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.
PocketMod hình ảnh định dạng là một định dạng tập tin chuyên dụng được thiết kế để tạo ra các tập sách nhỏ gọn, có thể gấp lại từ một tờ giấy duy nhất. Không giống như các định dạng hình ảnh truyền thống chỉ tập trung vào việc thể hiện đồ họa kỹ thuật số, PocketMod kết hợp cả khía cạnh quản lý bố cục và nội dung để tạo điều kiện thuận lợi cho việc in, gấp và cắt dễ dàng thành một cuốn sách nhỏ, dễ mang theo. Sự kết hợp độc đáo này của các tính năng làm cho nó đặc biệt hữu ích để tạo hướng dẫn tham khảo nhanh, sách thu nhỏ hoặc sổ tay cá nhân mà không cần các quy trình đóng sách hoặc in ấn phức tạp.
Về cốt lõi, định dạng PocketMod được xây dựng xung quanh ý tưởng tối đa hóa tiện ích và khả năng truy cập của các tài liệu in. Thiết kế của nó khéo léo tận dụng một tờ giấy đơn giản bằng cách chia nó thành tám phần, mỗi phần đóng vai trò là một trang riêng biệt của cuốn sách nhỏ. Phân đoạn này được lập kế hoạch cẩn thận để đảm bảo rằng khi giấy được gấp đúng cách, các phần sẽ căn chỉnh theo trình tự tạo thành cuốn sách nhỏ. Do tính đơn giản và sử dụng không gian khéo léo của nó, định dạng này đã trở nên phổ biến trong số những người đam mê DIY, nhà giáo dục và bất kỳ ai có nhu cầu về một cuốn sách nhỏ bỏ túi có thể tùy chỉnh, nhẹ.
Về mặt kỹ thuật, một tệp PocketMod kết hợp cả thông tin bố cục và nội dung theo cách được tối ưu hóa để in trên một tờ giấy có kích thước tiêu chuẩn (thường là A4 hoặc letter). Định dạng sắp xếp nội dung thành tám phần riêng biệt trên trang, với mỗi phần được định hướng sao cho khi gấp lại, nội dung sẽ xuất hiện theo đúng thứ tự. Điều này đòi hỏi một cách tiếp cận phi tuyến tính để sắp xếp nội dung trên giấy, vì bố cục phải tính đến các đường gấp và hình dạng cuối cùng của cuốn sách nhỏ. Do đó, việc tạo PocketMod không chỉ đơn thuần là đặt hình ảnh, mà còn yêu cầu tính toán chính xác về hướng và vị trí của từng phần.
Tiện ích chính của định dạng PocketMod đến từ tính dễ sử dụng và các nguồn lực tối thiểu cần thiết để tạo và lắp ráp. Không giống như các cuốn sách nhỏ hoặc tờ rơi thông thường, có thể yêu cầu đóng sách hoặc in nhiều trang, định dạng PocketMod chỉ yêu cầu một tờ giấy duy nhất và hiểu biết cơ bản về quy trình gấp. Điều này dân chủ hóa việc tạo ra các cuốn sách nhỏ cá nhân, dễ mang theo, cho phép hầu như bất kỳ ai có quyền truy cập vào máy in đều có thể tạo ra chúng. Tính dễ tạo và lắp ráp này đã biến PocketMod trở thành một công cụ phổ biến để tạo hướng dẫn tham khảo nhanh, chương trình nghị sự được cá nhân hóa hoặc nhật ký du lịch nhẹ.
Theo quan điểm kỹ thuật, việc tạo PocketMod bao gồm một số bước chính. Ban đầu, nội dung phải được thiết kế hoặc trình bày theo định dạng kỹ thuật số có thể dễ dàng phân đoạn thành tám phần của PocketMod. Điều này thường liên quan đến việc sử dụng phần mềm thiết kế đồ họa hoặc xử lý văn bản để tạo nội dung trong một mẫu phản ánh bố cục của định dạng PocketMod. Khi nội dung được sắp xếp theo mẫu, nó sẽ được in trên một tờ giấy duy nhất. Độ chính xác trong bố cục và thiết kế là rất quan trọng ở đây, vì bất kỳ sự sai lệch nào cũng có thể làm gián đoạn luồng các trang của cuốn sách nhỏ khi gấp lại.
Quy trình gấp là thứ thực sự mang PocketMod vào cuộc sống, biến một tờ giấy phẳng thành m ột cuốn sách nhỏ nhiều trang. Quá trình này bao gồm một loạt các nếp gấp và một vết cắt duy nhất. Trình tự gấp rất quan trọng; nó thường bắt đầu bằng việc gấp đôi tờ giấy, sau đó gấp đôi nó thành bốn phần và cuối cùng thực hiện một nếp gấp đàn accordion đưa các trang vào đúng vị trí. Một trong những nếp gấp hơi khác một chút, vì nó yêu cầu phải tạo một vết rạch nhỏ, cho phép các trang lồng vào nhau đúng cách. Toàn bộ quá trình, từ gấp đến định hình cuối cùng, rất đơn giản nhưng đòi hỏi phải thực hiện chính xác để đảm bảo các trang được sắp xếp đúng thứ tự.
Mặc dù có vẻ đơn giản, nhưng định dạng PocketMod có khả năng chứa nhiều loại nội dung, từ văn bản và lịch đến bản đồ và sơ đồ. Tính linh hoạt này là một trong những tính năng mạnh mẽ nhất của nó, cho phép người dùng tạo các cuốn sách nhỏ được tùy chỉnh cao theo nhu cầu hoặc sở thích cụ thể của họ. Hơn nữa, vì nội dung được chuẩn bị dưới dạng kỹ thuật số trước khi in, nên nó có thể bao gồm đồ họa chi tiết hoặc văn bản có kiểu dáng, nâng cao cả chức năng và tính thẩm mỹ của cuốn sách nhỏ.
Tuy nhiên, một trong những thách thức với định dạng PocketMod nằm ở giai đoạn chuẩn bị và thiết kế của nó. Vì nội dung phải được trình bày theo cách phi tuyến tính để đảm bảo thứ tự trang chính xác khi gấp lại, nên quá trình thiết kế có thể không trực quan đối với những người quen với việc tạo tài liệu tuyến tính. Thách thức này thường đòi hỏi phải sử dụng các mẫu hoặc phần mềm cụ thể được thiết kế để tự động hóa quá trình bố cục, do đó giảm kh ả năng xảy ra lỗi và hợp lý hóa việc tạo PocketMod.
Sự phát triển của các công cụ và phần mềm kỹ thuật số đã tạo điều kiện đáng kể cho việc thiết kế và tạo PocketMod. Một số ứng dụng và dịch vụ trực tuyến hiện cung cấp các mẫu làm sẵn và giao diện thiết kế dành riêng cho PocketMod, cho phép người dùng dễ dàng kéo và thả nội dung của họ vào mẫu, tự động sắp xếp nó theo bố cục cần thiết. Các công cụ này thường bao gồm các tính năng xem trước mô phỏng cuốn sách nhỏ đã gấp, giúp người dùng xác minh thiết kế của họ trước khi in. Sự tiến bộ này trong phần mềm hỗ trợ đã mở rộng đáng kể khả năng truy cập và dễ sử dụng của định dạng PocketMod, cho phép nhiều người hơn tạo ra những cuốn sách nhỏ độc đáo này.
Ngoài các mục đích cá nhân và giáo dục, định dạng PocketMod đã tìm thấy ứng dụng trong các bối cảnh chuyên nghiệp, đóng vai trò là một cách mới để trình bày thông tin theo định dạng nhỏ gọn và hấp dẫn. Các doanh nghiệp đã sử dụng PocketMod cho các tài liệu tiếp thị, hướng dẫn bắt đầu nhanh cho các sản phẩm hoặc hướng dẫn sử dụng nhỏ gọn. Bản chất có thể gấp lại độc đáo của định dạng có thể tạo ấn tượng đáng nhớ đối với người nhận, khiến nó khác biệt với các tờ rơi hoặc sách nhỏ truyền thống. Khả năng sản xuất những thứ này tại nhà, với chi phí tài nguyên tối thiểu, cũng phù hợp với nhu cầu của các doanh nghiệp nhỏ hoặc các chuyên gia cá nhân đang tìm kiếm các giải pháp tiếp thị hiệu quả về chi phí.
Tác động môi trường của định dạng PocketMod là một khía cạnh khác đáng được xem xét. Bằng cách cô đọng những gì thông thường có thể yêu cầu nhiều trang hoặc một cuốn sách nhỏ thành một tờ giấy duy nhất, cách tiếp cận PocketMod giúp giảm đáng kể việc sử dụng giấy. Khía cạnh này phù hợp với ý thức bảo vệ môi trường ngày càng tăng và các nỗ lực giảm thiểu chất thải. Hơn nữa, vì PocketMod có thể được làm từ bất kỳ loại giấy tiêu chuẩn nào và không yêu cầu các quy trình in hoặc mực đặc biệt, nên chúng đại diện cho một lựa chọn bền vững để tạo ra các tài liệu in.
Mặc dù có nhiều ưu điểm, nhưng định dạng PocketMod cũng không phải không có hạn chế. Yêu cầu phải đưa tất cả nội dung vào một tờ giấy duy nhất có nghĩa là mật độ thông tin có thể là một vấn đề, đặc biệt đối với các chủ đề phức tạp hơn hoặc hình minh họa chi tiết. Ngoài ra, mặc dù quá trình gấp rất sáng tạo, nhưng nó cũng có thể được coi là một nhược điểm đối với những người đang tìm kiếm trải nghiệm đọc sách truyền thống hơn hoặc khi độ bền của vật liệu là mối quan tâm. Theo thời gian, các nếp gấp có thể yếu đi, có khả năng dẫn đến mòn và tách ở các đường nối.
Tác động văn hóa của định dạng PocketMod cũng đáng được chú ý. Là một cách tiếp cận công nghệ thấp, thân thiện với DIY để in ấn và làm sách nhỏ, PocketMod đã thúc đẩy ý thức cộng đồng trong số những người đam mê. Các diễn đàn trực tuyến, nhóm phương tiện truyền thông xã hội và các trang web chuyên dụng đã xuất hiện, nơi người dùng chia sẻ các thiết kế của họ, các mẹo để tạo bố cục hiệu quả hơn hoặc thú vị hơn và thậm chí cả những thách thức để sử dụng định dạng sáng tạo nhất. Khía cạnh cộng đồng này đã giúp định dạng PocketMod luôn phù hợp và phát triển, ngay cả khi các giải pháp thay thế kỹ thuật số để ghi chú và tổ chức ngày càng trở nên phổ biến.
Nhìn về phía trước, tương lai của định dạng PocketMod có thể phụ thuộc vào khả năng thích ứng và tích hợp của nó với các công nghệ kỹ thuật số và di động. Khi ranh giới giữa nội dung kỹ thuật số và vật lý tiếp tục mờ đi, có thể có những cơ hội để nâng cao PocketMod bằng mã QR, điểm đánh dấu thực tế tăng
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.