Světlo, zvuk a první přístupy ke strojovému čtení
Některé kořeny OCR spočívají v pokusech zpřístupnit tisk nevidomým čtenářům. V roce 1914 popsal E. E. Fournier d'Albe optofon pro čtení písma, který převáděl světelné vzory ze stránky na slyšitelné signály. Posluchač se naučil tyto signály interpretovat. Šlo spíše o optickou čtecí pomůcku než o stroj, který by automaticky vytvořil textový přepis, ale prokázalo to, že tištěné značky lze snímat a reprezentovat v jiné formě.
Další vynálezci se věnovali automatické identifikaci znaků. Patent na čtecí stroj Gustava Tauscheka, podaný v roce 1928 a zveřejněný v roce 1930, ilustroval fotoelektrické porovnávání se šablonami znaků. Jeho příklad čtení číslic využíval rotující výřezy k testování tvaru předloženého zařízení. Tyto přístupy spojily optiku, mechanický pohyb a elektrické snímání dlouho předtím, než se staly běžnými univerzální digitální počítače.
Rozdíl mezi detekcí značky a identifikací znaku zůstal pro OCR ústředním tématem. Zachycení stránky bylo jen začátkem: užitečná čtečka musela také rozlišit podobné tvary a vyjádřit své rozhodnutí ve formě, kterou mohlo použít jiné zařízení.
Čtečky znaků vstupují do obchodních operací
Během 1950 se automatické čtení přiblížilo ke každodennímu zpracování v podnikání. Patent na čtecí zařízení Davida Sheparda byl podán v roce 1951 a vydán v roce 1953. Průzkum Národního úřadu pro standardy z té doby zaznamenal instalaci v provozu v Reader's Digest v roce 1955. Takové systémy řešily praktické úzké hrdlo: informace již vytištěné na papíře musel jinak člověk znovu zadat, než je mohl počítač zpracovat.
Tyto čtečky obvykle pracovaly v mnohem užších podmínkách než dnešní obecné nástroje pro dokumenty. Omezená sada znaků, předvídatelný tisk a kontrolované umístění činily problém rozpoznávání lépe zvládnutelným. Skener, rozpoznávací hardware a výstupní mechanismus byly navrženy jako koordinovaný systém, často pro konkrétní třídu dokumentů.
Šlo o významnou změnu v účelu a rozsahu. Optické čtení se stávalo metodou vstupu pro podnikovou výpočetní techniku. Úspěch závisel na konzistentním zpracování definované zátěže, nikoli na prokázání, že stroj dokáže rozpoznat několik znaků v laboratorních podmínkách.
Standardizovaná písma usnadňují rozpoznávání tištěného textu
Jedním ze způsobů, jak zlepšit rozpoznávání, bylo učinit vstup předvídatelnějším. Strojově čitelná písma jako OCR-A a OCR-B používala specifikované tvary znaků a požadavky na tisk, čímž se snížila variabilita, se kterou se čtečka musela vypořádat. OCR-B se objevilo ve standardu ECMA-11 v roce 1965, přičemž pozdější vydání specifikaci upřesnila. Standardizace pomohla vybavení a tištěným dokumentům pracovat spolu konzistentněji.
Tento přístup přenesl část inženýrského úsilí na samotný dokument. Pevně kontrolované písmo mohlo usnadnit rozlišení jedné číslice od druhé, zatímco specifikované rozměry a rozestupy snížily nejistotu při skenování. Kompromisem byla flexibilita: čtečka navržená pro kontrolovaný tisk nedokázala automaticky zpracovat každé noviny, knihu nebo ručně psanou poznámku.
Optické rozpoznávání znaků by se také mělo odlišovat od rozpoznávání magnetických znaků, neboli MICR. Obě technologie podporovaly automatizaci dokumentů, ale MICR snímá magneticky čitelné znaky, zatímco OCR interpretuje jejich viditelný obraz. Obě technologie se vyvíjely vedle sebe; nejde o různé názvy pro stejný proces čtení.
Omnifontové rozpoznávání zpřístupňuje běžný tisk
Další ambicí bylo číst materiál, který nebyl vytištěn speciálně pro stroj. Omnifontové rozpoznávání se zaměřilo na zvládnutí řady běžných písem, čímž se snížila závislost na jediné předepsané abecedě. Název popisoval tento směr pokroku; neznamenalo to, že každé písmo, sken nebo rozvržení stránky lze přečíst bez chyby.
Významným milníkem byl čtecí stroj představený Rayem Kurzweilem a jeho týmem 13. ledna 1976. Ve své orální historii pro Americkou nadaci pro nevidomé Kurzweil popisuje kombinaci skenování, rozpoznávání znaků a syntetizované řeči. Tyto komponenty společně umožnily, aby se tištěný materiál stal mluveným výstupem, čímž se propojilo rozpoznávání s kompletním zážitkem ze čtení.
Stejné základní pokroky podpořily i komerční zadávání dat. Hodnota OCR stále více závisela na zpracování stávajících dokumentů, nejen dokumentů navržených s ohledem na omezení čtečky. Zároveň tyto systémy ukázaly, proč rozpoznávání jednotlivých písmen nestačí: slova musela být sestavena v užitečném pořadí, než mohla být přečtena nahlas nebo znovu použita.
Skenování a OCR se stávají součástí pracovního postupu na stolním počítači
S rozvojem osobních počítačů a stolních skenerů se OCR posunulo za hranice vyhrazených čtecích instalací. Hodnocení stolních skenerů americkou Agenturou pro ochranu životního prostředí z roku 1990 již považovalo rozpoznávání textu za praktickou kancelářskou schopnost, přičemž porovnávalo vybavení a software pro převod papíru na použitelné počítačové soubory. Skenování stránky a přenos jejího textu do textového procesoru se stalo stále dostupnějším pracovním postupem.
Software musel dělat víc než jen klasifikovat izolované znaky. Musel oddělit text od obrázků, identifikovat řádky a sloupce, kompenzovat nakloněné skeny a rozhodnout, jak reprezentovat stránku v upravitelném dokumentu. Čištění obrazu, analýza rozvržení, slovníky a kontextové kontroly se staly důležitými součástmi celkového procesu rozpoznávání. Stránka mohla obsahovat většinou správná písmena, a přesto vyžadovat značnou opravu, pokud byly její sloupce promíchány.
Zavedení PDF v 1993 přidalo přenosný způsob výměny dokumentů založených na stránkách. PDF byl formát dokumentu, nikoli metoda rozpoznávání, ale poskytl užitečné úložiště pro naskenované stránky a přidružený text. Zachování vzhledu stránky a zajištění prohledávatelnosti jejího obsahu se nyní mohlo stát doplňkovými cíli.
Výzkum rukopisu a neuronové sítě mění rozpoznávání
Souběžně s rozšiřováním stolních počítačů vědci zlepšovali rozpoznávání méně předvídatelného písma. Program NIST OCR od 1989 do 1998 zahrnoval ručně psané formuláře a žádosti zahrnující americký úřad pro sčítání lidu a daňový úřad (IRS). Veřejné datové sady a referenční systémy umožnily porovnávat metody na základě sdílených příkladů, namísto spoléhání se pouze na ukázky s pečlivě vybranými stránkami.
Neurální rozpoznávání již bylo důležitou součástí této práce. Článek 1998 Gradient-Based Learning Applied to Document Recognition popsal konvoluční sítě, které se učily užitečné vizuální rysy z příkladů, spolu s metodami pro kombinování rozpoznávání, segmentace a jazykových omezení. To rozšířilo širší historii statistického rozpoznávání vzorů; dřívější OCR také zahrnovaly metody nad rámec jednoduchého porovnávání šablon.
Učení z příkladů nabídlo způsob, jak se přizpůsobit variacím v tazích a tvarech znaků. Také to zvýšilo důležitost trénovacích dat a hodnocení. Systém mohl dobře fungovat u izolovaných ručně psaných číslic, ale mohl mít potíže se souvislým rukopisem nebo neznámými formuláři. Pokrok v jedné úloze rozpoznávání byl cenný, aniž by automaticky vyřešil každý jiný druh dokumentu.
Velké digitální sbírky mění OCR v nástroj pro objevování
Projekty digitalizace rozšířily roli OCR z opětovného použití stránky na objevování informací napříč celými sbírkami. Knihovny a archivy mohly uchovávat obrázky novin, knih a záznamů a zároveň indexovat jejich rozpoznaný text. Knihovna Kongresu spustila v březnu 2007 projekt Chronicling America, čímž výzkumníkům poskytla prohledávatelný zdroj historických novin.
To změnilo způsob, jakým lidé přistupovali k archivu. Jméno, místo nebo fráze mohly vést přímo na relevantní stránku, aniž by čtenář musel kontrolovat každé vydání. OCR se stalo součástí většího systému skenování, metadat, indexování a vyhledávání. Jeho užitečnost se již neměřila pouze tím, jak blízce se exportovaný dokument podobal svému zdroji.
Historický materiál také odhalil přetrvávající slabiny: poškozený papír, stará písma, nepravidelné řádkování a složité sloupce. Chyby v rozpoznávání mohly skrýt relevantní výsledek vyhledávání nebo vytvořit zavádějící shodu. Ponechání původní stránky vedle strojově generovaného textu umožnilo čtenářům ověřit objevy a učinilo z vylepšeného rozpoznávání způsob, jak obohatit stávající digitální sbírku bez nutnosti znovu skenovat každou položku.
Čtení celých sekvencí bez oddělování každého znaku
Dlouhodobým problémem při rozpoznávání rukopisu bylo rozhodování, kde jeden znak končí a druhý začíná. Souvislé tahy a překrývající se písmena činily proces přísného řezání a následné klasifikace křehkým. Statistické sekvenční metody, včetně skrytých Markovových modelů, tento problém již řešily. Rekurentní neuronové sítě nabídly další způsob, jak využít sousední informace při interpretaci řádku. Sítě s dlouhou krátkodobou pamětí (LSTM), typ rekurentní sítě, pomohly udržet kontext napříč sekvencí namísto posuzování každé malé oblasti nezávisle.
Connectionist Temporal Classification, představená v 2006, poskytla trénovací metodu pro přiřazování vstupních sekvencí k textovým štítkům, aniž by bylo nutné předem označit pozici každého znaku. Původní článek hodnotil řeč, zatímco následná práce aplikovala tento přístup na rukopis. Článek z 2009 kombinoval sekvenční trénink s rekurentními sítěmi, které využívaly kontext z obou směrů k rozpoznávání neomezených ručně psaných řádků.
To snížilo závislost na dokonalé segmentaci znak po znaku a pomohlo učinit rozpoznávání na úrovni řádků praktičtějším. Neodstranilo to však každý přípravný krok: systém mohl stále potřebovat lokalizovat text, identifikovat řádky a zpracovat orientaci stránky. Důležitou změnou bylo, že rozpoznávání se mohlo naučit zarovnání mezi sekvencí obrázků a jejím přepisem, namísto toho, aby předem dostávalo hranice každého znaku.
Hluboké učení posouvá OCR za hranice plochého skeneru
Vyfotografovaný text opět rozšířil problém. Účtenka na stole, obchodní vývěsní štít nebo stránka zachycená pod úhlem mohly obsahovat stíny, zkreslení perspektivy a rušivé pozadí. Před rozpoznáním slov je systém musel najít. Detekce textu a rozpoznávání textu se proto staly úzce propojenými výzkumnými úkoly s praktickým významem pro čtení a překlad pomocí fotoaparátu.
Hluboké učení zlepšilo obě fáze. Článek o textu ve scéně 2015 kombinoval konvoluční obrazové rysy, rekurentní sekvenční zpracování a přepis v jednom trénovatelném systému rozpoznávání. Místo toho, aby vědci zacházeli s extrakcí rysů a čtením jako se zcela oddělenými ručně vytvořenými komponentami, mohli je optimalizovat společně. Tento přístup také zvládal slova různých délek, aniž by nejprve izoloval každé písmeno.
Srovnávací testy stále více odrážely nekontrolované podmínky snímání. Soutěž ICDAR Robust Reading Competition 2015 přidala náhodný text ve scéně, čímž rozšířila hodnocení nad rámec obrázků záměrně zarámovaných kolem čitelných slov. To podpořilo systémy, které se dokázaly vyrovnat s textem, se kterým se lidé setkávají na běžných fotografiích. Také to objasnilo, že výkon na čistých naskenovaných dokumentech plně nepopisuje schopnosti čtečky v širším vizuálním světě.
Syntetická trénovací data a vícejazyčné srovnávací testy rozšiřují pokrytí
Lepší metody učení také vyžadovaly rozmanitější příklady. Syntetické trénovací obrázky umožnily vědcům generovat text v různých fontech, velikostech, barvách a pozadích bez ručního označování každé nové fotografie. Oxfordský výzkum publikovaný v 2016 umístil umělý text do skutečných scén při zohlednění jejich geometrie, čímž poskytl velké množství trénovacího materiálu pro detekci textu. Generované příklady doplnily skutečné obrázky tím, že usnadnily vytváření konkrétních variací ve velkém měřítku.
Vícejazyčné hodnocení se rozšiřovalo paralelně. Vícejazyčná výzva ICDAR 2017 zahrnovala devět jazyků reprezentujících šest písem; její nástupce z 2019 přidal jazyk a úlohu rozpoznávání typu end-to-end. Tyto srovnávací testy přinesly smíšená písma, různé orientace a širší škálu systémů psaní do společného prostředí hodnocení.
Širší ponaučení spočívalo v tom, že jazyková podpora zahrnovala mnohem více než jen přidání znaků do abecedy. Systémy potřebovaly vhodné trénovací příklady a metody, které by se dokázaly vyrovnat s různými strukturami znaků, souvislým psaním a směry čtení. Sdílené datové sady usnadnily měření takových rozdílů a zároveň odhalily mezery mezi výkonem u dobře zastoupených jazyků a méně známým materiálem.
Učení založené na pozornosti a povědomí o rozvržení spojuje slova se strukturou stránky
Architektura transformer, představená v 2017 pro jazykové úlohy, poskytla výkonný způsob modelování vztahů napříč sekvencí prostřednictvím pozornosti. Její význam pro OCR se vyvinul prostřednictvím pozdějších aplikací na rozpoznávání textu a analýzu dokumentů. Pozornost umožnila systému vážit relevantní části vstupu při vytváření výsledku, čímž přidala další přístup vedle konvolučních a rekurentních sítí.
Výzkum dokumentů se také díval za hranice prostého přepisu. Studie předložená v prosinci 2019 a publikovaná v 2020 kombinovala rozpoznaný text s jeho pozicí na stránce během předtrénování a následně při přizpůsobování systému konkrétním úkolům s dokumenty začlenila vizuální prvky. Na umístění záleželo, protože stejná slova mohla hrát různé role v nadpisu, bloku adresy nebo řádku formuláře.
To pomohlo propojit rozpoznávání s úkoly, jako je klasifikace dokumentů a extrakce informací. Přečtení čísla a jeho identifikace jako celkové částky faktury jsou související, ale odlišné operace; struktura stránky poskytuje vodítka pro tu druhou. Metody využívající rozvržení (layout) neučinily OCR zbytečným. Nabídly způsoby, jak využít jeho výstup společně s okolními vizuálními důkazy, čímž se zpracování dokumentů posunulo směrem k vztahům mezi prvky namísto jediného proudu slov.
Transformery čtou text a generují výsledky dokumentů přímo
Do roku 2021 výzkumníci aplikovali předtrénované obrazové a textové transformery přímo na rozpoznávání. Jeden publikovaný přístup spároval kodér obrazu s dekodérem textu a vyhodnocoval tištěný, ručně psaný a text ve scéně. Předtrénování na velkých sbírkách, následované trénováním pro specifičtější úkol, nabídlo další cestu k učení vizuálních vzorů a vytváření koherentních sekvencí znaků nebo slov.
Samostatná linie práce zkoumala generování strukturovaných výsledků dokumentů z obrázků bez předchozího spuštění nezávislého konvenčního enginu OCR. Výzkum představený koncem roku 2021 a revidovaný v roce 2022 demonstroval tento přístup pro porozumění dokumentům. Termín bez OCR v této práci popisuje absenci samostatné fáze OCR; systém stále musí z obrázku odvodit relevantní psané informace.
Tento vývoj rozšířil dostupné architektury. Systém zpracování může text rozpoznat a následně jej analyzovat, nebo natrénovat model tak, aby přímo vytvořil požadovaný výsledek. Žádné uspořádání nezaručuje věrný výstup na každé stránce. Volba mění to, kde mohou vznikat chyby, jak jsou výsledky kontrolovány a jak snadno lze uchovat průběžné důkazy, jako jsou rozpoznaná slova a jejich pozice.
Multimodální systémy rozšiřují čtení dokumentů a přinášejí nové testy
Nedávné multimodální systémy kombinují zpracování obrazu a generování jazyka, což umožňuje textu v dokumentech účastnit se širších interakcí. V závislosti na systému a úkolu může uživatel požadovat přepis, položit otázku ohledně stránky nebo extrahovat konkrétní pole. Rozpoznávání se stále více stává součástí širšího pracovního postupu s dokumenty, zatímco specializované OCR zůstává užitečné, pokud je hlavním požadavkem přesný a kontrolovatelný přepis.
Hodnocení se odpovídajícím způsobem rozšířilo. OCRBench, představený v roce 2023, zvažoval rozpoznávání spolu s otázkami k dokumentům, extrakcí informací a ručně psanými matematickými výrazy. Jeho nástupce, vydaný na konci roku 2024 a revidovaný v roce 2025, zkoumal širší sadu vizuálního textu a úkolů uvažování. Hlášená omezení zahrnovala jemné detaily, rozvržení, komplexní prvky a méně známý text, což ukazuje, proč jedno tvrzení o přesnosti nemůže zachytit každý požadavek na čtení dokumentů.
Tato širší schopnost také zvyšuje důležitost účelu výstupu. Užitečné vysvětlení může parafrázovat, zatímco věrný přepis musí zachovat to, co stránka skutečně říká. Plynulé formulace nemohou potvrdit, že jméno, částka nebo citace byly přečteny správně. Systémy potřebují hodnocení přizpůsobené úkolu, ať už to znamená přesnost znaků, pořadí čtení, strukturu tabulky nebo správnost extrahovaného pole.
Během století směřoval pokrok k méně kontrolovaným vstupům a užitečnějším výstupům: od předepsaných znaků k běžnému tisku, rukopisu, fotografiím a komplexním dokumentům. Nové přístupy se nadále připojují k těm zavedeným. Ústřední výzva zůstává rozpoznatelná: přeměna vizuálních důkazů na spolehlivé informace při zachování detailů, na kterých záleží.