Cómo utilizar el lenguaje personalizado con Tesseract en C#

¿Qué datos de formación necesito para los lenguajes personalizados?

Usaremos este PDF de muestra, que contiene texto en nuestro idioma personalizado, como entrada.

Usaremos este lenguaje personalizado .traindata para nuestro ejemplo.

La calidad y la exhaustividad de los datos de formación influyen directamente en la precisión del OCR. Al preparar datos de formación lingüística personalizados:

1. Cobertura de caracteres: asegúrese de que sus datos de formación incluyen todos los caracteres y símbolos
2. Variaciones de fuentes: incluya varios estilos de fuente si sus documentos varían en tipografía
3. Calidad de imagen: Entrena con imágenes similares a las que procesarás en producción
4. Patrones de contexto: incluir combinaciones de palabras y frases comunes

Para conocer las opciones de configuración avanzadas, consulte nuestra Guía detallada de configuración de Teseract.

¿Cómo se cargan y procesan los documentos en idiomas personalizados?

:path=/static-assets/ocr/content-code-examples/how-to/ocr-custom-language.cs

using IronOcr;
using System;
using System.IO;

var ocrTesseract = new IronTesseract();

// Load the traineddata file for the custom language
ocrTesseract.UseCustomTesseractLanguageFile("AMGDT.traineddata");

using var ocrInput = new OcrInput();
// Load the PDF containing text in the custom language
ocrInput.LoadPdf("custom.pdf");

var ocrResult = ocrTesseract.Read(ocrInput);

// Print text to the console
Console.WriteLine("--- OCR Result ---");
Console.WriteLine(ocrResult.Text);
Console.WriteLine("------------------");

// Pipe text to a .txt file
string outputFilePath = "ocr_output.txt";
File.WriteAllText(outputFilePath, ocrResult.Text);

Console.WriteLine($"\nSuccessfully saved text to {outputFilePath}");

IRON VB CONVERTER ERROR developers@ironsoftware.com

El código anterior muestra el flujo de trabajo básico para el OCR personalizado de idiomas. Para situaciones más complejas, considere estas mejoras:

Optimizar el rendimiento: Para documentos de gran tamaño o procesamiento por lotes, implemente multithreading y soporte async para mejorar el rendimiento.

Preprocesamiento de imágenes: si los documentos de origen tienen problemas de calidad, aplica filtros de corrección de imágenes antes del procesamiento de OCR. El Asistente de filtrado puede ayudarle a encontrar los ajustes óptimos de preprocesamiento.

OCR específico de la región: Para documentos con contenido mixto, utilice la técnica OCR de región de una imagen para centrarse en áreas específicas que contengan su idioma personalizado.

¿Qué resultados puedo esperar del reconocimiento óptico de caracteres personalizado?

Esta salida muestra el resultado de nuestro modelo de lenguaje personalizado. Al proporcionar los datos de formación correctos, IronOCR descifró con éxito el texto, y el resultado está en inglés sencillo. Además, esta es la salida txt generada por el código.

La precisión del OCR de idiomas personalizados depende de varios factores:

• Calidad de los datos de entrenamiento: Mejores datos de entrenamiento producen mejores resultados
• Coherencia de los documentos: Los documentos que coinciden con los datos de formación obtienen mejores resultados
• Resolución de la imagen: Las imágenes con mayor PPP producen resultados más precisos - consulte nuestra guía sobre Configuración del PPP

Mejores prácticas para la implementación de lenguajes personalizados

A la hora de implementar el OCR personalizado de idiomas en entornos de producción, ten en cuenta estas prácticas recomendadas:

Manejo y validación de errores: Valide siempre que su archivo .traineddata existe y es accesible antes de intentar cargarlo. Implemente una gestión de errores adecuada para los casos en los que el archivo de idioma personalizado pueda faltar o estar dañado.

Optimización del rendimiento: Los modelos lingüísticos personalizados pueden ser más grandes que los paquetes lingüísticos estándar. Para un rendimiento óptimo:

• Almacenar en caché el modelo de lenguaje cargado al procesar varios documentos
• Utilice seguimiento del progreso para supervisar las operaciones de OCR de larga duración
• Considere la posibilidad de implementar tiempos de espera para procesar documentos de gran tamaño

Combinación con idiomas estándar: si sus documentos contienen tanto idiomas personalizados como estándar, puede cargar varios idiomas simultáneamente. Esto resulta especialmente útil para documentos de contenido mixto.

Pruebas y validación: Establecer un marco de pruebas para validar la precisión del OCR:

• Crear un conjunto de datos de prueba con resultados conocidos
• Utilice las métricas confianza en los resultados para evaluar la calidad del reconocimiento
• Implementar resaltar textos como imágenes para la depuración visual

Casos de uso avanzados

El OCR en idiomas personalizados abre numerosas posibilidades:

Conservación de documentos históricos: Digitalizar manuscritos antiguos o textos escritos en alfabetos obsoletos Sistemas de notación especializados: Procese ecuaciones matemáticas, notación musical o diagramas técnicos; consulte nuestra guía de solución de problemas de ecuaciones Aplicaciones de seguridad: Descifrar sistemas de codificación o cifrado propietarios Accesibilidad: Convertir sistemas especializados de escritura braille o táctil a texto estándar

Para escenarios más avanzados, explore nuestros completos ejemplos de código que muestran varias capacidades de IronOCR con Tesseract 5.