Een ondertekend contract wordt gescand naar PDF. De handtekening onderaan de pagina maakt deel uit van de paginaafbeelding, net als de afgedrukte tekst erboven. Wanneer u OCR uitvoert op dit gescande document, verwerkt de OCR-engine de hele pagina. Het herkent de afgedrukte tekst en voegt deze toe aan de doorzoekbare tekstlaag. Het komt ook de handgeschreven handtekening tegen. De engine weet niet dat de handtekening geen tekst is. Het probeert de lussen, rondingen en streken als karakters te herkennen. Het resultaat is onzin in de tekstlaag: willekeurige letters, symbolen en vraagtekens ingebed in het document waar de handtekening verschijnt.
OCR op gescande documenten die handtekeningen bevatten, vereist dat handtekeningen worden behandeld als niet-tekstuele elementen. De OCR-engine moet het handtekeninggebied geheel negeren of het als een afbeelding herkennen en overslaan. In deze handleiding wordt beschreven hoe u kunt voorkomen dat handtekeningen verkeerd worden gelezen als tekst en hoe u de OCR-uitvoer kunt opschonen wanneer handtekeningen al zijn verwerkt.
De OCR PDF-uitdaging met handtekeningen is dat ze een visuele ruimte op de pagina innemen die de OCR-engine zal proberen te interpreteren. Om dit te voorkomen is voorbewerking of selectieve OCR nodig.
Methoden voor het verwerken van handtekeningen tijdens OCR
| Methode | Hoe het werkt | Beste voor |
|---|---|---|
| Selectieve OCR met uitsluiting van handtekeningen | Definieer OCR-zones die het handtekeninggebied uitsluiten. De handtekening wordt niet verwerkt. Alleen de tekstgebieden worden herkend | Documenten waarbij de handtekeninglocatie voorspelbaar is, meestal onderaan de laatste pagina |
| Opschoning van handtekeningen na OCR | Voer OCR uit op de hele pagina. Na verwerking zoekt en verwijdert u de wartaaltekst die door de handtekening is gegenereerd | Documenten die al zijn geOCRed of waarvoor zonegebaseerde uitsluiting niet beschikbaar is |
| Beeldvoorbewerking om handtekeningen te maskeren | Schilder vóór OCR het handtekeninggebied digitaal met wit. De OCR-engine ziet een lege ruimte en produceert geen tekst | Documenten waarbij het uitsluiten van handtekeningen van cruciaal belang is en het opschonen van de nabewerking onvoldoende is |
Handtekening OCR-artefacten opruimen
Als de OCR de handtekening al heeft verwerkt, zoekt u in de herkende tekst naar het handtekeninggebied. Zoek naar clusters van willekeurige tekens, ongebruikelijke tekenreeksen of tekst die geen woorden vormt. Verwijder deze fragmenten. Het handtekeninggebied in de tekstlaag moet leeg zijn. De visuele handtekening blijft in de paginaafbeelding. De tekstlaag mag alleen de daadwerkelijke documenttekst bevatten.
WukongPDF OCR-tools verwerken gescande documenten. De Gescande PDF met handtekeningen moet na OCR worden beoordeeld om handtekeningartefacten uit de tekstlaag te verwijderen.
De opgeschoonde OCR-uitvoer verifiëren
Na het opschonen zoekt u in het document naar algemene OCR-artefacten uit handtekeningen: willekeurige hoofdletters in volgorde, herhaalde tekens of reeksen leestekens. Als de zoekopdracht er een vindt, bekijk en verwijder deze dan. De tekstlaag mag alleen de documentinhoud bevatten. Het handtekeninggebied Sign PDF mag niets bijdragen aan de doorzoekbare tekst.
Een correct OCR-document met uitsluiting van handtekeningen heeft een schone tekstlaag. De afgedrukte inhoud is doorzoekbaar. De handtekening is zichtbaar maar niet weergegeven in de tekst. Dit is het juiste gedrag.
OCR-zoneselectie gebruiken om handtekeningen uit te sluiten
Met sommige OCR-hulpmiddelen kunt u rechthoeken rond tekstgebieden tekenen voordat u deze verwerkt. De OCR-engine verwerkt alleen de gebieden binnen de rechthoeken. Teken rechthoeken rond alle tekstinhoud en laat het handtekeninggebied ongeselecteerd. De handtekening wordt volledig uitgesloten van OCR.
De zonegebaseerde aanpak OCR PDF is de meest betrouwbare methode voor het uitsluiten van handtekeningen. Het handtekeninggebied wordt nooit ingediend bij de herkenningsengine.
OCR-engines trainen om handtekeningpatronen te herkennen
Geavanceerde OCR-systemen kunnen worden getraind om handtekeningachtige patronen te identificeren en deze automatisch over te slaan. De training omvat het markeren van voorbeelden van handtekeningen in voorbeelddocumenten. De engine leert de visuele kenmerken van handtekeningen kennen en sluit vergelijkbare patronen uit van toekomstige OCR-runs.
De machine learning-benadering van Scanned PDF voor het uitsluiten van handtekeningen verbetert in de loop van de tijd. Elk verwerkt document levert trainingsgegevens op voor het volgende document.
Beeldbewerking gebruiken om handtekeninggebieden vooraf schoon te maken
Open vóór OCR de gescande pagina in een afbeeldingseditor. Verf het handtekeninggebied met wit met behulp van een penseel. Sla de schoongemaakte afbeelding op. Voer OCR uit op de opgeschoonde afbeelding. Het handtekeninggebied is nu leeg en produceert geen OCR-artefacten. Deze methode is betrouwbaarder dan op zones gebaseerde uitsluiting, omdat de handtekeningpixels fysiek worden verwijderd.
De Gescande PDF-aanpak voor het opschonen garandeert de uitsluiting van handtekeningen. De handtekening wordt uit de afbeelding verwijderd voordat OCR deze ziet. De OCR-engine kan niets verkeerd interpreteren.
OCR-uitvoer vergelijken met en zonder handtekeninguitsluiting
Voer OCR twee keer uit op dezelfde pagina: één keer met uitsluiting van handtekeningen en één keer zonder. Vergelijk de tekstuitvoer. De versie zonder uitsluiting bevat verminkte tekens in het handtekeninggebied. De versie met uitsluiting zal schoon zijn. De vergelijking toont het belang aan van de afhandeling van handtekeningen en identificeert andere gebieden waar de OCR-engine moeite had.
De vergelijkingsmethode OCR PDF is een kwaliteitsdiagnostiek. Het onthult niet alleen de kenmerkende artefacten, maar ook andere herkenningsproblemen die anders onopgemerkt zouden blijven.
Automatisering van handtekeningdetectie voor batchverwerking
Voor grote hoeveelheden ondertekende documenten is het handmatig uitsluiten van handtekeningen per pagina onpraktisch. Gebruik beeldverwerkingsscripts die handtekeningachtige patronen detecteren op basis van pixeldichtheid, streekbreedte en positie op de pagina, en deze automatisch maskeren vóór OCR. De automatisering verzorgt het repetitieve werk van het identificeren en maskeren van handtekeningen.
De uitsluiting van batchhandtekeningen in PDF-formulieren door middel van automatisering is geschikt voor de verwerking van grote hoeveelheden documenten waarbij handmatige methoden niet kunnen worden geschaald.