OCR/OCV פּראָדוקטן וועלן פאַרבייטן טראַדיציאָנעלע סקאַנערס

וואָס איז אָפּטישע כאַראַקטער דערקענונג (OCR)?

אָפּטישע כאַראַקטער דערקענונג (OCR) טעכנאָלאָגיע איז אַן עפֿעקטיווער געשעפֿט פּראָצעס וואָס שפּאָרט צייט, קאָסטן און אַנדערע רעסורסן דורך נוצן אָטאַמייטיד דאַטן עקסטראַקציע און סטאָרידזש קייפּאַבילאַטיז.

אָפּטישע כאַראַקטער דערקענונג (OCR) ווערט מאַנטשמאָל גערופן טעקסט דערקענונג. אַן OCR פּראָגראַם נעמט אַרויס און ניצט ווידער דאַטן פֿון סקאַנירטע דאָקומענטן, קאַמעראַ בילדער און בלויז בילד-פּדףס. OCR ווייכווארג נעמט אַרויס אותיות אויף דעם בילד, שטעלט זיי אין ווערטער און דערנאָך שטעלט די ווערטער אין זאַצן, אַזוי ערמעגלעכנדיק צוטריט צו און רעדאַקטירן דעם אָריגינעלן אינהאַלט. עס עלימינירט אויך די נויט פֿאַר מאַנועלע דאַטן אַרייַנשרייַבן.

OCR סיסטעמען ניצן א קאמבינאציע פון ​​הארדווער און ווייכווארג צו פארוואנדלען פיזישע, געדרוקטע דאקומענטן אין מאשין-לייענבארן טעקסט. הארדווער — ווי אן אפטישער סקענער אדער ספעציאליזירטע קרייז ברעט — קאפירט אדער לייענט טעקסט; דערנאך, ווייכווארג האנדלט געווענליך מיט די פארגעשריטענע באארבעטונג.

OCR ווייכווארג קען נוצן קינסטלעכע אינטעליגענץ (AI) צו אימפלעמענטירן מער פארגעשריטענע מעטאדן פון אינטעליגענטער כאראקטער דערקענונג (ICR), ווי אידענטיפיצירן שפראכן אדער סטילן פון האנטשריפט. דער פראצעס פון OCR ווערט מערסטנס גענוצט צו פארוואנדלען געדרוקטע לעגאלע אדער היסטארישע דאקומענטן אין PDF דאקומענטן אזוי אז באנוצער קענען רעדאקטירן, פארמאטירן און זוכן די דאקומענטן ווי אויב באשאפן מיט א ווארט פראסעסאר.

ווי אזוי ארבעט אפּטישע כאַראַקטער דערקענונג?

אָפּטישע כאַראַקטער דערקענונג (OCR) ניצט אַ סקאַנער צו פּראָצעסירן די גשמיות פאָרעם פון אַ דאָקומענט. אַמאָל אַלע בלעטער זענען קאָפּירט, קאָנווערטירט OCR ווייכווארג דעם דאָקומענט אין אַ צוויי-קאָליריק אָדער שוואַרץ-און-ווייס ווערסיע. די סקאַנירטע בילד אָדער ביטמאַפּ ווערט אַנאַליזירט פֿאַר ליכטיקע און טונקעלע געביטן, און די טונקעלע געביטן ווערן אידענטיפיצירט ווי אותיות וואָס דאַרפֿן דערקענט ווערן, בשעת ליכטיקע געביטן ווערן אידענטיפיצירט ווי הינטערגרונט. די טונקעלע געביטן ווערן דאַן פּראָצעסירט צו געפֿינען אַלפאַבעטישע אותיות אָדער נומערישע ציפֿערן. די בינע טיפּיש ינוואַלווז צילן איין כאַראַקטער, וואָרט אָדער בלאָק פון טעקסט אין אַ צייט. אותיות ווערן דאַן אידענטיפיצירט ניצן איינער פון צוויי אַלגערידאַמז - מוסטער דערקענונג אָדער שטריך דערקענונג.

מוסטער דערקענונג ווערט גענוצט ווען די OCR פּראָגראַם באַקומט ביישפילן פון טעקסט אין פֿאַרשידענע שריפֿטן און פֿאָרמאַטן צו פֿאַרגלײַכן און דערקענען אותיות אין דעם געסקענטן דאָקומענט אָדער בילד טעקע.

אייגנשאפט דעטעקציע פאסירט ווען די OCR ווענדט אן כּללים וועגן די אייגנשאפטן פון א ספעציפישן אות אדער נומער צו דערקענען אותיות אין דעם געסקענטן דאקומענט. אייגנשאפטן שליסן איין די צאל ווינקלדיקע ליניעס, געקרייצטע ליניעס אדער קרומען אין א אותיות. למשל, די גרויסע אות "A" ווערט געהאלטן ווי צוויי דיאַגאָנאַלע ליניעס וואָס טרעפן זיך מיט א האָריזאָנטאַלע ליניע אַריבער די מיט. ווען א אותיות ווערט אידענטיפיצירט, ווערט עס פארוואנדלט אין אן ASCII קאד (אמעריקאנער סטאַנדאַרד קאד פאר אינפארמאציע אויסטויש) וואָס קאָמפּיוטער סיסטעמען נוצן צו האַנדלען מיט ווייטערדיקע מאַניפּולאַציעס.

אן OCR פראגראם אנאליזירט אויך די סטרוקטור פון א דאקומענט בילד. עס צעטיילט די בלאט אין עלעמענטן ווי בלאקס פון טעקסטן, טאבעלעס אדער בילדער. די שורות ווערן צעטיילט אין ווערטער און דערנאך אין אותיות. אזוי שנעל ווי די אותיות זענען אויסגעקליבן, פארגלייכט די פראגראם זיי מיט א סעט פון מוסטער בילדער. נאכדעם וואס זיי האבן באהאנדלט אלע מעגליכע גלייכונגען, פרעזענטירט די פראגראם אייך דעם דערקענטן טעקסט.

OCR ווערט אָפט גענוצט ווי אַ פאַרבאָרגענע טעכנאָלאָגיע, וואָס שטיצט פילע באַקאַנטע סיסטעמען און באַדינונגען אין אונדזער טעגלעך לעבן. וויכטיקע — אָבער ווייניקער באַקאַנטע — נוצן-פֿאַלן פֿאַר OCR טעכנאָלאָגיע אַרייַננעמען דאַטן-אַרייַנטרעטן אָטאָמאַטיש, אַסיסטירן בלינדע און וויזועל באַגרענעצטע מענטשן און אינדעקסירן דאָקומענטן פֿאַר זוכמאַשינען, אַזאַ ווי פּאַספּאָרטן, נומער-פּלאַטעס, רעכענונגען, באַנק-סטעיטמענטס, ביזנעס קאַרטלעך און אויטאָמאַטישע נומער-פּלאַטעס דערקענונג.

 

פֿעיִקייטן קאַמפּערד צו טראַדיציאָנעלע סקאַנערז:

1. לייכט, גרינג צו טראָגן און ינסטאַלירן;

2. די סקאַנינג צייט איז קורץ, די נאָרמאַל סקאַנינג צייט איז 1-2S, און איר קענט עס באַקומען גלייך;

3. נידעריקע קאָסטן

4. עס קען דורכפירן OCR דערקענונג אויף די געכאפטע בילדער, פארוואנדלען די בילדער אין WORD רעדאקטירבארע דאקומענטן, און זיי אויטאמאטיש טייפסעטן;

5. אײַנפֿירן פּאַפּירלאָזע פֿאַקס טעכנאָלאָגיע, אפילו אויב עס איז נישטאָ קיין פֿאַקס מאַשין, קענט איר נאָך שיקן פֿאַקסן, וואָס פֿאַרבעסערט באַדײַטנדיק די פֿאַקס עפֿעקטיווקייט;

 

נוצן קאַסעס פון אָפּטישע כאַראַקטער דערקענונג

דער באַקאַנטסטער נוץ־פֿאַל פֿאַר אָפּטישער כאַראַקטער־דערקענונג (OCR) איז צו קאָנווערטירן געדרוקטע פּאַפּיר־דאָקומענטן אין מאַשין־לייענבארע טעקסט־דאָקומענטן. אַמאָל אַ סקענירט פּאַפּיר־דאָקומענט גייט דורך OCR פּראָצעסירונג, קען דער טעקסט פֿונעם דאָקומענט ווערן רעדאַקטירט מיט אַ וואָרט־פּראַסעסאָר ווי Microsoft Word אָדער Google Docs.

OCR ערמעגליכט די אָפּטימיזאַציע פון ​​גרויס-דאַטן מאָדעלירן דורך קאָנווערטירן פּאַפּיר און סקאַנירטע בילד דאָקומענטן אין מאַשין-לייענבארע, זוכבארע פּדף טעקעס. פּראַסעסינג און צוריקקריגן ווערטפולע אינפֿאָרמאַציע קען נישט ווערן אויטאָמאַטיזירט אָן ערשט אָנווענדן OCR אין דאָקומענטן וואו טעקסט שיכטן זענען נישט שוין פאַראַן.

מיט OCR טעקסט דערקענונג, קענען געסקענטע דאקומענטן אינטעגרירט ווערן אין א גרויס-דאטן סיסטעם וואס איז איצט ביכולת צו לייענען קליענט דאטן פון באנק סטעיטמענטס, קאנטראקטן און אנדערע וויכטיגע געדרוקטע דאקומענטן. אנשטאט צו האבן ארבייטער אויספארשן אומצאליגע בילד דאקומענטן און מאנועל אריינפירן אינפוטס אין אן אויטאמאטישן גרויס-דאטן פראצעסינג ארבעטס-פלאך, קענען ארגאניזאציעס ניצן OCR צו אויטאמאטיזירן ביים אינפוט שטאפל פון דאטן מיינינג. OCR ווייכווארג קען אידענטיפיצירן דעם טעקסט אין בילד, עקסטראקטירן טעקסט אין בילדער, ראטעווען דעם טעקסט פייל און שטיצן jpg, jpeg, png, bmp, tiff, pdf און אנדערע פארמאטן.

אויף דער באזע פון ​​דעם, האט האַמפּאָlאָנטשed אַ סעריע פון ​​קאַמעראַ מאָדולן פוןוועלכע פון5MP-16MP פון דעפיניציע. אין אנפאנג פון האַמפּאָ אַנטוויקלונג בינע, האָט אונדזער מאַנשאַפֿט פּראָדוצירט אַ ערשטן טיפּ 5MP USB קאַמעראַ מאָדול פֿאַר הויך-גיכקייַט דאָקומענט סקאַנער;מיט דיפאָדערונג פוןמאַרק, 8MP, 13MP, און אפילו 16MP USB קאַמעראַ מאָדולן זענען געוועןפּראָדוצירט. וואָס'מער, די פארלאנג פאר איין קאמערא, צו 2 קאמעראס, און מולטי קאמעראס ווערן געווענדט צום דאקומענט סקענער.