در اسناد تصویری، متن OCR و توضیح تصویر دو نوع داده با خطاهای متفاوت‌اند. پاسخ باید بداند کدام بخش خوانده شده و کدام بخش برداشت بصری است.
مسئله را درست تعریف کنیم
نمودار، مهر، دست‌نویس و جدول کم‌کیفیت به یک روش کنترل نمی‌شوند. تبدیل همه تصویر به متن بدون نشان‌دادن ابهام می‌تواند عدد حساس را قطعی جلوه دهد.
روش اجرا
- صفحه و ناحیه تصویر را شناسه‌گذاری کنید.
- متن استخراجی و شرح بصری را جدا ذخیره کنید.
- برای اعداد مبهم مسیر مشاهده تصویر و بازبینی انسانی بگذارید.
نمونه آموزشی
در مثال آموزشی، اسکن صورت‌جلسه عدد هفت را شبیه یک نشان می‌دهد. جست‌وجو باید کاربر را به ناحیه همان صفحه برساند و مقدار نامطمئن را قطعی نخواند. بازبینیگر با تصویر اصلی تصمیم می‌گیرد، نه با متن اصلاح‌شده حدسی.
آزمون تکمیلی برای تصمیم عملی
یک صفحه آموزشی دارای جدول یا نمودار را همراه متن استخراج‌شده آن در اختیار بازبین قرار دهید. سؤال را طوری بسازید که رابطه سطر و ستون یا عنوان شکل در پاسخ مهم باشد. سپس بررسی کنید متن واردشده به بازیابی همان رابطه را حفظ کرده است یا فقط چند واژه پراکنده باقی مانده‌اند. پیدا شدن صفحه با واژه درست، به‌تنهایی نشان نمی‌دهد عدد یا برچسب شکل درست تفسیر شده است. در کاربرگ، تصویر صفحه و بخش متن مؤثر را با شناسه مشترک متصل نگه دارید.
اگر خواندن منبع نیازمند بازبینی انسانی است، این وضعیت را پیش از تولید پاسخ روشن کنید. نسخه اصلاح‌شده استخراج را با همان سؤال مقایسه کنید و نتیجه نامشخص را به پاسخ قطعی تبدیل نکنید. برای سند چندصفحه‌ای، نشانی صفحه شاهد باید قابل بازیابی باشد؛ لینک کل فایل کمک می‌کند، اما جای مشخص‌کردن شاهد را نمی‌گیرد. مثال‌ها را با داده غیرحساس انجام دهید و از موفقیت یک جدول ساده، توانایی خواندن هر اسکن یا نمودار پیچیده را نتیجه نگیرید.
جدول کار برای همین موضوع
| فیلد ثبت | کاربرد در تصمیم |
|---|---|
| شناسه صفحه | شماره صفحه اسکن اصلی |
| ناحیه | ناحیه عدد یا نمودار روی همان صفحه |
| متن OCR | متن استخراج‌شده بدون اصلاح حدسی |
| شرح تصویر | شرح تصویر مستقل از متن OCR |
| ابهام عدد | رقم ۷/۱ برای بازبینی علامت بخورد |
| نتیجه بازبینی | خواننده با تصویر اصلی تطبیق دهد |
فایل قابل استفاده
دریافت فرم CSV این راهنما. هر سطر را با اطلاعات پروژه خود تکمیل کنید. خانه نامعلوم را نامشخص بگذارید؛ نبود شاهد را با عدد صفر یا تأیید جایگزین نکنید. فایل شامل اطلاعات مشتری واقعی نیست و برای ثبت بررسی به کار می‌رود.
محدودیت و تصمیم بعدی
این فرایند صحت OCR را تضمین نمی‌کند؛ کیفیت تصویر و زبان سند همچنان محدودیت اساسی است.
منبع فنی برای مطالعه بیشتر
Microsoft Learn: بازیابی و تولید پاسخ RAG. مثال‌ها و فرم این مطلب برای آموزش طراحی شده‌اند و نتیجه مشتری یا آزمون محصول نیستند.
ادامه مطالعه مرتبط
اگر عدد تصویری در جدول PDF است، جدول PDF در چت به‌هم می‌ریزد؛ آماده‌سازی منبع قبل از اتصال را ببینید.