Jak algorytmy optycznego rozpoznawania znaków redefiniują procesy biznesowe?

Wprowadzanie danych i przenoszenie ich z miejsca na miejsce to czasochłonne, powtarzalne zadanie. Jeden pracownik może z łatwością spędzić do trzech godzin dziennie na przenoszeniu danych. Oprócz pochłaniania czasu pracowników ręczna obsługa danych jest podatna na błędy, które prowadzą do utraty przychodów.

Raport Dun & Bradstreet, badający przeszłość i przyszłość danych, ujawnił, że jedna na pięć firm traci pieniądze z powodu niekompletnych danych. Technologia optycznego rozpoznawania znaków (OCR) może pomóc firmom rozwiązać te problemy. Algorytmy OCR mogą przekształcać dokumenty papierowe w edytowalny tekst, który można przeszukiwać.

Mogą również wydobywać informacje z plików i wprowadzać je do odpowiednich pól w systemach informatycznych firmy. Jak działa OCR? Jak ta technologia może pomóc Ci osiągnąć cele biznesowe? A czy powinieneś skontaktować się z dostawcą rozwiązań sztucznej inteligencji, aby pomóc w tworzeniu i konfiguracji oprogramowania OCR?

Co to jest optyczne rozpoznawanie znaków i jak to działa?

Definicja OCR

Optyczne rozpoznawanie znaków to technologia, która przekształca tekst pisany maszynowo lub odręcznie oraz drukowane obrazy zawierające tekst na format danych cyfrowych do odczytu maszynowego. Algorytmy OCR pomagają przekształcić duże ilości dokumentów papierowych w pliki cyfrowe, ułatwiając przechowywanie, przetwarzanie i wyszukiwanie tekstu.

Systemy OCR składają się ze sprzętu i oprogramowania. Częścią sprzętową może być skaner optyczny lub podobne urządzenie, które może konwertować dokumenty papierowe na format cyfrowy. Częścią oprogramowania jest sam algorytm OCR.

Jak działa OCR?

Komputerom trudno jest rozpoznać znaki ze względu na różne czcionki i warianty pisania jednej litery. Odręczne listy jeszcze bardziej komplikują sprawę. Niemniej jednak, algorytmy optycznego rozpoznawania znaków podejmują to wyzwanie. Każde rozwiązanie OCR działa w czterech głównych krokach:

Akwizycja obrazu

Proces polega na użyciu skanera optycznego do przechwycenia cyfrowej kopii papierowego dokumentu. Dokument musi być odpowiednio wyrównany i zwymiarowany.

Wstępne przetwarzanie

Celem tej fazy jest udostępnienie pliku wejściowego algorytmowi OCR. Hałas i tło są wyeliminowane. Wstępne przetwarzanie obejmuje następujące kroki:

• Analiza układu: identyfikacja podpisów, kolumn i wykresów jako bloków
• De-skew: przechylanie cyfrowego dokumentu w celu wyrównania linii w przypadku nieprawidłowego wyrównania podczas skanowania
• Udoskonalenie obrazu: wygładzenie krawędzi, usunięcie drobinek kurzu, zwiększenie kontrastu między tekstem a tłem
• Wykrywanie tekstu: niektóre algorytmy wykrywają oddzielne słowa i dzielą je na litery, podczas gdy inne pracują bezpośrednio z tekstem bez dzielenia go na znaki.
• Binaryzacja: konwersja zeskanowanego dokumentu do formatu czarno-białego, w którym ciemne obszary reprezentują znaki (alfabetyczne lub numeryczne), a białe obszary są identyfikowane jako tło. Ten krok pomaga rozpoznać różne czcionki.

W tej fazie algorytmy optycznego rozpoznawania znaków wykonują różne manipulacje w celu rozpoznawania liter i cyfr. Istnieją dwa główne podejścia:

• Rozpoznawanie wzorców: Algorytmy OCR są szkolone w zakresie szerokiej gamy czcionek, formatów tekstu i stylów pisma ręcznego, aby porównywać różne znaki z pliku wejściowego z tym, czego się nauczyły.
• Rozpoznawanie cech: niektóre algorytmy korzystają ze znanych właściwości znaków, takich jak linie skrzyżowane i zakrzywione, do identyfikacji znaków w plikach wejściowych. Na przykład litera „H” jest identyfikowana jako dwie pionowe linie i jedna przecinająca się linia pozioma. Algorytmy OCR obsługiwane przez sieci neuronowe (NN) wykorzystują inną logikę, w której pierwsze warstwy NN agregują piksele z pliku wejściowego, aby utworzyć niskopoziomową mapę cech obrazu.

Po wykryciu znaków program konwertuje je na American Standard Code for Information Exchange (ASCII), aby ułatwić dalsze manipulacje.

Przetwarzanie końcowe

Dane wyjściowe mogą być proste, jak ciąg znaków lub plik. Bardziej zaawansowane rozwiązania OCR mogą zachować oryginalną strukturę strony i utworzyć plik PDF z tekstem, który można przeszukiwać. Mimo że jak dotąd nie ma narzędzi, które gwarantowałyby 100% dokładność w różnych plikach wejściowych, niektóre algorytmy optycznego rozpoznawania znaków mogą osiągnąć imponującą dokładność 99,8% w przypadku znanych tekstów. Używanie pisma odręcznego znacznie pogorszy wyniki. Ponadto ważne jest, aby zrozumieć, że przy słabym szkoleniu lub nieznanych tekstach wskaźnik błędów może sięgać nawet 20%. Dlatego konieczne jest, aby użytkownicy stale monitorowali, sprawdzali i poprawiali wyniki algorytmów OCR, zwłaszcza gdy nowy typ dokumentu zostanie wprowadzony do potoku.

Faza przetwarzania końcowego może również obejmować przetwarzanie języka naturalnego (NLP) i inne techniki sztucznej inteligencji służące do weryfikacji danych. AI może nie tylko poprawiać tekst, ale także wyłapywać błędy w obliczeniach. Załóżmy, że podczas przetwarzania faktury algorytm OCR określił łączną sumę na 500 USD. AI może to zweryfikować, dodając wszystkie wydatki i stwierdzając, że nie wynoszą one 500 USD. Sztuczna inteligencja może powiadomić pracownika, aby przejrzał ten konkretny przypadek.

Jeśli chcesz poprawić jakość algorytmu, możesz poeksperymentować z otwartymi bibliotekami OCR, takimi jak Tesseract, które używają własnego słownika do segmentacji znaków. Innym podejściem jest utworzenie specjalistycznego glosariusza terminów powtarzających się w Twojej domenie. Ponadto recenzenci mogą wykorzystać swoje opinie jako dane wejściowe do kolejnej sesji szkoleniowej dotyczącej algorytmu optycznego rozpoznawania znaków.

W jaki sposób algorytmy OCR mogą przynieść korzyści Twojej firmie?

Oto, co mogą dla Ciebie zrobić rozwiązania do optycznego rozpoznawania znaków:

• Obniż koszty: konwersja plików do formatu cyfrowego i automatyzacja wprowadzania danych zmniejsza koszty związane z godzinami pracy
• Zwiększ satysfakcję klientów: ta technologia umożliwi ludziom zdalne aktualizowanie swoich danych osobowych poprzez skanowanie dokumentów tożsamości zamiast fizycznej wizyty w banku lub innym miejscu
• Oferuj tańsze opcje tworzenia kopii zapasowych: nie ma potrzeby przechowywania dokumentów papierowych wraz z ich duplikatami i potrójnymi egzemplarzami, co zużywa drogie fizyczne jednostki pamięci
• Ułatwienie tłumaczenia między różnymi językami: niektóre narzędzia OCR mają możliwość tłumaczenia dokumentów z jednego języka na inny
• Zautomatyzuj przepływy pracy: przeszukiwanie plików cyfrowych za pomocą dobrego systemu zarządzania jest szybsze niż zajmowanie się dokumentami papierowymi. Mniej procesów zostanie wstrzymanych podczas wyszukiwania utraconego pliku fizycznego. Jeśli jesteś zainteresowany bardziej kompleksowym rozwiązaniem automatyzacji, możesz skorzystać z inteligentnych usług automatyzacji procesów, które obejmują OCR i inne zaawansowane funkcje.

Dostępne na rynku rozwiązania OCR

Jeśli myślisz o włączeniu funkcji OCR do swoich systemów informatycznych, masz do wyboru kilka opcji.

Algorytmy optycznego rozpoznawania znaków typu open source

Istnieje kilka algorytmów OCR typu open source, które firmy mogą dostosować do swoich potrzeb. Rozwiązania te są łatwiejsze do dostosowania, ponieważ ich kod źródłowy jest powszechnie dostępny. Nie ma jednak organu centralnego. Twórcy rozwiązań open-source nie ponoszą odpowiedzialności i nie oferują dalszego wsparcia. Dlatego jakość kodu może być wątpliwa. Ta opcja jest bardziej odpowiednia dla firm z silnymi działami IT, które są w stanie naprawić każdą awarię. Możesz też skontaktować się z konsultantami ds. uczenia maszynowego, którzy mogą dostosować i przeszkolić to oprogramowanie dla Ciebie.

Oto kilka powszechnie używanych rozwiązań OCR typu open source:

Teserakt

Silnik Tesseract o otwartym kodzie źródłowym jest jednym z najpopularniejszych narzędzi OCR i uważa się, że należy do najdokładniejszych darmowych narzędzi. Został opracowany przez firmę Hewlett-Packard w latach 1985-1994. Od 2006 roku platforma ta była zarządzana i dalej rozwijana przez Google. Tesseract jest napisany w C++, ale oferuje wrappery w Javie, Pythonie, Swift, Ruby i R oraz w kilku innych popularnych językach programowania.

Narzędzie działa za pomocą wiersza poleceń i nie ma graficznego interfejsu użytkownika. Istnieje jednak kilka opcji GUI, które można wdrożyć, aby to rozwiązanie było przyjazne dla użytkownika. Jednym z przykładów jest glmageReader. Ten interfejs został opracowany przy użyciu języka Python i obsługuje różne formaty obrazów, w tym PNG, GIF i PNM.

Tesseract nie oferuje analizy układu strony, nie formatuje danych wyjściowych, a jego interfejs wiersza poleceń wymaga, aby wszystkie obrazy były przesyłane w formacie TIFF. Ponadto to rozwiązanie OCR nie jest zoptymalizowane pod kątem GPU i nie pozwala na przetwarzanie wsadowe.

OCRopus

OCRopus został pierwotnie napisany w Pythonie, a teraz ma osobną wersję C++. Jest obsługiwany przez Google i był używany jako silnik OCR dla algorytmu Google ReCaptcha.

OCRopus ma trzy główne cechy:

• Analiza układu fizycznego: identyfikuje bloki tekstu, kolumny i wiersze oraz określa kolejność czytania. Na przykład, aby wykryć kolumny, używa algorytmu maksymalnego prostokąta białych znaków do wykrywania białych znaków między kolumnami.
• Rozpoznawanie linii: rozpoznaje linie w każdym bloku lub kolumnie, niezależnie od tego, czy są to linie pionowe, czy od lewej do prawej.
• Statystyczne modelowanie języka: wykorzystuje słowniki i gramatykę stochastyczną do rozwiązania problemu brakujących i niezidentyfikowanych liter.

EasyOCR

Jaided AI, firma zajmująca się optycznym rozpoznawaniem znaków, zbudowała pakiet EasyOCR przy użyciu Pythona i biblioteki PyTorch z modelami głębokiego uczenia. Obsługuje ponad 80 języków, w tym cyrylicę, chiński i arabski, a baza ta stale się rozwija. W ramach planu wdrożenia planuje się dodanie konfigurowalnych opcji rozpoznawania tekstu pisanego odręcznie.

Komercyjne rozwiązania OCR

Rozwiązania typu Software as a Service (SaaS) pozwalają korzystać z wysokiej jakości algorytmów i uzyskać pełne wsparcie dostawców. W zależności od wybranej platformy możesz być w stanie przeszkolić algorytm OCR na swoim zbiorze danych, a nawet jeszcze bardziej dostosować go do swoich unikalnych potrzeb.

Amazon tekst

Amazon Text to usługa oparta na uczeniu maszynowym, która wyodrębnia drukowany i odręczny tekst z zeskanowanych dokumentów. Może pracować z nieustrukturyzowanymi danymi i sformatowanym tekstem, takim jak formularze i tabele. Rozwiązanie wykorzystuje sztuczną inteligencję i nie wymaga żadnych dodatkowych kroków konfiguracyjnych ani szablonów. Ta usługa jest bezpieczna i zgodna z przepisami o ochronie danych, takimi jak HIPAA i RODO. Amazon Texttract oferuje cztery interfejsy API, z których klienci mogą korzystać i za które odpowiednio płacić:

• API wykrywania tekstu dokumentu: wyodrębnia ze skanów nieustrukturyzowany drukowany tekst i pismo odręczne. Kosztuje 0,0015 USD za stronę za pierwszy milion stron; potem cena spada.
• Analizuj API dokumentów: działa z danymi strukturalnymi. Wyodrębnia tekst z formularzy i tabel. Klienci płacą 0,015 USD za stronę przy przetwarzaniu tabel i 0,05 USD za stronę w przypadku formularzy. Cena spada już po pierwszym milionie stron.
• Analiza wydatków API: współpracuje z fakturami. Ta usługa ma wspólną taksonomię pól związanych z paragonami. Na przykład może rozpoznać numer faktury. Użytkownicy zapłacą 0,01 USD za stronę za pierwszy milion stron.
• Analiza ID API: rozumie kontekst dokumentów tożsamości, takich jak prawa jazdy i paszporty, i potrafi wyodrębnić tekst z określonych pól. Możesz skorzystać z tej usługi za 0,025 USD za pierwsze 100 000 stron.

Wizja Google Cloud

Google oferuje interfejs Vision API, który może wyodrębniać drukowany i odręczny tekst z dokumentów i obrazów. Zawiera dwie funkcje optycznego rozpoznawania znaków:

• Text_detection: wyodrębnia tekst z obrazów, takich jak zdjęcia znaków drogowych
• Document_text_detection: przechwytuje teksty w dokumentach i obrazach. Różni się od poprzedniej funkcji, ponieważ jej odpowiedź jest zoptymalizowana pod kątem gęstych tekstów.

Obie funkcje umożliwiają użytkownikom przetwarzanie pierwszych 1000 jednostek miesięcznie za darmo. Następnie zapłacisz 1,5 USD za każde 1000 sztuk. Cena ta będzie się zmniejszać w miarę przesyłania większej liczby jednostek miesięcznie.

Wizja komputerowa Microsoft Azure

Firma Microsoft oferuje usługi OCR jako część swojego ogólnego interfejsu API wizji komputerowej, a nie jako samodzielną funkcję. Płacisz więc za cały pakiet, który oprócz optycznego rozpoznawania znaków obejmuje identyfikację celebrytów, punktów orientacyjnych, marek i ogólne wykrywanie obiektów. Ten interfejs API będzie kosztować 1 USD za 1000 transakcji za pierwszy milion jednostek. Następnie cena spada do 0,65 USD za 1000 transakcji i będzie spadać w miarę przesyłania kolejnych treści.

Najczęstsze przypadki użycia OCR w różnych branżach

Algorytmy optycznego rozpoznawania znaków zyskują na popularności w różnych branżach. Poniżej znajdują się niektóre z najbardziej znanych aplikacji OCR.

OCR w bankowości

Instytucje bankowe wykorzystują w swoich obiegach mnóstwo dokumentów papierowych. Należą do nich czeki, akta klientów, wnioski kredytowe, wyciągi bankowe itp. Przyjęcie algorytmów rozpoznawania OCR umożliwia pracownikom przechowywanie i dostęp do wszystkich tych dokumentów w formie cyfrowej oraz zapobiega utracie i uszkodzeniu dokumentów.

Sprawdź obsługę

Jednym z przykładów OCR w tym sektorze jest wykorzystanie aplikacji bankowych do cyfrowego deponowania czeków w formie papierowej. Rozwiązania te wykorzystują algorytmy optycznego rozpoznawania znaków w celu identyfikacji odpowiednich pól w kontrolach i odpowiedniego wykonywania operacji bez konieczności ręcznego przenoszenia tych danych przez pracownika. Ponadto takie aplikacje mogą przeprowadzać weryfikację podpisu w istniejącej bazie danych i natychmiast usuwać sprawdzanie.

Wdrażanie klientów

Zamiast zmuszać pracownika do ręcznej weryfikacji tożsamości klientów, rozwiązania oparte na OCR mogą wyodrębnić i zweryfikować wszystkie istotne informacje z paszportu i innych dokumentów tożsamości danej osoby. Pozwala to na błyskawiczną weryfikację i poprawia doświadczenie klienta.

Aktualizacja informacji o kliencie

Zamiast konieczności wizyty lub telefonu do banku, za pomocą OCR klienci mogą skanować swoje dokumenty w celu automatycznej aktualizacji informacji. Na przykład Alfa-Bank współpracował z Smart Engines, aby ulepszyć swoją aplikację bankową o możliwości optycznego rozpoznawania znaków. Dzięki tej nowej funkcji klienci mogą umieszczać dokumenty tożsamości przed kamerami swoich smartfonów, potwierdzać wydobyte dane i aktualizować swoje informacje w systemie bankowym.

OCR w opiece zdrowotnej

Podobnie jak sektor bankowy, organizacje opieki zdrowotnej gromadzą wiele dokumentów papierowych, takich jak zdjęcia rentgenowskie, wyniki testów, plany leczenia i tak dalej. Algorytmy OCR pomagają zdigitalizować te pliki, aby zapobiec utracie fizycznych dokumentów i zmniejszyć wysiłek związany z ręczną obsługą plików papierowych. Ponadto niektóre rozwiązania OCR, które rozpoznają tekst pisany odręcznie, mogą przetwarzać dokumenty rejestracyjne pacjentów i recepty.

System roszczeń medycznych

Istnieją dostawcy oprogramowania, którzy specjalizują się w przetwarzaniu roszczeń medycznych z obsługą OCR. Jedną z takich firm jest OCR Solutions. Opracowano produkt, który może skanować, weryfikować i prawidłowo kierować roszczenia medyczne do dalszej obsługi. Ten program jest przeszkolony i skonfigurowany do pracy z popularnymi formatami, takimi jak między innymi Dental Claim Forms i CMS-1500.

Faks

Wiele placówek medycznych nadal korzysta z faksu. Rozwiązania do optycznego rozpoznawania znaków mogą konwertować przychodzący materiał do dostępnego, zapisanego w formacie cyfrowym formatu.

Fakturowanie

Rozwiązania oparte na technologii OCR pomagają organizacjom służby zdrowia w digitalizacji faktur i ich prawidłowej archiwizacji. Jeden z przykładów OCR pochodzi z firmy Nanonets z siedzibą w San Francisco, która oferuje rozwiązanie oparte na OCR, które specjalizuje się w przetwarzaniu faktur. Firma twierdzi, że jej oprogramowanie skróci czas wprowadzania danych z faktury z trzech minut na fakturę do zaledwie 30 sekund.

OCR w sprzedaży detalicznej

Algorytmy optycznego rozpoznawania znaków pozwalają pracownikom detalicznym zaoszczędzić czas na przetwarzaniu zamówień zakupu, faktur, list przewozowych i innych dokumentów. Rozwiązania te mogą również wyodrębniać numery seryjne z kodów kreskowych produktów i umożliwiać klientom skanowanie ich voucherów i wyodrębnianie kodów seryjnych.

Skanowanie dokumentów

Pracownicy sklepu mogą być zmuszeni do skanowania danych osobowych z wielu powodów, takich jak weryfikacja wieku, wypełnianie informacji w celu uzyskania lojalności klientów i nie tylko. Dostawcy OCR wykorzystują tę możliwość.

Na przykład firma OCR Solutions z siedzibą na Florydzie opracowała idMax, oprogramowanie oparte na technologii OCR, które może skanować dokumenty tożsamości, wyodrębniać odpowiednie pola i zapełniać bazę danych sprzedawcy odpowiednimi informacjami. idMax można zainstalować lokalnie lub uzyskać dostęp za pośrednictwem chmury.

Wyzwania związane z wdrożeniem rozwiązania OCR w Twojej firmie

Jeśli zdecydowałeś się wdrożyć algorytmy rozpoznawania OCR w celu usprawnienia swoich operacji, musisz wziąć pod uwagę kilka aspektów:

Materiał wejściowy: upewnij się, że wszystkie pliki wejściowe są odpowiednie dla algorytmu OCR. Na przykład pliki muszą być wolne od uszkodzeń, które mogą zakłócać zdolność algorytmu do rozpoznawania ich zawartości. Kontrast jest wystarczająco wysoki, strony są odpowiednio wyrównane itp. Niektóre algorytmy mają potężne możliwości przetwarzania wstępnego i mogą rozwiązać niektóre z tych problemów. Ale jeśli tak nie jest, może warto zainwestować w wysokiej jakości skaner i zadbać o odpowiednie wyrównanie stron.

Zestaw danych szkoleniowych: jeśli zdecydujesz się na szkolenie lub ponowne szkolenie algorytmów optycznego rozpoznawania znaków, musisz upewnić się, że dane, których zamierzasz użyć, wiernie reprezentują materiał wejściowy i zawierają wystarczającą liczbę poprawnych adnotacji. Jeśli Twój zestaw danych treningowych jest zbyt mały lub nie zawiera odpowiednich adnotacji, algorytm nie zapewni pożądanych wyników. Ponadto podczas treningu należy zwracać szczególną uwagę na podobne znaki/symbole. Na przykład liczby 2 i 7 mogą wyglądać dość podobnie, zwłaszcza jeśli oczekuje się, że algorytm będzie działał z tekstem pisanym odręcznie. Analitycy danych muszą uwzględnić takie rozróżnienia w danych uczących. Innym przykładem może być użycie algorytmów OCR do wykrywania i przechwytywania tablic rejestracyjnych na samochodach. Musisz upewnić się, że Twój algorytm nie wybiera niestandardowej naklejki z tekstem z tyłu samochodu mylącej ją z tablicą rejestracyjną.

Tekst pisany odręcznie: pismo ręczne wiąże się z licznymi dodatkowymi wyzwaniami związanymi z rozpoznawaniem OCR. Istnieje wiele różnych stylów pisania wśród różnych osób, nawet pisanie pojedynczego użytkownika może być niespójne. Zebranie wiarygodnego reprezentatywnego zestawu danych treningowych jest wyzwaniem, ponieważ musisz uwzględnić wszystkie różne style. Szczególnie trudne do przetworzenia jest pismo odręczne kursywą. Ponadto, podczas gdy drukowany tekst jest w linii prostej, pismo ręczne ma zwykle zmienne obroty, co jeszcze bardziej komplikuje sprawę.

Skalowanie: jeśli zwiększysz liczbę użytkowników lub liczbę żądań na przedział czasowy, system może się zawalić, zwłaszcza jeśli korzystasz z rozwiązania open source i polegasz na własnej mocy obliczeniowej. W przypadku komercyjnych produktów OCR, które działają w chmurze, możesz zorganizować i zapłacić za większą pojemność.

Monitorowanie wydajności algorytmu OCR: po wdrożeniu wydajność algorytmu może zacząć spadać z powodu różnych czynników. Jednym z przykładów jest zmiana rozkładu między danymi szkoleniowymi a rzeczywistymi danymi produkcyjnymi. Dzieje się tak, gdy model zaczyna pracować na zestawach danych, do których nie był przygotowany, takich jak różne czcionki lub znaki o nietypowych nachyleniach. Te zmiany wpłyną na wyniki modelu w czasie i musisz wykryć te problemy i odpowiednio ponownie przeszkolić model, aby zachować jego początkowy poziom dokładności.

Podsumowując

Algorytmy optycznego rozpoznawania znaków mogą przyspieszyć procesy biznesowe. Należy jednak wziąć pod uwagę związane z tym wyzwania. Wybrany algorytm prawdopodobnie będzie wymagał ponownego szkolenia, a prawidłowe opisywanie dużego zbioru danych jest żmudnym zadaniem. Musisz także pomyśleć o potencjalnym skalowaniu w miarę rozwoju Twojej firmy.

Przyjęcie rozwiązania typu open source wydaje się kuszące pod względem ceny, ale ma też wady, takie jak brak wsparcia i aktualizacji, które mogą otwierać luki w zabezpieczeniach. Rozwiązania komercyjne są pod tym względem bardziej niezawodne, ale mogą być kosztowne i trudne do dostosowania.

Jeśli nie masz pewności, jak postępować i które rozwiązanie OCR najlepiej pasuje do Twojej firmy, nie wahaj się skontaktować. W ITRex z przyjemnością przeprowadzimy dokładną ocenę potrzeb Twojej firmy, aby określić najlepszą opcję OCR. Pomożemy Ci również przekwalifikować wybrane rozwiązanie i zintegrować je z Twoim systemem. W razie potrzeby możemy również zbudować niestandardowy algorytm OCR.

Czy chcesz przyspieszyć swoje operacje dzięki optycznemu rozpoznawaniu znaków? Rzuć ITRex linię! Ich eksperci AI pomogą Ci w integracji rozwiązania OCR i szkoleniu. W razie potrzeby mogą również opracować dla Ciebie niestandardowe algorytmy.

Pierwotnie opublikowany na https://itrexgroup.com w dniu 6 kwietnia 2022 r.