دقت OCR فارسی را پیش از خرید چطور بسنجیم؟ روش آزمون با اسناد خودتان
نویسنده: بهنام سلطان رضایی
- محقق و متخصص هوش مصنوعی، رئیس هیات مدیره شرکت کارن تکنولوژی
برای سنجش OCR فارسی، از اسناد واقعی خودتان نمونه بسازید، پاسخ درست را دستی ثبت کنید و نتیجه را در سطح فیلدهایی که برای کارتان مهم است بشمارید. عدد کلی دقت بدون دانستن نوع سند، کیفیت اسکن و روش سنجش قابل مقایسه نیست.
محصول آماده کارن تکنولوژی
این را روی داده واقعی کسبوکار خودتان ببینید
آنچه در این مقاله میخوانید، در محصولات کارن پیادهسازی شده است. در جلسه دمو، همان را روی داده و فرآیند خودتان اجرا میکنیم.
درخواست دمو رایگان یا تماس بگیرید: ۰۲۱-۸۸۶۱۴۲۸۲در این صفحه
چرا عدد دقت بهتنهایی کافی نیست
متن چاپی تمیز، فاکتور اسکنشده با مهر و دستخط یک پرونده قدیمی سه آزمون کاملاً متفاوتاند. یک محصول میتواند در اولی عالی و در سومی ضعیف باشد. پس وقتی عددی میشنوید، بپرسید: روی چه اسنادی و با چه روشی؟
در فارسی، حروف به هم میچسبند و نقطهها معنا را عوض میکنند. یک نقطه جاافتاده میتواند یک کلمه یا مبلغ را تغییر دهد.
خطاهای خاص خط فارسی
| موضوع | چه اتفاقی میافتد | در آزمون چه کنید |
|---|---|---|
| نقطه حروف | «ب»، «ت» و «ن» با هم اشتباه میشوند | اسکن کمکیفیت را جدا بسنجید |
| «ی» و «ک» عربی | جستجو نتیجه را پیدا نمیکند | یکسانسازی خروجی را بررسی کنید |
| نیمفاصله | کلمه شکسته یا چسبیده میشود | اثر آن را بر جستجو بسنجید |
| اعداد فارسی و لاتین | «۴» و «۶» و ترتیب رقمها به هم میریزد | مبالغ و شناسهها را جدا بشمارید |
| متن راستبهچپ و عدد | ترتیب در خط ترکیبی عوض میشود | ردیفهای جدول را بررسی کنید |
| مهر و امضا | روی متن مینشیند و کلمه گم میشود | نمونه مهردار جدا بگذارید |
پس یکسانسازی خروجی هم بخشی از آزمون است. اگر OCR درست بخواند ولی خروجی با حروف عربی ذخیره شود، جستجوی بعدی شما باز هم مشکل خواهد داشت.
نمونه آزمون بسازید
نمونه باید ترکیب واقعی اسناد شما را داشته باشد، نه بهترین نسخهها را:
- ☐ انواع سندی که واقعاً پردازش خواهید کرد.
- ☐ اسکن خوب و بد، عکس موبایل و کپی چندباره.
- ☐ سندهای دارای مهر، امضا و خطخوردگی.
- ☐ دستنوشته، اگر در کار شما وجود دارد.
- ☐ اعداد فارسی و لاتین و جدول.
داده شخصی را پیش از ارسال به فروشنده حذف کنید یا آزمون را در محیط خودتان انجام دهید.
جواب درست را مستقل ثبت کنید
برای هر سند، یک نفر مقدار درست را دستی ثبت کند و نفر دیگری آن را بازبینی کند. این پاسخنامه را به فروشنده ندهید. بدون پاسخنامه مستقل، آزمون به برداشت چشمی تبدیل میشود.
در سه سطح بسنجید
| سطح | چه چیزی میسنجد | کجا مهم است |
|---|---|---|
| کاراکتر | سهم کاراکترهای درست | مقایسه فنی موتورها |
| کلمه | سهم کلمات کاملاً درست | جستجو در بایگانی |
| فیلد | مقدار کامل یک فیلد، مثل مبلغ یا شناسه | ورود خودکار داده |
در فرایندهای مالی، سطح فیلد از بقیه مهمتر است. اگر فقط یک رقم از مبلغ اشتباه باشد، دقت کاراکتری بالا میماند ولی آن سند اشتباه است.
روی اسناد خودتان بسنجید
نمونه اسناد را بیاورید تا خروجی را کنار پاسخنامه شما ببینیم.
یک مثال از محاسبه
فرض کنید ۱۰۰ فاکتور آزمون دارید و هر کدام ۵ فیلد مهم، پس ۵۰۰ فیلد. این عددها فقط برای نمایش روش هستند و نتیجه هیچ محصولی نیستند.
- اگر ۴۷۰ فیلد کاملاً درست باشد، دقت فیلدی ۹۴٪ است.
- اگر همه ۵ فیلد در ۸۰ فاکتور درست باشد، دقت در سطح سند ۸۰٪ است.
- یعنی با همان نتیجه، ۲۰ فاکتور هنوز نیاز به بررسی دارد.
- حالا ببینید خطاها در کدام فیلدهاست. خطا در مبلغ با خطا در نام شهر یکسان نیست.
به همین دلیل، بپرسید عدد اعلامشده در چه سطحی است. برای محاسبه سهم کار دستی، معمولاً سطح سند به تجربه واقعی نزدیکتر است.
نمره اطمینان را هم بسنجید
در عمل کسی همه خروجی را با چشم مرور نمیکند. سیستم باید بگوید کدام فیلدها مشکوکاند تا فقط آنها به انسان برسند. آزمون مهم این است: وقتی سیستم مطمئن بوده، چند بار اشتباه کرده است؟
کیفیت ورودی را هم بررسی کنید
گاهی راه ارزانتر بهبود دقت، بهتر کردن ورودی است. پیش از مقایسه نتیجهها این موارد را یکسان نگه دارید:
- وضوح اسکن، معمولاً ۳۰۰ DPI برای متن معمولی نقطه شروع مناسبی است.
- صاف بودن سند و نبود سایه در عکس موبایل.
- اسکن رنگی یا خاکستری برای اسناد مهردار.
- یکسان بودن فایلهایی که به همه گزینهها داده میشود.
اگر اسناد از عکس موبایل میآید، از همان منبع آزمون کنید. نتیجه اسکنر اداری چیزی درباره عکس پایین صفحه کارشناس میدانی نمیگوید.
فقط خواندن کافی نیست
- ☐ فیلدها بدون تنظیم جدا برای هر قالب استخراج میشوند؟
- ☐ اگر جمع ردیفها با جمع کل نخواند، سیستم هشدار میدهد؟
- ☐ اصلاح کاربر برای بهبود بعدی ثبت میشود؟
- ☐ خروجی به سامانه شما وصل میشود؟
- ☐ سرعت با حجم واقعی شما چطور است؟
- ☐ اسناد از شبکه شما خارج میشوند یا نه؟
پرسشهای لازم از فروشنده
- عدد اعلامشده روی چه نوع اسنادی و با چه روشی به دست آمده؟
- آزمون با نمونه اسناد ما، با پاسخنامه خودمان، ممکن است؟
- دستنوشته و مهر چطور رفتار میکنند؟
- برای یک قالب تازه چه کاری لازم است؟
از آزمون تا بهرهبرداری
- با یک نوع سند و یک فرایند شروع کنید.
- برای هر فیلد آستانه اطمینان تعیین کنید و موارد پایینتر را به انسان بفرستید.
- خطاهای کاربر را ثبت کنید تا اصلاحهای تکراری دیده شوند.
- هر چند ماه یک نمونه تازه را با همین روش بسنجید، چون قالب اسناد عوض میشود.
اسناد هر صنعت نکته خودش را دارد. مثلاً در پرونده خسارت بیمه یا بارنامه و حواله انبار فیلدهای حیاتی و نوع خطا متفاوت است.
پلتفرم هوش اسناد کارن
دقت OCR فارسی پلتفرم هوش اسناد کارن ۹۸٪ است. با این حال، همین روش را درباره ما هم اجرا کنید و نتیجه را روی نمونه اسناد خودتان ببینید. برای نمونه کاربرد صنعتی، مقالههای اسناد بانکی و فرمهای کارگاه را ببینید.
پرسشهای متداول
خروجی را با پاسخنامهای که دستی ثبت شده مقایسه میکنند. نتیجه در سطح کاراکتر، کلمه و فیلد قابل گزارش است و هر سطح کاربرد خودش را دارد.
عدد ثابتی ندارد. نمونه باید همه نوع سند و کیفیت اسکن شما را پوشش دهد. برای هر نوع مهم چند ده نمونه نقطه شروع معقولی است.
نوع سند، کیفیت اسکن، مهر، دستخط و روش شمارش میتواند فرق داشته باشد. برای همین آزمون روی اسناد خودتان لازم است.
به محصول و کیفیت دستنوشته بستگی دارد. دستخط را جدا از متن چاپی آزمون کنید و عدد جداگانه بخواهید.
یعنی یک مقدار کامل، مثل مبلغ یا شناسه ملی، بدون هیچ خطایی درست خوانده شده باشد. این معیار به کار واقعی نزدیکتر است.
برای بعضی فیلدها و با آزمون کافی ممکن است، ولی در اسناد مالی بهتر است موارد کماطمینان به انسان برسد.
معمولاً بله، ولی کیفیت کاغذ و چاپ روی نتیجه اثر زیادی دارد. نمونهای از اسناد قدیمی را جدا آزمون کنید.



