ایران جدید

تازه های علمی، پزشکی،تغذیه، زیبایی و سلامت

OCR چیست؟

فرض کنید که ما متنی را روی کاغذ داریم و می‌خواهیم آن را وارد رایانه کنیم. اولین روشی که به ذهن می‌رسد این است که متن را به تایپیست بدهیم تا با کامپیوتر تایپ کند. اما آیا می‌شود عین همان متن را وارد رایانه بکنیم تا نیازی به تایپ نباشد؟ البته دستگاه «اسکنر» می‌تواند تصویری از آن متن را وارد رایانه کند، تا اینجا بخشی از مشکل ما حل شده است. اما رایانه که نه عقلی دارد و نه «زبان» می‌فهمد، نمی‌تواند حروف و کلمات را از هم تشخیص دهد. مثلاً اگر از کامپیوتر بخواهیم به ما بگوید که در متن اسکن‌شده کلمهٔ «علی» چند بار آمده است، بی‌آنکه شرمنده شود، می‌گوید نمی‌توانم تشخیص بدهم! در واقع این «تصویر دیجیتال‌شده» باید به «تصویر قابل پردازش» تبدیل شود. موضوع اصلی OCR همین است. 

● OCR سرنام اصطلاحی است که صورت کامل آن در واژه‌نامه‌های انگلیسی به دو صورت آمده است:

۱. Optical Character Recognition

۲. Optical Character Reader

 

 ● انواع OCR

در زبان‌های دیگر، به ویژه زبان‌هایی که با حروف لاتینی نوشته می‌شوند، سال‌هاست که از OCR استفاده می‌شود. اما در ایران تازه دو سه سالی است که به فکر استفاده از OCR در زبان فارسی افتاده‌ایم.

و اما OCR چند نوع است: یا تایپی است یا دست‌نویس. یعنی یا باید یک متن قبلاً تایپ شده را (مثل کتاب‌ها و روزنامه‌های چندین سال قبل، یا حتی متنی را که فایل تایپی آن موجود نیست و فقط پرینت آن را داریم) وارد رایانه کنیم، یا متن دست‌نویس را. متن‌های دست‌نویس هم به دو صورت «گسسته» و «پیوسته» وجود دارند: متن «دست‌نویس پیوسته» مثل همان چیزهایی است که ما هرازگاهی که دلمان تنگ می‌شود روی کاغذ می‌نویسیم، یا یک نامه، یا یک قطعه شعر و ... اما متن «دست‌نویس گسسته» همان نوشته‌‌هایی است که حروف آن جدا از هم و به صورت گسسته نوشته شده‌اند، مثل نام و نام‌خانوادگی که در فرم‌های آزمون ثبت‌نام، به صورت هر حرف داخل یک کادر، نوشته می‌شوند. طراحی OCR گسستهٔ فارسی تقریباً در مراحل پایانی کار قرار دارد ولی، OCR پیوسته ظاهراً سال‌های زیادی کار می‌برد.

 

● فارسی ما و مشکلات آن

قبل از اینکه به مراحل دیگر OCR بپردازیم، لازم است اندکی هم به مشکلات خط فارسی ــ یا در واقع ویژگی‌های این خط ــ بپردازیم. اول اینکه ما در فارسی حروف را به صورت چسبیده و پیوسته می‌نویسیم و این کار برای تشخیص حرف به حرف نوشته از سوی رایانه (که قرار است در مراحل بعدی آن را تایپ کند) بسیار مشکل است. تصور کنید که همین کلمه ساده «است» را به حالت‌های مختلف می‌شود نوشت: یکی برای «س» دندانه می‌گذارد، یکی نمی‌گذارد، یکی آن را می‌کشد و یکی نمی‌کشد و... حالا اگر همین صورت‌های مختلف «س» به «ت» هم بچسبند، تشخیص حروف برای ما انسان‌ها هم سخت می‌شود، چه رسد به رایانه.

 

 ● شباهت حروف

مشکل دیگر خط ما این است که حرف‌های فارسی بسیار به هم شبیه‌اند. مثلاً در نظر بگیرید که تفاوت «ر» با «ز» با «ذ» یا «ب» با «ت» تنها در یک نقطه است، و چون نقطه جزء بسیار کوچکی است، اگر یک خط یا حتی یک لک کوچک روی کاغذ بیفتد، تشخیص حروف از هم بسیار دشوار می‌شود و دردسر جدی برای بازشناسی حروف توسط رایانه ایجاد می‌کند. اینها تازه مشکلات خط فارسی است. دربارهٔ اعداد فارسی هم این مشکل وجود دارد: صفر ما یک نقطه کوچک است که می‌تواند رایانه را به اشتباه بیندازد؛ اعداد ۴، ۳، ۲، ۱ هم بسیار به هم شبیه هستند و تنها تفاوتشان یک دندانه کوچک است.

به دلایل گفته شده OCR درمرحلهٔ کنونی در کشور ما مربوط به «دست‌نویس‌های گسسته» یا متن‌های تایپی پیوسته است، و تا بازشناسی متن‌های دست‌نویس پیوسته توسط کامپیوتر راه زیادی در پیش است، چون در دست‌نویس‌های گسسته، اگرچه حروف به هم شباهت دارند، حداقل جداجدا نوشته شده‌اند. در متن‌های پیوسته تایپی هم مشکل کشیده شدن یک حرف یا شکسته نوشته شدن حروف را نداریم. البته به گفته مسئولان شرکت «پایا» در حال حاضر هم نرم‌افزارهایی وجود دارد که متن دست‌نویس پیوسته را تبدیل به حروف جدا ازهم و گسسته می‌کنند، ولی ضریب خطای این نرم‌افزارها زیاد است و به شکل صنعتی درنیامده‌اند.

 

 ● بازشناسی حروف و الگو

تا اینجا گفتیم تصویر صفحه‌ای که در آن حروف به طور جداجدا (هر حرف داخل یک کادر) نوشته شده است، به وسیلهٔ اسکن وارد رایانه می‌شود. مرحلهٔ بعدی این است که حروف بازشناسی شوند، یعنی مکان آنها از دیگر خطوط (مثل خطوط کادری که داخل آن نوشته شده) بازشناسی شود، و اگر متن پیوسته تایپی است، حروف جدا شوند و زواید تصویر حذف شود. مثلاً اگر دانش‌آموزی «س» را به گونه‌ای نوشت که بیرون از کادر بود، به رایانه بفهمانیم که بی‌دقتی شده است او باید همان حرف داخل کادر را بخواند.

در مرحلهٔ بعدی که «بازشناسی الگو» نام دارد، با تعدادی شرط می‌شود فهمید که مثلاً حرفی «الف» است یا نه، و رایانه تشخیص می‌دهد که حرف «پ» است یا «ب». برای این تشخیص لازم است که تصویر حرف «الف» با الف‌های نمونه ــ که قبلاً به رایانه داده شده است ــ منطبق شود. الفبای نمونه قبلاً از روی یک مجموعه بزرگ آموزشی تهیه شده و ویژگی‌های مشترک از آن استخراج شده است.

اما از آنجا که تنوع صورت‌ها نوشتاری یک حرف به صورت دست‌‌نویس بسیار زیاد است، مدلی آماری استخراج می‌شود که در آن شباهت ویژگی‌های استخراج‌ شدهٔ قبلی با نمونه ورودی به رایانه بررسی می‌شود. در اینجا «بازشناسی الگو» با روش‌های آماری انجام می‌شود که روش معمول در سیستم‌های OCR است.

اگر فکر می‌کنید که کار تمام شده است در اشتباهید، چون تازه می‌رسیم به دنبالهٔ حروف. مثلاً اگر کسی همان حرف «س» را با دنباله بنویسد، رایانه باید تشخیص دهد که این حرف فقط «س» است، یا مثلاً «ی» هم به آن چسبیده است.

 

● مدل‌سازی یا پردازش زبانی

مرحله بعدی «مدل‌سازی زبانی» یا «پردازش زبانی» نام دارد. حروف به هم چسبیده، که کلمه را درست می‌کنند، باید معنی‌دار یا شناخته‌شده باشند. در این مرحله بررسی می‌شود که چه کلماتی در زبان وجود دارد؟ چه ترکیب‌هایی از کلمات مجاز است؟

و... البته در مراحل پیشرفته‌تر، مدل‌سازی گرامری (دستور زبان) و مدل‌سازی معنایی هم وجود دارد که تشخیص می‌دهد جمله از لحاظ دستوری و معنایی درست است یا بی‌مفهوم است. اما در OCR گسسته ــ که بیشتر برای ثبت‌نام استفاده شده ــ شباهت یک کلمه به نام، نام خانوادگی، شهر و ... کافی است.

برای تشخیص ترکیب‌های مجاز یک کلمه یا معنی‌دار بودن یک کلمه نیز به تهیهٔ بانک‌های اطلاعاتی (Data base) نیاز داریم. در این بانک‌ها مثلاً تمام نام‌های کوچک و بزرگ ایرانیان قبلاً جمع‌آوری شده است و هنگام تطبیق یک کلمه با آن مشخص می‌شود که رایانه حروف آن را دست تشخیص داده یا نه. بنابراین نقش این بانک اطلاعاتی بسیار مهم است، چون اگر نامی در آن ثبت نشده باشد، کلمه‌ای که آن نام را شامل شود، به طور خودکار از برنامه OCR حذف می‌شود یا پیغام می‌آید که: «این کلمه اشتباه است» در صورتی که ممکن است مثلاً نام «هشام» در بین نام‌های ایرانی وجود داشته باشد، ولی قبلاً در بانک اطلاعاتی ثبت نشده باشد.

 

 ● بانک‌های ما و دیگران

مهندس «رزازی» دربارهٔ مشکل بانک‌های اطلاعاتی در زبان فارسی می‌گوید: «در دنیا برای توسعهٔ OCR و ارزیابی آن، بانک‌های اطلاعاتی استاندارد ساخته شده است که در آنها همهٔ کلمات وجود دارند، یعنی بانک هم مشکل دیجیتال کلمه را دارد، و هم تصویرش را. اما برای زبان فارسی، این بانک‌های اطلاعاتی چه برای ارزیابی و چه برای توسعه، استاندارد شده نیست. در واقع هر کسی برای خودش یک بانک اطلاعاتی می‌سازد، و این نمونه‌های متفاوت مشکلاتی را ایجاد می‌کند.

مثلاً برای ثبت‌نام دانش‌آموزانی که در آزمون مدارس تیزهوشان شرکت کرده بودند، یک بانک اطلاعاتی حاوی نام‌های فارسی، از روی اطلاعات فرم‌های سال‌های قبل، تهیه شد که از روی آن کلماتی که خیلی شبیه به نام‌های فارسی بودند تشخیص داده می‌شد. مثلاً اگر رایانه کلمه‌ای را «مصیبت» تشخیص داد، براساس بانک اطلاعاتی معلوم می‌شود که «مصیب» بوده است که یک نام ایرانی است.

۰   | ۰ | ۱۶۶ | ۸۶/۰۵/۲۹ | محمد لطیفی
OCR فناوری کامپیوتر

نظرات ۰  

هيچ نظري هنوز ثبت نشده است

ارسال نظر

ارسال نظر آزاد است، اما اگر قبلا در بیان ثبت نام کرده اید می توانید ابتدا وارد شوید.
تجدید کد امنیتی

منوي اصلي

ميکروبلاگينگ
  • هندزفری
  • آقا من کماکان با قدرت بر این باور هستم که یه نفر وقتی ما حواسِمون نیست میاد سیم هندزفری‌مونو گره میزنه در میره.

    ۰   | ۰ | ۱۹ | ۹۸/۰۹/۲۰ | محمد لطیفی
  • کودکانِ بدون آزادی
  • خودِ واقعیِ هر یک از ما کودکِ‌کوچکی است که هنوز رشد نیافته. گاهی اوقات وقتی به ما خوش می‌گذرد یا داریم بازی می‌کنیم، وقتی احساس شادی می‌کنیم، وقتی نقاشی می‌کنیم، یا شعر می‌نویسیم، یا پیانو می‌زنیم ، یا به هر طریقی احساسات خود را بیان می‌کنیم این کودک بیرون می‌آید.اینها شادمانه‌ترین لحظاتِ زندگیِ ما هستند. وقتی خودِ واقعیِ ما بیرون می‌آید، وقتی به گذشته نمی‌اندیشیم و دلواپس آینده نیستیم. آن‌وقت شبیه بچه‌ها می‌شویم.

    اما یک چیز هست که همهٔ اینها را عوض می‌کند، وما به آن مسئولیت می‌گوئیم. جامعه می‌گوید «صبر کن، تو مسئولی، وظایفی داری که باید انجام بدهی،باید کار کنی،باید مدرسه بروی،باید زندگی را اداره کنی.»همهٔ این مسئولیت ها به ذهن هجوم می‌آورند. آنوقت چهرهٔ ما عوض می‌شود و دوباره جدی می‌شویم.

    اگر وقتی که بچه‌ها ادای بزرگتر‌ها را در می‌آورند نگاهشان کنید،می‌بینید که چهره‌شان تغییر می‌کند . میگویند:«مثلاً من یک وکیل هستم»، آنوقت صورت جدی یک آدم بزرگ را به خود می‌گیرند. ما به دادگاه می‌رویم و همان چهره را در آنجا می‌بینیم و این همان است که هستیم. ما هنوز بچه ایم،اما آزادی خود را از دست داده‌ایم.

    بخشی از کتاب چهار میثاق (نویسنده: دون میگوئل روئیز)

    ۱   | ۲ | ۳۷ | ۹۸/۰۹/۰۸ | محمد لطیفی
  • سرکشیِ دولت در جیب مردم
  • وزیرِ تعاون: چه تمام کسانی که کمک هزینه معیشت دریافت کرده‌‌اند و چه کسانی که دریافت نکرده‌‌اند و اعتراض کرده‌‌اند تا آخرِ ماه بایستی این مجوز رو به دولت بدهند که دولت در تمام حسابهایِ بانکیِ آنها سرکشی کند، در غیرِ اینصورت کمک هزینه قطع خواهد شد!

    این هم خبرِ جدیدِ امروز که از زبان وزیر تعاون شنیدیم. دیگه واقعا نمی‌دونم چی باید گفت از طرفی ۵۰ هزارتومان اصلاً ارزش این رو نداره که اجازه بدی هرکسی دلش خواست بیاد و حسابهایِ بانکیت رو بررسی بکنه و از طرفِ دیگه هم خیلی از افراد هستند که واقعاً زیر این فشارِ سنگینِ گرانی و تورم دارن له می‌شن، مثل کارگرانی که ۵ یا ۶ ماههِ حقوق نگرفتن و چه بسا اونهایی که حقوق هم گرفتن مشکلات مالی زیادی دارن.

    با وجود این اوضاع احتمالاً تا چند ماه دیگه باید به دولت اجازه بدیم هرچقدر پول احتیاج داره خودش از حسابمون برداشت کنه.

    کاش مسئولین کمی هم برای مردم حُرمت و ارزش قائل بودند و بجای تفره رفتن از پرداختِ حق مردم و سَرک کشیدن در خصوصی‌ترین مسائلِ اونها پای حرفِ دلِ مردم و شنیدنِ مشکلاتشان می‌نشستند.

    ۱   | ۱ | ۴۰ | ۹۸/۰۹/۰۵ | محمد لطیفی
  • زیر ساختِ افتضاح
  • متاسفانه بعد از اتفاقاتِ اخیر و قطع شدنِ اینترنتِ بین المللی خیلی‌ها با مشکلاتِ جدی مواجه شدن مثل دسترسی به ایمیل‌ها و شبکه‌های اجتماعی و... متاسفانه ما حتی یک موتور جستجوی بومی هم نداریم که لااقل سایت‌های داخلی رو جستجو کنیم. البته دوستان چنتا معرفی کردن مثل: یوز (که اصلا باز نمیشه)، پارسی جو(که فقط نتایج ویکی‌پدیا رو نشون میده)، سلام (که ظاهرا تعطیله) و... 

    ۰   | ۰ | ۴۵ | ۹۸/۰۸/۲۸ | محمد لطیفی
  • شب نوشت
  • بعضی شبها اگه از اون تایمی که باید بخوابم دیرتر بخوابم دیگه خوابم نمیبره و دیگه مغزم offنمیشه، همینجوری میگرده دنبال موضوعات مختلف و تجزیه و تحلیل اتفاقاتِ بی‌‌اهمیت. گاهی هم چند ساعت توی مغزم در حال کَل‌کَل در مورد یه موضوع مسخره با یه شخص خیالی هستم. البته یه مدت سعی میکردم از این همه فسفر سوزی شبانه استفاده‌ی مثبت بکنم تا اینکه کار بجایی رسید که توی خواب برنامه نویسی می‌کردم یا اینکه فرمولهای عجیب غریب اکسل توی ذهنم می‌نوشتم. ولی بَدیِ این کار این بود که اگه به نتایج مهمی میرسیدی تا از رختخواب بلند نمیشدی و محتویات مغزت رو توی کامپیوتر خالی نمیکردی دیگه نمیشد که بخوابی.

    خلاصه امشبم یکی از اون شباست. (خوب بخوابید)

    اگر الان نصفه شبه و هنوز بیدارین یه نگاهی هم به اینجا بندازید.

    ۰   | ۰ | ۷۳ | ۹۸/۰۸/۱۲ | محمد لطیفی
  • زندگی زیبا می شود
  • روزی هزار بار شکر که دخترم شدی  ،   روزی هزار بار شکر که بابایت شدم

    ۰   | ۰ | ۲۳۸ | ۹۸/۰۴/۰۲ | محمد لطیفی
  • تولد دخترم
  • خیلی خوشحالم چون دختر کوچولوم به دنیا اومده.  حس میکنم که زیبا ترین صدایی که تا به حال شندیم صدای نفس های دخترمه.دوستت دارم بابایی...

    ۰   | ۰ | ۳۰۲ | ۹۸/۰۲/۳۰ | محمد لطیفی
  • میکروبلاگینگ هشت
  • دیشب خیلی خندیدیم، خدا به خیر بگذرونه. معمولا وقتی زیادی بهم خوش میگذره بلافاصله روزگار تلافیشو سرم در میاره.

    ۰   | ۰ | ۴۴۹ | ۹۷/۱۱/۱۸ | محمد لطیفی
  • میکروبلاگینگ هفت
  • گاهی گمان نمی‌کنی ولی خوب میشود
    گاهی نمی‌شود که نمی‌شود 
    گه جور میشود خود آن بی مقدمه
    گه با دو صد مقدمه ناجور می‌شود
    گاهی هزار دوره دعا بی اجابت است
    گاهی نگفته قرعه به نام تو می‌شود
    گاهی گدایِ گدایی و بَخت با تو یار نیست
    گاهی تمام شهر گدایِ تو می‌شود
    گاهی تمام آبیِ این آسمانِ ما
    یکباره تیره گشته و بی رنگ می‌شود
    گویی به خواب بود جوانی مان گذشت
    گاهی چه زود فرصتمان دیر می‌شود

    ۰   | ۰ | ۴۱۳ | ۹۷/۱۱/۱۴ | محمد لطیفی
  • میکروبلاگینگ شش
  • توی بنگاه  نشسته بودیم و از شیشه‌هایِ بخار گرفته سعی میکردیم عبورِ  مبهمِ آدم‌ها رو تماشا کنیم که دوتا مرد اومدن داخل، یکی مُتشخص و خوش صحبت و اون یکی لاغر، کم حَرف و شایدم معتاد. برادرِ خوش صحبت سعی می‌کرد تو این آشفته بازار یه خونه با قیمتِ مناسب برای برادرش پیدا کنه. هرچی قیمت‌هایِ نجومی رو یکی یکی واسش میگفتیم "کم حرف" به سمت در خروجی نزدیک‌تر می‌شد، تا اینکه چند دقیقه‌ی آخر چسبیده بود به شیشه‌ی بخار گرفته. وقتی کارشون تموم شد و چیزی هم براشون پیدا نشد هر دو رفتن و روی شیشه‌ی بخار گرفته نوشته شده بود "EBI".

    خیلی دلم میخواست بدونم توی اون وضعیت کدوم آهنگ اِبی رو زمزمه می‌کرد…

    ۰   | ۰ | ۴۴۸ | ۹۷/۱۰/۲۳ | محمد لطیفی
پربيننده ترين مطالب
محبوب ترين مطالب
Copyright © iranew.com 2005-2019