ଦସ୍ତାବେଜ ଓ OCR ପୁନଃପରୀକ୍ଷା କରନ୍ତୁ

What this lesson is about

ଲିଖାଯାଇଥିବା ଟେକ୍ସଟ୍, ପଢ଼ାଯିବା କ୍ରମ, ଟେବୁଲ୍ ଓ ଅସ୍ପଷ୍ଟ ବକ୍ସଗୁଡ଼ିକୁ ଯାଞ୍ଚ କରନ୍ତୁ। କେବେ ଏକ ଶବ୍ଦ ନିର୍ମାଣ କରନ୍ତୁନାହିଁ।

ଏକ ମୁଦ୍ରିତ ଇନଭଏସରେ ମୋଟର ଗୋଟିଏ ଅଙ୍କ ଲୁଚି ଯାଇଛି, ଏବଂ ଶେଷ ଧାଡ଼ି ସଠିକ୍ ଭାବେ ଯୋଗ ହେଉଛି। ଆପଣ କ'ଣ ଟାଇପ୍ କରିବେ?

Why this matters

ଏକ ଡାଟାସେଟ — ଯାହା ମଡେଲ୍ ଶିଖିବା ପାଇଁ ଉଦାହରଣ ଭାବେ ଥାଏ — ସଫା ଦେଖାଯିବା ସତ୍ତ୍ୱେ ବ୍ୟବହାର ଯୋଗ୍ୟ ନ ହେବା ସମ୍ଭାବନା ରହିଛି। ଗୋଟିଏ ନିର୍ମିତ ଅଙ୍କ କିମ୍ବା ଗୋଟିଏ ଭୁଲ୍ ଟେବୁଲ୍ ସେଲ୍ ପର୍ଯ୍ୟାପ୍ତ।

ପଢ଼ାଯିବା କ୍ରମକୁ ରଖି ଓ ଅସ୍ପଷ୍ଟ ଅକ୍ଷରଗୁଡ଼ିକୁ ଅସ୍ପଷ୍ଟ ଭାବେ ଚିହ୍ନିତ କରି OCR ସଠିକ୍ କରନ୍ତୁ।

ଆପଣ ଯାହା ଦେଖୁଛନ୍ତି ସେହି ଟାଇପ୍ କରନ୍ତୁ, ଯାହା ଲାଗୁଥାଏ ସେହି ନୁହେଁ।
ଶୀର୍ଷକ, ପଙ୍କ୍ତି ଏବଂ କଲମ୍ ଠିକ୍ ରଖନ୍ତୁ।
ଯାହା ପଢ଼ିବାକୁ ନ ହେଉଛି ସେହି ବକ୍ସକୁ କାମର ନିୟମ ଅନୁଯାୟୀ ଉପରକୁ ପଠାନ୍ତୁ।

Task

ଷ୍ଟାମ୍ପ ଲାଗିଥିବା ଇନଭଏସ୍ ଟୋଟାଲ୍ ପୁନଃପରୀକ୍ଷା କରନ୍ତୁ।

Weak approach ପ୍ରତ୍ୟେକ ପଙ୍କ୍ତି ଓ କଲମ୍ ସ୍ଥିର ରଖେ, ଏବଂ ଅକ୍ଷରଗୁଡ଼ିକୁ ସେମାନଙ୍କର ପୃଷ୍ଠାରେ ଥିବା ଭାବରେ ଠିକ୍ ଠିକ୍ ଟାଇପ୍ କରେ। ତାପରେ ଉପ-ମୋଟରୁ ଲୁଚିଥିବା ସଂଖ୍ୟା ମିଳାଇ 1,890 ଟାଇପ୍ କରେ। ଏବେ ପୃଷ୍ଠାରେ ଏମିତି ଏକ ସଂଖ୍ୟା ରହିଛି ଯାହା କେହି ଦେଖିପାରିନଥିଲେ, ଏବଂ ମୁଦ୍ରିତ ବକ୍ସଟି କେବେ ଉପରକୁ ପଠାଯାଇନଥିଲା।

Stronger approach ଅଙ୍କକୁ ଅସ୍ପଷ୍ଟ ଭାବେ ଚିହ୍ନିତ କରନ୍ତୁ, ଯେଉଁ ଅକ୍ଷର ଦେଖାଯାଉଛି ସେଗୁଡ଼ିକୁ ରଖନ୍ତୁ ଓ ସେହି ସଠିକ୍ ଅଂଶକୁ ପୁନଃପରୀକ୍ଷା ପାଇଁ ପଠାନ୍ତୁ।

Why the stronger approach works ଦୁଇଜଣ ରିଭ୍ୟୁଅର୍ ଦଲିଲର ଆକୃତିକୁ ରକ୍ଷା କଲେ। ତାହାରୁ ଗୋଟିଏ ଆକଡ଼ାଗୁଡ଼ିକୁ ମେଳ କରାଇଲେ, ଏବଂ ପୃଷ୍ଠାରେ ଏହା କିଛି ଲେଖା ନଥିଲା।

Try a changed situation ଏହି ପୃଷ୍ଠାଟି ବର୍ତ୍ତମାନ ହାତରେ ଲିଖିତ ଏକ ବିଦ୍ୟାଳୟ ଉପସ୍ଥିତି ରେଜିଷ୍ଟର ଯେଉଁଥିରେ ଦୁଇଟି କଲମ୍ ଏକାଠା ହୋଇଛି। ଆପଣ କ'ଣ ସୁରକ୍ଷିତ କରିବେ?

Make something yourself ଚାରିଟି ଧାଡ଼ିର OCR ଚେକଲିଷ୍ଟ ତିଆରି କରନ୍ତୁ: ଟେକ୍ସଟ୍, ଲେଆଉଟ୍, ଟେବୁଲ୍ ଓ ଯାହା ଅସ୍ପଷ୍ଟ।

Read the primary or official source: Jaume et al., FUNSD: form understanding in noisy scanned documents (arXiv)