Mga file at output
Magsimula sa kung ano ang nilalaman ng file. Ang isang PDF ay maaaring maglaman ng mga larawan, encoded na teksto, o pareho; ang filename nito ay hindi nagsasabi sa iyo kung ang mga salita nito ay maaaring piliin.
OCR — optical character recognition
Ang proseso ng pagtukoy sa mga nakikitang karakter sa isang larawan at pagrerepresenta sa mga ito bilang encoded na teksto. Pinapayagan ka nitong gamiting muli ang mga salita mula sa isang scan o larawan; ang kinilalang resulta ay maaaring mangailangan pa rin ng pagwawasto.
Scanned PDF
Isang PDF na ang mga pahina ay kinabibilangan ng mga scanned o photographed na larawan ng dokumento. Ang ilang scanned PDF ay mayroon ding OCR text layer, habang ang iba ay naglalaman lamang ng mga larawan.
Born-digital PDF
Isang PDF na ginawa nang direkta mula sa digital na nilalaman, gaya ng isang document editor, sa halip na sa pamamagitan ng pag-scan ng papel. Madalas itong naglalaman ng aktwal na teksto, bagaman ang pagpili at pag-extract ay maaari pa ring maapektuhan ng kung paano ito ginawa.
Searchable PDF
Isang PDF na naglalaman ng teksto na maaaring hanapin ng mambabasa. Ang isang scanned page ay maaaring maging searchable kapag ang kinilalang teksto ay idinagdag sa tabi ng larawan nito. Ang pagiging searchable ay hindi awtomatikong ginagarantiyahan ang katumpakan o accessibility.
Text layer
Ang encoded na tekstong nakaimbak sa isang PDF. Sa isang scanned page, maaari itong maging invisible at nakaposisyon sa ibabaw o ilalim ng larawan upang gumana ang pagpili at paghahanap habang nananatiling nakikita ang orihinal na hitsura.
Istruktura ng pahina
Ang isang recognizer ay dapat gumawa ng higit pa sa pagtukoy ng mga titik. Dapat din nitong magpasya kung aling mga marka ang magkakasama at kung paano dapat gumalaw ang mambabasa sa mga ito.
Layout analysis
Pagtukoy sa mga rehiyon gaya ng mga talata, heading, larawan, at talahanayan. Ang pagkilala sa mga salita ng isang talahanayan at pagpapanatili sa istruktura ng row-and-column nito ay magkaugnay ngunit magkaibang gawain.
Pagkakasunod-sunod ng pagbasa
Ang nilalayong pagkakasunod-sunod ng teksto. Ang isang artikulong may dalawang column ay dapat karaniwang sumunod sa isang column bago magpatuloy sa susunod, sa halip na magpalit-palit sa dalawa. Ang mga tamang salita sa maling pagkakasunod-sunod ay maaaring makagawa ng hindi magamit na transcript.
Segmentation
Paghahati ng pahina sa mas maliliit na yunit gaya ng mga rehiyon ng teksto, linya, o karakter. Ang maling hangganan ay maaaring magdikit ng magkakatabing salita, maghiwalay ng isang karakter, o maghalo ng mga hindi kaugnay na bahagi ng isang pahina.
RTL — text na mula kanan-pakanan
Teksto sa mga script gaya ng Arabic o Hebrew na karaniwang dumadaloy mula kanan pakanan. Ang mga numero at naka-embed na Latin na teksto ay maaaring sumunod sa magkakaibang direksyon. Ang pagkakasunod-sunod ng display at ang nakaimbak na pagkakasunod-sunod ng karakter ay hindi kinakailangang pareho.
Paghahanda ng larawan
Ang paghahanda ay nagbabago sa kung paano ipinapakita ang mga umiiral na marka sa pagkilala. Hindi nito maitatatag ang teksto na wala na sa source image.
PPI at DPI
Ang pixels per inch ay naglalarawan ng sampling ng larawan sa pisikal na laki; ang dots per inch ay naglalarawan ng density ng tuldok sa pag-print. Ang mga setting ng pag-scan ay madalas gumagamit ng DPI nang impormal. Ang pagbabago lamang sa nakaimbak na halaga ay hindi nagdaragdag ng detalye sa isang umiiral na larawan.
Deskew
Pagwawasto ng bahagyang pagkiling upang ang mga linya ng teksto ay maging mas pahalang. Ito ay iba sa pag-rotate ng baligtad na pahina o pagwawasto ng perspektibo ng isang litratong kinuha nang may anggulo.
Binarization
Pag-convert ng larawan sa black and white pixels gamit ang threshold o iba pang panuntunan sa pagpapasya. Maaari nitong gawing simple ang isang malinaw na pahina, ngunit maaari ring mawala ang mga maputlang marka o magdikit ng mga kalapit na stroke.
Preprocessing
Mga pagsasaayos sa larawan na ginawa bago ang pagkilala, gaya ng pagwawasto ng oryentasyon, pag-crop, o pagbabago ng contrast. Ang isang kapaki-pakinabang na pagsasaayos ay nagpapabuti sa mga makikilalang marka nang hindi nag-aalis ng bantas, accent, o iba pang makabuluhang detalye.
Pagkilala at pagsusuri
Ang isang pagsusuri ay naglalarawan ng isang partikular na gawain at dataset. Basahin ang depinisyon ng isang score bago ito ihambing sa ibang resulta o gamitin ito upang husgahan ang sarili mong mga dokumento.
Pagkilala sa sulat-kamay
Pagkilala sa mga sulat-kamay na karakter o salita. Ang mga magkakadugtong na titik, personal na daglat, at mga hugis na partikular sa manunulat ay ginagawa itong ibang hamon kumpara sa malinaw na nakalimbag na teksto.
Confidence score
Isang pagtatantya na maaaring ikabit ng isang recognition system sa isang prediksyon. Ang kahulugan nito ay nakadepende sa system at calibration. Hindi ito awtomatikong ang probabilidad na ang buong dokumento ay tama.
CER — character error rate
Isang paghahambing ng kinilalang teksto sa isang sinuring sanggunian, batay sa mga insertion, deletion, at substitution ng karakter kaugnay ng haba ng sanggunian. Mas mababa ay mas mabuti. Ang mababang CER ay maaari pa ring magtago ng mahalagang error sa isang pangalan o numero.
WER — word error rate
Isang katulad na paghahambing sa antas ng salita. Ang isang maling karakter ay maaaring maging sanhi upang mabilang na mali ang buong salita. Samakatuwid, ang WER at CER ay naglalarawan ng magkakaibang aspeto ng isang transcript at hindi dapat ituring na mapagpapalit.
Ground truth
Ang sinuring sanggunian na ginamit upang suriin ang pagkilala. Mahalaga ang mga kumbensyon sa transkripsyon nito: kung paano nito hinahawakan ang bantas, baybay, espasyo, at hindi mababasang teksto ay nakakaapekto sa paghahambing. Ang isang may depektong sanggunian ay maaaring makagawa ng nakaliligaw na score.
Mga tanong at sagot
Ang OCR ba ay katulad ng pagsasalin?
Hindi. Binabasa ng OCR ang nakikitang teksto tungo sa isang editable na anyo. Ang pagsasalin ay nagpapahayag ng teksto sa ibang wika. Ang pagsusuri muna sa pagkilala ay nakakatulong upang maiwasan ang pagsasalin ng maling nabasang source.
Ang Word download ba ay kopya ng orihinal na layout?
Hindi kinakailangan. Ang isang editable na dokumento ay maaaring maglaman ng kinilalang teksto nang hindi pinapanatili ang mga talahanayan, spacing, o disenyo ng pahina ng source. Suriin ang output laban sa orihinal kapag mahalaga ang layout.
Bakit maaaring hindi magtugma ang dalawang accuracy score?
Maaaring gumagamit sila ng magkakaibang dokumento, kumbensyon sa sanggunian, o mga sukat. Ang mga error sa karakter, error sa salita, mga tinanggal na rehiyon, at mga problema sa pagkakasunod-sunod ng pagbasa ay hindi iisang bagay.