Αρχεία και έξοδος
Ξεκινήστε με το τι περιέχει το αρχείο. Ένα PDF μπορεί να περιέχει εικόνες, κωδικοποιημένο κείμενο ή και τα δύο· το όνομα του αρχείου δεν σας λέει αν οι λέξεις του μπορούν να επιλεγούν.
OCR — οπτική αναγνώριση χαρακτήρων
Η διαδικασία αναγνώρισης ορατών χαρακτήρων σε μια εικόνα και η αναπαράστασή τους ως κωδικοποιημένο κείμενο. Σας επιτρέπει να επαναχρησιμοποιήσετε λέξεις από μια σάρωση ή φωτογραφία· το αναγνωρισμένο αποτέλεσμα ενδέχεται να χρειάζεται ακόμα διόρθωση.
Σαρωμένο PDF
Ένα PDF του οποίου οι σελίδες περιλαμβάνουν σαρωμένες ή φωτογραφημένες εικόνες εγγράφων. Ορισμένα σαρωμένα PDF διαθέτουν επίσης ένα επίπεδο κειμένου OCR, ενώ άλλα περιέχουν μόνο εικόνες.
Ψηφιακά παραχθέν PDF
Ένα PDF που δημιουργήθηκε απευθείας από ψηφιακό περιεχόμενο, όπως ένας επεξεργαστής εγγράφων, αντί για σάρωση χαρτιού. Συχνά περιέχει πραγματικό κείμενο, αν και η επιλογή και η εξαγωγή μπορεί να επηρεαστούν από τον τρόπο παραγωγής του.
Αναζητήσιμο PDF
Ένα PDF που περιέχει κείμενο το οποίο μπορεί να αναζητήσει ο αναγνώστης. Μια σαρωμένη σελίδα μπορεί να γίνει αναζητήσιμη όταν προστίθεται αναγνωρισμένο κείμενο δίπλα στην εικόνα της. Η δυνατότητα αναζήτησης από μόνη της δεν εγγυάται την ακρίβεια ή την προσβασιμότητα.
Επίπεδο κειμένου
Το κωδικοποιημένο κείμενο που αποθηκεύεται σε ένα PDF. Σε μια σαρωμένη σελίδα μπορεί να είναι αόρατο και τοποθετημένο πάνω ή κάτω από την εικόνα, ώστε η επιλογή και η αναζήτηση να λειτουργούν ενώ η αρχική εμφάνιση παραμένει ορατή.
Δομή σελίδας
Ένα σύστημα αναγνώρισης πρέπει να κάνει περισσότερα από το να αναγνωρίζει γράμματα. Πρέπει επίσης να αποφασίσει ποια σημάδια ανήκουν μαζί και πώς πρέπει να κινείται ο αναγνώστης μέσα σε αυτά.
Ανάλυση διάταξης
Προσδιορισμός περιοχών όπως παράγραφοι, επικεφαλίδες, εικόνες και πίνακες. Η αναγνώριση των λέξεων ενός πίνακα και η διατήρηση της δομής γραμμών και στηλών του είναι σχετικές αλλά διακριτές εργασίες.
Σειρά ανάγνωσης
Η επιδιωκόμενη ακολουθία του κειμένου. Ένα άρθρο δύο στηλών θα πρέπει κανονικά να ακολουθεί τη μία στήλη πριν συνεχίσει στην επόμενη, αντί να εναλλάσσεται και στις δύο. Οι σωστές λέξεις με λάθος σειρά μπορούν να παράγουν ένα μη χρησιμοποιήσιμο αντίγραφο.
Τμηματοποίηση
Διαίρεση μιας σελίδας σε μικρότερες μονάδες όπως περιοχές κειμένου, γραμμές ή χαρακτήρες. Τα λανθασμένα όρια μπορούν να ενώσουν γειτονικές λέξεις, να χωρίσουν έναν χαρακτήρα ή να αναμίξουν άσχετα μέρη μιας σελίδας.
RTL — κείμενο από δεξιά προς τα αριστερά
Κείμενο σε γραφές όπως τα Αραβικά ή τα Εβραϊκά που γενικά ρέουν από δεξιά προς τα αριστερά. Οι αριθμοί και το ενσωματωμένο λατινικό κείμενο μπορούν να ακολουθούν διαφορετικές κατευθύνσεις. Η σειρά εμφάνισης και η αποθηκευμένη σειρά χαρακτήρων δεν είναι απαραίτητα οι ίδιες.
Προετοιμασία εικόνας
Η προετοιμασία αλλάζει τον τρόπο με τον οποίο τα υπάρχοντα σημάδια παρουσιάζονται για αναγνώριση. Δεν μπορεί να δημιουργήσει κείμενο που η εικόνα προέλευσης δεν περιέχει πλέον.
PPI και DPI
Τα pixel ανά ίντσα περιγράφουν τη δειγματοληψία εικόνας σε φυσικό μέγεθος· οι τελείες ανά ίντσα περιγράφουν την πυκνότητα εκτυπωμένων τελειών. Οι ρυθμίσεις σάρωσης χρησιμοποιούν συχνά το DPI ανεπίσημα. Η αλλαγή μόνο της αποθηκευμένης τιμής δεν προσθέτει λεπτομέρεια σε μια υπάρχουσα εικόνα.
Ευθυγράμμιση (Deskew)
Διόρθωση μιας μικρής κλίσης ώστε οι γραμμές κειμένου να γίνουν πιο οριζόντιες. Είναι διαφορετικό από την περιστροφή μιας ανάποδης σελίδας ή τη διόρθωση της προοπτικής μιας φωτογραφίας που τραβήχτηκε υπό γωνία.
Δυαδοποίηση (Binarization)
Μετατροπή μιας εικόνας σε ασπρόμαυρα pixel χρησιμοποιώντας ένα κατώφλι ή άλλο κανόνα απόφασης. Μπορεί να απλοποιήσει μια καθαρή σελίδα, αλλά μπορεί επίσης να χάσει αχνά σημάδια ή να συγχωνεύσει κοντινές πινελιές.
Προεπεξεργασία
Προσαρμογές εικόνας που γίνονται πριν από την αναγνώριση, όπως διόρθωση προσανατολισμού, περικοπή ή αλλαγές αντίθεσης. Μια χρήσιμη προσαρμογή βελτιώνει τα αναγνωρίσιμα σημάδια χωρίς να αφαιρεί στίξη, τόνους ή άλλες σημαντικές λεπτομέρειες.
Αναγνώριση και αναθεώρηση
Μια αξιολόγηση περιγράφει μια συγκεκριμένη εργασία και σύνολο δεδομένων. Διαβάστε τον ορισμό ενός σκορ πριν το συγκρίνετε με ένα άλλο αποτέλεσμα ή το χρησιμοποιήσετε για να κρίνετε τα δικά σας έγγραφα.
Αναγνώριση χειρογράφου
Αναγνώριση χειρόγραφων χαρακτήρων ή λέξεων. Τα συνδεδεμένα γράμματα, οι προσωπικές συντομογραφίες και τα σχήματα που εξαρτώνται από τον γραφέα το καθιστούν μια διαφορετική πρόκληση από το καθαρό εκτυπωμένο κείμενο.
Σκορ εμπιστοσύνης
Μια εκτίμηση που μπορεί να επισυνάψει ένα σύστημα αναγνώρισης σε μια πρόβλεψη. Το νόημά της εξαρτάται από το σύστημα και τη βαθμονόμηση. Δεν είναι αυτόματα η πιθανότητα ότι ένα ολόκληρο έγγραφο είναι σωστό.
CER — ποσοστό σφάλματος χαρακτήρων
Μια σύγκριση του αναγνωρισμένου κειμένου με μια ελεγμένη αναφορά, βασισμένη σε προσθήκες, διαγραφές και αντικαταστάσεις χαρακτήρων σε σχέση με το μήκος της αναφοράς. Όσο χαμηλότερο, τόσο το καλύτερο. Ένα χαμηλό CER μπορεί ακόμα να κρύβει ένα σημαντικό σφάλμα σε ένα όνομα ή αριθμό.
WER — ποσοστό σφάλματος λέξεων
Μια παρόμοια σύγκριση σε επίπεδο λέξης. Ένας λανθασμένος χαρακτήρας μπορεί να κάνει μια ολόκληρη λέξη να μετράει ως λάθος. Επομένως, το WER και το CER περιγράφουν διαφορετικές πτυχές ενός αντιγράφου και δεν πρέπει να θεωρούνται εναλλάξιμα.
Ground truth (Αλήθεια εδάφους)
Η ελεγμένη αναφορά που χρησιμοποιείται για την αξιολόγηση της αναγνώρισης. Οι συμβάσεις μεταγραφής της έχουν σημασία: ο τρόπος με τον οποίο χειρίζεται τη στίξη, την ορθογραφία, τα κενά και το μη αναγνώσιμο κείμενο επηρεάζει τη σύγκριση. Μια ελαττωματική αναφορά μπορεί να παράγει ένα παραπλανητικό σκορ.
Ερωτήσεις και απαντήσεις
Είναι το OCR το ίδιο με τη μετάφραση;
Όχι. Το OCR διαβάζει το ορατό κείμενο σε επεξεργάσιμη μορφή. Η μετάφραση εκφράζει το κείμενο σε άλλη γλώσσα. Η αναθεώρηση της αναγνώρισης πρώτα βοηθά στην αποφυγή μετάφρασης μιας λανθασμένα αναγνωσμένης πηγής.
Είναι μια λήψη Word αντίγραφο της αρχικής διάταξης;
Όχι απαραίτητα. Ένα επεξεργάσιμο έγγραφο μπορεί να περιέχει αναγνωρισμένο κείμενο χωρίς να διατηρεί τους πίνακες, τα διαστήματα ή τη σχεδίαση σελίδας της πηγής. Ελέγξτε το αποτέλεσμα σε σχέση με το πρωτότυπο όταν η διάταξη έχει σημασία.
Γιατί δύο σκορ ακρίβειας μπορεί να διαφωνούν;
Μπορεί να χρησιμοποιούν διαφορετικά έγγραφα, συμβάσεις αναφοράς ή μετρήσεις. Τα σφάλματα χαρακτήρων, τα σφάλματα λέξεων, οι παραλειπόμενες περιοχές και τα προβλήματα σειράς ανάγνωσης δεν είναι το ίδιο πράγμα.