न्यूरल ओसीआर: कागदावरील हस्तलिखित किंवा छापलेले शब्द कॅमेरा कसा अचूक वाचतो?

कागदावरील अक्षरांचे डिजिटल शब्दात होणारे झटपट रूपांतर

डॉक्टरांच्या हाताने लिहिलेली औषधांची चिठ्ठी, किराणा दुकानाची घडी पडलेली पावती किंवा जुन्या पुस्तकातील दुर्मीळ पान... फोनचा कॅमेरा त्यावर धरताच स्क्रीनवर ते सर्व शब्द टाईप केलेल्या अक्षरांसारखे उमटतात. तुम्ही ते शब्द कॉपी करू शकता, व्हॉट्सॲपवर पाठवू शकता किंवा गुगलवर भाषांतरित करू शकता. डोळ्यांना थक्क करणाऱ्या या सुविधेला फोटोतील अक्षरांचे संपादन करता येणाऱ्या लेखी मजकुरात रूपांतर करणारे तंत्रज्ञान (ऑप्टिकल कॅरेक्टर रेकग्निशन किंवा ओसीआर) म्हणतात. हाताने घाईत लिहिलेल्या अक्षरांची ओळख पटवणे (हस्तलिखित ओळख) आता या आधुनिक तंत्रज्ञानामुळे प्रत्येकाच्या खिशात उपलब्ध झाले आहे.

सुरुवातीचे ओसीआर तंत्रज्ञान साचेबंद डिजिटल ठशांशी अक्षरे जुळवून पाहण्याच्या पद्धतीवर (मॅट्रिक्स टेम्पलेट मॅचिंग) चालायचे. जर कागद किंचित चुरगळलेला असेल किंवा अक्षराचा फॉन्ट वेगळा असेल, तर जुनी प्रणाली लगेच अपयशी ठरायची. आधुनिक न्यूरल ओसीआर मात्र माणसासारखा विचार करते. ते केवळ अक्षराचा आकार पाहत नाही, तर आजूबाजूच्या शब्दांचा अर्थ आणि व्याकरणही समजून घेते.

अस्पष्ट अक्षर आणि संदर्भाचा मेळ

पडद्यामागे ही प्रक्रिया तीन टप्प्यांत पार पडते. पहिली पायरी म्हणजे वाकड्या किंवा तिरक्या कागदाचा फोटो डिजिटल पद्धतीने सरळ करणे (जिओमेट्रिक रेक्टिफिकेशन). जर तुम्ही घाईत तिरक्या कोनातून फोटो काढला असेल, तर संगणक कागदाच्या चार कडा ओळखून त्याला अगदी सपाट टेबलवर ठेवल्यासारखे चपखल सरळ करतो.

दुसरी पायरी म्हणजे चित्रातील रेषा, वळणे आणि आकार समजून घेणारी संगणकीय नजर (कन्व्होल्युशनल व्हिजन मॉडेल्स). हे मॉडेल काना, मात्रा, वेलांटी, उकार आणि अनुस्वार यांसारखी देवनागरी लिपीतील सूक्ष्म चिन्हे स्वतंत्रपणे तपासते. तिसरी पायरी सर्वात महत्त्वाची असते, ज्याला वाक्याच्या संदर्भावरून अस्पष्ट अक्षरांचा अचूक अंदाज बांधणारे भाषा मॉडेल (लँग्वेज डिकोडर्स) म्हणतात. समजा एखाद्या जुन्या पावतीवर 'दू_ध' असे लिहिले आहे आणि मधले अक्षर धुरकट झाले आहे, तर संगणक मराठी भाषेच्या ज्ञानावरून ओळखतो की तिथे 'ध' असणार आहे.

याशिवाय आधुनिक प्रणाली पावती, तक्ते आणि रकान्यांची रचना समजून घेण्याचे कामही (स्पेशिअल लेआउट पार्सिंग) कुशलतेने करतात. बिल पाहताना एकूण रक्कम कोणती आणि कर किती हे आपोआप वेगळे होते. मात्र चकचकीत कागदावरून कॅमेऱ्यावर येणारे तीव्र परावर्तन (स्पेक्टक्युलर ग्लेअर) किंवा वायफाय पासवर्डसारख्या अक्षरे, आकडे आणि चिन्हांच्या गुंतागुंतीच्या मालिका (अल्फान्युमेरिक स्ट्रिंग्ज) वाचताना भाषा मॉडेलला संदर्भ नसतो, त्यामुळे तिथे मानवी पडताळणी गरजेची ठरते.

उत्कृष्ट ओसीआर निकालांसाठी उपयुक्त टिप्स

फोनवरून कागदपत्रे स्कॅन करताना सर्वोत्तम निकाल मिळवण्यासाठी काही साधे नियम पाळावेत:

• चांगल्या प्रकाशात थेट वरून फोटो काढा: कागदावर स्वतःच्या हाताची किंवा फोनची सावली पडणार नाही अशा प्रकारे चांगल्या प्रकाशात फोटो घ्या.
• कागद शक्य तितका सपाट ठेवा: चुरगळलेला कागद हाताने थोडा सरळ करून मगच कॅमेरा स्थिर धरून फोटो टिपल्यास अक्षरे सुस्पष्ट येतात.
• आकडे आणि बँक तपशीलांची मानवी पडताळणी करा: फोन नंबर, बँक खाते क्रमांक किंवा पैशांचे आकडे ओसीआरने वाचल्यानंतर स्वतःच्या डोळ्यांनी तपासून खात्री करा.
• अतिप्राचीन दस्तऐवजांसाठी उच्च रिझोल्यूशन वापरा: जुनी मोडी लिपी किंवा ऐतिहासिक कागदपत्रे स्कॅन करताना कॅमेऱ्याचा हाय-क्वालिटी मोड वापरा.

न्यूरल ओसीआरने कागदी दस्तऐवज आणि डिजिटल जग यामधील दरी कायमची मिटवली आहे. जुन्या नोंदी शोधण्यासाठी आता कपाटातील धुळीने भरलेल्या फायली तासनतास चाळण्याची अजिबात गरज उरलेली नाही. एका क्षणात हजारो कागदपत्रांचे संगणकात शोधण्यायोग्य आणि संपादन करता येणाऱ्या मजकुरात रूपांतर करून हे तंत्रज्ञान सामान्य माणसाचा आणि कर्मचाऱ्यांचा बहुमूल्य वेळ आणि श्रम वाचवते.