OCR — co to jest i jak działa rozpoznawanie tekstu

OCR rozpoznaje znaki na obrazie i zamienia je w tekst cyfrowy. Taki tekst można przeszukiwać i edytować; sam obraz zeskanowanego dokumentu na to nie pozwala¹.
W artykule wyjaśniamy, jak działa OCR i do czego przydaje się w obiegu dokumentów. Przeszukiwalny PDF może zachować obraz strony, a pod nim zawierać niewidoczną warstwę rozpoznanego tekstu².

Czym jest OCR w pracy z dokumentami?

Rozpoznawanie tekstu stosuje się do skanów i zdjęć dokumentów. OCR odczytuje druk, a w niektórych przypadkach również pismo odręczne³.
Możliwości odczytu zależą więc od rodzaju pisma. Nie wystarczy wiedzieć, że dokument pochodzi z papierowego oryginału⁴.

Jak rozpoznawany jest tekst na skanach i zdjęciach?

Program OCR analizuje skan lub zdjęcie, żeby odczytać widoczne znaki. Najpierw otrzymuje obraz, potem identyfikuje znaki i zapisuje je jako tekst. Jakość obrazu wejściowego wpływa na dokładność tego procesu³.
Wynik pozostaje powiązany z przetwarzanym dokumentem. ABBYY zaleca skanowanie typowych dokumentów tekstowych w rozdzielczości 300 dpi⁵.

Program czy funkcja skanera: gdzie odbywa się rozpoznawanie tekstu?

Tekst można rozpoznać już podczas skanowania albo później, w programie analizującym gotowy plik¹.
Brother ADS-4900W skanuje z szybkością do 60 stron na minutę. Urządzenie umożliwia też tworzenie przeszukiwalnych plików PDF⁶.

Tabela porównuje oba sposoby pod względem momentu rozpoznawania i materiału przekazywanego do analizy.

Funkcja skanera łączy odczyt z tworzeniem pliku. Osobny program pozwala z kolei przetworzyć skany zapisane wcześniej. Wybór zależy od tego, czy firma dopiero skanuje dokumenty, czy ma już zbiór plików.
Tesseract przyjmuje wcześniej zapisane obrazy w formatach PNG, JPEG i TIFF⁷.

Czym jest oprogramowanie do rozpoznawania tekstu?

Oprogramowanie OCR analizuje obraz dokumentu i zapisuje odczytane znaki jako tekst. Może też tworzyć przeszukiwalne pliki PDF ze skanów³.
Przy wyborze programu warto ustalić, jaki plik ma powstać. Dokument do wyszukiwania służy innemu celowi niż plik przeznaczony do edycji. Acrobat udostępnia tryby Searchable Image, Searchable Image (Exact) oraz Editable Text and Images⁸.

Jak rozpoznany tekst pomaga odnaleźć dokument?

Rozpoznany tekst pozwala znaleźć dokument po słowach z jego treści, nie tylko po nazwie pliku. Wyszukiwanie wymaga odczytu, powiązania tekstu z dokumentem i sprawdzenia trafienia:

• Odczyt treści dostarcza słów, które można wpisać jako zapytanie.
• Powiązanie tekstu z plikiem pozwala wskazać dokument zawierający szukaną frazę.
• Sprawdzenie wyniku pozwala porównać frazę z obrazem dokumentu, gdy odczyt znaku budzi wątpliwości.

Wyszukiwanie po treści przyspiesza dotarcie do dokumentu. Niepewny odczyt nadal trzeba sprawdzić w skanie.
Amazon Textract zwraca ocenę pewności od 0 do 100; wyniki o niskiej pewności można skierować do kontroli⁹.

Czym jest trening OCR i jak łączy się z DMS?

Trening OCR przygotowuje rozpoznawanie do określonego języka lub rodzaju dokumentów. DMS, czyli system zarządzania dokumentami, może później przechowywać plik wraz z odczytanym tekstem i jego opisem.
OCR odczytuje znaki, ale przypisanie pól i włączenie dokumentu do obiegu wymaga osobnego etapu. Dokumentacja Tesseract wskazuje dostępność danych rozpoznawania dla ponad 130 języków¹⁰.

Jak przygotować system do rozpoznawania określonych dokumentów?

Przygotowanie OCR zaczyna się od ustalenia, jaki tekst i w jakim języku ma być odczytywany. Dokładność zależy także od alfabetu i przygotowania systemu do danego języka¹¹.
Dane językowe Tesseract, w tym dla polskiego, występują w zestawach tessdata, tessdata_fast i tessdata_best¹².

• Próbki dokumentów powinny odzwierciedlać układy stron i rodzaje pisma spotykane w planowanym obiegu.
• Konfiguracja języka powinna odpowiadać alfabetowi dokumentów kierowanych do odczytu.
• Kontrola wyniku powinna wychwycić błędnie odczytane pola, zanim tekst trafi do dalszego procesu.

Przygotowany system warto sprawdzić na dokumentach, które ma obsługiwać. Taka próba pokazuje błędy istotne w danym zadaniu.
Wskaźnik CER wyraża liczbę zamian, pominięć i wstawek na 100 znaków tekstu referencyjnego¹³.

Co powstaje po rozpoznaniu tekstu: warstwa do wyszukiwania czy plik do edycji?

Wynik OCR zależy od sposobu zapisu. Rozpoznany tekst może służyć wyszukiwaniu w dokumencie albo trafić do pliku przeznaczonego do edycji.
ABBYY FineReader pozwala zapisać wynik jako przeszukiwalny PDF lub edytowalny plik DOCX¹⁴.

Tabela porównuje te wyniki pod względem zastosowania i sposobu pracy z treścią.

Dane w tabeli: 15

Warstwa tekstowa zostawia obraz strony jako punkt odniesienia. Plik edytowalny służy natomiast do zmiany treści. Format należy dobrać do celu: odnalezienia dokumentu albo jego redakcji.
Wariant PDF/A-2u normy ISO 19005-2:2011 wymaga odpowiedników Unicode dla tekstu, co umożliwia indeksowanie i wyszukiwanie¹⁶.

Jak połączyć rozpoznany tekst z metadanymi i repozytorium DMS?

Integracja OCR z DMS łączy plik, odczytany tekst i metadane. Metadane opisują dokument, na przykład jego typ lub numer. Repozytorium jest miejscem przechowywania dokumentów w systemie.
Biblioteka dokumentów SharePoint Online może zawierać do 30 milionów plików i folderów¹⁷.

• Plik dokumentu trafia do repozytorium jako materiał, z którym trzeba powiązać wynik odczytu.
• Rozpoznany tekst musi wskazywać właściwy plik, żeby wyszukiwanie prowadziło do odpowiedniego dokumentu.
• Metadane dokumentu trzeba sprawdzić przed użyciem do klasyfikacji lub kierowania pliku w obiegu.

DMS łączy treść z opisem dokumentu. Sam odczyt znaków nie potwierdza jednak poprawności metadanych. Warto je skontrolować, zanim zaczną sterować obiegiem.

Jakie etapy i ograniczenia ma trenowanie tradycyjnego systemu OCR?

Trenowanie tradycyjnego OCR obejmuje przygotowanie próbek, dostosowanie rozpoznawania i sprawdzenie wyników na docelowych dokumentach. Błędy odczytu trzeba odróżnić od błędów przypisania danych do pól.
Odczytanie tekstu faktury nie jest tym samym co wyodrębnienie informacji potrzebnych systemowi¹¹. Automatyzacja obiegu dokumentów wymaga więc zarówno odczytu, jak i kontroli danych używanych dalej.

Czym jest optyczne rozpoznawanie znaków w praktyce?

Optyczne rozpoznawanie znaków zamienia znaki widoczne na obrazie w tekst. OCR obejmuje przygotowanie obrazu, wyodrębnienie obszarów tekstowych, rozpoznanie znaków i weryfikację wyniku³.
Na kolejnych etapach system ustala, gdzie leży tekst i jakie znaki zawiera. Człowiek lub przyjęta procedura kontroli musi jeszcze ocenić, czy wynik zgadza się z dokumentem.

Jak przebiega rozpoznawanie znaków w obrazie?

Rozpoznawanie zaczyna się od obrazu dokumentu, a kończy tekstem, który może wymagać sprawdzenia.

• Digitalizacja dokumentu tworzy obraz strony przez skanowanie lub fotografowanie.
• Przetwarzanie wstępne obrazu przygotowuje go do odczytu. Może obejmować usuwanie szumów, korekcję nachylenia i zwiększanie kontrastu^3,18.
• Segmentacja wydziela części obrazu zawierające tekst.
• Rozpoznawanie znaków przypisuje zapis tekstowy znakom wykrytym w tych częściach.
• Weryfikacja i poprawki polegają na porównaniu otrzymanego tekstu z obrazem dokumentu¹⁹.

Po kontroli można wykorzystać wynik OCR w dalszej pracy. Zakres sprawdzenia zależy od zadania. Najwięcej uwagi wymagają błędy, które mogą zmienić decyzję lub skierować dokument do niewłaściwej sprawy.

Gdzie znajduje zastosowanie rozpoznawanie tekstu?

OCR stosuje się między innymi przy digitalizacji archiwów, dokumentacji medycznej i dokumentów przewozowych³.
W archiwum odczyt ułatwia znalezienie treści dostępnej wcześniej tylko na obrazie strony. W pozostałych zastosowaniach stanowi etap pracy z dokumentem. Nie potwierdza poprawności informacji zapisanych w jego treści²⁰.

OCR – co oznacza ten skrót?

Skrót OCR pochodzi od Optical Character Recognition, czyli optycznego rozpoznawania znaków. Oznacza technologię zamieniającą tekst z obrazów na cyfrowy tekst, który można edytować¹¹.
Nazwa dotyczy odczytu znaków, nie całego zarządzania dokumentem. OCR nie ustala automatycznie znaczenia każdej zapisanej w nim informacji.

Czym jest rozpoznawanie tekstu w dokumentacji budowlanej?

Rozpoznawanie tekstu w dokumentacji budowlanej obejmuje napisy na skanach pism, protokołów i rysunków. OCR może udostępnić do wyszukiwania oznaczenie rysunku lub nazwę obiektu. Nie interpretuje jednak samych linii, symboli i wymiarów jako projektu technicznego.
Przed użyciem odczytanych oznaczeń w obiegu trzeba porównać je z dokumentem.

Jak włączyć rozpoznane dokumenty budowlane do obiegu?

Obieg dokumentacji budowlanej powinien wiązać odczytany tekst z właściwym plikiem i kontrolowaną wersją dokumentu.

• Identyfikacja dokumentu wymaga porównania odczytanego tytułu i oznaczenia z widocznym skanem.
• Wersjonowanie zachowuje kolejne wydania dokumentu, żeby można było ustalić, które przekazano do pracy.
• Uprawnienia dostępu określają, kto może odczytać, zmienić lub zatwierdzić dokument.

OCR pomaga znaleźć dokumentację budowlaną. Kontrola oznaczeń i wersji pozwala wybrać właściwy plik. Uprawnienia określają z kolei, kto może z nim pracować.

Czym jest CRNN w rozpoznawaniu tekstu?

CRNN to sieć neuronowa łącząca warstwy konwolucyjne i rekurencyjne. Służy do odczytu sekwencji znaków z obrazu i należy do metod uczenia głębokiego, opartych na wielowarstwowych sieciach neuronowych. Warstwy konwolucyjne wydobywają cechy obrazu, a rekurencyjne analizują ich kolejność w wierszu tekstu.
CRNN jest metodą rozpoznawania znaków. Nie stanowi osobnego systemu obiegu dokumentów.

Zastosowania OCR w firmie: korzyści, narzędzia i pierwsze kroki

OCR pomaga firmie znajdować treść skanów i ograniczać ręczne przepisywanie. Korzyść zależy jednak od zadania. Do wyszukiwania trzeba rozpoznać słowa; przy wprowadzaniu danych system musi też ustalić, które słowo należy do danego pola.
Przed dalszym wykorzystaniem wynik odczytu trzeba sprawdzić²¹.

Jakie korzyści może przynieść rozpoznawanie tekstu?

Rozpoznany tekst pozwala wyszukać frazę w zeskanowanej korespondencji. Umożliwia też wykorzystanie treści bez przepisywania całej strony. Nie usuwa jednak potrzeby kontroli numerów, nazw i innych danych wpływających na decyzję pracownika.
Przy planowaniu wdrożenia firma powinna określić, czy potrzebuje wyszukiwania, edycji, czy uzupełniania pól systemu.

Jakie narzędzia rozpoznają tekst w dokumentach?

Tekst z dokumentów odczytują programy OCR, także te wykorzystujące uczenie maszynowe. AI OCR korzysta z niego przy pracy z różnymi czcionkami, znakami i pismem odręcznym¹¹.
Wybór takiej metody nie zastępuje sprawdzenia odczytu na dokumentach używanych w firmie.

Tesseract OCR jest darmowym oprogramowaniem o otwartym kodzie źródłowym. Rozpoznaje ponad 100 języków¹¹.
Sam zakres obsługi języków nie mówi, jak dokładnie program odczyta konkretny dokument²².

Kiedy wybrać osobny program do rozpoznawania tekstu?

Osobny program OCR przydaje się firmie, która ma już skany do przetworzenia. Daje też możliwość wyboru sposobu zapisu wyniku niezależnie od skanera. Przed wyborem warto sprawdzić obsługiwane języki, format wyniku i sposób weryfikacji błędów.
Odczyt tekstu nie oznacza jeszcze, że program przypisze dane do pól firmowego systemu.

Jak wykorzystać rozpoznawanie tekstu w obiegu firmowym?

Obieg firmowy z OCR warto zacząć od wskazania dokumentów, których treść ma być wyszukiwana lub przekazywana dalej.

• Cel odczytu określa, czy tekst posłuży do wyszukiwania, edycji czy uzupełniania pól.
• Kontrola tekstu polega na porównaniu informacji ważnych dla procesu z obrazem dokumentu.
• Przekazanie dokumentu wiąże sprawdzony wynik z właściwym plikiem i etapem obiegu.

OCR dostarcza tekst. Reguły obiegu określają, co firma zrobi z wynikiem. To od celu pracy zależy, które informacje trzeba skontrolować przed ich użyciem.

Rozpoznawanie tekstu w finansach i ochronie zdrowia

W finansach OCR służy do odczytu dokumentów, a w ochronie zdrowia pomaga pracować ze skanami dokumentacji medycznej. Z faktur odczytuje się między innymi numer, datę, kwotę i dane kontrahenta²³.
Zanim dane trafią do dalszego obiegu, trzeba porównać je z obrazem faktury.

Jak wykorzystać rozpoznawanie tekstu w dokumentacji medycznej?

OCR w dokumentacji medycznej może przygotować skan do wyszukiwania. Wymaga to sprawdzenia odczytu i sposobu udostępniania dokumentu.

• Wybór dokumentu wskazuje skany, które mają otrzymać tekst umożliwiający wyszukiwanie.
• Kontrola odczytu wymaga porównania istotnych informacji z obrazem dokumentu przed dalszym użyciem.
• Ograniczenie dostępu powinno objąć zarówno skan, jak i rozpoznany tekst, tak aby trafiały wyłącznie do uprawnionych osób.

Rozpoznany tekst ułatwia znalezienie dokumentu. Nie zastępuje sprawdzenia jego treści. Dostęp do pliku i warstwy tekstowej trzeba rozpatrywać łącznie.

Rozpoznawanie tekstu w dokumentach logistycznych

OCR w dokumentach logistycznych odczytuje oznaczenia przesyłek oraz treść skanów listów przewozowych i potwierdzeń dostawy. Numer przesyłki można powiązać z właściwą sprawą w obiegu, a nazwę odbiorcy wykorzystać przy wyszukiwaniu pliku.
Sam odczyt nie potwierdza doręczenia. Przed zmianą statusu trzeba sprawdzić treść potwierdzenia i porównać odczytany numer z dokumentem.

Najczęściej zadawane pytania

Jak zamienić PDF na OCR?

Otwórz zeskanowany PDF w programie OCR i wybierz wynik, np. przeszukiwalny PDF z warstwą tekstową albo plik do edycji. Dokładność zależy m.in. od jakości obrazu i ustawień języka, dlatego rozpoznany tekst warto sprawdzić.