ไฟล์และผลลัพธ์
เริ่มต้นจากสิ่งที่ไฟล์บรรจุอยู่ PDF สามารถเก็บรูปภาพ ข้อความที่เข้ารหัส หรือทั้งสองอย่าง ชื่อไฟล์ไม่ได้บอกคุณว่าคำในนั้นสามารถเลือกได้หรือไม่
OCR — การจดจำอักขระด้วยแสง
กระบวนการระบุตัวอักษรที่มองเห็นในรูปภาพและแสดงผลเป็นข้อความที่เข้ารหัส ช่วยให้คุณนำคำจากงานสแกนหรือภาพถ่ายมาใช้ใหม่ได้ ผลลัพธ์ที่จดจำได้อาจยังต้องมีการแก้ไข
PDF ที่สแกน
PDF ที่หน้าเอกสารประกอบด้วยรูปภาพเอกสารที่สแกนหรือถ่ายไว้ PDF ที่สแกนบางไฟล์อาจมีเลเยอร์ข้อความ OCR ในขณะที่บางไฟล์มีเพียงรูปภาพเท่านั้น
PDF ที่สร้างจากดิจิทัล
PDF ที่สร้างขึ้นโดยตรงจากเนื้อหาดิจิทัล เช่น โปรแกรมแก้ไขเอกสาร แทนที่จะมาจากการสแกนกระดาษ มักจะมีข้อความจริงอยู่ แม้ว่าการเลือกและการคัดลอกข้อความอาจยังได้รับผลกระทบจากวิธีการสร้างไฟล์นั้นๆ
PDF ที่ค้นหาได้
PDF ที่มีข้อความซึ่งผู้อ่านสามารถค้นหาได้ หน้าที่สแกนสามารถค้นหาได้เมื่อมีการเพิ่มข้อความที่จดจำได้ควบคู่ไปกับรูปภาพ ความสามารถในการค้นหาไม่ได้การันตีความแม่นยำหรือการเข้าถึงได้ด้วยตัวมันเอง
เลเยอร์ข้อความ
ข้อความที่เข้ารหัสซึ่งจัดเก็บไว้ใน PDF บนหน้าที่สแกน ข้อความนี้อาจมองไม่เห็นและถูกวางไว้เหนือหรือใต้รูปภาพเพื่อให้การเลือกและการค้นหาทำงานได้ในขณะที่ยังคงรูปลักษณ์เดิมไว้
โครงสร้างหน้ากระดาษ
ระบบจดจำต้องทำมากกว่าแค่ระบุตัวอักษร แต่ยังต้องตัดสินใจว่าเครื่องหมายใดเป็นส่วนเดียวกันและผู้อ่านควรอ่านอย่างไร
การวิเคราะห์เค้าโครง
การระบุพื้นที่ต่างๆ เช่น ย่อหน้า หัวข้อ รูปภาพ และตาราง การจดจำคำในตารางและการรักษาโครงสร้างแถวและคอลัมน์เป็นงานที่เกี่ยวข้องกันแต่แยกจากกัน
ลำดับการอ่าน
ลำดับของข้อความที่ตั้งใจไว้ บทความสองคอลัมน์ควรจะอ่านคอลัมน์หนึ่งให้จบก่อนจะไปต่อยังคอลัมน์ถัดไป แทนที่จะสลับไปมาระหว่างทั้งสองคอลัมน์ คำที่ถูกต้องแต่อยู่ผิดลำดับอาจทำให้ได้ข้อความที่ไม่สามารถนำไปใช้งานได้
การแบ่งส่วน
การแบ่งหน้ากระดาษออกเป็นหน่วยย่อย เช่น พื้นที่ข้อความ บรรทัด หรือตัวอักษร ขอบเขตที่ไม่ถูกต้องอาจทำให้คำที่อยู่ติดกันรวมกัน ตัวอักษรถูกแยก หรือส่วนที่ไม่เกี่ยวข้องกันของหน้ากระดาษปนกัน
RTL — ข้อความจากขวาไปซ้าย
ข้อความในสคริปต์ เช่น ภาษาอาหรับหรือภาษาฮีบรู ซึ่งโดยทั่วไปจะไหลจากขวาไปซ้าย ตัวเลขและข้อความภาษาละตินที่แทรกอยู่สามารถมีทิศทางที่แตกต่างกันได้ ลำดับการแสดงผลและลำดับตัวอักษรที่จัดเก็บไม่จำเป็นต้องเหมือนกัน
การเตรียมรูปภาพ
การเตรียมการจะเปลี่ยนวิธีการนำเสนอเครื่องหมายที่มีอยู่ให้กับระบบจดจำ ไม่สามารถสร้างข้อความที่รูปภาพต้นฉบับไม่มีอยู่แล้วขึ้นมาได้
PPI และ DPI
Pixels per inch อธิบายการสุ่มตัวอย่างรูปภาพที่ขนาดทางกายภาพ ส่วน Dots per inch อธิบายความหนาแน่นของจุดที่พิมพ์ การตั้งค่าการสแกนมักใช้ DPI อย่างไม่เป็นทางการ การเปลี่ยนค่าที่จัดเก็บเพียงอย่างเดียวไม่สามารถเพิ่มรายละเอียดให้กับรูปภาพที่มีอยู่ได้
การแก้ไขความเอียง (Deskew)
การแก้ไขความเอียงเล็กน้อยเพื่อให้บรรทัดข้อความอยู่ในแนวราบมากขึ้น ซึ่งแตกต่างจากการหมุนหน้ากระดาษที่กลับหัวหรือการแก้ไขมุมมองของภาพถ่ายที่ถ่ายในมุมเอียง
การทำภาพขาวดำ (Binarization)
การแปลงรูปภาพเป็นพิกเซลขาวดำโดยใช้เกณฑ์หรือกฎการตัดสินใจอื่น อาจทำให้หน้ากระดาษที่ชัดเจนดูง่ายขึ้น แต่อาจทำให้เครื่องหมายที่จางหายไปหรือเส้นที่อยู่ใกล้กันรวมกันได้
การประมวลผลล่วงหน้า
การปรับแต่งรูปภาพก่อนการจดจำ เช่น การแก้ไขการวางแนว การครอบตัด หรือการเปลี่ยนความคมชัด การปรับแต่งที่มีประโยชน์จะช่วยปรับปรุงเครื่องหมายที่จดจำได้โดยไม่ลบเครื่องหมายวรรคตอน เครื่องหมายกำกับเสียง หรือรายละเอียดที่มีความหมายอื่นๆ
การจดจำและการตรวจสอบ
การประเมินจะอธิบายถึงงานและชุดข้อมูลเฉพาะ โปรดอ่านคำจำกัดความของคะแนนก่อนที่จะเปรียบเทียบกับผลลัพธ์อื่นหรือใช้เพื่อตัดสินเอกสารของคุณเอง
การจดจำลายมือ
การจดจำตัวอักษรหรือคำที่เขียนด้วยลายมือ ตัวอักษรที่เชื่อมต่อกัน ตัวย่อส่วนบุคคล และรูปทรงเฉพาะของผู้เขียนทำให้เป็นความท้าทายที่แตกต่างจากข้อความพิมพ์ที่ชัดเจน
คะแนนความมั่นใจ
ค่าประมาณที่ระบบจดจำอาจแนบมากับการคาดการณ์ ความหมายขึ้นอยู่กับระบบและการปรับเทียบ ไม่ใช่ความน่าจะเป็นที่เอกสารทั้งฉบับจะถูกต้องโดยอัตโนมัติ
CER — อัตราความผิดพลาดของตัวอักษร
การเปรียบเทียบข้อความที่จดจำได้กับข้อมูลอ้างอิงที่ตรวจสอบแล้ว โดยอิงจากการแทรก การลบ และการแทนที่ตัวอักษรเมื่อเทียบกับความยาวของข้อมูลอ้างอิง ยิ่งต่ำยิ่งดี CER ที่ต่ำยังอาจซ่อนข้อผิดพลาดสำคัญในชื่อหรือตัวเลขได้
WER — อัตราความผิดพลาดของคำ
การเปรียบเทียบที่คล้ายกันในระดับคำ ตัวอักษรที่ไม่ถูกต้องเพียงตัวเดียวอาจทำให้ทั้งคำนับว่าผิด ดังนั้น WER และ CER จึงอธิบายแง่มุมที่แตกต่างกันของข้อความและไม่ควรนำมาใช้แทนกัน
ความจริงพื้นฐาน (Ground truth)
ข้อมูลอ้างอิงที่ตรวจสอบแล้วซึ่งใช้ในการประเมินการจดจำ ข้อตกลงในการถอดความมีความสำคัญ: วิธีจัดการกับเครื่องหมายวรรคตอน การสะกดคำ ช่องว่าง และข้อความที่อ่านไม่ออกส่งผลต่อการเปรียบเทียบ ข้อมูลอ้างอิงที่มีข้อบกพร่องอาจทำให้ได้คะแนนที่ทำให้เข้าใจผิด
คำถามและคำตอบ
OCR เหมือนกับการแปลหรือไม่?
ไม่เหมือนกัน OCR อ่านข้อความที่มองเห็นให้อยู่ในรูปแบบที่แก้ไขได้ การแปลคือการแสดงข้อความในอีกภาษาหนึ่ง การตรวจสอบการจดจำก่อนจะช่วยหลีกเลี่ยงการแปลต้นฉบับที่อ่านผิด
การดาวน์โหลดไฟล์ Word เป็นสำเนาของเค้าโครงต้นฉบับหรือไม่?
ไม่จำเป็นเสมอไป เอกสารที่แก้ไขได้สามารถมีข้อความที่จดจำได้โดยไม่ต้องรักษาตาราง ระยะห่าง หรือการออกแบบหน้ากระดาษของต้นฉบับไว้ ให้ตรวจสอบผลลัพธ์เทียบกับต้นฉบับเมื่อเค้าโครงมีความสำคัญ
ทำไมคะแนนความแม่นยำสองคะแนนถึงไม่ตรงกัน?
อาจเป็นเพราะใช้เอกสาร ข้อตกลงอ้างอิง หรือการวัดผลที่แตกต่างกัน ข้อผิดพลาดของตัวอักษร ข้อผิดพลาดของคำ พื้นที่ที่ถูกละเว้น และปัญหาลำดับการอ่านไม่ใช่สิ่งเดียวกัน