OCRtekstiä

OCR-tekstiä (optisen tekstin tunnistus) tarkoittaa kuvan tai skannauksen sisällön muuntamista koneellisesti käsiteltäväksi tekstiksi. Se mahdollistaa painettujen ja käsin kirjoitettujen aineistojen digitaalisen hakemisen, muokkauksen ja tallentamisen.

Tyypillinen OCR-järjestelmän työprosessi koostuu esikäsittelystä (esim. kuvanlaadun parantaminen, kohinan poisto, deskew), sivun asettelun hallinnasta sekä merkkien tunnistuksesta ja jälkikäsittelystä. Esikäsittely parantaa tulosten laatua, asetteluanalyysi erottaa rivit ja sarakkeet, ja tunnistus käyttää koneoppimismalleja, usein syväverkkoja. Jälkikäsittelyssä hyödynnetään sanakirjoja ja kielimalleja virheiden korjaamiseksi.

Sovelluksia ovat digitaalinen arkistointi, laskujen ja kuittien automaattinen käsittely, kirjojen ja lehtiartikkelien digitointi sekä saavutettavuuden parantaminen näkörajoitteisille henkilöille. OCR-teksti mahdollistaa hakemisen ja sisällön analyyttisen käsittelyn sekä muistiinpanujen ja julkaisujen arkistoinnin.

Teknologian kehitys on siirtynyt perinteisistä OCR-menetelmistä end-to-end -järjestelmiin, joissa syväverkot ja kielimalleja hyödyntävät ratkaisut voivat parantaa sekä tunnistuksen tarkkuutta että asettelun säilymistä. Avoimet työkalut kuten Tesseract sekä kaupalliset palvelut tukevat useita kieliä ja kirjoitusjärjestelmiä, mukaan lukien käsikirjoitus.

Rajoitteita ovat huono kuvanlaatu, monimutkainen asettelu (monisivuiset ja monikaariset sivut), taulukot sekä käsin kirjoitettu teksti. Mittareita käytetään määrittämään suorituskykyä, kuten karakterivirheprosentti (CER) ja sanavirheprosentti (WER), sekä layout-tunnistuksen tarkkuus.