Почему OCR пропускает слова, имена или числа в PDF

Качество изображения определяет, что видит OCR

Символы низкого разрешения содержат меньше различимых деталей. Размытие соединяет штрихи, тени скрывают края, а слабый контраст сливает буквы с фоном страницы. Наклонённая фотография или искажение перспективы также меняют формы, ожидаемые распознавателем.

По возможности переснимите страницу при равномерном освещении, держите камеру параллельно бумаге, заполните кадр без обрезания полей и до создания PDF убедитесь, что самый мелкий важный текст читается.

Имена и числа требуют дополнительной проверки

OCR использует языковые закономерности, чтобы выбирать между похожими формами. Обычные слова дают контекст; имена, коды, даты и номера счетов часто его не дают. Ноль может быть похож на букву O, единица — на строчную l, а знаки препинания могут теряться на шумном фоне.

Посимвольно сравнивайте эти значения со сканом. Не полагайтесь только на поиск при проверке официального имени, денежной суммы, дозы лекарства или числа, важного для безопасности.

Макет может перемешать даже правильно распознанные слова

Колонки, таблицы, боковые блоки, печати и повёрнутые подписи создают несколько возможных порядков чтения. OCR может правильно распознать слова, но расположить их в неверной последовательности. В таблицах могут потеряться связи строк и столбцов, а колонтитулы — попасть в основной текст.

Проверяйте отрывки каждого типа макета в документе, а не только первую страницу.

Ограничения по языкам и рукописному тексту

Текущий OCR в PDFKaka предназначен для печатного английского текста. Рукописный текст и другие языки не поддерживаются как надёжные сценарии. Декоративные надписи, текст по кривой и сильно стилизованные шрифты также могут обрабатываться скорее как изображения, чем как обычный печатный текст.

Улучшите источник перед повторным OCR

1. Поверните страницы в правильную ориентацию и по возможности замените размытые снимки.
2. Улучшите освещение и контраст, не стирая тонкие штрихи символов.
3. Разделите документ с разным качеством страниц и сначала проверьте характерную страницу.
4. Повторно запустите OCR на улучшенном источнике.
5. Найдите обычные слова, затем вручную проверьте имена, числа и структурированные данные.

Различайте ошибки распознавания и выделения

Если изображение слова чёткое, но выделенный текст содержит 1O0 вместо 100, ошиблось распознавание. Если скопированный текст верен, но подсветка выделения смещена, нужно проверить геометрию текста. Проверяйте поиск, скопированные символы и расположение выделения отдельно, а не считайте их одной общей проверкой.

Проверьте результат перед дальнейшим использованием

• Сравнивайте короткие идентификаторы посимвольно.
• Переснимите нечитаемую страницу вместо многократной обработки тех же размытых пикселей.
• Проверьте характерную страницу каждого макета перед обработкой большей выборки.