Перетворіть китайський текст на зображенні на редагований

Знімок екрана з китайською товарною етикеткою може містити саме потрібну інформацію, але виділити на ньому жодного слова не вдасться. Оптичне розпізнавання символів, або OCR, перетворює видимі знаки на редагований текст. Корисний результат — перевірена копія тексту: назва для пошуку, абзац для навчання або кількість, яку можна скопіювати без повторного введення.

Почніть із найчіткішого зображення, виберіть мову фактично надрукованого тексту й розпізнавайте по одній змістовій області. Потім звірте результат із зображенням, перш ніж перекладати, перетворювати спрощені ієрогліфи на традиційні або переносити числа в інший документ. Навіть природне на слух речення може містити хибний символ.

Виберіть найкраще доступне зображення

Спочатку спробуйте виділити оригінальний текст. Вебсторінка або PDF можуть уже мати придатний текстовий шар, хоча знімок екрана його не має. Скопіюйте короткий уривок і порівняйте з видимим текстом. Якщо копія точна, можна обійтися без розпізнавання. Використовуйте OCR, коли інформація існує лише у вигляді пікселів або наявний текстовий шар непридатний.

Вибирайте оригінальний знімок екрана або повнорозмірне фото, а не мініатюру, переслану через кілька повідомлень. Збільште зображення настільки, щоб роздивитися тонкі риски ієрогліфів. Якщо вони злилися чи зникли, подальше збільшення того самого розмитого зображення не відновить втраченої інформації. За можливості знайдіть чіткіше джерело.

Для нового фото розправте сторінку, спрямуйте камеру перпендикулярно до неї та забезпечте рівномірне світло. Перевірте, чи тіні, відблиски й вигин біля корінця книжки не затуляють потрібний уривок. Зображення, що лежить набік, треба повернути. Сторінка, яка звужується догори, потребує кращого знімка або виправлення перспективи в редакторі зображень.

Інструмент ChinaClue приймає PNG, JPEG і WebP з обмеженнями 15 МБ та 24 мільйони пікселів. Якщо джерело — PDF, спочатку експортуйте потрібну сторінку як зображення. Завелике зображення перед вибором файлу обріжте в редакторі до корисного фрагмента. Залиште навколо символів невеликий вільний край, щоб не зрізати риски.

Узгодьте мову та розташування тексту

Мова сайту й мова розпізнавання мають різні завдання. Можна працювати в англійському інтерфейсі та розпізнавати оголошення традиційними китайськими ієрогліфами. В OCR виберіть Традиційна китайська + англійська, оскільки цей варіант описує документ, навіть якщо згодом вам потрібен текст у спрощеному записі.

Для спрощених ієрогліфів використовуйте Спрощена китайська + англійська. Поєднання спрощеної, традиційної китайської та англійської вибирайте тоді, коли уривок справді їх змішує. Для суто англійського зображення виберіть Англійська. Додавання мов не замінює чіткого зображення й може потребувати завантаження додаткових даних розпізнавання.

Уявіть етикетку з написом 净含量 і її традиційну версію з 淨含量. Обидва позначають кількість нетто, але перший надрукований ієрогліф має різну форму. OCR спершу має відтворити знаки, наявні в джерелі. Вибір традиційної моделі не означає команду перетворити весь результат на традиційні ієрогліфи. Англійський інтерфейс також не є запитом на переклад англійською.

Налаштування описують розташування, а не тему. Цінник не обов’язково є розрізненим текстом: компактна етикетка може краще оброблятися як один блок. Почніть із варіанта, який відповідає вибраній області, і порівнюйте інший лише за наявності конкретної проблеми в першому результаті.

Розпізнавайте завершену область за раз

Відкрийте інструмент розпізнавання китайського тексту із зображення та виберіть файл. Перед запуском перевірте попередній перегляд. Кнопки повороту ліворуч і праворуч повертають зображення на 90 градусів. Спочатку поверніть його, а потім виділіть область, адже поворот скидає обрізання. Невеликий нахил виправляють у редакторі зображень, а не ще одним поворотом на чверть оберту.

Виділіть область перетягуванням у попередньому перегляді або налаштуйте відсотки положення ліворуч, положення згори, ширини та висоти. Включіть цілий абзац, етикетку або колонку. Якщо вирізати лише число, можна втратити одиницю вимірювання чи заголовок, необхідні для тлумачення. Якщо результат двоколонкової сторінки перемішує рядки, розпізнавайте колонки окремо.

Виберіть мову друкованого тексту та розташування, а потім натисніть Розпізнати текст. Браузер завантажить дані розпізнавання й обробить вибрану частину зображення на вашому пристрої. Для завантаження моделей усе одно потрібне з’єднання, тому обробка в браузері не означає постійної доступності сторінки без інтернету. Під час роботи залишайте вкладку відкритою; за потреби зупиніть процес кнопкою скасування.

Розпізнаний текст можна редагувати. Збережіть або скопіюйте потрібні виправлення перед повторним запуском, оскільки новий прохід замінює результат. Якщо працюєте з кількома областями, зберіть перевірені уривки у власному документі в потрібному порядку читання. Залиште заголовок або номер сторінки, щоб пізніше знайти джерело.

Спочатку перевірте змістові деталі

Під час перевірки тримайте зображення й текст перед очима одночасно. Почніть із деталей, де маленька помилка змінює завдання: імен, дат, заперечень, кількостей, одиниць і довідкових кодів. Потім прочитайте весь уривок, перевіряючи пропущені рядки й межі речень. Знайоме формулювання допомагає помітити проблему, але не дозволяє вигадувати знак, якого нечітко видно на зображенні.

Наступну етикетку створено для вправи; вона не є записом про справжній товар. Перевіряючи текст, залишайте назви полів поруч зі значеннями:

名称：绿茶
净含量：1.25 kg
编号：0018
单价：38.50 元

Якщо 1.25 kg перетвориться на 125 kg, втрачена десяткова крапка збільшить кількість у 100 разів. Правильне значення — 1 250 грамів. Це дає незалежну перевірку, якщо інший документ використовує грами. Якщо 0018 стане 18, числове значення може здаватися однаковим, проте код уже не матиме тих самих чотирьох символів.

Перевірте 38.50 посимвольно, включно з десятковою крапкою й останнім нулем. Переконайтеся, що 元 належить саме цій сумі, а не сусідньому значенню. OCR може розпізнати числа, але приєднати їх до неправильного рядка. Повторний розрахунок не виправить текст, у якому назву поля пов’язано не з тим значенням.

У китайському тексті уважно порівнюйте схожі форми: 未 і 末, а також 土 і 士 відрізняються пропорціями рисок. У буквено-цифровому коді відрізняйте цифру 0 від літери O. Це приклади для перевірки, а не твердження, що кожне зображення матиме такі помилки. Зберігайте розділові знаки й слова на кшталт 不, які можуть змінити зміст вказівки на протилежний.

Якщо не можете впевнено прочитати уривок, скористайтеся OCR, щоб отримати текст для пошуку, а сумнівні місця уточніть у компетентного читача або установи, яка видала документ. Переклад хибно розпізнаного тексту може звучати переконливо й водночас зберігати початкову помилку. Завершіть перевірку запису, перш ніж вважати переклад поясненням джерела.

Виправляйте конкретну проблему розпізнавання

Якщо результат порожній, спершу перевірте вибрану область: можливо, вона містить переважно порожнє місце, фотографію або надто дрібний текст. Поверніться до повного зображення, знайдіть потрібний фрагмент і виділіть його заново. Перевірте мову й орієнтацію, перш ніж змінювати кілька налаштувань одночасно.

Якщо знаки виглядають правдоподібно, але рядки розташовано не за порядком, розглядайте це як проблему компонування. Розділіть багатоколонкову сторінку на колонки або відокремте заголовок від навколишніх підписів. Для таблиці розпізнавайте один зручний рядок чи невелику групу клітинок, а потім відновлюйте таблицю, звіряючись із зображенням. Звичайний текст не зберігає зв’язків між клітинками електронної таблиці.

Якщо незрозуміле лише одне слово, виріжте його з невеликим контекстом і порівняйте новий результат із першим. Зберігайте обидва варіанти читання в нотатках, доки зображення чи інше надійне джерело не усуне сумнів. Повторне розпізнавання того самого розмитого зображення не є незалежним підтвердженням спірного імені або коду.

Якщо заважають відблиски, густі тіні, декоративний шрифт чи пошкоджений друк, краще джерело може заощадити більше часу, ніж повторні спроби OCR. Позначайте нерозібрані уривки в робочій копії, а не підставляйте здогадки без пояснення. Коротку читабельну етикетку інколи надійніше набрати вручну та перевірити кожен символ.

Збережіть копію перед перетворенням

Після перевірки скопіюйте результат або завантажте текстовий файл UTF-8. Відкрийте збережений файл і порівняйте перші та останні рядки, числа з прикладу й рідкісні китайські знаки. Успішне завантаження підтверджує лише збереження файлу; коротка звірка підтверджує, що всередині саме потрібний текст.

Якщо потрібна також спрощена чи традиційна версія, залиште перевірений текст без перетворень. Застосуйте перетворювач спрощеної та традиційної китайської до копії, а потім перевірте імена та вислови, що залежать від контексту. Так ви відокремите реально надрукований текст від версії, пристосованої для іншого читача.

Під час вставлення в електронну таблицю заздалегідь задайте стовпцям кодів текстовий формат, перш ніж додавати значення на зразок 0018. Тримайте кількості разом з одиницями, доки свідомо не розділите їх на окремі поля. За потреби зберігайте вихідне зображення поруч із робочими нотатками, щоб наступна людина могла перевірити сумнівний знак, не починаючи завдання знову.