Un contratto firmato viene scansionato in PDF. La firma in fondo alla pagina fa parte dell'immagine della pagina, proprio come il testo stampato sopra di essa. Quando esegui l'OCR su questo documento scansionato, il motore OCR elabora l'intera pagina. Riconosce il testo stampato e lo aggiunge al livello di testo ricercabile. Si incontra anche la firma autografa. Il motore non sa che la firma non è testo. Tenta di riconoscere i cicli, le curve e i tratti come caratteri. Il risultato è incomprensibile nel livello di testo: lettere casuali, simboli e punti interrogativi incorporati nel documento in cui appare la firma.
L'OCR sui documenti scansionati contenenti firme richiede di trattare le firme come elementi non di testo. Il motore OCR dovrebbe ignorare completamente l'area della firma oppure riconoscerla come immagine e saltarla. Questa guida spiega come evitare che le firme vengano interpretate erroneamente come testo e come ripulire l'output OCR quando le firme sono già state elaborate.
Il problema OCR PDF con le firme è che occupano uno spazio visivo sulla pagina che il motore OCR tenterà di interpretare. Per evitare ciò è necessaria la pre-elaborazione o l'OCR selettivo.
Metodi per la gestione delle firme durante l'OCR
| Metodo | Come funziona | Ideale per |
|---|---|---|
| OCR selettivo con esclusione della firma | Definire le zone OCR che escludono l'area della firma. La firma non viene elaborata. Vengono riconosciute solo le aree di testo | Documenti in cui la posizione della firma è prevedibile, in genere in fondo all'ultima pagina |
| Pulizia della firma post-OCR | Esegui l'OCR sull'intera pagina. Dopo l'elaborazione, cerca ed elimina il testo senza senso generato dalla firma | Documenti che sono già stati sottoposti a OCR o per cui l'esclusione basata sulla zona non è disponibile |
| Preelaborazione delle immagini per mascherare le firme | Prima dell'OCR, dipingi digitalmente sull'area della firma con il bianco. Il motore OCR vede uno spazio vuoto e non produce testo | Documenti in cui l'esclusione della firma è fondamentale e la pulizia post-elaborazione è insufficiente |
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.
Ripulire gli artefatti OCR della firma
Se l'OCR ha già elaborato la firma, cercare il testo riconosciuto per l'area della firma. Cerca gruppi di caratteri casuali, sequenze di caratteri insolite o testo che non forma parole. Elimina questi frammenti. L'area della firma nel livello di testo dovrebbe essere vuota. La firma visiva rimane nell'immagine della pagina. Il livello testo dovrebbe contenere solo il testo effettivo del documento.
WukongPDF Gli strumenti OCR elaborano i documenti scansionati. Il PDF scansionato con firme deve essere rivisto dopo l'OCR per rimuovere gli artefatti della firma dal livello di testo.
Verifica dell'output OCR pulito
Dopo la pulizia, cerca nel documento gli artefatti OCR comuni dalle firme: lettere maiuscole casuali in sequenza, caratteri ripetuti o stringhe di segni di punteggiatura. Se la ricerca ne trova qualcuno, esaminali e rimuovili. Il livello di testo dovrebbe contenere solo il contenuto del documento. L'area della firma Firma PDF non deve contribuire al testo ricercabile.
Un documento sottoposto correttamente a OCR con esclusione della firma ha un livello di testo pulito. Il contenuto stampato è ricercabile. La firma è visibile ma non rappresentata nel testo. Questo è il comportamento corretto.
Utilizzo della selezione della zona OCR per escludere le firme
Alcuni strumenti OCR consentono di disegnare rettangoli attorno ad aree di testo prima dell'elaborazione. Il motore OCR elabora solo le aree all'interno dei rettangoli. Disegna rettangoli attorno a tutto il contenuto del testo e lascia l'area della firma deselezionata. La firma è completamente esclusa dall'OCR.
L'approccio basato su zone OCR PDF è il metodo più affidabile per l'esclusione della firma. L'area della firma non viene mai inviata al motore di riconoscimento.
Addestrare i motori OCR a riconoscere i modelli di firma
I sistemi OCR avanzati possono essere addestrati per identificare modelli simili a firme e saltarli automaticamente. La formazione prevede la marcatura di esempi di firme in documenti campione. Il motore apprende le caratteristiche visive delle firme ed esclude modelli simili dalle future esecuzioni OCR.
L'approccio di apprendimento automatico PDF scansionato all'esclusione delle firme migliora nel tempo. Ogni documento elaborato fornisce dati di addestramento per il successivo.
Utilizzo della modifica delle immagini per pre-pulire le aree della firma
Prima dell'OCR, apri la pagina scansionata in un editor di immagini. Dipingi sopra l'area della firma con il bianco usando uno strumento pennello. Salva l'immagine pulita. Esegui l'OCR sull'immagine pulita. L'area della firma ora è vuota e non produce artefatti OCR. Questo metodo è più affidabile dell'esclusione basata su zone perché rimuove fisicamente i pixel della firma.
L'approccio di pre-pulizia PDF scansionato garantisce l'esclusione della firma. La firma viene rimossa dall'immagine prima che l'OCR la veda. Non c'è nulla che il motore OCR possa interpretare erroneamente.
Confronto dell'output OCR con e senza esclusione della firma
Esegui l'OCR sulla stessa pagina due volte: una volta con l'esclusione della firma e una volta senza. Confronta l'output del testo. La versione senza esclusione avrà caratteri confusi nell'area della firma. La versione con esclusione sarà pulita. Il confronto dimostra l'importanza della gestione delle firme e identifica eventuali altre aree in cui il motore OCR ha avuto difficoltà.
Il metodo di confronto OCR PDF è una diagnostica di qualità. Rivela non solo gli artefatti della firma ma anche altri problemi di riconoscimento che altrimenti potrebbero passare inosservati.
Automatizzazione del rilevamento della firma per l'elaborazione batch
Per grandi lotti di documenti firmati, l'esclusione della firma manuale per pagina non è pratica. Utilizza script di elaborazione delle immagini che rilevano modelli simili a firme in base alla densità dei pixel, alla larghezza del tratto e alla posizione sulla pagina e li mascherano automaticamente prima dell'OCR. L'automazione gestisce il lavoro ripetitivo di identificazione e mascheramento delle firme.
L'esclusione della firma in batch dei moduli PDF tramite l'automazione è appropriata per l'elaborazione di documenti di grandi volumi in cui i metodi manuali non possono essere scalati.
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.