Un contrat signé est numérisé au format PDF. La signature au bas de la page fait partie de l’image de la page, tout comme le texte imprimé au-dessus. Lorsque vous exécutez l'OCR sur ce document numérisé, le moteur OCR traite la page entière. Il reconnaît le texte imprimé et l'ajoute au calque de texte consultable. On y rencontre également la signature manuscrite. Le moteur ne sait pas que la signature n'est pas du texte. Il tente de reconnaître les boucles, les courbes et les traits en tant que caractères. Le résultat est un charabia dans la couche de texte : des lettres aléatoires, des symboles et des points d'interrogation intégrés dans le document où apparaît la signature.
L'OCR sur les documents numérisés contenant des signatures nécessite de traiter les signatures comme des éléments non textuels. Le moteur OCR doit soit ignorer entièrement la zone de signature, soit la reconnaître comme une image et l'ignorer. Ce guide explique comment éviter que les signatures ne soient mal lues sous forme de texte et comment nettoyer la sortie OCR lorsque les signatures ont déjà été traitées.
Le défi OCR PDF avec les signatures est qu'elles occupent un espace visuel sur la page que le moteur OCR va tenter d'interpréter. Pour éviter cela, il faut un prétraitement ou une OCR sélective.
Méthodes de gestion des signatures pendant l'OCR
| Méthode | Comment ça marche | Meilleur pour |
|---|---|---|
| OCR sélectif avec exclusion de signature | Définissez des zones OCR qui excluent la zone de signature. La signature n'est pas traitée. Seules les zones de texte sont reconnues | Documents dont l'emplacement de la signature est prévisible, généralement au bas de la dernière page |
| Nettoyage de signature post-OCR | Exécutez l'OCR sur toute la page. Après le traitement, recherchez et supprimez le texte charabia généré par la signature. | Documents déjà traités par OCR ou pour lesquels l'exclusion basée sur la zone n'est pas disponible |
| Prétraitement d'image pour masquer les signatures | Avant l'OCR, peignez numériquement la zone de signature avec du blanc. Le moteur OCR voit un espace vide et ne produit aucun texte | Documents pour lesquels l'exclusion de signature est critique et le nettoyage après traitement est insuffisant |
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.
Nettoyage des artefacts OCR de signature
Si l'OCR a déjà traité la signature, recherchez le texte reconnu pour la zone de signature. Recherchez des groupes de caractères aléatoires, des séquences de caractères inhabituelles ou du texte qui ne forme pas de mots. Supprimez ces fragments. La zone de signature dans le calque de texte doit être vide. La signature visuelle reste dans l'image de la page. Le calque de texte doit contenir uniquement le texte réel du document.
Les outils WukongPDF OCR traitent les documents numérisés. Le PDF numérisé avec les signatures doit être examiné après l'OCR pour supprimer les artefacts de signature du calque de texte.
Vérification de la sortie OCR nettoyée
Après le nettoyage, recherchez dans le document les artefacts OCR courants provenant des signatures : lettres majuscules aléatoires en séquence, caractères répétés ou chaînes de signes de ponctuation. Si la recherche en trouve, examinez-les et supprimez-les. Le calque de texte doit contenir uniquement le contenu du document. La zone de signature Sign PDF ne doit rien apporter au texte consultable.
Un document correctement OCRed avec exclusion de signature a une couche de texte propre. Le contenu imprimé est consultable. La signature est visible mais non représentée dans le texte. C'est le comportement correct.
Utilisation de la sélection de zone OCR pour exclure les signatures
Certains outils OCR vous permettent de dessiner des rectangles autour des zones de texte avant le traitement. Le moteur OCR traite uniquement les zones à l’intérieur des rectangles. Dessinez des rectangles autour de tout le contenu du texte et laissez la zone de signature non sélectionnée. La signature est entièrement exclue de l’OCR.
L’approche basée sur les zones OCR PDF est la méthode la plus fiable pour l’exclusion de signature. La zone de signature n'est jamais soumise au moteur de reconnaissance.
Entraîner les moteurs OCR pour reconnaître les modèles de signature
Les systèmes OCR avancés peuvent être formés pour identifier des modèles similaires à des signatures et les ignorer automatiquement. La formation consiste à marquer des exemples de signatures dans des exemples de documents. Le moteur apprend les caractéristiques visuelles des signatures et exclut les modèles similaires des futures exécutions OCR.
L'approche d'apprentissage automatique Scanned PDF pour l'exclusion de signature s'améliore au fil du temps. Chaque document traité fournit des données de formation pour le suivant.
Utilisation de l'édition d'images pour pré-nettoyer les zones de signature
Avant l'OCR, ouvrez la page numérisée dans un éditeur d'images. Peignez la zone de signature avec du blanc à l’aide d’un outil pinceau. Enregistrez l'image nettoyée. Exécutez l'OCR sur l'image nettoyée. La zone de signature est désormais vide et ne produit aucun artefact OCR. Cette méthode est plus fiable que l’exclusion basée sur une zone car elle supprime physiquement les pixels de signature.
L’approche de pré-nettoyage Scanned PDF garantit l’exclusion des signatures. La signature est supprimée de l'image avant que l'OCR ne la voie. Il n’y a rien que le moteur OCR puisse mal interpréter.
Comparaison de la sortie OCR avec et sans exclusion de signature
Exécutez l'OCR sur la même page deux fois : une fois avec exclusion de signature et une fois sans. Comparez la sortie de texte. La version sans exclusion aura des caractères tronqués dans la zone de signature. La version avec exclusion sera propre. La comparaison démontre l'importance de la gestion des signatures et identifie tout autre domaine dans lequel le moteur OCR a connu des difficultés.
La méthode de comparaison OCR PDF est un diagnostic de qualité. Il révèle non seulement les artefacts de signature, mais également d’autres problèmes de reconnaissance qui autrement pourraient passer inaperçus.
Automatisation de la détection des signatures pour le traitement par lots
Pour les grands lots de documents signés, l’exclusion manuelle de la signature par page n’est pas pratique. Utilisez des scripts de traitement d'image qui détectent les motifs de type signature en fonction de la densité des pixels, de la largeur du trait et de la position sur la page, et les masquent automatiquement avant l'OCR. L'automatisation gère le travail répétitif d'identification et de masquage des signatures.
L'exclusion de signatures par lots de formulaires PDF via l'automatisation est appropriée pour le traitement de documents volumineux où les méthodes manuelles ne peuvent pas évoluer.
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.