Gnóthachain:
- Cumas an digitiú agus sreabhadh oibre OCR (scanadh, réamhphróiseáil, aithint, ceartú, fíorú) a shocrú céim ar chéim
- Cumas AI a úsáid chun earráidí OCR a cheartú le comhthéacs agus ag an am céanna an líne ceartúcháin agus athscríobh agus athbhrí a mharcáil le [?]
- A thuiscint cén fáth nach mór uimhreacha, dátaí agus ainmneacha cearta a fhíorú go radhairc agus an ról atá ag rialú cáilíochta.
Ní osclaítear na milliúin leathanach ar sheilfeanna fisiceacha cartlainne nó leabharlainne don taighdeoir ach amháin nuair a bhíonn siad digitithe agus inchuardaithe. Is éard atá i gceist le digitiú doiciméad fisiceach a thiontú ina íomhá dhigiteach trína scanadh nó trí ghrianghraf a ghlacadh. Ach nach bhfuil grianghraf de leathanach fós "téacs"; Chun an ríomhaire tá sé fós ina íomhá, ní féidir leat cuardach a dhéanamh ann. Seo an áit a dtagann OCR i bhfeidhm.
Teicneolaíocht is ea OCR (Aithint Optúil Carachtair) a aithníonn litreacha clóite in íomhá doiciméid agus a thiontaíonn iad go téacs meaisín-inléite, inchuardaithe. San aonad seo, foghlaimeoidh tú conas doiciméid chlóite stairiúla a dhigitiú le OCR, conas a chuidíonn AI le hearráidí OCR sa phróiseas seo a cheartú, agus cén áit a bhfuil an tsúil dhaonna riachtanach. (Tá teicneolaíocht eile ag teastáil ó théacsanna lámhscríofa; clúdóimid é sin sa chéad aonad eile.)
Sreabhadh oibre digitithe: céim ar chéim
1. Ullmhú agus scagadh. Déan an doiciméad a scanadh ar an gcaighdeán is airde is féidir. Is é riail ghinearálta an taighde stairiúil ná taifeach 300-400 pso ar a laghad (poncanna in aghaidh an orlach). Cuireann taifeach ísil an ráta earráide sa chéim OCR ina dhiaidh sin.
2. Réamhphróiseáil íomhá. Is mór an rath a bhíonn ar an íomhá roimh OCR a fheabhsú: an leathanach scanadh a chur deskewing, blemishes a bhaint, codarsnacht a mhéadú, a thiontú go dubh agus bán. Is féidir le huirlisí nua-aimseartha AI-bhunaithe an chéim seo a uathoibriú.
3. Iarratas OCR. Cothaíonn tú an íomhá don inneall OCR; Aithníonn an t-inneall litreacha agus táirgeann sé téacs. De ghnáth bíonn an t-aschur comhdhéanta de dhá shraith: íomhá an doiciméid infheicthe agus "ciseal téacs inchuardaithe i bhfolach" thíos.
4. Ceartúchán (iar-cheartú). Ní bhíonn aschur OCR amh foirfe riamh. Léitear carachtair go mícheart mar gheall ar sheanchlónna, páipéar buí, smearadh dúigh, agus earráidí scanadh. Seo an áit a bhfuil AI ina chúntóir cumhachtach: molann sé agus ceartaíonn sé earráidí OCR ag baint úsáide as comhthéacs.
5. Fíorú agus rialú cáilíochta. Seiceálann an duine an téacs ceartaithe ar bhonn samplach nó go hiomlán. Ní mór réimsí ríthábhachtacha amhail ainmneacha, dátaí agus uimhreacha a fhíorú go radhairc.
Cén fáth a ndéanann OCR botúin, conas a chuidíonn AI
Fadhbanna tipiciúla a thugann dúshlán OCR i gcáipéisí stairiúla: clónna sean agus mhaisiúla, foirmeacha litreach as feidhm amhail “s” fada (ſ), leagan amach dhá cholún, fonótaí, iatáin lámhscríofa, rónta, agus dúch faded. Toisc go bhfeiceann inneall OCR litreacha ceann ar cheann, is minic a mhearbhallaíonn sé an dénártha "rn" mar "m", an litir "l" mar an uimhir "1", agus an litir "O" mar "0".
Tugann samhlacha teanga AI cumhacht dhifriúil anseo: tuigeann siad comhthéacs. Má scríobh inneall OCR "1stanbu1", d'fhéadfadh an AI tátal a bhaint as an gcomhthéacs gur cheart "Iostanbúl" a bheith ann. Ach tá baol mór anseo: nuair a "cheartú" is féidir leis an AI an téacs a athrú freisin. Is féidir leis "ceartaigh mé" focal nach bhfuil ann a chur leis nó áit doiléir a líonadh lena buille faoi thuairim féin. Cuireann sé seo isteach ar dhílseacht an trascríobh.
Aire: Is í an riail órga maidir le ceartú OCR ná seo: níor cheart go ndéanfadh AI ach earráidí soiléire aitheantais a cheartú, gan ábhar an téacs a léirmhíniú ná a fhorlíonadh. Tá "1stanbu1 → Iostanbúl" dlisteanach; Ní bhaineann sé le focal neamh-inléite a líonadh le buille faoi thuairim. Ba chóir áiteanna éiginnte a mharcáil le [?] agus níor cheart iad a dhéanamh suas.
Cineálacha earráidí OCR agus cur chuige le tábla
Cineál earráide
shampla
An féidir le AI é a shocrú?
rialú daonna
meascadh carachtar
rn↔m, l↔1, O↔0
Sea, tá sé sábháilte
sampla
seanfhoirm litreach
fada ſ → s
Sea, tá sé sábháilte
sampla
Focal faded/neamhléite
"ka___n"
Ní hea, ba cheart [?]
éigeantach
ainm ceart/logainm ceart
"Constantiniye"
cúramach
éigeantach
Uimhir/dáta
"1867" vs "1857"
priacal
éigeantach
Leagan amach an leathanaigh (colún/fonóta)
sreabhadh measctha
go páirteach
éigeantach
Chun achoimre a dhéanamh ar an bpictiúr in aon abairt amháin: déanann AI earráidí gnáthcharachtair a ghlanadh go hiontaofa; Ach tá gá le súile an duine le haghaidh ainmneacha speisialta, uimhreacha, dátaí agus áiteanna neamh-inléite.
trí chás mion
Cás 1 — Bhí cartlanna nuachtáin inchuardaithe. Tá 12,000 leathanach de nuachtáin áitiúla digitithe ag leabharlann ollscoile ó na 1930idí. Bhí cruinneas amh OCR thart ar 82% (bhí 18 as gach 100 carachtar mícheart). Mhéadaigh ceartúchán bunaithe ar AI cruinneas go 96% le foclóir agus comhthéacs a bhí oiriúnach don teanga ag an nuachtán. Maidir leis na hearráidí a bhí fágtha, rinneadh seiceáil samplach seachas an téacs iomlán; Bhí an bailiúchán inchuardaithe i gceann 3 seachtaine.
Cás 2 – AI “ceartaithe” agus stair shaobhadh. Bhí AI ceart ag cartlannaí an dáta "1863" ar an asphrionta OCR. Rinne an AI “ceartú” an dáta go “1868” trí bhreathnú ar imeacht eile sa chomhthéacs — cé go raibh ráite go soiléir sa doiciméad 1863. Murar bhreathnaigh an cartlannaí ar an íomhá bhunaidh, bheadh an chatalóg curtha isteach leis an dáta mícheart. Ceacht: ní fhágtar uimhreacha agus dátaí ag an AI riamh, déantar iad a fhíorú leis an íomhá.
Cás 3 - leathanach dhá cholún ar dhaoine eatarthu. Meascadh na leathanaigh dhá cholún de bhliainiris ón 19ú haois in aon sruth amháin in OCR agus fite fuaite leis na habairtí. Ní raibh an t-aschur amh inléite. Tháinig feabhas ar an téacs nuair a roinn mé leagan amach an leathanaigh i réigiúin (deighilt) den chéad uair agus próiseáladh gach colún ar leithligh. Ceacht: i leagan amach casta leathanaigh, déan an struchtúr ar dtús, an dara téacs.
Ceithre theimpléad inchóipeála
1) Ceartú OCR slán:
Anseo thíos tá an t-aschur OCR amh de dhoiciméad stairiúil. Is é an tasc atá agat ná earráidí soiléire aitheantais optúla a cheartú AMHÁIN (m.sh. rn→m,1→l, 0→O, fada ſ→s). Rialacha: (1) Léirmhínigh brí an téacs. (2) Ceartaigh focail neamhléite/débhríocha, fág mar atá agus marcáil le [?]. (3) NÍL abairtí a chur leis, a bhaint nó a chríochnú. (4) uimhreacha agus dátaí ATHRÚ; marcáil [uimhir?] má tá amhras ort.Raw OCR: [anseo]
2) Tuarascáil cáilíochta OCR:
Scrúdaigh an t-aschur OCR thíos agus déan tuairisc cháilíochta: (1) Liostaigh focail a bhfuil earráidí aitheantais féideartha iontu, (2) Marcáil achair a bhfuil an chuma orthu nach bhfuil inléite/doiléir, (3) Liostaigh ainmneacha, dátaí agus uimhreacha sonracha a dteastaíonn seiceáil dhaonna orthu. NÁ ceartaigh; ginin seicliosta amháin.Text: [anseo]
3) Cabhair parsála colún/struchtúir:
Toisc go dtagann an téacs OCR thíos ó leathanach dhá cholún, féadfar an sreabhadh a chur amú. Déan an téacs a atheagrú ina ailt loighciúla ACH ná athraigh, cuir leis nó scrios focail ar bith. Just a cheartú an t-ordú. Marcáil an t-ordú nach bhfuil tú cinnte faoi le [ordú?]. Téacs: [anseo]
4) Normalú go teanga chaighdeánach (roghnach, ciseal ar leith):
Déan leagan léitheoireachta simplithe i litriú an lae inniu, i gcolún ar leith, THUAS an téacs staire ceartaithe thíos. NÁ athraigh an buntéacs riamh; Lig an simpliú a bheith ina ciseal ar leith. Nuashonraigh an litriú/fuaimniú gan brí a chur leis. Bunaidh: [anseo]
Leid lag / Pras láidir
Lag:
Ceartaigh agus áille an téacs OCR seo.
Ligeann “Beautify” don AI an téacs a athscríobh, easnaimh a dhéanamh suas, agus an t-ábhar a léirmhíniú; bhriseann dílseacht.
Láidir:
Deisigh AMHÁIN earráidí aitheantais optúla san aschur OCR amh seo. Ná léirmhíniú brí, cuir leis/scrios focail, fág codanna neamhléite le [?], athraigh uimhreacha agus dátaí. Taispeáin gach ceartúchán a dhéanann tú i liosta ar leith san fhormáid "bunaidh → ceartúchán" ionas gur féidir liom é a fhíorú. Téacs: [anseo]
An difríocht: is féidir an t-aschur a iniúchadh le dleacht theoranta, toirmeasc ar dhéantúsaíocht, athbhrí marcáil, agus liosta ceartúcháin inrianaithe.
Botúin choitianta
- Scanadh ag réiteach íseal. Is drochíomhánna is cúis le formhór na n-earráidí OCR; Is é scanadh cáilíochta an infheistíocht is saoire.
- Ag glaoch ar AI "Déan go hálainn." Cruthaíonn sé seo líofacht seachas dílseacht; Tá an doiciméad athscríofa.
- Ag fágáil na huimhreacha agus na dátaí don AI. Tá siad seo truaillithe go ciúin nuair a "cheartaithe" as an gcomhthéacs; ní mór é a fhíorú le híomhá.
- An limistéar neamhléite a líonadh le buille faoi thuairim. Ba cheart é a chosaint ar neamhchinnteacht[?], nach bhfuil comhdhéanta.
- Gan rialú ar chor ar bith in ionad samplála. Ciallaíonn cruinneas fiú 96% na mílte earráidí i 12,000 leathanach; déantar réimsí ríthábhachtacha a scanadh.
Go hachomair
Osclaíonn OCR cartlanna do thaighdeoirí trí dhoiciméid stairiúla chlóite a thiontú go téacs inchuardaithe. Is cúnamh cumhachtach é AI chun earráidí carachtar in aschur OCR amh a cheartú le comhthéacs; Ach caithfidh tú an líne a tharraingt idir eagarthóireacht agus athscríobh. Déanann scanadh ardchaighdeáin, teagasc sábháilte ceartúcháin, caomhnú athbhrí le [?], agus fíorú ainmneacha/dátaí/uimhreacha súile daonna an digitiú tapa agus iontaofa. Glanann AI an téacs; Is tusa caomhnóir na dílseachta.
Tasc feidhmchláir
Scan doiciméad stairiúil clóite (sean-nuachtán, litir oifigiúil, leathanach leabhair) nó tóg asphrionta OCR. Ceartaigh an téacs leis an teimpléad “Slán OCR correction” agus iarr ceartúcháin tríd an liosta “bunaidh → ceartúchán”. Ansin, bain na réimsí a éilíonn rialú daonna leis an "tuarascáil cáilíochta OCR". Déan comparáid idir gach dáta agus ainm ceart sa liosta leis an íomhá féin; Tabhair faoi deara cé mhéad a "cheartaíodh" mícheart.
seicliosta
- [ ] Scanadh mé an doiciméad le 300 pso ar a laghad agus codarsnacht mhaith.
- [ ] Níor iarr mé ach ar an AI le haghaidh ceartú earráide optúla, ní athscríobh.
- [ ] chosain mé na codanna neamh-inléite le [?].
- [ ] D'fhíoraigh mé na huimhreacha, na dátaí agus na hainmneacha cearta go léir leis an íomhá.
- [ ] Rinne mé seiceáil samplach nó iomlán i réimsí ríthábhachtacha.