Mengapa OCR salah membaca sebagian kata, dan cara mendapat hasil yang lebih bersih
Mengapa OCR salah membaca sebagian kata?
Simpan alat favorit Anda
Buat akun iBuildPDF gratis untuk menyimpan alat favorit Anda dan menemukannya dengan cepat kapan saja.
Akun gratis. Alat PDF-nya sendiri tidak pernah memerlukan akun.
Jawaban singkat
OCR menebak setiap huruf dari bentuknya, jadi apa pun yang mengaburkan, menggelapkan, atau mengubah bentuk itu membuat tebakan yang salah lebih mungkin terjadi: foto yang tidak tajam, bayangan di halaman, huruf yang sangat kecil, halaman yang melengkung atau miring, atau membaca dengan bahasa yang salah. Halaman yang tajam, rata, dan terang merata yang dibaca dengan bahasa yang benar hasilnya hampir sempurna.
Cara OCR membaca halaman
OCR tidak membaca seperti Anda. OCR membagi halaman menjadi blok, baris, dan kata, membandingkan bentuk setiap kata dengan rupa kata-kata dalam bahasa yang terdeteksi, lalu memilih bacaan yang paling mungkin. OCR tidak pernah tahu bahwa dirinya benar; OCR memilih kecocokan terbaik yang bisa ditemukannya.
Apa yang sebenarnya ditentukan resolusi
- 72 DPI. Baik di layar, jelas bergerigi di kertas.
- 150 DPI. Cukup untuk printer kantor dan dokumen yang tidak akan diteliti siapa pun.
- 300 DPI. Yang diharapkan percetakan komersial, diukur pada ukuran gambar saat benar-benar dicetak.
Itulah sebabnya kualitas gambar sangat penting. Pada sekitar 300 titik per inci, teks biasa punya cukup detail sehingga setiap huruf tidak mungkin keliru. Pada separuhnya, huruf “e” dan “c”, atau “rn” dan “m”, mulai tampak mirip, dan tebakannya makin buruk.
Penyebab kesalahan yang biasa
- Buram. Foto yang diambil sambil bergerak, atau fokus pada bagian halaman yang salah. Tepi huruf meluber dan huruf-huruf menyatu.
- Bayangan dan pantulan cahaya. Bayangan tangan atau ponsel, atau halaman mengilap yang memantulkan lampu, menghapus sebagian baris.
- Huruf kecil atau samar. Catatan kaki, struk yang pudar, dan teks abu-abu muda punya terlalu sedikit titik gelap untuk diolah.
- Halaman yang melengkung atau miring. Bagian tengah buku tebal melengkungkan baris; halaman yang dipotret dari samping memampatkan satu sisinya.
- Bahasa yang salah. Halaman berbahasa Prancis yang dibaca sebagai bahasa Inggris menghasilkan omong kosong dengan penuh keyakinan, karena bentuknya dicocokkan dengan kata-kata yang salah.
- Tulisan tangan. OCR dibuat untuk huruf cetak. Huruf kapital yang rapi kadang berhasil; tulisan sambung biasanya tidak.
Mendapat gambar yang lebih baik
- Letakkan halaman dengan rata dan potret lurus dari depan, dengan teks memenuhi sebagian besar bingkai.
- Gunakan cahaya siang yang merata, atau arahkan lampu agar tidak ada bayangan yang jatuh di halaman. Matikan lampu kilat untuk kertas yang mengilap.
- Ketuk layar untuk memfokuskan pada teks, tahan tetap diam, dan pastikan fotonya tajam sebelum mengunggahnya.
- Ambil tangkapan layar pada ukuran saat Anda membacanya; jangan perkecil dulu.
- Pada pemindai, pilih 300 DPI. Warna tidak diperlukan untuk teks: skala abu-abu sama akuratnya dan jauh lebih kecil.
Memeriksa hasilnya
Baca hasilnya sambil membandingkan dengan gambarnya sebelum Anda mengandalkannya, dan beri perhatian terbesar pada hal-hal yang tidak bisa diperiksa OCR berdasarkan makna: nama, angka, tanggal, jumlah uang, dan kode. Huruf yang salah baca di dalam kata biasanya jelas terlihat; angka yang salah baca di nomor rekening tidak. iBuildPDF menyebutkan bahasa yang dipakai untuk membaca teksnya, dan jika bahasanya salah, biasanya gambarnya tidak memberi deteksi cukup bahan untuk diolah: potong sampai tinggal teksnya, pertajam, lalu jalankan lagi. Ada penjelasan lebih lanjut di cara memeriksa dokumen hasil konversi.
Alat yang dibahas artikel ini
Sumber
Dokumentasi utama untuk klaim di atas.



