OCR online

Optisk tegngenkendelse er ældre end pc'en: Kurzweil Reading Machine læste i 1976 trykte bøger højt for blinde brugere. Open source-motoren Tesseract begyndte hos Hewlett-Packard i 1980'erne, blev udgivet som open source i 2005 og fik en genkender baseret på et neuralt netværk (LSTM) i version 4.0 i 2018. Moderne motorer finder tekstområder og derefter linjer og genkender hver linje som en sekvens frem for bogstav for bogstav, og derfor klarer de tætte mellemrum og ligaturer bedre end ældre software.

Det, der kommer ud, er tekst plus positioner. Vælg Almindelig tekst (.txt), når du vil indsætte ordene et andet sted, Word (.docx) for at redigere med layoutet bevaret, Søgbar PDF, når scanningen skal forblive, som den er, og Markdown til noter og dokumentation. Studerende bruger det på gamle eksamenssæt og trykte håndouts, kontorer på fakturaer og breve, udviklere på skærmbilleder af fejlmeddelelser.

OCR genkender tegn, ikke mening. Den kan ikke vide, om en linje er en overskrift eller en billedtekst, den kan ikke læse tekst skjult under et stempel, og den ved ikke, om et forkert aflæst tal giver mening. Diagrammer, figurer og fotos bliver ikke beskrevet; kun ord trykt i dem læses. Matematisk notation kommer ud som almindelige tegn, ikke som ligninger.

Den er heller ikke en oversætter: Resultatet er på originalens sprog. Til et dokument, der allerede indeholder rigtig tekst, er OCR det forkerte værktøj, for PDF til tekst læser den eksisterende tekst hurtigere og uden fejl. Til scanninger, der skal forblive PDF-filer, brug OCR PDF, og til Word-resultat fra billeder, billede til Word.