Khi nào OCR thực sự giúp bạn tiết kiệm thời gian
Nhận dạng ký tự quang học (OCR) đáng dùng bất cứ khi nào bạn sắp phải gõ lại thứ mình đang nhìn thấy ngay trước mắt. Những trường hợp điển hình:
- Ảnh chụp màn hình một thông báo lỗi, một đoạn cấu hình hoặc một đoạn hội thoại mà bạn cần dán vào ticket hay ô tìm kiếm.
- Ảnh chụp hóa đơn in, số hóa đơn, tem số seri hoặc thẻ ghi mật khẩu Wi-Fi.
- Một trang scan từ sách hoặc hợp đồng mà bạn chỉ cần hai đoạn văn, không phải cả tài liệu.
- Biển hiệu, thực đơn hoặc thông báo bằng một ngôn ngữ mà bạn muốn đưa qua công cụ dịch.
Với tài liệu scan nhiều trang, hãy biến PDF dạng scan thành tìm kiếm được; cách này giữ nguyên bố cục và thêm một lớp văn bản ẩn.
Điều gì xảy ra sau khi bạn thả ảnh vào
Công cụ chạy Tesseract, một bộ máy OCR mã nguồn mở do HP phát triển ban đầu và sau đó được Google duy trì, được biên dịch sang WebAssembly để chạy ngay trong tab trình duyệt của bạn. Nó dùng chế độ mạng nơ-ron LSTM của Tesseract, đọc cả dòng chữ thay vì so khớp từng chữ cái riêng lẻ.
Nói đơn giản:
- Bộ máy và dữ liệu huấn luyện cho ngôn ngữ của bạn được tải về. Trình duyệt lưu chúng vào bộ nhớ đệm, nên chỉ lần chạy đầu tiên phải chờ.
- Tesseract phân tích bố cục trang, tìm các khối và dòng văn bản, rồi tách dòng thành từng từ.
- Mỗi dòng được đưa vào mạng nơ-ron, mạng này trả về những ký tự có khả năng đúng nhất. Thanh tiến trình bạn thấy chính là theo dõi giai đoạn này.
- Kết quả được cắt bỏ khoảng trắng ở đầu và cuối rồi hiển thị trong ô văn bản, sẵn sàng để sao chép hoặc lưu thành tệp
.txtmang tên ảnh của bạn.
Khi bạn chọn bất kỳ ngôn ngữ nào khác tiếng Anh, tiếng Anh sẽ tự động được tải kèm. Ảnh chụp giao diện, tên sản phẩm, URL và mã nguồn thường viết bằng chữ Latinh ngay cả trong văn bản tiếng Nga hay tiếng Việt, và mô hình thứ hai giúp chúng không bị đọc sai. Nếu bạn đổi ngôn ngữ sau khi đã chạy, chính ảnh đó sẽ được nhận dạng lại với thiết lập mới, nên bạn không cần tải ảnh lên lần nữa.
Công cụ xử lý mỗi lần một ảnh. Định dạng được hỗ trợ là JPG, PNG, WebP và BMP, dung lượng tối đa 30 MB.
Chuẩn bị ảnh để văn bản ra sạch
Độ chính xác của OCR phụ thuộc vào ảnh đầu vào nhiều hơn hẳn so với bản thân bộ máy.
Kích thước chữ quan trọng nhất
Tesseract được huấn luyện trên văn bản có chữ hoa cao khoảng 20 đến 40 pixel. Mức này tương ứng với một trang được scan ở khoảng 300 DPI. Nhỏ hơn thế, các chữ cái dính vào nhau và bộ máy bắt đầu đoán.
- Một trang A4 chụp bằng điện thoại 12 MP (khoảng 4000×3000 px) cho chữ thân bài có chiều cao tốt. Cùng trang đó trong một khung hình video 1280×720 thì không.
- Ảnh chụp màn hình điện thoại ở độ phân giải gốc thường ổn. Ảnh chụp màn hình đã bị ứng dụng nhắn tin thu nhỏ thì thường không; hãy xin tệp gốc.
- Nếu văn bản chỉ chiếm một phần nhỏ trong bức ảnh lớn, hãy cắt ảnh lấy đúng vùng đó. Ít nền hơn nghĩa là ít nhận nhầm hơn.
Thẳng, phẳng và đủ sáng đều
- Giữ các dòng chữ nằm ngang. Nghiêng vài độ vẫn chấp nhận được; từ 10 độ trở lên lỗi tăng rõ rệt, còn chữ nằm ngang hoặc lộn ngược phần lớn sẽ thất bại.
- Chụp trang giấy khi nó nằm phẳng. Gáy sách cong làm các dòng gần khe gáy bị uốn, nên hãy chờ đợi lỗi ở chỗ đó.
- Tránh lóa từ giấy bóng và bóng của chính chiếc điện thoại; ánh sáng ban ngày chiếu từ bên cạnh tốt hơn đèn flash.
- Độ tương phản cao sẽ giúp ích: chữ tối trên nền sáng là lý tưởng. Chữ xám nhạt trên nền trắng, hoặc chữ đè lên ảnh, là trường hợp khó nhất.
Đọc kết quả với con mắt phê phán
Hãy soát lại trước khi dán văn bản vào bất cứ chỗ nào quan trọng. Những lỗi hay gặp:
0vàO,1,lvàI,rnvàm,5vàS. Hãy kiểm tra từng ký tự trong số seri, mã và mật khẩu.- Bảng biểu ra thành các dòng từ cách nhau bằng dấu cách, không có cấu trúc cột. Nếu cần, hãy chép vào bảng tính và tách theo dấu cách.
- Bố cục nhiều cột có thể khiến các dòng của những cột cạnh nhau xen kẽ vào nhau; hãy cắt từng cột một.
- Chữ viết tay nằm ngoài phạm vi Tesseract được huấn luyện. Chữ in hoa nắn nót đôi khi đọc được; chữ viết liền nhìn chung thì không.
Kết quả trống thường có nghĩa là bộ máy không tìm thấy gì mà nó coi là văn bản: chữ quá nhỏ, quá mờ, hoặc ngôn ngữ được chọn không khớp với hệ chữ, ví dụ chọn ngôn ngữ chữ Latinh trong khi ảnh chứa chữ Kirin.
Quyền riêng tư
Vì việc nhận dạng chạy trên chính thiết bị của bạn, ảnh không bao giờ được tải lên máy chủ. Điều đó khiến công cụ phù hợp với những tài liệu không nên gửi cho bên thứ ba: căn cước, sao kê ngân hàng, ảnh chụp màn hình nội bộ. Tốc độ chỉ phụ thuộc vào thiết bị của bạn: một ảnh chụp màn hình thông thường mất vài giây trên laptop.