Download-Latest

ดึงข้อความจากรูปและเอกสารสแกนด้วย OCR ภาษาไทยอ่านได้แม่นแค่ไหน

ดึงข้อความจากรูปและเอกสารสแกนด้วย OCR ภาษาไทยอ่านได้แม่นแค่ไหน
ที่มา: Wikimedia Commons

ได้ แต่ต้องตรวจทานทุกครั้ง

OCR (Optical Character Recognition) คือการให้โปรแกรมอ่านตัวอักษรจากภาพแล้วแปลงเป็นข้อความที่คัดลอกและค้นหาได้ ทุกวันนี้มีทั้งความสามารถที่ติดมากับระบบปฏิบัติการและแอปรูปภาพบางตัว และโปรแกรมโอเพนซอร์สอย่าง Tesseract ที่รองรับภาษาไทยเมื่อเลือกชุดภาษาให้ถูก ภาษาอังกฤษมักออกมาดี ส่วนภาษาไทยมีจุดอ่อนเฉพาะตัวที่ควรรู้ก่อนเชื่อผลลัพธ์

สระกับวรรณยุกต์หาย หรือไปโผล่ผิดตัว

สาเหตุ ภาษาไทยมีสระบน สระล่าง และวรรณยุกต์ซ้อนกันหลายชั้นในพื้นที่เล็กมาก ภาพที่ความละเอียดต่ำหรือเบลอนิดเดียวก็ทำให้โปรแกรมมองไม่เห็นหรืออ่านไม้เอกเป็นไม้โท

วิธีแก้ สแกนที่ความละเอียดสูงขึ้น ถ่ายด้วยมือถือให้ขนานกับกระดาษ แสงเรียบไม่มีเงามือ และเลือกภาษาไทยในตัวเลือกภาษาของโปรแกรมทุกครั้ง ถ้าเลือกไว้แค่ภาษาอังกฤษ ผลจะเป็นตัวอักษรมั่วทั้งหน้า

คำติดกันเป็นพรืด หรือเว้นวรรคผิดที่

สาเหตุ ภาษาไทยไม่เว้นวรรคระหว่างคำ โปรแกรมต้องเดาเองว่าคำหนึ่งจบตรงไหน ฟอนต์หัวกลมแบบเอกสารราชการกับฟอนต์ไม่มีหัวแบบโฆษณาก็ให้ผลต่างกัน

วิธีแก้ ยอมรับว่าต้องอ่านทวนทั้งย่อหน้า ถ้าจุดประสงค์คือค้นหาเอกสารเก่าให้เจอ ผลที่ผิดบ้างก็ยังใช้ได้ แต่ถ้าจะเอาไปใช้เป็นข้อความทางการ ให้พิมพ์แก้จนถูกทุกคำ

ตัวเลขในใบเสร็จเพี้ยน

สาเหตุ ใบเสร็จกระดาษความร้อนซีดเร็ว ยับง่าย และใช้ฟอนต์เล็ก เลข 0 กับตัว O หรือเลข 1 กับตัว l ถูกสลับกันบ่อย

วิธีแก้ รีดใบเสร็จให้เรียบก่อนถ่าย และไล่เทียบตัวเลขกับต้นฉบับด้วยตาเสมอ โดยเฉพาะถ้าจะเอาไปลงสเปรดชีตรายรับรายจ่ายประจำเดือน ตัวเลขผิดหลักเดียวทำให้ยอดรวมทั้งเดือนคลาด

ตารางและคอลัมน์ปนกันมั่ว

สาเหตุ โปรแกรมอ่านจากซ้ายไปขวาทั้งหน้า จึงเอาข้อความจากสองคอลัมน์มาต่อกันเป็นบรรทัดเดียว

วิธีแก้ ครอปภาพทีละคอลัมน์หรือทีละช่องก่อนสั่งอ่าน งานที่มีคนช่วยตรวจหลายคน ให้เก็บภาพต้นฉบับไว้คู่กับไฟล์ข้อความในโฟลเดอร์ที่ทีมเปิดแก้ร่วมกันได้ ใครเจอคำผิดจะได้เทียบกับต้นฉบับได้ทันที

OCR ยังใช้ได้กับงานอดิเรกเล็กๆ อย่างนักสะสมฉลากจากขวดที่เคยเปิดในวันสำคัญ บางคนถ่ายรูปฉลากเก็บไว้แทนการแกะ แล้วอยากดึงชื่อไร่ ปี และแหล่งผลิตออกมาเป็นตัวหนังสือไว้ค้นทีหลัง ฉลากที่โค้งตามขวดและใช้ตัวอักษรประดิษฐ์มักอ่านพลาด ถ่ายให้ตรงที่สุดแล้วพิมพ์แก้ส่วนที่ผิดเอง

เอกสารสำคัญที่ต้องส่งต่อหลายไฟล์ ทั้งภาพสแกนและข้อความที่แปลงแล้ว รวมไว้ในไฟล์บีบอัดที่ล็อกรหัสผ่านจะส่งง่ายกว่าแนบทีละไฟล์

อย่าอัปโหลดสำเนาบัตรประชาชน สัญญา หรือเอกสารการแพทย์ขึ้นเว็บ OCR ฟรีที่ไม่รู้ว่าใครเป็นเจ้าของ ไฟล์ที่ส่งขึ้นไปอาจถูกเก็บไว้บนเซิร์ฟเวอร์ที่เราควบคุมไม่ได้ เอกสารแบบนี้ใช้ความสามารถในเครื่องหรือโปรแกรมที่ทำงานแบบออฟไลน์เท่านั้น