Mga hamon sa OCR: mula sa mahihirap na scan hanggang sa hindi mapagkakatiwalaang teksto

Maaaring magsimula ang mga error bago pa man makilala ang isang salita

Ang paggawa ng isang pahina tungo sa kapaki-pakinabang na teksto ay nagsasangkot ng ilang desisyon. Dapat tukuyin ng isang system ang mga nauugnay na rehiyon, bigyang-kahulugan ang mga marka sa loob nito, at ayusin ang resulta sa isang angkop na pagkakasunod-sunod. Ang mga gawaing ito ay maaaring hawakan ng magkakahiwalay na bahagi o pagsamahin sa isang learned system, ngunit nananatili silang magkakaibang kinakailangan. Ang pagkabigo nang maaga sa proseso ay maaaring makaapekto sa lahat ng susunod.

Isaalang-alang ang isang artikulong may dalawang column na may sulat-kamay na tala sa gilid. Ang mga naka-print na salita ay maaaring madaling makilala, ngunit ang tala ay maaaring mapagkamalang bahagi ng pangunahing teksto at ang mga column ay maaaring maghalo-halo. Hindi malulutas ng spelling check ang problemang iyon. Sa kabaligtaran, ang isang perpektong pagkakaayos na talata ay maaari pa ring maglaman ng maling nabasang pangalan o petsa.

Ang kapaki-pakinabang na pagkakaiba ay nasa pagitan ng nawawalang ebidensya, maling pagkilala, at nawalang istruktura. Ang mas tumpak na pagkilala sa titik ay hindi makakapagbalik ng rehiyong hindi kailanman naisama, at ang mas malinis na layout ay hindi makakapagtatag kung alin sa dalawang malabong karakter ang aktwal na isinulat.

Ang maliliit na karakter at mahinang pag-capture ay naglilimita sa available na ebidensya

Ang pagkilala ay nakadepende sa mga nakikitang pagkakaiba sa pagitan ng mga karakter. Ang labo ay maaaring magsara sa puwang ng isang e, magsama ng mga katabing stroke, o magbura sa pagkakaiba ng kuwit at tuldok. Ang maliit na teksto ay maaaring maglaman ng masyadong kakaunting pixel para mapanatili ang mga pagkakaibang iyon. Ang malakas na compression ay maaaring magdagdag ng mga block pattern at ringing sa paligid ng mga gilid, na nagpapamukhang nababasa ang file sa normal na laki habang sinisira ang mga detalyeng kailangan ng isang recognizer.

Samakatuwid, ang mga sukat ng imahe at laki ng file ay mga hindi kumpletong sukatan ng kalidad. Ang isang malaking litrato ay maaaring maglaman ng maliit at malayong pahina; ang isang high-resolution na scan ay maaari pa ring mawala sa focus. Ang pagpapalit ng label na DPI o pagpapalaki ng isang umiiral na imahe ay hindi nagdaragdag ng bagong sukat ng orihinal na pagkakasulat. Ang gabay sa pag-capture mula sa IMPACT digitization project ay naaayon na nagtatangi sa ordinaryong teksto mula sa napakaliit na print, na nangangailangan ng higit pang detalye.

Ang mas mahusay na pag-capture ay maaaring magbawas ng kawalan ng katiyakang ito kapag available ang orihinal. Gayunpaman, kapag ang isang salita ay natatakpan ng silaw, na-crop, o pisikal na nawawala, walang nakikitang ebidensya para sa bahaging iyon ng transcript. Ang isang enhancement ay maaaring magmungkahi ng kapani-paniwalang hugis, ngunit hindi nito ma-verify ang nawawalang salita.

Ang pag-ikot, perspektibo, at kurbada ng pahina ay lumilikha ng iba't ibang problema

Ang isang pahinang kinuhanan ng litrato sa isang anggulo ay nagpapakita ng higit pa sa problema sa pag-ikot. Ang perspektibo ay maaaring maging sanhi ng pagiging mas makitid ng isang bahagi ng pahina kaysa sa isa pa, habang ang kurbadong ibabaw ng libro ay maaaring magbaluktot ng mga linya malapit sa binding. Ang pahinang nakatagilid, bahagyang nakahilig na scan, at warped na bukas na libro ay nangangailangan ng iba't ibang geometric na pagwawasto. Ang simpleng pag-ikot sa tatlo ay hindi magbubunga ng parehong pagpapabuti.

Ang mga distorsyong ito ay maaaring makagambala sa pagtukoy ng mga linya at paghihiwalay ng mga katabing salita. Malapit sa binding, ang mga karakter ay maaaring mapiga nang magkakasama o bahagyang matakpan ng anino. Ang pananaliksik sa document unwarping ay itinuturing ang pagbawi sa mas patag na view ng pahina bilang sarili nitong gawain dahil ang hugis ng pahina ay nakakaapekto sa kasunod na pagkilala.

Ang geometric na pagwawasto ay mayroon ding mga limitasyon. Ang mas mahusay na alignment ay maaaring magpadali sa pagbibigay-kahulugan sa umiiral na pagkakasulat, ngunit ang paulit-ulit na resampling ay maaaring magpalambot sa maliliit na detalye, at ang pagpapatag ay hindi makakapagbunyag ng tekstong hindi kailanman na-capture. Ang layunin ay isang magagamit na representasyon ng ebidensya, hindi lamang isang pahinang mukhang parihaba.

Ang malabong tinta at mga marka sa background ay nakikipagkumpitensya sa teksto

Hindi bawat madilim na marka ay kabilang sa isang karakter. Ang texture ng papel, mantsa, mga guhit na linya, selyo, at pag-print na nakikita sa kabilang panig ay maaaring magmukhang teksto o tumawid dito. Sa kabilang banda, ang malabong lapis, kupas na tinta, at magaan na bantas ay maaaring mahirap makilala mula sa background. Ang parehong pahina ay maaaring maglaman ng parehong uri ng problema.

Ang paglilinis ng imahe ay nagsasangkot ng mga trade-off. Ang pag-convert ng pahina sa itim at puti ay nangangailangan ng pagpapasya kung aling mga shade ang kabilang sa foreground marks at alin ang kabilang sa background. Ang threshold na nag-aalis ng maputlang texture ng papel ay maaaring magbura rin ng decimal point. Ang pag-aalis ng ingay ay maaaring magtapon ng maliit na accent, habang ang pagpapatalas ay maaaring magpalakas sa mga hindi gustong gilid. Samakatuwid, ang mga workflow ng OCR ay itinuturing ang enhancement, binarization, at denoising bilang mga natatanging operasyon sa halip na isang unibersal na setting ng paglilinis.

Ang mga nagpapatong-patong na marka ay nangangailangan ng partikular na pag-iingat. Ang isang selyo ay maaaring maglaman ng impormasyong sulit na panatilihin kahit na tumatawid ito sa isang talata, at ang isang lagda ay maaaring maging makabuluhan nang hindi maaasahang maisalin. Ang walang pakundangang pag-aalis ng isang nakakaabalang rehiyon ay maaaring mag-alis ng bahagi ng dokumento mismo. Ang isang biswal na mas malinis na imahe ay hindi kinakailangang mas tapat.

Ang hindi pamilyar na typography ay nagpapahirap sa pagbibigay-kahulugan sa malinaw na print

Ang isang imahe ay maaaring maging matalas habang ang pagkakasulat nito ay nananatiling hindi pamilyar sa recognizer. Ang mga decorative font, condensed type, ligature, at hindi pangkaraniwang hugis ng karakter ay nagbabago sa mga pattern na dapat tukuyin. Ang isang ligature ay maaaring magdugtong sa kung ano ang dapat sana ay magkahiwalay na titik; ang isang lumang anyo ng titik ay maaaring magmukhang ibang modernong karakter. Ang mga small cap, superscript, at magkakalapit na bantas ay nagpapakilala ng karagdagang mga pagkakaiba.

Ang mga makasaysayang dokumento ay madalas na may pinagsama-samang mga paghihirap. Nag-iiba-iba ang mga typeface sa iba't ibang printer at panahon, ang pagbabaybay ay maaaring magkaiba sa modernong paggamit, at ang papel o impresyon ay maaaring sira. Ang pananaliksik sa makasaysayang OCR ay tumutukoy sa tipograpiya at kumplikadong layout bilang mga pangunahing hamon at gumagamit ng mga workflow na nagpapahintulot ng pagwawasto sa ilang yugto. Ang pagpapabuti lamang sa contrast ng imahe ay hindi makakalutas sa bawat hindi pamilyar na anyo ng titik.

Mayroon ding pagpipiliang editoryal: ang pag-transcribe ng pahina at ang pag-modernize ng wika nito ay magkaibang gawain. Ang awtomatikong pagpapalit ng hindi karaniwang pagbabaybay ng isang pamilyar na salita ay maaaring magpadali sa pagbabasa ng isang sipi habang ginagawa itong hindi tapat sa pinagmulan. Ang mga makasaysayang pangalan, daglat, at sipi ay kailangang suriin laban sa sariling mga kumbensyon ng dokumento.

Ang sulat-kamay ay nag-iiba-iba sa pagitan ng mga manunulat at sa loob ng parehong pahina

Ang sulat-kamay ay walang iisa at matatag na hanay ng mga hugis ng karakter. Pinagdudugtong ng mga manunulat ang mga titik, binabago ang pagkakahilig nito, dinadaglat ang mga salita, at nag-iiwan ng hindi pare-parehong espasyo. Ang isang minadaling salita ay maaaring magmukhang iba sa parehong salita na isinulat nang maingat ilang linya ang nakalipas. Ang mga magkakadugtong na guhit ay nagpapahirap din na magpasya kung saan nagtatapos ang isang karakter at kung saan nagsisimula ang susunod.

Ang pagkilalang nakabatay sa pagkakasunod-sunod ay maaaring gumamit ng mga katabing titik at salita upang bigyang-kahulugan ang isang linya, ngunit ang konteksto ay hindi nag-aalis ng kalabuan. Ang isang hindi pamilyar na apelyido, isang code, o isang nakahiwalay na numero ay maaaring magbigay ng kaunting tulong sa wika. Ang mga tala sa gilid, mga buradong teksto, at mga dagdag sa itaas ng linya ay lumilikha ng hiwalay na tanong tungkol sa kung paano kakatawanin ang mga pagbabago ng manunulat. Ang mga ito ay mga hamon ng parehong pagkilala at patakaran sa transkripsyon.

Ang pagkakaiba sa pagitan ng pagkilala sa isang imahe at pagtatala ng isang live na guhit ng panulat ay mahalaga rin. Ang isang na-scan na tala ay naglalaman ng mga huling nakikitang marka, ngunit hindi ang pagkakasunod-sunod, bilis, o direksyon nito. Ipinagkakaiba ng pananaliksik sa sulat-kamay ang mga offline na imaheng ito mula sa online na input ng panulat. Ang tagumpay sa mga nakuhang paggalaw ng panulat o maayos na nakahiwalay na mga karakter ay hindi dapat ipagpalagay na maililipat nang hindi nagbabago sa isang litrato ng buong pahinang sulat-kamay.

Ang mga wika, script, at direksyon ng pagbabasa ay nagpapakilala ng magkakahiwalay na kalabuan

Ang setting ng wika ay nagbibigay ng kapaki-pakinabang na konteksto, ngunit ang wika at script ay hindi magkapareho. Maraming wika ang maaaring magbahagi ng isang script habang gumagamit ng iba't ibang pattern ng pagbabaybay o karagdagang mga titik. Ang isang dokumento ay maaari ring maghalo ng mga script sa loob ng isang pangungusap, gaya ng sa isang address na naglalaman ng pangalan ng kalye sa lokal na wika at isang Latin na identifier. Ang multilingual na pagkilala ay dapat makayanan ang mga transisyong ito pati na rin ang mga indibidwal na karakter.

Ang wika ng pagkilala ay naglalarawan sa tekstong binabasa, hindi sa wika ng interface ng website. Ang isang available na opsyon sa wika ay hindi rin nangangahulugan ng pantay na katumpakan para sa bawat font, istilo ng pagsulat, o kondisyon ng pagkuha. Sinusuri ng mga multilingual na benchmark ang iba't ibang script at magkahalong eksena dahil ang performance ay kailangang subukan sa iba't ibang materyales.

Para sa Arabic, Persian, at iba pang pagsulat na kanan-pakanan, ang pagkakasunod-sunod ng pagpapakita ay nagdaragdag ng isa pang layer. Ipinagkakaiba ng Unicode ang lohikal na pagkakasunod-sunod ng mga nakaimbak na karakter mula sa kanilang visual na pagkakaayos. Ang mga numero, bantas, at mga salitang Latin ay maaaring sumunod sa iba't ibang panuntunan sa direksyon sa loob ng isang linya. Ang maliwanag na pagkalito ay maaaring may kinalaman sa pagkilala, pag-iimbak ng teksto, o pagpapakita. Ang manu-manong pagbaligtad sa buong string ay maaaring makapinsala sa isang transcript na ang pinagbabatayang pagkakasunod-sunod ng karakter ay tama na.

Ang mga tamang salita ay maaari pa ring lumitaw sa maling pagkakasunod-sunod ng pagbabasa

Ang layout ng dokumento ay nagpapahayag ng mga ugnayan na hindi awtomatikong nakukuha ng isang simpleng string ng mga karakter. Ang mga column, heading, caption, footnote, at sidebar ay bawat isa ay may papel. Maaaring basahin ng isang recognizer ang kanilang mga salita nang tama habang pinagsasama-sama ang mga ito sa maling pagkakasunod-sunod. Ang isang pangungusap na tumatalon sa katabing column ay isang structural error, kahit na ang bawat salita ay binaybay nang tama.

Ipinapakita rin ng pananaliksik sa layout kung bakit ang mga pamilyar na uri ng dokumento ay hindi isang kumpletong pagsubok. Ang isang sistemang binuo sa paligid ng mga artikulong pang-agham ay maaaring makatagpo ng iba't ibang pagkakaayos sa mga manual, form, o ulat. Ang paglaktaw sa isang maliit na caption o pagtrato sa isang header bilang body text ay maaaring makaapekto sa pagiging kapaki-pakinabang ng buong resulta. Ang paghahanap sa bawat nauugnay na rehiyon at ang pag-aayos sa mga rehiyong iyon ay parehong bahagi ng pagsusuri sa conversion ng dokumento.

Ang mga problemang ito ay mahalaga para sa muling paggamit at accessibility. Ang isang pahina ay maaaring magmukhang tama habang ang kinopyang teksto o output ng boses ay sumusunod sa hindi angkop na pagkakasunod-sunod. Ang gabay ng W3C na PDF ay nagpapaliwanag kung paano sinusuportahan ng lohikal na pagkakasunod-sunod ng pagbabasa ang accessibility. Ang kinilalang teksto ay kapaki-pakinabang, ngunit ang paggawa nito ay hindi sa sarili nito nagtatatag na ang mga heading, pagkakasunod-sunod ng pagbabasa, at iba pang pangangailangan sa accessibility ng dokumento ay natugunan.

Ang mga talahanayan, form, at formula ay nakadepende sa mga ugnayan sa pagitan ng mga marka

Ang kahulugan ng isang talahanayan ay nakadepende sa kung aling halaga ang kabilang sa aling row at column. Ang mga pinagsamang cell, paulit-ulit na heading, bakanteng cell, at mga talahanayang nagpapatuloy sa mga pahina ay nagpapakumplikado sa ugnayang iyon. Ang pagbabasa sa lahat ng nakikitang numero ay hindi sapat kung ang isang halaga ay itinalaga sa maling heading. Ang pananaliksik sa pagkuha ng talahanayan ay naghihiwalay sa paghahanap ng talahanayan, pagbawi sa istruktura nito, at pagtukoy sa mga papel ng mga cell nito.

Ang mga form ay nagpapakita ng kaugnay na problema. Ang isang label at ang halaga nito ay maaaring paghiwalayin ng whitespace, isang linya, o isang nakapagitang tala. Ang isang kalapit na checkbox ay maaaring magdala ng impormasyon na hindi ipinapahayag ng isang text-only na transcript. Halimbawa, ang pagkuha sa parehong Approved at Rejected nang hindi itinatala kung aling kahon ang may marka ay nagpapawala sa mapagpasyang bahagi ng form, kahit na ang parehong salita ay kinilala nang tama.

Ang mga numero at formula ay nagpapalaki rin ng maliliit na pagkakamali. Ang pagtanggal sa decimal point sa 12.5 ay nagpapabago sa halaga; ang pagkalito sa minus sign at dash ay maaaring magbago sa isang expression. Ang mga fraction, exponent, at subscript ay umaasa sa posisyon pati na rin sa pagkakakilanlan ng karakter. Ang dalawang-dimensyonal na istruktura ng isang formula ay nangangailangan ng angkop na representasyon, at ang muling pagbuo ng talahanayan at mathematical transcription ay nangangailangan ng pagsusuri na higit pa sa pagbabaybay ng mga ordinaryong salita.

Ang matatas na output ay maaaring magtago ng mga pagkukulang at hindi suportadong pagwawasto

Ang konteksto ng wika ay tumutulong sa isang recognizer na pumili sa pagitan ng mga kapani-paniwalang pagbabasa, ngunit ang pagiging kapani-paniwala at katapatan ay magkaibang layunin. Ang isang sistema ay maaaring magpalit ng hindi pamilyar na pangalan ng isang karaniwang salita, mag-regularize ng pagkakamali sa pagbabaybay, o magbigay ng mga salitang angkop sa pangungusap. Ang resulta ay maaaring magtunog natural habang lumalayo sa pahina. Ito ay lalong mahalaga kapag ang gawain ay transkripsyon sa halip na pag-edit.

Ang isang 2026 handwriting benchmark ay nagsuri ng mga pagkakamali ng manunulat, maraming wika, at mga kumplikadong expression, at nag-ulat ng mga pagwawastong hindi suportado ng visual sa ilang generative system. Ang natuklasan ay naglalarawan ng isang failure mode sa halip na isang panuntunan na ang bawat sistema ay kumikilos nang magkapareho. Sa mas pangkalahatan, ang isang maayos na talata ay hindi patunay na ang bawat salita ay naroroon o na ang lahat ng nilalayong linya ay kasama.

Ang mga pagkakamali ay maaari ring magmula sa mas naunang pagproseso. Ang isang na-scan na PDF ay maaaring naglalaman na ng isang hindi perpektong OCR text layer, kaya ang mapipiling teksto ay maaari pa ring hindi sumang-ayon sa nakikitang pahina. Ang pagpapatakbo ng pagkilala nang dalawang beses ay nagbibigay ng isa pang paghahambing, ngunit ang parehong pagtakbo ay maaaring gumawa ng parehong pagkakamali. Ang pagkakasundo sa pagitan ng mga output ay hindi pumapalit sa source image, lalo na kung saan ang isang karakter o sipi ay nananatiling malabo.

Ang katumpakan ay nakadepende sa materyal at sa gawaing sinusukat

Ang isang figure ng katumpakan ay makabuluhan lamang sa isang tinukoy na pagsubok. Ang mga resulta ay nakadepende sa mga dokumento, sa reference transcription, at sa pagtrato sa mga espasyo, bantas, at iba pang pagkakaiba. Ang isang sample ng malinaw na mga nakalimbag na talata ay hindi nagtatatag ng performance sa mga sulat-kamay na form o isang sirang pahayagan. Ang kinatawang pagsusuri ay kinabibilangan ng mga mahihirap na pahina at hindi pangkaraniwang layout na mahalaga sa nilalayong gawain.

Ang character error rate ay sumusukat sa mga substitution, omission, at insertion sa antas ng karakter kaugnay ng haba ng teksto; ang word error rate naman ay gumagamit ng katumbas na paghahambing sa mga salita. Ang gabay sa pagsusuri ng OCR-D ay tinatrato ang mga sukat na ito nang hiwalay sa layout at pagkakasunod-sunod ng pagbabasa. Sinasagot nito ang mga kapaki-pakinabang na tanong, ngunit ang mababang pangkalahatang error rate ay maaari pa ring magtago ng isang maling account number o nawawalang pagtanggi (negation) na nagpapabago sa kahulugan ng isang pangungusap.

Dapat isama sa pagsusuri ang pagiging kumpleto, istruktura, at mahahalagang detalye pati na rin ang mga pinagsama-samang marka (aggregate scores). Ang paghahanap sa archive, isang sipi, at isang talahanayan na gagamitin para sa kalkulasyon ay may magkakaibang kinakailangan. Ang pagmamarka sa isang hindi malinaw na pagbabasa ay mas nagbibigay ng impormasyon kaysa sa pagpili ng pinakamadulas na hula, at ang pagpapanatili ng link sa pinagmulan ay nagbibigay-daan sa mga susunod na pagwawasto kapag may mas mahusay na ebidensya o pagsusuri.

Ang pattern ng isang error ay nagtuturo sa posibleng sanhi nito

Maraming sanhi ang maaaring magbunga ng parehong nakikitang sintomas, kaya ang diagnosis ay isang paraan upang paliitin ang mga posibilidad sa halip na isang garantiya. Ang paulit-ulit na pagkalito sa pagitan ng magkakatulad na titik ay nagmumungkahi ng ibang imbestigasyon kumpara sa mga salitang tama ang baybay ngunit lumalabas sa maling pagkakasunod-sunod. Ang mga halimbawa sa ibaba ay nag-uugnay sa mga karaniwang sintomas sa impormasyong maaaring nawala.

Kapag naunawaan na ang kabiguan, ang tugon ay maaaring maging mas nakatuon: pagkuha ng mas malinaw na source, pagwawasto ng geometry, pagsuri sa interpretasyon ng isang rehiyon, o pag-aayos ng huling transcript. Ang hiwalay na gabay na Improve OCR Results ay nagbibigay ng workflow para sa paghahanda at pagsusuri. Ang layunin ay mapanatili ang impormasyon ng dokumento, hindi lamang ang gumawa ng tekstong mukhang malinis.