, buna görə də seçilə bilən mətn hələ də görünən səhifə ilə ziddiyyət təşkil edə bilər. Tanımanı iki dəfə yerinə yetirmək başqa bir müqayisə təmin edir, lakin hər iki icra eyni səhvi edə bilər. Çıxışlar arasındakı razılıq mənbə təsvirini əvəz etmir, xüsusən də simvol və ya keçid qeyri-müəyyən qaldıqda.

Dəqiqlik materialdan və ölçülən tapşırıqdan asılıdır

Dəqiqlik rəqəmi yalnız müəyyən edilmiş sınaqla mənalıdır. Nəticələr sənədlərdən, istinad köçürməsindən və boşluqların, durğu işarələrinin və digər fərqlərin işlənməsindən asılıdır. Aydin çap olunmuş abzaslar nümunəsi əl yazısı formaları və ya zədələnmiş qəzet üzərində performansı müəyyən etmir. Təmsilçi qiymətləndirmə nəzərdə tutulan iş üçün vacib olan çətin səhifələri və qeyri-adi tərtibatları əhatə edir.

Simvol xətası dərəcəsi mətnin uzunluğuna nisbətdə simvol səviyyəsində əvəzetmələri, buraxılışları və əlavələri ölçür; söz xətası dərəcəsi isə müvafiq müqayisəni sözlərə tətbiq edir. OCR-D-nin qiymətləndirmə təlimatı bu ölçüləri tərtibat və oxu ardıcıllığından ayrı tutur. Onlar faydalı suallara cavab verir, lakin aşağı ümumi xəta dərəcəsi hələ də yanlış hesab nömrəsini və ya cümlənin mənasını dəyişən çatışmayan inkarı gizlədə bilər.

Buna görə də qiymətləndirmə məcmu ballarla yanaşı, tamlığı, strukturu və vacib detalları da əhatə etməlidir. Arxiv axtarışı, sitat və hesablanması nəzərdə tutulan cədvəl fərqli tələblərə malikdir. Həll olunmamış oxunuşu qeyd etmək ən axıcı təxmini seçməkdən daha məlumatlandırıcıdır və mənbəyə keçidi qoruyub saxlamaq daha yaxşı sübut və ya baxış mümkün olduqda sonrakı düzəlişləri mümkün edir.

Xətanın nümunəsi onun ehtimal olunan səbəbini göstərir

Bir neçə səbəb eyni görünən əlaməti yarada bilər, buna görə də diaqnoz imkanları məhdudlaşdırmaq üçün bir yoldur, zəmanət deyil. Oxşar hərflər arasında təkrarlanan qarışıqlıq, yanlış ardıcıllıqla görünən düzgün yazılmış sözlərdən fərqli bir araşdırma tələb edir. Aşağıdakı nümunələr ümumi əlamətləri itirilmiş ola biləcək məlumatlarla əlaqələndirir.

Uğursuzluq anlaşıldıqdan sonra cavab daha məqsədyönlü ola bilər: daha aydın mənbə əldə etmək, həndəsəni düzəltmək, regionun interpretasiyasını yoxlamaq və ya son transkripti təmir etmək. Ayrı-ayrı OCR Nəticələrini Təkmilləşdirin bələdçisi hazırlıq və baxış iş axınını təmin edir. Məqsəd sadəcə təmiz görünən mətn yaratmaq deyil, sənədin məlumatını qoruyub saxlamaqdır.