Kako funkcionira OCR na skeniranim dokumentima? Objašnjenje

Kako funkcionira OCR na skeniranim dokumentima?

OCR pretvara skeniranu stranicu iz obične slike u dokument u kojem možete pretraživati riječi; na platformi to vrijedi samo za rumunjske dokumente.

Kratki odgovor

OCR znači optičko prepoznavanje znakova: tekst na slici postaje tekst koji se može pretraživati.
Skeniranje samo proizvodi sliku; bez prepoznavanja njezin sadržaj ne može se pronaći pretragom.
U platformi se OCR pokreće automatski pri učitavanju, ali za rumunjske dokumente; hrvatski skenovi trebaju tekstualni sloj ili ručnu provjeru.
Nakon obrade pretražujete sve što se pojavljuje u dokumentu: ime, broj upisa, datum ili iznos.

eIDAS Uredba (EU) 910/2014 i Zakon o arhivskom gradivu i arhivima: dokument mora ostati cjelovit i dostupan; OCR dodaje pretragu, ne zamjenjuje izvorni dokument.
Zakon o arhivskom gradivu i arhivima (NN 61/18 i izmjene): popis gradiva ostaje potreban i uz OCR, jer pretraga ne zamjenjuje inventar.
Opća uredba o zaštiti podataka (EU) 2016/679, čl. 5. st. 1. t. (e): izvučeni tekst sadrži iste osobne podatke i podliježe istim rokovima čuvanja.
Zakon o računovodstvu (čl. 10. i 13.): skenirane knjigovodstvene isprave ostaju pod rokom od najmanje 11 godina.

Pretražujete „zapisnik o primopredaji hala 2" i dobivate četiri rezultata među 3.500 skeniranih stranica.
Broj računa napisan u tijelu dopisa pretraživ je jer PDF već sadrži tekst, iako se ne pojavljuje u nazivu datoteke.
Pri 200 skeniranih stranica dnevno ručno indeksiranje značilo bi nekoliko sati tipkanja; za rumunjske dokumente OCR to obavlja pri učitavanju.
Osobni dosje iz 2014., skeniran naknadno, za rumunjske dokumente postaje pretraživ po imenu zaposlenika istog dana; za hrvatski dosje potrebna je ručna provjera ili tekstualni sloj.

Skenira se na 150 dpi ili manje, pa točnost prepoznavanja vidljivo pada; 300 dpi praktičan je prag.
Stranice su nagnute ili fotografirane mobitelom bez automatskog ispravljanja.
Očekuje se da će se dijakritici sami prepoznati u skeniranom hrvatskom tekstu, što OCR za hrvatski jezik ne radi.
Pretpostavlja se da OCR prepoznaje svaku riječ: rukopis ostaje djelomičan.
Odustaje se od inventara uz obrazloženje da se „ionako pretražuje cijeli tekst".

OCR pri učitavanju za rumunjske dokumente, uključujući masovne uvoze stare arhive; hrvatski skenovi s tekstualnim slojem indeksiraju se izravno.
Pretraga punog teksta u sadržaju dokumenata, ne samo u nazivu datoteke.
Kombinirano filtriranje po godini, vrsti dokumenta, odjelu i roku čuvanja.
Pronađeni odlomak ističe se izravno u pregledu stranice.