Словарь ИИ
Что такое OCR
Коротко
OCR (optical character recognition, оптическое распознавание символов) это технология, которая превращает текст на картинке, скане или фото в обычный текст, который можно копировать и искать.
Бизнес и внедрение · optical character recognition
Михаил МозгПроверено: 1 минута чтения
Ребенку
Когда ты фотографируешь страницу из книги, телефон видит только цветные точки, как мозаику. Он не знает, что там буквы. Специальная программа рассматривает эту мозаику, узнает в ней буквы, как ты узнаешь их в прописях, и складывает из них слова. После этого текст можно скопировать, найти в нем нужное слово или прочитать вслух.
Простыми словами
Скан договора для компьютера просто картинка: найти в нем слово «штраф» нельзя. Программа распознавания находит на изображении строки, делит их на слова и символы и угадывает, какая буква где написана. На выходе получается текстовый файл или PDF, в котором работает поиск. Печатный текст на хорошем скане распознается почти без ошибок, а рукописный, мятый или снятый под углом заметно хуже. Похожим образом приложение банка считывает номер карты с фотографии.
Для бизнеса
Распознавание нужно везде, где бумага или сканы мешают автоматизации: архив договоров, входящие счета, паспорта и анкеты клиентов, акты и накладные. Без него ассистент по документам не найдет ответ в отсканированном регламенте, а робот не перенесет данные из счета. Расходы зависят от объема страниц, языков, доли рукописного текста и того, можно ли отправлять файлы во внешний сервис: сканы паспортов попадают под 152-ФЗ, и их часто обрабатывают на своих серверах. Риски: перепутанные цифры в суммах и реквизитах, потерянная структура таблиц. Перед запуском прогоните выборку своих документов и посчитайте долю ошибок в ключевых полях.
Для специалиста
Optical character recognition (OCR) переводит изображение текста в машиночитаемую строку. Классический конвейер: бинаризация и выравнивание страницы, поиск строк и слов (text detection), сегментация, распознавание символов классификатором, языковая постобработка по словарю. Ray Smith описал устройство движка Tesseract, выросшего из исследовательского прототипа HP, в докладе на ICDAR 2007: поиск строк, признаки и классификация, адаптивный классификатор. Затем распространились модели на сверточных и рекуррентных сетях с функцией потерь CTC, которые распознают строку целиком. TrOCR (Li и др., 2021) сделал распознавание полностью трансформерным: предобученный трансформер изображений кодирует строку, текстовый трансформер генерирует ее по кусочкам слов, и модель обошла прежние результаты на печатном, рукописном и сценовом тексте. Качество меряют долей ошибок по символам (CER) и словам (WER). Все чаще эту ступень заменяют мультимодальные модели, которые читают документ и сразу извлекают поля.
Пример
Юридический отдел отсканировал архив из нескольких тысяч бумажных договоров. После распознавания юрист за минуту находит все договоры с условием об автопролонгации, вместо того чтобы листать папки.
Связанные термины
Вопросы и ответы
Распознает ли OCR рукописный текст?
Можно ли распознавать документы без отправки в облако?
Источники
Где это применяют в компании
Не уверены, нужно ли это вашей компании?
Карта ИИ-решений