PDF OCR
OCR में PDF में शब्द, नाम या संख्याएँ क्यों छूट जाती हैं?
ओसीआर त्रुटियां आमतौर पर पृष्ठ छवि में शुरू होती हैं: सॉफ्टवेयर केवल उस तक पहुंचने वाले आकार, कंट्रास्ट, अभिविन्यास और भाषा की जानकारी की व्याख्या कर सकता है।
इस पृष्ठ पर
- छवि गुणवत्ता यह निर्धारित करती है कि ओसीआर क्या देख सकता है
- नामों और संख्याओं की अतिरिक्त समीक्षा की आवश्यकता है
- लेआउट अन्यथा सटीक शब्दों में गड़बड़ी कर सकता है
- भाषा और लिखावट की सीमाएँ
- ओसीआर दोहराने से पहले स्रोत में सुधार करें
- पहचान और चयन संबंधी समस्याओं को अलग-अलग बताएं
- इसका पुन: उपयोग करने से पहले इस परिणाम की जाँच करें
दृश्य उदाहरण देखें
छवि गुणवत्ता यह निर्धारित करती है कि ओसीआर क्या देख सकता है
कम-रिज़ॉल्यूशन वाले वर्णों में कम विशिष्ट विवरण होते हैं। धुंधलापन स्ट्रोक को एक साथ जोड़ता है, छायाएं किनारों को छुपाती हैं, और कमजोर कंट्रास्ट अक्षरों को पृष्ठ में मिश्रित कर देता है। एक झुका हुआ या परिप्रेक्ष्य-विकृत फोटोग्राफ भी उन आकृतियों को बदल देता है जिनकी पहचानकर्ता अपेक्षा करता है।
जब भी संभव हो, पृष्ठ को समान प्रकाश में पुनः कैप्चर करें, कैमरे को कागज के समानांतर रखें, मार्जिन को काटे बिना फ्रेम भरें, और पीडीएफ बनाने से पहले सुनिश्चित करें कि सबसे छोटा महत्वपूर्ण पाठ पढ़ने योग्य है।
नामों और संख्याओं की अतिरिक्त समीक्षा की आवश्यकता है
ओसीआर समान आकृतियों के बीच चयन करने के लिए भाषा पैटर्न का उपयोग करता है। सामान्य शब्द संदर्भ प्रदान करते हैं; नाम, संदर्भ कोड, दिनांक और खाता संख्याएँ अक्सर नहीं होतीं। एक शून्य अक्षर O से मिलता-जुलता हो सकता है, एक लोअरकेस अक्षर l से मिलता-जुलता हो सकता है, और शोर-शराबे वाली पृष्ठभूमि में विराम चिह्न गायब हो सकता है।
स्कैन के साथ इन मानों की वर्ण दर वर्ण तुलना करें। कानूनी नाम, वित्तीय राशि, दवा की खुराक, या सुरक्षा-महत्वपूर्ण संख्या को मान्य करने के लिए केवल खोज पर निर्भर न रहें।
लेआउट अन्यथा सटीक शब्दों में गड़बड़ी कर सकता है
कॉलम, टेबल, साइडबार, स्टैम्प और घुमाए गए लेबल कई संभावित रीडिंग ऑर्डर बनाते हैं। ओसीआर शब्दों को गलत क्रम में रखते हुए भी उन्हें सही ढंग से पहचान सकता है। तालिकाएँ पंक्ति और स्तंभ संबंध खो सकती हैं, और पृष्ठ शीर्षलेख मुख्य पाठ के अंदर दिखाई दे सकते हैं।
केवल पहले पृष्ठ की जाँच करने के बजाय दस्तावेज़ में प्रत्येक लेआउट प्रकार से नमूना अंशों की समीक्षा करें।
भाषा और लिखावट की सीमाएँ
PDFKaka का वर्तमान OCR मुद्रित अंग्रेजी के लिए है। हस्तलेखन और अन्य भाषाएँ विश्वसनीय वर्कफ़्लो के रूप में समर्थित नहीं हैं। सजावटी अक्षरांकन, घुमावदार पाठ और भारी शैली वाले फ़ॉन्ट भी सामान्य मुद्रित पाठ की तुलना में छवियों की तरह अधिक व्यवहार कर सकते हैं।
ओसीआर दोहराने से पहले स्रोत में सुधार करें
- पृष्ठों को सीधा घुमाएँ और जहाँ संभव हो धुंधले कैप्चर को बदलें।
- पतले कैरेक्टर स्ट्रोक को मिटाए बिना प्रकाश व्यवस्था और कंट्रास्ट में सुधार करें।
- एक मिश्रित-गुणवत्ता वाले दस्तावेज़ को विभाजित करें और पहले एक प्रतिनिधि पृष्ठ का परीक्षण करें।
- बेहतर स्रोत पर OCR फिर से चलाएँ।
- सामान्य शब्द खोजें, फिर नाम, संख्या और संरचित सामग्री को मैन्युअल रूप से सत्यापित करें।
पहचान और चयन संबंधी समस्याओं को अलग-अलग बताएं
यदि शब्द छवि स्पष्ट है लेकिन चयनित पाठ 100 के बजाय 1O0 कहता है, तो पहचान गलत है। यदि कॉपी किया गया टेक्स्ट सही है लेकिन चयन हाइलाइट ऑफसेट है, तो टेक्स्ट ज्यामिति की समीक्षा की आवश्यकता है। परीक्षण खोज, कॉपी किए गए अक्षर और संरेखण तीनों को एक ही पास के रूप में मानने के बजाय अलग-अलग।
इसका पुन: उपयोग करने से पहले इस परिणाम की जाँच करें
- लघु पहचानकर्ताओं की वर्ण दर वर्ण तुलना करें।
- एक ही धुंधले पिक्सेल को बार-बार संसाधित करने के बजाय एक अपठनीय पृष्ठ को पुनः कैप्चर करें।
- बड़े उपसमूह को संसाधित करने से पहले प्रत्येक लेआउट के एक प्रतिनिधि पृष्ठ का परीक्षण करें।
अक्सर पूछे जाने वाले सवाल
नाम और नंबर अक्सर ग़लत क्यों पढ़े जाते हैं?
वे सामान्य वाक्यों की तुलना में कम भाषा संदर्भ प्रदान करते हैं, और O/0 या l/1 जैसे वर्णों के आकार समान होते हैं। उन्हें सीधे स्कैन से जांचें।
क्या PDFKaka OCR लिखावट करता है?
वर्तमान वर्कफ़्लो मुद्रित अंग्रेज़ी के लिए है। लिखावट समर्थित विश्वसनीय उपयोग का मामला नहीं है।
टेढ़ा पाठ सटीकता को कम क्यों करता है?
तिरछापन और परिप्रेक्ष्य विकृति चरित्र आकार और रेखा संरेखण को बदल देती है, जिससे विभाजन और पहचान कठिन हो जाती है।
एक ओसीआर जॉब में कितने स्कैन किए गए पेज हो सकते हैं?
सत्यापित OCR सीमा सामान्य PDF इनपुट सीमा के भीतर 25 स्कैन किए गए पृष्ठ हैं।
क्या उसी धुंधले स्कैन को पुनः प्रयास करने से बेहतर पहचान की गारंटी मिलती है?
नहीं, पहले स्रोत की स्पष्टता, अभिविन्यास या कंट्रास्ट में सुधार करें। अपरिवर्तित इनपुट को दोहराना एक विश्वसनीय सुधार रणनीति नहीं है।