קבצים ופלט
התחל עם מה שהקובץ מכיל. PDF יכול להכיל תמונות, טקסט מקודד או שניהם; שם הקובץ שלו לא אומר לך אם ניתן לבחור את המילים שבו.
OCR — זיהוי תווים אופטי
תהליך זיהוי תווים גלויים בתמונה וייצוגם כטקסט מקודד. הוא מאפשר לך לעשות שימוש חוזר במילים מסריקה או תמונה; ייתכן שהתוצאה המזוהה עדיין תזדקק לתיקון.
PDF סרוק
PDF שהדפים שלו כוללים תמונות מסמכים סרוקות או מצולמות. חלק מהקבצים הסרוקים כוללים גם שכבת טקסט OCR, בעוד שאחרים מכילים תמונות בלבד.
PDF דיגיטלי מלידה
PDF שנוצר ישירות מתוכן דיגיטלי, כגון עורך מסמכים, ולא על ידי סריקת נייר. הוא מכיל לרוב טקסט ממשי, אם כי בחירה וחילוץ עדיין יכולים להיות מושפעים מהאופן שבו הוא הופק.
PDF ניתן לחיפוש
PDF המכיל טקסט שקורא יכול לחפש. דף סרוק יכול להפוך לניתן לחיפוש כאשר טקסט מזוהה מתווסף לצד התמונה שלו. יכולת חיפוש כשלעצמה אינה מבטיחה דיוק או נגישות.
שכבת טקסט
הטקסט המקודד המאוחסן ב-PDF. בדף סרוק הוא עשוי להיות בלתי נראה וממוקם מעל או מתחת לתמונה כך שהבחירה והחיפוש יעבדו בעוד המראה המקורי נשאר גלוי.
מבנה דף
מזהה חייב לעשות יותר מאשר לזהות אותיות. עליו גם להחליט אילו סימנים שייכים יחד וכיצד הקורא צריך לנוע דרכם.
ניתוח פריסה
זיהוי אזורים כגון פסקאות, כותרות, תמונות וטבלאות. זיהוי המילים של טבלה ושמירה על מבנה השורות והעמודות שלה הן משימות קשורות אך נפרדות.
סדר קריאה
הרצף המיועד של הטקסט. מאמר בעל שתי עמודות צריך בדרך כלל לעקוב אחר עמודה אחת לפני ההמשך בבאה, במקום לדלג בין שתיהן. מילים נכונות בסדר שגוי עלולות להפיק תמלול שאינו ניתן לשימוש.
פילוח
חלוקת דף ליחידות קטנות יותר כגון אזורי טקסט, שורות או תווים. גבולות שגויים עלולים לחבר מילים שכנות, לפצל תו או לערבב חלקים לא קשורים של דף.
RTL — טקסט מימין לשמאל
טקסט בכתבים כגון ערבית או עברית שזורם בדרך כלל מימין לשמאל. מספרים וטקסט לטיני משולב יכולים לעקוב אחר כיוונים שונים. סדר תצוגה וסדר תווים מאוחסן אינם בהכרח זהים.
הכנת תמונה
הכנה משנה את האופן שבו הסימנים הקיימים מוצגים לזיהוי. היא אינה יכולה ליצור טקסט שתמונת המקור כבר אינה מכילה.
PPI ו-DPI
פיקסלים לאינץ' מתארים דגימת תמונה בגודל פיזי; נקודות לאינץ' מתארות צפיפות נקודות מודפסות. הגדרות סריקה משתמשות לעתים קרובות ב-DPI באופן לא רשמי. שינוי הערך המאוחסן לבדו אינו מוסיף פרטים לתמונה קיימת.
יישור (Deskew)
תיקון הטיה קלה כך ששורות הטקסט יהפכו לאופקיות יותר. זה שונה מסיבוב דף הפוך או תיקון פרספקטיבה של תצלום שצולם בזווית.
בינאריזציה
המרת תמונה לפיקסלים בשחור-לבן באמצעות סף או כלל החלטה אחר. זה עשוי לפשט דף ברור, אך יכול גם לגרום לאובדן סימנים חיוורים או למזג קווים סמוכים.
עיבוד מקדים
התאמות תמונה שבוצעו לפני הזיהוי, כגון תיקון כיוון, חיתוך או שינויי ניגודיות. התאמה שימושית משפרת את הסימנים הניתנים לזיהוי מבלי להסיר פיסוק, סימנים דיאקריטיים או פרטים משמעותיים אחרים.
זיהוי ובדיקה
הערכה מתארת משימה ומערך נתונים מסוימים. קרא את הגדרת הציון לפני השוואתו לתוצאה אחרת או שימוש בו כדי לשפוט את המסמכים שלך.
זיהוי כתב יד
זיהוי תווים או מילים בכתב יד. אותיות מחוברות, קיצורים אישיים וצורות ספציפיות לכותב הופכים זאת לאתגר שונה מטקסט מודפס ברור.
ציון ביטחון
הערכה שמערכת זיהוי עשויה לצרף לחיזוי. משמעותה תלויה במערכת ובכיול. זה לא בהכרח ההסתברות שמסמך שלם הוא נכון.
CER — שיעור שגיאות תווים
השוואה של טקסט מזוהה עם מקור ייחוס בדוק, המבוססת על הוספות, מחיקות והחלפות של תווים ביחס לאורך הייחוס. נמוך יותר הוא טוב יותר. CER נמוך עדיין יכול להסתיר שגיאה חשובה בשם או במספר.
WER — שיעור שגיאות מילים
השוואה דומה ברמת המילה. תו אחד שגוי יכול לגרום למילה שלמה להיחשב כשגויה. לכן, WER ו-CER מתארים היבטים שונים של תמלול ואין להתייחס אליהם כניתנים להחלפה.
אמת קרקע (Ground truth)
מקור הייחוס הבדוק המשמש להערכת הזיהוי. מוסכמות התמלול שלו חשובות: האופן שבו הוא מטפל בפיסוק, איות, רווחים וטקסט בלתי קריא משפיע על ההשוואה. ייחוס פגום עלול להפיק ציון מטעה.
שאלות ותשובות
האם OCR זהה לתרגום?
לא. OCR קורא טקסט גלוי לצורה הניתנת לעריכה. תרגום מבטא טקסט בשפה אחרת. בדיקת הזיהוי תחילה עוזרת להימנע מתרגום מקור שנקרא בצורה שגויה.
האם הורדת Word היא עותק של הפריסה המקורית?
לא בהכרח. מסמך הניתן לעריכה יכול להכיל טקסט מזוהה מבלי לשמור על הטבלאות, המרווחים או עיצוב הדף של המקור. בדוק את הפלט מול המקור כאשר הפריסה חשובה.
מדוע שני ציוני דיוק יכולים להיות שונים?
הם עשויים להשתמש במסמכים, מוסכמות ייחוס או מדידות שונים. שגיאות תווים, שגיאות מילים, אזורים שהושמטו ובעיות בסדר קריאה אינם אותו הדבר.