प्रकाश, ध्वनि और मशीन रीडिंग के शुरुआती दृष्टिकोण
OCR की कुछ जड़ें अंधे पाठकों के लिए प्रिंट को सुलभ बनाने के प्रयासों में निहित हैं। 1914 में, ई. ई. फर्नियर डी'अल्बे ने एक टाइप-रीडिंग ऑप्टोफोन का वर्णन किया, जिसने पेज से प्रकाश के पैटर्न को श्रव्य संकेतों में बदल दिया। श्रोता ने उन संकेतों की व्याख्या करना सीखा। यह एक ऑप्टिकल रीडिंग सहायता थी, न कि ऐसी मशीन जो स्वचालित रूप से टेक्स्ट ट्रांसक्रिप्ट तैयार करती थी, लेकिन इसने प्रदर्शित किया कि मुद्रित निशानों को महसूस किया जा सकता है और दूसरे रूप में प्रस्तुत किया जा सकता है।
अन्य आविष्कारकों ने स्वचालित वर्ण पहचान का पीछा किया। गुस्ताव टॉशेक का रीडिंग-मशीन पेटेंट, जिसे 1928 में दायर किया गया और 1930 में प्रकाशित किया गया, ने कैरेक्टर टेम्प्लेट के साथ फोटोइलेक्ट्रिक तुलना को चित्रित किया। इसके अंक-पढ़ने के उदाहरण ने डिवाइस के सामने प्रस्तुत आकार का परीक्षण करने के लिए घूमने वाले कटआउट का उपयोग किया। इन दृष्टिकोणों ने सामान्य-उद्देश्य वाले डिजिटल कंप्यूटरों के आम होने से बहुत पहले ही ऑप्टिक्स, यांत्रिक गति और विद्युत संवेदन को एक साथ ला दिया था।
निशान का पता लगाने और वर्ण की पहचान करने के बीच का अंतर OCR के लिए केंद्रीय बना रहा। पेज को कैप्चर करना केवल शुरुआत थी: एक उपयोगी रीडर को समान आकृतियों के बीच अंतर करने और अपने निर्णय को ऐसे रूप में व्यक्त करने की भी आवश्यकता थी जिसे दूसरा डिवाइस उपयोग कर सके।
कैरेक्टर रीडर्स व्यावसायिक संचालन में प्रवेश करते हैं
1950 के दशक के दौरान, स्वचालित रीडिंग दैनिक व्यावसायिक प्रसंस्करण के करीब आ गई। डेविड शेपर्ड का रीडिंग-अपैरेटस पेटेंट 1951 में दायर किया गया और 1953 में जारी किया गया। नेशनल ब्यूरो ऑफ स्टैंडर्ड्स के एक समकालीन सर्वेक्षण ने 1955 में रीडर्स डाइजेस्ट में एक प्रोडक्शन इंस्टॉलेशन दर्ज किया। ऐसी प्रणालियों ने एक व्यावहारिक बाधा को संबोधित किया: कागज पर पहले से मुद्रित जानकारी को कंप्यूटर द्वारा संसाधित किए जाने से पहले किसी व्यक्ति द्वारा फिर से दर्ज किया जाना पड़ता था।
ये रीडर्स आमतौर पर आज के सामान्य डॉक्यूमेंट टूल्स की तुलना में बहुत संकीर्ण परिस्थितियों में काम करते थे। एक प्रतिबंधित कैरेक्टर सेट, अनुमानित प्रिंटिंग और नियंत्रित प्लेसमेंट ने रिकग्निशन की समस्या को अधिक प्रबंधनीय बना दिया। स्कैनर, रिकग्निशन हार्डवेयर और आउटपुट मैकेनिज्म को एक समन्वित प्रणाली के रूप में डिज़ाइन किया गया था, अक्सर दस्तावेजों के एक विशेष वर्ग के लिए।
यह उद्देश्य और पैमाने में एक महत्वपूर्ण बदलाव था। ऑप्टिकल रीडिंग व्यावसायिक कंप्यूटिंग के लिए एक इनपुट विधि बन रही थी। सफलता एक परिभाषित वर्कलोड के सुसंगत प्रसंस्करण पर निर्भर थी, न कि यह प्रदर्शित करने पर कि एक मशीन प्रयोगशाला स्थितियों के तहत कुछ वर्णों को पहचान सकती है।
मानकीकृत फोंट मुद्रित टेक्स्ट को पहचानना आसान बनाते हैं
रिकग्निशन में सुधार करने का एक तरीका इनपुट को अधिक अनुमानित बनाना था। मशीन-पठनीय टाइपफेस जैसे OCR-A और OCR-B ने निर्दिष्ट वर्ण आकृतियों और मुद्रण आवश्यकताओं का उपयोग किया, जिससे उस भिन्नता को कम किया गया जिसे एक रीडर को संभालना पड़ता था। OCR-B 11 में ECMA-1965 मानक में दिखाई दिया, जिसके बाद के संस्करणों ने विनिर्देश को परिष्कृत किया। मानकीकरण ने उपकरणों और मुद्रित दस्तावेजों को अधिक सुसंगत रूप से काम करने में मदद की।
इस दृष्टिकोण ने इंजीनियरिंग प्रयास का हिस्सा स्वयं डॉक्यूमेंट पर रखा। एक कसकर नियंत्रित टाइपफेस एक अंक को दूसरे अंक से अलग करना आसान बना सकता है, जबकि निर्दिष्ट आयामों और रिक्ति ने स्कैनिंग के दौरान अनिश्चितता को कम किया। ट्रेडऑफ लचीलापन था: नियंत्रित प्रिंट के आधार पर डिज़ाइन किया गया रीडर स्वचालित रूप से हर अखबार, किताब या हस्तलिखित नोट को नहीं संभाल सकता था।
ऑप्टिकल कैरेक्टर रिकग्निशन को मैग्नेटिक इंक कैरेक्टर रिकग्निशन, या MICR से भी अलग किया जाना चाहिए। दोनों ने डॉक्यूमेंट ऑटोमेशन का समर्थन किया, लेकिन MICR चुंबकीय रूप से पठनीय वर्णों को महसूस करता है, जबकि OCR उनकी दृश्य छवि की व्याख्या करता है। दोनों प्रौद्योगिकियां एक साथ विकसित हुईं; वे एक ही रीडिंग प्रक्रिया के लिए अलग-अलग नाम नहीं हैं।
ओम्नीफॉन्ट रिकग्निशन सामान्य प्रिंट को पहुंच के भीतर लाता है
अगली महत्वाकांक्षा ऐसी सामग्री को पढ़ना था जिसे मशीन के लिए विशेष रूप से मुद्रित नहीं किया गया था। ओम्नीफॉन्ट रिकग्निशन का उद्देश्य सामान्य टाइपफेस की एक श्रृंखला को संभालना था, जिससे एक एकल निर्धारित वर्णमाला पर निर्भरता कम हो सके। नाम ने प्रगति की उस दिशा का वर्णन किया; इसका मतलब यह नहीं था कि हर फोंट, स्कैन या पेज लेआउट को बिना किसी त्रुटि के पढ़ा जा सकता था।
एक प्रमुख मील का पत्थर रे कुर्ज़वील और उनकी टीम द्वारा 13 जनवरी, 1976 को पेश की गई रीडिंग मशीन थी। अमेरिकन फाउंडेशन फॉर द ब्लाइंड के लिए अपने मौखिक इतिहास में, कुर्ज़वील स्कैनिंग, कैरेक्टर रिकग्निशन और सिंथेसाइज्ड स्पीच के संयोजन का वर्णन करते हैं। साथ में, उन घटकों ने मुद्रित सामग्री को बोले गए आउटपुट में बदलने की अनुमति दी, जिससे रिकग्निशन को एक पूर्ण रीडिंग अनुभव के साथ जोड़ा गया।
वही अंतर्निहित प्रगति ने व्यावसायिक डेटा प्रविष्टि का भी समर्थन किया। OCR का मूल्य तेजी से मौजूदा दस्तावेजों को संभालने पर निर्भर हो गया, न कि केवल रीडर की सीमाओं के आधार पर डिज़ाइन किए गए दस्तावेजों पर। साथ ही, इन प्रणालियों ने दिखाया कि व्यक्तिगत अक्षरों को पहचानना अपर्याप्त क्यों था: शब्दों को जोर से पढ़ने या पुन: उपयोग करने से पहले उन्हें उपयोगी क्रम में इकट्ठा करने की आवश्यकता थी।
स्कैनिंग और OCR डेस्कटॉप वर्कफ़्लो का हिस्सा बन गए
जैसे-जैसे पर्सनल कंप्यूटर और डेस्कटॉप स्कैनर विकसित हुए, OCR समर्पित रीडिंग इंस्टॉलेशन से आगे बढ़ गया। 1990 के अमेरिकी पर्यावरण संरक्षण एजेंसी के डेस्कटॉप स्कैनर मूल्यांकन ने पहले ही टेक्स्ट रिकग्निशन को एक व्यावहारिक कार्यालय क्षमता के रूप में माना, जिसमें कागज को उपयोगी कंप्यूटर फाइलों में बदलने के लिए उपकरणों और सॉफ्टवेयर की तुलना की गई। एक पेज को स्कैन करना और उसके टेक्स्ट को वर्ड प्रोसेसर में स्थानांतरित करना एक तेजी से सुलभ वर्कफ़्लो बन गया।
सॉफ्टवेयर को अलग-थलग वर्णों को वर्गीकृत करने से अधिक करना था। इसे चित्रों से टेक्स्ट को अलग करने, लाइनों और कॉलम की पहचान करने, झुके हुए स्कैन के लिए क्षतिपूर्ति करने और यह तय करने की आवश्यकता थी कि पेज को संपादन योग्य डॉक्यूमेंट में कैसे प्रस्तुत किया जाए। इमेज क्लीनअप, लेआउट विश्लेषण, शब्दकोश और प्रासंगिक जांच समग्र रिकग्निशन प्रक्रिया के महत्वपूर्ण हिस्से बन गए। एक पेज में ज्यादातर सही अक्षर हो सकते हैं, फिर भी यदि उसके कॉलम आपस में मिल गए हों तो उसे पर्याप्त मरम्मत की आवश्यकता हो सकती है।
PDF का 1993 में परिचय पृष्ठ-आधारित दस्तावेज़ों के आदान-प्रदान का एक पोर्टेबल तरीका लेकर आया। PDF एक दस्तावेज़ प्रारूप था, न कि पहचान की विधि, लेकिन इसने स्कैन किए गए पृष्ठों और संबंधित टेक्स्ट के लिए एक उपयोगी आधार प्रदान किया। अब किसी पृष्ठ के स्वरूप को संरक्षित करना और उसकी सामग्री को खोजने योग्य बनाना पूरक लक्ष्य बन सकते थे।
हस्तलेखन अनुसंधान और न्यूरल नेटवर्क ने पहचान को बदल दिया
डेस्कटॉप अपनाने के साथ-साथ, शोधकर्ता कम अनुमानित लेखन की पहचान में सुधार कर रहे थे। 1989 से 1998 तक NIST के OCR कार्यक्रम में हस्तलिखित फॉर्म और आवेदन शामिल थे, जिसमें अमेरिकी जनगणना ब्यूरो और IRS शामिल थे। सार्वजनिक डेटासेट और संदर्भ प्रणालियों ने साझा उदाहरणों के आधार पर विधियों की तुलना करना संभव बना दिया, न कि केवल सावधानीपूर्वक चुने गए पृष्ठों के प्रदर्शन पर निर्भर रहना।
न्यूरल पहचान इस कार्य का पहले से ही एक महत्वपूर्ण हिस्सा थी। 1998 पेपर 'Gradient-Based Learning Applied to Document Recognition' ने उन कन्वेन्शनल नेटवर्क का वर्णन किया जो उदाहरणों से उपयोगी दृश्य विशेषताओं को सीखते थे, साथ ही पहचान, विभाजन और भाषा बाधाओं को संयोजित करने के तरीके भी बताए। इसने सांख्यिकीय पैटर्न पहचान के व्यापक इतिहास का विस्तार किया; शुरुआती OCR में सरल टेम्पलेट मिलान से परे के तरीके भी शामिल थे।
उदाहरणों से सीखने ने स्ट्रोक और वर्ण आकृतियों में भिन्नता को समायोजित करने का एक तरीका प्रदान किया। इसने प्रशिक्षण डेटा और मूल्यांकन को भी अधिक महत्वपूर्ण बना दिया। एक प्रणाली अलग-थलग हस्तलिखित अंकों पर अच्छा प्रदर्शन कर सकती थी, फिर भी जुड़े हुए हस्तलेखन या अपरिचित रूपों के साथ संघर्ष कर सकती थी। एक पहचान कार्य पर प्रगति हर दूसरे प्रकार के दस्तावेज़ को स्वचालित रूप से हल किए बिना भी मूल्यवान थी।
बड़े डिजिटल संग्रह OCR को खोज उपकरण में बदल देते हैं
डिजिटलीकरण परियोजनाओं ने OCR की भूमिका को एक पृष्ठ के पुन: उपयोग से लेकर पूरे संग्रह में जानकारी खोजने तक विस्तारित किया। पुस्तकालय और अभिलेखागार समाचार पत्रों, पुस्तकों और रिकॉर्ड की छवियों को संरक्षित कर सकते थे और साथ ही उनके पहचाने गए टेक्स्ट को अनुक्रमित (इंडेक्स) कर सकते थे। लाइब्रेरी ऑफ कांग्रेस ने मार्च 2007 में 'क्रॉनिकलिंग अमेरिका' लॉन्च किया, जिससे शोधकर्ताओं को ऐतिहासिक समाचार पत्रों के लिए एक खोजने योग्य संसाधन मिला।
इसने लोगों के अभिलेखागार तक पहुँचने के तरीके को बदल दिया। एक नाम, स्थान या वाक्यांश सीधे एक प्रासंगिक पृष्ठ तक ले जा सकता था, जिसके लिए पाठक को हर अंक की जाँच करने की आवश्यकता नहीं थी। OCR स्कैनिंग, मेटाडेटा, इंडेक्सिंग और पुनर्प्राप्ति की एक बड़ी प्रणाली का हिस्सा बन गया। इसकी उपयोगिता अब केवल इस बात से नहीं मापी जाती थी कि एक निर्यात किया गया दस्तावेज़ अपने स्रोत से कितना मिलता-जुलता है।
ऐतिहासिक सामग्री ने लगातार कमजोरियों को भी उजागर किया: क्षतिग्रस्त कागज, पुराने टाइपफेस, अनियमित रिक्ति और जटिल कॉलम। पहचान की त्रुटियां एक प्रासंगिक खोज परिणाम को छिपा सकती थीं या भ्रामक मिलान उत्पन्न कर सकती थीं। मशीन-जनित टेक्स्ट के साथ मूल पृष्ठ को रखने से पाठकों को खोजों को सत्यापित करने की अनुमति मिली, और बेहतर पहचान ने हर आइटम को फिर से स्कैन किए बिना मौजूदा डिजिटल संग्रह को समृद्ध करने का एक तरीका बना दिया।
हर वर्ण को अलग किए बिना पूरी श्रृंखला पढ़ना
हस्तलेखन पहचान में एक लंबे समय से चली आ रही कठिनाई यह तय करना था कि एक वर्ण कहाँ समाप्त होता है और अगला कहाँ शुरू होता है। जुड़े हुए स्ट्रोक और ओवरलैपिंग अक्षरों ने 'काटो-फिर-वर्गीकृत करो' प्रक्रिया को नाजुक बना दिया। सांख्यिकीय अनुक्रम विधियों, जिसमें हिडन मार्कोव मॉडल शामिल हैं, ने पहले ही इस समस्या का समाधान कर लिया था। रिकरेंट न्यूरल नेटवर्क ने एक पंक्ति की व्याख्या करते समय पड़ोसी जानकारी का उपयोग करने का एक और तरीका पेश किया। लॉन्ग शॉर्ट-टर्म मेमोरी (LSTM) नेटवर्क, जो एक प्रकार का रिकरेंट नेटवर्क है, ने हर छोटे क्षेत्र का स्वतंत्र रूप से निर्णय लेने के बजाय एक अनुक्रम में संदर्भ को बनाए रखने में मदद की।
2006 में पेश किया गया 'कनेक्शनिस्ट टेम्पोरल क्लासिफिकेशन' (CTC), टेक्स्ट लेबल के साथ इनपुट अनुक्रमों का मिलान करने के लिए एक प्रशिक्षण विधि प्रदान करता है, जिसके लिए हर वर्ण की स्थिति को पहले से चिह्नित करने की आवश्यकता नहीं होती है। मूल पेपर ने भाषण का मूल्यांकन किया, जबकि बाद के काम ने इस दृष्टिकोण को हस्तलेखन पर लागू किया। एक 2009 पेपर ने अनुक्रम प्रशिक्षण को उन रिकरेंट नेटवर्क के साथ जोड़ा जो अनियंत्रित हस्तलिखित पंक्तियों को पहचानने के लिए दोनों दिशाओं से संदर्भ का उपयोग करते थे।
इसने वर्ण-दर-वर्ण विभाजन पर निर्भरता को कम किया और पंक्ति-स्तरीय पहचान को अधिक व्यावहारिक बनाने में मदद की। इसने हर तैयारी चरण को नहीं हटाया: एक प्रणाली को अभी भी टेक्स्ट का पता लगाने, पंक्तियों की पहचान करने और पृष्ठ अभिविन्यास को संभालने की आवश्यकता हो सकती है। महत्वपूर्ण बदलाव यह था कि पहचान एक छवि अनुक्रम और उसके ट्रांसक्रिप्ट के बीच एक संरेखण सीख सकती थी, बजाय इसके कि पहले से हर वर्ण सीमा प्राप्त हो।
डीप लर्निंग OCR को फ्लैटबेड स्कैनर से आगे ले जाती है
फोटो खींचे गए टेक्स्ट ने समस्या को फिर से व्यापक बना दिया। डेस्क पर रखी रसीद, दुकान का साइनबोर्ड या किसी कोण पर लिया गया पृष्ठ छाया, परिप्रेक्ष्य विरूपण और विचलित करने वाली पृष्ठभूमि से युक्त हो सकता है। शब्दों को पहचानने से पहले, एक प्रणाली को उन्हें खोजना पड़ता था। इसलिए टेक्स्ट डिटेक्शन और टेक्स्ट रिकग्निशन बारीकी से जुड़े अनुसंधान कार्य बन गए, जिनका कैमरा-आधारित रीडिंग और अनुवाद के लिए व्यावहारिक महत्व है।
डीप लर्निंग ने दोनों चरणों में सुधार किया। एक 2015 सीन-टेक्स्ट पेपर ने कन्वेन्शनल इमेज फीचर्स, रिकरेंट सीक्वेंस प्रोसेसिंग और ट्रांसक्रिप्शन को एक ही प्रशिक्षित पहचान प्रणाली में जोड़ा। फीचर एक्सट्रैक्शन और रीडिंग को पूरी तरह से अलग हस्तनिर्मित घटकों के रूप में मानने के बजाय, शोधकर्ता उन्हें एक साथ अनुकूलित कर सकते थे। यह दृष्टिकोण प्रत्येक अक्षर को अलग किए बिना विभिन्न लंबाई के शब्दों को भी संभालता था।
बेंचमार्क तेजी से अनियंत्रित कैप्चर स्थितियों को दर्शाते हैं। 2015 ICDAR रोबस्ट रीडिंग प्रतियोगिता ने आकस्मिक सीन टेक्स्ट को जोड़ा, जिससे मूल्यांकन उन छवियों से परे विस्तारित हो गया जो जानबूझकर पठनीय शब्दों के आसपास तैयार की गई थीं। इसने उन प्रणालियों को प्रोत्साहित किया जो रोजमर्रा की तस्वीरों में लोगों द्वारा देखे जाने वाले टेक्स्ट का सामना कर सकती थीं। इसने यह भी स्पष्ट कर दिया कि साफ स्कैन किए गए दस्तावेज़ों पर प्रदर्शन व्यापक दृश्य दुनिया में पाठक की क्षमताओं का पूरी तरह से वर्णन नहीं करता है।
सिंथेटिक प्रशिक्षण डेटा और बहुभाषी बेंचमार्क कवरेज को व्यापक बनाते हैं
बेहतर सीखने के तरीकों के लिए अधिक विविध उदाहरणों की भी आवश्यकता थी। सिंथेटिक प्रशिक्षण छवियों ने शोधकर्ताओं को हर नई तस्वीर को मैन्युअल रूप से लेबल किए बिना विभिन्न फोंट, आकार, रंग और पृष्ठभूमि में टेक्स्ट उत्पन्न करने दिया। 2016 में प्रकाशित ऑक्सफोर्ड अनुसंधान ने कृत्रिम टेक्स्ट को वास्तविक दृश्यों में रखा, जबकि उनके ज्यामिति का लेखा-जोखा रखा, जिससे टेक्स्ट डिटेक्शन के लिए बड़ी मात्रा में प्रशिक्षण सामग्री प्रदान की गई। उत्पन्न उदाहरणों ने वास्तविक छवियों के पूरक के रूप में काम किया, जिससे विशेष विविधताओं को बड़े पैमाने पर तैयार करना आसान हो गया।
बहुभाषी मूल्यांकन समानांतर में विस्तारित हुआ। 2017 ICDAR बहुभाषी चुनौती में छह लिपियों का प्रतिनिधित्व करने वाली नौ भाषाएं शामिल थीं; इसके 2019 उत्तराधिकारी ने एक भाषा और एक एंड-टू-एंड पहचान कार्य जोड़ा। इन बेंचमार्क ने मिश्रित लिपियों, विभिन्न अभिविन्यासों और लेखन प्रणालियों की एक विस्तृत श्रृंखला को एक सामान्य मूल्यांकन सेटिंग में लाया।
व्यापक सबक यह था कि भाषा समर्थन में वर्णमाला में अक्षर जोड़ने से कहीं अधिक शामिल था। प्रणालियों को उपयुक्त प्रशिक्षण उदाहरणों और उन तरीकों की आवश्यकता थी जो विभिन्न वर्ण संरचनाओं, जुड़े हुए लेखन और पढ़ने की दिशाओं का सामना कर सकें। साझा डेटासेट ने ऐसे अंतरों को मापना आसान बना दिया, साथ ही अच्छी तरह से प्रतिनिधित्व वाली भाषाओं और कम परिचित सामग्री पर प्रदर्शन के बीच के अंतर को भी उजागर किया।
अटेंशन और लेआउट-जागरूक लर्निंग शब्दों को पृष्ठ संरचना के साथ जोड़ते हैं
भाषा कार्यों के लिए 2017 में पेश किया गया ट्रांसफॉर्मर आर्किटेक्चर, अटेंशन के माध्यम से एक अनुक्रम में संबंधों को मॉडल करने का एक शक्तिशाली तरीका प्रदान करता है। OCR के लिए इसका महत्व टेक्स्ट पहचान और दस्तावेज़ विश्लेषण के बाद के अनुप्रयोगों के माध्यम से विकसित हुआ। अटेंशन ने एक प्रणाली को परिणाम उत्पन्न करते समय अपने इनपुट के प्रासंगिक हिस्सों को तौलने की अनुमति दी, जिससे कन्वेन्शनल और रिकरेंट नेटवर्क के साथ एक और दृष्टिकोण जुड़ गया।
दस्तावेज़ अनुसंधान केवल एक साधारण प्रतिलेख से आगे देख रहा था। दिसंबर 2019 में प्रस्तुत और 2020 में प्रकाशित एक अध्ययन ने प्री-ट्रेनिंग के दौरान पहचाने गए टेक्स्ट को उसके पृष्ठ स्थान के साथ जोड़ा, फिर विशिष्ट दस्तावेज़ कार्यों के लिए सिस्टम को अनुकूलित करते समय दृश्य विशेषताओं को शामिल किया। स्थान मायने रखता था क्योंकि एक ही शब्द हेडिंग, पता ब्लॉक या फॉर्म की पंक्ति में अलग-अलग भूमिका निभा सकते थे।
इसने दस्तावेज़ वर्गीकरण और सूचना निष्कर्षण जैसे कार्यों के साथ पहचान को जोड़ने में मदद की। एक संख्या को पढ़ना और उसे इनवॉइस कुल के रूप में पहचानना संबंधित लेकिन अलग-अलग ऑपरेशन हैं; पृष्ठ संरचना दूसरे के लिए सुराग प्रदान करती है। लेआउट-जागरूक तरीकों ने OCR को अनावश्यक नहीं बनाया। उन्होंने इसके आउटपुट को आसपास के दृश्य प्रमाणों के साथ उपयोग करने के तरीके प्रदान किए, जिससे दस्तावेज़ प्रसंस्करण शब्दों की एक एकल धारा के बजाय तत्वों के बीच संबंधों की ओर बढ़ गया।
ट्रांसफॉर्मर टेक्स्ट पढ़ते हैं और सीधे दस्तावेज़ परिणाम उत्पन्न करते हैं
2021 तक, शोधकर्ता प्री-ट्रेन्ड इमेज और टेक्स्ट ट्रांसफॉर्मर को सीधे पहचान के लिए लागू कर रहे थे। एक प्रकाशित दृष्टिकोण ने एक इमेज एनकोडर को एक टेक्स्ट डिकोडर के साथ जोड़ा और मुद्रित, हस्तलिखित और दृश्य टेक्स्ट का मूल्यांकन किया। बड़े संग्रहों पर प्री-ट्रेनिंग, जिसके बाद अधिक विशिष्ट कार्य के लिए प्रशिक्षण दिया गया, ने दृश्य पैटर्न सीखने और सुसंगत वर्ण या शब्द अनुक्रम तैयार करने का एक और रास्ता प्रदान किया।
काम की एक अलग पंक्ति ने स्वतंत्र पारंपरिक OCR इंजन को पहले चलाए बिना छवियों से संरचित दस्तावेज़ परिणाम उत्पन्न करने का पता लगाया। 2021 के अंत में पेश किए गए और 2022 में संशोधित शोध ने दस्तावेज़ समझ के लिए इस दृष्टिकोण का प्रदर्शन किया। उस काम में OCR-मुक्त शब्द एक अलग OCR चरण की अनुपस्थिति का वर्णन करता है; सिस्टम को अभी भी छवि से प्रासंगिक लिखित जानकारी प्राप्त करनी होती है।
इन विकासों ने उपलब्ध आर्किटेक्चर का विस्तार किया। एक प्रसंस्करण प्रणाली टेक्स्ट को पहचान सकती है और फिर उसका विश्लेषण कर सकती है, या सीधे अनुरोधित परिणाम उत्पन्न करने के लिए एक मॉडल को प्रशिक्षित कर सकती है। कोई भी व्यवस्था हर पृष्ठ पर सटीक आउटपुट की गारंटी नहीं देती है। चुनाव यह बदल देता है कि त्रुटियां कहां आ सकती हैं, परिणामों का निरीक्षण कैसे किया जाता है और मध्यवर्ती साक्ष्य, जैसे पहचाने गए शब्द और उनकी स्थिति, को कितनी आसानी से बनाए रखा जा सकता है।
मल्टीमॉडल सिस्टम दस्तावेज़ पढ़ने का विस्तार करते हैं और नए परीक्षण बढ़ाते हैं
हाल के मल्टीमॉडल सिस्टम इमेज प्रोसेसिंग और भाषा निर्माण को जोड़ते हैं, जिससे दस्तावेज़ टेक्स्ट को व्यापक इंटरैक्शन में भाग लेने की अनुमति मिलती है। सिस्टम और कार्य के आधार पर, एक उपयोगकर्ता प्रतिलेख का अनुरोध कर सकता है, किसी पृष्ठ के बारे में प्रश्न पूछ सकता है या विशेष फ़ील्ड निकाल सकता है। पहचान तेजी से एक बड़े दस्तावेज़ वर्कफ़्लो के भीतर बैठती है, जबकि समर्पित OCR तब उपयोगी रहता है जब मुख्य आवश्यकता एक सटीक, निरीक्षण योग्य प्रतिलेख हो।
मूल्यांकन का तदनुसार विस्तार हुआ है। 2023 में पेश किए गए OCRBench ने दस्तावेज़ प्रश्नों, सूचना निष्कर्षण और हस्तलिखित गणितीय अभिव्यक्तियों के साथ पहचान पर विचार किया। इसके उत्तराधिकारी, जिसे 2024 के अंत में जारी किया गया और 2025 में संशोधित किया गया, ने दृश्य टेक्स्ट और तर्क कार्यों के व्यापक सेट की जांच की। रिपोर्ट की गई सीमाओं में सूक्ष्म विवरण, लेआउट, जटिल तत्व और कम परिचित टेक्स्ट शामिल थे, जो यह दिखाते हैं कि एक एकल सटीकता दावा हर दस्तावेज़-पढ़ने की आवश्यकता को कैप्चर नहीं कर सकता है।
यह व्यापक क्षमता आउटपुट के उद्देश्य को भी अधिक महत्वपूर्ण बनाती है। एक सहायक स्पष्टीकरण पैराफ्रेज कर सकता है, जबकि एक सटीक प्रतिलेख को यह संरक्षित करना चाहिए कि पृष्ठ वास्तव में क्या कहता है। धाराप्रवाह शब्दांकन यह स्थापित नहीं कर सकता है कि कोई नाम, राशि या उद्धरण सही ढंग से पढ़ा गया था या नहीं। सिस्टम को कार्य के लिए उपयुक्त मूल्यांकन की आवश्यकता होती है, चाहे उसका मतलब वर्ण सटीकता, पढ़ने का क्रम, तालिका संरचना या निकाले गए फ़ील्ड की शुद्धता हो।
सदी भर में, प्रगति की दिशा कम नियंत्रित इनपुट और अधिक उपयोगी आउटपुट की ओर रही है: निर्धारित वर्णों से लेकर सामान्य प्रिंट, लिखावट, तस्वीरों और जटिल दस्तावेज़ों तक। नए दृष्टिकोण स्थापित लोगों के साथ जुड़ना जारी रखते हैं। केंद्रीय चुनौती पहचानने योग्य बनी हुई है: दृश्य साक्ष्य को विश्वसनीय जानकारी में बदलना जबकि उन विवरणों को संरक्षित करना जो मायने रखते हैं।