OCR — استخراج متن از تصویر رایگان

مثال عملی

اسکن یک صفحه A4 با ابعاد 2,480 × 3,508 پیکسل (300 dpi) را در نظر بگیرید. «زبان تصویر» را روی انگلیسی بگذارید و «استخراج متن» را بزنید؛ ابزار متن را روی نسخه‌ای کوچک‌شده با ابعاد 672 × 960 پیکسل پیدا می‌کند و سپس هر خط را از نسخه‌ای 1,357 × 1,920 می‌خواند. پس از آن کاشی‌های «اطمینان»، «خط‌ها»، «کلمات» و «کاراکترها» نشان داده می‌شوند. اگر «PDF قابل‌جست‌وجو (.pdf)» را انتخاب کنید، فایلی با نامی مثل «scan_ocr.pdf» ساخته می‌شود که تصویر اصلی را روی صفحه‌ای حدود 595 × 842 پوینت (اندازه A4) دارد و متن شناسایی‌شده به‌صورت نامرئی روی آن قرار گرفته است. در اولین بازدید، بسته خط لاتین 7.7 MB و آشکارساز مشترک 11.1 MB است؛ روی‌هم 18.7 MB مدل. اگر به‌جای آن یک PDF اسکن‌شده 10 صفحه‌ای را رها کنید، صفحه می‌گوید «10 صفحه · حدود 5 دقیقه روی این دستگاه» که حدس اولیه بر پایه 30 ثانیه برای هر صفحه است.

کدام تنظیمات را استفاده کنید و محدودیت‌ها

• پیش از زدن «استخراج متن»، زبان تصویر را انتخاب کنید. منوی «زبان تصویر» 51 زبان را در گروه‌هایی بر پایه سیستم نوشتاری فهرست می‌کند و عنوان هر گروه حجم دانلود را نشان می‌دهد، مثلاً «خط لاتین — 7.7 MB» یا «چینی و ژاپنی — 15.9 MB». زبان‌های یک گروه یک دانلود مشترک دارند، پس رفتن از فرانسوی به لهستانی هزینه‌ای ندارد. کره‌ای، عربی، دواناگری، تایلندی، یونانی، تامیلی و تلوگو هر کدام بسته جداگانه می‌خواهند. منو از زبان صفحه شما شروع می‌شود و بعد آخرین انتخاب شما را در همین مرورگر به خاطر می‌سپارد. عبری پشتیبانی نمی‌شود و صفحه می‌گوید «عبری در این موتور پشتیبانی نمی‌شود.»
• فایل‌ها را رها کنید، جایگذاری کنید یا دسته‌ای بدهید. ابزار فایل‌های JPG، PNG، WebP، BMP و PDF را می‌پذیرد و می‌توانید با Ctrl+V یک اسکرین‌شات را جایگذاری کنید. چند فایل را رها کنید یا از «افزودن فایل‌های بیشتر» استفاده کنید تا در یک صف قرار بگیرند و با همان زبان یکی‌یکی خوانده شوند. در صف می‌توانید با «ذخیرهٔ هر فایل به‌صورت» بین «متن ساده (.txt)» و «PDF قابل‌جست‌وجو (.pdf)» انتخاب کنید و منو گزینه «دانلود یک .txt ترکیبی» را هم دارد. تصویر بیش از 40 مگاپیکسل پذیرفته نمی‌شود، مثلاً هر چیزی بزرگ‌تر از 8,000 × 5,000 پیکسل.
• قالب خروجی را مطابق نیازتان انتخاب کنید. «قالب خروجی» سه گزینه دارد: «متن ساده (.txt)»، «PDF قابل‌جست‌وجو (.pdf)» و «متن قابل جست‌وجوی hOCR (.html)». برای تصویر، گزینه متن و برای PDF، گزینه PDF قابل‌جست‌وجو از پیش انتخاب است. PDF قابل‌جست‌وجو تصویر صفحه‌های اصلی را دقیقاً همان‌طور که هست نگه می‌دارد و متن را نامرئی روی آن می‌گذارد، پس می‌توانید در نمایشگر PDF جست‌وجو، انتخاب و کپی کنید. hOCR فقط برای تصویر تکی ارائه می‌شود. جایگاه هر خط را نگه می‌دارد، اما به‌صورت مستطیل‌های ایستاده، پس خطوط کج کجی خود را از دست می‌دهند. فایل‌ها نامی مثل «scan.txt»، «scan_ocr.pdf» و «scan.hocr.html» می‌گیرند.
• برای PDFهای اسکن‌شده حدود 30 ثانیه برای هر صفحه انتظار داشته باشید و از «توقف و نگه‌داشتن» استفاده کنید. پیش از شروع، برای PDF زمانی تخمینی بر پایه 30 ثانیه برای هر صفحه نشان داده می‌شود. از صفحه دوم به بعد، نوار به زمان اندازه‌گیری‌شده روی دستگاه خودتان تغییر می‌کند («حدود N دقیقه باقی‌مانده») و دکمه‌ای مثل «توقف و نگه‌داشتن 3 صفحهٔ اول» ظاهر می‌شود. با زدن آن، اجرا پایان می‌یابد و صفحه‌های تمام‌شده نگه داشته می‌شوند و در نتیجه می‌آید «زود متوقف شد: متن و PDF قابل جستجو صفحات 1 تا 3 از 10 را پوشش می‌دهند.» صفحه‌هایی که از قبل متن واقعی دارند همان‌طور که هستند نگه داشته می‌شوند و یادداشت «این صفحه از قبل حاوی متن بود، بنابراین بدون تغییر باقی ماند.» دیده می‌شود. PDF دارای رمز عبور پذیرفته نمی‌شود.
• به آشکارساز عکسی واضح و نزدیک از متن بدهید. متن روی نسخه‌ای از تصویر شما پیدا می‌شود که ضلع بلندترش حداکثر 960 پیکسل است و تصویرهای کوچک هرگز بزرگ نمی‌شوند. پس عکسی از کل صفحه که از دور گرفته شده برای هر حرف جزئیات کمی دارد. فقط متن موردنیاز را برش بدهید و با نور یکنواخت، رو‌به‌رو عکس بگیرید. خطوطی که بازشناس به آن‌ها کمتر از 50% امتیاز بدهد حذف می‌شوند. پس از اجرا، «نمایش کادرهای متن شناسایی‌شده» کادرها را روی پیش‌نمایش می‌کشد تا ببینید کدام خطوط پیدا شده‌اند. خود صفحه هشدار می‌دهد که دست‌خط هنوز ضعیف خوانده می‌شود و چاپ بسیار ریز یا کم‌کنتراست ممکن است از دست برود.
• بدانید چه چیزی دانلود می‌شود و چه چیزی از دستگاه شما بیرون نمی‌رود. نخستین اجرا آشکارساز مشترک و مدل‌های تشخیص جهت (روی‌هم 11.1 MB) و بسته مربوط به خط شما را دانلود می‌کند و صفحه پیش از شروع، رقم این دانلود یک‌باره را اعلام می‌کند. همچنین موتور مشترک ONNX Runtime را می‌گیرد که در همان رقم حساب شده است، مگر اینکه ابزار دیگری از همین سایت که روی دستگاه کار می‌کند آن را قبلاً در حافظه نهان گذاشته باشد. پس از آن مدل‌ها در حافظه نهان مرورگر می‌مانند و صفحه می‌گوید «از پیش روی این دستگاه است، چیزی برای دانلود نیست.» اعلان مدل در صفحه می‌گوید فایل‌های مدل از سرور خود سایت دانلود می‌شوند و فایل شما هرگز بارگذاری نمی‌شود. اگر فضا را می‌خواهید، از «حذف مدل دانلودشده» که حجمش را هم نشان می‌دهد استفاده کنید.

مشکلات رایج و راه حل آن‌ها

می‌گوید «آن تصویر خوانده نشد. یک فایل JPG، PNG یا WebP را امتحان کنید.» و دکمه «استخراج متن» خاکستری است.

مرورگر نتوانست فایل را به‌عنوان تصویر رمزگشایی کند. ممکن است فایل آسیب دیده باشد یا قالب دیگری باشد که با نام JPG یا PNG ذخیره شده است. دکمه برای آن فایل غیرفعال می‌ماند تا دوباره شکست نخورد؛ آن را حذف کنید و فایل دیگری اضافه کنید. تصویر را دوباره به‌صورت JPG، PNG یا WebP ذخیره کنید یا از آن اسکرین‌شات بگیرید و جایگذاری کنید. PDFی که باز نشود پیام «این فایل به‌عنوان PDF خوانده نشد. ممکن است خراب باشد یا اصلاً PDF نباشد.» را می‌دهد.

می‌گوید «OCR ناموفق بود».

اجرا پیش از پایان متوقف شد. یکی از علت‌ها این است که موتور روی دستگاه 180 ثانیه هیچ نشانه‌ای از پیشرفت نفرستاده و صفحه آن را گیرکرده می‌داند. این زمان‌سنج فقط وقتی را می‌شمارد که زبانه قابل‌مشاهده باشد، پس در اجرای طولانی زبانه را جلوی چشم نگه دارید. پس از شکست، ابزار پردازشگر خود را دور می‌اندازد و با زدن دوباره «استخراج متن» یک پردازشگر تازه شروع می‌شود. اگر تکرار شد، تصویر را برش بدهید یا کوچک کنید، PDF را در تکه‌های کوچک‌تر اجرا کنید یا مرورگر رایانه رومیزی را امتحان کنید.

می‌گوید «متنی پیدا نشد. تصویری واضح‌تر، یا تصویری با تضاد بیشتر میان متن و پس‌زمینه را امتحان کنید.»

آشکارساز خطی نیافت که بازشناس دست‌کم 50% از آن مطمئن باشد. نخست «زبان تصویر» را بررسی کنید، چون هر بسته برای یک سیستم نوشتاری ساخته شده است و بسته لاتین برای عربی، تایلندی یا چینی انتخاب درستی نیست. سپس متن را برش بدهید، کنتراست را بیشتر کنید و عکس را صاف کنید. دست‌خط می‌تواند همین نتیجه را بدهد. در اجرای PDF این پیام فقط وقتی دیده می‌شود که هیچ صفحه‌ای متنی تولید نکرده باشد؛ پس PDFی که در همه صفحه‌ها متن واقعی دارد متن را می‌دهد، نه این پیام را.

کادر مدل می‌گوید «دانلود متوقف شد - اتصال خود را بررسی کنید و دوباره تلاش کنید.» یا «دستگاه شما روی صرفه‌جویی در داده تنظیم شده است، بنابراین دانلود شروع نشده است.»

فایل‌های بازشناس دریافت نشدند. اتصال را بررسی کنید و «تلاش دوباره» را بزنید، یا اگر پیام صرفه‌جویی در داده آمده است آن را خاموش کنید یا به Wi-Fi بروید. دانلود متوقف‌شده جداگانه گزارش می‌شود. تصویر شما پیش از شروع دانلود رمزگشایی می‌شود، پس فایل ناخوانا یا بیش‌ازحد بزرگ هیچ‌وقت هزینه یک دانلود را روی دست شما نمی‌گذارد. اگر کادر بگوید دستگاه حافظه کافی ندارد یا مرورگر بیش از حد قدیمی است، از رایانه رومیزی یا Chrome، Edge، Firefox یا Safari به‌روز استفاده کنید.

می‌گوید «آن تصویر برای پردازش در یک زبانه مرورگر بیش از حد بزرگ است (حد مجاز 40 مگاپیکسل). اندازه آن را کم کنید و دوباره تلاش کنید.» یا «یک صفحه در این PDF برای رندر شدن در یک تب مرورگر بیش از حد بزرگ است.»

تصویر بیش از 40 میلیون پیکسل دارد، که بیشتر از چیزی است که یک زبانه مرورگر با امنیت پردازش می‌کند. این بررسی پیش از هر دانلودی انجام می‌شود. آن را در هر ویرایشگر تصویر کوچک یا برش بدهید و دوباره اضافه کنید، یا عکس را با وضوح پایین‌تر دوربین بگیرید. عکس 12 مگاپیکسلی گوشی با فاصله زیاد در محدوده مجاز است. برای PDF، پیام یعنی یک صفحه غول‌پیکر است، با ابعاد چندین فوت. ابتدا آن را با اندازه صفحه کوچک‌تر صادر کنید. در صف، فایل «تصویر برای خواندن خیلی بزرگ است» را نشان می‌دهد.

مقایسه آن

اگر PDF از قبل متن قابل انتخاب دارد، اصلاً به OCR نیازی ندارید: ابزار این را تشخیص می‌دهد و آن صفحه‌ها را همان‌طور که هستند نگه می‌دارد. برای اسکن‌ها و عکس‌ها، تشخیص در اینجا روی پردازنده شما اجرا می‌شود، پس صفحه‌ای پرمتن حدود 30 ثانیه طول می‌کشد و گوشی کندتر است، در حالی که نرم‌افزارهای OCR دیگر ممکن است سریع‌تر باشند. این ابزار خطوط متن را پیدا می‌کند و به ترتیب خواندن برمی‌گرداند، بدون بازسازی جدول، ستون یا قلم، پس صفحه دوستونه ممکن است با خطوط درهم‌آمیخته دو ستون خارج شود. در عوض خروجی PDF قابل‌جست‌وجو، 51 زبان و فایلی که بارگذاری نمی‌شود را ارائه می‌دهد.