OCR-engines zijn voornamelijk ontworpen voor talen van links naar rechts. Engels, Frans, Spaans, Duits. De tekst loopt van links naar rechts. De karakterherkenningsmodellen zijn getraind in het Latijnse schrift. Wanneer u OCR uitvoert op een PDF die is geschreven in het Arabisch, Hebreeuws, Urdu of Perzisch, komt de engine tekst tegen die van rechts naar links loopt, geschreven in een script dat niet in de eerste plaats werd herkend. Het resultaat is een onleesbare uitvoer: tekens worden in de verkeerde volgorde herkend, woorden achterstevoren gespeld en diakritische tekens zijn verkeerd geplaatst of ontbreken geheel.
Voor OCR op PDF's van rechts naar links is een OCR-engine vereist die expliciet RTL-scripts ondersteunt. De engine moet Arabische, Hebreeuwse of andere RTL-tekens herkennen, de juiste tekenvolgorde behouden en omgaan met de diakritische tekens die essentieel zijn voor de betekenis in deze talen. In deze handleiding wordt beschreven hoe u de juiste engine selecteert en configureert voor nauwkeurige RTL OCR.
De OCR PDF-uitdaging met RTL-talen is fundamenteel anders dan LTR-talen. De tekstrichting, tekenset en diakritische behandeling vereisen allemaal specifieke ondersteuning.
Een RTL-compatibele OCR-engine selecteren
| Motortype | RTL-ondersteuning | Beste voor |
|---|---|---|
| OCR voor algemeen gebruik | Beperkt of geen. Herkent mogelijk individuele Arabische karakters, maar behoudt niet de juiste woordvolgorde van rechts naar links | Niet aanbevolen voor RTL-documenten. De uitvoer vereist uitgebreide handmatige correctie |
| Meertalige OCR met RTL-ondersteuning | Ondersteunt Arabische, Hebreeuwse en andere RTL-scripts als secundaire talen. Verwerkt de tekstrichting correct wanneer de taal is opgegeven | Gemengde documenten waarin RTL-tekst naast LTR-tekst verschijnt |
| RTL-gespecialiseerde OCR | Speciaal gebouwd voor Arabische of Hebreeuwse OCR. Hoogste nauwkeurigheid voor de doeltaal. Gaat correct om met diakritische tekens en ligaturen | Documenten geheel of grotendeels in één RTL-taal |
Taalinstellingen configureren voor RTL OCR
Selecteer de specifieke RTL-taal in de OCR-engine-instellingen. Vertrouw niet op automatische detectie, waardoor RTL-tekst ten onrechte als een ander script kan worden geïdentificeerd. Als het document zowel RTL- als LTR-tekst bevat, specificeert u beide talen en laat u de engine de taal op tekstblokniveau detecteren. De taalinstelling bepaalt welk karaktermodel de engine gebruikt.
WukongPDF OCR-tools ondersteunen meerdere talen. Bij RTL-documenten dient u de taal expliciet op te geven. De Gescande PDF met RTL-inhoud vereist een correcte taalconfiguratie voor bruikbare resultaten.
RTL OCR-uitvoer verifiëren
Na OCR verifieert u de uitvoer door een voorbeeldparagraaf te lezen. De tekst moet van rechts naar links lopen. Woorden moeten correct worden gespeld met diakritische tekens op de juiste posities. Zoek naar een bekend woord in het document om te bevestigen dat het is herkend. Als de uitvoer onleesbaar is, controleert u de taalinstellingen en verwerkt u deze opnieuw.
De workflow Translate PDF voor RTL-documenten vereist nauwkeurige OCR als eerste stap. De vertaalkwaliteit is afhankelijk van de OCR-kwaliteit.
Gemengde RTL- en LTR-tekst op dezelfde pagina verwerken
Voor documenten met zowel Arabische als Engelse tekst op dezelfde pagina is de OCR-engine vereist om taal op tekstblokniveau te detecteren. Elk blok wordt verwerkt met het juiste taalmodel. De uitvoer behoudt voor elk blok de juiste tekstrichting.
De OCR PDF detectie in gemengde richtingen moet werken op alinea- of tekstblokniveau, niet op paginaniveau. Een taalinstelling op paginaniveau zal voor de helft van de inhoud onjuist zijn.
Diakritische tekens behouden tijdens RTL OCR
Arabische en Hebreeuwse diakritische tekens zijn kleine punten en streken boven, onder of binnen tekens. Ze zijn essentieel voor de betekenis. Een OCR-engine die het basisteken herkent maar het diakritische teken mist, produceert tekst die verkeerd gespeld is. Controleer de diakritische nauwkeurigheid in de OCR-uitvoer.
De diakritische verificatie Scanned PDF voor RTL-talen controleert of elk teken aanwezig is. Een ontbrekend diakritisch teken verandert het woord.
Post-OCR-bewerking voor RTL-tekstrichting
Zelfs met correcte OCR moet de tekstrichting in het uitvoerbestand mogelijk worden aangepast. Sommige teksteditors geven RTL-tekst verkeerd weer, zelfs als de tekens correct zijn. Controleer de tekstrichting in de doeltoepassing en pas deze indien nodig aan.
De bewerkingsstap Translate PDF RTL bevestigt dat de tekst in de juiste richting loopt voor de doeltaal.
Aangepaste OCR-modellen trainen voor specifieke RTL-scripts
Voor organisaties die grote hoeveelheden RTL-documenten verwerken, produceren aangepaste OCR-modellen die zijn getraind op het specifieke script en documenttype een hogere nauwkeurigheid dan algemene machines. De opleidingsinvestering betaalt zich terug in een kortere correctietijd.
Het aangepaste model OCR PDF voor RTL-scripts is geschikt voor terugkerende documenttypen met grote volumes.
Omgaan met bidirectionele tekst in OCR-uitvoer
Wanneer RTL-tekst ingebedde LTR-elementen bevat, zoals Engelse technische termen in Arabische zinnen, moet de OCR-uitvoer de juiste bidirectionele volgorde behouden. Controleer of de ingesloten LTR-tekst correct wordt gelezen binnen de RTL-stroom.
De bidirectionele tekstverificatie Gescande PDF controleert of de taalwisseling binnen zinnen correct wordt afgehandeld.
Native RTL-applicaties gebruiken voor OCR-verificatie
Controleer de OCR-uitvoer met een applicatie die is ontworpen voor de RTL-taal. Een tekstverwerker met Arabische of Hebreeuwse ondersteuning geeft de tekst correct weer en maakt bewerking in de moedertaal mogelijk.
De Translate PDF RTL-verificatie in native applicaties spoort fouten op die LTR-applicaties mogelijk niet weergeven.
Bouwen aan een RTL OCR-kwaliteitsbaseline
Verwerk een voorbeelddocument via de OCR-pijplijn en meet de nauwkeurigheid. Gebruik deze meting als basislijn. Wanneer u OCR-engines of instellingen wijzigt, vergelijkt u de nieuwe nauwkeurigheid met de basislijn.
De PDF Tools RTL OCR-baseline maakt datagestuurde kwaliteitsverbetering in de loop van de tijd mogelijk.
Omgaan met ligaturen in OCR in Arabisch schrift
Het Arabische schrift maakt gebruik van ligaturen, waarbij twee of meer tekens worden gecombineerd tot één glyph. De OCR-engine moet ligaturen herkennen en deze aan de juiste tekenreeks toewijzen. Onjuiste ligatuurherkenning levert verkeerd gespelde woorden op, zelfs als individuele tekens correct zijn.
De ligatuurverwerking van OCR PDF voor Arabisch is een gespecialiseerde mogelijkheid. OCR-engines voor algemene doeleinden ondersteunen dit mogelijk niet.
OCR voor Urdu en Perzische scriptvarianten
Urdu en Perzisch gebruiken het Arabische schrift met extra tekens. Een OCR-engine die voor Arabisch is geconfigureerd, herkent geen Urdu-specifieke of Perzisch-specifieke tekens. Selecteer de exacte taal, niet alleen de scriptfamilie.
De taalkeuze van Gescande PDF voor scriptvarianten moet nauwkeurig zijn. Arabische OCR-instellingen verwerken Urdu-documenten niet correct.
RTL OCR verifiëren met Native Speaker Review
Machine-OCR van RTL-tekst vereist altijd menselijke verificatie voor kritische documenten. Een moedertaalspreker leest de OCR-uitvoer en vergelijkt deze met het origineel. De menselijke recensent ontdekt fouten die geautomatiseerde nauwkeurigheidsstatistieken over het hoofd zien.
De Translate PDF native speaker-recensie voor RTL OCR is de kwaliteitspoort tussen acceptabele en onbetrouwbare uitvoer.
Omgaan met gemengde Arabische en Hindi cijfers
Arabische documenten kunnen zowel Arabische cijfers (٠١٢٣٤٥٦٧٨٩) als Hindi cijfers (0123456789) gebruiken, soms op dezelfde pagina. De OCR-engine moet beide cijfersystemen correct herkennen en de originele cijfers behouden.
De OCR PDF tweecijferige herkenning voor Arabische documenten vereist een engine die beide cijfersystemen verwerkt.
OCR voor historische RTL-documenten
Historische documenten in RTL-talen kunnen oudere scriptvarianten, niet-standaard tekenvormen of een verminderde afdrukkwaliteit gebruiken. Algemene OCR-engines die zijn getraind op moderne gedrukte tekst zullen het moeilijk hebben. Gespecialiseerde historische OCR-modellen of handmatige transcriptie kunnen noodzakelijk zijn.
De Gescande PDF historische RTL-documentuitdaging is nauwkeurigheid. Accepteer een lagere OCR-nauwkeurigheid en budget meer tijd voor handmatige correctie.