Ako funguje rozpoznávanie textu na naskenovaných dokumentoch?
Rozpoznávanie textu prevedie stránku skenu z obrazu na text, v ktorom sa dá hľadať každé slovo.
Stručná odpoveď
- Rozpoznávanie textu (OCR) znamená optické rozpoznanie znakov: text z obrazu sa stane textom, ktorý sa dá hľadať.
- Sken sám o sebe je len obrázok; bez rozpoznania textu sa jeho obsah nedá nájsť vyhľadávaním.
- Pri rumunských dokumentoch sa OCR spustí automaticky pri nahrávaní; pri slovenských skenoch treba mať textovú vrstvu alebo overiť obsah ručne.
- Po spracovaní možno hľadať slová, ktoré sa v dokumente vyskytujú: meno, číslo záznamu, dátum alebo sumu.
Čo hovorí zákon (stručne)
- Osobitné predpisy o elektronickom archivovaní vyžadujú, aby dokument zostal čitateľný a nezmenený; OCR pridáva vyhľadávanie a nenahrádza pôvodný dokument.
- Zákon č. 395/2002 Z. z. o archívoch a registratúrach (názov zákona bez paragrafov): inventár zostáva potrebný aj pri vyhľadávaní v obsahu.
- Nariadenie (EÚ) 2016/679 (GDPR), čl. 5 ods. 1 písm. e): text rozpoznaný z dokumentu obsahuje rovnaké osobné údaje a podlieha rovnakým lehotám uchovávania.
- Účtovné doklady naskenované a spracované OCR ostávajú viazané na lehoty podľa zákona č. 431/2002 Z. z. o účtovníctve, § 35 ods. 3 písm. c).
Praktické príklady
- Hľadáte „zápisnica preberanie hala 2“ a dostanete niekoľko výsledkov z veľkého počtu naskenovaných strán.
- IČO napísané v tele doručenej žiadosti sa dá vyhľadať, hoci sa nenachádza v názve súboru.
- Pri veľkom množstve naskenovaných strán zaberá ručné prepisovanie metadát dlhý čas; pri rumunských dokumentoch OCR a navrhnuté polia tento čas výrazne skracujú.
- Osobný spis z roku 2014, naskenovaný dodatočne, sa dá vyhľadať podľa mena zamestnanca, ak je text rozpoznateľný.
Časté chyby
- Skenuje sa pri nízkom rozlíšení, čo výrazne znižuje presnosť rozpoznávania; použite slušnú kvalitu skenu.
- Strany sú nakrivo alebo fotografované telefónom bez zarovnania.
- Hľadá sa bez diakritiky, hoci text ju obsahuje.
- Predpokladá sa, že OCR rozpozná každé slovo; pri rukopise je výsledok len čiastočný.
- Inventár sa vynechá s odôvodnením, že „aj tak sa hľadá fulltextom“.
Ako vám pomáha 4docs
- Automatické OCR pri nahrávaní rumunských dokumentov, aj pri hromadnom importe; slovenské skeny potrebujú textovú vrstvu alebo ručnú kontrolu.
- Vyhľadávanie v obsahu dokumentov, nie len v názve súboru, pri dokumentoch s rozpoznaným textom.
- Filtrovanie podľa roka, typu dokumentu, oddelenia a lehoty uchovávania.
- Nájdený úryvok sa zvýrazní priamo v náhľade stránky.