OCR — رەسىمدىكى تېكىستنى تونۇش تېخنىكىسى ۋە ئۇيغۇر يېزىقىدىكى ئالاھىدىلىكى
OCR ۋە تېكىست تونۇش
OCR (Optical Character Recognition) — رەسىم، سۈرەت ياكى سكاندىن ئۆتكەن ھۆججەتتىكى ھەرپلەرنى تونۇپ، كومپيۇتېر ئوقۇيالايدىغان تېكىستكە ئايلاندۇرىدىغان تېخنىكا.
ئۇيغۇرچە ئۈچۈن بۇ پەقەت قولايلىق ئەمەس — ساقلاپ قېلىش مەسىلىسى. ئۇيغۇرچە كىتاب، گېزىت ۋە قوليازمىلارنىڭ زور كۆپچىلىكى رەسىم شەكلىدە ساقلانغان. رەسىمنى ئىزدىگىلى بولمايدۇ؛ تېكىستنى بولىدۇ.
OCR نىڭ ئىشلەش باسقۇچلىرى
ئالدىن بىر تەرەپ قىلىش: رەسىمنى تۈزلەش، شاۋقۇننى ئازايتىش، يورۇقلۇقنى تەڭشەش ۋە ئاق-قارىغا ئايلاندۇرۇش.
قۇر ۋە سۆز ئاجرىتىش: بەتتىكى تېكىست رايونى تېپىلىپ، قۇرلارغا ۋە سۆزلەرگە بۆلۈنىدۇ.
تونۇش: ھەر بىر بۆلەكتىكى ھەرپ نېمە ئىكەنلىكى مودېل ئارقىلىق پەرەز قىلىنىدۇ.
كېيىنكى تۈزىتىش: تىل مودېلى ئارقىلىق خاتا تونۇلغان ھەرپ توغرىلىنىدۇ — «كىتاب» بولۇشى كېرەك يەردە «كىتاپ» چىقسا تۈزىتىلىدۇ.
ئىككى خىل ئۇسۇل
| ئۇسۇل | قانداق ئىشلەيدۇ | ئۈستۈنلۈكى | ئاجىزلىقى |
| ئەنئەنىۋى OCR | ھەرپنى ئايرىم-ئايرىم كېسىپ تونۇيدۇ | تېز، ئاز ھېسابلاش تەلەپ قىلىدۇ | ئۇلانغان يېزىقتا ناچار ئىشلەيدۇ |
| چوڭقۇر ئۆگىنىشلىك OCR | پۈتۈن قۇرنى بىر تەرەپ قىلىدۇ (CRNN، Transformer) | ئۇلانغان يېزىق ۋە قوليازمىنى ياخشى تونۇيدۇ | كۆپ سانلىق مەلۇمات ۋە GPU تەلەپ قىلىدۇ |
ئۇيغۇر يېزىقى ئۈچۈن ئىككىنچى ئۇسۇل ئېنىق ئۈستۈن، چۈنكى ھەرپلەرنى ئايرىم كېسىش مۇمكىن ئەمەس.
ئۇيغۇر يېزىقى نېمە ئۈچۈن قىيىن
ئۇيغۇر يېزىقى ئەرەب يېزىقىغا ئاساسلانغان بولۇپ، لاتىن يېزىقىدىن پۈتۈنلەي باشقىچە خۇسۇسىيەتكە ئىگە. تۆۋەندىكىلەر OCR نى قىينايدىغان ئاساسلىق سەۋەبلەر.
ھەرپلەر ئۇلىنىپ يېزىلىدۇ. لاتىن يېزىقىدا ھەر ھەرپ ئايرىم تۇرىدۇ؛ ئۇيغۇرچىدە بىر سۆز بىر سىزىققا ئوخشاش، شۇڭا «قەيەردىن كېسىش» ئۆزى بىر مەسىلە.
بىر ھەرپنىڭ تۆت خىل شەكلى بار: سۆز بېشى، ئوتتۇرىسى، ئاخىرى ۋە يالغۇز ھالىتى. مودېل تۆتىنى بىر ھەرپ دەپ ئۆگىنىشى كېرەك.
نۇقتىلار پەرقلەندۈرگۈچى: ب، پ، ت، ن قاتارلىق ھەرپلەرنىڭ پەرقى پەقەت نۇقتىنىڭ سانى ۋە ئورنىدا. غۇۋا رەسىمدە نۇقتا يوقاپ كېتىدۇ.
ئوڭدىن سولغا يېزىلىدۇ. قۇر تەرتىپى ۋە ئارىلاش يۆنىلىشلىك مەزمۇن (ئۇيغۇرچە ئىچىدە ئىنگلىزچە سۆز) قوشۇمچە قىيىنچىلىق تۇغدۇرىدۇ.
سانلىق مەلۇمات ئاز: بەلگىلەنگەن ئۇيغۇرچە OCR سانلىق مەلۇماتى ئىنگلىزچىگە سېلىشتۇرغاندا ئىنتايىن ئاز.
نەتىجىنى ياخشىلاشنىڭ ئەمەلىي يوللىرى
سكاننى 300 DPI ئەتراپىدا قىلىڭ. تۆۋەن ئېنىقلىقتا نۇقتىلار يوقىلىدۇ.
بەتنى تۈز قويۇڭ. بىر نەچچە گرادۇسلۇق قىڭغىرلىقمۇ قۇر ئاجرىتىشنى بۇزىدۇ.
يورۇقلۇق تەڭ بولسۇن، سايە چۈشمىسۇن. تېلېفون بىلەن سۈرەتكە ئالغاندا ئەڭ كۆپ ئۇچرايدىغان مەسىلە شۇ.
رەڭلىك رەسىمنى ئاق-قارىغا ئايلاندۇرۇپ، ئارقا سەپ رەڭگىنى تازىلاڭ.
كۆپ بەتلىك ھۆججەتنى بىردەك شارائىتتا سكاندىن ئۆتكۈزۈڭ — ئارىلاش سۈپەت نەتىجىنى بىردەك قىلمايدۇ.
OCR نەتىجىسىنى باھالاش
| ئۆلچەم | مەنىسى |
| CER (Character Error Rate) | ھەرپ دەرىجىسىدىكى خاتالىق نىسبىتى. ئۇيغۇرچىدەك ئۇلانغان يېزىقتا ئەڭ ئادىل ئۆلچەم. |
| WER (Word Error Rate) | سۆز دەرىجىسىدىكى خاتالىق نىسبىتى. بىر ھەرپ خاتا بولسا پۈتۈن سۆز خاتا ھېسابلىنىدۇ. |
| Layout accuracy | قۇر، ئابزاس ۋە جەدۋەل قۇرۇلمىسىنىڭ توغرا ساقلىنىشى. |
قايسى ئەھۋالدا OCR ئىشلىتىلمەيدۇ
PDF نىڭ ھەممىسى رەسىم ئەمەس. ئەگەر PDF ئەسلىدە تېكىست پروگراممىسىدىن چىققان بولسا، ئىچىدە تېكىست قاتلىمى بار — كۆچۈرسىڭىزلا بولىدۇ ۋە OCR نىڭ ھاجىتى يوق. OCR پەقەت سكاندىن ئۆتكەن ياكى سۈرەتكە ئېلىنغان ھۆججەتكە كېرەك.
سىناش ئۇسۇلى ئاددىي: PDF دىكى بىر جۈملىنى چاشقىنەك بىلەن تاللاپ بېقىڭ. تاللانسا — تېكىست بار؛ تاللانمىسا — رەسىم، OCR كېرەك.
مەنبەلەر
Tesseract OCR — ئەڭ كەڭ تارقالغان ئوچۇق كودلۇق OCR ماتورى: https://github.com/tesseract-ocr/tesseract
Idirak — نەرسە بايقاش ۋە كومپيۇتېر كۆرۈشى ئاساسلىرى: https://www.idirak.com/articles/object-detection
تۈزگۈچى: سۈنئىي ئىدراك — idirak.com ئۈچۈن OCR ئۇيغۇرچە قوللانمىسى
OCR · CER · Tesseract · ئەرەب يېزىقى