របៀបស្រង់អត្ថបទពីរូបភាពដោយ OCR ឥតគិតថ្លៃ (រួមទាំងអក្សរខ្មែរ)
ដើម្បីស្រង់អត្ថបទពីរូបភាព អ្នកត្រូវការ OCR (ការស្គាល់តួអក្សរដោយអុបទិក)៖ កម្មវិធីដែលស្គាល់អក្សរក្នុងរូបភាព ហើយប្តូរវាទៅជាអត្ថបទដែលអាចចម្លងបាន។ ToolOrca មានឧបករណ៍ OCR ឥតគិតថ្លៃបីដែលធ្វើការងារនេះក្នុងកម្មវិធីរុករករបស់អ្នក៖ OCR ខ្មែរ សម្រាប់ឯកសារខ្មែរ រូបភាពទៅជាអក្សរ សម្រាប់ ២០ ភាសា និង OCR សម្រាប់ PDF សម្រាប់ PDF ស្កេន។ ពួកវាប្រើ Tesseract 5 ដែលជាម៉ាស៊ីន OCR កូដចំហដ៏ពេញនិយម អានអក្សរខ្មែររួមជាមួយអង់គ្លេសតាមលំនាំដើម ហើយមិនផ្ទុកឯកសាររបស់អ្នកឡើងទេ លុះត្រាតែអ្នកជ្រើសជម្រើសម៉ាស៊ីនមេ។
លើរូបភាពច្បាស់ ក្នុងការតេស្តរបស់យើង តួអក្សរប្រហែល ៩៨–៩៩% ត្រឹមត្រូវ។ មគ្គុទ្ទេសក៍នេះបង្ហាញពីរបៀបទទួលបានលទ្ធផលបែបនោះ និងរបៀបពិនិត្យ និងសម្អាតអត្ថបទដែល OCR ផ្តល់ឱ្យ។
តើ OCR ជាអ្វី ហើយពេលណាត្រូវការវា
រូបថតទំព័រ រូបថតអេក្រង់ ឬ PDF ស្កេន មានតែភីកសែល មិនមែនអក្សរទេ។ អ្នកអាចអានវាបាន ប៉ុន្តែកុំព្យូទ័រមិនអាចស្វែងរក ចម្លង ឬបកប្រែវាបានទេ រហូតដល់ OCR ប្តូររាងទាំងនោះទៅជាតួអក្សរ។
អ្នកត្រូវការ OCR ពេល៖
- អ្នកថតរូបឯកសារ ផ្លាកសញ្ញា ក្តារខៀន ឬទំព័រសៀវភៅ។
- អ្នកទទួលបាន PDF ស្កេន ហើយមិនអាចជ្រើសអត្ថបទបាន។
- អ្នកមានរូបថតអេក្រង់នៃអត្ថបទដែលចង់កែ។
អ្នក មិន ត្រូវការ OCR សម្រាប់ PDF ភាគច្រើនដែលបង្កើតលើកុំព្យូទ័រទេ។ PDF ដែលនាំចេញពី Word, Google Docs ឬគេហទំព័រ មានស្រទាប់អត្ថបទស្រាប់។ OCR សម្រាប់ PDF កត់សម្គាល់ឃើញរឿងនេះ ហើយយកអត្ថបទនោះផ្ទាល់ ហើយ PDF ទៅជាអត្ថបទ ក៏ទាញវាចេញបានដែរ។ មានតែទំព័រដែលជារូបភាពប៉ុណ្ណោះដែលត្រូវអាន។
របៀបស្រង់អត្ថបទពីរូបភាពមួយជំហានម្តងៗ
- បើកទំព័រដែលត្រូវ។ សម្រាប់អក្សរខ្មែរ សូមបើក OCR ខ្មែរ។ សម្រាប់ភាសាផ្សេង សូមបើក រូបភាពទៅជាអក្សរ។ សម្រាប់ PDF ស្កេន សូមបើក OCR សម្រាប់ PDF។ ទាំងបីប្រើឧបករណ៍តែមួយ ដោយមានការកំណត់ចាប់ផ្តើមខុសគ្នា។
- បន្ថែមឯកសាររបស់អ្នក។ ចុច ជ្រើសរូបភាព ឬ PDF ទម្លាក់ឯកសារលើប្រអប់ បិទភ្ជាប់រូបថតអេក្រង់ដោយ Ctrl+V ឬចុច ថតរូប លើទូរស័ព្ទ។ អ្នកអាចបន្ថែមរូបភាព ឬ PDF ច្រើនក្នុងពេលតែមួយ។
- ពិនិត្យភាសា និងប្លង់។ នៅលើទំព័រខ្មែរ ទុកភាសាជា ខ្មែរ ហើយធីក អានពាក្យ និងលេខអង់គ្លេសផងដែរ។ ទុកប្លង់ជា ប្លុកអត្ថបទ សម្រាប់ទំព័រភាគច្រើន ជ្រើស ស្វ័យប្រវត្តិ សម្រាប់ទំព័រមានជួរឈរ និង មួយបន្ទាត់ សម្រាប់ផ្លាកសញ្ញា ឬស្លាក។ សម្រាប់ PDF សូមបើក ជម្រើសបន្ថែម ដើម្បីជ្រើស ទំព័រ PDF ដូចជា
1-3, 5។ - ចុច ទាញយកអត្ថបទ។ លើកដំបូង ម៉ាស៊ីន និងទិន្នន័យភាសាត្រូវទាញយកម្តង (ខ្មែរប្រហែល 1 MB) ហើយរក្សាទុកសម្រាប់លើកក្រោយ។ ទំព័រនីមួយៗត្រូវបានសម្អាតដោយស្វ័យប្រវត្តិមុនពេលអាន៖ រូបផ្អៀងត្រូវតម្រង់ អក្សរតូចត្រូវពង្រីក ហើយពន្លឺមិនស្មើត្រូវធ្វើឱ្យស្មើ។
- ពិនិត្យលទ្ធផល។ ប្តូរទៅ ទិដ្ឋភាពភាពជឿជាក់៖ ពាក្យដែលម៉ាស៊ីនមិនប្រាកដ ត្រូវគូសពណ៌លឿង (គួរពិនិត្យ) ឬក្រហម (ប្រហែលជាខុស)។ កែវានៅក្នុងប្រអប់អត្ថបទ។
- ចម្លង ឬរក្សាទុកអត្ថបទ។ ប្រើ ចម្លងអត្ថបទ ឬ ទាញយក TXT។ ពេលមានឯកសារច្រើន អ្នកអាចយក ឯកសារ TXT មួយសម្រាប់ឯកសារនីមួយៗ (ZIP) ហើយសម្រាប់ PDF អ្នកអាចធីក បង្កើត PDF ដែលអាចស្វែងរកបានផងដែរ ដើម្បីរក្សាទំព័រដើម ជាមួយស្រទាប់អត្ថបទលាក់។
- ពិនិត្យអក្ខរាវិរុទ្ធខ្មែរ។ ចុច ពិនិត្យអក្ខរាវិរុទ្ធខ្មែរ ដើម្បីបើកអត្ថបទក្នុង ពិនិត្យអក្ខរាវិរុទ្ធខ្មែរ ហើយពិនិត្យការណែនាំនីមួយៗដោយខ្លួនឯង។
គន្លឹះ៖ តាមលំនាំដើម អ្វីៗទាំងអស់ដំណើរការ នៅលើឧបករណ៍នេះ ដូច្នេះឯកសាររបស់អ្នកមិនចាកចេញពីទូរស័ព្ទ ឬកុំព្យូទ័រទេ។ សម្រាប់ PDF វែងលើទូរស័ព្ទយឺត សូមប្តូរទៅ នៅលើម៉ាស៊ីនមេរបស់យើង៖ រូបភាពទំព័រដែលបានរៀបចំរួច ត្រូវអានដោយម៉ាស៊ីនដដែល ហើយលុបចោលភ្លាមៗក្រោយផ្ញើអត្ថបទត្រឡប់មកវិញ។
ធ្វើឱ្យលទ្ធផល OCR អក្សរខ្មែរប្រសើរជាងមុន
អក្សរខ្មែរពិបាកសម្រាប់ OCR ជាងភាសាអង់គ្លេស។ អក្សរដាក់ត្រួតពីលើ និងពីក្រោមគ្នា ជើងអក្សរតូចៗ ហើយពុម្ពអក្សរជាច្រើនគូរអក្សរដដែលខុសៗគ្នា។ ការសម្អាតស្វ័យប្រវត្តិជួយបានច្រើន ប៉ុន្តែរូបថតល្អនៅតែសំខាន់បំផុត៖
- ប្រើរូបភាពច្បាស់ និងធំ។ កាន់ទូរស័ព្ទឱ្យស្មើពីលើទំព័រ ក្នុងពន្លឺល្អ គ្មានស្រមោលរបស់អ្នក ហើយឱ្យអត្ថបទពេញស៊ុម។ រូបថតអេក្រង់តែងតែល្អជាងការថតរូបអេក្រង់។
- កាត់អ្វីផ្សេងចេញ។ តុ ដៃ និងទំព័របន្ទាប់ ធ្វើឱ្យម៉ាស៊ីនច្រឡំ។ កាត់ដោយ កាត់តម្រឹមរូបភាព ឬថតឱ្យជិតជាងមុន។
- ជ្រើសប្លង់ដែលត្រូវគ្នា។ ទំព័រមានច្រើនជួរឈរ អានបានល្អជាងដោយ ស្វ័យប្រវត្តិ ហើយអត្ថបទមួយបន្ទាត់ដោយ មួយបន្ទាត់។
- សាករបៀបសម្អាតផ្សេង ពេលលទ្ធផលមើលទៅខុស។ ខ្មៅ និងស ជួយអក្សរបោះពុម្ពដែលស្រអាប់ ហើយ បិទ ល្អបំផុតសម្រាប់រូបឌីជីថលស្អាត ដូចជារូបថតអេក្រង់។
- អក្សរបោះពុម្ព ជាជាងអក្សរសរសេរដៃ។ ម៉ាស៊ីនត្រូវបានបង្ហាត់លើពុម្ពអក្សរបោះពុម្ព ដូច្នេះអក្សរខ្មែរសរសេរដៃផ្តល់លទ្ធផលត្រួសៗប៉ុណ្ណោះ ហើយពុម្ពអក្សរលម្អដូចជាអក្សរមូល អានមិនសូវបាន។
លើរូបតេស្តដែលមានអក្សរខ្មែរ និងអង់គ្លេសលាយគ្នា OCR អានខុសប្រហែល ២% នៃតួអក្សរ។ លើឯកសារស្កេនស្អាត និងរូបថតល្អពីទូរស័ព្ទ ប្រហែល ០,៥–១%។ នោះល្អណាស់ ប៉ុន្តែលើទំព័រវែង វានៅតែមានកំហុសខ្លះ ដូច្នេះសូមទុកពេលអានពិនិត្យ។
ការកែកំហុស OCR ក្នុងអត្ថបទខ្មែរ
ឧបករណ៍ OCR ខ្មែរ ធ្វើការសម្អាតអក្សរខ្មែររួចហើយ៖ ស្រៈ និងជើងត្រូវដាក់តាមលំដាប់ Unicode ស្តង់ដារ សញ្ញាស្ទួន និងដកឃ្លាលើសត្រូវលុបចេញ។ វាមិនប្តូរអក្ខរាវិរុទ្ធដោយខ្លួនឯងទេ ព្រោះការកែស្វ័យប្រវត្តិច្រើនតែ «កែ» ឈ្មោះ និងពាក្យកម្រ ដែលត្រូវស្រាប់។
កំហុសញឹកញាប់គឺអក្សរដែលមើលទៅស្រដៀងគ្នា បាត់ស្រៈតូចនៅក្រោមអក្សរ ដូចជា ុ ឬ ូ និងជើងខុស។ ដើម្បីរកវា សូមចុច ពិនិត្យអក្ខរាវិរុទ្ធខ្មែរ ហើយពិនិត្យក្នុង ពិនិត្យអក្ខរាវិរុទ្ធខ្មែរ៖
- ពាក្យពណ៌ ក្រហម មិនមានក្នុងវចនានុក្រមរបស់វាទេ ដែលច្រើនតែមានន័យថា OCR អានអក្សរខុស។ ចុចលើពាក្យ ហើយជ្រើសការណែនាំ។
- ពាក្យពណ៌ ទឹកក្រូច ខុសលំដាប់ Unicode។ ប៊ូតុង កែសម្រួលលំដាប់ Unicode ជួសជុលអត្ថបទទាំងមូលក្នុងពេលតែមួយ។
- ពាក្យពណ៌ ខៀវ ជាពាក្យពិតដែលងាយច្រឡំ ដូចជាពាក្យ «និង» និង «នឹង»។ សូមអានវាតាមបរិបទ។
មគ្គុទ្ទេសក៍ ការពិនិត្យអក្ខរាវិរុទ្ធខ្មែរ ពន្យល់លម្អិតបន្ថែម។
គន្លឹះ៖ PDF ខ្មែរចាស់ៗដែលវាយដោយពុម្ពអក្សរ Limon ឬ ABC ផ្តល់អក្សរឡាតាំងច្របូកច្របល់ ជំនួសឱ្យអក្សរខ្មែរ ពេលចម្លងអត្ថបទរបស់វា។ សូមអានទំព័រទាំងនោះជារូបភាពដោយ OCR ឬបម្លែងអត្ថបទដែលចម្លងមកដោយ បម្លែង Limon ទៅយូនីកូដ។
ជម្រើសផ្សេងទៀត
បើអ្នកកំពុងប្រើកម្មវិធីរបស់ Google ស្រាប់ Google Lens លើទូរស័ព្ទ និង Open with → Google Docs ក្នុង Google Drive ក៏អាចស្គាល់អត្ថបទបានដែរ រួមទាំងអក្សរខ្មែរ។ ពួកវាដំណើរការរូបភាពរបស់អ្នកលើម៉ាស៊ីនមេរបស់ Google ហើយគ្មានទិដ្ឋភាពភាពជឿជាក់ គ្មានការសម្អាតអក្សរខ្មែរ និងគ្មាន PDF ដែលស្វែងរកបានទេ ប៉ុន្តែពួកវាជាជម្រើសទីពីរដ៏សមរម្យ ពេលឧបករណ៍មួយពិបាកអានរូបភាពចម្លែក។
កំហុសទូទៅដែលគួរជៀសវាង
- ដំណើរការ OCR លើ PDF ដែលមានអត្ថបទស្រាប់។ ទុកជម្រើសប្រើអត្ថបទដែលមានស្រាប់ក្នុង PDF ឱ្យនៅធីក ដើម្បីឱ្យទំព័រឌីជីថលត្រូវយកផ្ទាល់។
- ថតរូបផ្អៀង។ ការផ្អៀងតិចតួចត្រូវតម្រង់ដោយស្វ័យប្រវត្តិ ប៉ុន្តែទំព័រផ្អៀងខ្លាំងនៅតែបាត់ព័ត៌មានលម្អិត។ កាន់ទូរស័ព្ទឱ្យត្រង់ពីលើទំព័រ។
- ជឿលេខដោយមិនពិនិត្យ។ OCR អាចអាន 1 ជា 7 ឬ 0 ជា O។ សូមពិនិត្យចំនួនទឹកប្រាក់ លេខទូរស័ព្ទ និងកាលបរិច្ឆេទជាមួយរូបដើម។
- ប្រើអត្ថបទ OCR សម្រាប់ឯកសារផ្លូវការដោយមិនអានពិនិត្យ។ កិច្ចសន្យា ឬវិញ្ញាបនបត្រដែលបានស្គាល់ដោយ OCR នៅតែត្រូវឱ្យមនុស្សពិនិត្យម្តងមួយពាក្យ។
- ជ្រើសភាសាខុស។ ម៉ាស៊ីនស្គាល់តែអក្សរនៃភាសាដែលអ្នកជ្រើសប៉ុណ្ណោះ ដូច្នេះអត្ថបទខ្មែរដែលអានជាភាសាអង់គ្លេស នឹងចេញមកគ្មានន័យ។
សេចក្តីសង្ខេប
ឥឡូវ ToolOrca មាន OCR ឥតគិតថ្លៃ៖ OCR ខ្មែរ សម្រាប់ឯកសារខ្មែរ រូបភាពទៅជាអក្សរ សម្រាប់ ២០ ភាសា និង OCR សម្រាប់ PDF សម្រាប់ PDF ស្កេន ជាមួយការជ្រើសទំព័រ ការទាញយកច្រើនឯកសារជា ZIP និង PDF ដែលស្វែងរកបាន។ វាដំណើរការក្នុងកម្មវិធីរុករកតាមលំនាំដើម អានអក្សរខ្មែរជាមួយអង់គ្លេស សម្អាតរូបភាពនីមួយៗដោយស្វ័យប្រវត្តិ ហើយអានតួអក្សរត្រឹមត្រូវប្រហែល ៩៨–៩៩% លើរូបភាពច្បាស់។ សូមពិនិត្យពាក្យពណ៌លឿង និងក្រហមក្នុងទិដ្ឋភាពភាពជឿជាក់ ហើយបញ្ចប់ដោយ ពិនិត្យអក្ខរាវិរុទ្ធខ្មែរ ក្នុង ពិនិត្យអក្ខរាវិរុទ្ធខ្មែរ។
សំណួរដែលសួរញឹកញាប់
តើ ToolOrca មានឧបករណ៍ OCR ទេ?
មាន។ OCR ខ្មែរ អានអក្សរខ្មែរ (រួមជាមួយអង់គ្លេស) ពីរូបថត រូបថតអេក្រង់ និងឯកសារស្កេន រូបភាពទៅជាអក្សរ អានបាន ២០ ភាសា ហើយ OCR សម្រាប់ PDF អាន PDF ស្កេន និងអាចបង្កើត PDF ដែលស្វែងរកបាន។ ទាំងបីប្រើម៉ាស៊ីនតែមួយគឺ Tesseract 5 ឥតគិតថ្លៃ និងមិនបាច់ចុះឈ្មោះ។
តើរូបភាពរបស់ខ្ញុំត្រូវបានផ្ទុកឡើងទេ?
តាមលំនាំដើម មិនផ្ទុកឡើងទេ។ ពេលជ្រើស នៅលើឧបករណ៍នេះ ម៉ាស៊ីន OCR ដំណើរការក្នុងកម្មវិធីរុករករបស់អ្នក ឯកសារនៅលើទូរស័ព្ទ ឬកុំព្យូទ័ររបស់អ្នកដដែល មានតែម៉ាស៊ីន និងទិន្នន័យភាសាប៉ុណ្ណោះដែលត្រូវទាញយកម្តង។ បើអ្នកជ្រើស នៅលើម៉ាស៊ីនមេរបស់យើង រូបភាពទំព័រដែលបានរៀបចំរួច ត្រូវផ្ញើតាមការតភ្ជាប់ដែលបានអ៊ិនគ្រីប អាន ហើយលុបចោលភ្លាមៗក្រោយផ្ញើអត្ថបទត្រឡប់មកវិញ។
តើ OCR អានអក្សរខ្មែរបានត្រឹមត្រូវប៉ុណ្ណា?
លើអក្សរបោះពុម្ពច្បាស់ ដូចជារូបថតអេក្រង់ច្បាស់ ឯកសារស្កេនស្អាត ឬរូបថតល្អពីទូរស័ព្ទ ក្នុងការតេស្តរបស់យើង តួអក្សរប្រហែល ៩៨–៩៩% ត្រឹមត្រូវ។ រូបព្រិល តូច ឬផ្អៀង មានកំហុសច្រើនជាង ហើយអក្សរសរសេរដៃ និងពុម្ពអក្សរលម្អដូចជាអក្សរមូល អានមិនសូវបាន។ សូមអានពិនិត្យឈ្មោះ លេខ និងកាលបរិច្ឆេទជានិច្ច។
តើត្រូវការ OCR ដើម្បីចម្លងអត្ថបទពី PDF ឬទេ?
មិនមែនជានិច្ចទេ។ PDF ដែលនាំចេញពី Word ឬគេហទំព័រ មានអត្ថបទពិតស្រាប់។ OCR សម្រាប់ PDF រកឃើញរឿងនេះដោយស្វ័យប្រវត្តិ ហើយយកអត្ថបទនោះផ្ទាល់ ដែលលឿនជាង និងត្រឹមត្រូវទាំងស្រុង។ មានតែទំព័រដែលជារូបភាព ដូចជាឯកសារស្កេនប៉ុណ្ណោះ ដែលត្រូវអានដោយ OCR។
តើវាអានអក្សរខ្មែរ និងអង់គ្លេសក្នុងរូបតែមួយបានទេ?
បាន។ នៅលើទំព័រ OCR ខ្មែរ ភាសាខ្មែរជាមួយ អានពាក្យ និងលេខអង់គ្លេសផងដែរ ជាការកំណត់លំនាំដើម ដូច្នេះឈ្មោះ តម្លៃ និងអាសយដ្ឋានគេហទំព័រក្នុងអត្ថបទខ្មែរក៏ត្រូវអានដែរ។ ដោះធីកវាចេញ តែពេលអត្ថបទជាភាសាខ្មែរសុទ្ធប៉ុណ្ណោះ។
ហេតុអ្វីអត្ថបទខ្មែរដែលចម្លងមក មើលទៅត្រូវ តែស្វែងរកមិនឃើញ?
អក្សរអាចត្រូវបានរក្សាទុកខុសលំដាប់ Unicode ឬមានតួអក្សរមើលមិនឃើញ។ ឧបករណ៍ OCR កែលំដាប់ស្រៈ និងជើងរួចហើយ។ សម្រាប់អត្ថបទពីប្រភពផ្សេង សូមប្រើ កែសម្រួលលំដាប់ Unicode ក្នុង ពិនិត្យអក្ខរាវិរុទ្ធខ្មែរ និង លុបតួអក្សរមើលមិនឃើញ។