Ηγέτες σκέψης

Χρήση OCR για Σύνθετα Τεχνικά Σχέδια

Liubov Zatolokina
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Βασικά σημείαΗ γενική OCR δυσκολεύεται με τα μηχανολογικά σχέδια λόγω των γραφικών στοιχείων και των…
Δείτε περισσότερα
  • Η γενική OCR δυσκολεύεται με τα μηχανολογικά σχέδια λόγω των γραφικών στοιχείων και των επικαλυπτόμενων όψεων.
  • Εξατομικευμένες λύσεις όπως τα μοντέλα Tesseract ή TensorFlow που έχουν εκπαιδευτεί σε συγκεκριμένα δεδομένα προσφέρουν υψηλότερη ακρίβεια.
  • Ένα πρωτότυπο (proof of concept) είναι συνετό πριν από τη μαζική επένδυση σε ένα εξατομικευμένο σύστημα OCR.

Η Οπτική Αναγνώριση Χαρακτήρων (OCR) έχει επαναπροσδιορίσει τον τρόπο με τον οποίο οι επιχειρήσεις αυτοματοποιούν την επεξεργασία εγγράφων. Ωστόσο, η ποιότητα και η ακρίβεια της τεχνολογίας δεν επαρκούν για κάθε εφαρμογή. Όσο πιο σύνθετο είναι το έγγραφο που επεξεργάζεται, τόσο λιγότερο ακριβής γίνεται. Αυτό είναι ιδιαίτερα αληθινό για τα τεχνικά σχέδια. Αν και οι προκατασκευασμένες τεχνολογίες OCR μπορεί να μην είναι κατάλληλες για αυτήν την εργασία, υπάρχουν άλλοι τρόποι για να επιτύχετε τους στόχους επεξεργασίας εγγράφων με OCR. Σε αυτό που ακολουθεί, θα εξετάσω διάφορες εφικτές λύσεις για να σας δώσω μια γενική ιδέα χωρίς να εμβαθύνω σε πολλές τεχνικές λεπτομέρειες.

Προκλήσεις Αναγνώρισης Τεχνικών Σχεδίων

Όταν πρόκειται για τεχνικά σχέδια, η OCR δυσκολεύεται να κατανοήσει τη σημασία των μεμονωμένων στοιχείων κειμένου. Η τεχνολογία μπορεί να διαβάσει το κείμενο, αλλά δεν κατανοεί τη σημασία του. Υπάρχουν πολλές ευκαιρίες για τους μηχανικούς και τους κατασκευαστές να εξετάσουν αν η αυτόματη αναγνώριση του τεχνικού εγγράφου έχει ρυθμιστεί σωστά. Δείτε τις πιο σημαντικές από αυτές παρακάτω.

Πηγή εικόνας: Mobidev

Για να επιτύχετε την ανάλυση σύνθετων τεχνικών εγγράφων, οι μηχανικοί χρειάζονται να εκπαιδεύσουν μοντέλα AI. Όπως και οι άνθρωποι, τα μοντέλα AI χρειάζονται εμπειρία και εκπαίδευση για να κατανοήσουν αυτά τα σχέδια.

Μια πρόκληση αναγνώρισης σχεδίων και τεχνικών σχεδίων είναι ότι το λογισμικό πρέπει να κατανοήσει πώς να διαχωρίσει τις διαφορετικές όψεις του σχεδίου. Αυτές είναι διαφορετικά μέρη του σχεδίου που δίνουν μια βασική ιδέα για το σχήμα του. Διαχωρίζοντας τις όψεις και κατανοώντας πώς σχετίζονται μεταξύ τους, το λογισμικό μπορεί να υπολογίσει το bounding box.

Αυτή η διαδικασία μπορεί να περιλαμβάνει διάφορες προκλήσεις:

  • Οι όψεις μπορεί να αλληλεπικαλύπτονται
  • Οι όψεις μπορεί να είναι κατεστραμμένες
  • Οι ετικέτες μπορεί να είναι σε ίση απόσταση από δύο όψεις
  • Οι όψεις μπορεί να είναι εμφωλευμένες

Η σχέση μεταξύ των όψεων είναι ένα άλλο πιθανό ζήτημα. Πρέπει να εξετάσετε αν η όψη είναι ένα επίπεδο μέρος του διαγράμματος, ένα γυρισμένο μέρος, ένα μπλοκ ή κάτι άλλο. Επιπλέον, μπορεί να υπάρχουν άλλα προβλήματα όπως αλυσίδες μετρήσεων, λείπουσες αναφορές, ύψη που ορίζονται έμμεσα μέσω αναφοράς σε ένα πρότυπο ή άλλα προβλήματα.

Σημαντικά, η γενική OCR δεν μπορεί να κατανοήσει με συνέπεια το κείμενο στα σχέδια που περιβάλλεται από γραφικά στοιχεία όπως γραμμές, σύμβολα και αναφορές. Λόγω αυτού του γεγονότος, πρέπει να διεισδύσουμε πιο βαθιά στην OCR με μηχανική μάθηση η οποία θα είναι πιο χρήσιμη για αυτήν την εφαρμογή.

Προκατασκευασμένα και Προσαρμοσμένα Μοντέλα OCR

Δεν υπάρχει έλλειψη λογισμικού OCR στην αγορά, αλλά δεν μπορεί όλο αυτό το λογισμικό να εκπαιδευτεί ή να τροποποιηθεί από τον χρήστη. Όπως έχουμε μάθει, η εκπαίδευση μπορεί να είναι αναγκαία για την ανάλυση των τεχνικών σας σχεδίων. Ωστόσο, εργαλεία OCR για αυτά τα είδη σχεδίων υπάρχουν.

Προκατασκευασμένα Εργαλεία OCR

Εδώ είναι ορισμένες κοινές επιλογές για αναγνώριση OCR τεχνικών σχεδίων:

  • ABBYY FineReader: αυτό το ευέλικτο λογισμικό ερμηνείας τεχνικών σχεδίων προσφέρει τεχνολογία OCR με δυνατότητες αναγνώρισης κειμένου. Υποστηρίζει διάφορες μορφές εικόνας, διατήρηση διάταξης, εξαγωγή δεδομένων και ενσωματώσεις.
  • Adobe Acrobat Pro: Εκτός από την παροχή επεξεργασίας, προβολής και διαχείρισης PDF, το Acrobat σας επιτρέπει να σαρώσετε έγγραφα και τεχνικά σχέδια με OCR, να εξάγετε κείμενο και να εκτελέσετε αναζητήσεις. Υποστηρίζει διάφορες γλώσσες και επιτρέπει στους χρήστες να ρυθμίσουν επιλογές.
  • Bluebeam Revu: άλλη μια δημοφιλής εφαρμογή PDF, το Bluebeam Revu προσφέρει τεχνολογίες OCR για εξαγωγή κειμένου από τεχνικά σχέδια.
  • AutoCAD: που σημαίνει Σχεδίαση Υποβοηθούμενη από Υπολογιστή, το AutoCAD υποστηρίζει πρόσθετα OCR για ερμηνεία τεχνικών σχεδίων και μετατροπή τους σε επεξεργάσιμα στοιχεία CAD.
  • PlanGrid: αυτό το λογισμικό περιλαμβάνει ερμηνεία τεχνικών σχεδίων OCR χωρίς πρόσθετη διαμόρφωση. Με αυτήν τη δυνατότητα, μπορείτε να ανεβάσετε εικόνες τεχνικών σχεδίων και στη συνέχεια να εξάγετε, να οργανώσετε, να ευρετηριαστείτε και να αναζητήσετε το κείμενο.
  • Textract: αυτή η βασισμένη στο υπολογιστικό νέφος δυνατότητα του AWS επιτρέπει την ανάλυση εγγράφων OCR και μπορεί να εξάγει στοιχεία όπως πίνακες από έγγραφα. Επίσης, μπορεί να αναγνωρίσει στοιχεία από τεχνικά σχέδια και παρέχει API για ενσωμάτωση με άλλες εφαρμογές.
  • Butler OCR: παρέχοντας στους προγραμματιστές API εξαγωγής εγγράφων, το Butler OCR συνδυάζει τη μηχανική μάθηση με την ανθρώπινη αναθεώρηση για να βελτιώσει την ακρίβεια της αναγνώρισης εγγράφων.

Προσαρμοσμένες Λύσεις OCR

Αν ψάχνετε για προσαρμοσμένες λύσεις OCR που μπορούν να εκπαιδευτούν για να επιτύχουν καλύτερη αυτόματη εξαγωγή δεδομένων από τεχνικά σχέδια και να τις προσαρμόσουν στο συγκεκριμένο σας φορμά δεδομένων, εδώ είναι μερικές δημοφιλείς επιλογές:

  • Tesseract: αυτό το ευέλικτο, μηχανή OCR ανοικτού κώδικα που διατηρείται από τη Google μπορεί να εκπαιδευτεί σε δεδομένα για να αναγνωρίσει χαρακτήρες και σύμβολα που σχετίζονται με τεχνικά σχέδια.
  • OpenCV: Η Βιβλιοθήκη Υπολογιστικής Όρασης Ανοικτού Κώδικα μπορεί να συνδυαστεί με εργαλεία OCR όπως το Tesseract για να δημιουργήσει προσαρμοσμένες λύσεις ερμηνείας. Οι λειτουργίες επεξεργασίας και ανάλυσης εικόνας μπορούν να βελτιώσουν την ακρίβεια του OCR στα τεχνικά σχέδια όταν χρησιμοποιούνται σωστά.

Εκτός από αυτά τα εργαλεία, είναι επίσης δυνατό να αναπτύξετε ανεξάρτητα προσαρμοσμένα μοντέλα μηχανικής μάθησης. Χρησιμοποιώντας μοντέλα εκπαίδευσης σε ετικετεμένα σύνολα δεδομένων, πλαίσια όπως το TensorFlow ή το PyTorch, αυτές οι λύσεις μπορούν να ρυθμιστούν για να αναγνωρίσουν συγκεκριμένα στοιχεία τεχνικών σχεδίων και να επιτύχουν υψηλότερη ακρίβεια για τις ανάγκες μιας οργάνωσης.

Τα προκατασκευασμένα μοντέλα προσφέρουν ευκολία και ευκολία χρήσης, αλλά μπορεί να μην είναι τόσο αποτελεσματικά στην ερμηνεία των τεχνικών σχεδίων όσο οι προσαρμοσμένες λύσεις. Αυτές οι προσαρμοσμένες λύσεις απαιτούν επίσης πρόσθετους πόρους και εμπειρογνωσία για να αναπτυχθούν και να διατηρηθούν.

Οι προσαρμοσμένες λύσεις απαιτούν πρόσθετους οικονομικούς πόρους και εργασία για να αναπτυχθούν. Θα σας συνιστούσα να αρχίσετε με ένα απόδειξη εφικτότητας (PoC) για να επικυρώσετε τις τεχνικές ικανότητες και ένα ελάχιστα βιώσιμο προϊόν για να ελέγξετε την αντίληψη της αγοράς για το έργο πριν επενδύσετε πολύ σε μια προσαρμοσμένη λύση OCR.

Η Διαδικασία Εφαρμογής ενός Μοντέλου OCR για Ανάγνωση Τεχνικών Σχεδίων

Ο καλύτερος τρόπος για να ξεκινήσετε την κατασκευή λογισμικού OCR για τεχνικά σχέδια θα ήταν να αναλύσετε τα διαθέσιμα ανοιχτά εργαλεία. Αν εξαντλήσετε τις ανοιχτές πηγές, μπορεί να χρειαστεί να στραφείτε σε κλειστές πηγές με API ενσωματώσεις.

Η κατασκευή μιας λύσης OCR από την αρχή είναι απρακτική επειδή απαιτεί ένα τεράστιο σύνολο δεδομένων για εκπαίδευση. Αυτό είναι δύσκολο και ακριβό να συλλεχθεί και απαιτεί πολλούς πόρους για την εκπαίδευση του μοντέλου. Στις περισσότερες περιπτώσεις, η ρύθμιση των υφιστάμενων μοντέλων πρέπει να καλύπτει τις ανάγκες σας.

Η διαδικασία από εδώ έχει την ακόλουθη μορφή:

  1. Εξέταση απαιτήσεων: πρέπει να κατανοήσετε ποια είδη τεχνικών σχεδίων η εφαρμογή σας πρέπει να λειτουργεί και ποια χαρακτηριστικά και λειτουργίες απαιτούνται για να επιτύχετε αυτόν τον στόχο.
  2. Λήψη εικόνας και προεπεξεργασία: σκεφτείτε ποια συσκευές σκοπεύετε να χρησιμοποιήσετε για τη λήψη των εικόνων. Επιπλέον βήματα προεπεξεργασίας μπορεί να απαιτούνται για να βελτιώσουν την ποιότητα των αποτελεσμάτων. Αυτό μπορεί να περιλαμβάνει περικοπή, αλλαγή μεγέθους, αφαίρεση θορύβου, και άλλα.
  3. Ενσωμάτωση OCR: εξετάστε τον κινητήρα OCR που θα λειτουργήσει καλύτερα με την εφαρμογή σας. Οι βιβλιοθήκες OCR έχουν API που επιτρέπουν στην εφαρμογή σας να εξάγει κείμενο από αποθηκευμένες εικόνες. Είναι σημαντικό να εξετάσετε ανοιχτές πηγές OCR για οικονομίες κόστους. Τα API τρίτων μπορούν να είναι ασταθή σε σχέση με την τιμολόγηση με την πάροδο του χρόνου ή να χάσουν την υποστήριξη.
  4. Αναγνώριση και επεξεργασία κειμένου: στη συνέχεια, είναι ώρα να εφαρμόσετε λογική για να επεξεργαστείτε και να αναγνωρίσετε το κείμενο. Κάποια πιθανά καθήκοντα που μπορεί να σκεφτείτε να προσθέσετε σε αυτό το βήμα είναι καθαρισμός κειμένου, αναγνώριση γλώσσας ή οποιαδήποτε άλλη τεχνική που μπορεί να παρέχει πιο σαφή αποτελέσματα αναγνώρισης κειμένου.
  5. Διεπαφή χρήστη και εμπειρία: μια εύχρηστη διεπαφή χρήστη για την εφαρμογή είναι σημαντική ώστε ο χρήστης να μπορεί να τη χρησιμοποιήσει αποτελεσματικά για να καταγράψει εικόνες και να ξεκινήσει το OCR. Τα αποτελέσματα πρέπει να παρουσιαστούν στον χρήστη με τρόπο που είναι εύκολο να κατανοηθεί.
  6. Δοκιμή: δοκιμάστε την εφαρμογή σας για να διασφαλίσετε την ακρίβεια και την ευχρηστία της. Η ανατροφοδότηση του χρήστη είναι απαραίτητη σε αυτήν τη διαδικασία.

Συμπέρασμα

Αντιμέτωποι με τις προκλήσεις της δημιουργίας λογισμικού OCR για σύνθετα τεχνικά σχέδια, οι οργανισμοί έχουν πολλές επιλογές για να αντιμετωπίσουν το ζήτημα. Από μια σειρά προκατασκευασμένων μοντέλων και προσαρμοσμένων εργαλείων για να δημιουργήσουν πιο προσωποποιημένες λύσεις, οι επιχειρήσεις μπορούν να βρουν τρόπους για να αναλύσουν, να ευρετηριαστούν και να αναζητήσουν αποτελεσματικά τα τεχνικά σχέδια και άλλα σύνθετα έγγραφα. Όλο που χρειάζεται είναι κάποια ευστροφία, δημιουργικότητα και χρόνος για να δημιουργήσετε μια λύση που ανταποκρίνεται στις ανάγκες τους.

Επικεφαλής ομάδας τεχνητής νοημοσύνης στη MobiDev, μια εταιρεία ανάπτυξης λογισμικού που βοηθά τις εταιρείες σε όλο τον κόσμο να καινοτομούν με προηγμένα τεχνολογικά μέσα όπως η τεχνητή νοημοσύνη, η επιστήμη δεδομένων, η επαυξημένη πραγματικότητα και το Διαδίκτυο των Πραγμάτων. Η επαγγελματική της εστίαση είναι η ανάλυση δεδομένων, η πρόβλεψη, η επεξεργασία φυσικής γλώσσας (NLP) και τα chatbots. Συγγραφέας άρθρων για την τεχνητή νοημοσύνη για το AiiotTalk, Hackernoon, DevTo. Ομιλήτρια σε διάφορες συνεδρίες και τεχνολογικές συζητήσεις για την τεχνητή νοημοσύνη.