Ruka hadi kwenye maudhui
Makala

Jinsi ya kutumia OCR kwenye PDF iliyochanganuliwa

Utambuzi huweka safu ya maandishi isiyoonekana juu ya picha ya ukurasa. Hali ya ubora chaguo-msingi, otomatiki hufanya nini kwa lugha, na kwa nini kunyoosha hakuwashwi.

Kwa ufupi: OCR haibadilishi mwonekano wa ukurasa: safu ya maandishi isiyoonekana huwekwa juu ya picha, na utafutaji na kunakili huanza kufanya kazi. Kurasa zenye maandishi tayari hurukwa. Hali ya ubora ni azimio la kutoa tu: haraka ni DPI 100, usahihi ni 300.

Kundi

mwongozo wa hatua kwa hatua

mwongozo wa hatua kwa hatua: PDF guidance for reliable document processing and quality checks.

makala 13

Zana kuu

OCR ya PDF mtandaoni

Fungua zana iliyounganishwa na makala hii, kisha kamilisha uchakataji kwa kutumia lugha hii.

Fungua zana

Yaliyomo

Utambuzi wa maandishi kwenye PDF: nini hutokea kwa skani

Hati iliyochanganuliwa inaonekana kama hati na inasomeka kama hati, lakini kwa programu yoyote ni picha tu. Huwezi kuitafutia maneno, huwezi kunakili namba ya mkataba kutoka kwake, na fomu ya kupokea hati inayokagua maandishi huikataa kama faili tupu.

Utambuzi hutatua tatizo hilo hasa, kwa njia inayostahili kueleweka: haubadilishi chochote.

Nini kinaongezwa kwenye faili hasa

Picha ya ukurasa inabaki bila kuguswa. Juu yake huwekwa safu ya pili: maandishi yaliyowekwa mahali ambapo herufi husika ziko kwenye picha, na yanafanywa yasionekane.

Sifa zote za matokeo zinatokana na hilo. Kwa macho faili haitofautiani na ya awali: karatasi ile ile, mihuri ile ile, mwinamo ule ule kama ulikuwepo. Wakati huohuo utafutaji unapata maneno, kubofya mara mbili huchagua mstari, na kunakili kunatoa maandishi halisi.

Ukweli huohuo unaeleza kwa nini utambuzi ni salama kwa hati ambazo mwonekano wake ni muhimu. Mkataba uliochanganuliwa wenye saini, baada ya OCR, ni skani ile ile yenye saini ile ile; umekuwa tu na uwezo wa kutafutwa.

Kurasa zenye maandishi tayari hurukwa

Kabla ya kuchakata, kila ukurasa hukaguliwa kama una safu ya maandishi, na kurasa zilizo nayo hazitambuliwi kabisa.

Matokeo mawili ya vitendo yanafuata.

Hati mchanganyiko hushughulikiwa vizuri bila juhudi yoyote. Ikiwa sehemu ya faili iliandikwa kwenye kihariri na sehemu nyingine iliwekwa kama skani, ni sehemu ya pili tu inayotambuliwa. Maandishi yaliyoandikwa yanabaki ya asili badala ya kubadilishwa na nakala iliyotambuliwa, na hilo ni muhimu: maandishi ya asili ni sahihi, maandishi yaliyotambuliwa yana makosa.

Kuendesha OCR kwenye PDF ya kawaida ya maandishi hakufanyi karibu chochote na hakuharibu chochote. Hii ni rahisi pale usipojua kama hati uliyo nayo ni skani: iweke tu kwenye zana.

Mantiki hiyohiyo huamua muda wa kazi. Hautegemei idadi ya kurasa za hati, bali idadi ya kurasa zisizo na maandishi. Ripoti ya kurasa mia mbili yenye skani tano zilizobandikwa huchakatwa kwa muda wa kurasa tano.

Hali tatu za ubora ni maazimio matatu

Chaguo la ubora hudhibiti jambo moja tu: azimio ambalo ukurasa unatolewa kabla ya utambuzi.

HaliAzimioWakati wa kuichagua
Haraka100 DPIHerufi kubwa na wazi, ukaguzi wa haraka
Sawazishi150 DPIHati za kawaida, mikataba, vyeti
Usahihi300 DPIHerufi ndogo, tanbihi, nakala zisizo nzuri

Chaguo-msingi ni hali ya sawazishi, na ni vizuri kukumbuka hilo. Nukta mia moja na hamsini kwa inchi zinatosha kwa vichwa vya habari na maandishi ya kawaida, lakini tanbihi ndogo, namba kwenye majedwali na mihuri bado hutoka vibaya kuliko kwenye hali ya usahihi.

Kanuni ni rahisi: ikiwa hati ina kitu ambacho wewe mwenyewe unakikodolea macho, chagua hali ya usahihi. Ni polepole zaidi, lakini inakuokoa kufanya kazi mara mbili.

Lugha: otomatiki inamaanisha lugha mbili kwa wakati mmoja

Kiingereza na Kirusi zinapatikana, pamoja na hali ya otomatiki.

Hali ya otomatiki haikisii lugha. Inatambua hati kwa lugha zote mbili kwa wakati mmoja, jambo linalofaa kwa maandishi ambamo lugha moja imejaa majina, misimbo na istilahi za nyingine. Gharama yake ni kasi na upungufu mdogo wa usahihi kwenye maandishi ya lugha moja.

Ikiwa hati yote iko katika lugha moja, kuchagua lugha hiyo hutoa matokeo bora kidogo na kwa haraka zaidi.

Lugha uliyochagua ikikosekana, utambuzi hausimami: unaendeshwa kwa lugha zilizosakinishwa na kuambatisha onyo tofauti linalotaja lugha uliyoomba na ile iliyotumika. Onyo hilo linafaa kusomwa badala ya kufungwa: lugha iliyobadilishwa kimyakimya inaeleza matokeo ya ajabu vizuri kuliko makisio yoyote.

Kuhusu hati za lugha nyingine. Maandishi ya herufi za Kilatini hutambuliwa na kifurushi cha Kiingereza, lakini alama za herufi hupotea au kuharibika: maandishi ya Kifaransa na Kijerumani hutoka yakisomeka lakini na makosa kwenye alama. Mifumo ya uandishi isiyo ya Kilatini wala Kisiriliki haitumiki kabisa.

Jinsi ya kuendesha utambuzi

1. Fungua OCR ya PDF mtandaoni na upakie hati. 2. Chagua lugha. Otomatiki kwa maandishi mchanganyiko, lugha mahususi kwa maandishi ya lugha moja. 3. Weka hali ya usahihi ikiwa hati ina herufi ndogo. 4. Endesha kazi na upakue matokeo. 5. Fungua faili na utafute neno unalojua liko kwenye skani. Hiyo ndiyo njia ya haraka zaidi ya kukagua.

Kunyoosha ukurasa na gharama yake

Kigeuzi tofauti hunyoosha kurasa zilizoinama kabla ya utambuzi. Imezimwa kwa chaguo-msingi, na kuna sababu.

Kunyoosha hufanywa kwenye nakala ya muda ya ukurasa, ambayo ndiyo inayosomwa na utambuzi, kisha safu ya maandishi huwekwa juu ya ukurasa wa asili ambao haujarekebishwa. Kwenye skani iliyoinama sana hilo husababisha kutoendana: maandishi yasiyoonekana huishia yamezungushwa kulingana na herufi zinazoonekana.

Utafutaji hauathiriki, neno bado linapatikana. Uteuzi kwa kipanya ndio unaoathiriki: kisanduku cha uteuzi kinatua mbali na herufi, na kunakili kifungu huwa kazi ngumu.

Kuafikiana huku ni kwa makusudi, kwa sababu kurasa za asili zinabaki bila kuguswa. Ikiwa mwinamo ni mkubwa, hatua bora ni kunyoosha hati kabla ya utambuzi, kwa Zungusha PDF mtandaoni kwa mizunguko ya pembe ya digrii tisini, au kwa kuunda upya skani kupitia Changanua kuwa PDF mtandaoni, ambayo ina kunyoosha halisi.

Nini utambuzi haufanyi

Hauboreshi chanzo. Picha iliyofifia, mwanga wa taa unaopita juu ya mstari, kivuli cha mkono juu ya nusu ya ukurasa: vyote hubaki, na utambuzi juu ya eneo kama hilo hutoa maandishi yasiyoeleweka au hurukwa.

Hausomi mwandiko wa mkono. Zana imeundwa kwa maandishi ya kuchapishwa.

Haizalishi maandishi yenye uzito wa kisheria. Safu iliyotambuliwa ina makosa na haiwezi kutumika kama nakala ya hati. Ipo kwa ajili ya utafutaji na kwa mifumo inayohitaji safu ya maandishi, si kwa kunukuu.

Na hauongezi azimio. Ikiwa skani ya asili ilifanywa kwa nukta 75 kwa inchi, hali ya usahihi huitoa kwa 300, lakini hakuna herufi za ziada zinazojitokeza: picha iliyofifia inakuwa kubwa tu. Ubora wa utambuzi unaamuliwa na chanzo, si na mpangilio.

Utambuzi unakaa wapi kwenye mfuatano wa hatua

Mpangilio una umuhimu zaidi kuliko unavyoonekana, na kuna kanuni moja: utambuzi hufanywa kabla ya kupunguza ukubwa.

Utambuzi hufanya kazi kutoka kwa picha ya ukurasa. Kupunguza ukubwa kupitia Punguza ukubwa wa PDF mtandaoni kunaharibu picha hiyo: kunashusha azimio na kuongeza kasoro kuzunguka herufi. Mpangilio wa kinyume hutoa makosa mengi zaidi kwenye maandishi, na baadaye hakuna cha kuyarekebisha.

Kuunganisha na kuzungusha pia vinatangulia utambuzi: vinabadilisha kurasa zipi zipo na zimeelekezwa vipi, na safu ya maandishi imefungwa kwa ukurasa mahususi.

Ikiwa unachohitaji si faili yenye safu ya maandishi bali maandishi yenyewe kama faili tofauti, kuna PDF kuwa maandishi mtandaoni: hutoa maudhui kwenye faili ya maandishi matupu iliyogawanywa kwa kurasa.

Mwandishi

Imeandaliwa na timu ya huduma; Sergey Gagin anawajibika kwa huduma

Kuhusu mradi

Maswali

Hapana. Picha ya ukurasa inabaki kama ilivyokuwa na safu ya maandishi isiyoonekana inaongezwa juu yake. Kwa macho faili haitofautiani na ya awali, huku utafutaji na kunakili vikianza kufanya kazi.
Karibu hakuna: kurasa zenye maandishi tayari hurukwa bila kuchakatwa. Hilo ni rahisi kwa hati mchanganyiko ambapo kurasa nyingine zimeandikwa na nyingine zimechanganuliwa.
Kiingereza na Kirusi. Hali ya otomatiki hutambua zote mbili kwa wakati mmoja, jambo linalofaa kwa hati zenye maandishi mchanganyiko. Lugha uliyochagua ikikosekana, utambuzi huendeshwa kwa ile iliyopo na kusema hivyo kwenye onyo tofauti.
Hapana. Mtiririko wa msingi unapatikana bila kufungua akaunti.
Faili hutumika tu kwa operesheni uliyochagua na hufutwa kiotomatiki baada ya kuchakata kukamilika. Hatutumii hati zilizopakiwa kufundisha miundo ya AI.

Zaidi kutoka kundi hili

Zana husika

← Zana zote: Boresha

Cha kufanya baadaye

Baada ya kusoma, ukihitaji hatua inayofuata au maelezo kuhusu huduma, fungua kurasa hizi.

Zana zote

Orodha ya zana za PDF: unganisha, punguza ukubwa, gawa, badilisha, zungusha, linda na fungua PDF mtandaoni, moja kwa moja mtandaoni.

Maswali yanayoulizwa mara kwa mara

Pata majibu kuhusu akaunti za iHatePDF, uchakataji wa faili, mipaka ya kupakia, matumizi kwenye simu, faragha, na la kufanya zana ya PDF ikionyesha hitilafu.

Mawasiliano

Wasiliana na iHatePDF kuhusu hitilafu za uchakataji, kuchagua zana, usalama, maombi ya kibiashara na mapendekezo ya vipengele vipya.