Что такое OCR для документов простыми словами и что значит точность 99%
OCR переводит изображение текста в символы. Заявленная точность 99 процентов считается по символам, а не по документам: на странице в две тысячи знаков это двадцать ошибок. Для реквизитов это много, поэтому важна не сама точность, а проверка результата по правилам: контрольный разряд, формат, совпадение с другими документами.
Короткий ответ: OCR это перевод картинки с текстом в текст, с которым можно работать. Главное, что нужно понимать про точность: проценты считаются по символам, и даже 99 процентов оставляют ошибки в каждом документе.
Откуда берётся задача
Документы приходят в двух принципиально разных видах.
- С текстовым слоем. PDF, созданный из редактора. Текст в нём уже есть, распознавание не нужно, данные берутся напрямую. Быстро и без ошибок чтения.
- Изображением. Скан, фотография, PDF из сканера. Текста внутри нет, есть картинка, и её надо распознать.
Первое правило работы с документами: всегда проверяйте, есть ли текстовый слой. Если есть, распознавание не нужно, и точность будет стопроцентной.
Что означает точность 99 процентов
| Точность по символам | Ошибок на странице в 2000 знаков | Что это значит для реквизитов |
|---|---|---|
| 99% | около 20 | Почти наверняка есть ошибка в цифрах |
| 99,5% | около 10 | Ошибка в одном номере из нескольких |
| 99,9% | около 2 | Реквизиты чаще всего верны |
| 100% | 0 | Бывает только у текстового слоя |
Отсюда вывод, который меняет подход: гнаться за процентами бессмысленно, надо проверять результат. Если распознанный ИИН не проходит проверку контрольного разряда, значит он прочитан неверно, и это видно сразу, независимо от заявленной точности.
Что портит распознавание
- Низкое разрешение. Ниже 200 точек на дюйм цифры начинают путаться. Оптимально 300.
- Перекос и перспектива. Фотография под углом требует выравнивания, и часть символов теряется.
- Блики и тени. Особенно от лампы над столом и от руки, держащей документ.
- Печати поверх текста. Синяя печать на цифрах это классическая причина ошибки.
- Рукописный текст. Распознаётся заметно хуже печатного, особенно в датах и суммах.
- Смешанные языки. Документ на казахском и русском одновременно требует поддержки обоих языков, иначе часть текста читается как набор символов.
Почему проверка важнее распознавания
Распознавание отвечает на вопрос «что написано». Но бизнесу нужен ответ на другой вопрос: «правильно ли это». Поэтому после чтения текста начинается работа, которая и определяет пользу.
- Проверка формата: похоже ли значение на дату, номер, сумму.
- Проверка по правилу: контрольный разряд ИИН и БИН, контрольная сумма IBAN.
- Сверка с другими документами дела: тот же номер, та же сумма, та же фамилия.
- Проверка состава комплекта: все ли документы на месте.
Эти четыре шага ловят подавляющее большинство ошибок чтения. Неверно прочитанный номер почти всегда не проходит проверку контрольного разряда, а неверно прочитанная сумма расходится с суммой в другом документе.
Как получить хороший результат на своих документах
- Отдавайте файлы с текстовым слоем там, где они есть.
- Сканируйте в 300 точек на дюйм, в оттенках серого.
- Снимайте документ целиком, при рассеянном свете, без наклона.
- Не пересохраняйте документ в изображение, если есть исходник.
- Проверяйте результат по правилам, а не доверяйте проценту точности.
Частые вопросы
Что такое OCR простыми словами
Это перевод изображения с текстом в текст, с которым может работать программа. Скан или фотография документа превращается в символы, из которых можно достать номера, даты и суммы.
Почему точность 99 процентов это мало
Потому что она считается по символам. На странице в две тысячи знаков это примерно двадцать ошибок, и часть из них попадёт в цифры реквизитов.
Как понять, что реквизит прочитан неверно
По проверке правилом: у ИИН и БИН есть контрольный разряд, у IBAN контрольная сумма. Если они не сходятся, значение прочитано с ошибкой.
Нужно ли распознавание, если документ в PDF
Не всегда. Если PDF создан из редактора, в нём есть текстовый слой и данные берутся напрямую, без распознавания и без ошибок чтения.
Что с этим делать дальше
Если документы идут потоком, проверку стоит отдать сервису. DocVision Ai читает сканы и PDF, достаёт реквизиты, сверяет документы комплекта между собой и ведёт историю дел. Первые 50 дел в месяц бесплатно, дальше от 1500 тенге за комплект. Отдельный документ можно распознать онлайн без регистрации: файл читается в браузере и на сервер не уходит.