Perusteelliset käytännön oppaat

Tarkista OCR ennen asiakirjan lainaamista

Siirry skannatusta sivusta tarkistettuun tietoon: tarkista merkit, taulukot, lukujärjestys ja kielet ennen tunnistetun tekstin hakua, laskentaa tai lainaamista.

Päivitetty :

Arkistojen tutkiminen mikrofilmilukijan ja vanhojen asiakirjojen avulla.

Tekoälyllä luotu kuvitus

Säilyttääkö poimittu teksti asiakirjan merkityksen?

Valittava teksti voi piilottaa puuttuvan kiellon, vaihtuneen numeron, sekoittuneet palstat tai katkenneen nimen. OCR auttaa löytämään tietoa, mutta alkuperäinen sivu on vertailukohta. Erota kohdan löytämiseen riittävä tunnistus lainaamiseen tai laskentaan soveltuvasta. Yleinen tarkkuusprosentti ei korvaa käyttötarkoitukseen sidottua arviointia.

  1. Säilytä lähde

    Kirjaa asiakirja, alkuperä, hakupäivä ja sivunumerointi. Säilytä sivukuva ja teksti erillään versiotunnisteineen. Uusi tunnistus ei saa korvata aiemmin käytettyä näyttöä. Tarkista pääsyn ja uudelleenkäytön ehdot suhteessa tehtävään.

  2. Valitse tarkistettavat kohdat

    Sisällytä helppo sivu, taulukko, huomautus, kapea palsta ja esiintyvät kirjoitusjärjestelmät. Lisää kaikki päätelmää tukevat määrät, päivät, yksiköt, nimet ja kiellot. Helppojen sivujen otos kuvaa vaihtelevaa aineistoa huonosti; ilmoita kattavuus.

  3. Vertaa ratkaisevat merkit

    Lue kuvaa ja poimintaa rinnakkain. Tarkista nolla ja O, yksi ja I, desimaalierottimet, miinusmerkit ja viitteet. Tarkista luvut yksiköineen ja ajanjaksoineen. Merkitse korjaukset tekstiin muuttamatta lähdetiedostoa huomaamatta.

  4. Palauta rakenne

    Seuraa otsikoita, kappaleita, palstoja, huomautuksia ja soluja. Taulukkorivi ei ole pelkkä sanajono: yhdistä arvot otsakkeisiin. Tarkista usealle sivulle jatkuvat taulukot. Säilytä lähdesivu tai alue jokaiselle käytetylle arvolle.

  5. Testaa haku ja kielet

    Hae nimi, viite ja ilmaus jokaisesta kirjoitusjärjestelmästä. Tarkista tarkkeet, arabialaiset merkit, välimerkit ja sekakielisten jonojen järjestys. Merkkien tunnistus ja merkityksen kääntäminen ovat eri tehtäviä. Älä korjaa erisnimiä automaattisesti yleissanastolla.

  6. Päätä käyttö

    Luokittele kohdat tarkistetuiksi, jäljitettävästi korjatuiksi tai epäluotettaviksi. Osittainen poiminta voi auttaa hakua mutta olla kelpaamaton laskentaan. Lue lainattu kohta lähteestä ja anna pysyvä paikannin. Moottorin tai asetusten muutoksen jälkeen testaa vaikeat kohdat, älä vain tekstin kokonaismäärää.

Tietojen lukemisen työpaja

Hyvä luku ei vahvista tunnistetta

Tapaus DEMO-O12 erottaa merkkien vastaavuuden ja lohkojärjestyksen ennen lainausta tai liitosta.

Kuvitteellisia tietoja ja merkintöjä oppimista varten: tulokset eivät ole peräisin suorista palvelukyselyistä.

Palstajärjestys ja tunnisteen täsmällinen lukeminen

Sivu luetaan ensin vasenta, sitten oikeaa palstaa. OCR vuorottelee lohkoja ja korvaa tunnisteen kaksi nollaa O-kirjaimilla; merkkien vastaavuus ei kata tätä järjestysvirhettä.

Jos taulukko ylittää näytön, vieritä vaakasuunnassa; nuolinäppäimet toimivat alueen ollessa kohdistettuna.

Palstajärjestys ja tunnisteen täsmällinen lukeminen
VaiheEsimerkin tietoDiagnoosiPäätös
Kaksipalstainen kuvaVasen A1,A2; oikea B1,B2Odotettu järjestys A1,A2,B1,B2.Säilytä kuva ja alueviitteet.
RaakatunnistusA1,B1,A2,B2Palstat vuorottelevat ja sekoittavat perustelun.Palauta järjestys kuvaa lukemalla.
Ratkaiseva tunnisteKuva AB-0010; OCR AB-OO10Kaksi nollaa muuttui O-kirjaimiksi.Korjaa jäljen kanssa ennen käyttöä.
Kohdistettu merkkiotos2 virhettä 10 000:ssa; vastaavuus 99,98 %Kuvitteellinen luku ei mittaa lohkojärjestystä.Lue jokainen päätelmää tukeva tunniste.

Voiko AB-OO10:tä lainata 99,98 prosentin perusteella?

Avaa jokainen väite ja vertaa sen tulkintaa. Lisätarkistuksia voi silti tarvita.

Kyllä, tulos on lähes täydellinen.

Ei: kaksi virhettä voi muuttaa avaimen.

Kyllä, kun palstat on järjestetty.

Ei: rakenne ja merkit tarkistetaan erikseen.

Ei; lue tunniste kuvasta ja kirjaa korjaus.

Sopii tähän. Tarkista koko kohta; säilytä raakateksti erillään korjatusta tekstistä.

Täytetty kuvitteellinen tietue

Tapaus: DEMO-O12
Kuva: AB-0010; raaka OCR: AB-OO10
Raakajärjestys: A1,B1,A2,B2
Tarkistettu järjestys: A1,A2,B1,B2
Otos: 10 000 merkkiä; virheitä: 2
Korjaus: tunniste ja järjestys sivuviittein
Käyttö: vain tarkistettu kohta

Liitä lainattuun kohtaan tarkistettu sivu ja kuva-alue. Säilytä raakateksti, korjattu teksti ja jokaisen tunnistekorjauksen perustelu erikseen.

Sääntöjen dokumentaatio erillään kuvitteellisista esimerkeistä

Vertaa muita tilanteita ja harjoituksia

Kielto katoaa

Poiminta sallii asian, jonka alkuperäinen sulkee pois. Vertaa koko lausetta, huomautusta ja asiayhteyttä. Kirjaa korjaus ja lainaa lähdettä; sanojen yleinen samankaltaisuus ei turvaa merkitystä.

Palstat sekoittuvat

Otsikot löytyvät, mutta kappaleet vuorottelevat palstojen välillä. Palauta järjestys kuvasta ennen tiivistämistä. Testaa kokonaisen lauseen haku: indeksin sanat voivat kuulua eri kohtiin.

Summa näyttää väärältä

Arvo menetti etumerkkinsä tai vaihtoi saraketta. Tarkista käytetyt solut, otsakkeet ja yksiköt. Laske vain tarkistetuilla arvoilla ja merkitse epäselvät solut arvaamisen sijaan.

Katkelman ohjattu tarkastelu

Kadonnut erotin satakertaistaa summan

Kuvitteellisessa harjoituksessa A esittää lähdekuvasta luetun arvon ja B OCR-tuloksen. Sivu ja taulukko osoittavat tarkistettavan kohdan.

Kuvitteellinen harjoitus: tunnisteet, arvot ja päivämäärät havainnollistavat tarkistusta. Katkelma ei ole reaaliaikaisesti kerätty vastaus.

  1. Etsi solu

    Yhdistä sivu 7, taulukko 2, otsikko ja EUR-yksikkö. Älä tarkista lukua ilman asiayhteyttä.

  2. Vertaa merkkejä

    A:ssa on desimaalipilkku ja ryhmittelyväli. B menetti molemmat; 125000 ei tarkoita 1 250,00.

  3. Korjaa tekstintunnistus

    Säilytä raakatulos ja soluun yhdistetty erillinen korjaus. Laske väärää mittakaavaa käyttäneet tulokset uudelleen.

Kuvitteellinen vertailu: A = kuvan lukeminen; B = OCR

p. 7 / table 2
A   1 250,00 EUR
B   125000 EUR

Mitä tutkitaan

Hyväksytty arvo: 1 250,00 EUR
Raaka 125000 EUR olisi sata kertaa suurempi.
Tarkistuksen rajaus
Yksi tarkistettu solu ei vahvista koko taulukkoa tai kaikkia sivuja. Tarkista myös ratkaisevat kiellot, nimet ja yksiköt.
Onko pilkun lisääminen jokaiseen OCR-lukuun luotettava korjaus?

Perustelu

Ei. Merkintätavat ja virheet voivat vaihdella sarakkeittain tai sivuittain. Perustele jokainen olennainen korjaus lähdekohdasta; sokea yleissääntö voi tuottaa uusia virheitä.

Viralliset lähteet : Tesseract — Improving the quality of the output

LUKEMINEN / SELITETTY ESIMERKKI

Kaksi merkkivirhettä ja kaksi tarkistettavaa avainkenttää

Vertaamme kahta kuvitteellista merkkijonoa säilyttäen kirjainkoon, merkit ja kaikki kolme välilyöntiä. Vertailutekstissä on 18 ASCII-merkkiä ja neljä tokenia. Tässä tokenit erotetaan välilyönneillä poistamatta välimerkkejä: tämä on esimerkin ilmoitettu WER-sääntö, ei yleisasetus.

Kuvitteellinen esimerkki · ei havaintoja palvelusta tai asiakkaasta.

Vieritä taulukkoa pienellä näytöllä vaakasuunnassa.

Kaksi merkkivirhettä ja kaksi tarkistettavaa avainkenttää
TarkistusEsimerkin arvoTulkinta
Tarkistettu vertailutekstiREF A01 -12.50 EUR18 merkkiä välilyönteineen; neljä tokenia.
Raaka OCR-tulosREF A0I 12.50 EUR17 merkkiä; numero 1 muuttui I:ksi ja miinusmerkki katosi.
CER: merkkivirheet2 / 18 × 100 ≈ 11.1 %Yksi korvaus ja yksi poisto suhteessa vertailutekstin merkkeihin.
WER: tämän esimerkin sääntö2 / 4 × 100 = 50 %Kaksi korvattua tokenia neljästä: tunniste ja etumerkillinen summa.
Soveltuvuus käyttöönA01 ≠ A0I ; -12.50 ≠ 12.50Tunniste voi viitata eri kohteeseen, ja etumerkki kääntää arvon vastaluvuksi. Tarkista lähdealueet ennen yhdistämistä tai laskentaa.
Voiko luotettavuudeksi ilmoittaa 88,9 %?

CER:n komplementti ei mittaa asiakirjan totuutta tai kunkin kentän oikeellisuuden todennäköisyyttä. Tässä molemmat tärkeät kentät muuttuivat, vaikka merkkijonot muistuttavat toisiaan.

Miksi vertailusäännöt kirjataan?

Välimerkkien poisto ennen laskentaa voisi piilottaa etumerkkivirheen. Vertaa tuloksia samoilla säännöillä ja tarkista erikseen tärkeät kentät sekä lukujärjestys.

Lähteet luettu

Harjoitus ja ratkaisu

Kadonnut etumerkki kääntää päätelmän

Kuvitteellinen esimerkki: arvot ja asiakirjat opettavat menetelmää eivätkä kuvaa todellista organisaatiota.

Sarake kuvaa prosenttimuutosta. Automaattinen yhteenveto puhuu kasvusta.

Jos taulukko ylittää näytön, vieritä vaakasuunnassa; nuolinäppäimet toimivat alueen ollessa kohdistettuna.

Lähtötiedot
LähdeLuettu teksti
Taulukon kuva−12,5
OCR-poiminta12.5

Tarkistettavat asiat

  1. Lue solu alkuperäisestä kuvasta.
  2. Tarkista etumerkki, desimaalierotin ja otsikko.
  3. Tee päätelmä uudelleen korjatusta solusta.
Lue ratkaisu

Ratkaisu ja päätös

Arvo on −12,5 % eli taulukossa lasku. Pilkun vaihtaminen pisteeksi voi olla muotoilua; etumerkin katoaminen muuttaa merkityksen. Korjaa myös tiivistelmä ja johdetut laskelmat säilyttäen alkuperäinen poiminta tunnistettavana.

Jos tilanne muuttuu

Jos viiva voi tarkoittaa puuttuvaa arvoa, lue selite ja tarkista sijainti; älä tulkitse sitä automaattisesti miinukseksi.

Säilytettävä jälki

Säilytä sivu, solun sijainti, luettava kuva, raaka OCR ja perusteltu korjaus.

DOKUMENTOIDUT TIEDOT

ALTO: kaksi vastakkaissuuntaista luottamusasteikkoa

ALTO 4.4 määrittelee sanan WC:n ja merkkien CC:n vastakkaisin päätepistein. Ne ovat OCR-metatietoja, eivät aineistostasi mitattua tarkkuutta.

ALTO: kaksi vastakkaissuuntaista luottamusasteikkoa
ViiteArvo tai muotoMitä se yksilöi
WC0 → 10 on epävarma ja 1 varma moottorin mukaan; suuri arvo ei korvaa kuvan lukemista.
CC0 → 9Luku jokaista merkkiä kohti: 0 varma ja 9 epävarma. Älä tulkitse yhdeksää paremmaksi luottamukseksi.
HPOS / VPOSMeasurementUnitVaaka- ja pystysijainti ilmoitetussa mittayksikössä; älä oleta pikseleitä.
CONTENTStringTekstiyksikön tunnistettu sisältö; säilytä yhteys sivuun ja alueeseen.
ReadingOrderALTO 4.3+Nimenomainen lukujärjestys tuli versiossa 4.3; tarkista versio ennen elementin odottamista.

Huomioitavaa aineistossa

Säilytä versio, yksikkö, teksti ja koordinaatit yhdessä. Organisaatioprofiilit voivat erota; BnF dokumentoi ALTO-muunnelmansa. Puuttuva arvo ei tarkoita nollaluottamusta.

Osoittaako WC = 0,99 merkkien olevan 99-prosenttisesti oikein?

Ei. WC on moottorin luottamus tekstiyksikköön, ei mitattu merkkitarkkuus. Vertaa kohtia vertailutranskriptioon ja kuvaa otos muuttamatta arvoa tarkkuustodistukseksi.

Alkuperäisdokumentaatio

Dokumentaatio tarkistettu .

DOKUMENTOIDUT TIEDOT

Vuoden 1930 omistusmerkki ei ajoita kirjan painamista

Jäljennös näyttää Library of Congressin Gutenbergin Raamatun aukeaman ja sisäkannen omistusmerkit. Lähde on Wikimedia Commonsin välittämä WDL7782. Erota teos ja tämän kappaleen historia.

Library of Congressin Gutenbergin Raamatun aukeama: sisäkannen exlibrikset, Vollbehrin kokoelman vuoden 1930 etiketti ja suojalehti.

Library of Congressin Gutenbergin Raamatun aukeama: sisäkannen exlibrikset, Vollbehrin kokoelman vuoden 1930 etiketti ja suojalehti.

Todellinen dokumentaarinen jäljennös · Library of Congress · World Digital Library · Wikimedia Commons · Lähde · Käyttöehdot

Jäljennös on tiedostotietueessa merkitty public domain -aineistoksi. Pienennetty ja muunnettu WebP:ksi rajaamatta. Kuvauspäivää ei ilmoiteta.

Vuoden 1930 omistusmerkki ei ajoita kirjan painamista
ViiteArvo tai muotoMitä se yksilöi
Biblia latinaMainz · c. 1455Kirjaston näyttely ajoittaa painamisen Mainziin, todennäköisesti valmiiksi loppuvuonna 1455.
LanguageLatinaLatinalainen Vulgata; kokoelmaetiketin kieli ei ole koko teoksen kieli.
MaterialPergamenttiTämä kappale on painettu pergamentille organisaation kuvauksen mukaan.
Vollbehr1930Vollbehrin kokoelman hankintavuosi kirjastoon, joka näkyy myös jäljennöksen etiketissä.
WDL7782Tiedoston alkuperätiedoissa viitatun World Digital Library -tietueen tunniste, ei sivunumero.

Huomioitavaa aineistossa

Erota OCR:ssä teoksen teksti, huomautukset, exlibrikset ja lisätyt etiketit. Liitä tieto alueeseen ja tehtävään. Digitoinnin tai valokuvauksen päivää ei anneta; älä päättele sitä vuosista 1455 tai 1930.

Mitä ”The Vollbehr Collection 1930” osoittaa?

Se on kokoelmamerkintä, ei painovuosi. Organisaation kuvaus dokumentoi vuoden 1930 hankinnan erikseen. Säilytä ero ja tarkka kappale: yhden niteen merkintä ei kuvaa painoksen kaikkia kappaleita.

Alkuperäisdokumentaatio

Dokumentaatio tarkistettu .

DOKUMENTOIDUT TIEDOT

PDF/A: säilytysprofiili ei ole aitoustodistus

ISO 19005:n osat määrittävät esityksen ja resurssien säilytysvaatimuksia. Taulukko vertaa dokumentoituja profiileja, ei tarkista kävijän PDF-tiedostoja. Tunnista tarkka profiili ensin.

PDF/A: säilytysprofiili ei ole aitoustodistus
ViiteArvo tai muotoMitä se yksilöi
PDF/A-1ISO 19005-1:2005Ensimmäinen osa perustuu PDF 1.4:ään. Tavoitteena on toistettava esitys; .pdf-pääte ei osoita profiilinmukaisuutta.
PDF/A-2ISO 19005-2:2011Perustuu PDF 1.7:ään ja sallii lisätoimintoja sekä PDF/A-liitteitä sääntöjensä mukaan. Ei tarkoita minkä tahansa tiedostomuodon sallimista.
PDF/A-3ISO 19005-3:2012Sallii minkä tahansa muotoiset liitteet. Säiliön vaatimustenmukaisuus ei tee liitteistä säilyviä, saavutettavia tai PDF/A:n mukaisia.
PDF/A-4fISO 19005-4:2020PDF 2.0:aan perustuvan osan 4 profiili muiden muotojen liitteille. Nimi ei kerro liitteen luonnetta tai laatua.
pdfaid:part / pdfaid:conformance1 / BPDF/A-1b:n XMP-ilmoituksen esimerkki: part on 1 ja conformance B. Metatieto ilmoittaa väitetyn vastaavuuden, ei hyväksyttyä validointia.
PDF/UAISO 14289PDF-saavutettavuusstandardien perhe. Tiedosto voi tavoitella sekä PDF/A:ta että PDF/UA:ta; PDF/A ei yksin osoita saavutettavuutta.

Huomioitavaa aineistossa

Säilytä tarkka tiedosto, testattu profiili, työkalu ja versio, säännöt ja tulokset. OCR, lukujärjestys, liitteet ja allekirjoitukset vaativat omat tarkistuksensa. Muoto ei vahvista tekijää, aikaa tai väitteitä.

Onko PDF/A valittavalla tekstillä aina saavutettava?

Ei. Tekstin valinta ei osoita semantiikkaa, oikeaa lukujärjestystä tai kuvien kuvauksia. Tarkista vaatimukset ja lue avustavilla välineillä.

Alkuperäisdokumentaatio

Dokumentaatio tarkistettu .

Säilytettävä näyttö

  • Lähde, versio, sivukuva ja hakupäivä.
  • Tarkistetut kohdat, kirjoitusjärjestelmät, asettelu ja valintaperusteet.
  • Virheet, näkyvät korjaukset ja käytettyjen arvojen sijainnit.
  • Sallitut käyttötavat: haku, lainaus tai laskenta sekä rajat ja uusintatarkistus.

Viralliset lähteet

Aiheeseen liittyvät protokollat

Tarkistukset ennen johtopäätöstä

  • Onko ratkaisevat kieltosanat, merkit, desimaalierottimet ja erisnimet verrattu suoraan näkyvään sivuun?
  • Säilyvätkö taulukon solujen oikeat otsikot ja järjestys työvälineeseen kopioinnin jälkeen?
  • Viittaako lainaus lähdesivuun ja nimeääkö se korjaukset pelkän poimitun tekstin sijaan?

Usein kysytyt kysymykset

Riittääkö suuri varmuuspiste?

Se voi auttaa tarkistusten priorisoinnissa mutta ei korvaa ratkaisevien kohtien vertailua. Yksi virhe voi kääntää lauseen merkityksen.

Pitääkö koko asiakirja kirjoittaa puhtaaksi?

Sovita työ päätökseen. Lainauksessa tarkista kohta ja asiayhteys, laskennassa kaikki käytetyt solut.

Voiko skannausta parantaa jälkikäteen?

Vertaa uutta poimintaa samoista kohdista. Säilytä ensimmäinen kuva ja kirjaa muunnokset lähteen erottamiseksi käsitellyistä tiedostoista.

Kääntääkö OCR asiakirjan?

Ei. Tunnistus ja kääntäminen ovat eri vaiheita omine virheineen ja tarkistuksineen. Säilytä kohta lähdekielellä.

Minkälaisia kierroksia tarkastellaan ensisijaisesti?

Numerot, nimet, päivämäärät ja varaukset, joista päätös riippuu. Merkittävä virhe voi perustella saman tunnistamisprosessin kautta tuotettujen taulukoiden tai jaksojen tarkastelun.

DOKUMENTOIDUT TIEDOT

OCR: mittaa virheet selkeää vertailutekstiä vasten

Levenshteinin etäisyys laskee pienimmän operaatiomäärän vertailusta ehdokastekstiin. Se auttaa tarkistamaan tekstinnöstä tai katkelmaa, ei käännöksen uskollisuutta tai vastauksen totuutta.

OCR: mittaa virheet selkeää vertailutekstiä vasten
ViiteArvo tai muotoMitä se yksilöi
S / D / Ireference → candidateS korvaa vertailuyksikön, D poistaa ja I lisää yksikön ehdokkaaseen. Kukin maksaa 1. Kirjainten vaihto ei ole erillinen operaatio.
N / MH+S+D / H+S+IN on vertailun pituus ilmoitetun käsittelyn jälkeen. Kun H yksikköä täsmää, N = H + S + D; ehdokkaan pituus on H + S + I.
CER / WER (%)100 × (S+D+I) / NProsentti on 100 × (S + D + I) / N ja voi ylittää 100 %: a ja aaa vaativat kaksi lisäystä yhdelle vertailuyksikölle.
units / profilecode points · White_Space 17.0.0 · raw / NFCMerkkitila laskee koodipisteitä, ei grafeemeja tai UTF-16-yksiköitä. Sanatila jakaa Unicode 17.0.0:n 25 White_Space-merkistä ilman kielianalyysia. Kirjainkoko ja välimerkit säilyvät; NFC on valinnainen.
tie-breakH → S → D → IUseilla kohdistuksilla voi olla sama minimikustannus. Takaisinkulku suosii H:ta, sitten S:ää, D:tä ja I:tä. ab ja ba saavat kaksi korvausta; poisto ja lisäys voivat maksaa saman.
N = 0undefined rateKun N = 0, operaatiot näkyvät mutta osuus on määrittelemätön myös kahdelle tyhjälle tekstille. JiWER 4 käyttää muita tyhjän vertailun sopimuksia: vertaa vain samoja profiileja.

Vertaa tekstejä yksiköittäin

Itse laadittu opetusesimerkki, ei oikean OCR-moottorin mittaus.

Enintään 200 koodipistettä ennen NFC:tä ja sen jälkeen. Kirjainkoko ja välimerkit säilyvät. Rivinvaihdot LF.

Laskenta tapahtuu selaimessa lähettämättä tekstejä.

Vertailu laskettu · WER · raw · N = 3 · E = 1

Vertailuyksiköt N
3
Ehdokkaan yksiköt M
4
Etäisyys E = S + D + I
1
Virheosuus (%)
33,333333

Korvaukset S : 0Poistot D : 0Lisäykset I : 1Täsmäävät yksiköt H : 3

Minimikustannus ja takaisinkulun järjestys H, S, D, I. Muut optimit voivat jakaa virheet eri tavoin.

Kohdistusoperaatioiden määrätMäärät S, D, I, H; akseli 0–max(1,N,M). Nämä ovat yksiköitä, eivät prosentteja.040S0D1I3H
Määrät S, D, I, H; akseli 0–max(1,N,M). Nämä ovat yksiköitä, eivät prosentteja.
Näytä kohdistus ja operaatiot

∅ tarkoittaa puuttuvaa yksikköä. JSON-esitys näyttää välilyönnit ja rivinvaihdot.

Näytä kohdistus ja operaatiot
VaiheVertailuyksikköEhdokasyksikköOperaatio
1"le""le"Täsmäävät yksiköt H
2"chat""chat"Täsmäävät yksiköt H
3∅"noir"Lisäykset I
4"dort""dort"Täsmäävät yksiköt H

Todella verratut tekstit JSON-esityksenä

{"reference":"le chat dort","candidate":"le chat noir dort"}

Kaava ja profiili

N = H + S + D; M = H + S + I
E = S + D + I
N > 0 → rate = 100 × E/N
N = 0 → undefined
Itse laaditut esimerkit: yksiköt, profiilit, rajatapaukset

Esimerkit ovat JSON-esityksiä Unicode-pakotuksineen; pakotus ei määritä laskentayksikköä.

Itse laaditut esimerkit: yksiköt, profiilit, rajatapaukset
Tarkistettu vertailutekstiEhdokastekstiKaava ja profiiliNEVirheosuus (%)
"le chat dort""le chat noir dort"WER · raw3133,333333
"le chat dort""le chat noir dort"CER · raw12541,666667
"a""aaa"CER · raw12200
"cat"""CER · raw33100
"""x"CER · raw01Määrittelemätön
""""CER · raw00Määrittelemätön
"ab""ba"CER · raw22100
"\u00e9""e\u0301"CER · raw12200
"\u00e9""e\u0301"CER · NFC100
"Le chat.""le chat"WER · raw22100
"les chats""les chats"WER · raw200
"les chats""les chats"CER · raw10110
"un\u00a0chat""un chat"WER · raw200
"\u6587\u672c""\u6587\u4f53"WER · raw11100
"\u6587\u672c""\u6587\u4f53"CER · raw2150
"\u0634\u064e""\u0634"CER · raw2150
"\ud83e\udded""\ud83e\udded\ud83e\udded"CER · raw11100
"un\u200bchat""un chat"WER · raw12200

White_Space on kiinnitetty Unicode 17.0.0:aan; NFC käyttää selaimen Unicode-moottoria. Tarkkeita, kirjainkokoa ja välimerkkejä ei poisteta.

Unicode-tiedot ja lisenssi
White_Space data from PropList-17.0.0.txt. Copyright © 2025 Unicode, Inc.

UNICODE LICENSE V3

COPYRIGHT AND PERMISSION NOTICE

Copyright © 1991-2026 Unicode, Inc.

NOTICE TO USER: Carefully read the following legal agreement. BY
DOWNLOADING, INSTALLING, COPYING OR OTHERWISE USING DATA FILES, AND/OR
SOFTWARE, YOU UNEQUIVOCALLY ACCEPT, AND AGREE TO BE BOUND BY, ALL OF THE
TERMS AND CONDITIONS OF THIS AGREEMENT. IF YOU DO NOT AGREE, DO NOT
DOWNLOAD, INSTALL, COPY, DISTRIBUTE OR USE THE DATA FILES OR SOFTWARE.

Permission is hereby granted, free of charge, to any person obtaining a
copy of data files and any associated documentation (the "Data Files") or
software and any associated documentation (the "Software") to deal in the
Data Files or Software without restriction, including without limitation
the rights to use, copy, modify, merge, publish, distribute, and/or sell
copies of the Data Files or Software, and to permit persons to whom the
Data Files or Software are furnished to do so, provided that either (a)
this copyright and permission notice appear with all copies of the Data
Files or Software, or (b) this copyright and permission notice appear in
associated Documentation.

THE DATA FILES AND SOFTWARE ARE PROVIDED "AS IS", WITHOUT WARRANTY OF ANY
KIND, EXPRESS OR IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF
MERCHANTABILITY, FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT OF
THIRD PARTY RIGHTS.

IN NO EVENT SHALL THE COPYRIGHT HOLDER OR HOLDERS INCLUDED IN THIS NOTICE
BE LIABLE FOR ANY CLAIM, OR ANY SPECIAL INDIRECT OR CONSEQUENTIAL DAMAGES,
OR ANY DAMAGES WHATSOEVER RESULTING FROM LOSS OF USE, DATA OR PROFITS,
WHETHER IN AN ACTION OF CONTRACT, NEGLIGENCE OR OTHER TORTIOUS ACTION,
ARISING OUT OF OR IN CONNECTION WITH THE USE OR PERFORMANCE OF THE DATA
FILES OR SOFTWARE.

Except as contained in this notice, the name of a copyright holder shall
not be used in advertising or otherwise to promote the sale, use or other
dealings in these Data Files or Software without prior written
authorization of the copyright holder.

Huomioitavaa aineistossa

Itse laaditut esimerkit eivät mittaa ohjelmistoa. Pieni osuus ei takaa lukujärjestystä tai oikeita nimiä ja summia. Tarkista itse vertailuteksti asiakirjasta. Selain muuttaa rivinvaihdot LF-muotoon.

Miten OCR-varmuus ja virheosuus eroavat?

Varmuus on moottorin oma arvio. CER tai WER vertaa tulosta valittuun vertailuun tietyllä profiililla. Säilytä molemmat menetelmineen; ne eivät korvaa tärkeän kohdan tarkistusta.

Alkuperäisdokumentaatio

Dokumentaatio tarkistettu .

SYVENTÄVÄ LUKEMINEN / KÄYTÄNTÖ

Tarkista johtopäätöksen kannalta ratkaisevat tekstikohdat

Digitaalisen asiakirjan on muunnettu tekstiksi. Valvonnassa on keskityttävä lukemista vaikuttaviin nimiin, päivämääröihin, numeroihin ja varauksiin ja verrata sitä sitten visuaaliseen asiakirjaan.

Päivitetty .

Ensisijaiset tarkistukset

Tarkista mainitut jaksot, taulukot ja sivun purkamiset. Valitse merkkejä, yhdistettyjä rivejä ja muistiinpanoja, joiden järjestys muutettiin.

Tulkinnan sudenkuopat

Virtaava teksti voi sisältää merkittävän digitaalisen virheen. Täydellisen tekstin etsiminen voi puuttua väärin tunnistettua nimeä tai sanaa.

Säilytettävä työasiakirja

OCR-lehti yhdistää passin, tunnustetun tekstin, tarkistetun lukemisen ja korjauksen. Päätöksessä käytetyt tulokset liittyvät niiden sijaintiin alkuperäisessä asiakirjassa.