نماذج OCR مفتوحة المصدر الشائعة وكيفية عملها

للحصول على شرح مرئي للمفاهيم التي تتناولها هذه المقالة، شاهد الفيديو أدناه.

تعتمد العديد من الشركات والأنظمة الرقمية على المعلومات الواردة في المستندات، مثل الفواتير الممسوحة ضوئياً، أو بطاقات الهوية، أو النماذج المكتوبة بخط اليد. ولكن عندما يتم تخزين تلك المعلومات كصورة، يصبح من الصعب على أجهزة الكمبيوتر البحث عنها أو استخراجها أو استخدامها في مهام متنوعة.

ومع ذلك، باستخدام أدوات مثل computer vision، وهو مجال من مجالات الذكاء الاصطناعي يمكن الآلات من تفسير وفهم المعلومات المرئية، أصبح تحويل الصور إلى نصوص أسهل بكثير. وOptical Character Recognition (OCR) على وجه الخصوص هي تقنية لرؤية الكمبيوتر يمكن استخدامها لاكتشاف النصوص واستخراجها.

يتم تدريب نماذج OCR على التعرف على النصوص بمختلف التنسيقات وتحويلها إلى بيانات قابلة للتحرير والبحث. وتُستخدم هذه النماذج على نطاق واسع في أتمتة المستندات، والتحقق من الهوية، وأنظمة المسح الضوئي في الوقت الفعلي.

في هذه المقالة، سنستكشف كيف تعمل نماذج OCR، والنماذج الشهيرة open-source، وأين يتم استخدامها، والتطبيقات الشائعة، والاعتبارات الرئيسية للاستخدام في العالم الحقيقي.

ما هو الـ OCR؟#

صُممت نماذج OCR لمساعدة الآلات على قراءة النصوص من المصادر المرئية، بشكل مشابه للطريقة التي نقرأ بها النصوص المطبوعة أو المكتوبة بخط اليد. تأخذ هذه النماذج مدخلات مثل المستندات الممسوحة ضوئياً، أو الصور، أو صور الملاحظات المكتوبة بخط اليد وتحولها إلى نص رقمي يمكن البحث فيه، أو تحريره، أو استخدامه في الأنظمة البرمجية.

في حين كانت أنظمة OCR السابقة تتبع قالباً صارماً، تستخدم نماذج OCR الحديثة التعلم العميق للتعرف على النص. يمكنها التعرف بسهولة على أنواع مختلفة من خطوط النصوص، واللغات، وحتى خط اليد غير الواضح مع التعامل مع الصور منخفضة الجودة. جعلت هذه التطورات من نماذج OCR جزءاً أساسياً من الأتمتة في الصناعات كثيفة النصوص مثل التمويل، والرعاية الصحية، والخدمات اللوجستية، والخدمات الحكومية.

في حين أن نماذج OCR رائعة للصور التي تكون فيها النصوص واضحة ومظمة، إلا أنها قد تواجه تحديات عندما تظهر النصوص بجانب عناصر مرئية معقدة أو داخل مشهد ديناميكي. في هذه الحالات، يمكن استخدام نماذج OCR بجانب نماذج رؤية الكمبيوتر مثل Ultralytics YOLO11.

يمكن لنموذج YOLO11 من Ultralytics اكتشاف كائنات معينة في صورة، مثل اللافتات، أو المستندات، أو الملصقات، مما يساعد في تحديد مناطق النص قبل استخدام تقنية OCR لاستخراج المحتوى الفعلي.

على سبيل المثال، في المركبات ذاتية القيادة، يمكن لنموذج YOLO11 من Ultralytics اكتشاف لافتة توقف، ومن ثم يمكن لتقنية OCR قراءة النص، مما يسمح للنظام بتفسير كل من الكائن ومعناه بدقة.

الشكل 1. مثال على استخدام OCR (source).

نظرة عامة على كيفية عمل نماذج OCR#

الآن بعد أن غطينا ماهية OCR، دعنا نلقي نظرة فاحصة على كيفية عمل نماذج OCR فعلياً.

قبل استخدام نموذج OCR لقراءة واستخراج النص من صورة، عادة ما تمر الصورة بخطوتين مهمتين: المعالجة الأولية واكتشاف الكائنات.

أولاً، يتم تنظيف الصورة وتحسينها من خلال المعالجة المسبقة. يتم تطبيق تقنيات image processing الأساسية، مثل زيادة الحدة وتقليل الضوضاء وتعديل السطوع أو التباين، لتحسين الجودة العامة للصورة وجعل النص أسهل في الاكتشاف.

بعد ذلك، يتم استخدام computer vision tasks مثل اكتشاف الكائنات. في هذه الخطوة، يتم تحديد الكائنات المستهدفة المحددة التي تحتوي على نصوص - مثل لوحات الترخيص أو إشارات المرور أو النماذج أو بطاقات الهوية. من خلال تحديد هذه الكائنات، يعزل النظام المناطق التي يوجد بها نص ذو معنى، مما يهيئها للتعرف عليها.

فقط بعد هذه الخطوات يبدأ نموذج OCR في عمله. أولاً، يأخذ المناطق المكتشفة ويقسمها إلى أجزاء أصغر - تحديد الأحرف الفردية، أو الكلمات، أو أسطر النص.

باستخدام تقنيات التعلم العميق، يحلل النموذج الأشكال والأنماط والتباعد بين الحروف، ويقارنها بما تعلمه أثناء التدريب، ويتنبأ بالأحرف الأكثر احتمالاً. ثم يقوم بإعادة بناء الأحرف المعترف بها في نص متماسك لمزيد من المعالجة.

الشكل 2. فهم كيفية عمل OCR. الصورة بواسطة المؤلف.

نماذج OCR مفتوحة المصدر الشائعة#

عند بناء تطبيق رؤية حاسوبية يتضمن استخراج النص، فإن اختيار نموذج OCR المناسب يعتمد على عوامل مثل الدقة، ودعم اللغة، ومدى سهولة ملاءمته للأنظمة الواقعية.

في الوقت الحاضر، توفر العديد من النماذج مفتوحة المصدر المرونة، ودعم المجتمع القوي، والأداء الموثوق الذي يحتاجه المطورون. دعنا نستعرض بعض الخيارات الأكثر شيوعاً وما يجعلها متميزة.

Tesseract OCR#

Tesseract هو أحد أكثر نماذج OCR المفتوحة المصدر استخداماً اليوم. تم تطويره في البداية في مختبرات هيوليت باكارد في بريستول، إنجلترا، وغريلي، كولورادو، بين عامي 1985 و1994. في عام 2005، أصدرت HP برنامج Tesseract كبرنامج مفتوح المصدر، ومنذ عام 2006، تم صيانته بواسطة Google، مع مساهمات مستمرة من مجتمع المصدر المفتوح.

إحدى الميزات الرئيسية لـ Tesseract هي قدرته على التعامل مع أكثر من 100 لغة، مما يجعله خياراً موثوقاً للمشاريع متعددة اللغات. أدت التحسينات المستمرة إلى تعزيز موثوقيته في قراءة النصوص المطبوعة، خاصة في المستندات المنظمة مثل النماذج والتقارير.

الشكل 3. التعرف على النصوص باستخدام Tesseract OCR (source).

يُستخدم Tesseract بشكل شائع في المشاريع التي تتضمن scanning invoices، أو أرشفة الأوراق، أو استخراج النصوص من المستندات ذات التخطيطات القياسية. وهو يعمل بشكل أفضل عندما تكون جودة المستند جيدة ولا تختلف التخطيطات بشكل كبير.

EasyOCR#

وبالمثل، فإن [EasyQuery] أو EasyOCR هي مكتبة OCR مفتوحة المصدر تعتمد على Python وتم تطويرها بواسطة Jaided AI. وهي تدعم أكثر من 80 لغة، بما في ذلك النصوص اللاتينية والصينية والعربية والكرولية، مما يجعلها أداة متعددة الاستخدامات للتعرف على النصوص متعددة اللغات.

صُمم EasyOCR للتعامل مع النصوص المطبوعة والمكتوبة بخط اليد، ويعمل بشكل جيد مع المستندات التي تختلف في التخطيط أو الخط أو الهيكل. هذه المرونة تجعله خياراً رائعاً لاستخراج النص من مصادر متنوعة مثل الإيصالات، ولافتات الشوارع، والنماذج التي تحتوي على مدخلات بلغات مختلطة.

بناءً على PyTorch، تستفيد أداة EasyOCR من تقنيات التعلم العميق لاكتشاف النصوص التعرف عليها بدقة. وهي تعمل بكفاءة على كل من وحدات المعالجة المركزية (CPUs) وحدات معالجة الرسومات (GPUs)، مما يتيح لها التوسع حسب المهمة - سواء أكان ذلك معالجة بضعة صور محلياً أو التعامل مع دفعات كبيرة من الملفات على أنظمة أكثر قوة.

كأداة مفتوحة المصدر، يستفيد EasyOCR من التحديثات المنتظمة والتحسينات التي يقودها المجتمع، مما يساعده على البقاء محدثاً وقابلاً للتكيف مع مجموعة واسعة من احتياجات OCR الواقعية.

PaddleOCR#

PaddleOCR هي مجموعة أدوات OCR عالية الأداء تم تطويرها بواسطة Baidu والتي تجمع بين اكتشاف النص والتعرف عليه في مسار عمل مبسط واحد. مع دعم 80 لغة، يمكنها التعامل مع المستندات المعقدة مثل الإيصالات والجداول والنماذج.

ما يميز PaddleOCR هو أنه مبني على إطار عمل التعلم العميق PaddlePaddle. تم تصميم إطار عمل PaddlePaddle لتطوير ونشر نماذج الذكاء الاصطناعي بسهولة وموثوقية وقابلية للتوسع. كما يقدم PaddleOCR دقة عالية حتى على الصور منخفضة الجودة أو المزدحمة، مما يجعله خياراً جيداً لمهام OCR في العالم الحقيقي حيث تكون الدقة والموثوقية أساسية.

الشكل 4. مسار عمل PaddleOCR (source).

بالإضافة إلى ذلك، يتميز PaddleOCR بأنه معياري للغاية، مما يتيح للمطورين تخصيص خطوط الإنتاج الخاصة بهم عن طريق اختيار مكونات محددة للاكتشاف، والتعرف، والتصنيف. مع واجهات برمجة تطبيقات Python موثقة جيداً ودعم مجتمعي قوي، فإنه يعتبر حلاً مرناً وجاهزاً للإنتاج لمجموعة واسعة من تطبيقات OCR.

نماذج OCR أخرى شائعة مفتوحة المصدر#

فيما يلي بعض نماذج OCR مفتوحة المصدر الأخرى التي تُستخدم بشكل شائع:

• MMOCR: مصمم للمشاريع الأكثر تعقيداً، ويمكن لـ MMOCR اكتشاف النص وفهم كيفية تنظيمه على الصفحة أيضاً. إنه مثالي للعمل مع الجداول، والتخطيطات ذات الأعمدة المتعددة، والمستندات المعقدة بصرياً الأخرى.
• TrOCR: مبني على المحولات (Transformers)، وهو نوع من نماذج التعلم العميق الجيدة بشكل خاص في فهم تسلسلات النصوص، ويتفوق TrOCR في التعامل مع المقاطع الأطول والتخطيطات الفوضوية غير المنظمة. إنه خيار موثوق عندما يكون المحتوى مقروءاً كلغة مستمرة بدلاً من تسميات معزولة.

تطبيقات شائعة لنماذج OCR#

مع ازدياد تقدم تقنية OCR، توسع دورها إلى ما هو أبعد من الرقمنة الأساسية. في الواقع، يتم الآن اعتماد نماذج OCR عبر مختلف الصناعات التي تعتمد على المعلومات النصية. فيما يلي لمحة عن بعض الطرق التي يتم بها تطبيق OCR في الأنظمة الواقعية اليوم:

• Legal industry والاكتشاف الإلكتروني: تطبق شركات المحاماة تقنية OCR لمسح آلاف الصفحات من المستندات القانونية، مما يجعل العقود وطلبات المحاكم والأدلة قابلة للبحث لاكتشاف أسرع وتحليل أسرع.
• الرعاية الصحية: تستخدم المستشفيات نماذج OCR لرقمنة سجلات المرضى، وتفسير الوصفات الطبية المكتوبة بخط اليد، وإدارة تقارير المختبر بكفاءة. وهذا يبسط المهام الإدارية ويحسن الدقة عبر سير عمل الرعاية الطبية.
• الحفاظ التاريخي: تطبق المتاحف والمكتبات والأرشيفات OCR لرقمنة الكتب القديمة والمخطوطات والصحف، مما يحافظ على التراث الثقافي القيم ويجعله قابلاً للبحث للباحثين.
• التحقق من الهوية وجواز السفر: تعتمد العديد من أنظمة الإعداد الرقمي وأنظمة السفر على OCR لاستخراج البيانات الرئيسية من المستندات الصادرة عن الحكومة. تؤدي عمليات التحقق من الهوية الأسرع وعدد أقل من أخطاء الإدخال اليدوي إلى تجارب مستخدم أكثر سلاسة وأماناً أعلى.

الشكل 5. ماسح ضوئي يعتمد على OCR للتحقق من هوية جواز السفر. (source).

إيجابيات وسلبيات نماذج OCR#

قطعت نماذج OCR شوطاً طويلاً منذ أن تم تصورها لأول مرة في الخمسينيات. أصبحت الآن أكثر سهولة ودقة وقابلية للتكيف مع محتويات ومنصات مختلفة. فيما يلي نقاط القوة الرئيسية التي تجلبها نماذج OCR اليوم:

• تحسينات إمكانية الوصول: يساعد OCR في جعل المحتوى أكثر سهولة في الوصول إليه عن طريق تحويل المواد المطبوعة إلى تنسيقات يمكن قراءتها بواسطة برامج قراءة الشاشة للمستخدمين ضعاف البصر.
• يعزز خطوط أنابيب machine learning: يعمل كجسر يحول البيانات المرئية غير المنظمة إلى نص منظّم، مما يجعله قابلاً للاستخدام لننماذج التعلم الآلي في المراحل اللاحقة.
• الاستخراج بدون قوالب: لم يعد الـ OCR المتقدم يتطلب قوالب صارمة - فهو يستطيع استخراج المعلومات بذكاء حتى عندما تختلف التخطيطات بين المستندات.

على الرغم من مزاياها، لا تزال نماذج OCR تواجه بعض التحديات، خاصة عندما لا تكون المدخلات مثالية. فيما يلي بعض القيود الشائعة التي يجب وضعها في الاعتبار:

• حساسة لجودة الصورة: يعمل OCR بأفضل أداء مع الصور الواضحة؛ الصور الضبابية أو المظلمة يمكن أن تؤثر على النتائج.
• تواجه صعوبات مع بعض خطوط اليد أو الخطوط: الكتابة الفاخرة أو الفوضوية قد تظل محيرة حتى لأفضل النماذج.
• لا تزال المعالجة اللاحقة مطلوبة: حتى مع الدقة العالية، غالباً ما تحتاج مخرجات OCR إلى بعض المراجعة البشرية أو التنظيف، خاصة للمستندات المهمة.

أبرز النقاط#

يمكّن OCR أجهزة الكمبيوتر من قراءة النص من الصور، مما يجعل من الممكن استخدام تلك المعلومات في الأنظمة الرقمية. يلعب دوراً رئيسياً في معالجة المستندات واللافتات والملاحظات المكتوبة بخط اليد، وهو مؤثر في المجالات التي تكون فيها السرعة والدقة أمراً بالغ الأهمية.

غالباً ما تعمل نماذج OCR أيضاً جنباً إلى جنب مع نماذج مثل Ultralytics YOLO11، التي يمكنها اكتشاف الكائنات داخل الصور. معاً، تمكن هذه النماذج الأنظمة من فهم ما هو مكتوب ومكان ظهوره. مع استمرار تحسن هذه التقنيات، يصبح OCR جزءاً أساسياً من كيفية تفسير الآلات للعالم والتفاعل معه.

هل أنت مهتم برؤية الذكاء الاصطناعي؟ تفضل بزيارة our GitHub repository وتواصل مع our community لمواصلة الاستكشاف. تعرف على الابتكارات مثل AI in self-driving cars وvision AI in agriculture على صفحات الحلول الخاصة بنا. تحقق من our licensing options وابدأ في مشروع رؤية حاسوبية!