U hebt een gescand document en u wilt de tekst eruit halen. Twee opties: voer het door een OCR-tool of typ het zelf opnieuw. Het instinct is meestal om direct voor OCR te gaan: het is sneller, het is geautomatiseerd en het klinkt als de duidelijk juiste keuze. Maar OCR is niet altijd het juiste antwoord, en handmatig overtypen is niet altijd het verkeerde antwoord. De beste keuze hangt af van hoe het document eruit ziet en wat u met de uitvoer moet doen.
Wat OCR feitelijk doet – en waar het tekortschiet
OCR (Optical Character Recognition) analyseert een afbeelding pixel voor pixel, identificeert vormen die overeenkomen met bekende tekenpatronen en zet deze om in tekst. Moderne OCR is echt indrukwekkend: het verwerkt meerdere lettertypen, gemengde talen en een redelijke scankwaliteit met hoge nauwkeurigheid. De tool OCR PDF van WukongPDF op www.wukongpdf.com verwerkt gescande documenten en retourneert doorzoekbare, selecteerbare tekst zonder handmatige invoer.
Maar de OCR-nauwkeurigheid is niet 100%, en de kloof met perfectie is afhankelijk van de gebruikssituatie. Een document met een nauwkeurigheid van 99% klinkt goed, totdat je je realiseert dat dat in een document van 1000 woorden nog steeds tien fouten zijn; fouten die je misschien niet tegenkomt tenzij je de volledige uitvoer proefleest aan de hand van het origineel. Voor een juridisch contract, een financieel rapport of elk ander document waarbij nauwkeurigheid van belang is, zijn deze fouten niet acceptabel zonder beoordeling.
Wanneer OCR de duidelijke winnaar is
Volume is waar OCR geen concurrentie heeft. Als u tien pagina's, vijftig pagina's of vijfhonderd pagina's moet digitaliseren, is overtypen eenvoudigweg geen haalbare optie. OCR verwerkt pagina's in seconden, ongeacht de lengte. Het tijdsvoordeel is zo groot dat OCR, zelfs als je een volledige proefleesbeurt goedkeurt, nog steeds met een ruime marge wint.
OCR is ook zinvol wanneer:
- Het primaire doel is doorzoekbaarheid in plaats van perfecte nauwkeurigheid, bijvoorbeeld door een archief van oude documenten vindbaar te maken op trefwoord
- Het document is helder, goed belicht en getypt in een standaardlettertype: omstandigheden waarbij de OCR-nauwkeurigheid het hoogst is
- U wilt dat de documentstructuur behouden blijft (koppen, alinea's, kolommen) in plaats van alleen de onbewerkte tekst
Wanneer handmatig overtypen eigenlijk beter is
Opnieuw typen heeft één beslissend voordeel ten opzichte van OCR: de uitvoer is precies wat u typt. Er zijn geen herkenningsfouten, geen karaktervervangingen, geen verminkte lijnen van een vlekkerige scan. Als u gegarandeerde nauwkeurigheid nodig heeft en het document kort is, is overtypen vaak sneller dan het uitvoeren van OCR en het proeflezen van het resultaat.
Handmatig overtypen heeft de neiging te winnen wanneer:
- Het document is kort (een enkele pagina of minder) en u hebt er alleen specifieke informatie uit nodig, niet de volledige tekst
- De scankwaliteit is slecht: handgeschreven notities, vervaagde inkt, ongebruikelijke lettertypen of zware achtergrondgeluiden zullen de meeste OCR-engines verslaan en uitvoer produceren die meer correctie nodig heeft dan opnieuw typen zou hebben gekost
- De inhoud bestaat voornamelijk uit cijfers, codes of ID's waarbij één verkeerd teken een aanzienlijke fout veroorzaakt: serienummers, rekeningnummers, referentiecodes
- Je formatteert gaandeweg opnieuw en herstructureert de inhoud voor een ander doel, en haalt deze niet alleen letterlijk uit de tekst
De aanpak waar de meeste mensen niet aan denken: OCR en vervolgens een steekproefsgewijze controle
Voor documenten van middellange lengte waarbij nauwkeurigheid van belang is, is de meest efficiënte workflow vaak een combinatie: voer OCR uit om het grootste deel van de tekst te krijgen en controleer vervolgens de secties die waarschijnlijk fouten bevatten in plaats van alles te proeflezen.
OCR-fouten stapelen zich op voorspelbare plaatsen op: gebieden waar de scan enigszins wazig is, secties met ongebruikelijke opmaak, passages met getallen die door de tekst zijn gemengd en alles in de buurt van de randen van de pagina waar de scan mogelijk enigszins scheef is geweest. Controleer deze gebieden zorgvuldig en schuim de rest af. Met deze hybride aanpak profiteert u van het grootste snelheidsvoordeel van OCR, met een aanzienlijk grotere nauwkeurigheid dan wanneer u de onbewerkte uitvoer ongecontroleerd accepteert.
Voor de meeste mensen die met gescande documenten werken, kan OCR de taak zo goed uitvoeren dat handmatig overtypen zelden de betere optie is. De uitzondering vormen korte documenten die van cruciaal belang zijn voor de nauwkeurigheid of documenten van slechte kwaliteit – en in die gevallen is het de moeite waard om te erkennen dat de "snellere" geautomatiseerde optie is niet altijd sneller als de beoordelingstijd wordt meegerekend.
De beslissing in één zin
Gebruik OCR PDF voor alles wat langer is dan een pagina, alles waarbij doorzoekbaarheid het doel is, of alles met een schone scan. Typ opnieuw als het document kort is, de scan slecht is of als u foutloze nauwkeurigheid voor specifieke waarden nodig heeft. Probeer bij twijfel eerst OCR. Als de uitvoer er schoon uitziet, bent u klaar; als er zware correctie nodig is, verander dan van aanpak.