ओसीआर पाठ मान्यता

Tesseract एक ओपन सोर्स ऑप्टिकल कैरेक्टर रिकग्निशन इंजन (OCR) इंजन है जो सबसे लोकप्रिय और उच्च गुणवत्ता वाला OCR लाइब्रेरी है।

ओसीआर छवियों में पाठ को खोजने और पहचानने के लिए तंत्रिका नेटवर्क का उपयोग करता है।

Tesseract पिक्सल, अक्षर, शब्द और वाक्यों में पैटर्न खोजता है, और दो-चरण दृष्टिकोण का उपयोग करता है जिसे अनुकूली पहचान कहा जाता है। यह चरित्र की पहचान के लिए डेटा के माध्यम से एक पास लेता है, फिर किसी भी पत्र को भरने के लिए एक दूसरा पास जिसमें वह उन पत्रों के साथ निश्चित नहीं था जो वाक्य के दिए गए शब्द या संदर्भ के सबसे अधिक संभावना है।

परियोजनाओं में से एक तस्वीरों से चेक को पहचानना था।

मान्यता प्राप्त उपकरण का उपयोग Tesseract OCR था। इस पुस्तकालय के लाभों में प्रशिक्षित भाषा मॉडल (> 192), विभिन्न प्रकार की मान्यता (एक शब्द के रूप में छवि, पाठ का खंड, ऊर्ध्वाधर पाठ), आसान सेटअप शामिल हैं। चूंकि Tesseract OCR C ++ में लिखा गया है, इसलिए गीथूब के साथ एक तीसरे पक्ष के आवरण का उपयोग किया गया था।

संस्करणों के बीच अंतर अलग-अलग प्रशिक्षित मॉडल हैं (संस्करण 4 में अधिक सटीकता है, इसलिए हमने इसका उपयोग किया)।

हमें पाठ पहचान के लिए डेटा फ़ाइलों की आवश्यकता है, प्रत्येक भाषा की अपनी फ़ाइल है। आप यहां डेटा डाउनलोड कर सकते हैं ।

मूल छवि (आकार, इसके विपरीत, प्रकाश पदार्थ) की गुणवत्ता जितनी बेहतर होगी, उतना ही बेहतर परिणाम होगा।

OpenCV लाइब्रेरी का उपयोग करके इसकी आगे की पहचान के लिए एक इमेज प्रोसेसिंग विधि भी पाई गई। चूंकि OpenCV C ++ में लिखा गया है, और हमारे समाधान के लिए कोई लिखित आवरण नहीं है, इसलिए इस लाइब्रेरी के लिए आवश्यक छवि प्रसंस्करण कार्यों के साथ अपना स्वयं का आवरण लिखने का निर्णय लिया गया। मुख्य कठिनाई सही छवि प्रसंस्करण के लिए फिल्टर के लिए मूल्यों का चयन है। चेकों / पाठ की आकृति को खोजना भी संभव है, लेकिन पूरी तरह से समझा नहीं गया। परिणाम बेहतर (5-10%) था।

विकल्प:

भाषा - छवि से पाठ की भाषा, आप उन्हें "+" के माध्यम से सूचीबद्ध करके कई का चयन कर सकते हैं;

pageSegmentationMode - चित्र में पाठ स्थान का प्रकार;

वर्ण-सूची - वर्णों की अनदेखी करने वाले वर्ण।

केवल Tesseract का उपयोग करके एक आदर्श छवि के साथ ~ 70% की सटीकता दी गई, खराब रोशनी / तस्वीर की गुणवत्ता के साथ सटीकता ~ 30% थी।

विजन + टेसरैक्ट OCR

चूंकि परिणाम असंतोषजनक था, इसलिए Apple - विज़न से लाइब्रेरी का उपयोग करने का निर्णय लिया गया। हमने पाठ के ब्लॉक खोजने के लिए विज़न का उपयोग किया, छवि को अलग-अलग ब्लॉकों में विभाजित किया और उन्हें पहचाना। परिणाम ~ 5% से बेहतर था, लेकिन बार-बार ब्लॉक होने के कारण त्रुटियां दिखाई दीं।

इस समाधान के नुकसान थे:

1. काम की गति। ऑपरेशन की गति कम हो गई है> 4 बार (शायद फैलने का एक प्रकार है)
2. पाठ के कुछ ब्लॉकों को 1 से अधिक बार पहचाना गया था
3. पाठ को दाईं से बाईं ओर पहचाना जाता है, यही कारण है कि चेक के दाईं ओर के पाठ को बाईं ओर के पाठ से पहले पहचाना गया था।

MLKit

पाठ का पता लगाने के लिए एक और तरीका Google का MLKit है, जिसे Firebase पर तैनात किया गया है। इस पद्धति ने सर्वोत्तम परिणाम (~ 90%) दिखाए, लेकिन इस पद्धति का मुख्य दोष केवल लैटिन वर्णों का समर्थन और एक पंक्ति में विभाजित पाठ की कठिन प्रसंस्करण है (नाम - बाईं ओर, कीमत - दाईं ओर)।

अंत में, हम कह सकते हैं कि छवियों में पाठ को पहचानना एक उल्लेखनीय कार्य है, लेकिन कुछ कठिनाइयाँ हैं। मुख्य समस्या छवि की गुणवत्ता (आकार, रोशनी, इसके विपरीत) है, जिसे छवि को फ़िल्टर करके हल किया जा सकता है। जब विज़न या MLKit का उपयोग करके टेक्स्ट को पहचानते हैं, तो टेक्स्ट रिकग्निशन के गलत क्रम, स्प्लिट टेक्स्ट के प्रसंस्करण के साथ समस्याएं थीं।

मान्यता प्राप्त पाठ मैन्युअल रूप से सुधारा जा सकता है और उपयोग के लिए उपयुक्त है; ज्यादातर मामलों में, जब चेक से पाठ को पहचानते हैं, तो कुल राशि अच्छी तरह से पहचानी जाती है और समायोजन की आवश्यकता नहीं होती है।