Fail dan output
Mulakan dengan kandungan fail tersebut. PDF boleh mengandungi imej, teks berkod atau kedua-duanya; nama failnya tidak memberitahu anda sama ada perkataannya boleh dipilih.
OCR — pengecaman aksara optik
Proses mengenal pasti aksara yang kelihatan dalam imej dan mewakilinya sebagai teks berkod. Ia membolehkan anda menggunakan semula perkataan daripada imbasan atau foto; hasil yang dikenali mungkin masih memerlukan pembetulan.
PDF yang diimbas
PDF yang halamannya termasuk imej dokumen yang diimbas atau difoto. Sesetengah PDF yang diimbas juga mempunyai lapisan teks OCR, manakala yang lain hanya mengandungi imej.
PDF digital asal
PDF yang dicipta terus daripada kandungan digital, seperti editor dokumen, dan bukannya dengan mengimbas kertas. Ia sering mengandungi teks sebenar, walaupun pemilihan dan pengekstrakan masih boleh dipengaruhi oleh cara ia dihasilkan.
Boleh dicari PDF
PDF yang mengandungi teks yang boleh dicari oleh pembaca. Halaman yang diimbas boleh menjadi boleh dicari apabila teks yang dikenali ditambah di samping imejnya. Kebolehcarian dengan sendirinya tidak menjamin ketepatan atau kebolehcapaian.
Lapisan teks
Teks berkod yang disimpan dalam PDF. Pada halaman yang diimbas, ia mungkin tidak kelihatan dan diletakkan di atas atau di bawah imej supaya pemilihan dan carian berfungsi sementara penampilan asal kekal kelihatan.
Struktur halaman
Pengecam mesti melakukan lebih daripada sekadar mengenal pasti huruf. Ia juga mesti memutuskan tanda mana yang tergolong bersama dan bagaimana pembaca harus bergerak melaluinya.
Analisis susun atur
Mengenal pasti kawasan seperti perenggan, tajuk, imej dan jadual. Mengenal pasti perkataan dalam jadual dan mengekalkan struktur baris-dan-lajur adalah tugas yang berkaitan tetapi berbeza.
Urutan bacaan
Urutan teks yang dimaksudkan. Artikel dua lajur biasanya harus mengikut satu lajur sebelum meneruskan ke lajur seterusnya, bukannya berselang-seli merentasi kedua-duanya. Perkataan yang betul dalam urutan yang salah boleh menghasilkan transkrip yang tidak boleh digunakan.
Segmentasi
Membahagikan halaman kepada unit yang lebih kecil seperti kawasan teks, baris atau aksara. Sempadan yang salah boleh mencantumkan perkataan yang bersebelahan, memisahkan aksara atau mencampurkan bahagian halaman yang tidak berkaitan.
RTL — teks kanan-ke-kiri
Teks dalam skrip seperti Arab atau Ibrani yang biasanya mengalir dari kanan ke kiri. Nombor dan teks Latin yang disematkan boleh mengikut arah yang berbeza. Urutan paparan dan urutan aksara yang disimpan tidak semestinya sama.
Penyediaan imej
Penyediaan mengubah cara tanda sedia ada dipersembahkan kepada pengecaman. Ia tidak dapat mewujudkan teks yang tidak lagi terkandung dalam imej sumber.
PPI dan DPI
Pixels per inch menerangkan pensampelan imej pada saiz fizikal; dots per inch menerangkan ketumpatan titik bercetak. Tetapan imbasan sering menggunakan DPI secara tidak rasmi. Menukar nilai yang disimpan sahaja tidak menambah perincian pada imej sedia ada.
Deskew (Pembetulan senget)
Membetulkan sedikit kecondongan supaya baris teks menjadi lebih mendatar. Ia berbeza daripada memutar halaman yang terbalik atau membetulkan perspektif gambar yang diambil pada sudut tertentu.
Binarisasi
Menukar imej kepada piksel hitam dan putih menggunakan ambang atau peraturan keputusan lain. Ia mungkin memudahkan halaman yang jelas, tetapi juga boleh menghilangkan tanda yang pudar atau mencantumkan strok yang berdekatan.
Pra-pemprosesan
Pelarasan imej yang dibuat sebelum pengecaman, seperti pembetulan orientasi, pemangkasan atau perubahan kontras. Pelarasan yang berguna meningkatkan tanda yang boleh dikenali tanpa membuang tanda baca, aksen atau perincian bermakna yang lain.
Pengecaman dan semakan
Penilaian menerangkan tugas dan set data tertentu. Baca definisi skor sebelum membandingkannya dengan hasil lain atau menggunakannya untuk menilai dokumen anda sendiri.
Pengecaman tulisan tangan
Pengecaman aksara atau perkataan tulisan tangan. Huruf yang bersambung, singkatan peribadi dan bentuk khusus penulis menjadikannya cabaran yang berbeza daripada teks bercetak yang jelas.
Skor keyakinan
Anggaran yang mungkin dilampirkan oleh sistem pengecaman pada ramalan. Maksudnya bergantung pada sistem dan penentukuran. Ia bukan secara automatik kebarangkalian bahawa keseluruhan dokumen adalah betul.
CER — kadar ralat aksara
Perbandingan teks yang dikenali dengan rujukan yang disemak, berdasarkan sisipan, pemadaman dan penggantian aksara berbanding panjang rujukan. Lebih rendah adalah lebih baik. CER yang rendah masih boleh menyembunyikan ralat penting dalam nama atau nombor.
WER — kadar ralat perkataan
Perbandingan yang serupa pada peringkat perkataan. Satu aksara yang salah boleh menyebabkan keseluruhan perkataan dikira sebagai salah. Oleh itu, WER dan CER menerangkan aspek transkrip yang berbeza dan tidak boleh dianggap sebagai boleh ditukar ganti.
Kebenaran asas (Ground truth)
Rujukan yang disemak yang digunakan untuk menilai pengecaman. Konvensyen transkripsinya penting: cara ia mengendalikan tanda baca, ejaan, ruang dan teks yang tidak boleh dibaca mempengaruhi perbandingan. Rujukan yang cacat boleh menghasilkan skor yang mengelirukan.
Soalan dan jawapan
Adakah OCR sama dengan terjemahan?
Tidak. OCR membaca teks yang kelihatan ke dalam bentuk yang boleh diedit. Terjemahan menyatakan teks dalam bahasa lain. Menyemak pengecaman terlebih dahulu membantu mengelakkan penterjemahan sumber yang tersalah baca.
Adakah muat turun Word merupakan salinan susun atur asal?
Tidak semestinya. Dokumen yang boleh diedit boleh mengandungi teks yang dikenali tanpa mengekalkan jadual, jarak atau reka bentuk halaman sumber. Semak output berbanding yang asal apabila susun atur adalah penting.
Mengapa dua skor ketepatan boleh berbeza?
Ia mungkin menggunakan dokumen, konvensyen rujukan atau ukuran yang berbeza. Ralat aksara, ralat perkataan, kawasan yang ditinggalkan dan masalah urutan bacaan bukanlah perkara yang sama.