Проверка OCR: исправляем сумму и отрицание, сохраняя адрес исходной строки

Наш учебный оригинал

Откройте исходную страницу с нумерацией строк. На ней написано:

1. Заказ № AB-10O. 2. Количество: 15 шт. 3. Цена за штуку: 100,00 руб. 4. Итого: 1 500,00 руб. 5. Отгрузка не ранее 18 сентября.

В условном идентификаторе AB-10O последний символ — латинская буква O. Это намеренная особенность упражнения: нельзя заменять все похожие символы на нули только потому, что в номере встречаются цифры.

Страница является текстовым учебным документом, а не настоящим сканом заказа. Её задача — дать однозначный эталон для проверки исправлений.

Черновик, который нельзя просто «улучшить»

Предположим, в распознанной копии получилось:

Заказ № AB100. Количество: 15 шт. Цена за штуку: 100,00 руб. Итого: 15 000 руб. Отгрузка ранее 18 сентября.

Здесь потерян дефис и изменён символ в идентификаторе, сумма выросла в десять раз, а условие срока стало противоположным. При этом текст выглядит связно. Проверка орфографии может не обнаружить ни одной из этих проблем.

Удобно сверять рискованные поля отдельно:

Для документа адресом служат страница, строка, блок или координаты изображения. Таймкод относится к аудио и видео и здесь не нужен. Если листы PDF и печатные страницы нумеруются по-разному, сохраните обе координаты.

Арифметика обнаруживает вопрос, но не заменяет источник

15 штук по 100 рублей дают 1 500 рублей. Несовпадение с черновыми 15 000 помогает найти подозрительное место. Однако нельзя автоматически исправлять сумму только по этому расчёту: в настоящем документе могут быть другие позиции, дополнительные условия или ошибка самого автора.

В упражнении мы открываем четвёртую строку и видим 1 500,00. Именно это подтверждает исправление. Расчёт служит независимым сигналом проверки, а не разрешением переписать документ.

Тот же принцип работает для дат и идентификаторов. Знакомый формат подсказывает, где поискать ошибку, но не позволяет заменить необычное значение «нормальным» без просмотра оригинала.

Запрос на очистку без смысловых подмен

Исправляй распознанный текст только после сверки с исходной страницей. Для изменения числа, имени, идентификатора, даты или отрицания укажи страницу и строку. Не модернизируй лексику и не исправляй фактические ошибки автора молча. Если символ неразборчив, оставь пометку и вынеси место в список вопросов.

Рядом с проверенной копией сохраните необработанный результат OCR. Тогда будет видно, что распознала система и что изменил редактор. Для больших массивов это помогает найти повторяющуюся проблему: например, потерю дефиса в кодах или смешение колонок.

Если буква на реальном скане не различима, в копии можно отметить «[неразборчиво]» с адресом. Предположение записывают отдельно. В нашем учебном источнике все символы заданы однозначно, поэтому таких пометок в итоговой копии не требуется.

Где взять координаты в техническом процессе

Документация Tesseract описывает выходные форматы hOCR и TSV, которые могут сохранять структуру и координаты распознанных элементов. Для разработчика это способ связать слово с областью исходного изображения, а не заставлять редактора искать его вручную на всём листе.

Координаты имеют смысл только вместе с конкретным файлом и его размером. После обрезки или поворота изображения прежняя область может указывать не туда. Поэтому сохраняйте исходную версию, к которой относится результат распознавания.

В рекомендациях Tesseract по качеству входа отдельно рассматриваются перекос страницы и сегментация. Для таблицы важно не только правильно прочитать символы, но и сохранить связь ячейки с заголовком. Этот пятистрочный пример проверяет последовательный текст и не заменяет проверку структуры сложной таблицы.

Итог нашего упражнения

Проверенная копия должна совпасть с пятью строками источника: AB-10O, 15 штук, 100,00, 1 500,00 и «не ранее 18 сентября». Журнал содержит три исправления с адресами. Сумма проверена и по странице, и арифметически; идентификатор не нормализован по догадке.

Скачайте черновик, проверенную копию и журнал. После распознавания документа следующий слой работы — извлечение условий с точными ссылками на пункты. Для спорных деталей изображения полезно также отличать улучшение читаемости от генеративной реконструкции.