Como usar uma linguagem personalizada com o Tesseract em C

Quais dados de treinamento eu preciso para idiomas personalizados?

Usaremos este PDF de exemplo, que contém texto em nosso idioma personalizado, como entrada.

Usaremos este idioma personalizado .traindata para nosso exemplo.

A qualidade e a abrangência dos seus dados de treinamento impactam diretamente a precisão do OCR. Ao preparar dados de treinamento de idioma personalizados:

1. Cobertura de caracteres : Certifique-se de que seus dados de treinamento incluam todos os caracteres e símbolos.
2. Variações de fonte : Inclua vários estilos de fonte se seus documentos apresentarem variações tipográficas.
3. Qualidade da imagem : Treine com imagens semelhantes às que você processará na produção.
4. Padrões de Contexto : Incluem combinações de palavras e frases comuns.

Para opções de configuração avançadas, consulte nosso guia de configuração detalhado do Tesseract .

Como faço para carregar e processar documentos em 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}");

O código acima demonstra o fluxo de trabalho básico para OCR em idiomas personalizados. Para cenários mais complexos, considere estas melhorias:

Otimização de desempenho : Para documentos grandes ou processamento em lote, implemente suporte a multithreading e processamento assíncrono para melhorar o desempenho.

Pré-processamento de imagens : Se os seus documentos de origem apresentarem problemas de qualidade, aplique filtros de correção de imagem antes do processamento OCR. O Assistente de Filtros pode ajudá-lo a encontrar as configurações ideais de pré-processamento.

OCR específico para cada região : Para documentos com conteúdo misto, use a técnica de OCR por região em uma imagem para focar em áreas específicas que contenham seu idioma personalizado.

Que resultados posso esperar do OCR de idioma personalizado?

Esta saída mostra o resultado do nosso modelo de linguagem personalizado. Ao fornecer os dados de treinamento corretos, o IronOCR decifrou o texto com sucesso, e o resultado está em inglês claro. Além disso, este é o arquivo de texto (txt) gerado pelo código.

A precisão do OCR em linguagem personalizada depende de vários fatores:

• Qualidade dos dados de treinamento : melhores dados de treinamento geram melhores resultados.
• Consistência dos documentos : Documentos que correspondem aos dados de treinamento apresentam o melhor desempenho.
• Resolução da imagem : Imagens com DPI mais alto produzem resultados mais precisos - consulte nosso guia sobre configurações de DPI.

Melhores práticas para implementação de idiomas personalizados

Ao implementar OCR de idioma personalizado em ambientes de produção, considere estas boas práticas:

Manipulação de Erros e Validação: Sempre valide se seu arquivo .traineddata existe e está acessível antes de tentar carregá-lo. Implemente um tratamento de erros adequado para os casos em que o arquivo de idioma personalizado possa estar ausente ou corrompido.

Otimização de desempenho : os modelos de linguagem personalizados podem ser maiores do que os pacotes de idiomas padrão. Para um desempenho ideal:

• Armazene em cache o modelo de linguagem carregado ao processar vários documentos.
• Utilize o rastreamento de progresso para monitorar operações de OCR de longa duração.
• Considere implementar tempos limite para o processamento de documentos grandes.

Combinando com idiomas padrão : Se seus documentos contiverem idiomas personalizados e padrão, você poderá carregar vários idiomas simultaneamente. Isso é particularmente útil para documentos com conteúdo misto.

Testes e Validação : Estabeleça uma estrutura de testes para validar a precisão do OCR:

• Criar um conjunto de dados de teste com resultados conhecidos.
• Utilize métricas de confiança nos resultados para avaliar a qualidade do reconhecimento.
• Implementar destaque de texto como imagens para depuração visual.

Casos de uso avançados

O OCR de idioma personalizado abre inúmeras possibilidades:

Preservação de Documentos Históricos : Digitalização de manuscritos antigos ou textos escritos em escritas obsoletas.
Sistemas de Notação Especializados : Processam equações matemáticas, notação musical ou diagramas técnicos - consulte nosso guia de solução de problemas de equações.
Aplicações de segurança : Decodificar sistemas de codificação ou cifras proprietárias.
Acessibilidade : Converter sistemas especializados de escrita em braille ou tátil em texto padrão.

Para cenários mais avançados, explore nossos exemplos de código abrangentes que demonstram várias funcionalidades do IronOCR com o Tesseract 5.