OCR technologie v pedagogických disciplínách
(stručný úvod do problematiky)
Kamil Kopecký, David Nocar, Roman Kopecký
Pedagogická fakulta UP v Olomouci
Souhrn
Tento článek popisuje OCR technologii digitálního převodu textu z papírové do elektronické podoby, zaznamenává i stručný historický vývoj tohoto know-how, srovnává dostupný software, vyvinutý pro práci s OCR. Zároveň naznačuje i možnosti použití této v pedagogických humanitních i exaktních disciplínách.
Klíčová slova
OCR, digitální transformace textu, OCR-A, OCR-B
Summary
Using OCR technology in pedagogical sciences
This article describes OCR technology of digital conversion of paper text into electronic form, narrates a brief historical development of this know-how, compares accessible OCR software. The article also implies possibilities of using this technology in humanistic and exact pedagogical sciences.
Keywords
OCR, digital transformation of text, OCR-A, OCR-B
1. Úvod
S rozvojem moderních technologií posledních desetiletí 20. století došlo i k modernizaci přístupu k psanému a tištěnému textu. Psaný text byl postupně nahrazován textem elektronickým1, který má oproti textu “na papíře” řadu nesporných výhod. Mezi jeho zásadní přednosti lze zařadit jeho velmi jednoduchou upravitelnost, snadný převod do papírové podoby, schopnost provazovat text navzájem pomocí tzv. hypertextových odkazů, interaktivitu textu, možnost elektronický text přečíst prostřednictvím vhodného software bez přítomnosti fyzického mluvčího apod. Moderní elektronickou komunikaci, posílání e-mailů, SMS, tvorbu elektronických knih (e-books), tvorbu a administraci internetových portálů, vývoj software i hardware si dnes již bez elektronického textu nelze představit. Přesto má oproti svému papírovému předchůdci jednu nespornou nevýhodu. Existuje tu pouze několik desítek let.
Existence psaného textu v lidské společnosti se odhaduje na několik tisíc let. Z prvotních jeskynních forem obrázkového písma (nebylo to ještě písmo ve vlastním slova smyslu), přes hliněné tabulky, papyrusové svitky či voskové destičky se postupem času přenesl grafický záznam na médium, které má nad svými těžkopádnými předchůdci zřetelnou převahu – na papír. Původní ručně psané texty byly vytlačeny záznamem strojovým, ustálilo se i psaní grafémů a celých abeced (azbuka, latinka a další grafické systémy). Konvence psaní vstoupila i do základních škol, kde se již od útlého věku všichni žáci učí psát víceméně ustáleně. Texty jsou děleny na psané a tištěné. Stále však vzrůstá potřeba převádět již vytvořené texty do elektronické podoby, archivovat je, dynamizovat a multimedializovat. Přepisování původních textů dnes již patří minulosti – existuje totiž technologie OCR.
2. OCR – k definici pojmu
OCR je zkratkou angl. spojení Optical Character Reading, případně Optical Character Recognition. Jedná se v podstatě o automatickou identifikaci grafických znaků snímaných opticky2, případně o metodu elektronického čtení tištěných znaků a jejich převádění do digitální formy, které lze dále zpracovat počítačem3.
3. OCR - princip technologie OCR
Účel a význam této technologie spočívá v rychlém a levném převádění tištěného nebo psaného textu do elektronické podoby (editovatelného počítačového souboru). Rozpoznávání textu je 20až 25krát rychlejší než ruční přepisování. Pro srovnání si uvedeme pár čísel: zatímco velmi rychlá sekretářka napíše 200 znaků za minutu, OCR rozpozná několik stovek znaků za sekundu. (Nutno přidat určitou dobu pro proces skenování a pro obsluhu softwaru.) OCR lze také použít pro převedení tabulky s čísly do počítače, což se může stát velice efektivním nástrojem při jakékoliv profesi.
OCR aplikace neumí skenovat, umí však rozpoznávat znaky a z obrázku obsahujícího text vytvářet běžný text, který lze dále zpracovávat. Původní dokument na papíře se načte pomocí skeneru. Skener pracuje jako oko vašeho počítače a předá mu načtený obraz. V tomto okamžiku se jedná skutečně pouze o obraz bez jiného významu - je to shluk černých bodů na bílém pozadí. Program pro optické rozpoznávání znaků dokáže z těchto načtených obrazů vyjmout textové informace - rozpozná tvary načtených písmen a přiřadí jim odpovídající znaky.
To provádí v několika krocích:
Prvním krokem je segmentace řádek. Rozdělí stránku s textem do samostatných řádků, analyzuje zkosení řádků, jejich rozteč a odděluje řádky, které se dotýkají. Fáze segmentace slov a znaků izoluje jedno slovo od druhého a odděluje jednotlivá písmena ve slově. Pokud mají znaky stejnou šířku (např. v DOSu), je segmentace znaků jednoduchá. Problémy nastávají, pokud šířka písmene závisí na jeho tvaru (proporcionální písmo), jestliže dochází k převisu určité části písmene a k dotýkání znaků, nebo když se používají fonty jehličkových tiskáren, kde jsou znaky vytvořené ze shluků izolovaných teček. V posledním kroku je ke každému samostatnému tvaru přiřazen podle charakteristiky daného znaku správný symbol. OCR analyzuje segmentované znaky tak, jako to dělají nevědomky lidé. Extrahuje tvary (čáry, kličky, mezery, uzly, úhly, apod.) a porovnává je vůči předdefinovanému nebo naučenému zdroji znalostí. Tento přístup se nazývá "topologická analýza".
OCR v praxi (scanner, počítač s OCR software a tiskárna)
V praxi to probíhá tak, že ne všechny znaky se OCR podaří rozeznat. Systém využívá jazykových databází a vzniklé slovo srovná se slovy ve slovníku. V případě podobnosti se slovem ve slovníku je poopraví, čímž je schopen v případě zkomolení slova opravit chyby vzniklé při rozpoznávání textu, načteného z nekvalitní předlohy. V případě, že se OCR nepodaří například rozpoznat jeden znak ve slově, neznamená to, že slovo bude označeno jako neidentifikované. Pokud je takto rozpoznávané slovo s chybou běžné a je obsaženo ve slovníku, dojde k jeho doplnění a opravě nečitelného znaku. V tomto případě dochází k mnoha drobným nepřesnostem, kdy například OCR rozpozná slovo, ale kvůli nedostatku v tisku nebo nedokonalosti naskenování nerozpozná poslední znak. Takto rozpoznávané slovo identifikuje správně, ale uvede ho v jiném tvaru, např. sloveso a věta nedává smysl.
U odborného textu, který obsahuje množství zkratek, odborných výrazů, cizích slov apod., také dochází k chybám. I v případě, že je nějaké slovo velmi podobné běžnému slovu ve slovníku, může dojít k jeho záměně. U nevšedních slov si OCR nemůže pomoci doplněním slova porovnáním se slovníkem, protože takové slovo ani jemu podobné v něm není a dochází k časté neidentifikaci slov. V případě, že se snažíme rozpoznat běžný text a OCR podporuje české diakritické znaky a obsahuje slovník českých slov, není ještě vyhráno. Nikdy nemáme zaručeno, že bude text rozpoznán se stoprocentním výsledkem.
Novější OCR programy pracují tak, že dokument procházejí několikrát za sebou a při posledních průchodech už spolupracují se spellcheckerem (totéž jako kontrola pravopisu v MS Wordu).
Pro úspěšné použití OCR je nezbytné, aby takový program podporoval češtinu, tzn. aby uměl rozeznat naše diakritické znaky jako korektní znaky a také aby umožňoval národní nastavení pro češtinu. Tento požadavek je možné zobecnit pro libovolné národní prostředí.
Uživatel může svůj systém doplnit o další moduly, např. výukový modul, který je schopen se naučit správně rozpoznávat nové symboly nebo tvary písma a tudíž je schopen se naučit správně rozpoznávat jakékoliv písmo. Dá se říci, že čím déle takovýto OCR systém používáte, tím dokonaleji pracuje.
Problémy mohou nastat při převodu barevného písma z barevného podkladu. Při skenování textu např. z novin, kde papír není úplně bílý, nemusí text dostatečně vyniknout. Podobně je tomu i při skenování nedokonale tištěných nebo již několikrát okopírovaných předloh, starších zažloutlých tisků, dřevitého papíru, stářím vybledlého a "potrhaného" písma, strojopisů - zejména ze starších psacích strojů. Velikost písma také ovlivňuje úspěch OCR. U velmi malých znaků nemusí být rozdíl mezi jednotlivými znaky dostatečný k jejich jednoznačné identifikaci. Při skenování textu (platí pro skenování obecně) je nutné mít sklo skeneru - skenovací plochu čistou. Jakékoli nečistoty se skenováním přenesou do obrázku v podobě teček a čárek a v případě skenování textu může při jeho rozpoznávání dojít k mylné identifikaci, nebo takové slovo OCR vůbec nerozpozná. V takových případech se objeví ve slovech chyby. Rozhodnutí je pak na uživateli - jestli se v takovém případě snažit o rozpoznání textu pomocí OCR a poté si text podrobně slovo za slovem projít a poopravovat, nebo jestli není jednodušší a rychlejší text přepsat ručně. Mnohdy i v případě jen několika chyb na každém řádku je takové ruční opravování náročnější než vlastní celkový ruční přepis. I v případě, kdy OCR program uspěl na výbornou, třeba když lze počet chyb na stránce spočítat na prstech jedné ruky, je nutné rozpoznaný text pozorně přečíst. Protože ani v tomto případě není počítač, lépe řečeno program OCR, neomylný. Uživatel by měl zvážit, zda je pro něj použití programu OCR snazší a hlavně rychlejší - protože zde jde zejména o rychlost - nebo zda požadovaný text přepíše ručně. Rozhodnutí je závislé na konkrétní situaci a zkušebních výsledcích. Jistě je rychlejší přepsat jeden odstavec, než jej skenovat a rozpoznávat pomocí OCR, ale už od počtu několika stran je v případě úspěšného OCR tento postup přínosem a urychlením práce.
Dnes je již většina skenerů dodávána spolu s OCR softwarem. Lze proto předpokládat, že s ohledem na rapidně rostoucí nabídku trhu se vstupními či výstupními, popřípadě i multifunkčními periferiemi (fax, skener a tiskárna v jediném přístroji), se může OCR stát stejně využívanou aplikací jako textový editor.
Role uživatele v procesu OCR
Tato role je zcela jednoduchá! Uživatel naskenuje dokument a označí, která oblast dokumentu ho zajímá. O vše ostatní se již postará OCR. Novým uživatelům jistě bude vyhovovat průvodce, který bývá součástí většiny OCR aplikací. Ten který vede uživatele procesem OCR pomocí jednoduchých, přímých otázek. Práci s OCR lze ještě více zjednodušit využíváním automatických režimů. Zjednodušeně řečeno: uživatel jen skenuje předlohy - a poté je ukládá jako textové dokumenty.
4. Stručná historie OCR
Vývoj OCR začal zhruba před 30 lety, přesto je tato technologie poměrně neznámá a málo rozšířená. V oblasti humanitních, ale i exaktních věd se na většině pedagogických pracovišť takřka vůbec nepoužívá. Na samotném počátku technologie optického rozpoznávání textu stály dvě velké společnosti American Bankers Association a Financial Services Idustry, které usilovaly o rychlé a kvalitní zpracování finančních tiskopisů, šeků, cenných papírů. OCR technologie se jevila vhodným řešením, postupem času však byla nahrazena dynamičtější technikou MICR (Magnetic Ink Character Recognition).
V roce 1966 došlo v USA ke standardizaci tzv. písma OCR-A, což bylo v podstatě první písmo umožňující strojové čtení. Tvary tohoto písma byly zjednodušeny, aby bylo samotné čtení co nejpřesnější, ale písmo nebylo dobře čitelné okem. Uplatnění našlo OCR-A zejména ve velkých bankách. V Evropě vzniká krátce poté (1968) standard OCR-B a jeho autorem byl Adrian Frutiger. Tento standard je hůře strojově čitelný, zato poskytuje lepší čitelnost okem.
Obr.1 - OCR-A
Obr. 2 - OCR-B
První OCR byly velmi pomalé a nedosahovaly požadované přesnosti. Většinou se omezovaly na rozpoznávání speciální fontů, tzv. OCR-A a OCR-B, postupem času však došlo k jejich obrovskému boomu. V 90. letech došlo ke stabilizování této technologie, která se zpřesnila a zrychlila. A se zvyšujícím se výkonem OCR výrazně klesaly i ceny OCR a skenerů, technologie se stala snadno přístupnou.
5. OCR software - FineReader vs. OmniPage
Pokud jste s programy OCR dosud nepracovali, určitě s nimi brzy přijdete do styku. Využívají se všude, kde se využívá skener pro ulehčení administrativní práce. Jsou určeny pro firmy, sekretariáty, překladatele, notáře, realitní a cestovní kanceláře, státní a městské úřady.... Ale určitě najdou uplatnění i u běžného uživatele. Většina hlavních výrobců nabízí nějaký OCR program, případně jeho “limitovanou verzi”, v rámci zakoupení skeneru. Účel těchto verzí OCR produktů je demonstrování základních OCR možností a představení OCR jako takového.4 V dnešní době je na trhu celá řada těchto programů. Patří mezi ně například TextBridge, Caere OmniPage, Recognita Standard, FineReader, ReadIris a další. Při rozhodování, jaký OCR software si pořídit, jsou důležité zejména tyto faktory: funkce, ovládání a v neposlední řadě cena. Na ukázku si tedy blíže představíme dva nejznámější zástupce této kategorie programů.
FineReader 6.0 Professional
Je to OCR software firmy ABBYY na převádění dokumentů přímo ze skeneru (nebo již dříve uložených dokumentů v obrazovém formátu) do textového formátu (MS Word, Excel, WordPerfect, Text, HTML, PDF...). Vyznačuje se hlavně vysokou přesností rozpoznávání znaků a jednoduchým ovládáním. Průvodce Skenovat&Číst je velice přirozený a srozumitelný (ocení hlavně začátečníci).
Program spolehlivě převede tabulky, text, obrázky, zachovává původní vzhled stránky (obtékající text, svisle orientovaný text, sloupce, obrázky nepravidelného tvaru), včetně fontů. Rozpoznává češtinu, slovenštinu, angličtinu, ruštinu a dalších 172 jazyků. Systém pro kontrolu gramatiky zvýrazní každý text, který obsahuje nejasné znaky, zobrazí seznam navrhovaných slov a přiblíží příslušnou oblast obrazu.
Dokáže provést repliku papírových dokumentů ve formátu HTML, přičemž přesně uchová jejich grafické uspořádání. Poskytuje nástroje pro práci s vícestránkovými dokumenty, možnost odfiltrovat špinavé pozadí dokumentu (faxy, noviny, časopisy, nejrůznější kopie). Vítanou možností je práce se soubory PDF. Pokud je potřeba provést v textu souboru ve formátu PDF změny a nejsou k dispozici nástroje Adobe, lze soubory PDF upravit prostředky FineReaderu.
Jediný nedostatek je asi způsob instalace. Přestože se aplikace distribuuje na CD, během instalace je nutné ještě vložit do disketové mechaniky doprovodnou instalační disketu. Teprve pak je instalaci možno úspěšně dokončit.
Minimální nároky na instalaci:
procesor: Intel Pentium 200 Mhz a vyšší (nebo ekvivalentní);
platforma: MS Windows XP/95/98/2000/NT 4.0;
operační paměť: 64 MB RAM;
místo na disku: 90 MB instalace + 70 MB pro operace;
mechanika: CD ROM, FDD 3,5”.
Pracuje se všemi na trhu dostupnými skenery.
Domovská stránka: http://www.abbyy.com (Je zde k dispozici download zkušební verze, která pracuje jako plná verze při 15 spuštěních nebo celkem 15 hodin práce. Po uplynutí této doby nebo po vyčerpání počtu spuštění se aplikace přepne do demo modu, v němž bude zablokován výstup z programu.)
Recognita OmniPage Pro 11
OCR software firmy ScanSoft, který umožňuje velice přesný převod informací z papírových dokumentů do digitální podoby. Používá se pro různé typy dokumentů (nekvalitní kopie a faxy, dopisy, články, zprávy a poznámky). Rozpoznává 114 jazyků. Rozpoznávání znaků probíhá hladce s minimálním výskytem chyb. Pracuje ve třech režimech: automatickém, manuálním a v režimu práce s průvodcem (pro začínající uživatele je asi nejjednodušší práce v automatickém režimu).
Zachovává složitá rozložení textů ve více sloupcích, hlavičky, patky, stránkování, barevný text i pozadí a dokáže je exportovat v nezměněné podobě do textového editoru (MS Word). Rozpoznává tabulky z tabulkových procesorů i tabulky bez rámečků.
Velice zajímavou funkcí (zvláště pro ty, kteří se učí cizí jazyk) je hlasový výstup (zatím nebyl vytvořen pro český jazyk). Program umí nahlas přečíst zpracovaný dokument, a to dokonce hlasem podle vlastního výběru (mužský, ženský, dětský). Lze také nastavit hlasitost a rychlost čtení. Ti, kteří se zabývají převodem papírových dokumentů ve velkém, ocení funkci automatického zpracování dokumentů v libovolném čase během následujících 24 hodin.
Nevýhodou tohoto programu je snad jen vyšší pořizovací cena a složitější ovládání.
Minimální nároky na instalaci:
procesor: Intel Pentium (nebo ekvivalentní);
platforma: MS Windows XP/95/98/2000/NT 4.0;
operační paměť: 32MB RAM (doporučeno 64 MB);
místo na disku: 115-170 MB;
mechanika: CD ROM.
Domovská stránka: http://www.scansoft.com (nemá žádnou “trial” /zkušební/ verzi, dnes firma nabízí i novější verzi Recognita OmniPage Pro 12 - neměli jsme ale možnost se s tímto produktem blíže seznámit).
Oba tyto programy jsou na velmi vysoké profesionální úrovni. Umí rozlišit textové i grafické pole, odfiltrovat špinavé pozadí a přitom zachovávají rozvržení stránky. Hlavními výhodami Recognity OmniPage oproti FineReaderu je možnost automatizovaně naplánovat převod dokumentů (například přes noc) a možnost přečtení zpracovaného dokumentu zvoleným hlasem. Obsluha FineReaderu je zase hlavně pro začínající uživatele jednodušší než u OmniPage. Co se týče ceny, jednoznačnou převahu má FineReader, který je při nákupu přibližně třikrát levnější než OmniPage. Avšak ceny za aktualizaci se již příliš neliší. Bližší informace o obou produktech lze získat na domovských stránkách výrobců.
6. OCR technologie v pedagogických vědách
Virtuální knihovny – hudba budoucnosti?
OCR technologie je předstupněm rozvoje elektronických knihoven všeho druhu. Knihy z elektronické knihovny nebudou nikdy rozpůjčované či poničené, nebudou nákladné na údržbu, nebude třeba bát se jejich krádeží, vr-knihovny se stanou mohutnými informačními zdroji, které umožní nalézt potřebný text stejně tak desetiletému čtenáři jako jadernému fyzikovi. Pomocí lehce ovladatelného software bude možno za několik sekund nalézt dle klíčových slov, předmětových skupin, autorů či názvů jakoukoli knihu jakékoli databáze. Zní to jako hudba budoucnosti? Pro mnohé ano, přesto však podobné knihovny již vznikají a existují. Virtuální knihovny však nemusí pouze koexistovat v rámci světových informačních sítí, svou vlastní knihovnu může mít doma každý z nás – ve svém PC, notebooku, nebo třeba jen na CD-ROMu. Důkazem existence VL (virtual libraries) je např. edice Česká knihovna (vyšla ve vydavatelství Levné knihy – www.levneknihy.cz), obsahující několik desítek e-books klasiků české literatury. Jako příklady elektronických knih lze uvést přepis knihy Obrázky z českých dějin a pověstí, Dějiny zemí Koruny české a Dějiny evropské civilizace, či remake populárního Rozumu do kapsy.
Některé výhody elektronických knih
|
Ekonomicky dostupné vydání knih i v malém množství. Knihy nikdy nejsou vyprodány. Autoři mají možnost samostatně e-knihy vydávat a levně je distribuovat. E-books jsou levnější než klasické papírové knihy. Učitelé mohou pro své žáky připravovat individuálně upravené texty učebnic. Možnost zajištění ochrany autorských práv pomocí softwarového readeru. Možnost multimediálního doplnění knihy (video, zvuk). Možnost snadného vyhledávání v rámci celé knihy. Možnost umisťovat do textu poznámky a zvýrazňovat text. Možnost číst v temnotě nebo ve špatném osvětlení. Možnost zapnutí audio-textu = poslech knihy (nové možnosti pro zrakově postižené …). Možnost tvorby vlastní virtuální knihovny. |
OCR ve výuce
Pro OCR lze nalézt využití také při výuce na všech typech škol. Jak již bylo řečeno, pomocí OCR lze do elektronické podoby převést libovolné konvenčně tištěné texty, tedy i učebnice, cvičebnice, skripta či jinou odbornou literaturu. V nich je pak možné dělat změny, doplňovat cvičení, upravovat již existující – tedy vytvářet své vlastní na tělo šité učební pomůcky. Ty lze pak snadno distribuovat žákům např. v podobě domácích úkolů, jsou dostupné v neomezeném množství exemplářů, jsou levné a mohou být i interaktivní a multimediální. OCR lze také využít i ke zpracování testů s uzavřenými otázkami - na rozdíl od testujícího – zpracování celého A4 dotazníku za použití OCR proběhne v několika málo sekundách.
Libovolný elektronický text lze také pomocí příslušného software přečíst (počítačový software dokáže napodobit lidský hlas), což ušetří čas učiteli i žákům, otevírá mimo jiné i mnohé možnosti pro děti, které jsou zrakově postižené. Moderní technologie zpracování zvuku již pokročila tak daleko, že syntetický hlas je v mnoha případech nemožné rozlišit od lidského.
Věříme, že v průběhu následujících let zaznamená elektronický text v každodenním životě mohutný boom; své uplatnění jistě nalezne i v pedagogických vědách. Je jen otázkou času, kdy dojde k rozvoji těchto v pedagogice dosud takřka vůbec nepoužívaných technologií, mezi které patří i OCR.
Poznámky:
Použitá literatura a internetové zdroje:
Literatura:
Internetové zdroje:
Kontakty na autory:
Mgr. Kamil Kopecký – kopeckyk@seznam.cz
Mgr. David Nocar – nocard@pdfnw.upol.cz
Roman Kopecký – jaman@email.cz