OCR (Nhận dạng ký tự quang học) là gì?

Công cụ OCR hoặc phần mềm OCR hoạt động theo các bước sau:

Thu nhận hình ảnh

Một máy quét sẽ đọc tài liệu và chuyển đổi chúng thành dữ liệu nhị phân. Phần mềm OCR phân tích hình ảnh đã quét và phân loại vùng sáng làm nền và vùng tối làm văn bản.

Tiền xử lý

Trước tiên, phần mềm OCR sẽ làm sạch hình ảnh và loại bỏ các lỗi để chuẩn bị cho bước đọc. Sau đây là một số kỹ thuật làm sạch của phần mềm OCR:

• Chỉnh thẳng hoặc nghiêng nhẹ tài liệu đã quét để khắc phục lỗi về căn chỉnh trong quá trình quét.
• Khử nhiễu đốm hoặc loại bỏ mọi đốm ảnh kỹ thuật số hay làm mịn các viền của hình ảnh văn bản.
• Làm sạch đường viền khung và đường thẳng trong hình ảnh.
• Nhận dạng chữ viết cho công nghệ OCR đa ngôn ngữ

Nhận dạng văn bản

Hai loại thuật toán OCR hoặc quy trình phần mềm chính mà phần mềm OCR sử dụng để nhận dạng văn bản được gọi là so khớp mẫu và trích xuất đặc điểm.

So khớp mẫu

Cách thức hoạt động của so khớp mẫu là tách biệt một hình ảnh ký tự, được gọi là hình dạng chữ và so sánh với một hình dạng chữ tương tự được lưu trữ. Tính năng nhận dạng mẫu chỉ hoạt động hiệu quả khi hình dạng chữ được lưu trữ có phông chữ và tỷ lệ tương tự với hình dạng chữ đầu vào. Phương thức này hoạt động tốt đối với hình ảnh quét từ tài liệu được đánh máy bằng phông chữ đã biết.

Trích xuất đặc điểm

Trích xuất đặc điểm sẽ chia nhỏ hoặc phân tách hình dạng chữ thành các đặc điểm như nét thẳng, nét vòng khép kín, hướng nét và giao điểm nét. Sau đó, hệ thống sử dụng các đặc điểm này để tìm kết quả phù hợp nhất hoặc kết quả gần đúng nhất trong số các hình dạng chữ khác nhau được lưu trữ.

Hậu xử lý

Sau khi phân tích, hệ thống sẽ chuyển đổi dữ liệu văn bản được trích xuất thành tệp trên máy tính. Một số hệ thống OCR có thể tạo các tệp PDF có chú thích bao gồm cả phiên bản trước và sau của tài liệu được quét.

Các nhà khoa học dữ liệu phân loại những công nghệ OCR khác nhau dựa trên mục đích sử dụng và ứng dụng của chúng. Sau đây là một vài ví dụ:

Phần mềm nhận dạng ký tự quang học đơn giản

Một công cụ OCR đơn giản hoạt động bằng cách lưu trữ nhiều khuôn thức hình ảnh văn bản và phông chữ khác nhau dưới dạng mẫu. Phần mềm OCR sử dụng các thuật toán so khớp mẫu để so sánh các hình ảnh văn bản, theo từng ký tự một, với cơ sở dữ liệu nội bộ. Nếu hệ thống so khớp văn bản theo từng từ một thì sẽ được gọi là nhận dạng từ quang học. Giải pháp này có những hạn chế vì số lượng phông chữ và kiểu chữ viết tay là gần như vô hạn, cũng như không thể ghi lại hay lưu trữ tất cả kiểu loại trong cơ sở dữ liệu được.

Phần mềm nhận dạng ký tự thông minh

Các hệ thống OCR hiện đại sử dụng công nghệ nhận dạng ký tự thông minh (ICR) để đọc văn bản hệt như cách con người đọc. Những hệ thống này sử dụng các phương thức nâng cao để đào tạo máy hoạt động giống như con người bằng cách sử dụng phần mềm máy học. Một hệ thống máy học được gọi là mạng nơ-ron phân tích văn bản qua nhiều cấp độ, xử lý hình ảnh lặp đi lặp lại. Hệ thống sẽ tìm kiếm các thuộc tính hình ảnh khác nhau, chẳng hạn như nét cong, nét thẳng, nét giao nhau và nét vòng, đồng thời kết hợp kết quả của tất cả các cấp độ phân tích khác nhau này để cho ra kết quả cuối cùng. Mặc dù ICR thường xử lý hình ảnh theo từng ký tự một nhưng quá trình này vẫn diễn ra nhanh chóng, thu được kết quả chỉ trong vài giây.

Nhận dạng từ thông minh

Hệ thống nhận dạng từ thông minh hoạt động theo nguyên tắc giống như ICR, nhưng sẽ xử lý toàn bộ hình ảnh của từ thay vì tiền xử lý hình ảnh thành ký tự.

Nhận dạng ký hiệu quang học

Nhận dạng ký hiệu quang học xác định logo, hình mờ và các biểu tượng văn bản khác trong tài liệu.

Sau đây là một số trường hợp sử dụng OCR phổ biến trong nhiều ngành khác nhau:

Ngân hàng

Ngành ngân hàng sử dụng OCR để xử lý và xác minh thủ tục giấy tờ cho các tài liệu cho vay, séc tiền gửi và các giao dịch tài chính khác. Việc xác minh này đã cải thiện khả năng ngăn chặn gian lận và tăng cường bảo mật cho giao dịch. Ví dụ: BlueVine là một công ty công nghệ tài chính cấp vốn cho các doanh nghiệp vừa và nhỏ. Công ty này đã sử dụng Amazon Textract, một dịch vụ OCR trên nền tảng đám mây, để phát triển một sản phẩm cho các doanh nghiệp nhỏ ở Mỹ nhanh chóng tiếp cận các khoản vay của Chương trình bảo vệ tiền lương (PPP) trong gói kích thích cứu trợ COVID-19. Amazon Textract đã tự động xử lý và phân tích hàng chục nghìn biểu mẫu PPP mỗi ngày để BlueVine có thể giúp hàng nghìn doanh nghiệp nhận được tiền, nhờ đó đã cứu được hơn 400.000 việc làm.

Chăm sóc sức khỏe

Ngành chăm sóc sức khỏe sử dụng OCR để xử lý hồ sơ bệnh nhân, bao gồm quá trình điều trị, xét nghiệm, hồ sơ bệnh viện và thanh toán bảo hiểm. OCR giúp hợp lý hóa luồng công việc và giảm bớt thao tác thủ công tại bệnh viện trong khi vẫn luôn cập nhật cho hồ sơ. Ví dụ: nib Group cung cấp bảo hiểm y tế và sức khỏe cho hơn 1 triệu người Úc và nhận được hàng nghìn yêu cầu thanh toán bảo hiểm y tế mỗi ngày. Khách hàng của công ty có thể chụp ảnh hóa đơn y tế của mình và gửi qua ứng dụng di động nib. Amazon Textract tự động xử lý những hình ảnh này để công ty có thể phê duyệt các yêu cầu thanh toán bảo hiểm nhanh hơn hẳn.

Kho vận

Các công ty kho vận sử dụng OCR để theo dõi nhãn gói hàng, hóa đơn, biên lai và các tài liệu khác hiệu quả hơn. Ví dụ: Foresight Group sử dụng Amazon Textract để tự động hóa quá trình xử lý hóa đơn trong SAP. Việc nhập thủ công các tài liệu kinh doanh này tốn nhiều thời gian và dễ xảy ra sai sót vì nhân viên của Foresight phải nhập dữ liệu trong nhiều hệ thống kế toán. Với Amazon Textract, phần mềm Foresight có thể đọc các ký tự chính xác hơn trên nhiều bố cục khác nhau, giúp tăng hiệu quả kinh doanh.