Nhận dạng ký tự quang học (OCR) biến hình ảnh văn bản—bản quét, ảnh chụp từ điện thoại thông minh, PDF—thành các chuỗi máy có thể đọc được và, ngày càng nhiều, dữ liệu có cấu trúc. OCR hiện đại là một quy trình làm sạch hình ảnh, tìm văn bản, đọc nó và xuất siêu dữ liệu phong phú để các hệ thống hạ nguồn có thể tìm kiếm, lập chỉ mục hoặc trích xuất các trường. Hai tiêu chuẩn đầu ra được sử dụng rộng rãi là hOCR, một định dạng vi mô HTML cho văn bản và bố cục, và ALTO XML, một lược đồ hướng thư viện/lưu trữ; cả hai đều bảo toàn vị trí, thứ tự đọc và các tín hiệu bố cục khác và được hỗ trợ bởi các công cụ phổ biến như Tesseract.
Tiền xử lý. Chất lượng OCR bắt đầu bằng việc dọn dẹp hình ảnh: chuyển đổi thang độ xám, khử nhiễu, ngưỡng (nhị phân hóa), và chỉnh lệch. Các hướng dẫn OpenCV kinh điển bao gồm toàn cục, thích ứng và Otsu ngưỡng—những yếu tố chính cho các tài liệu có ánh sáng không đồng đều hoặc biểu đồ hai mode. Khi độ sáng thay đổi trong một trang (hãy nghĩ đến ảnh chụp bằng điện thoại), các phương pháp thích ứng thường hoạt động tốt hơn một ngưỡng toàn cục duy nhất; Otsu tự động chọn một ngưỡng bằng cách phân tích biểu đồ. Chỉnh sửa độ nghiêng cũng quan trọng không kém: chỉnh lệch dựa trên Hough (Biến đổi dòng Hough) kết hợp với nhị phân hóa Otsu là một công thức phổ biến và hiệu quả trong các quy trình tiền xử lý sản xuất.
Phát hiện và nhận dạng. OCR thường được chia thành phát hiện văn bản (văn bản ở đâu ?) và nhận dạng văn bản (nó nói gì?). Trong các cảnh tự nhiên và nhiều bản quét, các bộ phát hiện tích chập hoàn toàn như EAST dự đoán hiệu quả các tứ giác ở cấp độ từ hoặc dòng mà không cần các giai đoạn đề xuất nặng nề và được triển khai trong các bộ công cụ phổ biến (ví dụ: hướng dẫn phát hiện văn bản của OpenCV). Trên các trang phức tạp (báo, biểu mẫu, sách), việc phân đoạn các dòng/vùng và suy luận thứ tự đọc rất quan trọng:Kraken triển khai phân đoạn vùng/dòng truyền thống và phân đoạn đường cơ sở thần kinh, với sự hỗ trợ rõ ràng cho các tập lệnh và hướng khác nhau (LTR/RTL/dọc).
Mô hình nhận dạng. Công cụ mã nguồn mở cổ điển Tesseract (do Google mở nguồn, có nguồn gốc từ HP) đã phát triển từ một bộ phân loại ký tự thành một bộ nhận dạng chuỗi dựa trên LSTM và có thể phát hành các tệp PDF có thể tìm kiếm, đầu ra thân thiện với hOCR/ALTO, và nhiều hơn nữa từ CLI. Các bộ nhận dạng hiện đại dựa vào mô hình hóa chuỗi mà không cần các ký tự được phân đoạn trước. Phân loại thời gian kết nối (CTC) vẫn là nền tảng, học các sự sắp xếp giữa các chuỗi đặc trưng đầu vào và chuỗi nhãn đầu ra; nó được sử dụng rộng rãi trong các quy trình xử lý chữ viết tay và văn bản cảnh.
Trong vài năm qua, Transformers đã định hình lại OCR. TrOCR sử dụng một bộ mã hóa Vision Transformer cộng với một bộ giải mã Text Transformer, được đào tạo trên các kho ngữ liệu tổng hợp lớn sau đó được tinh chỉnh trên dữ liệu thực, với hiệu suất mạnh mẽ trên các tiêu chuẩn văn bản in, viết tay và cảnh (xem thêm tài liệu Hugging Face). Song song đó, một số hệ thống bỏ qua OCR để hiểu biết hạ nguồn: Donut (Document Understanding Transformer) là một bộ mã hóa-giải mã không có OCR, trực tiếp xuất ra các câu trả lời có cấu trúc (như JSON khóa-giá trị) từ tài liệu hình ảnh (repo, thẻ mô hình), tránh tích lũy lỗi khi một bước OCR riêng biệt cung cấp cho một hệ thống IE.
Nếu bạn muốn đọc văn bản có sẵn trên nhiều tập lệnh, EasyOCR cung cấp một API đơn giản với hơn 80 mô hình ngôn ngữ, trả về các hộp, văn bản và độ tin cậy—tiện dụng cho các nguyên mẫu và các tập lệnh không phải tiếng Latinh. Đối với các tài liệu lịch sử, Kraken tỏa sáng với phân đoạn đường cơ sở và thứ tự đọc nhận biết tập lệnh; để đào tạo cấp dòng linh hoạt, Calamari xây dựng trên dòng dõi Ocropy (Ocropy) với các bộ nhận dạng (đa)LSTM+CTC và một CLI để tinh chỉnh các mô hình tùy chỉnh.
Sự khái quát hóa phụ thuộc vào dữ liệu. Đối với chữ viết tay, Cơ sở dữ liệu chữ viết tay IAM cung cấp các câu tiếng Anh đa dạng về người viết để đào tạo và đánh giá; đó là một bộ tham chiếu lâu đời cho nhận dạng dòng và từ. Đối với văn bản cảnh, COCO-Text đã xếp lớp các chú thích mở rộng trên MS-COCO, với các nhãn cho văn bản in/viết tay, dễ đọc/khó đọc, tập lệnh và bản ghi đầy đủ (xem thêm trang dự án ban đầu). Lĩnh vực này cũng phụ thuộc nhiều vào việc đào tạo trước tổng hợp: SynthText in the Wild kết xuất văn bản thành các bức ảnh với hình học và ánh sáng thực tế, cung cấp khối lượng dữ liệu khổng lồ để đào tạo trước các bộ phát hiện và nhận dạng (tham khảo mã và dữ liệu).
Các cuộc thi dưới chiếc ô Đọc mạnh mẽ của ICDAR giữ cho việc đánh giá có cơ sở. Các nhiệm vụ gần đây nhấn mạnh việc phát hiện/đọc từ đầu đến cuối và bao gồm việc liên kết các từ thành các cụm từ, với mã chính thức báo cáo độ chính xác/độ thu hồi/F-score, giao nhau trên hợp nhất (IoU), và các số liệu khoảng cách chỉnh sửa cấp ký tự—phản ánh những gì các nhà thực hành nên theo dõi.
OCR hiếm khi kết thúc ở văn bản thuần túy. Các kho lưu trữ và thư viện số thích ALTO XML vì nó mã hóa bố cục vật lý (các khối/dòng/từ có tọa độ) cùng với nội dung, và nó kết hợp tốt với bao bì METS. hOCR định dạng vi mô, ngược lại, nhúng cùng một ý tưởng vào HTML/CSS bằng cách sử dụng các lớp như ocr_line và ocrx_word, giúp dễ dàng hiển thị, chỉnh sửa và chuyển đổi bằng các công cụ web. Tesseract phơi bày cả hai—ví dụ: tạo hOCR hoặc PDF có thể tìm kiếm trực tiếp từ CLI (hướng dẫn xuất PDF); Các trình bao bọc Python như pytesseract thêm sự tiện lợi. Các bộ chuyển đổi tồn tại để dịch giữa hOCR và ALTO khi các kho lưu trữ có các tiêu chuẩn nhập liệu cố định —xem danh sách được tuyển chọn này của công cụ định dạng tệp OCR.
Xu hướng mạnh mẽ nhất là sự hội tụ: phát hiện, nhận dạng, mô hình hóa ngôn ngữ và thậm chí cả giải mã cho tác vụ cụ thể đang hợp nhất thành các ngăn xếp Transformer thống nhất. Đào tạo trước trên các kho ngữ liệu tổng hợp lớn vẫn là một hệ số nhân. Các mô hình không có OCR sẽ cạnh tranh quyết liệt ở bất cứ đâu mục tiêu là các đầu ra có cấu trúc thay vì các bản ghi nguyên văn. Cũng mong đợi các triển khai kết hợp: một bộ phát hiện nhẹ cộng với một bộ nhận dạng kiểu TrOCR cho văn bản dạng dài, và một mô hình kiểu Donut cho các biểu mẫu và biên lai.
Tesseract (GitHub) · Tài liệu Tesseract · Thông số kỹ thuật hOCR · Nền tảng ALTO · Bộ phát hiện EAST · Phát hiện văn bản OpenCV · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · Chữ viết tay IAM · Công cụ định dạng tệp OCR · EasyOCR
Optical Character Recognition (OCR) là một công nghệ được sử dụng để chuyển đổi các loại tài liệu khác nhau, như tài liệu giấy đã quét, tệp PDF hoặc hình ảnh được chụp bằng máy ảnh số, thành dữ liệu có thể chỉnh sửa và tìm kiếm.
OCR hoạt động bằng cách quét hình ảnh hoặc tài liệu đầu vào, phân đoạn hình ảnh thành các ký tự riêng lẻ, và so sánh từng ký tự với cơ sở dữ liệu hình dạng ký tự bằng cách sử dụng nhận dạng mô hình hoặc nhận dạng đặc trưng.
OCR được sử dụng trong nhiều lĩnh vực và ứng dụng, bao gồm số hóa tài liệu in, kích hoạt các dịch vụ văn bản thành giọng nói, tự động hóa quá trình nhập dữ liệu, và hỗ trợ người dùng khiếm thị tương tác tốt hơn với văn bản.
Mặc dù đã có những tiến bộ vượt bậc trong công nghệ OCR, nhưng nó không phải lúc nào cũng hoàn hảo. Độ chính xác có thể thay đổi tùy thuộc vào chất lượng của tài liệu gốc và chi tiết của phần mềm OCR đang được sử dụng.
Mặc dù OCR chủ yếu được thiết kế cho văn bản in, một số hệ thống OCR tiên tiến cũng có thể nhận dạng được chữ viết tay rõ ràng, nhất quán. Tuy nhiên, nhận dạng chữ viết tay thường kém chính xác hơn do sự biến đổi lớn trong các kiểu viết của mỗi người.
Có, nhiều hệ thống phần mềm OCR có thể nhận dạng được nhiều ngôn ngữ. Tuy nhiên, điều quan trọng là phải đảm bảo rằng ngôn ngữ cụ thể đó được hỗ trợ bởi phần mềm bạn đang sử dụng.
OCR là viết tắt của Optical Character Recognition và được sử dụng để nhận dạng văn bản in, trong khi ICR, hoặc Intelligent Character Recognition, tiên tiến hơn và được sử dụng để nhận dạng văn bản viết tay.
OCR hoạt động tốt nhất với các phông chữ rõ ràng, dễ đọc và kích cỡ văn bản chuẩn. Mặc dù nó có thể hoạt động với các phông chữ và kích cỡ khác nhau, độ chính xác thường giảm khi đối phó với phông chữ không thông thường hoặc kích cỡ văn bản rất nhỏ.
OCR có thể gặp khó khăn với các tài liệu độ phân giải thấp, phông chữ phức tạp, văn bản in kém, chữ viết tay, và các tài liệu có nền gây ra sự can thiệp với văn bản. Ngoài ra, mặc dù nó có thể hoạt động với nhiều ngôn ngữ, nó có thể không bao phủ hoàn hảo mọi ngôn ngữ.
Có, OCR có thể quét văn bản màu và nền màu, mặc dù nó thường hiệu quả hơn với các sự kết hợp màu đối lập cao, như văn bản đen trên nền trắng. Độ chính xác có thể giảm khi màu văn bản và màu nền không có đủ độ tương phản.
ISOBRL ảnh định dạng là một định dạng tập tin chuyên dụng được thiết kế để đại diện cho đồ họa xúc giác cho người khiếm thị. Đồ họa xúc giác là hình ảnh sử dụng bề mặt nổi để người mù hoặc th ị lực kém có thể cảm nhận được. ISOBRL là viết tắt của ISO Braille, cho biết định dạng này được chuẩn hóa bởi Tổ chức Tiêu chuẩn hóa Quốc tế (ISO) và có liên quan chặt chẽ đến Braille, hệ thống chữ viết xúc giác được sử dụng bởi những người khiếm thị. Định dạng ISOBRL là một công cụ quan trọng cho khả năng truy cập, cung cấp một cách chuẩn hóa để tạo và phân phối đồ họa xúc giác có thể được in bằng máy dập nổi Braille hoặc các thiết bị in xúc giác khác.
Các tệp ISOBRL thường được tạo bằng phần mềm chuyên dụng cho phép nhà thiết kế chuyển đổi hình ảnh trực quan thành định dạng có thể được diễn giải thông qua cảm ứng. Phần mềm này thường bao gồm các công cụ để đơn giản hóa và sửa đổi hình ảnh để làm cho chúng dễ đọc hơn dưới dạng đồ họa xúc giác. Ví dụ: nó có thể giảm số lượng đường trong bản vẽ hoặc tăng độ tương phản giữa các phần tử khác nhau để làm cho chúng dễ phân biệt hơn khi chạm vào. Sau đó, phần mềm lưu hình ảnh ở định dạng ISOBRL, bao gồm thông tin về chiều cao và kết cấu của các phần tử nổi, cũng như cách sắp xếp không gian của chúng.
Định dạng ISOBRL được thiết kế để có thể đọc được bằng máy và đọc được bằng con người. Nó bao gồm siêu dữ liệu mô tả hình ảnh, chẳng hạn như tiêu đề, tên người tạo và mô tả văn bản về hình ảnh. Siêu dữ liệu này rất quan trọng vì nó cho phép người dùng hiểu bối cảnh của hình ảnh và có thể được đọc bởi trình đọc màn hình hoặc các công nghệ hỗ trợ khác. Định dạng này cũng bao gồm một cách chuẩn hóa để thể hiện các kết cấu và hoa văn khác nhau, có thể truyền đạt thông tin bổ sung cho người dùng thông qua cảm ứng.
Một trong những tính năng chính của định dạng ISOBRL là khả năng mở rộng của nó. Đồ họa xúc giác cần phải đủ lớn để người dùng có thể cảm nhận các chi tiết bằng đầu ngón tay, nhưng chúng cũng cần phải vừa với giấy Braille kích thước chuẩn. Định dạng ISOBRL cho phép hình ảnh được thu phóng lên hoặc xuống mà không mất chi tiết, nghĩa là cùng một tệp có thể được in ở các kích thước khác nhau để phù hợp với người dùng khác nhau hoặc các thiết bị in khác nhau. Khả năng mở rộng này đạt được thông qua việc sử dụng đồ họa vector, biểu diễn hình ảnh bằng các phương trình toán học chứ không phải pixel.
Đồ họa vector lý tưởng cho hình ảnh xúc giác vì chúng có thể được thay đổi kích thước mà không bị mờ hoặc pixel. Trong định dạng ISOBRL, các đường thẳng, đường cong và các hình dạng khác được xác định bởi các thuộc tính hình học của chúng, chẳng hạn như tọa độ của các điểm cuối và bán kính của các đường cong của chúng. Điều này cho phép hình ảnh được hiển thị ở bất kỳ kích thước nào trong khi vẫn giữ được các cạnh sắc nét và kết cấu rõ ràng. Việc sử dụng đồ họa vector cũng làm cho định dạng ISOBRL hiệu quả hơn, vì nó thường dẫn đến kích thước tệp nhỏ hơn so với hình ảnh raster, phải lưu trữ thông tin cho từng pixel riêng lẻ.
Một khía cạnh quan trọng khác của định dạng ISOBRL là hỗ trợ phân lớp của nó. Đồ họa xúc giác thường cần truyền đạt thông tin phức tạp, chẳng hạn như bản đồ hoặc sơ đồ, có thể khó diễn giải nếu tất c ả các phần tử được in ở cùng một độ cao. Định dạng ISOBRL cho phép các nhà thiết kế tạo nhiều lớp trong một hình ảnh, mỗi lớp có chiều cao và kết cấu riêng. Điều này giúp có thể biểu diễn các loại thông tin khác nhau bằng các cảm giác xúc giác khác nhau, giúp hình ảnh dễ hiểu hơn khi chạm vào.
Hệ thống phân lớp trong ISOBRL cũng hỗ trợ tính trong suốt, nghĩa là các lớp dưới có thể nhìn thấy một phần hoặc toàn bộ bên dưới các lớp trên. Điều này có thể được sử dụng để tạo các hiệu ứng như đổ bóng hoặc để hiển thị mối quan hệ giữa các phần tử khác nhau trong hình ảnh. Ví dụ: trên bản đồ, đường có thể được biểu diễn trên một lớp, trong khi các vùng nước nằm trên một lớp khác và hai lớp này có thể chồng lên nhau mà không che khuất nhau. Tính trong suốt trong đồ họa xúc giác tương tự như tính trong suốt trực quan trong hình ảnh truyền thống, cung cấp một cách để truyền đạt độ sâu và độ phức tạp.
Các tệp ISOBRL cũng được thiết kế để tương tác. Chúng có thể bao gồm các siêu liên kết đến các tệp ISOBRL khác hoặc đến các tài nguyên bên ngoài, chẳng hạn như mô tả âm thanh của hình ảnh. Tính tương tác này rất quan trọng đối với các tài liệu giáo dục, trong đó đồ họa xúc giác có thể là một phần của một tập hợp tài nguyên lớn hơn. Người dùng có thể điều hướng giữa các hình ảnh khác nhau hoặc truy cập thông tin bổ sung bằng cách theo các liên kết này, được nhúng trong tệp ISOBRL và có thể được kích hoạt bằng thiết bị đọc xúc giác có chức năng phù hợp.
Việc tạo các tệp ISOBRL không chỉ là một quá trình kỹ thuật; nó c ũng đòi hỏi sự hiểu biết về cách những người khiếm thị nhận thức đồ họa xúc giác. Các nhà thiết kế phải xem xét các yếu tố như khoảng cách giữa các phần tử nổi, chiều cao của các phần tử đó và độ phức tạp tổng thể của hình ảnh. Họ cũng phải nhận thức được những hạn chế của các thiết bị in xúc giác, có thể không thể tái tạo các chi tiết rất tinh tế. Do đó, việc tạo đồ họa xúc giác hiệu quả ở định dạng ISOBRL là một kỹ năng kết hợp kiến thức kỹ thuật với sự hiểu biết sâu sắc về khả năng truy cập và trải nghiệm người dùng.
Để đảm bảo rằng các tệp ISOBRL có thể truy cập được với nhiều người dùng nhất có thể, định dạng này được thiết kế để tương thích với nhiều thiết bị in xúc giác. Điều này bao gồm máy dập nổi Braille, tạo các chấm nổi trên giấy, cũng như các thiết bị tiên tiến hơn có thể tạo ra nhiều kết cấu và chiều cao khác nhau. Định dạng ISOBRL chỉ định chiều cao tối thiểu và tối đa cho các phần tử nổi, cũng như độ phân giải của kết cấu, để đảm bảo rằng hình ảnh có thể được in chính xác trên các thiết bị khác nhau.
Định dạng ISOBRL cũng bao gồm các tính năng sửa lỗi để đảm bảo rằng các tệp có thể được in chính xác ngay cả khi chúng được truyền qua các mạng không đáng tin cậy hoặc được lưu trữ trên phương tiện có thể bị xuống cấp theo thời gian. Điều này đặc biệt quan trọng đối với các thư viện và các tổ chức khác phân phối đồ họa xúc giác cho người dùng ở các địa điểm khác nhau. Các cơ chế sửa lỗi trong các tệp ISOBRL có thể phát hiện và sửa chữa các lỗi nhỏ, đảm b ảo rằng đồ họa xúc giác vẫn có thể sử dụng được.
Ngoài các tính năng kỹ thuật của nó, định dạng ISOBRL cũng được thiết kế để mở và có thể mở rộng. Nó dựa trên các tiêu chuẩn mở, có nghĩa là nó có thể được triển khai bởi bất kỳ ai mà không cần phần mềm hoặc giấy phép độc quyền. Sự cởi mở này khuyến khích phát triển các công cụ và dịch vụ mới xung quanh định dạng ISOBRL, giúp nó dễ tiếp cận hơn đối với cả người sáng tạo và người dùng. Định dạng này cũng có thể được mở rộng để bao gồm các tính năng mới hoặc hỗ trợ các loại thiết bị in xúc giác mới, đảm bảo rằng nó vẫn phù hợp khi công nghệ phát triển.
Việc ISO chuẩn hóa định dạng ISOBRL là một bước tiến đáng kể đối với khả năng truy cập của đồ họa xúc giác. Nó cung cấp một khuôn khổ chung mà người sáng tạo, nhà phân phối và người dùng có thể dựa vào, giúp đảm bảo rằng đồ họa xúc giác nhất quán và đáng tin cậy. Tiêu chuẩn ISO cũng thúc đẩy hợp tác quốc tế, vì nó khuyến khích chia sẻ các thông lệ tốt nhất và phát triển các tài nguyên được chia sẻ, chẳng hạn như các thư viện đồ họa xúc giác có thể được sử dụng bởi những người ở các quốc gia khác nhau.
Mặc dù có nhiều ưu điểm, định dạng ISOBRL không phải là không có thách thức. Một trong những thách thức chính là nhu cầu về phần mềm và phần cứng chuyên dụng để tạo và in các tệp ISOBRL. Đây có thể là rào cản đối với các cá nhân và tổ chức nhỏ có thể không có nguồn lực để đầu tư vào các thiết bị như vậy. Ngoài ra, có một đường cong học tập liên quan đến việc tạo đồ họa xúc giác hiệu quả, có thể là một thách thức đối với các nhà thiết kế mới làm quen với lĩnh vực khả năng truy cập.
Để giải quyết những thách thức này, đang có những nỗ lực liên tục để phát triển các công cụ giá cả phải chăng và thân thiện với người dùng hơn để tạo và in các tệp ISOBRL. Ngoài ra còn có các chương trình đào tạo và tài nguyên có sẵn để giúp các nhà thiết kế học các kỹ năng cần thiết để tạo đồ họa xúc giác có thể truy cập được. Khi nhận thức về tầm quan trọng của khả năng truy cập tiếp tục tăng lên, có khả năng định dạng ISOBRL sẽ được
Bộ chuyển đổi này chạy hoàn toàn trong trình duyệt của bạn. Khi bạn chọn một tệp, nó sẽ được đọc vào bộ nhớ và chuyển đổi sang định dạng đã chọn. Sau đó, bạn có thể tải xuống tệp đã chuyển đổi.
Việc chuyển đổi bắt đầu ngay lập tức và hầu hết các tệp được chuyển đổi trong vòng chưa đầy một giây. Các tệp lớn hơn có thể mất nhiều thời gian hơn.
Các tệp của bạn không bao giờ được tải lên máy chủ của chúng tôi. Chúng được chuyển đổi trong trình duyệt của bạn và sau đó tệp đã chuyển đổi sẽ được tải xuống. Chúng tôi không bao giờ thấy các tệp của bạn.
Chúng tôi hỗ trợ chuyển đổi giữa tất cả các định dạng hình ảnh, bao gồm JPEG, PNG, GIF, WebP, SVG, BMP, TIFF, v.v.
Bộ chuyển đổi này hoàn toàn miễn phí và sẽ luôn miễn phí. Bởi vì nó chạy trong trình duyệt của bạn, chúng tôi không phải trả tiền cho máy chủ, vì vậy chúng tôi không cần tính phí bạn.
Đúng! Bạn có thể chuyển đổi bao nhiêu tệp tùy thích cùng một lúc. Chỉ cần chọn nhiều tệp khi bạn thêm chúng.