Was ist die beste OCR-Extraktionsmethode für gedruckten Text?

Ich habe auf Quora eine weitere interessante Frage zum maschinellen Lernen und zur OCR-Technologie entdeckt. Hier ist meine Antwort:

Ich gebe Ihnen die Antwort eines Beraters - Sie mögen es vielleicht nicht, aber hier ist es - „Es kommt darauf an“.

Das „Beste“ OCR Die Extraktionsmethode hängt vom Kontext ab, in dem Sie versuchen zu extrahieren. Ich vermute, dass Sie nicht über den OCR-Prozess selbst sprechen. Sondern, wie man Merkmale aus dem Text extrahiert, den OCR ausspuckt. Es gibt zwei allgemeine Ansätze für die Extraktion, je nachdem, ob Sie wissen, mit welcher Art von Daten Sie es zu tun haben (Rechnungen, Steuerdokumente, Lebensmitteletiketten usw.) oder nicht:

DOMÄNENBASIERTE OCR-EXTRAKTION

Dieser Ansatz hilft, wenn Sie im Voraus wissen, nach welcher Art der Datenextraktion Sie suchen. Nehmen wir an, Sie haben versucht, Merkmale von Weinen aus einer Reihe von Weinbewertungen und Notizen zu extrahieren, für die Sie eine OCR-Bearbeitung vorgenommen haben. Bevor Sie die Merkmalsextraktion durchführen können, sollten Sie erwägen, Algorithmen zur Themenmodellierung auf eine große Sammlung vorhandener Weinnotizen anzuwenden, um Trends und Themen zu ermitteln. Sobald Sie daraus ein Lernmodell erstellt haben, können Sie es auf der Grundlage der mit OCR extrahierten Daten bereitstellen. Dies hilft Ihnen nicht nur beim Extrahieren von Funktionen, sondern hilft auch dabei, die OCR-Ausgabe des Textes, den die OCR-Engine falsch liest, automatisch zu korrigieren.

DATENBASIERTE OCR-EXTRAKTION

Falls Ihr Extraktionsfall generisch ist und Sie wahrscheinlich nicht im Voraus wissen, welche Art von Daten Sie extrahieren müssen, funktioniert die domänenbasierte Extraktion nicht. Bei den Daten kann es sich um eine Rechnung oder eine gescannte Seite eines Buches handeln. In diesem Fall müssen Sie ein unbeaufsichtigtes Lernsystem aufbauen und ein großes Datenvolumen darin ausführen. Das System müsste eine Reihe von Signalen verwenden — die Quelle der Daten, Wörter in den OCR-Daten, Metatags auf der Datei, geografische Position usw. —, um zunächst die Daten bestmöglich in verschiedene Buckets zu kategorisieren.

Sie sollten dann Extraktionsmodelle auf jedem dieser Buckets erstellen. Wenn ein neues Dokument mit OCR versehen wird, versuchen Sie, das Dokument anhand von Übereinstimmungen in einem vorhandenen Klassifizierungsbereich zu kategorisieren. Sobald diese Klassifikationsschätzung getroffen wurde, führen Sie Extraktionsalgorithmen aus, die auf diesem Bucket basieren. Wenn es mit keinem Bucket übereinstimmt, erstellen Sie einen neuen Bucket und führen einfach die Basisextraktion durch. Spülen und wiederholen. Mit der Zeit wird sich der neue Bucket auch mit genügend Daten füllen. Und dann können Sie darüber hinaus eine domänenbasierte Extraktion ausführen.

Viele Unternehmen nutzen maschinelles Lernen und Verarbeitung natürlicher Sprache auf innovative Weise, um die OCR-Herausforderungen für Unternehmen zu lösen. Dies ist jedoch die Grundlage der meisten Algorithmen zur Merkmalsextraktion.

Hoffe das hilft, viel Spaß!