如何在 C# 中使用 Tesseract 的自訂語言

自訂語言需要哪些訓練資料？

我們將使用這個包含我們自訂語言文字的範例 PDF 作為輸入。

我們將使用這個自訂語言的.traindata作為範例。

訓練資料的品質和完整性直接影響OCR的準確性。 準備自訂語言訓練資料時：

1.字元覆蓋率：確保您的訓練資料包含所有字元和符號
2.字體變更：如果您的文件在排版上有所不同，請包含多種字體樣式。
3.影像品質：使用與生產環境中將要處理的影像類似的影像進行訓練。
4.語境模式：包括常用詞語組合和片語

有關進階配置選項，請參閱我們的Tesseract 詳細配置指南。

如何載入和處理自訂語言文檔？

: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}");

以上程式碼示範了自訂語言 OCR 的基本工作流程。 對於更複雜的場景，請考慮以下增強功能：

優化效能：對於大型文件或批次處理，實現多執行緒和非同步支援以提高效能。

影像預處理：如果您的來源文件有品質問題，請在 OCR 處理之前套用影像校正濾鏡。 篩選精靈可以幫助您找到最佳的預處理設定。

區域特定 OCR ：對於混合內容的文檔，使用影像的 OCR 區域技術來專注於包含自訂語言的特定區域。

自訂語言OCR能帶來哪些結果？

此輸出結果顯示了我們自訂語言模型的運行結果。 透過提供正確的訓練數據，IronOCR 成功破解了文本，結果為純英文。 此外，這是程式碼產生的txt輸出。

自訂語言OCR的準確性取決於以下幾個因素：

-訓練資料品質：更好的訓練資料帶來更好的結果
-文檔一致性：與訓練資料相符的文件表現最佳。
-影像解析度：更高的 DPI 影像可產生更精確的結果 - 請參閱我們的DPI 設定指南

自訂語言實現的最佳實踐

在生產環境中實施自訂語言OCR時，請考慮以下最佳實務：

錯誤處理和驗證：在嘗試載入.traineddata檔案之前，請務必驗證該檔案是否存在且可存取。 對於自訂語言檔案缺失或損壞的情況，應實施適當的錯誤處理。

效能最佳化：自訂語言模型可能比標準語言套件更大。 為了獲得最佳性能：

• 處理多個文件時，快取已載入的語言模型
• 使用進度追蹤來監控長時間運行的 OCR 操作
• 考慮對處理大型文件實施逾時設置

與標準語言結合使用：如果您的文件同時包含自訂語言和標準語言，您可以同時載入多種語言。 這對於包含混合內容的文件尤其有用。

測試與驗證：建立測試框架以驗證OCR準確性：

• 建立一個包含已知輸出的測試資料集
• 使用結果置信度指標來評估識別質量
• 將高亮文字實作為影像，以便進行視覺化偵錯

進階用例

自訂語言OCR技術開啟了許多可能性：

歷史文獻保存：將古代手稿或用已廢棄文字書寫的文本數位化
專用記譜系統：處理數學方程式、樂譜或技術圖表 - 請參閱我們的方程式故障排除指南
安全應用：解碼專有編碼系統或密碼
無障礙功能：將專用點字或觸覺書寫系統轉換為標準文本

對於更高級的應用程式場景，請瀏覽我們全面的程式碼範例，其中展示了 Tesseract 5 的各種 IronOCR 功能。