ตัวเลขจริงจากระบบอ่านสัญญาที่ใช้งานอยู่ ทั้งความแม่นยำ OCR ภาษาไทย ผลของการเตรียมภาพ และวิธีกู้ QR ที่สแกนไม่ผ่าน
โจทย์
เอกสารสัญญาจำนวนมากมี QR สำหรับผูกกับเลขสัญญา แต่ในงานจริง QR มักพับ โดนลวดเย็บทับ หรือพิมพ์จาง เครื่องสแกนอ่านไม่ผ่าน เจ้าหน้าที่ต้องเปิดอ่านแล้วคีย์เอง และเสี่ยงผูกเอกสารผิดสัญญา
ขั้นแรก: กู้ QR ก่อนใช้ OCR
QR มีข้อมูลสำรองในตัว เราจึงเขียนตัวถอดรหัส Reed–Solomon แบบ erasure เอง เมื่อรู้ตำแหน่งที่เสียหาย ก็เติมข้อมูลส่วนที่หายคืนได้ ในกรณีทดสอบหนึ่ง เติม codeword คืนได้ 12 จาก 26 ใช้เวลา 0.54 วินาที
ใน production การกู้ QR สำเร็จใช้เวลาประมาณ 1–2 วินาที ต่อเอกสาร
ขั้นที่สอง: เตรียมภาพก่อน OCR
ภาพสแกนดิบมักเอียง มีขอบดำ หรือคอนทราสต์ต่ำ เราหมุน ดัดเอียง ตัดขอบ และปรับคอนทราสต์ก่อนส่งเข้า OCR ในเอกสารชุดทดสอบ จำนวนตัวอักษรที่อ่านได้เพิ่มจาก 295 เป็น 1,146 ตัว
ความแม่นยำ OCR ภาษาไทย
เราใช้ vision model เป็นหลัก และใช้ Tesseract เป็นตัวสำรอง ความแม่นยำบนเอกสารจริงอยู่ที่ 87–93% ซึ่งพอสำหรับดึงข้อมูลสำคัญ เช่น เลขสัญญา ชื่อ และที่อยู่ เมื่อมีการตรวจไขว้
ไฟล์ JBIG2 ที่อ่านไม่ได้เลย
สแกนเนอร์สำนักงานบางรุ่นบีบอัด PDF แบบ JBIG2 ทำให้เครื่องมือทั่วไปอ่านไม่ได้ทั้ง QR และข้อความ หลังเพิ่มการรองรับ JBIG2 อัตราอ่าน QR เพิ่มจาก 0% เป็น 100% และ OCR จาก 0% เป็น 85% ในชุดทดสอบ
ตรวจไขว้ ไม่เชื่อผลชั้นเดียว
- เทียบเลขจาก QR กับเลขที่อ่านด้วย OCR
- ตรวจที่อยู่ไทยกับฐานข้อมูล 77 จังหวัด 928 อำเภอ 7,436 ตำบล แบบออฟไลน์
- ตรวจชื่อนิติบุคคลกับข้อมูลเปิดของกรมพัฒนาธุรกิจการค้า
คุ้มหรือไม่ ต้องวัดก่อน
ระบบอ่านเอกสารคุ้มค่าเมื่อมีปริมาณเอกสารถึงระดับหนึ่ง ในงานนี้ จุดคุ้มทุนอยู่ราว 1,300–2,500 ฉบับต่อเดือน ขึ้นกับรูปแบบการใช้ เราจึงแนะนำให้ทดสอบกับเอกสารจริง 100–200 ฉบับก่อนตัดสินใจลงทุน
ดูรายละเอียดงานได้ที่ กู้ QR ที่เสียหาย และอ่านสัญญาด้วย AI หรือ บริการ Automation & AI