تعریف اصطلاحمدیریت اسناد و بایگانی
OCR چیست؟ جستجو در متن نامه‌ها و اسناد اسکن‌شده فارسی
OCR یا تشخیص نوری نویسه فناوریای است که حروف و کلمات را در تصویر یک سند شناسایی و به متن قابل جستجو تبدیل میکند، بی‌آن‌که تصویر اصلی حذف شود. OCR فارسی بهدلیل خط پیوسته، نقطه‌ها، نیمفاصله و نویسه‌های عربی دشوارتر است؛ پس کیفیت اسکن، یکسانسازی نویسهها و بررسی انسانی فیلدهای کلیدی اهمیت دارد.
خلاصه در چند نکته
- OCR تصویر سند را به لایه متنی قابل جستجو تبدیل میکند و تصویر اصلی را نگه می‌دارد.
- مراحل اصلی: پیش‌پردازش تصویر، تشخیص چیدمان، تفکیک خط و کلمه، شناسایی نویسه و پس‌پردازش.
- چالش‌های OCR فارسی: خط پیوسته، نقطه‌ها، نیمفاصله، ی و ک عربی، اعداد، مهر و دستنوشته.
- بدون یکسانسازی نویسهها، متن استخراجشده در جستجو پیدا نمیشود.
- در دبیرخانه، OCR موضوع و شماره مبدأ را پیشنهاد میدهد و ثبت‌کننده تأیید میکند.
- جستجو روی متن OCR باید همان سطح دسترسی سند را رعایت کند.
- مرجع حقوقی تصویر اصلی سند است، نه متن OCR.
فهرست مطالب
دبیرخانه‌ای را تصور کنید که هر روز ده‌ها نامه کاغذی اسکن میکند. تصویرها مرتب در سامانه ذخیره می‌شوند، اما وقتی کسی دنبال «نامه بیمه درباره خسارت انبار» می‌گردد، جستجو چیزی پیدا نمی‌کند؛ چون از نگاه کامپیوتر، تصویر اسکن‌شده فقط مجموعه‌ای از نقطه‌های رنگی است، نه متن. فاصله بین «تصویر نامه» و «متن قابل جستجوی نامه» را فناوری OCR پر میکند.
OCR چیست؟
OCR (Optical Character Recognition) یا تشخیص نوری نویسه فناوریای است که حروف و کلمات را در تصویر یک سند (اسکن، عکس یا PDF تصویری) شناسایی میکند و آن را به متن قابل جستجو، کپی و پردازش تبدیل میکند. وقتی کسی از «تبدیل عکس به متن فارسی» صحبت میکند، در واقع درباره OCR صحبت میکند.
OCR تصویر را حذف نمی‌کند؛ در کنار آن یک لایه متنی می‌سازد. کاربر همچنان تصویر اصلی نامه را می‌بیند، اما جستجو روی متن استخراجشده انجام میشود.
OCR چطور کار میکند؟ به زبان ساده
- پیش‌پردازش تصویر: صاف کردن کجی، حذف نویز و لکه، تنظیم کنتراست و تبدیل به سیاه و سفید.
- تشخیص چیدمان: کجای صفحه متن است، کجا جدول، کجا مهر و امضا و کجا سربرگ.
- تفکیک خط و کلمه: پیدا کردن سطرها و کلمات.
- شناسایی نویسهها: تطبیق شکل‌ها با حروف. سامانه‌های جدیدتر از مدل‌های یادگیری ماشین استفاده می‌کنند که کل کلمه یا سطر را با هم می‌خوانند.
- پس‌پردازش: اصلاح خطاهای محتمل با کمک واژه‌نامه و بافت جمله، و یکسانسازی نویسهها.
خروجی، متنی است که به سند متصل میشود و در جستجو و فراداده به کار می‌رود.
محدودیت‌های OCR فارسی
OCR فارسی دشوارتر از OCR لاتین است و دانستن دلیلش به تنظیم انتظار کمک میکند:
| چالش | چرا مشکل‌ساز است |
|---|---|
| خط پیوسته | حروف به هم چسبیده‌اند و شکلشان بسته به جایگاه (اول، وسط، آخر، تنها) عوض میشود |
| نقطه‌ها | تفاوت «ب، پ، ت، ث» فقط در نقطه است؛ لکه یا نویز می‌تواند نقطه بسازد یا حذف کند |
| نیمفاصله | «میشود» و «می شود» و «میشود» در خروجی متفاوت‌اند و جستجو را تحت تأثیر قرار می‌دهند |
| نویسه‌های عربی و فارسی | «ی» و «ي»، «ک» و «ك» در ظاهر شبیه‌اند اما در رایانه دو نویسه جدا هستند |
| اعداد | ارقام فارسی، عربی و لاتین در یک سند کنار هم می‌آیند |
| متن دوجهته | جمله فارسی با شماره، کد یا واژه انگلیسی در میانه |
| مهر و امضا | روی متن می‌افتند و بخشی از کلمات را می‌پوشانند |
| دستنوشته | هامش‌ها و یادداشت‌های دستی، دقت را به‌شدت کم می‌کنند |
| کیفیت اسکن | فکس قدیمی، کپی چندباره یا عکس کج با موبایل |
نتیجه عملی: OCR فارسی روی نامههای تایپی با اسکن خوب معمولاً نتیجه قابل استفادهای میدهد، اما روی دستنوشته، تصویر بیکیفیت یا متن زیر مهر، خطا بیشتر است. OCR را برای جستجو و ثبت سریع به کار ببرید، نه بهعنوان جایگزین متن اصلی سند.
یکسانسازی: چرا متن استخراجشده همیشه پیدا نمیشود
فرض کنید OCR کلمه «شرکت» را با «ك» عربی استخراج کرده و کاربر با «ک» فارسی جستجو میکند. اگر سامانه نویسهها را یکسانسازی نکند، نتیجه‌ای پیدا نمیشود، هرچند کلمه دقیقاً همان است. یک جستجوی سازمانی خوب، هم هنگام ذخیره متن OCR و هم هنگام جستجو این موارد را یکسان میکند:
- «ي» و «ى» عربی به «ی» فارسی، «ك» به «ک»
- ارقام فارسی و عربی و لاتین به یک شکل
- نیمفاصله، فاصله و چسبیده در پیشوندها و پسوندهای رایج
- حذف اعراب و کشیده (ـ)
اگر سامانه شما این کار را نمی‌کند، کاربران را راهنمایی کنید که با بخشی از کلمه یا چند املای مختلف جستجو کنند.
کاربرد OCR در دبیرخانه و بایگانی
ثبت سریع نامه وارده
در دبیرخانه، OCR روی تصویر نامه وارده اجرا میشود و موضوع، شماره و تاریخ نامه مبدأ را برای ثبت پیشنهاد میدهد. ثبت‌کننده آن‌ها را بررسی و تأیید میکند، به جای این‌که همه چیز را از نو تایپ کند. اهمیت ثبت شماره مبدأ در کنار شماره داخلی را در دفتر اندیکاتور چیست توضیح داده‌ایم.
جستجوی تماممتن در اسناد اسکن‌شده
قراردادها، صورتجلسه‌های قدیمی و مکاتبات کاغذی پس از اسکن و OCR با جستجوی متن پیدا می‌شوند. برای مثال، جستجوی «پشتیبانی شبکه» همه نامه‌ها و قراردادهایی را که این عبارت در متنشان آمده نشان میدهد، حتی اگر در موضوع یا نام فایل نباشد.
دیجیتال‌سازی بایگانی کاغذی
وقتی سازمان اسناد قدیمی را اسکن میکند، OCR باعث میشود این بایگانی فقط یک انبار تصویر نباشد. روش طبقه‌بندی، کدگذاری و فراداده را هم‌زمان طراحی کنید؛ جزئیات در بایگانی الکترونیک اسناد.
متن OCR و محرمانگی
متن استخراجشده از یک نامه محرمانه، به همان اندازه خود نامه محرمانه است. اگر جستجوی سازمانی سطح دسترسی را رعایت نکند، کاربری که حق دیدن نامه را ندارد ممکن است از طریق نتایج جستجو یا پیش‌نمایش متن به محتوای آن برسد. شرط لازم: جستجو همان مجوز سند را رعایت کند. قواعد دسترسی را در نامه محرمانه چیست ببینید.
نکات عملی برای OCR دقیق‌تر
- کیفیت اسکن: تفکیکپذیری مناسب (معمولاً حدود ۳۰۰ نقطه در اینچ برای متن تایپی رایج است)، سند صاف و بدون سایه.
- اسکنر به جای موبایل برای حجم بالا؛ اگر عکس موبایل ناگزیر است، روبهرو و با نور یکنواخت.
- حذف منگنه و تا پیش از اسکن.
- یک سند در هر فایل: نامه و پیوست‌هایش را جدا یا با تفکیک روشن اسکن کنید.
- بررسی انسانی فیلدهای کلیدی: شماره، تاریخ و مبلغ استخراجشده را ثبت‌کننده تأیید کند.
- اصل تصویر را نگه دارید: مرجع حقوقی، تصویر اصلی سند است، نه متن OCR.
OCR، PDF متنی و تایپ دستی: کدام کجا؟
همه فایل‌ها به OCR نیاز ندارند. پیش از اجرای OCR روی همه چیز، نوع فایل را بشناسید:
| نوع ورودی | نیاز به OCR | توضیح |
|---|---|---|
| PDF ساخته‌شده از ورد یا سامانه | ندارد | متن از قبل در فایل هست و مستقیماً قابل جستجوست |
| PDF اسکن‌شده | دارد | فایل فقط تصویر صفحه است |
| عکس موبایل از نامه | دارد | با دقت کمتر، بهدلیل نور و زاویه |
| نامه کاغذی دست‌نویس | محدود | بهتر است فیلدهای کلیدی دستی ثبت شوند |
| فرم الکترونیک | ندارد | داده از ابتدا ساختاریافته است |
بهترین راه کاهش وابستگی به OCR، کم کردن ورود کاغذ است: نامههای داخلی و صادره را از ابتدا در سامانه بنویسید و از طرف‌های مکاتبه بخواهید در صورت امکان نسخه الکترونیک بفرستند. OCR برای کاغذی است که ناگزیر وارد میشود و برای بایگانی کاغذی گذشته.
سؤال‌هایی برای ارزیابی OCR در یک سامانه
در دوره آزمایشی، چند نامه واقعی سازمان خود را اسکن کنید و این سؤال‌ها را بپرسید:
- متن نامه تایپی معمولی چقدر درست خوانده میشود؟
- شماره و تاریخ نامه مبدأ درست استخراج میشود؟
- جستجو با «ک» و «ی» فارسی، متن استخراجشده با نویسه عربی را پیدا میکند؟
- متن OCR نامه محرمانه در جستجوی کاربر غیرمجاز دیده میشود یا نه؟
- تصویر اصلی کنار متن در دسترس است؟
این سؤال‌ها را کنار معیارهای چک‌لیست انتخاب نرم‌افزار اتوماسیون اداری بگذارید.
OCR، هوش مصنوعی و فراتر از متن
نسل جدید سامانه‌ها پس از OCR، قدم‌های بیشتری برمی‌دارند: طبقه‌بندی سند، استخراج موجودیت‌ها (نام اشخاص و سازمان‌ها، مبلغ، تاریخ)، خلاصه‌سازی و جستجوی معنایی. اصل مهم در همه این‌ها یکی است: مدل پیشنهاد میدهد، انسان تأیید میکند.
OCR در آریا آی‌تی
در دبیرخانه آریا آی‌تی اسکن، OCR، QR و بارکد برای ثبت سریع وارده در نظر گرفته شده و OCR موضوع و شماره مبدأ را برای جستجو آماده میکند. بایگانی اسناد جستجوی تماممتن و OCR روی تصویر نامه را همراه با سطح دسترسی و ردپای ممیزی دارد. در لایه دستیار و جستجوی هوشمند، هوش سند شامل OCR، طبقه‌بندی، استخراج موجودیت، خلاصه و جستجوی معنایی است و پاسخ‌ها فقط از داده و مجوز همان سازمان می‌آیند. برای سازمان‌هایی که هوش مصنوعی را روی کارتابل و دبیرخانه به‌صورت سفارشی می‌خواهند، راهکار هوش مصنوعی در اتوماسیون اداری بر پایه همان قاعده پیشنهاد مدل و تأیید انسان پیکربندی میشود.
جمع‌بندی
OCR تصویر سند را به متن قابل جستجو تبدیل میکند، بی‌آن‌که تصویر اصلی را حذف کند. OCR فارسی با چالش‌هایی مثل خط پیوسته، نقطه‌ها، نیمفاصله، نویسه‌های عربی و مهر روی متن روبه‌روست؛ پس کیفیت اسکن را جدی بگیرید، نویسهها را در جستجو یکسانسازی کنید، فیلدهای کلیدی را با بررسی انسانی تأیید کنید و مطمئن شوید جستجو همان سطح دسترسی سند را رعایت میکند.
نامه اسکن‌شده، قابل جستجو: با بایگانی اسناد آریا آی‌تی و دبیرخانه، تصویر نامه وارده با OCR به رکورد نامه وصل میشود و در جستجوی تماممتن پیدا میشود. ۷ روز رایگان با نامههای واقعی خود امتحان کنید.
پرسش‌های متداول
OCR چیست؟
+
OCR یا تشخیص نوری نویسه فناوریای است که حروف و کلمات را در تصویر یک سند، مثل اسکن یا عکس یا PDF تصویری، شناسایی و به متن قابل جستجو و کپی تبدیل میکند. تصویر اصلی حفظ میشود و متن بهعنوان لایهای کنار آن قرار میگیرد.
آیا OCR فارسی دقیق است؟
+
روی نامههای تایپی با اسکن باکیفیت معمولاً نتیجه قابل استفادهای میدهد، اما روی دستنوشته، تصویر بیکیفیت، متن زیر مهر یا فکس قدیمی خطا بیشتر است. بهتر است OCR برای جستجو و ثبت سریع به کار رود و فیلدهای کلیدی با بررسی انسانی تأیید شوند.
چرا متن استخراجشده با OCR در جستجو پیدا نمیشود؟
+
معمولاً بهدلیل تفاوت نویسهها مثل ی و ک عربی و فارسی، ارقام متفاوت یا نیمفاصله. جستجوی سازمانی خوب این نویسهها را هنگام ذخیره و جستجو یکسانسازی میکند.
OCR در دبیرخانه چه کاربردی دارد؟
+
روی تصویر نامه وارده اجرا میشود و اطلاعاتی مثل موضوع، شماره و تاریخ نامه مبدأ را برای ثبت پیشنهاد میدهد و متن نامه را برای جستجوی تماممتن آماده میکند.
برای OCR بهتر چطور اسکن کنیم؟
+
از اسکنر با تفکیکپذیری مناسب استفاده کنید، سند را صاف و بدون منگنه و سایه اسکن کنید، هر سند را در یک فایل جدا بگذارید و اگر ناچار به عکس موبایل هستید، روبهرو و با نور یکنواخت عکس بگیرید.