Cahaya, bunyi dan pendekatan pertama terhadap pembacaan mesin
Beberapa akar umbi OCR terletak pada usaha untuk menjadikan bahan cetakan boleh diakses oleh pembaca buta. Pada 1914, E. E. Fournier d'Albe menerangkan optofon pembaca jenis, yang menukarkan corak cahaya daripada halaman kepada isyarat boleh dengar. Pendengar belajar untuk mentafsir isyarat tersebut. Ia merupakan alat bantu membaca optik, bukannya mesin yang secara automatik menghasilkan transkrip teks, tetapi ia menunjukkan bahawa tanda bercetak boleh dikesan dan diwakili dalam bentuk lain.
Pencipta lain mengejar pengenalpastian aksara automatik. Paten mesin membaca Gustav Tauschek, difailkan pada 1928 dan diterbitkan pada 1930, menggambarkan perbandingan fotoelektrik dengan templat aksara. Contoh pembacaan angka menggunakan potongan berputar untuk menguji bentuk yang dibentangkan kepada peranti. Pendekatan ini membawa optik, pergerakan mekanikal dan penderiaan elektrik bersama-sama jauh sebelum komputer digital tujuan am menjadi perkara biasa.
Perbezaan antara mengesan tanda dan mengenal pasti aksara akan kekal sebagai teras OCR. Menangkap halaman hanyalah permulaan: pembaca yang berguna juga perlu membezakan bentuk yang serupa dan menyatakan keputusannya dalam bentuk yang boleh digunakan oleh peranti lain.
Pembaca aksara memasuki operasi perniagaan
Sepanjang 1950an, pembacaan automatik bergerak lebih dekat kepada pemprosesan perniagaan harian. Paten radas membaca David Shepard difailkan pada 1951 dan dikeluarkan pada 1953. Tinjauan Biro Piawaian Kebangsaan semasa merekodkan pemasangan pengeluaran di Reader's Digest pada 1955. Sistem sedemikian menangani kesesakan praktikal: maklumat yang telah dicetak pada kertas sebaliknya perlu dimasukkan semula oleh seseorang sebelum komputer boleh memprosesnya.
Pembaca ini biasanya berfungsi dalam keadaan yang jauh lebih sempit daripada alat dokumen am hari ini. Set aksara yang terhad, percetakan yang boleh diramal dan penempatan terkawal menjadikan masalah pengecaman lebih mudah diurus. Pengimbas, perkakasan pengecaman dan mekanisme output direka sebagai sistem yang diselaraskan, selalunya untuk kelas dokumen tertentu.
Ini adalah perubahan ketara dalam tujuan dan skala. Pembacaan optik menjadi kaedah input untuk pengkomputeran perniagaan. Kejayaan bergantung pada pemprosesan beban kerja yang ditentukan secara konsisten, bukannya menunjukkan bahawa mesin boleh mengecam beberapa aksara di bawah keadaan makmal.
Fon piawai menjadikan teks bercetak lebih mudah dicam
Satu cara untuk meningkatkan pengecaman adalah dengan menjadikan input lebih boleh diramal. Jenis muka taip yang boleh dibaca mesin seperti OCR-A dan OCR-B menggunakan bentuk aksara dan keperluan percetakan yang ditetapkan, mengurangkan variasi yang perlu dikendalikan oleh pembaca. OCR-B muncul dalam piawaian ECMA-11 pada 1965, dengan edisi kemudian memperhalusi spesifikasi tersebut. Penyeragaman membantu peralatan dan dokumen bercetak berfungsi bersama dengan lebih konsisten.
Pendekatan ini meletakkan sebahagian daripada usaha kejuruteraan pada dokumen itu sendiri. Muka taip yang dikawal ketat boleh menjadikan angka lebih mudah dibezakan daripada angka lain, manakala dimensi dan jarak yang ditetapkan mengurangkan ketidakpastian semasa pengimbasan. Pertukarannya ialah fleksibiliti: pembaca yang direka di sekitar cetakan terkawal tidak dapat mengendalikan setiap surat khabar, buku atau nota tulisan tangan secara automatik.
Pengecaman aksara optik juga harus dibezakan daripada pengecaman aksara dakwat magnetik, atau MICR. Kedua-duanya menyokong automasi dokumen, tetapi MICR mengesan aksara yang boleh dibaca secara magnetik, manakala OCR mentafsir imej visualnya. Kedua-dua teknologi berkembang bersama; ia bukan nama berbeza untuk proses pembacaan yang sama.
Pengecaman omnifont menjadikan cetakan biasa dalam jangkauan
Cita-cita seterusnya ialah membaca bahan yang tidak dicetak khas untuk mesin. Pengecaman omnifont bertujuan untuk mengendalikan pelbagai muka taip biasa, mengurangkan pergantungan pada satu abjad yang ditetapkan. Nama itu menggambarkan arah kemajuan tersebut; ia tidak bermakna setiap fon, imbasan atau susun atur halaman boleh dibaca tanpa ralat.
Satu peristiwa penting ialah mesin membaca yang diperkenalkan oleh Ray Kurzweil dan pasukannya pada 13 Januari 1976. Dalam sejarah lisan beliau untuk American Foundation for the Blind, Kurzweil menerangkan gabungan pengimbasan, pengecaman aksara dan pertuturan sintetik. Bersama-sama, komponen tersebut membolehkan bahan bercetak menjadi output pertuturan, menghubungkan pengecaman dengan pengalaman membaca yang lengkap.
Kemajuan asas yang sama juga menyokong kemasukan data komersial. Nilai OCR semakin bergantung pada pengendalian dokumen sedia ada, bukan sekadar dokumen yang direka di sekitar batasan pembaca. Pada masa yang sama, sistem ini menunjukkan mengapa mengecam huruf individu tidak mencukupi: perkataan perlu disusun dalam susunan yang berguna sebelum ia boleh dibaca dengan kuat atau digunakan semula.
Pengimbasan dan OCR menjadi sebahagian daripada aliran kerja desktop
Apabila komputer peribadi dan pengimbas desktop berkembang, OCR bergerak melangkaui pemasangan pembacaan khusus. Penilaian Agensi Perlindungan Alam Sekitar AS 1990 terhadap pengimbas desktop sudah menganggap pengecaman teks sebagai keupayaan pejabat yang praktikal, membandingkan peralatan dan perisian untuk menukar kertas kepada fail komputer yang boleh digunakan. Mengimbas halaman dan memindahkan teksnya ke dalam pemproses perkataan menjadi aliran kerja yang semakin mudah didekati.
Perisian perlu melakukan lebih daripada sekadar mengelaskan aksara terpencil. Ia perlu memisahkan teks daripada gambar, mengenal pasti baris dan lajur, mengimbangi imbasan yang senget dan memutuskan cara untuk mewakili halaman dalam dokumen yang boleh disunting. Pembersihan imej, analisis susun atur, kamus dan semakan kontekstual menjadi bahagian penting dalam keseluruhan proses pengecaman. Halaman boleh mengandungi kebanyakannya huruf yang betul namun masih memerlukan pembaikan yang besar jika lajurnya bercampur aduk.
Pengenalan PDF dalam 1993 menambah cara mudah alih untuk menukar dokumen berasaskan halaman. PDF merupakan format dokumen, bukan kaedah pengecaman, tetapi ia menyediakan tempat yang berguna untuk halaman yang diimbas dan teks yang berkaitan. Memelihara penampilan halaman dan menjadikan kandungannya boleh dicari kini boleh menjadi matlamat yang saling melengkapi.
Penyelidikan tulisan tangan dan rangkaian saraf mengubah pengecaman
Di samping penggunaan desktop, penyelidik menambah baik pengecaman tulisan yang kurang boleh diramal. Program OCR NIST dari 1989 hingga 1998 merangkumi borang dan aplikasi tulisan tangan yang melibatkan Biro Banci AS dan IRS. Set data awam dan sistem rujukan memungkinkan untuk membandingkan kaedah berdasarkan contoh yang dikongsi, bukannya hanya bergantung pada demonstrasi dengan halaman yang dipilih dengan teliti.
Pengecaman saraf sudah menjadi bahagian penting dalam kerja ini. Kertas 1998 Gradient-Based Learning Applied to Document Recognition menerangkan rangkaian konvolusi yang mempelajari ciri visual berguna daripada contoh, bersama-sama dengan kaedah untuk menggabungkan pengecaman, segmentasi dan kekangan bahasa. Ini melanjutkan sejarah luas pengecaman corak statistik; OCR terdahulu juga menyertakan kaedah selain daripada pemadanan templat mudah.
Pembelajaran daripada contoh menawarkan cara untuk menampung variasi dalam strok dan bentuk aksara. Ia juga menjadikan data latihan dan penilaian lebih penting. Sistem boleh berfungsi dengan baik pada digit tulisan tangan terpencil namun bergelut dengan tulisan tangan bersambung atau borang yang tidak biasa. Kemajuan dalam satu tugas pengecaman adalah berharga tanpa perlu menyelesaikan setiap jenis dokumen lain secara automatik.
Koleksi digital yang besar menjadikan OCR sebagai alat penemuan
Projek pendigitalan meluaskan peranan OCR daripada menggunakan semula halaman kepada mencari maklumat merentas keseluruhan koleksi. Perpustakaan dan arkib boleh memelihara imej surat khabar, buku dan rekod sambil mengindeks teks yang dicamkan. Perpustakaan Kongres melancarkan Chronicling America pada Mac 2007, memberikan penyelidik sumber yang boleh dicari untuk surat khabar sejarah.
Ini mengubah cara orang mendekati arkib. Nama, tempat atau frasa boleh membawa terus ke halaman yang berkaitan tanpa memerlukan pembaca memeriksa setiap isu. OCR menjadi sebahagian daripada sistem pengimbasan, metadata, pengindeksan dan perolehan yang lebih besar. Kegunaannya tidak lagi diukur hanya dengan sejauh mana dokumen yang dieksport menyerupai sumbernya.
Bahan sejarah juga mendedahkan kelemahan yang berterusan: kertas rosak, muka taip lama, jarak tidak sekata dan lajur yang kompleks. Ralat pengecaman boleh menyembunyikan hasil carian yang berkaitan atau menghasilkan padanan yang mengelirukan. Menyimpan halaman asal bersama teks yang dijana mesin membolehkan pembaca mengesahkan penemuan, dan menjadikan pengecaman yang dipertingkatkan sebagai cara untuk memperkayakan koleksi digital sedia ada tanpa perlu mengimbas semula setiap item.
Membaca keseluruhan urutan tanpa memisahkan setiap aksara
Kesukaran yang lama dalam pengecaman tulisan tangan ialah menentukan di mana satu aksara berakhir dan yang seterusnya bermula. Strok bersambung dan huruf yang bertindih menjadikan proses potong-kemudian-kelaskan yang ketat menjadi rapuh. Kaedah urutan statistik, termasuk model Markov tersembunyi, telah pun menangani masalah ini. Rangkaian saraf berulang menawarkan cara lain untuk menggunakan maklumat berjiran semasa mentafsir baris. Rangkaian memori jangka pendek panjang (LSTM), sejenis rangkaian berulang, membantu mengekalkan konteks merentas urutan dan bukannya menilai setiap kawasan kecil secara bebas.
Connectionist Temporal Classification, yang diperkenalkan dalam 2006, menyediakan kaedah latihan untuk memadankan urutan input kepada label teks tanpa memerlukan kedudukan setiap aksara ditanda terlebih dahulu. Kertas asal menilai pertuturan, manakala kerja seterusnya menggunakan pendekatan tersebut pada tulisan tangan. Kertas 2009 menggabungkan latihan urutan dengan rangkaian berulang yang menggunakan konteks dari kedua-dua arah untuk mengecam baris tulisan tangan yang tidak terhad.
Ini mengurangkan pergantungan pada segmentasi aksara-demi-aksara yang sempurna dan membantu menjadikan pengecaman peringkat baris lebih praktikal. Ia tidak membuang setiap langkah penyediaan: sistem mungkin masih perlu mencari teks, mengenal pasti baris dan mengendalikan orientasi halaman. Perubahan penting ialah pengecaman boleh mempelajari penjajaran antara urutan imej dan transkripnya dan bukannya menerima setiap sempadan aksara terlebih dahulu.
Pembelajaran mendalam membawa OCR melangkaui pengimbas katil rata
Teks yang difoto meluaskan lagi masalah tersebut. Resit di atas meja, papan tanda kedai atau halaman yang ditangkap pada sudut tertentu boleh mengandungi bayang-bayang, herotan perspektif dan latar belakang yang mengganggu. Sebelum mengecam perkataan, sistem perlu mencarinya. Oleh itu, pengesanan teks dan pengecaman teks menjadi tugas penyelidikan yang berkait rapat, dengan kaitan praktikal kepada pembacaan dan penterjemahan berasaskan kamera.
Pembelajaran mendalam menambah baik kedua-dua peringkat. Kertas teks pemandangan 2015 menggabungkan ciri imej konvolusi, pemprosesan urutan berulang dan transkripsi dalam satu sistem pengecaman yang boleh dilatih. Daripada melayan pengekstrakan ciri dan pembacaan sebagai komponen buatan tangan yang berasingan sepenuhnya, penyelidik boleh mengoptimumkannya bersama-sama. Pendekatan ini juga mengendalikan perkataan dengan panjang yang berbeza tanpa perlu mengasingkan setiap huruf terlebih dahulu.
Penanda aras semakin mencerminkan keadaan tangkapan yang tidak terkawal. Pertandingan Bacaan Teguh ICDAR 2015 menambah teks pemandangan sampingan, meluaskan penilaian melangkaui imej yang dibingkai dengan sengaja di sekitar perkataan yang boleh dibaca. Ini menggalakkan sistem yang boleh menangani teks yang ditemui orang dalam gambar harian. Ia juga menjelaskan bahawa prestasi pada dokumen yang diimbas bersih tidak menggambarkan sepenuhnya keupayaan pembaca dalam dunia visual yang lebih luas.
Data latihan sintetik dan penanda aras berbilang bahasa meluaskan liputan
Kaedah pembelajaran yang lebih baik juga memerlukan contoh yang lebih pelbagai. Imej latihan sintetik membolehkan penyelidik menjana teks dalam fon, saiz, warna dan latar belakang yang berbeza tanpa melabelkan setiap gambar baharu secara manual. Penyelidikan Oxford yang diterbitkan dalam 2016 meletakkan teks tiruan ke dalam pemandangan sebenar sambil mengambil kira geometrinya, menyediakan sejumlah besar bahan latihan untuk pengesanan teks. Contoh yang dijana melengkapkan imej sebenar dengan menjadikan variasi tertentu lebih mudah dihasilkan secara berskala.
Penilaian berbilang bahasa berkembang secara selari. Cabaran berbilang bahasa ICDAR 2017 merangkumi sembilan bahasa yang mewakili enam skrip; penggantinya 2019 menambah bahasa dan tugas pengecaman hujung-ke-hujung. Penanda aras ini membawa skrip campuran, orientasi berbeza dan rangkaian sistem penulisan yang lebih luas ke dalam tetapan penilaian yang sama.
Pengajaran yang lebih luas ialah sokongan bahasa melibatkan lebih daripada sekadar menambah aksara pada abjad. Sistem memerlukan contoh latihan yang sesuai dan kaedah yang boleh menangani struktur aksara, tulisan bersambung dan arah bacaan yang berbeza. Set data yang dikongsi menjadikan perbezaan sedemikian lebih mudah diukur, sambil turut mendedahkan jurang antara prestasi pada bahasa yang diwakili dengan baik dan pada bahan yang kurang biasa.
Pembelajaran berasaskan perhatian dan susun atur menghubungkan perkataan dengan struktur halaman
Seni bina transformer, yang diperkenalkan dalam 2017 untuk tugas bahasa, menyediakan cara yang berkuasa untuk memodelkan hubungan merentas urutan melalui perhatian. Kepentingannya kepada OCR berkembang melalui aplikasi kemudiannya pada pengecaman teks dan analisis dokumen. Perhatian membolehkan sistem menimbang bahagian input yang berkaitan semasa menghasilkan hasil, menambah pendekatan lain di samping rangkaian konvolusi dan berulang.
Penyelidikan dokumen juga melihat melangkaui transkrip biasa. Satu kajian yang diserahkan pada Disember 2019 dan diterbitkan pada 2020 menggabungkan teks yang dikenali dengan kedudukan halamannya semasa pra-latihan, kemudian menggabungkan ciri visual apabila menyesuaikan sistem dengan tugas dokumen tertentu. Lokasi adalah penting kerana perkataan yang sama boleh memainkan peranan berbeza dalam tajuk, blok alamat atau baris borang.
Ini membantu menghubungkan pengecaman dengan tugas seperti klasifikasi dokumen dan pengekstrakan maklumat. Membaca nombor dan mengenal pastinya sebagai jumlah invois adalah operasi yang berkaitan tetapi berbeza; struktur halaman memberikan petunjuk untuk yang kedua. Kaedah yang peka dengan susun atur tidak menjadikan OCR tidak perlu. Ia menawarkan cara untuk menggunakan outputnya bersama-sama dengan bukti visual di sekeliling, menggerakkan pemprosesan dokumen ke arah hubungan antara elemen dan bukannya aliran perkataan tunggal.
Transformer membaca teks dan menjana hasil dokumen secara terus
Menjelang 2021, penyelidik telah menggunakan transformer imej dan teks yang telah dilatih terlebih dahulu secara terus untuk pengecaman. Satu pendekatan yang diterbitkan menggandingkan pengekod imej dengan penyahkod teks dan menilai teks bercetak, tulisan tangan dan teks pemandangan. Pra-latihan pada koleksi besar, diikuti dengan latihan untuk tugas yang lebih khusus, menawarkan laluan lain untuk mempelajari corak visual dan menghasilkan urutan aksara atau perkataan yang koheren.
Satu lagi bidang kerja meneroka penjanaan hasil dokumen berstruktur daripada imej tanpa terlebih dahulu menjalankan enjin OCR konvensional yang bebas. Penyelidikan yang diperkenalkan pada akhir 2021 dan disemak pada 2022 menunjukkan pendekatan ini untuk pemahaman dokumen. Istilah OCR-free dalam kerja itu menerangkan ketiadaan peringkat OCR yang berasingan; sistem masih perlu memperoleh maklumat bertulis yang berkaitan daripada imej.
Perkembangan ini meluaskan seni bina yang tersedia. Sistem pemprosesan mungkin mengecam teks dan kemudian menganalisisnya, atau melatih model untuk menghasilkan hasil yang diminta secara terus. Tiada susunan yang menjamin output yang tepat pada setiap halaman. Pilihan tersebut mengubah tempat ralat boleh berlaku, cara hasil diperiksa dan betapa mudahnya bukti perantaraan, seperti perkataan yang dikenali dan kedudukannya, boleh dikekalkan.
Sistem berbilang mod meluaskan pembacaan dokumen dan menimbulkan ujian baharu
Sistem berbilang mod terkini menggabungkan pemprosesan imej dan penjanaan bahasa, membolehkan teks dokumen mengambil bahagian dalam interaksi yang lebih luas. Bergantung pada sistem dan tugas, pengguna mungkin meminta transkripsi, bertanya soalan tentang halaman atau mengekstrak medan tertentu. Pengecaman semakin berada dalam aliran kerja dokumen yang lebih besar, manakala OCR khusus kekal berguna apabila keperluan utama ialah transkrip yang tepat dan boleh diperiksa.
Penilaian telah berkembang dengan sewajarnya. OCRBench, yang diperkenalkan pada 2023, mempertimbangkan pengecaman bersama soalan dokumen, pengekstrakan maklumat dan ungkapan matematik tulisan tangan. Penggantinya, yang dikeluarkan pada akhir 2024 dan disemak pada 2025, memeriksa set teks visual dan tugas penaakulan yang lebih luas. Had yang dilaporkan termasuk perincian halus, susun atur, elemen kompleks dan teks yang kurang biasa, menunjukkan sebab tuntutan ketepatan tunggal tidak dapat merangkumi setiap keperluan pembacaan dokumen.
Keupayaan yang lebih luas ini juga menjadikan tujuan output lebih penting. Penjelasan yang membantu mungkin berupa parafrasa, manakala transkrip yang setia mesti mengekalkan apa yang sebenarnya dikatakan oleh halaman tersebut. Perkataan yang fasih tidak dapat memastikan bahawa nama, jumlah atau petikan telah dibaca dengan betul. Sistem memerlukan penilaian yang sesuai dengan tugas, sama ada itu bermakna ketepatan aksara, urutan bacaan, struktur jadual atau ketepatan medan yang diekstrak.
Sepanjang abad ini, arah kemajuan adalah ke arah input yang kurang terkawal dan output yang lebih berguna: daripada aksara yang ditetapkan kepada cetakan biasa, tulisan tangan, gambar dan dokumen kompleks. Pendekatan baharu terus menyertai pendekatan yang sedia ada. Cabaran utama kekal boleh dikenali: menukar bukti visual kepada maklumat yang boleh dipercayai sambil mengekalkan butiran yang penting.