Online OCR

Optische tekenherkenning is ouder dan de pc: de Kurzweil Reading Machine las in 1976 gedrukte boeken voor aan blinde gebruikers. De opensource-engine Tesseract begon in de jaren 80 bij Hewlett-Packard, werd in 2005 als opensource uitgebracht en kreeg in 2018 met versie 4.0 een neuraal netwerk (LSTM) als herkenner. Moderne engines zoeken eerst tekstgebieden, dan regels, en herkennen elke regel als een reeks in plaats van letter voor letter. Daarom gaan ze beter om met krappe tekenafstand en ligaturen dan oudere software.

Wat eruit komt is tekst plus posities. Kies Platte tekst (.txt) als u de woorden ergens wilt plakken, Word (.docx) om te bewerken met behoud van de opmaak, Doorzoekbare PDF als de scan ongewijzigd moet blijven, en Markdown voor notities en documentatie. Studenten gebruiken het voor oude tentamens en gedrukte handouts, kantoren voor facturen en brieven, ontwikkelaars voor screenshots van foutmeldingen.

OCR herkent tekens, geen betekenis. Het weet niet zeker of een regel een kop of een bijschrift is, kan geen tekst lezen die onder een stempel zit en heeft geen idee of een verkeerd gelezen getal klopt. Grafieken, diagrammen en foto's worden niet beschreven; alleen woorden die erin staan worden gelezen. Wiskundige notatie komt eruit als gewone tekens, niet als formules.

Het is ook geen vertaler: het resultaat is in de taal van het origineel. Voor een document dat al echte tekst bevat is OCR het verkeerde hulpmiddel, want PDF naar tekst leest de bestaande tekst sneller en zonder fouten. Voor scans die PDF moeten blijven gebruikt u OCR PDF, en voor Word-uitvoer uit afbeeldingen afbeelding naar Word.