Dosyalar ve çıktı
Dosyanın ne içerdiğiyle başlayın. Bir PDF; görseller, kodlanmış metinler veya her ikisini birden barındırabilir; dosya adı, kelimelerinin seçilebilir olup olmadığını size söylemez.
OCR — optik karakter tanıma
Bir görseldeki görünür karakterleri tanımlama ve bunları kodlanmış metin olarak temsil etme sürecidir. Bir tarama veya fotoğraftaki kelimeleri yeniden kullanmanızı sağlar; tanınan sonucun yine de düzeltilmesi gerekebilir.
Taranmış PDF
Sayfaları taranmış veya fotoğraflanmış belge görselleri içeren bir PDF. Bazı taranmış PDF'lerin OCR metin katmanı varken, diğerleri yalnızca görsel içerir.
Dijital doğumlu PDF
Kağıt taramak yerine, bir belge düzenleyici gibi dijital içerikten doğrudan oluşturulmuş bir PDF. Genellikle gerçek metin içerir, ancak seçim ve ayıklama işlemleri yine de belgenin nasıl üretildiğinden etkilenebilir.
Aranabilir PDF
Okuyucunun arama yapabileceği metin içeren bir PDF. Taranmış bir sayfa, tanınan metin görselin yanına eklendiğinde aranabilir hale gelebilir. Aranabilirlik tek başına doğruluk veya erişilebilirlik garantisi vermez.
Metin katmanı
Bir PDF içinde depolanan kodlanmış metindir. Taranmış bir sayfada görünmez olabilir ve görselin üzerine veya altına yerleştirilebilir; böylece orijinal görünüm korunurken seçim ve arama işlevleri çalışır.
Sayfa yapısı
Bir tanıyıcı, harfleri tanımlamaktan daha fazlasını yapmalıdır. Ayrıca hangi işaretlerin bir arada olduğunu ve okuyucunun bunlar arasında nasıl ilerlemesi gerektiğini de belirlemelidir.
Düzen analizi
Paragraflar, başlıklar, görseller ve tablolar gibi bölgelerin tanımlanmasıdır. Bir tablonun kelimelerini tanımak ve satır-sütun yapısını korumak birbiriyle ilişkili ancak farklı görevlerdir.
Okuma sırası
Metnin amaçlanan dizilimidir. İki sütunlu bir makale, normalde her iki sütun arasında gidip gelmek yerine, bir sütunu bitirip diğerine geçmelidir. Yanlış sıradaki doğru kelimeler, kullanılamaz bir transkript üretebilir.
Bölütleme (Segmentation)
Bir sayfanın metin bölgeleri, satırlar veya karakterler gibi daha küçük birimlere ayrılmasıdır. Hatalı sınırlar, komşu kelimeleri birleştirebilir, bir karakteri bölebilir veya sayfanın ilgisiz kısımlarını birbirine karıştırabilir.
RTL — sağdan sola metin
Arapça veya İbranice gibi genellikle sağdan sola akan dillerdeki metinlerdir. Sayılar ve gömülü Latin metinleri farklı yönleri takip edebilir. Görüntüleme sırası ile depolanan karakter sırası her zaman aynı değildir.
Görsel hazırlığı
Hazırlık, mevcut işaretlerin tanıma sistemine nasıl sunulduğunu değiştirir. Kaynak görselde artık bulunmayan metinleri oluşturamaz.
PPI ve DPI
İnç başına piksel, fiziksel boyuttaki görsel örneklemesini tanımlar; inç başına nokta ise basılı nokta yoğunluğunu tanımlar. Tarama ayarları genellikle DPI terimini gayri resmi olarak kullanır. Yalnızca depolanan değeri değiştirmek, mevcut bir görsele detay eklemez.
Eğrilik giderme (Deskew)
Metin satırlarının daha yatay hale gelmesi için küçük bir eğimin düzeltilmesidir. Baş aşağı duran bir sayfayı döndürmekten veya açıyla çekilmiş bir fotoğrafın perspektifini düzeltmekten farklıdır.
İkilileştirme (Binarization)
Bir görselin, bir eşik değeri veya başka bir karar kuralı kullanılarak siyah beyaz piksellere dönüştürülmesidir. Net bir sayfayı basitleştirebilir, ancak soluk işaretleri kaybetmeye veya yakındaki çizgileri birleştirmeye de neden olabilir.
Ön işleme
Tanıma öncesinde yapılan yön düzeltme, kırpma veya kontrast değişiklikleri gibi görsel ayarlamalarıdır. Faydalı bir ayarlama, noktalama işaretlerini, aksanları veya diğer anlamlı detayları kaldırmadan tanınabilir işaretleri iyileştirir.
Tanıma ve inceleme
Bir değerlendirme, belirli bir görevi ve veri kümesini tanımlar. Başka bir sonuçla karşılaştırmadan veya kendi belgelerinizi yargılamak için kullanmadan önce bir puanın tanımını okuyun.
El yazısı tanıma
El yazısı karakterlerin veya kelimelerin tanınmasıdır. Birleşik harfler, kişisel kısaltmalar ve yazara özgü şekiller, bunu net basılı metinden farklı bir zorluk haline getirir.
Güven puanı
Bir tanıma sisteminin bir tahmine ekleyebileceği tahmini değerdir. Anlamı, sisteme ve kalibrasyona bağlıdır. Belgenin tamamının doğru olduğunun olasılığı anlamına gelmez.
CER — karakter hata oranı
Tanınan metnin, referans uzunluğuna göre karakter eklemeleri, silmeleri ve yer değiştirmeleri temel alınarak kontrol edilmiş bir referansla karşılaştırılmasıdır. Düşük olması daha iyidir. Düşük bir CER, bir isim veya sayıdaki önemli bir hatayı hala gizleyebilir.
WER — kelime hata oranı
Kelime düzeyinde benzer bir karşılaştırmadır. Tek bir yanlış karakter, tüm kelimenin yanlış sayılmasına neden olabilir. Bu nedenle WER ve CER, bir transkriptin farklı yönlerini tanımlar ve birbirinin yerine kullanılmamalıdır.
Doğruluk referansı (Ground truth)
Tanımayı değerlendirmek için kullanılan kontrol edilmiş referanstır. Transkripsiyon kuralları önemlidir: noktalama işaretlerini, yazımı, boşlukları ve okunamaz metinleri nasıl ele aldığı karşılaştırmayı etkiler. Hatalı bir referans, yanıltıcı bir puan üretebilir.
Sorular ve cevaplar
OCR çeviri ile aynı şey midir?
Hayır. OCR, görünür metni düzenlenebilir bir forma dönüştürür. Çeviri ise metni başka bir dilde ifade eder. Tanıma sonucunu önce incelemek, yanlış okunmuş bir kaynağı çevirmekten kaçınmanıza yardımcı olur.
Word indirmesi, orijinal düzenin bir kopyası mıdır?
Her zaman değil. Düzenlenebilir bir belge, kaynağın tablolarını, boşluklarını veya sayfa tasarımını korumadan tanınan metni içerebilir. Düzen önemli olduğunda çıktıyı orijinaliyle karşılaştırın.
Neden iki doğruluk puanı birbirinden farklı olabilir?
Farklı belgeler, referans kuralları veya ölçümler kullanıyor olabilirler. Karakter hataları, kelime hataları, eksik bölgeler ve okuma sırası sorunları aynı şeyler değildir.