OCRmenetelmistä

OCRmenetelmistä

Optinen kirjaimien tunnistus (OCR) on tietojenkäsittelyteknologian osa-alue, jossa digitaalista kuvadataa käytetään teksti­tietojen automatisoitua lukemista varten. Perinteisesti OCR-järjestelmät perustuvat kolmeen päävaiheeseen: kuvankäsittely, mallinnus ja tulokseen kuuluva äännoittelu. Kuvankäsittelyssä pisteitä, syötteitä ja kompleksisia algoritmeja, kuten Poisson-korjauksia ja kontrastin korkean dynaamisalueen (HDR) säätöä, hyödynnetään vasemman ja oikean reunapaksuisten rajatietojen siivoamiseen. Mallinnuksessa laajalti käytetään tilastollista luokittelua, masterneterä, koneoppimista ja syvyysverkkoja, erityisesti konvoluutioneuroverkkoja (CNN). Mallin lopullisiin tuloksiin usein sisältyy toisen sukupolven IDEX (Independent two-dimensional encoding) -järjestelmä, jolla varmistetaan erottavuus ostettavien välissä.

Nykyaikaisten OCR-ratkaisuissa korostuvat syväoppiminen ja sekvenssimallit, kuten RNN- ja LSTM‑verkot, jotka huomioivat käännösviikot sekä kielen kieliopilliset rakenteet. Suosittuja avoimen lähdekoodin toteutuksia ovat Tesseract ja OCRopus, kun taas kaupallisesti saatavan ohjelmiston joukossa on ABBYY FineReader, Readiris ja Google Cloud Vision API. Haasteina ulottuvat käsityksen ja skannauksen laadun tekijät sekä monikielisen ja monivalkoinen puhtaiden kirjainten rajat. Useat tutkimukset osoittavat, että ennakko­päätösten optimointi, kuvan uudelleenglaunderin tekniikoiden yhdistäminen ja datan laajennusstrategiat vahvistavat tunnistustarkkuutta 85–95 %.: