অপটিক্যাল ক্যারেক্টার রিকগনিশন
অপটিক্যাল ক্যারেক্টার রিকগনিশন (ওসিআর) পাঠ্যের ছবিগুলিকে পরিণত করে — স্ক্যান করা নথি, চিহ্নের ফটো, পিডিএফগুলি — মেশিন-পাঠযোগ্য, সম্পাদনাযোগ্য পাঠ্যে।
ওভারভিউ
It is the bridge that makes the printed and handwritten world searchable and computable.
গভীর ডুব
OCR অক্ষরের মতো দেখতে পিক্সেলকে প্রকৃত অক্ষর কোডে রূপান্তর করে যা কম্পিউটার সংরক্ষণ এবং সম্পাদনা করতে পারে। ক্লাসিক ওসিআর পর্যায়ক্রমে কাজ করেছে: চিত্রটি পরিষ্কার এবং ডি-স্ক্যু, পাঠ্য অঞ্চলগুলি সন্ধান করুন, সেগুলিকে লাইন এবং পৃথক গ্লিফগুলিতে ভাগ করুন, তারপরে পরিচিত নিদর্শনগুলির সাথে তার আকৃতির সাথে মিলিয়ে প্রতিটি গ্লিফকে শ্রেণিবদ্ধ করুন৷ আধুনিক ওসিআর মূলত নিউরাল: একটি কনভোলিউশনাল নেটওয়ার্ক ভিজ্যুয়াল বৈশিষ্ট্যগুলি পড়ে এবং একটি সিকোয়েন্স মডেল (প্রায়শই একটি CTC ক্ষতি বা মনোযোগ-ভিত্তিক ডিকোডার সহ) নিখুঁত অক্ষর বিভাজনের প্রয়োজন ছাড়াই পুরো স্ট্রিংগুলির পূর্বাভাস দেয়। এটি অভিশাপ, ওভারল্যাপিং অক্ষর এবং বিভিন্ন ফন্টগুলিকে আরও ভালভাবে পরিচালনা করে। Tesseract এর মত ইঞ্জিন, প্লাস Google, Amazon, এবং Microsoft থেকে ক্লাউড পরিষেবা, এখন ক্লিন প্রিন্টে অত্যন্ত উচ্চ নির্ভুলতায় পৌঁছে এবং কয়েক ডজন ভাষা ও স্ক্রিপ্ট পরিচালনা করে।
প্রযুক্তিগত অন্তর্দৃষ্টি
একটি বড় অগ্রগতি ছিল সংযোগবাদী টেম্পোরাল ক্লাসিফিকেশন (সিটিসি)। পুরানো সিস্টেমগুলিকে শনাক্ত করার আগে একটি শব্দকে আলাদা অক্ষরে কাটতে হত — অক্ষর স্পর্শ বা স্মিয়ার করার সময় ত্রুটি-প্রবণ। CTC একটি পুনরাবৃত্ত বা ট্রান্সফরমার নেটওয়ার্ক আউটপুট ইমেজের প্রতিটি অনুভূমিক স্লাইসে প্রতিটি অক্ষরের জন্য একটি সম্ভাবনার আউটপুট দেয়, তারপরে চূড়ান্ত শব্দ তৈরি করতে পুনরাবৃত্তি এবং ফাঁকা স্থানগুলি ভেঙে দেয়। এটি ভঙ্গুর বিভাজন পদক্ষেপটি সরিয়ে দেয় এবং মডেলটিকে লেবেলযুক্ত চিত্র-টেক্সট জোড়া থেকে স্বয়ংক্রিয়ভাবে পিক্সেল এবং অক্ষরের মধ্যে প্রান্তিককরণ শিখতে দেয়।
কৌশলগত প্রভাব
গতি এবং স্কেল
ভিজ্যুয়াল এআই স্কেলে পরিদর্শন, সনাক্তকরণ এবং ট্যাগিং কাজগুলি স্বয়ংক্রিয়ভাবে করতে পারে।
পছন্দগুলি তৈরি করুন
সৃজনশীল দলগুলি কম ম্যানুয়াল সংশোধন সহ ধারণাগুলিকে দ্রুত প্রোটোটাইপ করতে পারে।
টিম এবং ওয়ার্কফ্লো
অপারেশনগুলি ইমেজ এবং ভিডিও সংকেত ব্যবহার করতে পারে যা আগে প্রক্রিয়া করা কঠিন ছিল।
অপটিক্যাল ক্যারেক্টার রিকগনিশনের ভবিষ্যত
OCR বৃহত্তর 'ডকুমেন্ট এআই' এবং ভিশন-ভাষা মডেলগুলিতে একত্রিত হচ্ছে যা একটি পৃষ্ঠা পড়ে এবং এটি সম্পর্কে সরাসরি প্রশ্নের উত্তর দেয়, একটি পৃথক পাঠ্য নিষ্কাশন পদক্ষেপ এড়িয়ে যায়। অগোছালো হস্তাক্ষর, ঐতিহাসিক সংরক্ষণাগার, কম-রেজোলিউশন ফোন ফটো এবং টেবিল, ফর্ম এবং রসিদগুলির মতো জটিল লেআউটগুলির শক্তিশালী হ্যান্ডলিং আশা করুন। বহুভাষিক এবং স্বল্প-সম্পদ-স্ক্রিপ্ট কভারেজ প্রসারিত হতে থাকবে, এবং ডিভাইসে ওসিআর দ্রুততর হয়ে উঠবে, রাস্তার চিহ্নের রিয়েল-টাইম অনুবাদ এবং ক্যামেরা দেখে যেকোনো পাঠ্যের তাৎক্ষণিক ক্যাপচার সক্ষম করবে।
বাস্তব-বিশ্ব বাস্তবায়ন
মোবাইল ব্যাঙ্কিং অ্যাপগুলি যেগুলি একটি পেপার চেকের অ্যাকাউন্ট, রাউটিং এবং পরিমাণ ক্ষেত্রগুলি পড়ে যাতে ব্যবহারকারীরা ফটো দ্বারা জমা করতে পারে
Google লেন্স এবং অ্যাপল লাইভ টেক্সট আপনাকে ফটো থেকে টেক্সট কপি করতে বা রিয়েল টাইমে একটি বিদেশী মেনু অনুবাদ করতে দেয়
ঐতিহাসিক সংবাদপত্র এবং লাইব্রেরি সংরক্ষণাগারগুলিকে ডিজিটাইজ করা যাতে সম্পূর্ণ পাঠ্য কীওয়ার্ড-অনুসন্ধানযোগ্য হয়৷
অ্যাকাউন্টিং সফ্টওয়্যারে স্বয়ংক্রিয় চালান এবং রসিদ প্রক্রিয়াকরণ যা বিক্রেতা, তারিখ এবং মোট সংগ্রহ করে
ঝুঁকি এবং প্রহরী
প্রমাণ অস্পষ্ট হলে ছবির অধিকার এবং সম্মতি আইনি ঝুঁকিতে পরিণত হতে পারে।
মডেলের কর্মক্ষমতা আলো, জনসংখ্যা এবং পরিবেশ জুড়ে পরিবর্তিত হতে পারে।
আস্থার থ্রেশহোল্ডগুলি পর্যবেক্ষণ করা না হলে মিথ্যা ইতিবাচকগুলি অলক্ষিত হতে পারে।
বাস্তবায়ন রোডম্যাপ
নির্ভুলতা, প্রত্যাহার, এবং ত্রুটি খরচের জন্য গ্রহণযোগ্যতার মানদণ্ড নির্ধারণ করুন।
প্রকৃত উৎপাদন অবস্থার সাথে মেলে এমন ডেটা দিয়ে পরীক্ষা করুন।
কম-আস্থা বা উচ্চ-প্রভাব ভবিষ্যদ্বাণীর জন্য মানুষের পর্যালোচনা যোগ করুন।
মডেল ড্রিফ্ট ট্র্যাক করুন এবং ক্যামেরা বা ডেটাসেট পরিবর্তনের পরে পুনরায় যাচাই করুন।
অন্বেষণ চালিয়ে যান
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Optical Character Recognition quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
পরবর্তী গাইড
অ্যাকশন রিকগনিশন
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
What is Optical Character Recognition?
অপটিক্যাল ক্যারেক্টার রিকগনিশন (ওসিআর) পাঠ্যের ছবিগুলিকে পরিণত করে — স্ক্যান করা নথি, চিহ্নের ফটো, পিডিএফগুলি — মেশিন-পাঠযোগ্য, সম্পাদনাযোগ্য পাঠ্যে। এটি সেই সেতু যা মুদ্রিত এবং হাতে লেখা বিশ্বকে অনুসন্ধানযোগ্য এবং গণনাযোগ্য করে তোলে।
OCR এর মূল কাজ কি?
ওসিআর-এর সংজ্ঞায়িত কাজ হল পিক্সেলগুলিকে পরিণত করা যা অক্ষরগুলিকে প্রকৃত পাঠ্য কোডগুলিতে চিত্রিত করে যা একটি কম্পিউটার সংরক্ষণ, অনুসন্ধান এবং সম্পাদনা করতে পারে।
কোন কৌশলটি আধুনিক ওসিআর স্বীকৃতির আগে একটি শব্দকে পৃথক অক্ষরে কাটা এড়াতে দেয়?
CTC নেটওয়ার্ককে ইমেজ স্লাইস জুড়ে অক্ষর ভবিষ্যদ্বাণী করতে দেয় এবং ফলাফলটি ভেঙে ফেলতে দেয়, প্রতি-অক্ষর বিভাজনের ধাপটি সরিয়ে দেয়।
কেন 'ডি-স্কুইং' ওসিআর পাইপলাইনে একটি সাধারণ প্রিপ্রসেসিং পদক্ষেপ?
স্ক্যান করা বা ছবি তোলা পৃষ্ঠাগুলি প্রায়ই সামান্য ঘোরানো হয়; ডি-স্কুইং টেক্সটকে অনুভূমিকভাবে সারিবদ্ধ করে, স্বীকৃতির নির্ভুলতা উন্নত করে।
এর মধ্যে কোনটি বহুল ব্যবহৃত ওপেন সোর্স OCR ইঞ্জিন?
Tesseract হল একটি জনপ্রিয় ওপেন সোর্স OCR ইঞ্জিন যা অনেক ভাষা সমর্থন করে; অন্যরা সম্পর্কহীন উদ্দেশ্যে পরিবেশন করে।
কেন হাতে লেখা পাঠ্য সাধারণত মুদ্রিত পাঠ্যের চেয়ে OCR-এর জন্য কঠিন?
হাতের লেখার আকৃতি, তির্যক এবং ব্যবধানে বিশাল পরিবর্তনশীলতা রয়েছে এবং অভিশাপ অক্ষর সংযোগ করে, বিভাজন এবং শ্রেণীবিভাগকে আরও কঠিন করে তোলে।