Awọn anfani:
- Agbara lati ṣeto digitization ati ṣiṣan iṣẹ OCR (wíwo, iṣaju-iṣaaju, idanimọ, atunṣe, ijẹrisi) ni igbese nipasẹ igbese
- Agbara lati lo AI lati ṣe atunṣe awọn aṣiṣe OCR pẹlu ọrọ-ọrọ lakoko mimu atunṣe ati laini atunkọ ati samisi aibikita pẹlu [?]
- Loye idi ti awọn nọmba, awọn ọjọ ati awọn orukọ to dara gbọdọ jẹ iṣeduro oju ati ipa ti iṣakoso didara.
Awọn miliọnu awọn oju-iwe lori awọn selifu ti ara ti ile-ipamọ tabi ile-ikawe ni a ṣii nitootọ si oniwadi nigbati wọn di oni-nọmba ati wiwa. Digitization jẹ iyipada iwe ti ara sinu aworan oni-nọmba nipasẹ ṣiṣe ayẹwo tabi yiyaworan rẹ. Ṣugbọn aworan oju-iwe kan ko sibẹsibẹ “ọrọ”; Si kọmputa naa o tun jẹ aworan, o ko le wa ninu rẹ. Eyi ni ibi ti OCR wa sinu ere.
OCR (Idanimọ ohun kikọ Optical) jẹ imọ-ẹrọ ti o ṣe idanimọ awọn lẹta ti a tẹjade ni aworan iwe-ipamọ ati yi wọn pada si ẹrọ-ṣeeṣe, ọrọ wiwa. Ninu ẹyọ yii, iwọ yoo kọ ẹkọ bii o ṣe le ṣe digitize awọn iwe aṣẹ titẹjade itan pẹlu OCR, bii AI ṣe ṣe iranlọwọ fun atunṣe awọn aṣiṣe OCR ninu ilana yii, ati nibiti oju eniyan ṣe pataki. (Awọn ọrọ ti a fi ọwọ kọ nilo imọ-ẹrọ ti o yatọ; a yoo bo iyẹn ni ẹyọ ti nbọ.)
Ṣiṣan iṣẹ digitization: ni igbese nipa igbese
1. Igbaradi ati ibojuwo. Ṣayẹwo iwe-ipamọ ni didara to ga julọ ṣee ṣe. Ofin gbogbogbo ti atanpako fun iwadii itan jẹ ipinnu ti o kere ju 300-400 DPI (awọn aami fun inch). Ipinnu kekere ga soke oṣuwọn aṣiṣe ni ipele OCR ti o tẹle.
2. Aworan preprocessing. Imudara aworan ṣaaju OCR pọ si aṣeyọri pupọ: deskewing oju-iwe ti a ṣayẹwo, yiyọ awọn abawọn, iyatọ pọ si, iyipada si dudu ati funfun. Awọn irinṣẹ orisun AI ode oni le ṣe adaṣe igbesẹ yii.
3. OCR ohun elo. O jẹ ifunni aworan naa si ẹrọ OCR; Enjini mọ awọn lẹta ati gbejade ọrọ. Ijadejade nigbagbogbo ni awọn fẹlẹfẹlẹ meji: aworan iwe ti o han ati “awakiri ọrọ ti o farapamọ” labẹ.
4. Atunse (atunse-lẹhin). Iṣẹjade OCR aise kii ṣe pipe rara. Awọn ohun kikọ ti wa ni ti ko tọ nitori ti atijọ nkọwe, yellowed iwe, inki smearing, ati Antivirus aṣiṣe. Eyi ni ibiti AI jẹ oluranlọwọ ti o lagbara: o ni imọran ati ṣatunṣe awọn aṣiṣe OCR nipa lilo ọrọ-ọrọ.
5. Ijerisi ati iṣakoso didara. Ọrọ ti a ṣe atunṣe jẹ ayẹwo nipasẹ eniyan lori ipilẹ ayẹwo tabi patapata. Paapa awọn agbegbe to ṣe pataki gẹgẹbi awọn orukọ, awọn ọjọ ati awọn nọmba gbọdọ rii daju ni oju.
Kini idi ti OCR ṣe awọn aṣiṣe, bawo ni AI ṣe iranlọwọ
Awọn iṣoro ti o wọpọ ti o koju OCR ninu awọn iwe itan: atijọ ati awọn nkọwe ti o wuyi, awọn iwe lẹta ti ko dara bii “s” (ſ), iṣeto oju-iwe ọwọn meji, awọn akọsilẹ ẹsẹ, awọn ifibọ afọwọkọ, edidi, ati inki ti o rẹwẹsi. Nítorí pé ẹ̀rọ OCR kan “rí” àwọn lẹ́tà ọ̀kọ̀ọ̀kan, ó sábà máa ń da “rn” alákopọ̀ rú bí “m”, lẹ́tà náà “l” gẹ́gẹ́ bí nọ́ńbà “1” àti lẹ́tà “O” bí “0”.
Awọn awoṣe ede AI nfunni ni agbara ti o yatọ nibi: wọn loye ọrọ-ọrọ. Ti o ba jẹ pe ẹrọ OCR kan kowe “1stanbu1”, AI le ni oye lati inu ọrọ ti o yẹ ki o jẹ “Istanbul”. Ṣugbọn eewu nla wa nibi: nigbati “atunṣe” AI tun le yi ọrọ naa pada. O le ṣafikun “Mo ṣe atunṣe” ọrọ ti ko si tabi fọwọsi aaye ti ko mọ pẹlu amoro tirẹ. Eleyi disrupts awọn iṣootọ ti awọn transcription.
Išọra: Ofin goolu ni atunse OCR ni eyi: AI yẹ ki o ṣatunṣe awọn aṣiṣe idanimọ ti o han gbangba nikan, ko tumọ tabi ṣafikun akoonu ti ọrọ naa. "1stanbu1 → Istanbul" jẹ ẹtọ; Kii ṣe nipa kikun ọrọ ti a ko le ka pẹlu awọn amoro. Awọn aaye ti ko ni idaniloju yẹ ki o samisi pẹlu [?] ati pe ko yẹ ki o ṣe.
Awọn oriṣi aṣiṣe OCR ati ọna pẹlu tabili kan
Iru aṣiṣe
apẹẹrẹ
Njẹ AI le ṣatunṣe rẹ?
eda eniyan Iṣakoso
kikọ dapọ
rn↔m, l↔1, O↔0
Bẹẹni, o jẹ ailewu
apẹẹrẹ
atijọ letterform
gun → s
Bẹẹni, o jẹ ailewu
apẹẹrẹ
Faded / unreadable ọrọ
"ka__n"
Rara, o yẹ ki o fi [?]
dandan
orukọ to dara / orukọ ibi
"Constantiniyye"
ṣọra
dandan
Nọmba/ọjọ
1867 vs 1857
eewu
dandan
Ifilelẹ oju-iwe (iwe-iwe/akọsilẹ ẹsẹ)
adalu sisan
apa kan
dandan
Lati ṣe akopọ aworan ni gbolohun kan: AI ni igbẹkẹle nu awọn aṣiṣe ihuwasi lasan mọ; Ṣugbọn oju eniyan nilo fun awọn orukọ pataki, awọn nọmba, awọn ọjọ ati awọn aaye ti a ko le ka.
mẹta mini igba
Ọran 1 - Awọn ile-ipamọ iwe iroyin di wiwa. Ile-ikawe ile-ẹkọ giga kan ti ṣe digitized awọn oju-iwe 12,000 ti awọn iwe iroyin agbegbe lati awọn ọdun 1930. Ipeye OCR aise jẹ ifoju 82% (18 ninu gbogbo awọn ohun kikọ 100 jẹ aṣiṣe). Atunse orisun AI pọ si išedede si 96% pẹlu iwe-itumọ ti o yẹ-ede ati ọrọ-ọrọ. Fun awọn aṣiṣe ti o ku, a ṣe ayẹwo ayẹwo kan ju ọrọ kikun lọ; Gbigba naa di wiwa ni ọsẹ 3.
Ọran 2 - AI “atunse” ati itan-akọọlẹ ti o daru. Onkọwe kan ni AI ṣe atunṣe ọjọ “1863” lori atẹjade OCR. AI "ṣe atunṣe" ọjọ naa si "1868" nipa wiwo iṣẹlẹ miiran ni ọrọ-ọrọ - bi o tilẹ jẹ pe iwe-ipamọ naa sọ kedere 1863. Ti o ba jẹ pe archivist ko ti wo aworan atilẹba, katalogi naa yoo ti tẹ pẹlu ọjọ ti ko tọ. Ẹkọ: awọn nọmba ati awọn ọjọ ko fi silẹ si AI, wọn jẹri pẹlu aworan naa.
Ọran 3 - Oju-iwe ọwọn meji dapo. Awọn oju-iwe ala-meji ti iwe ọdun 19th kan ni a dapọ si ṣiṣan kan ni OCR ati awọn gbolohun ọrọ naa ni asopọ. Awọn aise o wu je unreadable. Ọrọ naa dara si nigbati mo kọkọ pin ifilelẹ oju-iwe si awọn agbegbe (ipin) ati ṣe ilana ọwọn kọọkan lọtọ. Ẹ̀kọ́: ní ìtòlẹ́sẹẹsẹ ojú-ewé dídíjú, ìgbékalẹ̀ àkọ́kọ́, ọ̀rọ̀ kejì.
Mẹrin daakọ awọn awoṣe
1) Atunse OCR to ni aabo:
Ni isalẹ ni iṣelọpọ OCR aise ti iwe itan kan. Iṣẹ-ṣiṣe rẹ ni lati ṣatunṣe awọn aṣiṣe idanimọ opiti ti o han gbangba NIKAN (fun apẹẹrẹ rn→m,1→l, 0→O, gun ſ→s). Awọn ofin: (1) Ṣe itumọ itumọ ọrọ naa. (2) Ṣe atunṣe awọn ọrọ ti a ko le ka / aibikita, fi silẹ bi o ti jẹ ki o samisi pẹlu [?]. (3) KO fifi kun, yiyọ kuro tabi ipari awọn gbolohun ọrọ. (4) Ayipada nọmba ati ọjọ; samisi [nọmba?] ti o ba ni iyemeji. Aise OCR: [nibi]
2) Iroyin didara OCR:
Ṣayẹwo abajade OCR ni isalẹ ki o gbejade ijabọ didara kan: (1) Ṣe atokọ awọn ọrọ pẹlu awọn aṣiṣe idanimọ ti o ṣeeṣe, (2) Samisi awọn agbegbe ti o han ko ṣee ka / ko ṣe akiyesi, (3) Ṣe atokọ awọn orukọ kan pato, awọn ọjọ ati awọn nọmba ti o nilo ayẹwo eniyan. MAA ṢE atunṣe; ṣe akojọ ayẹwo nikan.Text: [nibi]
3) Iranlọwọ ọwọn/igbekalẹ:
Nitoripe ọrọ OCR ti o wa ni isalẹ wa lati oju-iwe ọwọn meji, sisan le jẹ idamu. Ṣe atunto ọrọ naa sinu awọn paragi ti ọgbọn SUGBON maṣe yipada, ṣafikun tabi paarẹ awọn ọrọ eyikeyi. Kan ṣe atunṣe aṣẹ naa. Samisi aṣẹ ti o ko da ọ loju pẹlu [ibere?]. Ọrọ: [nibi]
4) Iṣe deede si ede boṣewa (aṣayan, Layer lọtọ):
Ṣe agbejade ẹya kika ti o rọrun ni akọtọ ode oni, ni ọwọn lọtọ, LORI ọrọ itan ti a ṣe atunṣe ni isalẹ. MASE paarọ ọrọ ORIGINAL; Jẹ ki simplification jẹ Layer lọtọ. Kan ṣe imudojuiwọn akọtọ/pronunciation laisi fifi itumọ kun.Original: [nibi]
Ailagbara kiakia / Alagbara kiakia
Alailagbara:
Ṣe atunṣe ati ṣe ẹwa ọrọ OCR yii.
“Ẹwa” gba AI laaye lati tun kọ ọrọ naa, ṣe awọn aṣiṣe, ati tumọ akoonu naa; fi opin si iṣootọ.
Lagbara:
Ṣe atunṣe awọn aṣiṣe idanimọ opitika NIKAN ni iṣelọpọ OCR aise yii. Ma ṣe tumọ itumọ, ṣafikun/pa awọn ọrọ rẹ, fi awọn ẹya ti a ko le ka silẹ pẹlu [?], yi awọn nọmba ati awọn ọjọ pada. Ṣe afihan atunṣe kọọkan ti o ṣe ni atokọ lọtọ ni ọna kika “atilẹba → atunse” ki MO le rii daju. Ọrọ: [nibi]
Iyatọ naa: iṣẹ ti o ni opin, idinamọ lori iṣelọpọ, isamisi aibikita, ati atokọ awọn atunṣe ti o le wa kakiri jẹ ki iṣẹjade jẹ ṣidiiti.
Awọn aṣiṣe ti o wọpọ
- Ṣiṣayẹwo ni ipinnu kekere. Pupọ awọn aṣiṣe OCR jẹ nitori awọn aworan buburu; Ṣiṣayẹwo didara jẹ idoko-owo ti o kere julọ.
- Pipe AI “ṣe lẹwa.” Eleyi fun wa fluency kuku ju ifaramọ; Iwe-ipamọ naa ti tun kọ.
- Nlọ awọn nọmba ati awọn ọjọ si AI. Iwọnyi jẹ ibajẹ ni ipalọlọ nigbati “atunse” lati ọrọ-ọrọ; gbọdọ rii daju nipasẹ aworan.
- Àgbáye ni unreadable agbegbe pẹlu amoro. O yẹ ki o ni aabo nipasẹ aidaniloju [?], kii ṣe soke.
- Kii ṣe iṣakoso rara dipo iṣapẹẹrẹ. Paapaa deede 96% tumọ si ẹgbẹẹgbẹrun awọn aṣiṣe ni awọn oju-iwe 12,000; lominu ni agbegbe ti wa ni ti ṣayẹwo.
Ni akojọpọ
OCR ṣi awọn ile-ipamọ si awọn oniwadi nipa yiyipada awọn iwe itan ti a tẹjade sinu ọrọ wiwa. AI jẹ iranlọwọ ti o lagbara ni atunṣe awọn aṣiṣe ohun kikọ ni iṣelọpọ OCR aise pẹlu ipo; Ṣugbọn o gbọdọ fa ila laarin ṣiṣatunṣe ati atunkọ. Ṣiṣayẹwo didara-giga, itọnisọna atunṣe ailewu, titọju aibikita pẹlu [?], ati iṣeduro oju eniyan ti awọn orukọ / awọn ọjọ / awọn nọmba ṣe digitization mejeeji ni iyara ati igbẹkẹle. AI fọ ọrọ; Iwọ ni olutọju ifaramọ.
Ohun elo iṣẹ-ṣiṣe
Ṣe ọlọjẹ iwe itan ti a tẹjade (irohin atijọ, lẹta osise, oju-iwe iwe) tabi mu atẹjade OCR kan. Ṣe atunṣe ọrọ naa pẹlu awoṣe “atunṣe OCR to ni aabo” ati beere awọn atunṣe nipasẹ atokọ “akọkọ → atunse”. Lẹhinna, yọkuro awọn agbegbe ti o nilo iṣakoso eniyan pẹlu “Ijabọ didara OCR”. Ṣe afiwe ọjọ kọọkan ati orukọ to dara ninu atokọ si aworan gangan; Ṣe akiyesi melo ni wọn “ṣe atunṣe” ni aṣiṣe.
akojọ ayẹwo
- [] Mo ṣayẹwo iwe-ipamọ pẹlu o kere ju 300 DPI ati iyatọ ti o dara.
- [] Mo beere AI nikan fun atunṣe aṣiṣe opitika, kii ṣe atunkọ.
- [] Mo ti daabobo awọn ẹya ti a ko le ka pẹlu [?].
- [] Mo jẹrisi gbogbo awọn nọmba, ọjọ ati awọn orukọ to dara pẹlu aworan naa.
- [] Mo ṣe ayẹwo tabi ṣayẹwo ni kikun ni awọn agbegbe pataki.