ဂျပန်ဒေါင်လိုက်စာသား OCR- ကော်လံအစီအစဉ်ကို ထိန်းသိမ်းပြီး ဖူရိဂနကို ကိုင်တွယ်ခြင်း

ဂျပန်ဒေါင်လိုက်စာသား OCR အတွက် ရုပ်ပုံစစ်ထုတ်ခြင်းများကို မပြောင်းလဲမီ စာရေးသည့် ဦးတည်ချက်ကို စစ်ဆေးပါ။ ဒေါင်လိုက်စာသားကို ကိုင်တွယ်နိုင်သော ဂျပန်မော်ဒယ်နှင့် ခွဲခြမ်းခြင်း ဆက်တင်ကို အသုံးပြုပါ၊ ကော်လံများကို ရည်ရွယ်ထားသည့် အစီအစဉ်အတိုင်း စစ်ဆေးပါ၊ ပြီးလျှင် သင်သည် ပင်မစာသားကို သီးသန့်လိုအပ်သလား သို့မဟုတ် ဖူရိဂနကိုပါ လိုအပ်သလား ဆုံးဖြတ်ပါ။ မှတ်မိနိုင်သော စာလုံးများဖြင့် ပြည့်နေသော စာမျက်နှာတစ်ခုသည် ၎င်းတို့၏ အစီအစဉ် မှားယွင်းနေပါက အသုံးမပြုနိုင်သော စာသားကူးယူမှု ဖြစ်နိုင်ဆဲပင်။

ထိုဆုံးဖြတ်ချက်များကို လက်တွေ့ကျကျ ဖြစ်စေရန် ကျွန်ုပ်တို့သည် သေးငယ်ပြီး ပြန်လည်ထုတ်လုပ်နိုင်သော ဒေသတွင်း စမ်းသပ်မှုတစ်ခုကို ပြုလုပ်ခဲ့သည်။ အလျားလိုက် ဖွဲ့စည်းမှုတစ်ခုသည် ကျွန်ုပ်တို့၏ ဒေါင်လိုက်ကော်လံ သုံးခုကို ရောထွေးသွားစေခဲ့သည်။ ဒေါင်လိုက် ဖွဲ့စည်းမှုတစ်ခုသည် ရိုးရှင်းသော ကိုယ်ထည်စာသားကို ပြန်လည်ရရှိစေခဲ့သော်လည်း ဖူရိဂနကို ထည့်သွင်းလိုက်ခြင်းက သတ်ပုံသင်္ကေတ နှစ်ခုကို ပြောင်းလဲသွားစေခဲ့ပြီး ရူဘီကို ဖြတ်ထုတ်လိုက်ခြင်းသည် သတ်ပုံသင်္ကေတ အမှားများကို မဖယ်ရှားနိုင်ခဲ့ပါ။

ထိုအရာများသည် ရည်ရွယ်ချက်ရှိရှိ သေးငယ်သော ပေါင်းစပ်ဖန်တီးထားသည့် နမူနာတစ်ခုမှ ရလဒ်များဖြစ်ပြီး ဂျပန်စာအုပ်အားလုံးအပေါ် တိကျမှုဆိုင်ရာ အခိုင်အမာပြောဆိုချက် မဟုတ်ပါ။ အသုံးဝင်သော သင်ခန်းစာမှာ ပိုမိုကျဉ်းမြောင်းသည်။ စာလုံးမှတ်မိမှု၊ ဖတ်ရှုသည့် အစီအစဉ်နှင့် မှတ်ချက်ကိုင်တွယ်မှုကို သီးခြားစီ အကဲဖြတ်ပါ။ ဂျပန်စာလိုပဲ ပုံပေါက်နေသည်ဆိုရုံဖြင့် ရလဒ်ကို ဘာသာပြန်ရန် မပို့ပါနှင့်။

ပထမဦးစွာ သင်အမှန်တကယ်လိုချင်သော စာသားကို ဖော်ထုတ်ပါ

သမားရိုးကျ ဂျပန်ဒေါင်လိုက် စီစဉ်မှုတွင် စာလုံးများသည် လိုင်းတစ်ခုအတွင်း အောက်သို့ ရွေ့သွားပြီး လိုင်းများသည် ညာမှ ဘယ်သို့ ရွေ့သွားသည်။ ရူဘီသည် အခြေခံစာလုံးများနှင့် ဆက်စပ်နေသော ပိုသေးငယ်သည့် စာသားဖြစ်သည်။ ဖူရိဂနသည် များသောအားဖြင့် ၎င်းတို့၏ အသံထွက်ကို ဖော်ပြပေးသည်။ W3C ၏ Requirements for Japanese Text Layout တွင် ဤစာရေးသည့် ဦးတည်ချက်များနှင့် ရူဘီ ဆက်စပ်မှုများကို ဖော်ပြထားသည်။

OCR မလုပ်မီ စာမျက်နှာ၏ အဓိပ္ပာယ်ရှိသော နေရာများကို အမည်တပ်ပါ-

• ပင်မ ဒေါင်လိုက်ကော်လံများ၊
• ကိုယ်ထည်ဘေးရှိ ရူဘီငယ်များ၊
• အလျားလိုက် ခေါင်းစီးများ၊ စာတန်းများ သို့မဟုတ် ဇယားများ၊
• စာမျက်နှာနံပါတ်များနှင့် လည်ပတ်ခေါင်းစီးများ၊
• အနားသတ်မှတ်စုများ သို့မဟုတ် ဆက်စပ်မှုမရှိသော ကပ်လျက်စာမျက်နှာများ။

ဒေါင်လိုက် အစင်းတိုင်းကို သီးခြားစာပိုဒ်အဖြစ် မသဘောထားပါနှင့်။ 図書館 ဘေးရှိ ခနဲစာလုံးငယ် အစင်းတစ်ခုသည် နောက်စာကြောင်း မဟုတ်ဘဲ ၎င်း၏ အသံထွက် としょかん ဖြစ်နိုင်သည်။

OCR ကို အကဲဖြတ်မီ အထွက်မူဝါဒကို ရွေးချယ်ပါ-

တူညီသော ရလဒ်သည် တစ်ခုသော အလုပ်တွင် အောင်မြင်ပြီး အခြားတစ်ခုတွင် ကျရှုံးနိုင်သည်။ ကျွန်ုပ်တို့၏ စမ်းသပ်မှုသည် ကိုယ်ထည်သာ စာသားပုံတူကူးခြင်း ကို နှိုင်းယှဉ်ရန် ပစ်မှတ်အဖြစ် အသုံးပြုသည်။ အသံထွက်လေ့လာရေး ထုတ်ဝေမှုအတွက် ဖူရိဂန ပျောက်ဆုံးခြင်းကို လက်ခံနိုင်သည်ဟု မသတ်မှတ်ပါ။

အမှန်တကယ် စာကြောင်းသုံးကြောင်း OCR စမ်းသပ်မှု

နမူနာတွင် ဤကိုယ်တိုင်ရေးသားထားသော စာကြောင်းများကို အသုံးပြုထားသည်:

朝の図書館で本を読む。
古い地図には川が見える。
明日は友人と駅で会う。

၎င်းတို့သည် စာကြည့်တိုက်တွင် စာဖတ်ခြင်း၊ မြေပုံဟောင်းတွင် မြစ်တစ်စင်းကို တွေ့ခြင်းနှင့် ဘူတာရုံတွင် သူငယ်ချင်းတစ်ဦးနှင့် တွေ့ဆုံခြင်းတို့ကို ဖော်ပြသည်။ စာကြောင်းအဆက်များကို ဖယ်ရှားလိုက်သောအခါ ဂျပန်ဘာသာ ပုဒ်ကြီးသုံးခု အပါအဝင် ကိုယ်ထည်စာသား ယူနီကုဒ် ကုဒ်ပွိုင့် ၃၄ ခု ရှိသည်။

တူညီသော ကိုယ်ထည်ကို ပုံစံသုံးမျိုးဖြင့် ဖော်ပြခဲ့သည်:

1. အလျားလိုက် စာသား။
2. ဒေါင်လိုက် ကော်လံသုံးခု၊ ညာမှ ဘယ်သို့ ဖတ်သည်။
3. ဖူရိဂန ပါသော တူညီသော ဒေါင်လိုက် ကော်လံများ၊ 図書館၊ 地図၊ 友人 နှင့် 駅 တို့၏ ဘေးတွင်။

၎င်းတို့သည် သန့်ရှင်းသော သင်ကြားရေး ပုံများဖြစ်ပြီး စာအုပ်မှ စကင်ဖတ်ထားသော စာမျက်နှာများ မဟုတ်ပါ။ ဖော်ပြသည့်စနစ်သည် Noto Sans CJK JP၊ ၆၄ ပစ်ဆယ် ကိုယ်ထည်စာလုံးများ၊ ၂၄ ပစ်ဆယ် ရူဘီနှင့် ရိုးရှင်းသော ဂလစ်ဖ်တစ်ခုချင်း ဒေါင်လိုက် နေရာချထားမှုကို အသုံးပြုသည်။ ဒေါင်လိုက် ပုဒ်ကြီးများကို ဖောင့်၏ သင့်လျော်သော ဒေါင်လိုက် ဂလစ်ဖ် နေရာချထားမှုကို အသုံးမပြုဘဲ ကိုယ်တိုင်ရွေးချယ်ထားသော နေရာများတွင် အကြောင်းအရာ သေးငယ်သော စက်ဝိုင်းများအဖြစ် ရေးဆွဲသည်။ ထို့ကြောင့် သတ်ပုဒ်လက္ခဏာ ရလဒ်များသည် သင့်လျော်စွာ စာစီထားသော စာအုပ်တွင် OCR မည်သို့ လုပ်ဆောင်သည်ကို မဖော်ပြပါ။ ၎င်းသည် ဂျပန်ဘာသာ စာစီစနစ် စည်းမျဉ်းအားလုံးကို ပြန်လည်ဖော်ပြခြင်း မရှိပါ။ စမ်းသပ်မှုတွင် မှုန်ဝါးခြင်း၊ စောင်းခြင်း၊ စက္ကူအရောင်အသွေး၊ လက်ရေးစာ၊ သမိုင်းဝင် စာလုံးပုံစံ သို့မဟုတ် ဦးတည်ချက် ရောနှောထားသော စာမျက်နှာ မရှိပါ။

အင်ဂျင်၊ မော်ဒယ်များနှင့် ဆက်တင်များ

စမ်းသပ်မှုကို ၂၀၂၆ ခုနှစ် စက်တင်ဘာလ ၇ ရက်နေ့တွင် macOS ARM64 ပေါ်တွင် Tesseract.js 7.0.0 နှင့် Tesseract.js-core 7.0.0 ကို ဒေသတွင်း အသုံးပြု၍ လုပ်ဆောင်ခဲ့သည်။ အောင်မြင်သော ခေါ်ဆိုမှုအားလုံးသည် commit 87416418657359cb625c412a48b6e1d6d41c29bd ရှိ တရားဝင် tessdata_fast မော်ဒယ်များကို OEM 1၊ LSTM-only အင်ဂျင်မုဒ်ဖြင့် အသုံးပြုခဲ့သည်။

Tesseract ၏ တရားဝင် မော်ဒယ် သိုလှောင်ရာသည် သီးခြား jpn နှင့် jpn_vert ဖိုင်များ ကို ပံ့ပိုးပေးသည်။ ၎င်း၏ စာရွက်စာတမ်းများတွင် PSM 5 ကို ဒေါင်လိုက် ညီညာစွာ ချိန်ညှိထားသော ဘလောက်အဖြစ် ဖော်ပြပြီး PSM 6 ကို ညီညာသော စာသားဘလောက်အဖြစ် ဖော်ပြသည်။ အသိအမှတ်ပြုမည့် ဧရိယာနှင့် ကိုက်ညီသော ခွဲခြမ်းမှု ယူဆချက်ကို ရွေးချယ်ပါ။ စာမျက်နှာ ခွဲခြမ်းမှု စာရွက်စာတမ်း ကို ကြည့်ပါ။

ကျွန်ုပ်တို့ မှတ်တမ်းတင်ထားသော ကိစ္စများတွင် အလျားလိုက် စာသားအတွက် jpn နှင့် PSM 6၊ ဒေါင်လိုက် စာသားအတွက် jpn_vert နှင့် PSM 5၊ နှင့် တမင်တကာ မကိုက်ညီသော jpn/PSM 6 ဒေါင်လိုက် ထိန်းချုပ်မှုကို အသုံးပြုခဲ့သည်။ ဒေါင်လိုက် ဖွဲ့စည်းမှု နှစ်ခုကြားတွင် မော်ဒယ်နှင့် ခွဲခြမ်းမှု နှစ်ခုလုံး ပြောင်းလဲသောကြောင့် ၎င်းသည် လုပ်ငန်းစဉ် နှိုင်းယှဉ်မှုဖြစ်ပြီး ဆက်တင် တစ်ခုချင်း၏ အကျိုးသက်ရောက်မှုကို သီးခြားခွဲထုတ်သည့် စမ်းသပ်မှု မဟုတ်ပါ။

tessdata_best ဖြင့် ကနဦး ကြိုးစားမှုသည် OCR စာသား မထုတ်လုပ်မီ ရရှိနိုင်သော WebAssembly core တွင် ရပ်တန့်သွားသည်။ ကိုက်ညီမှုအတွက် တရားဝင် integer tessdata_fast မော်ဒယ်များသို့ ပြောင်းခဲ့ပြီး ထို ကျရှုံးမှုကို မှတ်တမ်းတင်ခဲ့သည်။ ထို ပြောင်းလဲမှုမှ မော်ဒယ် မိသားစု တစ်ခု၏ တိကျမှုနှင့် ပတ်သက်၍ ကောက်ချက် မထွက်ပါ။

အမှန်တကယ် ပြန်လာသည့် အရာ

နှိုင်းယှဉ်မှုသည် whitespace ကို ဖယ်ရှားပြီး ယူနီကုဒ် NFC ပုံမှန်ပြုလုပ်ခြင်းကို ကျင့်သုံးသည်။ ၎င်းသည် သတ်ပုဒ်လက္ခဏာများကို အစားထိုးခြင်း၊ ခန်ဂျိ ပြင်ဆင်ခြင်း သို့မဟုတ် စာသား ပြန်စီခြင်း မပြုလုပ်ပါ။ အပြည့်အစုံ အကြမ်းထုတ်ရလဒ်များနှင့် ဗားရှင်း/မော်ဒယ် ဟက်ရှ်များ၊ ကိုယ်ထည် နှိုင်းယှဉ်မှု CSV နှင့် အမှား မှတ်ချက်များ ကို ဒေါင်းလုဒ်လုပ်နိုင်သည်။

ဥပမာအားဖြင့်၊ ဖူရိဂနဖြစ်ရပ်သည် ဤပထမစာကြောင်းကို ပြန်ပေးခဲ့သည်−

Expected: 朝の図書館で本を読む。
Observed: 朝 の 図書 館 で 本 を 読む .

ကွက်လပ်များကို ကျွန်ုပ်တို့၏ ဖော်ပြထားသော နှိုင်းယှဉ်မှုစည်းမျဉ်းက လျစ်လျူရှုသည်။ နောက်ဆုံးသတ်ပုံကို မလျစ်လျူရှုပါ။ ရှာဖွေမှုသက်သက်သာ လုပ်သော လုပ်ငန်းစဉ်တစ်ခုသည် ထိုကွာခြားချက်ကို သည်းခံနိုင်ပေမည်၊ သို့သော် သစ္စာရှိသော စာသားမှတ်တမ်းတင်မှုတစ်ခုသည် ၎င်းကို မှတ်တမ်းတင်ပြီး ပြုပြင်သင့်သည်။

မကိုက်ညီသော ဒေါင်လိုက်ထိန်းချုပ်မှုသည် 明 古 昌 ဖြင့် စတင်ခဲ့ပြီး ရည်ရွယ်ထားသော ပထမစာကြောင်းကို လိုက်နာမည့်အစား ကော်လံများ၏ ထိပ်စာလုံးများကို ဖြတ်ကျော်ခုန်သွားခဲ့သည်။ ၎င်း၏ ရလဒ်သည် သင်္ကေတတစ်ခုချင်းစီကို မှတ်မိခြင်းသည် ဖတ်ချက်အစီအစဉ်ကို ပြန်လည်တည်ဆောက်ခြင်းနှင့် မတူကြောင်း အဘယ်ကြောင့် ဖော်ပြသည်ကို သရုပ်ပြသည်။

ပြီးစီးခဲ့သော OCR ခေါ်ဆိုမှု ခုနစ်ခု ရှိခဲ့သည်− ပုံတစ်ပုံလုံးဖြစ်ရပ် လေးခုနှင့် ဖြတ်ထုတ်ထားသော အပိုင်း သုံးခု။ ကျွန်ုပ်တို့သည် ရလဒ်တိုင်းကို သိမ်းဆည်းထားခဲ့သည်။ အေးဂျင့်တစ်ခုသည် ရလဒ်များကို ရေးသားထားသော မူရင်းအမှန်တရားနှင့် နှိုင်းယှဉ်ပြီး ပုံများကို အမြင်အာရုံဖြင့် စစ်ဆေးခဲ့သည်။ မျက်စိကန်းသော လူသားပြန်လည်သုံးသပ်မှု သို့မဟုတ် ကျယ်ပြန့်သော စံညွှန်းကော်ပက်စ် မရှိခဲ့ပါ။ ဤစမ်းသပ်မှုသည် အလုံးစုံအကောင်းဆုံး အင်ဂျင်တစ်ခု၊ စာအုပ်အဆင့် တိကျမှုနှုန်း သို့မဟုတ် သင့်စကန်ဖတ်မှုအပေါ် စွမ်းဆောင်ရည်ကို သက်သေမပြပါ။

သင့်ကိုယ်ပိုင်စာမျက်နှာတွင် ဒေသဦးစားပေး လုပ်ငန်းစဉ်ကို အသုံးပြုပါ

၁။ မူရင်းကို ထိန်းသိမ်းပြီး ခက်ခဲသော စာမျက်နှာတစ်ခုကို ရွေးပါ

မူရင်းပုံ သို့မဟုတ် PDF ကို မပြောင်းလဲဘဲ ထားရှိပါ။ မိတ္တူတစ်ခုပေါ်တွင် လုပ်ဆောင်ပြီး စာမျက်နှာနံပါတ်ကို မှတ်တမ်းတင်ပါ။ သင်ဖြေရှင်းရန် ကြိုးစားနေသော ပြဿနာပါဝင်သည့် စာမျက်နှာတစ်ခုကို ရွေးပါ− ထူထပ်သော ရူဘီ၊ ကျဉ်းမြောင်းသော စာအုပ်ချုပ်ရိုး၊ ဒေါင်လိုက်စာသားအပေါ်ရှိ အလျားလိုက် ခေါင်းစီး သို့မဟုတ် ပုံမှန်မဟုတ်စွာ သေးငယ်သော စာလုံးအရွယ်အစား။

ကိုယ်ထည်စာမျက်နှာများတွင် မတူညီသော အပြင်အဆင်ရှိသော စာအုပ်တစ်အုပ်အတွက် သန့်ရှင်းသော ခေါင်းစီးစာမျက်နှာသည် အသုံးဝင်သော လက်ခံစမ်းသပ်မှု မဟုတ်ပါ။ မူရင်းသည် PDF ဖြစ်ပါက ပုံသက်သက် OCR လုပ်ငန်းစဉ်ကို မလုပ်ဆောင်မီ သင်ယုံကြည်ရသော ကိရိယာတစ်ခုဖြင့် ရွေးချယ်ထားသော စာမျက်နှာကို ထုတ်ယူပါ သို့မဟုတ် ပြန်ဆွဲပါ။ ဤဆောင်းပါး၏ စကရစ်များသည် PNG ဖိုင်များကို လက်ခံသည်။ ၎င်းတို့သည် PDF များကို မလုပ်ဆောင်ပါ သို့မဟုတ် ရှာဖွေနိုင်သော PDF အလွှာများကို မတည်ဆောက်ပါ။

စကန်ဖတ်ထားသော စာရွက်စာတမ်းများကို ပြင်ဆင်ခြင်းနှင့် ဘာသာပြန်ခြင်း လုပ်ငန်းစဉ်အပြည့်အစုံအတွက် ပိုမိုကျယ်ပြန့်သော စကန်ဖတ် PDF လုပ်ငန်းစဉ် ကို အသုံးပြုပါ။ ဤလမ်းညွှန်သည် ဂျပန်ဘာသာ၏ ဦးတည်ချက်၊ အပိုင်းခွဲခြင်း၊ ရူဘီနှင့် စာသားမှတ်တမ်းတင်ခြင်း ဆုံးဖြတ်ချက်များကို အာရုံစိုက်သည်။

၂။ သေးငယ်သော စာသားကို မဖျက်ဆီးဘဲ ဖမ်းယူမှုချို့ယွင်းချက်များကို ပြုပြင်ပါ

အသုံးဝင်သော ချဲ့မှုအဆင့်တွင် အမှန်တကယ် စာလုံးများကို စစ်ဆေးပါ။ မရည်ရွယ်ဘဲ စောင်းနေမှုကို ဖြောင့်ပါ၊ မသက်ဆိုင်သော စာမျက်နှာအနားသတ်များကို ဖယ်ရှားပါ၊ သေးငယ်သော ခနနှင့် သတ်ပုံကို ခွဲခြားနိုင်ရန် လုံလောက်သော ခြားနားမှုကို ထိန်းသိမ်းပါ။ ပြင်းထန်သော thresholding သို့မဟုတ် sharpening ကို အလိုအလျောက် တိုးတက်မှုအဖြစ် သဘောထားခြင်းကို ရှောင်ပါ− OCR ကို မယုံကြည်မီ ရလဒ်ပုံကို မူရင်းနှင့် နှိုင်းယှဉ်ပါ။

Tesseract ၏ ပုံအရည်အသွေး လမ်းညွှန် သည် ကြည်လင်ပြတ်သားမှု၊ ဆူညံသံ၊ စောင်းနေမှုနှင့် အနားသတ်များကို ဖော်ပြသည်။ ၎င်းတို့သည် စာရေးဦးတည်ချက်နှင့် သီးခြားဖြစ်သည်။ ထောင့်မှ ဓာတ်ပုံရိုက်ထားသော စာမျက်နှာကို ဖြောင့်ခြင်းသည် မတ်တတ်ရှိသော ဒေါင်လိုက်ဂျပန်စာသားကို ဘေးတိုက်လှည့်ခြင်းနှင့် တူညီသော လုပ်ဆောင်ချက် မဟုတ်ပါ။

နမူနာဖိုင်များတွင် 300 dpi မက်တာဒေတာ ပါရှိသော်လည်း ထိုနံပါတ်သည် ပျောက်ဆုံးနေသော အသေးစိတ်ကို ဖန်တီးမပေးပါ။ ၎င်းတို့၏ အမှန်တကယ် ကိုယ်ထည်စာလုံးအရွယ်အစားသည် 64 ပစ်ဆယ်ဖြစ်သည်။ “300 dpi” ဟု အမည်ပြောင်းထားသော ကြည်လင်ပြတ်သားမှုနည်းသော ဓာတ်ပုံသည် ကြည်လင်ပြတ်သားမှုနည်းသော ဓာတ်ပုံပင် ဖြစ်နေဆဲဖြစ်သည်။

၃။ စာမျက်နှာသည် အပြင်အဆင်ယူဆချက်တစ်ခုကို ချိုးဖောက်သောအခါ ဒေသများကို ခွဲပါ

အလျားလိုက်ခေါင်းစီး၊ ဒေါင်လိုက်စကားပြေ၊ သရုပ်ဖော်ပုံနှင့် စာမျက်နှာနံပါတ်တို့ကို OCR ခေါ်ဆိုမှုတစ်ခုတည်းဖြင့် ကိုင်တွယ်ရန် မတောင်းဆိုမီ ပင်မဒေါင်လိုက်ဘလောက်ကို သီးခြားစမ်းကြည့်ပါ။ “စာမျက်နှာ ၁၂၊ ကိုယ်ထည်၊ ညာဘက်မှ ကော်လံ ၁” ကဲ့သို့ ရိုးရှင်းသော ဒေသမှတ်တမ်းကို ထားရှိပါ။ ထိုမှတ်တမ်းသည် နောက်ပိုင်းတွင် ပြန်လည်စုစည်းမှုကို စစ်ဆေးနိုင်စေသည်။

ရောနှောဦးတည်ချက်ရှိသော အကြောင်းအရာအတွက် အလျားလိုက်ဒေသကို သင့်လျော်သော အလျားလိုက်ဆက်တင်ဖြင့် မှတ်မိပြီး ဒေါင်လိုက်ဒေသကို ဒေါင်လိုက်ဆက်တင်ဖြင့် မှတ်မိပါ၊ ထို့နောက် စာရွက်စာတမ်းက ရည်ရွယ်သော အစီအစဉ်အတိုင်း ၎င်းတို့ကို စုစည်းပါ။ ဤသည်မှာ သင့်ဖိုင်တွင် စမ်းသပ်ရန် အကြံပြုထားသော လုပ်ငန်းစဉ်တစ်ခုဖြစ်ပြီး ကျွန်ုပ်တို့၏ နမူနာပုံသုံးပုံဖြင့် တိုင်းတာထားသော ရောနှောအပြင်အဆင် စွမ်းရည်တစ်ခု မဟုတ်ပါ။

ကျွန်ုပ်တို့၏ သီးခြားဖြတ်တောက်မှု စမ်းသပ်ချက်သည် ပေါင်းစပ်ဖန်တီးထားသော ကော်လံတစ်ခုစီ၏ ဘေးရှိ ရူဘီစည်းကို ဖယ်ထုတ်ရန် တိကျသော သိရှိပြီးသား ကိုဩဒိနိတ်များကို အသုံးပြုခဲ့ပြီး ၎င်း၏ ကိုယ်ထည်စာသားနှင့် အဖြူရောင်အနားသတ်ကို ထိန်းသိမ်းထားသည်။ ၎င်းသည် လူကိုယ်တိုင် ဒေသရွေးချယ်မှု သရုပ်ပြချက်ဖြစ်ပြီး အလိုအလျောက် ဖူရိဂနဖယ်ရှားသည့် အယ်လဂိုရီသမ် မဟုတ်ပါ။ ၎င်း၏ ကိုဩဒိနိတ်များကို အမှန်တကယ် စာအုပ်စာမျက်နှာတွင် မသုံးပါနှင့်။

၄။ အက္ခရာတစ်ခုချင်းစီကို ပရုဖ်ဖတ်ခြင်းမပြုမီ ကော်လံများကို စစ်ဆေးပါ

ကော်လံတစ်ခုစီ၏ ပထမဆုံးနှင့် နောက်ဆုံး ကိုယ်ထည်အက္ခရာများကို ရည်ရွယ်ထားသော ဦးတည်ချက်အတိုင်း နှိုင်းယှဉ်ပါ။ မည်သည့်ကော်လံမျှ ပျောက်ဆုံးခြင်း၊ ထပ်နေခြင်း၊ ပြောင်းပြန်ဖြစ်ခြင်း သို့မဟုတ် အိမ်နီးချင်းနှင့် ရောနှောခြင်း မရှိကြောင်း အတည်ပြုပါ။ ထို့နောက် ကော်လံနယ်နိမိတ်များရှိ စာကြောင်းများကို စစ်ဆေးပါ။

ထို့နောက်မှသာ ကန်ဂျီ၊ ခန၊ သတ်ပုံ၊ နံပါတ်များနှင့် အမည်များကို တစ်ခုချင်းစီ ပြင်ဆင်သင့်သည်။ သို့မဟုတ်ပါက မှားယွင်းသော စာပိုဒ်အဖြစ် စုစည်းထားသော အစိတ်အပိုင်းများကို ပြုပြင်ရာတွင် အချိန်ကုန်ဆုံးနိုင်သည်။

အသုံးဝင်သော သုံးကြိမ်ပြန်လည်သုံးသပ်မှုမှာ အောက်ပါအတိုင်းဖြစ်သည်။

1. ဒေသများနှင့် အစီအစဉ်။ ရည်ရွယ်ထားသော ကိုယ်ထည်ဒေသတိုင်း တစ်ကြိမ်စီ အစဉ်လိုက် ပါဝင်သည်။
2. အက္ခရာများ။ အသေးစိတ်သတ်ပုံနှင့် ခနအမှတ်အသားများ အပါအဝင် အမှန်တကယ်ပုံနှင့် စာသားကို နှိုင်းယှဉ်ပါ။
3. မှတ်ချက်များ။ ရူဘီအရာ၊ မှတ်စုတစ်ခုစီ သို့မဟုတ် အနားသတ်တံဆိပ်တစ်ခုစီကို ထိန်းသိမ်းထားခြင်း၊ ခွဲထုတ်ထားခြင်း သို့မဟုတ် တမင်ဖယ်ထုတ်ထားခြင်း ရှိ/မရှိ ဆုံးဖြတ်ပါ။

အင်ဂျင်တစ်ခု၏ ယုံကြည်စိတ်ချရမှုတန်ဖိုးသည် ဤစစ်ဆေးမှုများအတွက် အစားထိုးမဟုတ်ပါ။ ကျွန်ုပ်တို့၏ ရောနှောထားသော ထိန်းချုပ်စမ်းသပ်မှုသည် အင်ဂျင်မှတင်ပြသော ယုံကြည်စိတ်ချရမှုနံပါတ်ကို ပြန်ပေးခဲ့သေးသည်။ ၎င်းသည် ၎င်း၏ ဖတ်ရှုမှုအစီအစဉ်ကို လက်ခံနိုင်ဖွယ်ဖြစ်စေခဲ့ခြင်း မဟုတ်ပါ။

အကြောင်းရင်းကို မသိဘဲ ဖူရိဂနကို မဖယ်ရှားပါနှင့်

ကိုယ်ထည်သီးသန့် ထုတ်ယူမှုအတွက် ရူဘီသည် ဒုတိယစာပိုဒ်အလွှာအဖြစ် မတော်တဆ ဖြစ်လာသင့်မည်မဟုတ်ပါ။ သို့သော် ခနအက္ခရာတိုတိုင်းကို ဖျက်ပစ်ခြင်းသည် ဘေးကင်းသော ယေဘုယျစည်းမျဉ်း မဟုတ်ပါ။ ဖတ်ရှုနည်းတစ်ခုသည် အမည်တစ်ခုကို ခွဲခြားရန်၊ စာရေးသူရွေးချယ်ထားသော အသံထွက်ကို ထိန်းသိမ်းရန် သို့မဟုတ် စာဖတ်သူ၏ လေ့လာမှုလုပ်ငန်းကို ပံ့ပိုးရန် အထောက်အကူပြုနိုင်သည်။

ကျွန်ုပ်တို့၏ ဖူရိဂနပုံတွင် OCR ရလဒ်တွင် အဓိကကန်ဂျီပါဝင်သော်လည်း ဖတ်ရှုနည်းလေးခုကို သီးခြားမှတ်ချက်အစုအဖြစ် ပြန်မပေးခဲ့ပါ။ ၎င်းသည် ကိုယ်ထည်သီးသန့် ရှာဖွေမှုလုပ်ငန်းအတွက် သတ်ပုံပြင်ဆင်ပြီးနောက် လုံလောက်နိုင်သည်။ သို့သော် ပေးအပ်ရမည့်အရာက အသံထွက်အချက်အလက်ကို ကတိပြုပါက မလုံလောက်ပါ။

အရေးကြီးသော ဖတ်ရှုနည်းများကို သီးခြားသိမ်းဆည်းပြီး မှန်ကန်သော ဖြစ်ပေါ်မှုနှင့် ဆက်စပ်ပါ။ ဥပမာ။

Page: sample 1
Column: 1 from the right
Base text: 図書館
Reading shown: としょかん
Decision: retain body text; save reading in the annotation record

နမူနာ၏ သီးခြားရူဘီကူးယူမှု သည် ထိုမူဝါဒကို ရှင်းလင်းစွာ ဖော်ပြသည်။ ၎င်းသည် ပုံနှင့်အတူ ရေးသားထားသော အခြေခံအမှန်တရားဖြစ်ပြီး OCR အောင်မြင်မှုအခိုင်အမာ မဟုတ်ပါ။

OCR သည် ခနကို စကားလုံးတစ်ခုအတွင်း ရောနှောထားခြင်း သို့မဟုတ် ၎င်း၏ဆက်စပ်မှုကို ဆုံးရှုံးခြင်းရှိပါက ပုံနှင့်နှိုင်းယှဉ်ပြီး ကူးယူမှုကို ပြုပြင်ပါ။ ဘာသာစကားမော်ဒယ်တစ်ခုကို မူရင်းကို ခန့်မှန်းစေပြီး ထိုခန့်မှန်းချက်ကို ပြန်လည်ရရှိသောစာသားအဖြစ် တင်ပြခိုင်းခြင်း မပြုပါနှင့်။ မသေချာသော ဖတ်ရှုနည်းကို သုံးသပ်ရန် အမှတ်အသားပြုပါ။

ဖြတ်တောက်မှုရလဒ်များသည် "ရူဘီကိုဖယ်ရှားလိုက်ရင် အရာအားလုံး တိုးတက်လာတယ်" ဆိုသည့် ရိုးရှင်းသောစည်းမျဉ်းကို ဆန့်ကျင်သည့် အထောက်အထားလည်းဖြစ်သည်။ သတ်ပုံကွဲပြားမှု နှစ်ခု ကျန်ရှိခဲ့ပြီး ထိခိုက်ခံရသော စာကြောင်းအဆုံးသတ်များ ပြောင်းလဲသွားခဲ့သည်။ ထိုလေ့လာတွေ့ရှိချက်သည် ဤသန့်ရှင်းသော သီးခြားစမ်းသပ်ကိရိယာနှင့် သက်ဆိုင်သည်။ ၎င်းသည် ဖြတ်တောက်ခြင်းသည် ယေဘုယျအားဖြင့် OCR ကို အထောက်အကူပြုသည် သို့မဟုတ် ထိခိုက်စေသည်ဟု မဆိုလိုဘဲ ခွဲခြမ်းပြီးနောက် ရလဒ်ကို စစ်ဆေးရန် ကျွန်ုပ်တို့ကို ပြောပြသည်။

စမ်းသပ်မှုကို ပြန်လည်ထုတ်လုပ်ပါ သို့မဟုတ် သုံးသပ်မှတ်တမ်းကို သိမ်းထားပါ

ပင်ထားထားသော မော်ဒယ်နှင့် ဖောင့်ရင်းမြစ်များ၊ မှီခိုမှုဗားရှင်းများ၊ ဖိုင်ဖော်ပြချက်များနှင့် အမိန့်များအတွက် စမ်းသပ်မှု README ကို ဒေါင်းလုဒ်လုပ်ပါ။ နမူနာထုတ်လုပ်သူ၊ OCR အလုပ်လုပ်သူ နှင့် နှိုင်းယှဉ်မှုဇာတ်ညွှန်း တို့သည် ပုံဖန်တီးခြင်း၊ အသိအမှတ်ပြုခြင်းနှင့် အကဲဖြတ်ခြင်းကို ခွဲထုတ်ထားသည်။

အလုပ်လုပ်သူသည် မှတ်တမ်းတင်ထားသော Tesseract.js worker API ကို အသုံးပြုသည်။ ဒေါင်လိုက်ဒေသတစ်ခုအတွက် ၎င်း၏ မရှိမဖြစ်ဆက်တင်များမှာ အောက်ပါအတိုင်းဖြစ်သည်။

const worker = await createWorker("jpn_vert", 1, {
  langPath: modelDirectory,
  gzip: false,
  cacheMethod: "none",
});
await worker.setParameters({
  tessedit_pageseg_mode: "5",
  user_defined_dpi: "300",
});

modelDirectory တွင် ဒေါင်းလုဒ်လုပ်ထားသော၊ မချုံ့ထားသော jpn_vert.traineddata ဖိုင် ပါဝင်ရမည်။ ၎င်းသည် ကောက်နုတ်ချက်ဖြစ်ပြီး ပရိုဂရမ်အပြည့်အစုံ မဟုတ်ပါ။ ပေးထားသော အလုပ်လုပ်သူသည် အကြမ်းရလဒ်များကို သိမ်းဆည်းပြီး အလုပ်သမားများကို ရပ်ဆိုင်းပေးသည်။

အခြား OCR အပလီကေးရှင်းကို အသုံးပြုပါက ဆက်တင်အမည်များ ကွဲပြားသော်လည်း တူညီသော အထောက်အထားကို ထိန်းသိမ်းပါ။ ရင်းမြစ်ဒေသ၊ မူရင်းဖိုင်၊ မော်ဒယ် သို့မဟုတ် ကိရိယာဗားရှင်း၊ ဦးတည်ချက်၊ ခွဲခြမ်းရွေးချယ်မှု၊ အမှန်တကယ်ရလဒ်၊ ပြုပြင်ထားသောစာသားနှင့် မဖြေရှင်းရသေးသော အက္ခရာများ ပါဝင်သည်။ သုံးသပ်မှတ်တမ်းပုံစံ သည် သင့်စာမျက်နှာများ အောင်မြင်ပြီးဖြစ်သည်ဟု မဆိုလိုစေရန် အလွတ်ထားသည်။

ကျွန်ုပ်တို့၏ သေးငယ်သော တိကျစွာကိုက်ညီမှုရလဒ်ကို ဝတ္ထုတစ်ခုလုံးအတွက် ကတိပြုထားသော ရာခိုင်နှုန်းအဖြစ် မပြောင်းလဲပါနှင့်။ မတူညီသော ဖောင့်များ၊ ကျပ်သိပ်နေသော ကော်လံများ၊ သမိုင်းဝင်ပုံစံများ၊ အရည်အသွေးနိမ့် စကင်ဖတ်မှုများနှင့် မန်ဂါစကားပြောပူဖောင်းများသည် ၎င်းတို့၏ ကိုယ်စားပြုစမ်းသပ်မှုများ လိုအပ်သည်။ မန်ဂါအပြင်အဆင်နှင့် လက်ရေးအသိအမှတ်ပြုခြင်းသည် ဤစမ်းသပ်မှု၏ ပြင်ပတွင်ရှိသည်။

ပြန်လည်ရရှိသော မူရင်းကို ယုံကြည်စိတ်ချရမှသာ ဘာသာပြန်ပါ

သင့်ရည်မှန်းချက်သည် ရှာဖွေခြင်း၊ ကိုးကားချက်များ ကူးယူခြင်း သို့မဟုတ် အဘိဓာန်ရှာဖွေခြင်းဖြစ်ပါက အတည်ပြုပြီးသော ဂျပန်စာသားသည် အပြီးသတ်ရလဒ် ဖြစ်နိုင်သည်။ OCR ပါဝင်ခဲ့သောကြောင့်သာ စာရွက်စာတမ်းတစ်ခုလုံးကို ဘာသာပြန်ရန် မလိုအပ်ပါ။

ဘာသာစကားအတားအဆီးက ဖတ်ရှုခြင်းကို မဖြစ်နိုင်သေးဘဲ အသုံးပြုနိုင်သော ဖိုင်တစ်ခု သင့်ထံရှိပါက PDF ဘာသာပြန်ခြင်း လုပ်ငန်းစဉ် ဖြင့် ဆက်လုပ်နိုင်ပါသည်။ မူရင်းစကန်ဖတ်ထားသော ဖိုင်နှင့် စစ်ဆေးပြီးသော စာသားကူးယူမှုကို သိမ်းဆည်းထားပါ၊ သို့မှသာ မှတ်မိမှုအမှားများနှင့် ဘာသာပြန်အမှားများကို ခွဲခြားနိုင်မည်ဖြစ်သည်။ နမူနာလည်ပတ်သည့်စနစ်သည် စာသားနှင့် TSV ဖိုင်များကို ထုတ်ပေးသည်၊ အလိုအလျောက်တင်ရန် အသင့်ဖြစ်သော PDF မဟုတ်ပါ။ သင့်နောက်ကိရိယာလိုအပ်သည့် အမှန်တကယ်ထည့်သွင်းမည့် ဖော်မတ်ကို ပြင်ဆင်ပါ။

BookTranslator ၏ OCR မုဒ်သည် ဘာသာပြန်ထားသော အကြောင်းအရာကို ပြန်လည်တည်ဆောက်ပေးသည်၊ မူရင်းဒေါင်လိုက်အပြင်အဆင်ကို အာမခံခြင်းမဟုတ်ပါ။ ruby ဆက်စပ်မှုတိုင်းကို ထိန်းသိမ်းပေးမည်ဟု မယူဆပါနှင့်၊ အတည်မပြုရသေးသော မှတ်မိမှုအမှားများကို ပြုပြင်ပေးမည်လည်း မဟုတ်ပါ။ PDF ဖော်မတ်ထိန်းသိမ်းခြင်း လမ်းညွှန် နှင့် နောက်ဆုံး PDF အရည်အသွေးစစ်ဆေးရန် စာရင်း ကို အသုံးပြု၍ နောက်ဆုံးစာရွက်စာတမ်း၏ ဖတ်ရှုရမည့်အစီအစဉ်နှင့် ဖော်မတ်ကို ပြန်လည်စစ်ဆေးပါ။

ယုံကြည်စိတ်ချရသော လွှဲပြောင်းမှုဆိုသည်မှာ “OCR ပြီးပါပြီ” ဟူသည်မဟုတ်ပါ။ “ရည်ရွယ်ထားသော ဂျပန်စာသား ရှိနေသည်၊ ၎င်း၏ အစီအစဉ်ကို စစ်ဆေးပြီးပြီ၊ မှတ်ချက်များကို မည်သို့ကိုင်တွယ်သည်ကို မှတ်တမ်းတင်ထားသည်” ဟူသည်ဖြစ်သည်။