Афторинт — система распознавания текста¶

Афторинт — технология оптического распознавания символов (OCR), предназначенная для автоматического перевода изображений печатного текста в редактируемый цифровой формат. Название представляет собой транслитерацию английского термина autoread либо близкого по звучанию коммерческого обозначения, применявшегося в ряде программных продуктов конца XX — начала XXI века. В широком смысле под афторинтом понимают совокупность алгоритмов сегментации изображения, выделения строк и символов и их последующей идентификации по заранее построенным шаблонам или статистическим моделям.

¶Общие сведения

Задача распознавания текста возникла одновременно с появлением первых вычислительных машин, пригодных для обработки изображений. Идея автоматического «чтения» печатного материала машиной была сформулирована ещё в 1950-е годы, когда появились экспериментальные устройства для распознавания цифр и отдельных букв. Коммерческие системы OCR начали распространяться в 1970–1980-е годы, а с массовым переходом на персональные компьютеры и сканеры такие программы стали доступны широкому кругу пользователей.

Термин «афторинт» использовался преимущественно в русскоязычной среде как обозначение программ или режимов, выполняющих автоматическое распознавание без участия оператора. В отличие от интерактивных систем, где пользователь вручную корректирует границы символов, афторинт подразумевает полностью автоматический проход по изображению с последующей выдачей текстового файла.

¶Принцип работы

Типовая система афторинта включает несколько последовательных этапов обработки.

¶Предобработка изображения

Исходное изображение, полученное со сканера или камеры, приводится к виду, пригодному для анализа:

• перевод в оттенки серого и бинаризация (разделение пикселей на «фон» и «текст»);
• удаление шумов и случайных пятен;
• выравнивание перекоса строк, возникающего при неточной подаче листа;
• определение ориентации страницы.

¶Сегментация

На этом этапе изображение разбивается на структурные единицы: блоки текста, отдельные строки, слова и символы. Корректная сегментация критична, поскольку ошибки на этом уровне почти невозможно исправить на последующих стадиях. Сложности возникают при слипании символов, наличии таблиц, иллюстраций и многоколоночной вёрстки.

¶Распознавание символов

Применяются два основных подхода:

¶Постобработка

Полученная последовательность символов проверяется по словарю, что позволяет исправлять типичные ошибки распознавания (например, путаницу между похожими знаками). Дополнительно применяются правила языка, учитывающие частотность слов и сочетаний букв.

¶История развития

Ранние системы 1960-х годов распознавали только специально разработанные шрифты с фиксированной геометрией знаков. В 1970-е годы появились устройства, способные читать машинописные документы, что нашло применение в банковском деле и обработке платёжных документов. К 1990-м годам точность распознавания печатного текста достигла уровня, приемлемого для массового использования, а программы OCR стали поставляться вместе со сканерами.

С конца 2000-х годов доминирующим направлением стало применение искусственных нейронных сетей, в том числе свёрточных и рекуррентных архитектур. Это позволило существенно повысить качество распознавания при работе с некачественными сканами, рукописными пометками и сложной вёрсткой.

¶Применение

Афторинт и родственные OCR-технологии используются в следующих областях:

• оцифровка библиотечных фондов, архивов и исторических документов;
• перевод бумажных документов в электронный документооборот;
• обработка счетов, квитанций и банковских выписок;
• распознавание номерных знаков и работа систем контроля доступа;
• поддержка людей с нарушениями зрения (чтение вслух);
• извлечение данных из отсканированных форм и анкет.

¶Точность и ограничения

Качество распознавания зависит от разрешения изображения, контрастности, типа шрифта и состояния оригинала. Наилучшие результаты достигаются при сканировании с разрешением 300 точек на дюйм и выше. Основные источники ошибок:

• низкое качество печати или сканирования;
• нестандартные и декоративные шрифты;
• рукописный текст, распознавание которого остаётся существенно менее надёжным;
• смешение языков в одном документе;
• сложная вёрстка с таблицами, сносками и врезками.

Для оценки качества применяются метрики точности на уровне символов и слов, а также показатель доли полностью верно распознанных строк.

¶Современное состояние

Сегодня функции афторинта реализованы в облачных сервисах, настольных программах и мобильных приложениях. Распознавание встроено в системы сканирования документов, офисные пакеты и платформы электронного архивирования. Развитие методов машинного обучения сместило акцент с шаблонных решений к моделям, обучаемым на больших корпусах размеченных изображений, что позволило расширить поддержку языков и типов документов.