ឧបករណ៍ OCR ខ្មែរនេះ អានអក្សរខ្មែរនៅក្នុងរូបថត រូបថតអេក្រង់ ឬឯកសារស្កេន ហើយបម្លែងវាទៅជាអត្ថបទខ្មែរយូនីកូដពិតប្រាកដ ដែលអ្នកអាចចម្លង កែ ស្វែងរក និងបិទភ្ជាប់ទៅក្នុង Word, Telegram ឬ Facebook បាន។ វាប្រើ Tesseract 5 ដែលជាម៉ាស៊ីន OCR កូដចំហ មានបណ្ដាញណឺរ៉ូនដែលបានបង្វឹកសម្រាប់ភាសាខ្មែរ រួមជាមួយភាសាអង់គ្លេស ដូច្នេះឈ្មោះ លេខ តម្លៃ និងអាសយដ្ឋានគេហទំព័រនៅក្នុងអត្ថបទខ្មែរ ក៏ចេញមកត្រឹមត្រូវដែរ។ អ្នកអាចអានរូបភាពច្រើន ឬ PDF ទាំងមូលក្នុងពេលតែមួយ។
មុនពេលអាន រូបភាពនីមួយៗត្រូវបានសម្អាតដោយស្វ័យប្រវត្តិ៖ រូបថតដែលទ្រេតត្រូវបានតម្រង់ អក្សរតូចត្រូវបានពង្រីក ស្រមោល និងពន្លឺមិនស្មើគ្នាត្រូវបានធ្វើឱ្យស្មើ ហើយគ្រាប់ៗរំខានត្រូវបានលុបចេញ។ លើសំណុំតេស្តខ្មែររបស់យើង ការសម្អាតនេះបានបន្ថយអត្រាកំហុសតួអក្សរ ពីប្រហែល 9.5 % មកត្រឹម 2 %។ បន្ទាប់មក អត្ថបទត្រូវបានសម្អាតតាមបែបខ្មែរ៖ ស្រៈ និងជើងត្រូវបានរៀបតាមលំដាប់យូនីកូដស្តង់ដារ ដកឃ្លាដែលលើស ហើយចុចតែម្តងដើម្បីបើកលទ្ធផលក្នុងកម្មវិធីពិនិត្យអក្ខរាវិរុទ្ធខ្មែរ។ តាមលំនាំដើម អ្វីៗទាំងអស់ដំណើរការក្នុងកម្មវិធីរុករករបស់អ្នក ហើយគ្មានអ្វីត្រូវបានផ្ទុកឡើងទេ។
របៀបប្រើឧបករណ៍ OCR ខ្មែរ
- ចុច ជ្រើសរូបភាព ឬ PDF ទម្លាក់ឯកសារលើប្រអប់ បិទភ្ជាប់រូបថតអេក្រង់ដោយ Ctrl+V ឬចុច ថតរូប នៅលើទូរស័ព្ទ។
- ទុកភាសានៅលើ ខ្មែរ ហើយធីក អានពាក្យ និងលេខអង់គ្លេសផងដែរ (ល្អបំផុតសម្រាប់ឯកសារខ្មែរភាគច្រើន) ហើយទុកប្លង់នៅលើ ប្លុកអត្ថបទ។
- ចុច ទាញយកអត្ថបទ។ លើកដំបូង ម៉ាស៊ីន និងទិន្នន័យភាសាខ្មែរ (ប្រហែល 1 MB) ត្រូវបានទាញយក ហើយរក្សាទុកសម្រាប់លើកក្រោយ។
- ពិនិត្យលទ្ធផល៖ ទិដ្ឋភាពភាពជឿជាក់ សម្គាល់ពាក្យដែលម៉ាស៊ីនមិនប្រាកដ ជាពណ៌លឿង និងក្រហម។ កែវានៅក្នុងប្រអប់អត្ថបទ។
- ចុច ចម្លងអត្ថបទ ឬ ទាញយក TXT ឬ ពិនិត្យអក្ខរាវិរុទ្ធខ្មែរ ដើម្បីពិនិត្យអត្ថបទក្នុងកម្មវិធីពិនិត្យអក្ខរាវិរុទ្ធ។
ហេតុអ្វីប្រើ OCR ខ្មែរ របស់ ToolOrca
- លទ្ធផលជាយូនីកូដខ្មែរ រួមទាំងអង់គ្លេស លេខ និង URL
- តម្រង់ ពង្រីក និងកែពន្លឺដោយស្វ័យប្រវត្តិ
- កែលំដាប់ស្រៈ និងជើង ដកឃ្លាលើស
- រូបថត រូបថតអេក្រង់ និង PDF ស្កេន ឬ PDF ឌីជីថល
- ឯកសារច្រើនក្នុងពេលតែមួយ ជាអត្ថបទរួម ឬ ZIP
- ទិដ្ឋភាពភាពជឿជាក់ ដែលសម្គាល់ពាក្យត្រូវពិនិត្យ
- ដំណើរការក្នុងកម្មវិធីរុករក មានជម្រើសម៉ាស៊ីនមេសម្រាប់ទំព័រច្រើន
- ឥតគិតថ្លៃ គ្មានដែនកំណត់ មិនបាច់ចុះឈ្មោះ គ្មានស្លាកទឹក
តើ OCR ខ្មែរត្រឹមត្រូវប៉ុណ្ណា?
លើអក្សរបោះពុម្ពច្បាស់ ដូចជាឯកសារពី Word ទំព័រសៀវភៅ ឬរូបថតអេក្រង់ច្បាស់ Tesseract អានខ្មែរបានល្អណាស់៖ លើសំណុំតេស្តរបស់យើង ដែលមានកថាខណ្ឌខ្មែរជាពុម្ពអក្សរ Noto Sans Khmer, Battambang, Khmer OS, Hanuman និង Siemreap តួអក្សរប្រហែល 99 ក្នុង 100 ត្រូវ លើរូបភាពស្អាត និងរូបស្កេន។ រូបថតទូរស័ព្ទដែលព្រិល តូច និងទ្រេត ពិបាកជាង៖ ការសម្អាតស្វ័យប្រវត្តិបាននាំលទ្ធផលពីស្ទើរតែអានមិនបាន មកត្រឹមតួអក្សរត្រូវប្រហែល 85 %។ អក្សរដៃ និងពុម្ពអក្សរលម្អដូចជា Moul មិនទាន់គាំទ្របានល្អទេ។
កំហុសញឹកញាប់គឺអក្សរដែលមើលទៅស្រដៀងគ្នា (ព និង ឰ, ប និង ឋ) ស្រៈតូចនៅខាងក្រោមអក្សរបាត់ ដូចជា ុ ឬ ូ និងជើងខុស។ ជាធម្មតា ពាក្យទាំងនេះត្រូវបានសម្គាល់ពណ៌លឿង ឬក្រហមក្នុងទិដ្ឋភាពភាពជឿជាក់ ដូច្នេះអ្នករកឃើញវាបានលឿន។ យើងក៏បានសាកល្បងម៉ូដែលសម្គាល់អក្សរខ្មែរកូដចំហមួយទៀត (Kiri OCR) ហើយឃើញថា Tesseract ត្រឹមត្រូវជាងលើទំព័រតេស្តរបស់យើង ដូច្នេះឧបករណ៍នេះប្រើ Tesseract។
គន្លឹះដើម្បីទទួលបានលទ្ធផលល្អជាង
ពន្លឺ និងភាពច្បាស់ សំខាន់ជាងគេ។ ថតទំព័រនៅពន្លឺថ្ងៃ ឬក្រោមចង្កៀងភ្លឺ កុំឱ្យស្រមោលរបស់អ្នកធ្លាក់លើវា ហើយកាន់ទូរស័ព្ទឱ្យស្មើពីលើទំព័រ ដើម្បីឱ្យបន្ទាត់ត្រង់។ ប៉ះអេក្រង់ដើម្បីផ្តោតមុនពេលថត។ រូបថតអេក្រង់តែងតែល្អជាងការថតរូបអេក្រង់។
ឱ្យអក្សរពេញរូបភាព។ កាត់តុ ដៃ និងទំព័រផ្សេងទៀតចេញ ឬថតឱ្យជិតជាងនេះ។ បើអត្ថបទជាជួរឈរ សូមជ្រើស ស្វ័យប្រវត្តិ (ជួរឈរ ប្លុកចម្រុះ) ជាប្លង់ សម្រាប់មួយបន្ទាត់ដូចជាផ្លាកសញ្ញា ឬស្លាក សូមជ្រើស មួយបន្ទាត់។ បើលទ្ធផលមើលទៅខុស សាកល្បងការសម្អាត ខ្មៅ និងស សម្រាប់អក្សរបោះពុម្ពស្រអាប់ ឬ បិទ សម្រាប់រូបភាពឌីជីថលស្អាត។
ឯកសារ PDF៖ PDF ដែលធ្វើពី Word មានអត្ថបទរបស់វារួចហើយ ហើយឧបករណ៍យកវាដោយផ្ទាល់ ដែលលឿនជាង និងត្រឹមត្រូវ។ PDF ខ្មែរចាស់ៗដែលវាយដោយពុម្ពអក្សរ Limon ឬ ABC ចេញមកជាអក្សរឡាតាំង៖ សូមអានវាជារូបភាពវិញ ឬបម្លែងវាដោយឧបករណ៍ Limon ទៅយូនីកូដ។
ការសម្អាតអក្សរខ្មែរ បន្ទាប់ពី OCR
អក្សរខ្មែរមួយតួ ផ្សំឡើងពីព្យញ្ជនៈគោល ជាមួយជើង ស្រៈ និងសញ្ញាផ្សេងៗ ហើយទាំងនេះត្រូវរក្សាទុកតាមលំដាប់ថេរ ដើម្បីបង្ហាញ និងស្វែងរកបានត្រឹមត្រូវ។ ការសម្អាតរៀបចង្កោមនីមួយៗតាមលំដាប់ស្តង់ដារ (ឧទាហរណ៍ ជើងមុនស្រៈ) ដកសញ្ញាដែលស្ទួន និងតួអក្សរគ្មានទទឹងនៅក្នុងចង្កោម លុបឃ្លាដែល Tesseract ពេលខ្លះទុកនៅមុខ ។ ហើយដកសញ្ញាចម្លែកដូចជា ! ឬ | ដែលអានឃើញនៅក្នុងពាក្យខ្មែរ។
យើងក៏បានសាកល្បងការកែអក្ខរាវិរុទ្ធដោយស្វ័យប្រវត្តិដែរ ប៉ុន្តែលើសំណុំតេស្តរបស់យើង វាប្តូរពាក្យត្រូវច្រើនជាងពាក្យខុស ព្រោះឈ្មោះ និងពាក្យកម្រមិនមានក្នុងវចនានុក្រម។ ហេតុនេះហើយបានជាអក្ខរាវិរុទ្ធជាជំហានដាច់ដោយឡែក៖ ពិនិត្យអក្ខរាវិរុទ្ធខ្មែរ បើកអត្ថបទក្នុងកម្មវិធីពិនិត្យអក្ខរាវិរុទ្ធខ្មែរ ដែលអ្នកជ្រើសការកែនីមួយៗដោយខ្លួនឯង។
សំណួរដែលសួរញឹកញាប់
តើ OCR ខ្មែរនេះឥតគិតថ្លៃទេ?
បាទ/ចាស។ វាឥតគិតថ្លៃ មិនបាច់ចុះឈ្មោះ គ្មានដែនកំណត់ទំព័រ នៅពេលដំណើរការលើឧបករណ៍របស់អ្នក ហើយគ្មានស្លាកទឹក។ ជម្រើសម៉ាស៊ីនមេមានដែនកំណត់ប្រើប្រាស់សមរម្យក្នុងមួយនាទី និងក្នុងមួយថ្ងៃ។
តើរូបភាពរបស់ខ្ញុំត្រូវបានផ្ទុកឡើងទៅម៉ាស៊ីនមេទេ?
តាមលំនាំដើម មិនទេ។ ជាមួយ នៅលើឧបករណ៍នេះ (លំនាំដើម) ម៉ាស៊ីន OCR ដំណើរការក្នុងកម្មវិធីរុករករបស់អ្នក ហើយឯកសាររបស់អ្នកមិនចាកចេញពីទូរស័ព្ទ ឬកុំព្យូទ័ររបស់អ្នកទេ មានតែម៉ាស៊ីន និងទិន្នន័យភាសាប៉ុណ្ណោះដែលត្រូវបានទាញយកម្តងពី CDN សាធារណៈ។ បើអ្នកជ្រើស នៅលើម៉ាស៊ីនមេរបស់យើង ទំព័រនីមួយៗត្រូវបានសម្អាតក្នុងកម្មវិធីរុករករបស់អ្នក ហើយរូបភាពទំព័រដែលបានរៀបចំ ត្រូវបានផ្ទុកឡើងតាមការតភ្ជាប់ដែលបានអ៊ិនគ្រីប អានដោយម៉ាស៊ីនដដែល ហើយលុបចោលភ្លាមៗ បន្ទាប់ពីអត្ថបទត្រូវបានផ្ញើត្រឡប់មកវិញ។
តើវាអាចអានអក្សរខ្មែរ និងអង់គ្លេសក្នុងរូបភាពតែមួយបានទេ?
បាន។ ទុកធីក អានពាក្យ និងលេខអង់គ្លេសផងដែរ។ លើរូបភាពតេស្តខ្មែរ–អង់គ្លេសចម្រុះរបស់យើង វាបានកាត់បន្ថយកំហុសច្រើនជាងពាក់កណ្តាល បើប្រៀបនឹងខ្មែរតែម្យ៉ាង។ ដកធីកវាចេញ តែសម្រាប់អត្ថបទដែលជាខ្មែរសុទ្ធប៉ុណ្ណោះ។
តើវាអាចអានអក្សរខ្មែរសរសេរដោយដៃបានទេ?
មិនសូវបានទេ។ ម៉ាស៊ីនត្រូវបានបង្វឹកលើពុម្ពអក្សរបោះពុម្ព ដូច្នេះអក្សរដៃស្អាតផ្តល់លទ្ធផលប្រហាក់ប្រហែលប៉ុណ្ណោះ។ សម្រាប់អក្សរបោះពុម្ព ឯកសារវាយ រូបថតអេក្រង់ ផ្លាកសញ្ញា និងទំព័រសៀវភៅ វាដំណើរការបានល្អ។
ហេតុអ្វីបានជាពាក្យខ្លះត្រូវបានគូសពណ៌?
ម៉ាស៊ីនផ្តល់ពិន្ទុភាពជឿជាក់ឱ្យពាក្យនីមួយៗ។ ក្នុង ទិដ្ឋភាពភាពជឿជាក់ ពាក្យពណ៌លឿង (60–80 %) គួរពិនិត្យ ហើយពាក្យពណ៌ក្រហម (ក្រោម 60 %) ទំនងជាខុស។ ដាក់ទស្សន៍ទ្រនិចលើ ឬប៉ះពាក្យមួយ ដើម្បីមើលពិន្ទុរបស់វា។