tekstgenkendelse

Tekstgenkendelse, eller optisk tegngenkendelse (OCR), er teknologier og processer til at konvertere billeder af tekst til maskinlæsbar tekst. Den gør det muligt at digitalsere papirbaserede dokumenter og gøre tekst søgbar og redigerbar.

Historisk set begyndte OCR i midten af det 20. århundrede med simple mønstergenkendelsesbaserede systemer og senere statistiske modeller. Med fremkomsten af dybe neurale netværk og end-to-end modeller i 2010’erne blev nøjagtigheden betydeligt forbedret, og open source-projekter som Tesseract har bidraget til udbredelsen.

Teknikker og pipeline: En typisk tekstgenkendelsesproces indebærer billedforbehandling, sektionering af tekstblokke og tegn, karaktergenkendelse og efterbehandling såsom stavekontrol og kontekstbaseret sprogmodellering. Avancerede systemer udfører også layoutanalyse for at udskille kolonner, tabeller og billeder og anvender ofte CNN-, LSTM- eller Transformer-baserede netværk.

Anvendelser: OCR bruges bredt til digitalisering af arkiver, faktura- og kontraktbehandling, post og billetter, samt mobilapplikationer til skanning og tekstudtræk. Håndskreven tekst (HTR) er en særlig udfordring og forskningsområde, men opnår stadig forbedringer.

Udfordringer: Variabilitet i skrifttyper og sprog, stavemåder, håndskrift, støj og dårlige billedkvalitet samt komplekse layout kan reducere ydeevnen. Sprogunderstøttelse og tegnsæt, ligaturer og intonationsmærker kræver ofte tilpasninger.

Måling og værktøjer: Nøjagtighed måles ofte i karakter- eller ordfejl (CER/WER). Der findes både open source-rammer som Tesseract, EasyOCR og PaddleOCR samt kommercielle løsninger fra cloud-tjenester og specialfirmaer. Output kan være rene tekstfiler, søgbart PDF eller et tekstlag i PDF.