Jak korzystać z Custom Language z Tesseract w C

Jakie dane szkoleniowe są potrzebne dla języków niestandardowych?

Jako dane wejściowe wykorzystamy ten przykładowy plik PDF, który zawiera tekst w naszym niestandardowym języku.

Użyjemy tego niestandardowego języka .traindata do naszego przykładu.

Jakość i kompletność danych szkoleniowych ma bezpośredni wpływ na dokładność OCR. Podczas przygotowywania niestandardowych danych szkoleniowych dotyczących języka:

1. Zakres znaków: Upewnij się, że dane szkoleniowe zawierają wszystkie znaki i symbole
2. Różnorodność czcionek: Jeśli dokumenty różnią się pod względem typografii, należy uwzględnić wiele stylów czcionek
3. Jakość obrazu: Trenuj na obrazach podobnych do tych, które będziesz przetwarzać w środowisku produkcyjnym
4. Wzorce kontekstowe: uwzględnij popularne kombinacje słów i frazy

Aby uzyskać informacje na temat zaawansowanych opcji konfiguracyjnych, zapoznaj się z naszym szczegółowym przewodnikiem konfiguracji Tesseract.

Jak załadować i przetworzyć dokumenty w niestandardowym języku?

: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}");

Imports IronOcr
Imports System
Imports System.IO

Dim ocrTesseract As New IronTesseract()

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

Using ocrInput As New OcrInput()
    ' Load the PDF containing text in the custom language
    ocrInput.LoadPdf("custom.pdf")

    Dim 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
    Dim outputFilePath As String = "ocr_output.txt"
    File.WriteAllText(outputFilePath, ocrResult.Text)

    Console.WriteLine(vbCrLf & "Successfully saved text to " & outputFilePath)
End Using

Powyższy kod ilustruje podstawowy przebieg pracy w przypadku niestandardowego OCR językowego. W przypadku bardziej złożonych scenariuszy warto rozważyć następujące ulepszenia:

Optymalizacja wydajności: W przypadku dużych dokumentów lub przetwarzania wsadowego należy wdrożyć obsługę wielowątkowości i asynchroniczności w celu poprawy wydajności.

Wstępne przetwarzanie obrazów: Jeśli dokumenty źródłowe mają problemy z jakością, przed przetwarzaniem OCR zastosuj filtry korekcji obrazu. Kreator filtrów pomoże Ci znaleźć optymalne ustawienia przetwarzania wstępnego.

OCR specyficzne dla regionu: W przypadku dokumentów o mieszanej treści należy użyć techniki OCR regionu obrazu, aby skupić się na konkretnych obszarach zawierających wybrany język.

Jakich rezultatów mogę oczekiwać od niestandardowego OCR językowego?

Poniższy wynik przedstawia rezultat działania naszego niestandardowego modelu językowego. Dzięki dostarczeniu prawidłowych danych szkoleniowych IronOCR z powodzeniem rozszyfrował tekst, a wynik jest w prostym języku angielskim. Dodatkowo, oto plik txt wygenerowany przez kod.

Dokładność niestandardowego OCR językowego zależy od kilku czynników:

• Jakość danych szkoleniowych: lepsze dane szkoleniowe dają lepsze wyniki
• Spójność dokumentów: Dokumenty zgodne z danymi szkoleniowymi osiągają najlepsze wyniki
• Rozdzielczość obrazu: Obrazy o wyższym DPI dają dokładniejsze wyniki — zapoznaj się z naszym przewodnikiem dotyczącym ustawień DPI

Najlepsze praktyki dotyczące wdrażania niestandardowych języków

Wdrażając niestandardowe OCR językowe w środowiskach produkcyjnych, należy wziąć pod uwagę następujące najlepsze praktyki:

Obsługa błędów i walidacja: Zawsze zweryfikuj, czy twój plik .traineddata istnieje i jest dostępny, zanim spróbujesz go załadować. Należy wdrożyć odpowiednią obsługę błędów na wypadek, gdyby plik językowy był niekompletny lub uszkodzony.

Optymalizacja wydajności: Niestandardowe modele językowe mogą być większe niż standardowe pakiety językowe. Dla optymalnej wydajności:

• Buforuj załadowany model językowy podczas przetwarzania wielu dokumentów
• Użyj śledzenia postępu, aby monitorować długotrwałe operacje OCR
• Rozważ wprowadzenie limitów czasowych na przetwarzanie dużych dokumentów

Łączenie z językami standardowymi: Jeśli dokumenty zawierają zarówno języki niestandardowe, jak i standardowe, można załadować wiele języków jednocześnie. Jest to szczególnie przydatne w przypadku dokumentów o zróżnicowanej treści.

Testowanie i walidacja: Należy ustanowić strukturę testową w celu sprawdzenia dokładności OCR:

• Utwórz testowy zbiór danych ze znanymi wynikami
• Wykorzystaj wskaźniki pewności wyników do oceny jakości rozpoznawania
• Wdrożenie podświetlania tekstu w postaci obrazów do debugowania wizualnego

Zaawansowane przypadki użycia

Niestandardowe OCR językowe otwiera wiele możliwości:

Ochrona dokumentów historycznych: digitalizacja starożytnych rękopisów lub tekstów napisanych w przestarzałych alfabetach
Specjalistyczne systemy notacji: równania matematyczne, notacja muzyczna lub diagramy techniczne — zapoznaj się z naszym przewodnikiem dotyczącym rozwiązywania problemów z równaniami
Aplikacje bezpieczeństwa: Dekodowanie zastrzeżonych systemów kodowania lub szyfrów
Dostępność: Konwersja specjalistycznych systemów pisma brajlowskiego lub dotykowego na standardowy tekst

W przypadku bardziej zaawansowanych scenariuszy zapoznaj się z naszymi obszernymi przykładami kodu, które pokazują różne możliwości IronOCR z wykorzystaniem Tesseract 5.