ფაილები და შედეგები
დაიწყეთ იმით, თუ რას შეიცავს ფაილი. PDF-ს შეუძლია შეინახოს სურათები, კოდირებული ტექსტი ან ორივე ერთად; ფაილის სახელი არ გეუბნებათ, შესაძლებელია თუ არა მასში სიტყვების მონიშვნა.
OCR — ოპტიკური სიმბოლოების ამოცნობა
სურათზე ხილული სიმბოლოების იდენტიფიცირებისა და მათი კოდირებულ ტექსტად წარმოდგენის პროცესი. ის საშუალებას გაძლევთ ხელახლა გამოიყენოთ სკანირებული ან გადაღებული დოკუმენტის სიტყვები; ამოცნობილ შედეგს შესაძლოა კვლავ დასჭირდეს კორექტირება.
სკანირებული PDF
PDF, რომლის გვერდები მოიცავს სკანირებულ ან გადაღებულ დოკუმენტის სურათებს. ზოგიერთ სკანირებულ PDF-ს ასევე აქვს OCR ტექსტური ფენა, ხოლო სხვები მხოლოდ სურათებს შეიცავს.
ციფრულად შექმნილი PDF
PDF, რომელიც შექმნილია პირდაპირ ციფრული კონტენტიდან, მაგალითად, დოკუმენტების რედაქტორიდან და არა ქაღალდის სკანირებით. ის ხშირად შეიცავს რეალურ ტექსტს, თუმცა მონიშვნა და ამოღება მაინც შეიძლება იყოს დამოკიდებული იმაზე, თუ როგორ იქნა ის შექმნილი.
საძიებო PDF
PDF, რომელიც შეიცავს ტექსტს, რომლის ძიებაც მკითხველს შეუძლია. სკანირებული გვერდი შეიძლება გახდეს საძიებო, როდესაც ამოცნობილი ტექსტი ემატება მის სურათს. საძიებო ფუნქცია თავისთავად არ იძლევა სიზუსტის ან ხელმისაწვდომობის გარანტიას.
ტექსტური ფენა
PDF-ში შენახული კოდირებული ტექსტი. სკანირებულ გვერდზე ის შეიძლება იყოს უხილავი და განთავსებული სურათის ზემოთ ან ქვემოთ, რათა მონიშვნა და ძიება მუშაობდეს, ხოლო ორიგინალი ვიზუალი დარჩეს ხილული.
გვერდის სტრუქტურა
ამოცნობის სისტემამ უნდა გააკეთოს მეტი, ვიდრე უბრალოდ ასოების იდენტიფიცირება. მან ასევე უნდა გადაწყვიტოს, რომელი ნიშნები მიეკუთვნება ერთმანეთს და როგორ უნდა იმოძრაოს მკითხველმა მათში.
განლაგების ანალიზი
ისეთი რეგიონების იდენტიფიცირება, როგორიცაა აბზაცები, სათაურები, სურათები და ცხრილები. ცხრილის სიტყვების ამოცნობა და მისი მწკრივებისა და სვეტების სტრუქტურის შენარჩუნება დაკავშირებული, მაგრამ განსხვავებული ამოცანებია.
კითხვის თანმიმდევრობა
ტექსტის განზრახული თანმიმდევრობა. ორსვეტიანი სტატია ჩვეულებრივ უნდა მიჰყვებოდეს ერთ სვეტს, სანამ შემდეგზე გადავა, ნაცვლად იმისა, რომ მონაცვლეობდეს ორივეს შორის. სწორი სიტყვები არასწორი თანმიმდევრობით შეიძლება გამოვიდეს გამოუსადეგარი ტრანსკრიპტი.
სეგმენტაცია
გვერდის დაყოფა უფრო მცირე ერთეულებად, როგორიცაა ტექსტური რეგიონები, ხაზები ან სიმბოლოები. არასწორმა საზღვრებმა შეიძლება შეაერთოს მეზობელი სიტყვები, გაყოს სიმბოლო ან აურიოს გვერდის ერთმანეთთან დაუკავშირებელი ნაწილები.
RTL — მარჯვნიდან მარცხნივ მიმართული ტექსტი
ტექსტი ისეთ დამწერლობებში, როგორიცაა არაბული ან ებრაული, რომელიც ზოგადად მიედინება მარჯვნიდან მარცხნივ. ციფრებს და ჩართულ ლათინურ ტექსტს შეუძლია განსხვავებული მიმართულებების მიყოლა. ჩვენების თანმიმდევრობა და შენახული სიმბოლოების თანმიმდევრობა სულაც არ არის ერთი და იგივე.
სურათის მომზადება
მომზადება ცვლის იმას, თუ როგორ წარედგინება არსებული ნიშნები ამოცნობის სისტემას. მას არ შეუძლია აღადგინოს ტექსტი, რომელსაც წყარო სურათი აღარ შეიცავს.
PPI და DPI
Pixels per inch (პიქსელი ინჩზე) აღწერს სურათის სინჯის აღებას ფიზიკურ ზომაზე; dots per inch (წერტილი ინჩზე) აღწერს ნაბეჭდი წერტილის სიმკვრივეს. სკანირების პარამეტრები ხშირად არაფორმალურად იყენებენ DPI-ს. მხოლოდ შენახული მნიშვნელობის შეცვლა არ მატებს დეტალებს არსებულ სურათს.
დახრის გასწორება (Deskew)
მცირე დახრის გასწორება ისე, რომ ტექსტის ხაზები გახდეს უფრო ჰორიზონტალური. ეს განსხვავდება თავდაყირა გვერდის მობრუნებისგან ან კუთხით გადაღებული ფოტოს პერსპექტივის გასწორებისგან.
ბინარიზაცია
სურათის შავ-თეთრ პიქსელებად გადაქცევა ზღვრული მნიშვნელობის ან სხვა გადაწყვეტილების წესის გამოყენებით. ამან შეიძლება გაამარტივოს მკაფიო გვერდი, მაგრამ ასევე შეიძლება გამოიწვიოს მკრთალი ნიშნების დაკარგვა ან ახლომდებარე შტრიხების შერწყმა.
წინასწარი დამუშავება
ამოცნობამდე გაკეთებული სურათის კორექტირება, როგორიცაა ორიენტაციის გასწორება, ამოჭრა ან კონტრასტის ცვლილებები. სასარგებლო კორექტირება აუმჯობესებს ამოსაცნობ ნიშნებს პუნქტუაციის, აქცენტების ან სხვა მნიშვნელოვანი დეტალების წაშლის გარეშე.
ამოცნობა და გადამოწმება
შეფასება აღწერს კონკრეტულ ამოცანას და მონაცემთა ნაკრებს. წაიკითხეთ ქულის განმარტება, სანამ მას სხვა შედეგს შეადარებთ ან გამოიყენებთ საკუთარი დოკუმენტების შესაფასებლად.
ხელნაწერის ამოცნობა
ხელნაწერი სიმბოლოების ან სიტყვების ამოცნობა. დაკავშირებული ასოები, პერსონალური აბრევიატურები და მწერლისთვის დამახასიათებელი ფორმები მას მკაფიო ნაბეჭდი ტექსტისგან განსხვავებულ გამოწვევად აქცევს.
ნდობის ქულა
შეფასება, რომელიც ამოცნობის სისტემამ შეიძლება მიანიჭოს პროგნოზს. მისი მნიშვნელობა დამოკიდებულია სისტემასა და კალიბრაციაზე. ეს ავტომატურად არ ნიშნავს ალბათობას, რომ მთელი დოკუმენტი სწორია.
CER — სიმბოლოების შეცდომის კოეფიციენტი
ამოცნობილი ტექსტის შედარება შემოწმებულ მითითებასთან, სიმბოლოების ჩამატების, წაშლისა და ჩანაცვლების საფუძველზე მითითების სიგრძესთან მიმართებაში. რაც უფრო დაბალია, მით უკეთესი. დაბალ CER-ს მაინც შეუძლია დამალოს მნიშვნელოვანი შეცდომა სახელში ან ციფრში.
WER — სიტყვების შეცდომის კოეფიციენტი
მსგავსი შედარება სიტყვების დონეზე. ერთმა არასწორმა სიმბოლომ შეიძლება მთელი სიტყვა არასწორად ჩათვალოს. ამიტომ, WER და CER აღწერენ ტრანსკრიპტის სხვადასხვა ასპექტს და არ უნდა ჩაითვალოს ურთიერთშემცვლელად.
საფუძვლიანი ჭეშმარიტება (Ground truth)
ამოცნობის შესაფასებლად გამოყენებული შემოწმებული მითითება. მისი ტრანსკრიფციის კონვენციებს მნიშვნელობა აქვს: როგორ უმკლავდება ის პუნქტუაციას, მართლწერას, ინტერვალებს და წაუკითხავ ტექსტს, გავლენას ახდენს შედარებაზე. ხარვეზიანმა მითითებამ შეიძლება გამოიწვიოს შეცდომაში შემყვანი ქულა.
კითხვები და პასუხები
არის თუ არა OCR იგივე, რაც თარგმანი?
არა. OCR კითხულობს ხილულ ტექსტს რედაქტირებადი ფორმით. თარგმანი გამოხატავს ტექსტს სხვა ენაზე. ამოცნობის შედეგის ჯერ გადამოწმება გეხმარებათ თავიდან აიცილოთ არასწორად წაკითხული წყაროს თარგმნა.
არის თუ არა Word-ის ჩამონატვირთი ორიგინალი განლაგების ასლი?
სულაც არა. რედაქტირებადი დოკუმენტი შეიძლება შეიცავდეს ამოცნობილ ტექსტს წყაროს ცხრილების, ინტერვალების ან გვერდის დიზაინის შენარჩუნების გარეშე. შეამოწმეთ შედეგი ორიგინალთან, როდესაც განლაგებას მნიშვნელობა აქვს.
რატომ შეიძლება ორმა სიზუსტის ქულამ ერთმანეთს არ დაემთხვეს?
მათ შეიძლება გამოიყენონ სხვადასხვა დოკუმენტები, მითითების კონვენციები ან გაზომვები. სიმბოლოების შეცდომები, სიტყვების შეცდომები, გამოტოვებული რეგიონები და კითხვის თანმიმდევრობის პრობლემები ერთი და იგივე არ არის.