Sử dụng OCR cho Bản vẽ Kỹ thuật Phức tạp

Nhận dạng Ký tự Quang học (OCR) đã cách mạng hóa cách các doanh nghiệp tự động hóa quá trình xử lý tài liệu. Tuy nhiên, chất lượng và độ chính xác của công nghệ này không đủ tốt cho mọi ứng dụng. Đối với các tài liệu phức tạp, độ chính xác của OCR càng giảm. Điều này đặc biệt đúng đối với bản vẽ kỹ thuật. Mặc dù các công nghệ OCR thông thường có thể không phù hợp với nhiệm vụ này, nhưng vẫn có những cách khác để đạt được mục tiêu xử lý tài liệu với OCR. Trong những gì tiếp theo, tôi sẽ khám phá một số giải pháp khả thi để cung cấp cho bạn một ý tưởng chung mà không đi vào quá nhiều chi tiết kỹ thuật.

Thử thách của Nhận dạng Bản vẽ Kỹ thuật

Khi nói đến bản vẽ kỹ thuật, OCR gặp khó khăn trong việc hiểu ý nghĩa của các yếu tố văn bản riêng lẻ. Công nghệ có thể đọc văn bản, nhưng nó không hiểu ý nghĩa của nó. Có một số cơ hội cho các kỹ sư và nhà sản xuất xem xét nếu việc nhận dạng tự động của tài liệu kỹ thuật được cấu hình đúng. Xem các điểm quan trọng nhất của chúng dưới đây.

Nguồn hình ảnh: Mobidev

Để đạt được phân tích tài liệu kỹ thuật phức tạp, các kỹ sư cần đào tạo mô hình AI. Giống như con người, các mô hình AI cần kinh nghiệm và đào tạo để hiểu các bản vẽ này.

Một thách thức của việc nhận dạng bản vẽ kỹ thuật và bản vẽ là phần mềm phải hiểu cách tách các góc nhìn khác nhau của bản vẽ. Đây là các phần khác nhau của bản vẽ cung cấp ý tưởng cơ bản về bố cục của nó. Bằng cách tách các góc nhìn và hiểu mối quan hệ giữa chúng, phần mềm có thể tính toán hộp giới hạn.

Quá trình này có thể bao gồm một số thách thức:

• Các góc nhìn có thể chồng lên nhau
• Các góc nhìn có thể bị hư hỏng
• Các nhãn có thể cách đều hai góc nhìn
• Các góc nhìn có thể được lồng vào nhau

Mối quan hệ giữa các góc nhìn là một vấn đề khác. Bạn phải xem xét liệu góc nhìn là một phần phẳng của sơ đồ, một phần quay, một khối, hay điều gì khác. Ngoài ra, có thể có các vấn đề khác như đo lường chuỗi, thiếu chú thích, chiều cao được định nghĩa ngầm qua tham chiếu đến một tiêu chuẩn, hoặc các vấn đề khác.

Quan trọng là, OCR thông thường không thể hiểu được văn bản trong bản vẽ được bao quanh bởi các yếu tố đồ họa như đường, biểu tượng và chú thích. Vì thực tế này, chúng ta cần đi sâu vào OCR với học máy sẽ hữu ích hơn cho ứng dụng này.

Mô hình OCR Pre-Trained và Custom

Không có sự thiếu hụt phần mềm OCR trên thị trường, nhưng không phải tất cả phần mềm này đều có thể được đào tạo hoặc sửa đổi bởi người dùng. Như chúng ta đã biết, đào tạo có thể là một nhu cầu để phân tích bản vẽ kỹ thuật của bạn. Tuy nhiên, các công cụ OCR cho các bản vẽ này tồn tại.

Công cụ OCR Pre-Trained

Dưới đây là một số lựa chọn phổ biến cho nhận dạng OCR của bản vẽ kỹ thuật:

• ABBYY FineReader: phần mềm giải thích bản vẽ này cung cấp công nghệ OCR với khả năng nhận dạng văn bản. Nó hỗ trợ các định dạng hình ảnh khác nhau, giữ nguyên bố cục, xuất dữ liệu và tích hợp.
• Adobe Acrobat Pro: ngoài việc cung cấp chỉnh sửa, xem và quản lý PDF, Acrobat cho phép bạn quét OCR tài liệu và bản vẽ, trích xuất văn bản và thực hiện tìm kiếm. Nó hỗ trợ nhiều ngôn ngữ và cho phép người dùng cấu hình các tùy chọn.
• Bluebeam Revu: một ứng dụng PDF phổ biến khác, Bluebeam Revu cung cấp công nghệ OCR để trích xuất văn bản bản vẽ kỹ thuật.
• AutoCAD: viết tắt của Thiết kế có sự hỗ trợ của máy tính, AutoCAD hỗ trợ các plugin OCR để giải thích bản vẽ và chuyển đổi chúng thành các yếu tố CAD có thể chỉnh sửa.
• PlanGrid: phần mềm này bao gồm giải thích OCR bản vẽ ngay trong hộp. Với tính năng này, bạn có thể tải lên hình ảnh bản vẽ và sau đó trích xuất, tổ chức, lập chỉ mục và tìm kiếm văn bản.
• Textract: tính năng dựa trên đám mây này của AWS cho phép phân tích OCR tài liệu và có thể trích xuất các yếu tố như bảng từ tài liệu. Nó cũng có thể nhận dạng các yếu tố từ bản vẽ và cung cấp API để tích hợp với các ứng dụng khác.
• Butler OCR: cung cấp cho các nhà phát triển các API trích xuất tài liệu, Butler OCR kết hợp học máy với xem xét của con người để tăng độ chính xác của nhận dạng tài liệu.

Giải pháp OCR Custom

Nếu bạn đang tìm kiếm các giải pháp OCR tùy chỉnh có thể được đào tạo để đạt được trích xuất dữ liệu tự động tốt hơn từ bản vẽ kỹ thuật và áp dụng nó vào định dạng dữ liệu cụ thể của bạn, dưới đây là một số lựa chọn phổ biến:

• Tesseract: động cơ OCR linh hoạt và mã nguồn mở này được duy trì bởi Google có thể được đào tạo trên dữ liệu tùy chỉnh để nhận dạng các ký tự và biểu tượng cụ thể của bản vẽ.
• OpenCV: Thư viện tầm nhìn máy tính mã nguồn mở có thể được kết hợp với các công cụ OCR như Tesseract để xây dựng các giải pháp giải thích tùy chỉnh. Các chức năng xử lý và phân tích hình ảnh của nó có thể tăng độ chính xác của OCR trên bản vẽ kỹ thuật khi được sử dụng đúng cách.

Ngoài các công cụ này, cũng có thể phát triển độc lập các mô hình học máy tùy chỉnh. Bằng cách sử dụng các mô hình đào tạo trên các tập dữ liệu đã được gắn nhãn, các framework như TensorFlow hoặc PyTorch, các giải pháp này có thể được tinh chỉnh để nhận dạng các yếu tố bản vẽ cụ thể và đạt được độ chính xác cao hơn cho nhu cầu của một tổ chức.

Các mô hình pre-trained cung cấp sự tiện lợi và dễ sử dụng nhưng có thể không hiệu quả trong việc giải thích bản vẽ kỹ thuật như các giải pháp tùy chỉnh. Các giải pháp tùy chỉnh cũng yêu cầu thêm tài nguyên và chuyên môn để phát triển và duy trì.

Các giải pháp tùy chỉnh yêu cầu thêm tài nguyên tài chính và lao động để phát triển. Tôi khuyên bạn nên bắt đầu với một bằng chứng về khái niệm (PoC) để xác thực khả năng kỹ thuật và một sản phẩm có thể sử dụng tối thiểu (MVP) để kiểm tra nhận thức của thị trường về dự án trước khi đầu tư quá nhiều vào một giải pháp OCR tùy chỉnh.

Quá trình Thực hiện Mô-đun OCR để Đọc Bản vẽ Kỹ thuật

Điểm xuất phát tốt nhất để xây dựng phần mềm OCR cho bản vẽ kỹ thuật sẽ là phân tích các công cụ mã nguồn mở. Nếu bạn đã sử dụng hết các lựa chọn mã nguồn mở, bạn có thể cần phải chuyển sang các lựa chọn mã nguồn đóng với tích hợp API.

Xây dựng một giải pháp OCR từ đầu là không thực tế vì nó yêu cầu một tập dữ liệu lớn để đào tạo. Điều này khó khăn và tốn kém để thu thập và đòi hỏi nhiều tài nguyên để đào tạo mô hình. Trong hầu hết các trường hợp, việc tinh chỉnh các mô hình hiện có nên đáp ứng nhu cầu của bạn.

Quá trình từ đây trông giống như sau:

1. Xem xét yêu cầu: bạn cần hiểu loại bản vẽ kỹ thuật mà ứng dụng của bạn nên làm việc và loại tính năng và chức năng nào cần thiết để đạt được mục tiêu đó.
2. Chụp và tiền xử lý hình ảnh: hãy nghĩ về thiết bị bạn dự định sử dụng để chụp hình ảnh. Các bước tiền xử lý bổ sung có thể cần thiết để tăng chất lượng kết quả của bạn. Điều này có thể bao gồm cắt, thay đổi kích thước, loại bỏ tiếng ồn và hơn thế nữa.
3. Tích hợp OCR: xem xét động cơ OCR nào sẽ hoạt động tốt nhất với ứng dụng của bạn. Các thư viện OCR có API cho phép ứng dụng của bạn trích xuất văn bản từ hình ảnh được chụp. Điều quan trọng là phải xem xét các giải pháp OCR mã nguồn mở để tiết kiệm chi phí. Các API của bên thứ ba có thể thay đổi về giá cả theo thời gian hoặc mất hỗ trợ.
4. Nhận dạng và xử lý văn bản: tiếp theo, đã đến lúc thực hiện logic để xử lý và nhận dạng văn bản. Một số nhiệm vụ bạn có thể xem xét thêm vào bước này là làm sạch văn bản, nhận dạng ngôn ngữ hoặc bất kỳ kỹ thuật nào khác có thể cung cấp kết quả nhận dạng văn bản rõ ràng hơn.
5. Giao diện người dùng và trải nghiệm: một giao diện người dùng dễ sử dụng cho ứng dụng là quan trọng để người dùng có thể sử dụng nó một cách hiệu quả để chụp hình ảnh và khởi động OCR. Kết quả nên được trình bày cho người dùng theo cách dễ hiểu.
6. Kiểm tra: kiểm tra kỹ lưỡng ứng dụng để đảm bảo độ chính xác và khả năng sử dụng của nó. Phản hồi của người dùng là điều cần thiết cho quá trình này.

Kết thúc

Trước những thách thức của việc tạo phần mềm OCR cho bản vẽ kỹ thuật phức tạp, các tổ chức có một số lựa chọn để tiếp cận vấn đề. Từ một loạt các mô hình pre-trained và các công cụ tùy chỉnh để tạo ra các giải pháp cá nhân hóa, các doanh nghiệp có thể tìm cách phân tích, lập chỉ mục và tìm kiếm hiệu quả các bản vẽ và các tài liệu phức tạp khác. Tất cả những gì cần thiết là một chút sáng tạo, sự sáng tạo và thời gian để tạo ra một giải pháp đáp ứng nhu cầu của họ.