OCR پیشرفته برای چالش‌های اسناد مدرن

EasyOCR چیست؟

EasyOCR یک کتابخانه متن‌باز تشخیص نوری کاراکتر (OCR) است که توسط Jaided AI توسعه یافته و برای استخراج متن از تصاویر و اسناد اسکن شده با دقت بالا طراحی شده است. این کتابخانه مبتنی بر PyTorch بوده و از بیش از 80 زبان از جمله لاتین، چینی، عربی و دیگر زبان‌ها پشتیبانی می‌کند. EasyOCR به دلیل سهولت استفاده شناخته شده است و تنها با چند خط کد قابل پیاده‌سازی می‌باشد که آن را به انتخاب ایده‌آلی برای توسعه‌دهندگان و محققان در پروژه‌های تشخیص متن تبدیل می‌کند. با مدل‌های از پیش آموزش دیده یادگیری عمیق، می‌تواند متن را در فونت‌های مختلف، دستنوشته‌ها و پس‌زمینه‌های پیچیده به طور مؤثر تشخیص دهد. چه برای پردازش خودکار اسناد، تشخیص پلاک خودرو یا استخراج متن از تصاویر، EasyOCR یک راه‌حل قدرتمند و سبک ارائه می‌دهد. این سیستم ترکیبی از:

• تشخیص چند مدلی: مکان‌یابی متن مبتنی بر CRAFT تقویت شده با backbone ResNet
• تشخیص تطبیقی: مدل‌های خاص برای هر نوع نوشتار (CRNN برای لاتین، Transformer برای CJK)
• پردازش مبتنی بر زمینه: بازسازی پاراگراف‌ها و حفظ ترتیب خواندن

معیارهای عملکرد نتایج ثابتی را در انواع مختلف اسناد نشان می‌دهد:

معماری این سیستم اسناد را در سه مرحله بهینه پردازش می‌کند:

1. تشخیص: تقسیم‌بندی ناحیه متن در سطح پیکسل
2. شناسایی: پیش‌بینی دنباله با مدل‌سازی زبان
3. بازسازی: نگاشت روابط فضایی

آمار GitHub

نام:
زبان:
ستاره ها:
چنگال:
مجوز:
آخرین به روز رسانی مخزن در

قابلیت‌های فنی اصلی

1. تشخیص پیشرفته متن

سیستم تشخیص شامل:

• تولید نقشه حرارتی در سطح کاراکتر
• مدیریت نواحی متن با اشکال دلخواه
• پشتیبانی از چندین جهت‌گیری (0-360 درجه)
• سرکوب نویز پس‌زمینه

2. سیستم شناسایی ترکیبی

مدل‌های شناسایی برای هر نوع نوشتار بهینه شده‌اند:

• لاتین/سیریلیک: CRNN با 7 لایه CNN + BiLSTM
• چینی/ژاپنی/کره‌ای: Transformer با 12 هد توجه
• عربی/عبری: BiLSTM راست به چپ با توکن‌سازی سفارشی

3. ویژگی‌های سازمانی

• تخمین خودکار کیفیت
• تنظیمات قابل پیکربندی دقت/فراخوانی
• تخصیص منابع با آگاهی از سخت‌افزار

نصب و پیکربندی

نیازمندی‌های سیستم

گزینه‌های نصب

pip install easyocr  # نصب وابستگی‌های فقط CPU

pip install easyocr torch torchvision --index-url https://download.pytorch.org/whl/cu118

docker run -it --gpus all -v $(pwd):/data \
  -e LANG_LIST="en,fr,es" \
  jaidedai/easyocr

نمونه‌های عملی پیاده‌سازی

1. خط لوله پردازش اسناد

گردش کار کامل OCR با پیش‌پردازش و اعتبارسنجی:

from easyocr import Reader
import cv2
import numpy as np

class DocumentOCR:
    def __init__(self, languages=['en']):
        self.reader = Reader(languages, gpu=True)
        
    def preprocess(self, image):
        # بهبود کنتراست
        lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
        l, a, b = cv2.split(lab)
        clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8))
        limg = cv2.merge([clahe.apply(l), a, b])
        return cv2.cvtColor(limg, cv2.COLOR_LAB2BGR)
    
    def process(self, image_path):
        img = cv2.imread(image_path)
        processed = self.preprocess(img)
        results = self.reader.readtext(processed,
                                    batch_size=4,
                                    paragraph=True,
                                    min_size=50,
                                    text_threshold=0.8)
        return {
            'text': [r[1] for r in results],
            'confidence': np.mean([r[2] for r in results])
        }

# نحوه استفاده
ocr = DocumentOCR(languages=['en','fr'])
result = ocr.process('legal_contract.jpg')
print(f"میانگین دقت: {result['confidence']:.2%}")

2. پردازش دسته‌ای فاکتورها

استخراج فیلدهای کلیدی از چندین قالب فاکتور:

import easyocr
import re
from pathlib import Path

reader = easyocr.Reader(['en'])

INVOICE_PATTERNS = {
    'invoice_no': r'Invoice\s*Number[:#]?\s*([A-Z0-9-]+)',
    'date': r'Date[:]?\s*(\d{2}[/-]\d{2}[/-]\d{4})',
    'amount': r'Total\s*Due[:]?\s*\$?(\d+\.\d{2})'
}

def process_invoices(folder):
    results = []
    for invoice in Path(folder).glob('*.pdf'):
        text = '\n'.join(reader.readtext(str(invoice), detail=0))
        extracted = {field: re.search(pattern, text) 
                    for field, pattern in INVOICE_PATTERNS.items()}
        results.append({
            'file': invoice.name,
            'data': {k: v.group(1) if v else None 
                     for k, v in extracted.items()}
        })
    return results
invoices_data = process_invoices('/invoices/')

بهینه‌سازی عملکرد

شتاب‌دهی با GPU

• پردازش دسته‌ای: اندازه‌های بهینه دسته (4-16 بسته به حافظه GPU)
• مدیریت حافظه: تقسیم خودکار اسناد بزرگ
• دقت ترکیبی: استنتاج FP16 با Tensor Cores

تنظیم دقت

• آستانه‌های کنتراست: تنظیم contrast_ths برای اسکن‌های با کیفیت پایین
• فیلتر اندازه متن: تنظیم min_size برای نادیده گرفتن متن کوچک
• اولویت‌دهی زبان: مرتب‌سازی زبان‌ها بر اساس فراوانی مورد انتظار

محصولات مشابه