Словарь

Что такое OCR

Подробнее

• OCR даёт поток символов с координатами, а не структуру документа: он не знает, что 7801456123 — это ИНН.
• Извлечение данных (data extraction) — следующий слой поверх OCR: он определяет смысл полей и связи между ними.
• Качество OCR зависит от разрешения, контраста и геометрии снимка сильнее, чем от «умности» модели.

Частые ошибки

• ✕Считать, что OCR сам разложит счёт по колонкам — он этого не делает.
• ✕Оценивать OCR по проценту распознанных символов: для документов важнее, правильно ли определены поля.
• ✕Пытаться применять OCR к PDF, где текстовый слой уже есть — это лишний шаг и лишние ошибки.

Как это влияет на выгрузку

Термин важен не сам по себе, а тем, что меняется в итоговой таблице. Ниже — практические следствия для колонок и проверок.

• В выгрузке появляется колонка «уверенность»: символы, прочитанные плохо, помечаются, а не молча заменяются похожими.
• Если OCR отработал по скану плохо, страдают в первую очередь узкие числовые колонки — суммы и количества, где точка и запятая различаются одним пикселем.
• Для документа без текстового слоя качество исходника определяет всё: пересканировать в 300 dpi дешевле, чем править выгрузку руками.

Связанные термины

• Извлечение данных
• Первичные документы
• Текстовый слой PDF
• DPI при сканировании
• Шаблонное распознавание
• Уровень уверенности
• Бинаризация