Podpisana umowa jest skanowana do formatu PDF. Podpis na dole strony jest częścią obrazu strony, podobnie jak wydrukowany tekst nad nim. Po uruchomieniu OCR na zeskanowanym dokumencie silnik OCR przetworzy całą stronę. Rozpoznaje wydrukowany tekst i dodaje go do przeszukiwalnej warstwy tekstowej. Spotyka się także z odręcznym podpisem. Silnik nie wie, że podpis nie jest tekstem. Próbuje rozpoznać pętle, krzywe i obrysy jako znaki. Rezultatem jest bełkot w warstwie tekstowej: przypadkowe litery, symbole i znaki zapytania osadzone w dokumencie, w którym pojawia się podpis.
OCR na zeskanowanych dokumentach zawierających podpisy wymaga traktowania podpisów jako elementów nietekstowych. Silnik OCR powinien albo całkowicie zignorować obszar podpisu, albo rozpoznać go jako obraz i pominąć. W tym przewodniku opisano, jak zapobiegać błędnemu odczytaniu podpisów jako tekstu oraz jak wyczyścić dane wyjściowe OCR, gdy podpisy zostały już przetworzone.
Wyzwanie OCR PDF związane z podpisami polega na tym, że zajmują one wizualną przestrzeń na stronie, którą silnik OCR będzie próbował zinterpretować. Aby temu zapobiec, konieczne jest wstępne przetwarzanie lub selektywny OCR.
Metody obsługi podpisów podczas OCR
| Metoda | Jak to działa | Najlepsze dla |
|---|---|---|
| Selektywny OCR z wykluczeniem podpisu | Zdefiniuj strefy OCR wykluczające obszar podpisu. Podpis nie jest przetwarzany. Rozpoznawane są tylko obszary tekstowe | Dokumenty, w których miejsce podpisu jest przewidywalne, zazwyczaj na dole ostatniej strony |
| Czyszczenie podpisów po OCR | Uruchom OCR na całej stronie. Po przetworzeniu wyszukaj i usuń bełkotliwy tekst wygenerowany przez podpis | Dokumenty, które zostały już poddane OCR lub w przypadku których wykluczenie na podstawie strefy nie jest dostępne |
| Wstępne przetwarzanie obrazu w celu zamaskowania podpisów | Przed OCR pomaluj cyfrowo obszar podpisu na biało. Silnik OCR widzi pustą przestrzeń i nie generuje tekstu | Dokumenty, w których wykluczenie podpisów ma kluczowe znaczenie, a czyszczenie po przetworzeniu jest niewystarczające |
Usuwanie artefaktów OCR podpisu
Jeżeli OCR przetworzył już podpis, wyszukaj obszar podpisu w rozpoznanym tekście. Poszukaj skupisk losowych znaków, nietypowych sekwencji znaków lub tekstu, który nie tworzy słów. Usuń te fragmenty. Obszar podpisu w warstwie tekstowej powinien być pusty. Podpis wizualny pozostaje w obrazie strony. Warstwa tekstowa powinna zawierać wyłącznie rzeczywisty tekst dokumentu.
WukongPDF Narzędzia OCR przetwarzają zeskanowane dokumenty. Zeskanowany plik PDF z podpisami należy sprawdzić po OCR, aby usunąć artefakty podpisu z warstwy tekstowej.
Sprawdzanie oczyszczonego wyniku OCR
Po wyczyszczeniu przeszukaj dokument pod kątem typowych artefaktów OCR wynikających z podpisów: losowych wielkich liter w sekwencji, powtarzających się znaków lub ciągów znaków interpunkcyjnych. Jeśli wyszukiwanie coś znajdzie, przejrzyj je i usuń. Warstwa tekstowa powinna zawierać wyłącznie treść dokumentu. Obszar podpisu Podpisz PDF nie powinien wnosić żadnego wkładu do tekstu, który można przeszukiwać.
Prawidłowo przetworzony dokument OCR z wykluczeniem podpisu ma warstwę czystego tekstu. Wydrukowaną treść można przeszukiwać. Podpis jest widoczny, ale nie jest przedstawiony w tekście. To jest prawidłowe zachowanie.
Korzystanie z wyboru strefy OCR w celu wykluczenia podpisów
Niektóre narzędzia OCR umożliwiają rysowanie prostokątów wokół obszarów tekstowych przed przetworzeniem. Silnik OCR przetwarza tylko obszary znajdujące się wewnątrz prostokątów. Narysuj prostokąty wokół całej zawartości tekstowej i pozostaw obszar podpisu niezaznaczony. Podpis jest całkowicie wyłączony z OCR.
Podejście oparte na strefach OCR PDF jest najbardziej niezawodną metodą wykluczania podpisów. Obszar podpisu nigdy nie jest przesyłany do mechanizmu rozpoznawania.
Szkolenie silników OCR w zakresie rozpoznawania wzorców podpisów
Zaawansowane systemy OCR można przeszkolić w zakresie identyfikowania wzorców przypominających sygnatury i automatycznego ich pomijania. Szkolenie polega na zaznaczaniu przykładów podpisów w przykładowych dokumentach. Silnik uczy się cech wizualnych podpisów i wyklucza podobne wzorce z przyszłych przebiegów OCR.
Podejście do uczenia maszynowego Skanowany plik PDF do wykluczania podpisów jest z biegiem czasu ulepszane. Każdy przetworzony dokument dostarcza danych szkoleniowych do następnego.
Korzystanie z edycji obrazu w celu wstępnego oczyszczenia obszarów podpisu
Przed OCR otwórz zeskanowaną stronę w edytorze obrazów. Pomaluj obszar podpisu na biało za pomocą pędzla. Zapisz oczyszczony obraz. Uruchom OCR na oczyszczonym obrazie. Obszar podpisu jest teraz pusty i nie powoduje żadnych artefaktów OCR. Ta metoda jest bardziej niezawodna niż wykluczanie oparte na strefach, ponieważ fizycznie usuwa piksele podpisu.
Metoda wstępnego czyszczenia Skanowany plik PDF gwarantuje wykluczenie podpisu. Podpis jest usuwany z obrazu, zanim zostanie rozpoznany przez OCR. Silnik OCR nie ma niczego, co mógłby błędnie zinterpretować.
Porównanie wyników OCR z wykluczeniem podpisu i bez niego
Uruchom OCR na tej samej stronie dwa razy: raz z wykluczeniem podpisu i raz bez. Porównaj wynik tekstowy. Wersja bez wykluczeń będzie miała zniekształcone znaki w obszarze podpisu. Wersja z wykluczeniami będzie czysta. Porównanie pokazuje znaczenie obsługi podpisów i identyfikuje inne obszary, w których silnik OCR miał problemy.
Metoda porównawcza OCR PDF służy do diagnostyki jakości. Ujawnia nie tylko artefakty podpisu, ale także inne problemy z rozpoznawaniem, które w innym przypadku mogłyby pozostać niezauważone.
Automatyzacja wykrywania podpisów przy przetwarzaniu wsadowym
W przypadku dużych partii podpisanych dokumentów ręczne wykluczanie podpisów na stronie jest niepraktyczne. Użyj skryptów do przetwarzania obrazu, które wykrywają wzorce przypominające sygnatury na podstawie gęstości pikseli, szerokości obrysu i położenia na stronie, a następnie automatycznie maskują je przed OCR. Automatyka obsługuje powtarzalną pracę identyfikacji i maskowania podpisów.
Wyłączenie podpisu wsadowego formularzy PDF poprzez automatyzację jest odpowiednie w przypadku przetwarzania dokumentów o dużej objętości, gdzie nie można skalować metod ręcznych.