Dlaczego tekst rozpoznany za pomocą OCR wygląda inaczej na zdjęciach wykonanych aparatem niż na skanach z płaskiego skanera?
Tekst OCR różni się, ponieważ zdjęcia wykonane aparatem wprowadzają zmienną geometrię i oświetlenie, podczas gdy skany płaskie zwykle przedstawiają bardziej płaskie i jednolite kształty znaków.
Paragon sfotografowany nad biurkiem może być ostry w centrum, ale przy krawędzi zniekształcony, zacieniony lub zakrzywiony. Skaner płaski utrzymuje stronę w stałej odległości i oświetla ją w kontrolowany sposób. W rezultacie OCR otrzymuje dwa różne rozkłady obrazów, nawet gdy wydrukowana strona jest identyczna, a ustawienia rozpoznawania pozostają takie same w kontrolowanym porównaniu.
Geometria ujęcia zmienia kształty znaków
Aparat odwzorowuje trójwymiarową scenę na matrycy. Przechylenie powoduje zniekształcenie trapezowe, wygięcie strony zakrzywia wiersze tekstu, a dystorsja obiektywu zmienia skalę w różnych miejscach kadru. OCR musi najpierw określić położenie znaków i wierszy, zanim zacznie je rozpoznawać.
Przegląd dokumentów fotografowanych aparatem wskazuje rozmycie, niską rozdzielczość, zniekształcenia perspektywy i złożony układ jako charakterystyczne wyzwania. Skanowanie płaskie eliminuje lub stabilizuje kilka z tych zmiennych.
Prostowanie może sprawić, że sfotografowana strona będzie wyglądać jak prostokąt, ale interpolacja ponownie próbuje próbki pociągnięć. Cienkie znaki interpunkcyjne mogą zniknąć, a sąsiednie litery mogą się połączyć. Korekcja geometrii poprawia układ, jednocześnie czasem zmieniając piksele wykorzystywane przez moduł rozpoznawania poszczególnych glifów.
Oświetlenie i ostrość zmieniają informacje o pociągnięciach
Skanery płaskie zapewniają równomierne oświetlenie blisko powierzchni papieru. Zdjęcia wykonane aparatem są obciążone cieniami, odblaskami, zmianami balansu bieli, ograniczoną głębią ostrości, rozmyciem ruchu i szumem matrycy. Progowanie adaptacyjne może w jednym obszarze potraktować cień jako tło, a w innym wymazać blady druk.
Badanie eksperymentalne dotyczące mobilnego fotografowania dokumentów analizuje sposób, w jaki użytkownicy ustawiają i orientują telefony podczas wykonywania zdjęć dokumentów, pokazując, że sam proces pozyskiwania obrazu jest częścią jakości OCR.
Kompresja wprowadza kolejną różnicę. Procesy wykonywane w telefonie mogą wyostrzać krawędzie, usuwać szum tekstury i kodować bloki JPEG, zanim obraz trafi do OCR. Ulepszenia te mogą pomóc w przypadku dużego tekstu, ale zniekształcać małe znaki, zwłaszcza kropki dziesiętne, numery seryjne i oznaczenia o niskim kontraście.
Kiedy urządzenie rejestrujące nie jest przyczyną
Różnice w rejestracji obrazu nie wyjaśniają błędów powtarzających się przy tych samych słowach zarówno na czystym wycinku, jak i na skanie w wysokiej rozdzielczości. Nietypowe czcionki, języki, pismo odręczne lub układ dokumentu mogą przekraczać możliwości treningu modułu rozpoznawania niezależnie od geometrii obrazu z aparatu.
Badania nad jakością obrazu dokumentów oddzielają jakość obrazu od możliwości rozpoznawania, testując kontrolowane degradacje. Takie kontrole są konieczne, zanim każdą różnicę w tokenach przypisze się urządzeniu.
Mechanizm ten przestaje również mieć zastosowanie, gdy każde wejście przechodzi inną dalszą ścieżkę, na przykład zdjęcia są przetwarzane przez OCR w chmurze, a skany przez OCR lokalny. Różne wykrywanie orientacji, ustawienia języka lub słowniki korekcji końcowej mogą zmienić tekst już po wykonaniu zdjęcia. Przed oceną sprzętu należy ujednolicić ścieżkę programową.
Porównuj zmienne rejestracji w jednym procesie OCR
Zarejestruj tę samą stronę za pomocą skanera płaskiego i aparatu, a następnie utwórz warianty zdjęcia z różnym przechyleniem, cieniem, rozmyciem ruchu i odległością. Przepuść oryginalne obrazy i znormalizowane wycinki przez ten sam silnik OCR, pakiet językowy, rozdzielczość i etap przetwarzania końcowego. Porównaj błędy znaków według regionu i klasy symboli.
Przechowuj sparowane obrazy i transkrypcje w lokalnym procesie OCR, aby wersje wstępnego przetwarzania pozostały możliwe do prześledzenia bez przesyłania poufnych stron. Zachowaj surowe pliki z aparatu przed automatycznym ulepszaniem.
Jeśli prostowanie zmniejsza różnicę, dominującym czynnikiem była geometria. Jeśli błędy podążają za ciemnymi lub błyszczącymi obszarami, dominowało oświetlenie. Jeśli skan i znormalizowane zdjęcie nadal pomijają te same terminy, zbadaj zakres obsługiwany przez model lub układ dokumentu. Liczby i znaki interpunkcyjne oceniaj osobno, ponieważ podobny współczynnik błędów słów może ukrywać większe ryzyko praktyczne.
Polecane produkty
Centrum Technologii i Sztucznej Inteligencji
Więcej do przeczytania
Jak mierzyć jakość lokalnego wyszukiwania RAG oraz interpretować kompletność przywołań, precyzję i pokrycie cytowaniami
Zbuduj lokalny zestaw testowy RAG, oblicz podstawowe metryki wyszukiwania, zinterpretuj kompromisy między nimi i sprawdź, czy twierdzenia zawarte w odpowiedziach są poparte przytoczonymi dowodami.
Dlaczego obliczenia funkcji inteligentnego domu stają się ważniejsze wraz ze wzrostem liczby czujników przy tej samej częstotliwości próbkowania?
Śledź obliczenia dla poszczególnych czujników i między czujnikami wraz ze wzrostem liczby urządzeń, identyfikuj nieliniowe koszty fuzji danych i porównaj wydajność potoku cech, zanim...
Dlaczego koszt oceny RAG rośnie przy tej samej liczbie zapytań wraz z rozbudową biblioteki dokumentów?
Zrozum, dlaczego rozrost korpusu zwiększa nakład pracy na ocenę RAG bez zwiększania liczby zapytań użytkowników oraz jak testy warstwowe utrzymują koszty proporcjonalne do ryzyka.
