File dan output
Mulailah dengan apa yang terkandung dalam file tersebut. Sebuah PDF dapat berisi gambar, teks yang dikodekan, atau keduanya; nama filenya tidak memberi tahu Anda apakah kata-katanya dapat dipilih.
OCR — pengenalan karakter optis
Proses mengidentifikasi karakter yang terlihat dalam gambar dan menyajikannya sebagai teks yang dikodekan. Ini memungkinkan Anda menggunakan kembali kata-kata dari hasil pindai atau foto; hasil pengenalan mungkin masih memerlukan koreksi.
PDF hasil pindai
Sebuah PDF yang halamannya mencakup gambar dokumen hasil pindai atau foto. Beberapa PDF hasil pindai juga memiliki lapisan teks OCR, sementara yang lain hanya berisi gambar.
PDF digital asli
Sebuah PDF yang dibuat langsung dari konten digital, seperti editor dokumen, bukan dengan memindai kertas. Dokumen ini sering kali berisi teks asli, meskipun pemilihan dan ekstraksi masih dapat dipengaruhi oleh cara pembuatannya.
PDF yang dapat dicari
Sebuah PDF yang berisi teks yang dapat dicari oleh pembaca. Halaman hasil pindai dapat menjadi dapat dicari ketika teks yang dikenali ditambahkan di samping gambarnya. Kemampuan untuk dicari tidak dengan sendirinya menjamin akurasi atau aksesibilitas.
Lapisan teks
Teks yang dikodekan yang disimpan dalam sebuah PDF. Pada halaman hasil pindai, teks ini mungkin tidak terlihat dan diposisikan di atas atau di bawah gambar sehingga pemilihan dan pencarian berfungsi sementara tampilan aslinya tetap terlihat.
Struktur halaman
Sistem pengenal harus melakukan lebih dari sekadar mengidentifikasi huruf. Sistem juga harus memutuskan tanda mana yang saling berkaitan dan bagaimana pembaca harus menelusurinya.
Analisis tata letak
Mengidentifikasi area seperti paragraf, judul, gambar, dan tabel. Mengenali kata-kata dalam tabel dan mempertahankan struktur baris-dan-kolomnya adalah tugas yang terkait namun berbeda.
Urutan membaca
Urutan teks yang dimaksudkan. Artikel dua kolom biasanya harus mengikuti satu kolom sebelum melanjutkan ke kolom berikutnya, alih-alih bergantian di antara keduanya. Kata-kata yang benar dalam urutan yang salah dapat menghasilkan transkrip yang tidak dapat digunakan.
Segmentasi
Membagi halaman menjadi unit yang lebih kecil seperti area teks, baris, atau karakter. Batas yang salah dapat menggabungkan kata-kata yang berdekatan, memecah karakter, atau mencampur bagian halaman yang tidak terkait.
RTL — teks kanan-ke-kiri
Teks dalam skrip seperti Arab atau Ibrani yang umumnya mengalir dari kanan ke kiri. Angka dan teks Latin yang disisipkan dapat mengikuti arah yang berbeda. Urutan tampilan dan urutan karakter yang disimpan tidak selalu sama.
Persiapan gambar
Persiapan mengubah cara tanda yang ada disajikan untuk pengenalan. Persiapan tidak dapat memunculkan teks yang tidak lagi terkandung dalam gambar sumber.
PPI dan DPI
Piksel per inci menjelaskan pengambilan sampel gambar pada ukuran fisik; titik per inci menjelaskan kepadatan titik cetak. Pengaturan pemindaian sering menggunakan DPI secara informal. Mengubah nilai yang disimpan saja tidak akan menambah detail pada gambar yang sudah ada.
Deskew (pelurusan)
Mengoreksi kemiringan kecil agar baris teks menjadi lebih horizontal. Ini berbeda dengan memutar halaman yang terbalik atau mengoreksi perspektif foto yang diambil dari sudut tertentu.
Binarisasi
Mengonversi gambar menjadi piksel hitam putih menggunakan ambang batas atau aturan keputusan lainnya. Ini dapat menyederhanakan halaman yang jernih, tetapi juga dapat menghilangkan tanda yang samar atau menggabungkan guratan yang berdekatan.
Pra-pemrosesan
Penyesuaian gambar yang dilakukan sebelum pengenalan, seperti koreksi orientasi, pemotongan, atau perubahan kontras. Penyesuaian yang berguna meningkatkan tanda yang dapat dikenali tanpa menghilangkan tanda baca, aksen, atau detail bermakna lainnya.
Pengenalan dan tinjauan
Evaluasi menjelaskan tugas dan kumpulan data tertentu. Baca definisi skor sebelum membandingkannya dengan hasil lain atau menggunakannya untuk menilai dokumen Anda sendiri.
Pengenalan tulisan tangan
Pengenalan karakter atau kata yang ditulis tangan. Huruf yang tersambung, singkatan pribadi, dan bentuk tulisan yang spesifik bagi penulis menjadikannya tantangan yang berbeda dari teks cetak yang jernih.
Skor kepercayaan
Estimasi yang mungkin dilampirkan oleh sistem pengenalan pada suatu prediksi. Maknanya bergantung pada sistem dan kalibrasi. Skor ini tidak secara otomatis berarti probabilitas bahwa seluruh dokumen sudah benar.
CER — tingkat kesalahan karakter
Perbandingan teks yang dikenali dengan referensi yang telah diperiksa, berdasarkan penyisipan, penghapusan, dan penggantian karakter relatif terhadap panjang referensi. Semakin rendah semakin baik. CER yang rendah masih bisa menyembunyikan kesalahan penting dalam nama atau angka.
WER — tingkat kesalahan kata
Perbandingan serupa pada tingkat kata. Satu karakter yang salah dapat membuat satu kata dianggap salah. Oleh karena itu, WER dan CER menjelaskan aspek transkrip yang berbeda dan tidak boleh dianggap dapat dipertukarkan.
Ground truth (kebenaran dasar)
Referensi yang telah diperiksa yang digunakan untuk mengevaluasi pengenalan. Konvensi transkripsinya penting: bagaimana referensi menangani tanda baca, ejaan, spasi, dan teks yang tidak terbaca memengaruhi perbandingan. Referensi yang cacat dapat menghasilkan skor yang menyesatkan.
Pertanyaan dan jawaban
Apakah OCR sama dengan terjemahan?
Tidak. OCR membaca teks yang terlihat menjadi bentuk yang dapat diedit. Terjemahan mengungkapkan teks dalam bahasa lain. Meninjau pengenalan terlebih dahulu membantu menghindari penerjemahan sumber yang salah baca.
Apakah unduhan Word merupakan salinan dari tata letak aslinya?
Belum tentu. Dokumen yang dapat diedit dapat berisi teks yang dikenali tanpa mempertahankan tabel, spasi, atau desain halaman sumber. Periksa output terhadap dokumen asli jika tata letak itu penting.
Mengapa dua skor akurasi bisa berbeda?
Keduanya mungkin menggunakan dokumen, konvensi referensi, atau pengukuran yang berbeda. Kesalahan karakter, kesalahan kata, area yang terlewat, dan masalah urutan membaca bukanlah hal yang sama.