Что такое OCR и какие этапы пайплайна (детекция → распознавание)?

OCR (Optical Character Recognition) — это технология, позволяющая преобразовывать изображения с текстом (например, сканы документов или фотографии) в машинно-читаемый текст.

Основные этапы пайплайна OCR:

1. Детекция текста — нахождение областей на изображении, где расположен текст. Это может быть выделение строк, слов или отдельных символов. Часто используется компьютерное зрение и алгоритмы сегментации.

2. Распознавание текста — преобразование найденных областей с изображением символов в соответствующие символы текста. Здесь применяются модели машинного обучения, например, сверточные нейронные сети или рекуррентные сети.

3. Постобработка — исправление ошибок распознавания, проверка орфографии, объединение символов в слова и предложения.

Пример упрощённого пайплайна:

# Псевдокод
image = load_image('document.jpg')
text_regions = detect_text_regions(image)  # детекция
recognized_text = []
for region in text_regions:
    text = recognize_text(region)  # распознавание
    recognized_text.append(text)
final_text = postprocess(recognized_text)  # постобработка

Таким образом, OCR позволяет автоматизировать ввод текста из изображений, что полезно для цифровизации документов, обработки счетов, распознавания номеров и т.д.