- منبعیک تصویر یا صفحه اسکن‌شده
- آماده‌سازیزبان و محدوده را انتخاب کنید
- تشخیصاستخراج کلمات
- بازبینیمتن را مقایسه و اصلاح کنید
هوش مصنوعی OCR نوشته‌های قابل مشاهده را به متن کدگذاری‌شده تبدیل می‌کند
یک عکس یا صفحه اسکن‌شده حاوی پیکسل است. شکل‌های موجود در آن پیکسل‌ها ممکن است برای انسان قابل تشخیص باشند، اما هنوز کاراکترهایی نیستند که یک ویرایشگر متن بتواند آن‌ها را جستجو یا کپی کند. تشخیص نوری کاراکترها تخمین می‌زند که تصویر حاوی چه کاراکترها و کلماتی است و متن کدگذاری‌شده تولید می‌کند. هوش مصنوعی OCR به رویکردهایی اشاره دارد که از مدل‌های یادگرفته‌شده در این فرآیند تشخیص یا در کارهای مرتبط با تحلیل سند استفاده می‌کنند.
ورودی می‌تواند یک اسکن، عکس دوربین، اسکرین‌شات یا تصویری داخل یک PDF باشد. پسوند فایل به تنهایی تعیین نمی‌کند که آیا تشخیص ضروری است یا خیر. یک PDF ایجاد شده توسط یک واژه‌پرداز ممکن است از قبل حاوی متن قابل استفاده باشد؛ یک PDF ساخته‌شده از عکس‌های صفحه ممکن است قبل از اینکه کلماتش قابل استفاده مجدد باشند، به OCR نیاز داشته باشد.
چندین تصمیم پشت یک نتیجه مفید نهفته است: متن کجاست، چه می‌گوید و اجزای آن چگونه باید مرتب شوند. تشخیص کاراکتر، تشخیص ناحیه و تحلیل ترتیب خواندن به بخش‌های مختلف آن مشکل می‌پردازند. بنابراین، ترکیب نادرست دو ستون یک خطای ساختار سند است، حتی زمانی که کلمات فردی به درستی خوانده شده باشند.
یادگیری به تشخیص کمک می‌کند تا تغییرات موجود در منبع را مدیریت کند
یک تشخیص‌دهنده یادگرفته‌شده، الگوهای مفید را از مثال‌ها توسعه می‌دهد، به جای اینکه کاملاً به توصیفات کاراکتری که به صورت دستی مشخص شده‌اند تکیه کند. این سیستم می‌تواند ویژگی‌های بصری مرتبط با ضربات قلم، شکل‌ها و گروه‌های حروف را یاد بگیرد و سپس از آن ویژگی‌ها برای تفسیر تصاویر جدید استفاده کند. این روش راهی برای تطبیق با تفاوت‌های موجود در چاپ، دست‌خط و شرایط ثبت تصویر ارائه می‌دهد، مشروط بر اینکه مثال‌های آموزشی و روش کار از آن پشتیبانی کنند.
مرز بین OCR مرسوم و هوش مصنوعی OCR یک مرز تاریخی شفاف نیست. شبکه‌های عصبی، تشخیص آماری و مدل‌سازی زبانی دهه‌هاست که بخشی از تحقیقات اسناد بوده‌اند. نرم‌افزارهای تثبیت‌شده OCR ممکن است از قبل حاوی اجزای یادگرفته‌شده باشند. توصیف هر سیستم مرسوم به عنوان تطبیق الگوی صلب و هر سیستم جدیدتر به عنوان نوع کاملاً متفاوتی از فناوری، گمراه‌کننده خواهد بود.
سهم عملی یادگیری، سازگاری با الگوهای ارائه‌شده در داده‌ها است. یک تشخیص‌دهنده که در معرض شکل‌های متنوع حروف قرار گرفته باشد، ممکن است تغییرات بیشتری را نسبت به سیستمی که برای ورودی محدود توسعه یافته، مدیریت کند. این مزیت همچنان به کار خاص بستگی دارد: خواندن یک خط دست‌نویس، مکان‌یابی یک عنوان و شناسایی ساختار یک جدول، نیازمند شواهد و ارزیابی‌های متفاوتی است.
آموزش یک مدل با خواندن یک صفحه جدید متفاوت است
در طول آموزش، پارامترهای داخلی یک مدل با استفاده از مثال‌ها و یک هدف یادگیری تنظیم می‌شوند. برای تشخیص متن، مثال‌ها می‌توانند تصاویر را با رونویسی‌هایشان جفت کنند. یک مرحله آموزشی اولیه گسترده ممکن است الگوهای بصری یا زبانی مفیدی را ایجاد کند و پس از آن، انطباق با یک مجموعه یا کار خاص صورت گیرد. مثال‌های مصنوعی نیز می‌توانند تغییرات در فونت‌ها، کلمات و ظاهر را در کنار تصاویر واقعی اسناد ارائه دهند.
هنگامی که یک مدل آموزش‌دیده یک صفحه جدید را پردازش می‌کند، آنچه را که یاد گرفته است برای تولید نتیجه به کار می‌گیرد. این مرحله اغلب استنتاج نامیده می‌شود. این مرحله برای هر سند به دور جدیدی از آموزش مدل نیاز ندارد. این تمایز توضیح می‌دهد که چرا یک تشخیص‌دهنده می‌تواند مطالبی را که قبلاً به عنوان یک صفحه مشابه با آن مواجه نشده است بخواند، در حالی که همچنان به نوع الگوهایی که آموزش آن برای مدیریتشان آماده شده است، وابسته است.
اصلاح یک رونویسی یک عملیات جداگانه است. اصلاح، خروجی را تغییر می‌دهد؛ اما به خودی خود ثابت نمی‌کند که مدل زیربنایی، دست‌خط نویسنده را یاد گرفته است. نرم‌افزاری که از انطباق پشتیبانی می‌کند، فراتر از ویرایش متن معمولی، به یک فرآیند صریح برای استفاده از مثال‌ها جهت به‌روزرسانی تشخیص نیاز دارد.
الگوهای بصری از طریق تشخیص توالی به کلمات تبدیل می‌شوند
تشخیص همیشه با برش دادن یک تصویر به حروف جداگانه آغاز نمی‌شود. بسیاری از خوانندگان آموزش‌دیده، یک کلمه یا سطر را به عنوان یک توالی پردازش می‌کنند. یک مؤلفه پردازش تصویر، بازنمایی از الگوهای بصری آن ایجاد می‌کند و یک مؤلفه توالی، آن الگوها را به متن احتمالی مرتبط می‌سازد. خواندن دست‌نوشته‌های پیوسته به‌ویژه از رویکردهایی بهره می‌برد که نیازی ندارند مرز هر کاراکتر از قبل مشخص شده باشد.
تحقیقاتی که ویژگی‌های تصویری یادگرفته‌شده، مدل‌سازی توالی و رونویسی را ترکیب می‌کنند، نشان می‌دهند که چگونه می‌توان این مراحل را با هم آموزش داد. شواهد مجاور اهمیت دارند: یک علامت عمودی ممکن است حرف l یا رقم 1 باشد و شکل آن و کاراکترهای اطراف به سیستم کمک می‌کنند تا بین آن‌ها انتخاب کند. یک سیستم ممکن است قبل از کنار هم قرار دادن رشته نهایی، کاراکترها، تکه‌های کلمات یا سایر واحدهای متنی را تولید کند.
زمینه (Context) می‌تواند از تصویر، توالی اطراف یا اطلاعات زبانی اضافی حاصل شود. این منابع به رفع ابهام کمک می‌کنند، اما نقش‌های متفاوتی دارند. علائم قابل مشاهده مشخص می‌کنند که چه چیزی برای خواندن موجود است، در حالی که زمینه یادگرفته‌شده بر نحوه تفسیر آن‌ها توسط سیستم تأثیر می‌گذارد. یک رونویسی مفید، آن ارتباط با صفحه را حفظ می‌کند.
سیستم‌های اسناد می‌توانند چندین مرحله را ترکیب کنند یا نتایج را مستقیماً تولید کنند
یک طراحی رایج از مؤلفه‌های جداگانه برای مکان‌یابی متن، تشخیص آن و تحلیل کلمات و موقعیت‌های حاصل استفاده می‌کند. این کار می‌تواند اطلاعات میانی مفیدی مانند مکان کلمات یا سطرهای تشخیص‌داده‌شده را آشکار کند. سپس یک مؤلفه بعدی ممکن است سند را طبقه‌بندی کرده یا فیلدهای انتخابی را استخراج کند. خطاها و بهبودها را می‌توان در مرحله‌ای که رخ می‌دهند، بررسی کرد.
طراحی دیگر از یک بازنمایی تصویری و یک مؤلفه تولید متن برای تولید خروجی درخواستی به‌صورت مستقیم‌تر استفاده می‌کند. تحقیقات، درک سند را بدون مرحله OCR مرسوم مستقل نشان داده‌اند، که شامل نتایج ساختاریافته تولیدشده از تصاویر صفحه است. اصطلاح OCR-free در آن تحقیق به معنای نبود یک موتور OCR جداگانه است؛ اطلاعات نوشته‌شده همچنان باید از تصویر تفسیر شوند.
این طراحی‌ها می‌توانند همپوشانی داشته باشند. یک خواننده تخصصی ممکن است متن را تکه‌تکه تولید کند و یک سیستم اسناد بزرگتر ممکن است یک تشخیص‌دهنده متن را با یک خواننده یادگرفته‌شده و پردازش اضافی ترکیب کند. بنابراین، هوش مصنوعی OCR یک معماری ثابت را شناسایی نمی‌کند. پرسش‌های مهم این هستند که سیستم چه نتیجه‌ای تولید می‌کند و چه شواهدی برای بررسی آن در دسترس باقی می‌ماند.
طرح‌بندی (Layout) به ارتباط کلمات تشخیص‌داده‌شده با نقش آن‌ها کمک می‌کند
یک صفحه هم از طریق موقعیت و هم از طریق کلمات ارتباط برقرار می‌کند. تاریخی که کنار برچسب «تاریخ فاکتور» قرار دارد، نقشی متفاوت از تاریخی دارد که کنار «تاریخ سررسید» است. عددی که زیر عنوان «مجموع» قرار دارد ممکن است متفاوت از همان عدد در یک ردیف اقلام باشد. مدل‌های اسناد می‌توانند از متن تشخیص‌داده‌شده، مختصات آن و اطلاعات تصویر صفحه برای یادگیری این روابط استفاده کنند.
تحقیقات در مورد پیش‌آموزش چندوجهی اسناد، آن منابع اطلاعاتی را برای وظایفی مانند تفسیر فرم، پردازش رسید و طبقه‌بندی اسناد ترکیب می‌کند. این کار تشخیص را به تحلیل گسترش می‌دهد: سیستم به جای اینکه فقط رشته‌های کاراکتری آن‌ها را تولید کند، در حال بررسی نحوه ارتباط عناصر سند با یک وظیفه است. این همچنین توضیح می‌دهد که چرا حفظ مکان‌ها می‌تواند مفید باشد، حتی زمانی که نتیجه نهایی مجموعه‌ای کوچک از فیلدها باشد.
تفسیر می‌تواند توسط مدل‌های یادگرفته‌شده خاصِ وظیفه، قوانین یا ترکیبی از هر دو انجام شود. این کار همچنان به اعتبارسنجی متناسب با هدف خود نیاز دارد. شناسایی مهلت پرداخت، بررسی اینکه آیا مجموع سازگار است یا خیر، و تصمیم‌گیری در مورد اینکه آیا یک فاکتور باید تأیید شود یا نه، الزامات جداگانه‌ای هستند؛ موفقیت در خواندن کلمات به‌طور خودکار به معنای موفقیت در هر سه مورد نیست.
رونویسی، استخراج و پاسخ به سؤالات سند نتایج متفاوتی تولید می‌کنند
یک مثال ساده شامل «تاریخ فاکتور: 3 مارس، تاریخ سررسید: 17 مارس و مجموع: 125.00» را در نظر بگیرید. یک رونویسی باید آن کلمات قابل مشاهده را حفظ کند. یک استخراج‌کننده فیلد ممکن است فقط مهلت پرداخت و مبلغ را برگرداند، در حالی که یک سیستم پرسش و پاسخ سند می‌تواند به درخواست مربوط به تاریخ سررسید پاسخ دهد. هر نتیجه می‌تواند مفید باشد، اما خروجی‌های کوتاه‌تر، رونویسی‌های کامل نیستند.
همین تمایز در مورد تبدیل‌های بعدی نیز صدق می‌کند. ترجمه، زبان را تغییر می‌دهد؛ ویرایش، کلمات یا ارائه را تغییر می‌دهد؛ خلاصه‌سازی، اطلاعات را انتخاب می‌کند. تعریف وظیفه در ابتدا، ارزیابی نتیجه را آسان‌تر می‌کند. جدول زیر وظایف عمومی پردازش اسناد را توصیف می‌کند، نه اینکه فرض کند هر ابزار OCR همه آن‌ها را ارائه می‌دهد.
| وظیفه | نتیجه نمونه | آنچه وظیفه اضافه می‌کند |
|---|---|---|
| رونویسی | برچسب‌های قابل مشاهده، تاریخ‌ها و مبلغ | یک بازنمایی متنی از کلمات منبع |
| استخراج فیلد | تاریخ سررسید = 17 مارس؛ مجموع = 125.00 | ارتباط مقادیر با فیلدهای نام‌گذاری‌شده |
| پرسش و پاسخ سند | 17 مارس، در پاسخ به سؤال تاریخ سررسید | انتخاب اطلاعات مرتبط با سؤال |
| ترجمه | همان اطلاعات به زبانی دیگر | تغییر زبان که باید معنای مورد نظر را حفظ کند |
| ویرایش یا خلاصه‌سازی | کلمات بازبینی‌شده یا شرح کوتاه‌تر | تغییری در رونویسی برای هدفی متفاوت |
زمینه مفید باید به شواهد قابل مشاهده متصل باقی بماند
یک تشخیص‌دهنده می‌تواند از زمینه برای رفع ابهام یک کاراکتر دشوار استفاده کند، اما یک جمله قابل قبول لزوماً یک رونویسی دقیق نیست. یک نام غیرمعمول ممکن است با یک کلمه آشنا جایگزین شود، یا یک غلط املایی واقعی ممکن است بی‌سروصدا اصلاح شود. این رفتار می‌تواند در یک وظیفه ویرایشی مفید باشد، در حالی که برای یک نقل‌قول یا رونویسی آرشیوی اشتباه است.
یک معیار دست‌نویس منتشرشده در 2026 این تمایز را بررسی کرد و اصلاحات بدون پشتیبانی بصری را در چندین سیستم مولد آزمایش‌شده گزارش داد. این یافته مربوط به سیستم‌ها و وظایف خاص است، نه هر تشخیص‌دهنده هوش مصنوعی. این موضوع مرز مفیدی را تقویت می‌کند: خواندن، بازنویسی و تکمیل محتوای گمشده، اهداف متفاوتی هستند. وقتی منبع، کلمه‌ای را تأیید نمی‌کند، خروجی روان به‌تنهایی نمی‌تواند آن را تأیید کند.
قبل از مقایسه رویکردهای تشخیص، نتیجه مورد نیاز را انتخاب کنید
بهترین نقطه شروع، خروجی مورد نیاز برای وظیفه بعدی شماست. استفاده مجدد از یک پاراگراف نیازمند متن قابل ویرایش است. جستجو در یک اسکن ممکن است نیازمند یک لایه متنی مرتبط با تصویر صفحه آن باشد. وارد کردن فیلدهای فاکتور به سیستم دیگر نیازمند استخراج ساختاریافته است. آن الزامات باید بیش از یک برچسب کلی هوش مصنوعی، راهنمای مقایسه باشند.
قابلیت مربوطه را روی مطالب نمونه ارزیابی کنید. معیارهای تحقیق، تشخیص متن، مکان‌یابی، طرح‌بندی، عناصر پیچیده و استدلال را از هم متمایز می‌کنند، زیرا عملکرد یک سیستم در این وظایف متفاوت است. نتیجه قوی در متن چاپی واضح، کیفیت فرمول‌های دست‌نویس یا ساختار یک جدول را ثابت نمی‌کند. زمان پاسخگویی و میزان بازبینی مورد نیاز نیز می‌تواند در یک گردش کار عملی اهمیت داشته باشد.
حفظ ظاهر صفحه یک انتخاب خروجی جداگانه است. یک اسکن قابل جستجو، تصویری را با متن مرتبط حفظ می‌کند، در حالی که یک سند متنی که به‌تازگی طرح‌بندی شده، مبادلات متفاوتی ایجاد می‌کند. فایلی که PDF نامیده می‌شود به شما نمی‌گوید که چه بازنمایی‌ای در آن وجود دارد. تصمیم بگیرید که آیا مرحله بعدی به چیدمان بصری اصلی، یک رونویسی قابل ویرایش یا مجموعه خاصی از داده‌ها نیاز دارد.
ابزارهای تشخیص و متن در i2OCR
i2OCR تصویر و PDF OCR را با حالت‌های تشخیص Classic و Future، بسته به زبان انتخاب‌شده، ارائه می‌دهد. این‌ها حالت‌های محصول هستند، نه تعاریف فنی از هر معماری OCR. زبان سند را انتخاب کنید، سپس تصویر، صفحه PDF انتخاب‌شده یا ناحیه انتخاب‌شده را تشخیص دهید. هر درخواست تشخیص PDF، یک صفحه یا ناحیه انتخاب‌شده را پردازش می‌کند.
پس از تشخیص، می‌توانید متن استخراج‌شده را بازبینی و ویرایش کنید، «ویرایش هوشمند» را باز کنید یا درخواست ترجمه دهید. این‌ها اقدامات مجزایی با اهداف متفاوت هستند. اصلاحات معمولی، نتیجه فعلی را به‌روزرسانی می‌کنند؛ آن‌ها قابلیت آموزش دست‌خط نیستند. نگهداری یک متن بازبینی‌شده پیش از بازنویسی یا ترجمه، مقایسه نسخه‌های بعدی با منبع را آسان‌تر می‌کند.
هر دو حالت امکان دانلود متن و فایل Word را فراهم می‌کنند. قابلیت جستجوی PDF در حالت کلاسیک، صفحه یا ناحیه تشخیص‌داده‌شده را به عنوان یک تصویر با لایه متنی اصلی آن حفظ می‌کند؛ ویرایش‌های بعدی متن، آن لایه PDF را به‌روزرسانی نمی‌کنند. حالت آینده‌نگرانه (Future) از متن فعلی در یک طرح‌بندی جدید، یک PDF ساده تولید می‌کند. خروجی‌ای را انتخاب کنید که با نیاز شما به ظاهر منبع یا متن ویرایش‌شده مطابقت دارد.