AI OCR được giải thích: cách máy móc học cách đọc tài liệu

AI OCR biến chữ viết nhìn thấy được thành văn bản được mã hóa

Một bức ảnh hoặc trang đã quét chứa các pixel. Các hình dạng trong các pixel đó có thể nhận dạng được đối với con người, nhưng chúng chưa phải là các ký tự mà trình soạn thảo văn bản có thể tìm kiếm hoặc sao chép. Nhận dạng ký tự quang học ước tính các ký tự và từ nào mà hình ảnh chứa và tạo ra văn bản được mã hóa. AI OCR đề cập đến các phương pháp tiếp cận sử dụng các mô hình đã học trong quá trình nhận dạng này hoặc trong các tác vụ phân tích tài liệu liên quan.

Đầu vào có thể là bản quét, ảnh chụp máy ảnh, ảnh chụp màn hình hoặc hình ảnh bên trong PDF. Chỉ riêng phần mở rộng tệp không xác định liệu có cần nhận dạng hay không. Một PDF được tạo từ trình xử lý văn bản có thể đã chứa văn bản có thể sử dụng; một PDF được tạo từ ảnh chụp trang có thể cần OCR trước khi các từ của nó có thể được sử dụng lại.

Một số quyết định nằm sau một kết quả hữu ích: văn bản ở đâu, nó nói gì và các phần của nó nên được sắp xếp như thế nào. Nhận dạng ký tự, phát hiện vùng và phân tích thứ tự đọc giải quyết các phần khác nhau của vấn đề đó. Do đó, việc kết hợp sai hai cột là lỗi cấu trúc tài liệu, ngay cả khi các từ riêng lẻ được đọc chính xác.

Việc học giúp nhận dạng xử lý sự thay đổi trong nguồn

Một bộ nhận dạng đã học phát triển các mẫu hữu ích từ các ví dụ thay vì dựa hoàn toàn vào các mô tả ký tự được chỉ định thủ công. Nó có thể học các đặc điểm hình ảnh liên quan đến nét vẽ, hình dạng và nhóm chữ cái, sau đó sử dụng các đặc điểm đó để diễn giải hình ảnh mới. Điều này cung cấp một cách để thích ứng với sự khác biệt trong in ấn, chữ viết tay và điều kiện chụp khi các ví dụ đào tạo và phương pháp hỗ trợ chúng.

Ranh giới giữa OCR thông thường và AI OCR không phải là một sự phân chia lịch sử rõ ràng. Mạng thần kinh, nhận dạng thống kê và mô hình ngôn ngữ đã là một phần của nghiên cứu tài liệu trong nhiều thập kỷ. Phần mềm OCR đã được thiết lập có thể đã chứa các thành phần đã học. Sẽ là sai lệch nếu mô tả mọi hệ thống thông thường là khớp mẫu cứng nhắc và mọi hệ thống mới hơn là một loại công nghệ hoàn toàn khác.

Đóng góp thực tế của việc học là khả năng thích ứng với các mẫu được thể hiện trong dữ liệu. Một bộ nhận dạng tiếp xúc với các hình dạng chữ cái đa dạng có thể xử lý nhiều biến thể hơn so với một bộ được phát triển cho đầu vào hẹp. Lợi ích đó vẫn phụ thuộc vào tác vụ cụ thể: đọc một dòng chữ viết tay, xác định vị trí tiêu đề và xác định cấu trúc của bảng đòi hỏi bằng chứng và đánh giá khác nhau.

Đào tạo một mô hình khác với việc đọc một trang mới

Trong quá trình đào tạo, các tham số nội bộ của mô hình được điều chỉnh bằng cách sử dụng các ví dụ và mục tiêu học tập. Đối với nhận dạng văn bản, các ví dụ có thể ghép nối hình ảnh với các bản phiên âm của chúng. Một giai đoạn đào tạo ban đầu rộng rãi có thể thiết lập các mẫu hình ảnh hoặc ngôn ngữ hữu ích, sau đó là sự thích ứng với một bộ sưu tập hoặc tác vụ cụ thể hơn. Các ví dụ tổng hợp cũng có thể cung cấp các biến thể về phông chữ, cách diễn đạt và hình thức bên cạnh hình ảnh tài liệu thực tế.

Khi một mô hình đã được đào tạo xử lý một trang mới, nó áp dụng những gì đã học để tạo ra kết quả. Giai đoạn này thường được gọi là suy luận. Nó không yêu cầu một vòng đào tạo mô hình mới cho mọi tài liệu. Sự khác biệt này giải thích tại sao một bộ nhận dạng có thể đọc tài liệu mà nó chưa từng gặp dưới dạng một trang giống hệt trước đây, trong khi vẫn phụ thuộc vào các loại mẫu mà quá trình đào tạo của nó đã chuẩn bị để xử lý.

Sửa lỗi bản phiên âm là một thao tác riêng biệt. Việc sửa lỗi thay đổi đầu ra đó; tự nó không thiết lập rằng mô hình cơ bản đã học được chữ viết tay của người viết. Phần mềm hỗ trợ thích ứng cần một quy trình rõ ràng để sử dụng các ví dụ nhằm cập nhật nhận dạng, ngoài việc chỉnh sửa văn bản thông thường.

Các mẫu hình ảnh trở thành từ ngữ thông qua nhận dạng chuỗi

Quá trình nhận dạng không phải lúc nào cũng bắt đầu bằng việc cắt hình ảnh thành từng chữ cái riêng lẻ. Nhiều người đọc có kinh nghiệm xử lý một từ hoặc một dòng như một chuỗi. Một thành phần xử lý hình ảnh sẽ tạo ra biểu diễn các mẫu hình ảnh của nó, và một thành phần chuỗi sẽ liên kết các mẫu đó với văn bản có thể có. Việc đọc chữ viết tay liền mạch đặc biệt hiệu quả với các phương pháp không yêu cầu phải cung cấp trước ranh giới của từng ký tự.

Nghiên cứu kết hợp các đặc trưng hình ảnh đã học, mô hình hóa chuỗi và phiên mã cho thấy cách các giai đoạn này có thể được huấn luyện cùng nhau. Bằng chứng từ các ký tự lân cận rất quan trọng: một dấu gạch dọc có thể là chữ l hoặc chữ số 1, và hình dạng của nó cùng các ký tự xung quanh giúp hệ thống lựa chọn giữa chúng. Một hệ thống có thể tạo ra các ký tự, các phần của từ hoặc các đơn vị văn bản khác trước khi lắp ghép thành chuỗi cuối cùng.

Ngữ cảnh có thể đến từ hình ảnh, chuỗi xung quanh hoặc thông tin ngôn ngữ bổ sung. Những nguồn này giúp giải quyết sự không chắc chắn, nhưng chúng đóng các vai trò khác nhau. Các dấu hiệu hiển thị xác định những gì có thể đọc được, trong khi ngữ cảnh đã học ảnh hưởng đến cách hệ thống diễn giải chúng. Một bản phiên mã hữu ích sẽ bảo toàn mối liên hệ đó với trang tài liệu.

Các hệ thống tài liệu có thể kết hợp nhiều giai đoạn hoặc tạo kết quả trực tiếp

Một thiết kế phổ biến sử dụng các thành phần riêng biệt để định vị văn bản, nhận dạng và phân tích các từ cũng như vị trí thu được. Điều này có thể làm lộ ra các thông tin trung gian hữu ích, chẳng hạn như vị trí từ hoặc các dòng đã nhận dạng. Một thành phần sau đó có thể phân loại tài liệu hoặc trích xuất các trường đã chọn. Các lỗi và cải tiến có thể được kiểm tra tại giai đoạn mà chúng xảy ra.

Một thiết kế khác sử dụng biểu diễn hình ảnh và thành phần tạo văn bản để tạo ra kết quả yêu cầu một cách trực tiếp hơn. Nghiên cứu đã chứng minh khả năng hiểu tài liệu mà không cần giai đoạn OCR thông thường độc lập, bao gồm cả các kết quả có cấu trúc được tạo từ hình ảnh trang. Thuật ngữ OCR-free trong nghiên cứu đó mô tả sự vắng mặt của một công cụ OCR riêng biệt; thông tin văn bản vẫn phải được diễn giải từ hình ảnh.

Các thiết kế này có thể chồng chéo lên nhau. Một trình đọc chuyên dụng có thể tạo văn bản từng phần một, và một hệ thống tài liệu lớn hơn có thể kết hợp trình phát hiện văn bản với trình đọc đã học và xử lý bổ sung. Do đó, AI OCR không xác định một kiến trúc cố định duy nhất. Các câu hỏi quan trọng là hệ thống tạo ra kết quả gì và bằng chứng nào vẫn còn sẵn sàng để kiểm tra kết quả đó.

Bố cục giúp kết nối các từ đã nhận dạng với vai trò của chúng

Một trang tài liệu truyền đạt thông tin thông qua vị trí cũng như cách dùng từ. Một ngày tháng bên cạnh nhãn "Ngày hóa đơn" có vai trò khác với ngày tháng bên cạnh "Ngày đến hạn". Một con số dưới tiêu đề "Tổng cộng" có thể có ý nghĩa khác với cùng con số đó trong một mục hàng. Các mô hình tài liệu có thể sử dụng văn bản đã nhận dạng, tọa độ của nó và thông tin hình ảnh trang để tìm hiểu các mối quan hệ này.

Nghiên cứu về tiền huấn luyện tài liệu đa phương thức kết hợp các nguồn thông tin đó cho các tác vụ như diễn giải biểu mẫu, xử lý biên lai và phân loại tài liệu. Điều này mở rộng việc nhận dạng sang phân tích: hệ thống đang tìm hiểu cách các phần tử tài liệu liên quan đến một tác vụ, thay vì chỉ tạo ra các chuỗi ký tự của chúng. Nó cũng giải thích lý do tại sao việc bảo toàn vị trí có thể hữu ích ngay cả khi kết quả cuối cùng chỉ là một tập hợp nhỏ các trường thông tin.

Việc diễn giải có thể được thực hiện bởi các mô hình đã học dành riêng cho tác vụ, các quy tắc hoặc kết hợp cả hai. Nó vẫn cần sự xác thực phù hợp với mục đích của mình. Xác định thời hạn thanh toán, kiểm tra xem tổng số có nhất quán không và quyết định xem hóa đơn có nên được phê duyệt hay không là các yêu cầu riêng biệt; thành công trong việc đọc các từ không tự động đồng nghĩa với thành công ở cả ba yêu cầu trên.

Phiên mã, trích xuất và trả lời câu hỏi về tài liệu tạo ra các kết quả khác nhau

Hãy xem xét một ví dụ đơn giản bao gồm Ngày hóa đơn: 3 tháng Ba, Ngày đến hạn: 17 tháng Ba và Tổng cộng: 125.00. Bản phiên mã cần giữ nguyên các từ ngữ hiển thị đó. Công cụ trích xuất trường có thể chỉ trả về thời hạn thanh toán và số tiền, trong khi hệ thống hỏi đáp tài liệu có thể trả lời yêu cầu về ngày đến hạn. Mỗi kết quả đều có thể hữu ích, nhưng các đầu ra ngắn hơn không phải là bản phiên mã hoàn chỉnh.

Sự khác biệt tương tự cũng áp dụng cho các chuyển đổi sau đó. Dịch thuật thay đổi ngôn ngữ; chỉnh sửa thay đổi cách dùng từ hoặc trình bày; tóm tắt chọn lọc thông tin. Xác định tác vụ trước giúp đánh giá kết quả dễ dàng hơn. Bảng dưới đây mô tả các tác vụ xử lý tài liệu chung, thay vì giả định rằng mọi công cụ OCR đều cung cấp tất cả các tác vụ đó.

Ngữ cảnh hữu ích phải luôn gắn liền với bằng chứng hiển thị

Một trình nhận dạng có thể sử dụng ngữ cảnh để giải quyết một ký tự khó, nhưng một câu có vẻ hợp lý không nhất thiết là một bản phiên mã trung thực. Một cái tên không phổ biến có thể bị thay thế bằng một từ quen thuộc, hoặc một lỗi chính tả thực sự có thể bị sửa một cách âm thầm. Hành vi đó có thể hữu ích trong tác vụ chỉnh sửa nhưng lại sai đối với việc trích dẫn hoặc phiên mã lưu trữ.

Một tiêu chuẩn đánh giá chữ viết tay được công bố vào năm 2026 đã xem xét sự khác biệt này và báo cáo các lỗi sửa chữa không có cơ sở trực quan trong một số hệ thống tạo văn bản được thử nghiệm. Phát hiện này liên quan đến các hệ thống và tác vụ cụ thể, không phải mọi trình nhận dạng AI. Nó củng cố một ranh giới hữu ích: đọc, viết lại và hoàn thiện nội dung còn thiếu là các mục tiêu khác nhau. Khi nguồn không xác định được một từ, đầu ra trôi chảy đơn thuần không thể xác định được từ đó.

Chọn kết quả yêu cầu trước khi so sánh các phương pháp nhận dạng

Điểm khởi đầu tốt nhất là đầu ra mà tác vụ tiếp theo của bạn cần. Việc sử dụng lại một đoạn văn đòi hỏi văn bản có thể chỉnh sửa. Tìm kiếm một bản quét có thể đòi hỏi một lớp văn bản liên kết với hình ảnh trang của nó. Nhập các trường hóa đơn vào hệ thống khác cần trích xuất có cấu trúc. Những yêu cầu đó nên hướng dẫn việc so sánh hơn là một nhãn AI chung chung.

Đánh giá khả năng liên quan trên tài liệu đại diện. Các tiêu chuẩn nghiên cứu phân biệt nhận dạng văn bản, định vị, bố cục, các phần tử phức tạp và lập luận vì một hệ thống có thể hoạt động khác nhau trên các tác vụ đó. Kết quả tốt trên văn bản in rõ ràng không xác định chất lượng của các công thức viết tay hoặc cấu trúc của bảng. Thời gian phản hồi và lượng đánh giá cần thiết cũng có thể quan trọng trong quy trình làm việc thực tế.

Bảo toàn hình thức trang là một lựa chọn đầu ra riêng biệt. Bản quét có thể tìm kiếm giữ lại hình ảnh với văn bản liên kết, trong khi tài liệu văn bản được trình bày mới thực hiện các đánh đổi khác. Một tệp được gọi là PDF không cho bạn biết nó chứa biểu diễn nào. Hãy quyết định xem bước tiếp theo cần bố cục hình ảnh gốc, bản phiên mã có thể chỉnh sửa hay một tập hợp dữ liệu cụ thể.

Các công cụ nhận dạng và văn bản trong i2OCR

i2OCR cung cấp hình ảnh và PDF OCR với các chế độ nhận dạng Classic và Future, tùy thuộc vào ngôn ngữ được chọn. Đây là các chế độ sản phẩm, không phải định nghĩa kỹ thuật của mọi kiến trúc OCR. Chọn ngôn ngữ của tài liệu, sau đó nhận dạng hình ảnh, trang PDF đã chọn hoặc vùng đã chọn. Một yêu cầu nhận dạng PDF sẽ xử lý một trang hoặc vùng đã chọn.

Sau khi nhận dạng, bạn có thể xem lại và chỉnh sửa bản ghi, mở Smart Edit hoặc yêu cầu dịch thuật. Đây là các hành động riêng biệt với các mục đích khác nhau. Các hiệu chỉnh thông thường sẽ cập nhật kết quả hiện tại; chúng không phải là tính năng luyện viết tay. Việc giữ lại bản ghi đã xem xét trước khi viết lại hoặc dịch giúp việc so sánh các phiên bản sau này với bản gốc dễ dàng hơn.

Cả hai chế độ đều cung cấp tùy chọn tải xuống văn bản và Word. Chế độ Classic có tính năng PDF cho phép tìm kiếm, giữ lại trang hoặc vùng được nhận dạng dưới dạng hình ảnh cùng với lớp văn bản nhận dạng gốc; các chỉnh sửa văn bản sau đó sẽ không cập nhật lớp PDF đó. Chế độ Future có tính năng PDF đơn giản, được tạo từ văn bản hiện tại trong một bố cục mới. Hãy chọn đầu ra phù hợp với việc bạn cần giữ nguyên hình thức gốc hay cần nội dung văn bản đã chỉnh sửa.