Φως, ήχος και οι πρώτες προσεγγίσεις στη μηχανική ανάγνωση
Μερικές από τις ρίζες της OCR βρίσκονται στις προσπάθειες να γίνει το έντυπο υλικό προσβάσιμο σε τυφλούς αναγνώστες. Το 1914, ο E. E. Fournier d'Albe περιέγραψε ένα οπτόφωνο ανάγνωσης τύπων, το οποίο μετέτρεπε τα μοτίβα φωτός από μια σελίδα σε ακουστικά σήματα. Ο ακροατής μάθαινε να ερμηνεύει αυτά τα σήματα. Ήταν ένα βοήθημα οπτικής ανάγνωσης, παρά μια μηχανή που παρήγαγε αυτόματα μεταγραφή κειμένου, αλλά απέδειξε ότι τα τυπωμένα σημάδια μπορούσαν να ανιχνευθούν και να αναπαρασταθούν με άλλη μορφή.
Άλλοι εφευρέτες επιδίωξαν την αυτόματη αναγνώριση χαρακτήρων. Το δίπλωμα ευρεσιτεχνίας της μηχανής ανάγνωσης του Gustav Tauschek, που κατατέθηκε το 1928 και δημοσιεύτηκε το 1930, απεικόνιζε φωτοηλεκτρική σύγκριση με πρότυπα χαρακτήρων. Το παράδειγμα ανάγνωσης αριθμών χρησιμοποιούσε περιστρεφόμενες εγκοπές για να ελέγξει το σχήμα που παρουσιαζόταν στη συσκευή. Αυτές οι προσεγγίσεις έφεραν κοντά την οπτική, τη μηχανική κίνηση και την ηλεκτρική ανίχνευση πολύ πριν οι ψηφιακοί υπολογιστές γενικής χρήσης γίνουν κοινός τόπος.
Η διάκριση μεταξύ της ανίχνευσης ενός σημαδιού και της αναγνώρισης ενός χαρακτήρα θα παρέμενε κεντρική για την OCR. Η λήψη της σελίδας ήταν μόνο η αρχή: ένας χρήσιμος αναγνώστης έπρεπε επίσης να διακρίνει παρόμοια σχήματα και να εκφράσει την απόφασή του σε μια μορφή που θα μπορούσε να χρησιμοποιήσει μια άλλη συσκευή.
Οι αναγνώστες χαρακτήρων εισέρχονται στις επιχειρηματικές λειτουργίες
Κατά τη διάρκεια της δεκαετίας του 1950, η αυτόματη ανάγνωση πλησίασε την καθημερινή επιχειρηματική επεξεργασία. Το δίπλωμα ευρεσιτεχνίας της συσκευής ανάγνωσης του David Shepard κατατέθηκε το 1951 και εκδόθηκε το 1953. Μια σύγχρονη έρευνα του Εθνικού Γραφείου Προτύπων κατέγραψε μια εγκατάσταση παραγωγής στο Reader's Digest το 1955. Τέτοια συστήματα αντιμετώπιζαν ένα πρακτικό εμπόδιο: οι πληροφορίες που ήταν ήδη τυπωμένες σε χαρτί έπρεπε διαφορετικά να εισαχθούν ξανά από έναν άνθρωπο πριν μπορέσει να τις επεξεργαστεί ένας υπολογιστής.
Αυτοί οι αναγνώστες λειτουργούσαν συνήθως υπό πολύ πιο περιορισμένες συνθήκες από τα σημερινά εργαλεία εγγράφων γενικής χρήσης. Ένα περιορισμένο σύνολο χαρακτήρων, η προβλέψιμη εκτύπωση και η ελεγχόμενη τοποθέτηση καθιστούσαν το πρόβλημα της αναγνώρισης πιο διαχειρίσιμο. Ο σαρωτής, το υλικό αναγνώρισης και ο μηχανισμός εξόδου σχεδιάστηκαν ως ένα συντονισμένο σύστημα, συχνά για μια συγκεκριμένη κατηγορία εγγράφων.
Αυτή ήταν μια σημαντική αλλαγή στον σκοπό και την κλίμακα. Η οπτική ανάγνωση γινόταν μια μέθοδος εισαγωγής για την επιχειρηματική πληροφορική. Η επιτυχία εξαρτιόταν από τη συνεπή επεξεργασία ενός καθορισμένου φόρτου εργασίας, παρά από την απόδειξη ότι μια μηχανή μπορούσε να αναγνωρίσει μερικούς χαρακτήρες υπό εργαστηριακές συνθήκες.
Οι τυποποιημένες γραμματοσειρές καθιστούν το τυπωμένο κείμενο ευκολότερο στην αναγνώριση
Ένας τρόπος για να βελτιωθεί η αναγνώριση ήταν να γίνει η είσοδος πιο προβλέψιμη. Οι αναγνώσιμες από μηχανές γραμματοσειρές όπως η OCR-A και η OCR-B χρησιμοποιούσαν καθορισμένα σχήματα χαρακτήρων και απαιτήσεις εκτύπωσης, μειώνοντας τη διακύμανση που έπρεπε να διαχειριστεί ένας αναγνώστης. Η OCR-B εμφανίστηκε στο πρότυπο ECMA-11 το 1965, με μεταγενέστερες εκδόσεις να βελτιώνουν τις προδιαγραφές. Η τυποποίηση βοήθησε τον εξοπλισμό και τα τυπωμένα έγγραφα να συνεργάζονται πιο συνεπώς.
Αυτή η προσέγγιση μετέφερε μέρος της μηχανικής προσπάθειας στο ίδιο το έγγραφο. Μια αυστηρά ελεγχόμενη γραμματοσειρά θα μπορούσε να κάνει έναν αριθμό πιο εύκολο να διακριθεί από έναν άλλον, ενώ οι καθορισμένες διαστάσεις και τα διαστήματα μείωναν την αβεβαιότητα κατά τη σάρωση. Το αντάλλαγμα ήταν η ευελιξία: ένας αναγνώστης σχεδιασμένος γύρω από ελεγχόμενη εκτύπωση δεν μπορούσε να διαχειριστεί αυτόματα κάθε εφημερίδα, βιβλίο ή χειρόγραφη σημείωση.
Η οπτική αναγνώριση χαρακτήρων πρέπει επίσης να διακρίνεται από την αναγνώριση χαρακτήρων μαγνητικής μελάνης, ή MICR. Και τα δύο υποστήριζαν τον αυτοματισμό εγγράφων, αλλά το MICR ανιχνεύει μαγνητικά αναγνώσιμους χαρακτήρες, ενώ η OCR ερμηνεύει την ορατή εικόνα τους. Οι δύο τεχνολογίες αναπτύχθηκαν παράλληλα· δεν είναι διαφορετικά ονόματα για την ίδια διαδικασία ανάγνωσης.
Η αναγνώριση Omnifont καθιστά την κοινή εκτύπωση προσιτή
Η επόμενη φιλοδοξία ήταν η ανάγνωση υλικού που δεν είχε εκτυπωθεί ειδικά για μηχανή. Η αναγνώριση Omnifont στόχευε στον χειρισμό μιας σειράς συνηθισμένων γραμματοσειρών, μειώνοντας την εξάρτηση από ένα μόνο προκαθορισμένο αλφάβητο. Το όνομα περιέγραφε αυτή την κατεύθυνση προόδου· δεν σήμαινε ότι κάθε γραμματοσειρά, σάρωση ή διάταξη σελίδας μπορούσε να διαβαστεί χωρίς σφάλματα.
Ένα σημαντικό ορόσημο ήταν η μηχανή ανάγνωσης που παρουσιάστηκε από τον Ray Kurzweil και την ομάδα του στις 13 Ιανουαρίου 1976. Στην προφορική του ιστορία για το Αμερικανικό Ίδρυμα για τους Τυφλούς, ο Kurzweil περιγράφει τον συνδυασμό σάρωσης, αναγνώρισης χαρακτήρων και συνθετικής ομιλίας. Μαζί, αυτά τα στοιχεία επέτρεψαν στο τυπωμένο υλικό να μετατραπεί σε προφορική έξοδο, συνδέοντας την αναγνώριση με μια ολοκληρωμένη εμπειρία ανάγνωσης.
Οι ίδιες υποκείμενες εξελίξεις υποστήριξαν επίσης την εμπορική εισαγωγή δεδομένων. Η αξία της OCR εξαρτιόταν όλο και περισσότερο από τον χειρισμό υπαρχόντων εγγράφων, όχι μόνο εγγράφων σχεδιασμένων γύρω από τους περιορισμούς ενός αναγνώστη. Ταυτόχρονα, αυτά τα συστήματα έδειξαν γιατί η αναγνώριση μεμονωμένων γραμμάτων ήταν ανεπαρκής: οι λέξεις έπρεπε να συναρμολογηθούν με χρήσιμη σειρά πριν μπορέσουν να διαβαστούν δυνατά ή να επαναχρησιμοποιηθούν.
Η σάρωση και η OCR γίνονται μέρος της ροής εργασίας του επιτραπέζιου υπολογιστή
Καθώς αναπτύσσονταν οι προσωπικοί υπολογιστές και οι επιτραπέζιοι σαρωτές, η OCR ξεπέρασε τις αποκλειστικές εγκαταστάσεις ανάγνωσης. Μια αξιολόγηση επιτραπέζιων σαρωτών από την Υπηρεσία Προστασίας Περιβάλλοντος των ΗΠΑ το 1990 αντιμετώπιζε ήδη την αναγνώριση κειμένου ως μια πρακτική ικανότητα γραφείου, συγκρίνοντας εξοπλισμό και λογισμικό για τη μετατροπή χαρτιού σε χρήσιμα αρχεία υπολογιστή. Η σάρωση μιας σελίδας και η μεταφορά του κειμένου της σε έναν επεξεργαστή κειμένου έγινε μια ολοένα και πιο προσιτή ροή εργασίας.
Το λογισμικό έπρεπε να κάνει περισσότερα από το να ταξινομεί μεμονωμένους χαρακτήρες. Έπρεπε να διαχωρίζει το κείμενο από τις εικόνες, να αναγνωρίζει γραμμές και στήλες, να αντισταθμίζει τις κεκλιμένες σαρώσεις και να αποφασίζει πώς να αναπαραστήσει τη σελίδα σε ένα επεξεργάσιμο έγγραφο. Ο καθαρισμός εικόνας, η ανάλυση διάταξης, τα λεξικά και οι έλεγχοι πλαισίου έγιναν σημαντικά μέρη της συνολικής διαδικασίας αναγνώρισης. Μια σελίδα θα μπορούσε να περιέχει ως επί το πλείστον σωστά γράμματα και πάλι να απαιτεί σημαντική επιδιόρθωση εάν οι στήλες της ήταν ανακατεμένες.
Η εισαγωγή του PDF στο 1993 πρόσθεσε έναν φορητό τρόπο ανταλλαγής εγγράφων βασισμένων σε σελίδες. Το PDF ήταν μια μορφή εγγράφου, όχι μια μέθοδος αναγνώρισης, αλλά παρείχε μια χρήσιμη βάση για σαρωμένες σελίδες και το σχετικό κείμενο. Η διατήρηση της εμφάνισης μιας σελίδας και η δυνατότητα αναζήτησης του περιεχομένου της μπορούσαν πλέον να αποτελούν συμπληρωματικούς στόχους.
Η έρευνα στη χειρόγραφη γραφή και τα νευρωνικά δίκτυα αλλάζουν την αναγνώριση
Παράλληλα με την υιοθέτηση των επιτραπέζιων υπολογιστών, οι ερευνητές βελτίωναν την αναγνώριση λιγότερο προβλέψιμης γραφής. Το πρόγραμμα OCR του NIST από το 1989 έως το 1998 περιλάμβανε χειρόγραφα έντυπα και αιτήσεις που αφορούσαν το Γραφείο Απογραφής των ΗΠΑ και την IRS. Τα δημόσια σύνολα δεδομένων και τα συστήματα αναφοράς κατέστησαν δυνατή τη σύγκριση μεθόδων με βάση κοινά παραδείγματα, αντί για την απλή εξάρτηση από επιδείξεις με προσεκτικά επιλεγμένες σελίδες.
Η νευρωνική αναγνώριση αποτελούσε ήδη σημαντικό μέρος αυτής της εργασίας. Η εργασία 1998 με τίτλο «Gradient-Based Learning Applied to Document Recognition» περιέγραψε συνελικτικά δίκτυα που μάθαιναν χρήσιμα οπτικά χαρακτηριστικά από παραδείγματα, μαζί με μεθόδους συνδυασμού αναγνώρισης, κατάτμησης και γλωσσικών περιορισμών. Αυτό επέκτεινε μια ευρύτερη ιστορία στατιστικής αναγνώρισης προτύπων· προγενέστερες OCR περιλάμβαναν επίσης μεθόδους πέρα από την απλή αντιστοίχιση προτύπων.
Η μάθηση από παραδείγματα προσέφερε έναν τρόπο προσαρμογής στις διακυμάνσεις των γραμμών και των σχημάτων των χαρακτήρων. Κατέστησε επίσης τα δεδομένα εκπαίδευσης και την αξιολόγηση πιο σημαντικά. Ένα σύστημα θα μπορούσε να αποδίδει καλά σε μεμονωμένα χειρόγραφα ψηφία, αλλά να δυσκολεύεται με τη συνεχή χειρόγραφη γραφή ή άγνωστες μορφές. Η πρόοδος σε μια εργασία αναγνώρισης ήταν πολύτιμη χωρίς να επιλύει αυτόματα κάθε άλλο είδος εγγράφου.
Οι μεγάλες ψηφιακές συλλογές μετατρέπουν το OCR σε εργαλείο ανακάλυψης
Τα έργα ψηφιοποίησης επέκτειναν τον ρόλο του OCR από την επαναχρησιμοποίηση μιας σελίδας στην ανακάλυψη πληροφοριών σε ολόκληρες συλλογές. Οι βιβλιοθήκες και τα αρχεία μπορούσαν να διατηρούν εικόνες εφημερίδων, βιβλίων και αρχείων, ευρετηριάζοντας παράλληλα το αναγνωρισμένο κείμενό τους. Η Βιβλιοθήκη του Κογκρέσου ξεκίνησε το Chronicling America τον Μάρτιο του 2007, παρέχοντας στους ερευνητές μια αναζητήσιμη πηγή για ιστορικές εφημερίδες.
Αυτό άλλαξε τον τρόπο με τον οποίο οι άνθρωποι προσέγγιζαν ένα αρχείο. Ένα όνομα, μια τοποθεσία ή μια φράση μπορούσαν να οδηγήσουν απευθείας σε μια σχετική σελίδα χωρίς να απαιτείται από τον αναγνώστη να ελέγξει κάθε τεύχος. Το OCR έγινε μέρος ενός ευρύτερου συστήματος σάρωσης, μεταδεδομένων, ευρετηρίασης και ανάκτησης. Η χρησιμότητά του δεν μετριόταν πλέον μόνο από το πόσο πιστά ένα εξαγόμενο έγγραφο έμοιαζε με την πηγή του.
Το ιστορικό υλικό αποκάλυψε επίσης επίμονες αδυναμίες: κατεστραμμένο χαρτί, παλιές γραμματοσειρές, ακανόνιστα διαστήματα και σύνθετες στήλες. Τα σφάλματα αναγνώρισης θα μπορούσαν να αποκρύψουν ένα σχετικό αποτέλεσμα αναζήτησης ή να παράγουν μια παραπλανητική αντιστοίχιση. Η διατήρηση της αρχικής σελίδας παράλληλα με το κείμενο που παρήγαγε η μηχανή επέτρεπε στους αναγνώστες να επαληθεύουν τις ανακαλύψεις και καθιστούσε τη βελτιωμένη αναγνώριση έναν τρόπο εμπλουτισμού μιας υπάρχουσας ψηφιακής συλλογής χωρίς την ανάγκη επανασάρωσης κάθε στοιχείου.
Ανάγνωση ολόκληρων ακολουθιών χωρίς τον διαχωρισμό κάθε χαρακτήρα
Μια μακροχρόνια δυσκολία στην αναγνώριση χειρογράφων ήταν ο καθορισμός του σημείου όπου τελείωνε ένας χαρακτήρας και άρχιζε ο επόμενος. Οι συνεχόμενες γραμμές και τα επικαλυπτόμενα γράμματα καθιστούσαν την αυστηρή διαδικασία «κοπή-και-ταξινόμηση» εύθραυστη. Οι στατιστικές μέθοδοι ακολουθιών, συμπεριλαμβανομένων των κρυφών μοντέλων Markov, είχαν ήδη αντιμετωπίσει αυτό το πρόβλημα. Τα αναδρομικά νευρωνικά δίκτυα προσέφεραν έναν άλλο τρόπο χρήσης των γειτονικών πληροφοριών κατά την ερμηνεία μιας γραμμής. Τα δίκτυα μακροπρόθεσμης βραχυπρόθεσμης μνήμης (LSTM), ένας τύπος αναδρομικού δικτύου, βοήθησαν στη διατήρηση του πλαισίου σε μια ακολουθία αντί για την ανεξάρτητη κρίση κάθε μικρής περιοχής.
Η ταξινόμηση Connectionist Temporal Classification, που εισήχθη το 2006, παρείχε μια μέθοδο εκπαίδευσης για την αντιστοίχιση ακολουθιών εισόδου με ετικέτες κειμένου χωρίς να απαιτείται ο εκ των προτέρων προσδιορισμός της θέσης κάθε χαρακτήρα. Η αρχική εργασία αξιολόγησε την ομιλία, ενώ μεταγενέστερη εργασία εφάρμοσε την προσέγγιση στη χειρόγραφη γραφή. Μια εργασία του 2009 συνδύασε την εκπαίδευση ακολουθιών με αναδρομικά δίκτυα που χρησιμοποιούσαν το πλαίσιο και από τις δύο κατευθύνσεις για την αναγνώριση μη περιορισμένων χειρόγραφων γραμμών.
Αυτό μείωσε την εξάρτηση από την τέλεια κατάτμηση χαρακτήρα προς χαρακτήρα και βοήθησε στο να γίνει η αναγνώριση σε επίπεδο γραμμής πιο πρακτική. Δεν εξάλειψε κάθε βήμα προετοιμασίας: ένα σύστημα μπορεί να χρειαζόταν ακόμα να εντοπίσει το κείμενο, να αναγνωρίσει τις γραμμές και να διαχειριστεί τον προσανατολισμό της σελίδας. Η σημαντική αλλαγή ήταν ότι η αναγνώριση μπορούσε να μάθει μια ευθυγράμμιση μεταξύ μιας ακολουθίας εικόνας και της μεταγραφής της αντί να λαμβάνει κάθε όριο χαρακτήρα εκ των προτέρων.
Η βαθιά μάθηση μεταφέρει το OCR πέρα από τον επίπεδο σαρωτή
Το φωτογραφημένο κείμενο διεύρυνε ξανά το πρόβλημα. Μια απόδειξη πάνω σε ένα γραφείο, μια επιγραφή καταστήματος ή μια σελίδα που έχει ληφθεί υπό γωνία μπορεί να περιέχει σκιές, παραμόρφωση προοπτικής και ένα αποσπασματικό φόντο. Πριν από την αναγνώριση των λέξεων, ένα σύστημα έπρεπε να τις βρει. Ο εντοπισμός κειμένου και η αναγνώριση κειμένου έγιναν επομένως στενά συνδεδεμένες ερευνητικές εργασίες, με πρακτική σημασία για την ανάγνωση και τη μετάφραση μέσω κάμερας.
Η βαθιά μάθηση βελτίωσε και τα δύο στάδια. Μια εργασία 2015 για κείμενο σε σκηνές συνδύασε συνελικτικά χαρακτηριστικά εικόνας, επεξεργασία αναδρομικών ακολουθιών και μεταγραφή σε ένα εκπαιδεύσιμο σύστημα αναγνώρισης. Αντί να αντιμετωπίζουν την εξαγωγή χαρακτηριστικών και την ανάγνωση ως εντελώς ξεχωριστά χειροποίητα στοιχεία, οι ερευνητές μπορούσαν να τα βελτιστοποιήσουν μαζί. Η προσέγγιση διαχειρίστηκε επίσης λέξεις διαφορετικού μήκους χωρίς να απομονώνει πρώτα κάθε γράμμα.
Τα σημεία αναφοράς αντικατόπτριζαν όλο και περισσότερο τις μη ελεγχόμενες συνθήκες λήψης. Ο διαγωνισμός 2015 ICDAR Robust Reading Competition πρόσθεσε κείμενο από τυχαίες σκηνές, επεκτείνοντας την αξιολόγηση πέρα από εικόνες που πλαισιώνονταν σκόπιμα γύρω από ευανάγνωστες λέξεις. Αυτό ενθάρρυνε συστήματα που μπορούσαν να ανταπεξέλθουν στο κείμενο που συναντούν οι άνθρωποι σε καθημερινές φωτογραφίες. Κατέστησε επίσης σαφές ότι η απόδοση σε καθαρά σαρωμένα έγγραφα δεν περιέγραφε πλήρως τις ικανότητες ενός αναγνώστη στον ευρύτερο οπτικό κόσμο.
Τα συνθετικά δεδομένα εκπαίδευσης και τα πολύγλωσσα σημεία αναφοράς διευρύνουν την κάλυψη
Οι καλύτερες μέθοδοι μάθησης απαιτούσαν επίσης πιο ποικίλα παραδείγματα. Οι συνθετικές εικόνες εκπαίδευσης επέτρεψαν στους ερευνητές να δημιουργούν κείμενο σε διαφορετικές γραμματοσειρές, μεγέθη, χρώματα και φόντα χωρίς να επισημαίνουν χειροκίνητα κάθε νέα φωτογραφία. Έρευνα της Οξφόρδης που δημοσιεύθηκε το 2016 τοποθέτησε τεχνητό κείμενο σε πραγματικές σκηνές λαμβάνοντας υπόψη τη γεωμετρία τους, παρέχοντας μεγάλες ποσότητες εκπαιδευτικού υλικού για τον εντοπισμό κειμένου. Τα παραγόμενα παραδείγματα συμπλήρωσαν τις πραγματικές εικόνες καθιστώντας ευκολότερη την παραγωγή συγκεκριμένων παραλλαγών σε κλίμακα.
Η πολύγλωσση αξιολόγηση επεκτάθηκε παράλληλα. Η πολύγλωσση πρόκληση 2017 ICDAR περιλάμβανε εννέα γλώσσες που αντιπροσωπεύουν έξι γραφές· ο διάδοχός της το 2019 πρόσθεσε μια γλώσσα και μια εργασία αναγνώρισης από άκρο σε άκρο. Αυτά τα σημεία αναφοράς έφεραν μικτές γραφές, διαφορετικούς προσανατολισμούς και ένα ευρύτερο φάσμα συστημάτων γραφής σε ένα κοινό πλαίσιο αξιολόγησης.
Το ευρύτερο δίδαγμα ήταν ότι η γλωσσική υποστήριξη περιλάμβανε πολύ περισσότερα από την απλή προσθήκη χαρακτήρων σε ένα αλφάβητο. Τα συστήματα χρειάζονταν κατάλληλα παραδείγματα εκπαίδευσης και μεθόδους που μπορούσαν να ανταπεξέλθουν σε διαφορετικές δομές χαρακτήρων, συνεχή γραφή και κατευθύνσεις ανάγνωσης. Τα κοινά σύνολα δεδομένων κατέστησαν τέτοιες διαφορές ευκολότερο να μετρηθούν, αποκαλύπτοντας παράλληλα τα κενά μεταξύ της απόδοσης σε γλώσσες με καλή εκπροσώπηση και σε λιγότερο οικείο υλικό.
Η προσοχή και η μάθηση με επίγνωση της διάταξης συνδέουν τις λέξεις με τη δομή της σελίδας
Η αρχιτεκτονική transformer, που εισήχθη το 2017 για γλωσσικές εργασίες, παρείχε έναν ισχυρό τρόπο μοντελοποίησης των σχέσεων σε μια ακολουθία μέσω της προσοχής. Η σημασία της για το OCR αναπτύχθηκε μέσω μεταγενέστερων εφαρμογών στην αναγνώριση κειμένου και την ανάλυση εγγράφων. Η προσοχή επέτρεψε σε ένα σύστημα να σταθμίζει τα σχετικά μέρη της εισόδου του κατά την παραγωγή ενός αποτελέσματος, προσθέτοντας μια άλλη προσέγγιση παράλληλα με τα συνελικτικά και αναδρομικά δίκτυα.
Η έρευνα εγγράφων δεν περιοριζόταν μόνο σε μια απλή μεταγραφή. Μια μελέτη που υποβλήθηκε τον Δεκέμβριο 2019 και δημοσιεύτηκε το 2020 συνδύασε το αναγνωρισμένο κείμενο με τη θέση του στη σελίδα κατά την προεκπαίδευση, ενσωματώνοντας στη συνέχεια οπτικά χαρακτηριστικά κατά την προσαρμογή του συστήματος σε συγκεκριμένες εργασίες εγγράφων. Η τοποθεσία είχε σημασία επειδή οι ίδιες λέξεις θα μπορούσαν να παίζουν διαφορετικούς ρόλους σε μια επικεφαλίδα, ένα μπλοκ διεύθυνσης ή μια σειρά μιας φόρμας.
Αυτό βοήθησε στη σύνδεση της αναγνώρισης με εργασίες όπως η ταξινόμηση εγγράφων και η εξαγωγή πληροφοριών. Η ανάγνωση ενός αριθμού και η αναγνώρισή του ως συνολικού ποσού τιμολογίου είναι σχετικές αλλά διακριτές λειτουργίες· η δομή της σελίδας παρέχει ενδείξεις για τη δεύτερη. Οι μέθοδοι που λαμβάνουν υπόψη τη διάταξη δεν κατέστησαν το OCR περιττό. Πρόσφεραν τρόπους χρήσης του αποτελέσματός του μαζί με τα γύρω οπτικά στοιχεία, μετακινώντας την επεξεργασία εγγράφων προς τις σχέσεις μεταξύ των στοιχείων αντί για μια ενιαία ροή λέξεων.
Οι μετασχηματιστές διαβάζουν κείμενο και παράγουν αποτελέσματα εγγράφων απευθείας
Μέχρι το 2021, οι ερευνητές εφάρμοζαν προεκπαιδευμένους μετασχηματιστές εικόνας και κειμένου απευθείας στην αναγνώριση. Μια δημοσιευμένη προσέγγιση συνδύασε έναν κωδικοποιητή εικόνας με έναν αποκωδικοποιητή κειμένου και αξιολόγησε έντυπο, χειρόγραφο και κείμενο από σκηνές. Η προεκπαίδευση σε μεγάλες συλλογές, ακολουθούμενη από εκπαίδευση για μια πιο συγκεκριμένη εργασία, πρόσφερε μια άλλη διαδρομή για την εκμάθηση οπτικών μοτίβων και την παραγωγή συνεκτικών ακολουθιών χαρακτήρων ή λέξεων.
Μια ξεχωριστή σειρά εργασιών διερεύνησε την παραγωγή δομημένων αποτελεσμάτων εγγράφων από εικόνες χωρίς την προηγούμενη εκτέλεση μιας ανεξάρτητης συμβατικής μηχανής OCR. Η έρευνα που παρουσιάστηκε στα τέλη του 2021 και αναθεωρήθηκε το 2022 κατέδειξε αυτή την προσέγγιση για την κατανόηση εγγράφων. Ο όρος χωρίς OCR σε εκείνη την εργασία περιγράφει την απουσία ενός ξεχωριστού σταδίου OCR· το σύστημα εξακολουθεί να πρέπει να αντλεί τις σχετικές γραπτές πληροφορίες από την εικόνα.
Αυτές οι εξελίξεις επέκτειναν τις διαθέσιμες αρχιτεκτονικές. Ένα σύστημα επεξεργασίας μπορεί να αναγνωρίζει κείμενο και στη συνέχεια να το αναλύει, ή να εκπαιδεύει ένα μοντέλο για να παράγει ένα ζητούμενο αποτέλεσμα απευθείας. Καμία διάταξη δεν εγγυάται πιστό αποτέλεσμα σε κάθε σελίδα. Η επιλογή αλλάζει το πού μπορούν να εισχωρήσουν σφάλματα, πώς ελέγχονται τα αποτελέσματα και πόσο εύκολα μπορούν να διατηρηθούν ενδιάμεσα αποδεικτικά στοιχεία, όπως αναγνωρισμένες λέξεις και οι θέσεις τους.
Τα πολυτροπικά συστήματα διευρύνουν την ανάγνωση εγγράφων και θέτουν νέες δοκιμασίες
Τα πρόσφατα πολυτροπικά συστήματα συνδυάζουν την επεξεργασία εικόνας και τη δημιουργία γλώσσας, επιτρέποντας στο κείμενο του εγγράφου να συμμετέχει σε ευρύτερες αλληλεπιδράσεις. Ανάλογα με το σύστημα και την εργασία, ένας χρήστης μπορεί να ζητήσει μια μεταγραφή, να κάνει μια ερώτηση σχετικά με μια σελίδα ή να εξαγάγει συγκεκριμένα πεδία. Η αναγνώριση εντάσσεται όλο και περισσότερο σε μια μεγαλύτερη ροή εργασιών εγγράφων, ενώ το εξειδικευμένο OCR παραμένει χρήσιμο όταν η κύρια απαίτηση είναι μια ακριβής, ελέγξιμη μεταγραφή.
Η αξιολόγηση έχει επεκταθεί ανάλογα. Το OCRBench, που εισήχθη το 2023, εξέτασε την αναγνώριση παράλληλα με ερωτήσεις εγγράφων, εξαγωγή πληροφοριών και χειρόγραφες μαθηματικές εκφράσεις. Ο διάδοχός του, που κυκλοφόρησε στα τέλη του 2024 και αναθεωρήθηκε το 2025, εξέτασε ένα ευρύτερο σύνολο οπτικού κειμένου και εργασιών συλλογισμού. Οι αναφερόμενοι περιορισμοί περιλάμβαναν τη λεπτομέρεια, τη διάταξη, τα σύνθετα στοιχεία και το λιγότερο οικείο κείμενο, δείχνοντας γιατί ένας μεμονωμένος ισχυρισμός ακρίβειας δεν μπορεί να καλύψει κάθε απαίτηση ανάγνωσης εγγράφων.
Αυτή η ευρύτερη ικανότητα καθιστά επίσης τον σκοπό ενός αποτελέσματος πιο σημαντικό. Μια χρήσιμη επεξήγηση μπορεί να παραφράζει, ενώ μια πιστή μεταγραφή πρέπει να διατηρεί όσα λέει πραγματικά η σελίδα. Η άπταιστη διατύπωση δεν μπορεί να αποδείξει ότι ένα όνομα, ένα ποσό ή ένα απόσπασμα διαβάστηκε σωστά. Τα συστήματα χρειάζονται αξιολόγηση κατάλληλη για την εργασία, είτε αυτό σημαίνει ακρίβεια χαρακτήρων, σειρά ανάγνωσης, δομή πίνακα ή ορθότητα ενός εξαχθέντος πεδίου.
Κατά τη διάρκεια του αιώνα, η κατεύθυνση της προόδου ήταν προς λιγότερο ελεγχόμενη είσοδο και πιο χρήσιμη έξοδο: από προκαθορισμένους χαρακτήρες σε συνηθισμένη εκτύπωση, χειρόγραφα, φωτογραφίες και σύνθετα έγγραφα. Οι νέες προσεγγίσεις συνεχίζουν να ενώνονται με τις καθιερωμένες. Η κεντρική πρόκληση παραμένει αναγνωρίσιμη: η μετατροπή οπτικών αποδεικτικών στοιχείων σε αξιόπιστες πληροφορίες, διατηρώντας παράλληλα τις λεπτομέρειες που έχουν σημασία.