मोफत OCR — इमेज ते मजकूर एक्स्ट्रॅक्टर

हे कसे कार्य करते

येथील OCR (ऑप्टिकल कॅरेक्टर रेकग्निशन) PP-OCRv5 वापरते, जो PaddleOCR प्रकल्पातील ओपन-सोर्स मॉडेल संच आहे, थेट तुमच्या ब्राउझरमध्ये चालतो. ते फोटो किंवा स्कॅनमधील छापील मजकूर वाचते, इमेज कधीही तुमचे डिव्हाइस न सोडता.

1. 1
   प्रथम मजकूर विभाग शोधले जातात

   एक डिटेक्शन मॉडेल इमेज स्कॅन करून मजकुराच्या ओळीसारखे दिसणारे प्रत्येक भाग रेखांकित करते, सर्वात लांब बाजू सुमारे 960 पिक्सेल असलेल्या प्रतीवर काम करत. यामुळेच पावतीच्या फोटोवरही हे टूल काम करते: मॉडेल संपूर्ण इमेज स्वच्छ पान आहे असे गृहीत न धरता मजकूर शोधते. हा टप्पा कोणत्याही भाषेसाठी सारखाच असतो, त्यामुळे तो एकदाच — सुमारे 12 MB — डाउनलोड होतो आणि पुन्हा वापरला जातो.
2. 2
   तुमच्या लिपीसाठी एक रेकग्नायझर डाउनलोड होतो

   आकार वाचणे लिपी-विशिष्ट असते, त्यामुळे तुम्ही निवडलेल्या लेखन पद्धतीसाठी दुसरे मॉडेल आणले जाते — बहुतेकांसाठी सुमारे 8 MB, कोरियनसाठी 13 MB आणि चिनी व जपानीसाठी 17 MB. Latin निवडल्यास एकूण सुमारे 19 MB लागतात. प्रत्येक मॉडेल कॅश केले जाते, त्यामुळे आधी वापरलेल्या लिपीवर परत गेल्यास काहीही डाउनलोड होत नाही.
3. 3
   प्रत्येक ओळ सरळ करून वाचली जाते

   प्रत्येक शोधलेली ओळ तिच्या ओरिएंटेशनसाठी तपासली जाते, गरज असल्यास सरळ केली जाते, नंतर रेकग्नायझरकडे पाठवली जाते, जो ती अक्षराक्षराने वाचतो. वाचनाचा क्रम नंतर पुन्हा तयार होतो, वर-खाली आणि डावी-उजवीकडे, त्यामुळे आउटपुट डिटेक्टरला बॉक्सेस सापडलेल्या क्रमाऐवजी तुम्हाला दिसणाऱ्या मांडणीशी जुळते.
4. 4
   मजकूर बॉक्सेस आणि विश्वासार्हतेसह परत येतो

   प्रत्येक ओळीत एक विश्वासार्हता गुण आणि ती ज्या निर्देशांकांवरून आली त्याची माहिती असते, त्यामुळे नेमके काय कुठून वाचले गेले हे तुम्हाला दिसते, आणि ती स्थाने कायम ठेवणारा hOCR एक्सपोर्ट करता येतो. स्वच्छ, उच्च-कॉन्ट्रास्ट मजकुरासाठी 90% पेक्षा जास्त गुण मिळतात; कमी रिझोल्यूशन, चकाकी आणि हस्ताक्षर हे गुण कमी करतात.

संबंधित साधने