Fișiere și rezultate
Începeți cu ceea ce conține fișierul. Un PDF poate conține imagini, text codificat sau ambele; numele fișierului nu vă spune dacă cuvintele sale pot fi selectate.
OCR — recunoașterea optică a caracterelor
Procesul de identificare a caracterelor vizibile dintr-o imagine și reprezentarea lor ca text codificat. Vă permite să reutilizați cuvintele dintr-o scanare sau fotografie; rezultatul recunoscut poate necesita totuși corecții.
PDF scanat
Un PDF ale cărui pagini includ imagini scanate sau fotografiate ale documentelor. Unele PDF-uri scanate au și un strat de text OCR, în timp ce altele conțin doar imagini.
PDF creat digital
Un PDF creat direct din conținut digital, cum ar fi un editor de documente, mai degrabă decât prin scanarea hârtiei. Acesta conține adesea text propriu-zis, deși selecția și extragerea pot fi totuși afectate de modul în care a fost produs.
PDF căutabil
Un PDF care conține text pe care un cititor îl poate căuta. O pagină scanată poate deveni căutabilă atunci când textul recunoscut este adăugat alături de imaginea sa. Căutabilitatea nu garantează prin ea însăși precizia sau accesibilitatea.
Strat de text
Textul codificat stocat într-un PDF. Pe o pagină scanată, acesta poate fi invizibil și poziționat peste sau sub imagine, astfel încât selecția și căutarea să funcționeze în timp ce aspectul original rămâne vizibil.
Structura paginii
Un sistem de recunoaștere trebuie să facă mai mult decât să identifice literele. Trebuie, de asemenea, să decidă ce semne aparțin împreună și cum ar trebui cititorul să parcurgă textul.
Analiza aspectului (layout)
Identificarea regiunilor precum paragrafele, titlurile, imaginile și tabelele. Recunoașterea cuvintelor dintr-un tabel și păstrarea structurii sale de rânduri și coloane sunt sarcini conexe, dar distincte.
Ordine de citire
Secvența intenționată a textului. Un articol pe două coloane ar trebui, în mod normal, să urmeze o coloană înainte de a continua în următoarea, în loc să alterneze între ambele. Cuvintele corecte în ordinea greșită pot produce o transcriere inutilizabilă.
Segmentare
Împărțirea unei pagini în unități mai mici, cum ar fi regiuni de text, linii sau caractere. Limitele incorecte pot uni cuvinte învecinate, pot despărți un caracter sau pot amesteca părți neînrudite ale unei pagini.
RTL — text de la dreapta la stânga
Text în scripturi precum araba sau ebraica, care curge în general de la dreapta la stânga. Numerele și textul latin încorporat pot urma direcții diferite. Ordinea de afișare și ordinea caracterelor stocate nu sunt neapărat aceleași.
Pregătirea imaginii
Pregătirea modifică modul în care semnele existente sunt prezentate pentru recunoaștere. Aceasta nu poate stabili textul pe care imaginea sursă nu îl mai conține.
PPI și DPI
Pixels per inch (pixeli pe inch) descrie eșantionarea imaginii la o dimensiune fizică; dots per inch (puncte pe inch) descrie densitatea punctelor imprimate. Setările de scanare folosesc adesea DPI în mod informal. Modificarea valorii stocate singură nu adaugă detalii unei imagini existente.
Îndreptare (deskew)
Corectarea unei ușoare înclinări, astfel încât liniile de text să devină mai orizontale. Este diferit de rotirea unei pagini inversate sau de corectarea perspectivei unei fotografii făcute în unghi.
Binarizare
Convertirea unei imagini în pixeli alb-negru folosind un prag sau o altă regulă de decizie. Poate simplifica o pagină clară, dar poate, de asemenea, să piardă semnele palide sau să îmbine liniile apropiate.
Preprocesare
Ajustări ale imaginii efectuate înainte de recunoaștere, cum ar fi corectarea orientării, decuparea sau modificările de contrast. O ajustare utilă îmbunătățește semnele recunoscute fără a elimina punctuația, accentele sau alte detalii semnificative.
Recunoaștere și revizuire
O evaluare descrie o sarcină și un set de date specifice. Citiți definiția unui scor înainte de a-l compara cu un alt rezultat sau de a-l folosi pentru a vă judeca propriile documente.
Recunoașterea scrisului de mână
Recunoașterea caracterelor sau cuvintelor scrise de mână. Literele conectate, abrevierile personale și formele specifice scriitorului fac din aceasta o provocare diferită față de textul tipărit clar.
Scor de încredere
O estimare pe care un sistem de recunoaștere o poate atașa unei predicții. Semnificația sa depinde de sistem și de calibrare. Nu este automat probabilitatea ca un document întreg să fie corect.
CER — rata de eroare a caracterelor
O comparație a textului recunoscut cu o referință verificată, bazată pe inserări, ștergeri și substituiri de caractere în raport cu lungimea referinței. O valoare mai mică este mai bună. Un CER scăzut poate ascunde totuși o eroare importantă într-un nume sau număr.
WER — rata de eroare a cuvintelor
O comparație similară la nivel de cuvânt. Un singur caracter incorect poate face ca un cuvânt întreg să fie considerat greșit. Prin urmare, WER și CER descriu aspecte diferite ale unei transcrieri și nu ar trebui tratate ca fiind interschimbabile.
Adevăr de bază (ground truth)
Referința verificată utilizată pentru a evalua recunoașterea. Convențiile sale de transcriere contează: modul în care gestionează punctuația, ortografia, spațiile și textul ilizibil afectează comparația. O referință defectuoasă poate produce un scor înșelător.
Întrebări și răspunsuri
Este OCR același lucru cu traducerea?
Nu. OCR citește textul vizibil într-o formă editabilă. Traducerea exprimă textul într-o altă limbă. Revizuirea recunoașterii mai întâi ajută la evitarea traducerii unei surse citite greșit.
Este o descărcare Word o copie a aspectului original?
Nu neapărat. Un document editabil poate conține text recunoscut fără a păstra tabelele, spațierea sau designul paginii sursei. Verificați rezultatul față de original atunci când aspectul este important.
De ce pot două scoruri de precizie să difere?
Pot folosi documente, convenții de referință sau măsurători diferite. Erorile de caracter, erorile de cuvânt, regiunile omise și problemele de ordine de citire nu sunt același lucru.