Işık, ses ve makine okumasına yönelik ilk yaklaşımlar
OCR'ın köklerinin bir kısmı, basılı metni görme engelli okuyucular için erişilebilir kılma çabalarına dayanır. 1914 yılında E. E. Fournier d'Albe, bir sayfadaki ışık desenlerini işitsel sinyallere dönüştüren bir tür tip okuma optofonu tanımladı. Dinleyici bu sinyalleri yorumlamayı öğrendi. Bu, otomatik olarak metin transkripti üreten bir makineden ziyade optik bir okuma yardımıydı, ancak basılı işaretlerin algılanabileceğini ve başka bir biçimde temsil edilebileceğini gösterdi.
Diğer mucitler otomatik karakter tanımlama üzerinde çalıştılar. Gustav Tauschek'in 1928 yılında başvurusu yapılan ve 1930 yılında yayınlanan okuma makinesi patenti, karakter şablonlarıyla fotoelektrik karşılaştırmayı gösteriyordu. Rakam okuma örneği, cihaza sunulan şekli test etmek için dönen kesikler kullanıyordu. Bu yaklaşımlar, genel amaçlı dijital bilgisayarlar yaygınlaşmadan çok önce optiği, mekanik hareketi ve elektriksel algılamayı bir araya getirdi.
Bir işareti algılama ile bir karakteri tanımlama arasındaki ayrım, OCR'ın merkezinde kalmaya devam edecekti. Sayfayı yakalamak sadece başlangıçtı: kullanışlı bir okuyucunun ayrıca benzer şekilleri ayırt etmesi ve kararını başka bir cihazın kullanabileceği bir biçimde ifade etmesi gerekiyordu.
Karakter okuyucular iş operasyonlarına giriyor
1950'ler boyunca otomatik okuma, günlük iş süreçlerine daha da yaklaştı. David Shepard'ın okuma cihazı patenti 1951 yılında başvuruldu ve 1953 yılında verildi. Ulusal Standartlar Bürosu'nun o dönemdeki bir araştırması, 1955 yılında Reader's Digest'te bir üretim kurulumunu kaydetti. Bu tür sistemler pratik bir darboğazı çözüyordu: kağıt üzerinde zaten basılı olan bilgilerin, bir bilgisayar tarafından işlenebilmesi için aksi takdirde bir kişi tarafından tekrar girilmesi gerekiyordu.
Bu okuyucular genellikle günümüzün genel belge araçlarından çok daha dar koşullar altında çalışıyordu. Kısıtlı bir karakter seti, tahmin edilebilir baskı ve kontrollü yerleşim, tanıma problemini daha yönetilebilir hale getiriyordu. Tarayıcı, tanıma donanımı ve çıktı mekanizması, genellikle belirli bir belge sınıfı için koordine edilmiş bir sistem olarak tasarlandı.
Bu, amaç ve ölçek açısından önemli bir değişiklikti. Optik okuma, iş bilişimi için bir giriş yöntemi haline geliyordu. Başarı, bir makinenin laboratuvar koşullarında birkaç karakteri tanıyabildiğini göstermekten ziyade, tanımlanmış bir iş yükünün tutarlı bir şekilde işlenmesine bağlıydı.
Standartlaştırılmış yazı tipleri basılı metni tanımayı kolaylaştırıyor
Tanımayı iyileştirmenin bir yolu, girdiyi daha tahmin edilebilir hale getirmekti. OCR-A ve OCR-B gibi makine tarafından okunabilir yazı tipleri, belirli karakter şekilleri ve baskı gereksinimleri kullanarak bir okuyucunun başa çıkması gereken değişkenliği azaltıyordu. OCR-B, 1965 yılında ECMA-11 standardında göründü ve sonraki baskılar spesifikasyonu iyileştirdi. Standardizasyon, ekipman ve basılı belgelerin daha tutarlı bir şekilde birlikte çalışmasına yardımcı oldu.
Bu yaklaşım, mühendislik çabasının bir kısmını belgenin kendisine yükledi. Sıkı bir şekilde kontrol edilen bir yazı tipi, bir rakamı diğerinden ayırt etmeyi kolaylaştırırken, belirtilen boyutlar ve boşluklar tarama sırasındaki belirsizliği azaltıyordu. Bunun bedeli esneklikti: kontrollü baskı etrafında tasarlanmış bir okuyucu, her gazeteyi, kitabı veya el yazısı notu otomatik olarak işleyemiyordu.
Optik karakter tanıma, manyetik mürekkepli karakter tanıma veya MICR'den de ayırt edilmelidir. Her ikisi de belge otomasyonunu destekliyordu, ancak MICR manyetik olarak okunabilir karakterleri algılarken, OCR bunların görünür görüntüsünü yorumlar. İki teknoloji birbirinin yanında gelişti; bunlar aynı okuma sürecinin farklı isimleri değildir.
Omnifont tanıma, sıradan baskıyı ulaşılabilir kılıyor
Bir sonraki hedef, makine için özel olarak basılmamış materyalleri okumaktı. Omnifont tanıma, tek bir öngörülen alfabeye olan bağımlılığı azaltarak bir dizi sıradan yazı tipini işlemeyi amaçlıyordu. İsim, bu ilerleme yönünü tanımlıyordu; her yazı tipinin, taramanın veya sayfa düzeninin hatasız okunabileceği anlamına gelmiyordu.
Önemli bir dönüm noktası, Ray Kurzweil ve ekibi tarafından 13 Ocak 1976 tarihinde tanıtılan okuma makinesiydi. Amerikan Körler Vakfı için hazırlanan sözlü tarihinde Kurzweil, tarama, karakter tanıma ve sentezlenmiş konuşmanın birleşimini anlatıyor. Bu bileşenler birlikte, basılı materyalin sesli çıktıya dönüşmesini sağlayarak tanımayı eksiksiz bir okuma deneyimiyle birleştirdi.
Aynı temel ilerlemeler ticari veri girişini de destekledi. OCR'ın değeri, giderek artan bir şekilde, sadece bir okuyucunun sınırlamaları etrafında tasarlanmış belgeleri değil, mevcut belgeleri işlemeye bağlı hale geldi. Aynı zamanda bu sistemler, bireysel harfleri tanımanın neden yetersiz olduğunu gösterdi: kelimelerin yüksek sesle okunabilmesi veya yeniden kullanılabilmesi için önce yararlı bir sırada birleştirilmesi gerekiyordu.
Tarama ve OCR, masaüstü iş akışının bir parçası haline geliyor
Kişisel bilgisayarlar ve masaüstü tarayıcılar geliştikçe, OCR özel okuma kurulumlarının ötesine geçti. 1990 tarihli bir ABD Çevre Koruma Ajansı masaüstü tarayıcı değerlendirmesi, metin tanımayı zaten pratik bir ofis yeteneği olarak ele alıyor, kağıdı kullanılabilir bilgisayar dosyalarına dönüştürmek için ekipman ve yazılımları karşılaştırıyordu. Bir sayfayı taramak ve metnini bir kelime işlemciye aktarmak, giderek daha erişilebilir bir iş akışı haline geldi.
Yazılımın izole edilmiş karakterleri sınıflandırmaktan daha fazlasını yapması gerekiyordu. Metni resimlerden ayırması, satırları ve sütunları tanımlaması, eğik taramaları telafi etmesi ve sayfayı düzenlenebilir bir belgede nasıl temsil edeceğine karar vermesi gerekiyordu. Görüntü temizleme, düzen analizi, sözlükler ve bağlamsal kontroller, genel tanıma sürecinin önemli parçaları haline geldi. Bir sayfa çoğunlukla doğru harfler içerebilir ancak sütunları birbirine karışmışsa yine de önemli ölçüde onarım gerektirebilirdi.
PDF'ın 1993'de kullanıma sunulması, sayfa tabanlı belgeleri paylaşmak için taşınabilir bir yol ekledi. PDF bir tanıma yöntemi değil, bir belge biçimiydi; ancak taranmış sayfalar ve bunlarla ilişkili metinler için kullanışlı bir ortam sağladı. Bir sayfanın görünümünü korumak ve içeriğini aranabilir kılmak artık birbirini tamamlayan hedefler haline gelebilirdi.
El yazısı araştırmaları ve sinir ağları tanımayı değiştiriyor
Masaüstü kullanımının yaygınlaşmasıyla birlikte araştırmacılar, daha az tahmin edilebilir yazıların tanınmasını iyileştiriyorlardı. NIST'in OCR'dan 1989'e kadar süren 1998 programı, ABD Nüfus Sayım Bürosu ve IRS'yi içeren el yazısı formları ve başvuruları kapsıyordu. Halka açık veri kümeleri ve referans sistemleri, dikkatle seçilmiş sayfalarla yapılan gösterimlere güvenmek yerine, yöntemleri paylaşılan örnekler üzerinde karşılaştırmayı mümkün kıldı.
Sinirsel tanıma, bu çalışmanın zaten önemli bir parçasıydı. 1998 tarihli "Belge Tanımaya Uygulanan Gradyan Tabanlı Öğrenme" makalesi, örneklerden yararlı görsel özellikler öğrenen evrişimli ağları ve tanıma, bölütleme ve dil kısıtlamalarını birleştirme yöntemlerini tanımladı. Bu, istatistiksel örüntü tanımanın daha geniş bir geçmişini genişletti; daha önceki OCR çalışmaları da basit şablon eşleştirmenin ötesindeki yöntemleri içeriyordu.
Örneklerden öğrenme, vuruşlardaki ve karakter şekillerindeki farklılıkları karşılamanın bir yolunu sundu. Ayrıca eğitim verilerini ve değerlendirmeyi daha önemli hale getirdi. Bir sistem, izole edilmiş el yazısı rakamlarında iyi performans gösterebilirken, bitişik el yazısı veya alışılmadık formlarla zorlanabilirdi. Bir tanıma görevindeki ilerleme, diğer her türlü belgeyi otomatik olarak çözmeden de değerliydi.
Büyük dijital koleksiyonlar OCR'ı bir keşif aracına dönüştürüyor
Dijitalleştirme projeleri, OCR'ın rolünü bir sayfayı yeniden kullanmaktan, tüm koleksiyonlardaki bilgileri keşfetmeye doğru genişletti. Kütüphaneler ve arşivler, tanınan metinlerini dizine eklerken gazete, kitap ve kayıtların görüntülerini koruyabiliyordu. Kongre Kütüphanesi, Mart 2007'de Chronicling America'yı başlatarak araştırmacılara tarihi gazeteler için aranabilir bir kaynak sundu.
Bu durum, insanların bir arşive yaklaşımını değiştirdi. Bir isim, yer veya ifade, okuyucunun her sayıyı incelemesine gerek kalmadan doğrudan ilgili sayfaya ulaşmasını sağlayabiliyordu. OCR, daha büyük bir tarama, meta veri, dizinleme ve erişim sisteminin parçası haline geldi. Yararlılığı artık sadece dışa aktarılan bir belgenin kaynağına ne kadar benzediğiyle ölçülmüyordu.
Tarihi materyaller ayrıca kalıcı zayıflıkları da ortaya çıkardı: hasarlı kağıt, eski yazı tipleri, düzensiz boşluklar ve karmaşık sütunlar. Tanıma hataları, ilgili bir arama sonucunu gizleyebilir veya yanıltıcı bir eşleşme üretebilirdi. Orijinal sayfayı makine tarafından oluşturulan metinle birlikte tutmak, okuyucuların keşiflerini doğrulamasına olanak tanıdı ve iyileştirilmiş tanımayı, her öğeyi yeniden taramaya gerek kalmadan mevcut bir dijital koleksiyonu zenginleştirmenin bir yolu haline getirdi.
Her karakteri ayırmadan tüm dizileri okuma
El yazısı tanımdaki uzun süreli bir zorluk, bir karakterin nerede bitip diğerinin nerede başladığına karar vermekti. Bitişik vuruşlar ve üst üste binen harfler, katı bir "kes ve sınıflandır" sürecini kırılgan hale getiriyordu. Gizli Markov modelleri dahil olmak üzere istatistiksel dizi yöntemleri bu sorunu zaten ele alıyordu. Yinelemeli sinir ağları, bir satırı yorumlarken komşu bilgilerden yararlanmanın başka bir yolunu sundu. Bir tür yinelemeli ağ olan Uzun Kısa Süreli Bellek (LSTM) ağları, her küçük bölgeyi bağımsız olarak değerlendirmek yerine bir dizi boyunca bağlamı korumaya yardımcı oldu.
2006'da tanıtılan Bağlantıcı Zamansal Sınıflandırma (CTC), her karakterin konumunun önceden işaretlenmesini gerektirmeden giriş dizilerini metin etiketleriyle eşleştirmek için bir eğitim yöntemi sağladı. Orijinal makale konuşmayı değerlendirirken, sonraki çalışmalar bu yaklaşımı el yazısına uyguladı. Bir 2009 makalesi, kısıtlanmamış el yazısı satırlarını tanımak için her iki yönden gelen bağlamı kullanan yinelemeli ağlarla dizi eğitimini birleştirdi.
Bu, mükemmel karakter bazlı bölütlemeye olan bağımlılığı azalttı ve satır düzeyinde tanımayı daha pratik hale getirmeye yardımcı oldu. Her hazırlık adımını ortadan kaldırmadı: bir sistemin hala metni bulması, satırları tanımlaması ve sayfa yönelimini işlemesi gerekebiliyordu. Önemli değişiklik, tanımanın her karakter sınırını önceden almak yerine bir görüntü dizisi ile transkripti arasında bir hizalama öğrenebilmesiydi.
Derin öğrenme OCR'ı masaüstü tarayıcının ötesine taşıyor
Fotoğraflanmış metin sorunu tekrar genişletti. Bir masanın üzerindeki fiş, bir dükkan tabelası veya açıyla çekilmiş bir sayfa; gölgeler, perspektif bozulması ve dikkat dağıtıcı bir arka plan içerebilirdi. Kelimeleri tanımadan önce, bir sistemin onları bulması gerekiyordu. Bu nedenle metin algılama ve metin tanıma, kamera tabanlı okuma ve çeviri ile pratik ilgisi olan, birbirine yakından bağlı araştırma görevleri haline geldi.
Derin öğrenme her iki aşamayı da iyileştirdi. Bir 2015 sahne metni makalesi, evrişimli görüntü özelliklerini, yinelemeli dizi işlemeyi ve transkripsiyonu eğitilebilir tek bir tanıma sisteminde birleştirdi. Araştırmacılar, özellik çıkarımı ve okumayı tamamen ayrı el yapımı bileşenler olarak ele almak yerine, bunları birlikte optimize edebildiler. Yaklaşım ayrıca, her harfi önceden izole etmeden farklı uzunluktaki kelimeleri de işleyebiliyordu.
Kıyaslamalar giderek daha fazla kontrolsüz çekim koşullarını yansıttı. 2015 ICDAR Sağlam Okuma Yarışması, değerlendirmeyi okunabilir kelimeler etrafında kasten çerçevelenmiş görüntülerin ötesine taşıyarak tesadüfi sahne metnini ekledi. Bu, insanların günlük fotoğraflarda karşılaştığı metinlerle başa çıkabilen sistemleri teşvik etti. Ayrıca, temiz taranmış belgelerdeki performansın, bir okuyucunun daha geniş görsel dünyadaki yeteneklerini tam olarak tanımlamadığını da netleştirdi.
Sentetik eğitim verileri ve çok dilli kıyaslamalar kapsamı genişletiyor
Daha iyi öğrenme yöntemleri, daha çeşitli örnekler de gerektiriyordu. Sentetik eğitim görüntüleri, araştırmacıların her yeni fotoğrafı manuel olarak etiketlemeden farklı yazı tiplerinde, boyutlarda, renklerde ve arka planlarda metin oluşturmasına olanak tanıdı. 2016'da yayınlanan Oxford araştırması, geometrilerini hesaba katarak gerçek sahnelere yapay metin yerleştirdi ve metin algılama için büyük miktarda eğitim materyali sağladı. Oluşturulan örnekler, belirli varyasyonların ölçeklenebilir bir şekilde üretilmesini kolaylaştırarak gerçek görüntüleri tamamladı.
Çok dilli değerlendirme paralel olarak genişledi. 2017 ICDAR çok dilli yarışması, altı yazı sistemini temsil eden dokuz dili içeriyordu; 2019 halefi ise bir dil ve uçtan uca bir tanıma görevi ekledi. Bu kıyaslamalar, karışık yazı sistemlerini, farklı yönelimleri ve daha geniş bir yazı sistemi yelpazesini ortak bir değerlendirme ortamına getirdi.
Daha geniş ders, dil desteğinin bir alfabeye karakter eklemekten çok daha fazlasını içerdiğiydi. Sistemlerin uygun eğitim örneklerine ve farklı karakter yapıları, bitişik yazılar ve okuma yönleriyle başa çıkabilen yöntemlere ihtiyacı vardı. Paylaşılan veri kümeleri, bu tür farklılıkları ölçmeyi kolaylaştırırken, aynı zamanda iyi temsil edilen dillerdeki performans ile daha az bilinen materyaller arasındaki boşlukları da ortaya çıkardı.
Dikkat ve düzen farkındalıklı öğrenme, kelimeleri sayfa yapısıyla birleştirir
Dil görevleri için 2017'da tanıtılan transformer mimarisi, dikkat yoluyla bir dizi boyunca ilişkileri modellemek için güçlü bir yol sağladı. OCR için önemi, metin tanıma ve belge analizine yönelik sonraki uygulamalarla gelişti. Dikkat, bir sistemin sonuç üretirken girdisinin ilgili kısımlarını tartmasına olanak tanıdı ve evrişimli ve yinelemeli ağların yanına başka bir yaklaşım ekledi.
Belge araştırmaları sadece düz bir transkriptin ötesine bakıyordu. Aralık 2019 tarihinde sunulan ve 2020 tarihinde yayınlanan bir çalışma, ön eğitim sırasında tanınan metni sayfa konumuyla birleştirdi, ardından sistemi belirli belge görevlerine uyarlarken görsel özellikleri dahil etti. Konum önemliydi çünkü aynı kelimeler bir başlıkta, bir adres bloğunda veya bir form satırında farklı roller oynayabiliyordu.
Bu, tanımayı belge sınıflandırma ve bilgi çıkarma gibi görevlerle ilişkilendirmeye yardımcı oldu. Bir sayıyı okumak ve onu bir fatura toplamı olarak tanımlamak birbiriyle ilişkili ancak farklı işlemlerdir; sayfa yapısı ikincisi için ipuçları sağlar. Düzen farkındalığına sahip yöntemler OCR gereksiz kılmadı. Bu yöntemler, çıktısını çevredeki görsel kanıtlarla birlikte kullanmanın yollarını sunarak belge işlemeyi tek bir kelime akışından ziyade öğeler arasındaki ilişkilere doğru taşıdı.
Transformer'lar metni okur ve doğrudan belge sonuçları üretir
2021 yılına gelindiğinde, araştırmacılar önceden eğitilmiş görüntü ve metin transformer'larını doğrudan tanımaya uyguluyorlardı. Yayınlanan bir yaklaşım, bir görüntü kodlayıcıyı bir metin kod çözücüyle eşleştirdi ve basılı, el yazısı ve sahne metinlerini değerlendirdi. Büyük koleksiyonlar üzerinde ön eğitim ve ardından daha spesifik bir görev için eğitim, görsel kalıpları öğrenmek ve tutarlı karakter veya kelime dizileri üretmek için başka bir yol sundu.
Ayrı bir çalışma dizisi, bağımsız bir geleneksel OCR motoru çalıştırmadan görüntülerden yapılandırılmış belge sonuçları üretmeyi araştırdı. 2021 sonlarında tanıtılan ve 2022 tarihinde revize edilen araştırma, belge anlama için bu yaklaşımı gösterdi. Bu çalışmadaki OCR-free terimi, ayrı bir OCR aşamasının yokluğunu tanımlar; sistem yine de ilgili yazılı bilgiyi görüntüden türetmek zorundadır.
Bu gelişmeler mevcut mimarileri genişletti. Bir işleme sistemi metni tanıyıp ardından analiz edebilir veya bir modeli doğrudan istenen sonucu üretecek şekilde eğitebilir. Hiçbir düzenleme her sayfada hatasız çıktı garantisi vermez. Seçim, hataların nerede girebileceğini, sonuçların nasıl inceleneceğini ve tanınan kelimeler ve konumları gibi ara kanıtların ne kadar kolay saklanabileceğini değiştirir.
Çok modlu sistemler belge okumayı genişletiyor ve yeni testler ortaya çıkarıyor
Yakın zamandaki çok modlu sistemler, görüntü işleme ve dil üretimini birleştirerek belge metninin daha geniş etkileşimlere katılmasına olanak tanır. Sisteme ve göreve bağlı olarak, bir kullanıcı transkripsiyon isteyebilir, bir sayfa hakkında soru sorabilir veya belirli alanları çıkarabilir. Tanıma giderek daha büyük bir belge iş akışının içine yerleşirken, ana gereksinim kesin ve incelenebilir bir transkript olduğunda özel OCR yararlı olmaya devam eder.
Değerlendirme de buna göre genişledi. 2023 yılında tanıtılan OCRBench, tanımayı belge soruları, bilgi çıkarma ve el yazısı matematiksel ifadelerle birlikte ele aldı. 2024 sonunda yayınlanan ve 2025 tarihinde revize edilen halefi, daha geniş bir görsel metin ve akıl yürütme görevleri setini inceledi. Bildirilen sınırlamalar arasında ince detaylar, düzen, karmaşık öğeler ve daha az aşina olunan metinler yer alıyordu; bu da tek bir doğruluk iddiasının neden her belge okuma gereksinimini karşılayamadığını gösteriyor.
Bu daha geniş yetenek, çıktının amacını da daha önemli hale getiriyor. Faydalı bir açıklama başka sözcüklerle ifade edebilir, ancak sadık bir transkript sayfanın gerçekte ne dediğini korumalıdır. Akıcı bir ifade, bir ismin, tutarın veya alıntının doğru okunduğunu kanıtlayamaz. Sistemler, karakter doğruluğu, okuma sırası, tablo yapısı veya çıkarılan bir alanın doğruluğu olsun, göreve uygun değerlendirmeye ihtiyaç duyar.
Yüzyıl boyunca ilerlemenin yönü, daha az kontrollü girdiye ve daha yararlı çıktıya doğru olmuştur: öngörülen karakterlerden sıradan baskıya, el yazısına, fotoğraflara ve karmaşık belgelere. Yeni yaklaşımlar yerleşik olanlara katılmaya devam ediyor. Temel zorluk hala aynı: görsel kanıtları, önemli detayları korurken güvenilir bilgilere dönüştürmek.
