Что такое OCR и как сегодня работает распознавание текста
Основы3 минРедакция Innovialabs
Коротко
OCR превращает изображение текста в редактируемый текст. Классический OCR просто читает символы, а современные ИИ-модели понимают структуру документа и сразу извлекают нужные поля — номер, дату, сумму.
Что такое OCR
OCR (Optical Character Recognition, оптическое распознавание символов) — технология, которая превращает изображение с текстом в машиночитаемый текст. Скан договора, фото чека, PDF без текстового слоя — после OCR текст можно искать, копировать и обрабатывать программно.
Сегодня под OCR часто понимают более широкую задачу — понимание документов (document understanding): не просто прочитать буквы, а понять, где в счёте номер, где дата, где итоговая сумма.
Классический OCR и ИИ-подход
Классический OCR
Работает по цепочке:
- Предобработка: выравнивание наклона, удаление шума, перевод в чёрно-белое.
- Поиск текста: определение строк и слов на изображении.
- Распознавание символов: перевод фрагментов изображения в буквы.
- Постобработка: исправление по словарю.
Результат — сплошной текст, иногда с координатами. Чтобы достать из него конкретные поля, нужны шаблоны или правила: «сумма находится справа от слова Итого».
Современный ИИ-подход
Нейросетевые модели, включая мультимодальные LLM, смотрят на документ целиком: текст, расположение, таблицы, печати. Им можно сказать «извлеки номер счёта, дату и сумму в JSON» — и получить структурированный результат без шаблонов под каждую форму.
| Критерий | Классический OCR | ИИ-понимание документов |
|---|---|---|
| Результат | Текст | Текст + структура + нужные поля |
| Новые форматы | Нужны новые шаблоны | Часто работает без настройки |
| Рукописный текст | Слабо | Заметно лучше, но не идеально |
| Скорость и стоимость | Быстро и дёшево | Дороже на документ |
| Предсказуемость | Высокая | Возможны ошибки и «додумывание» |
| Работа без интернета | Легко | Возможно с локальными моделями |
На практике их часто комбинируют: OCR-движок даёт текст с координатами, а языковая модель извлекает и проверяет поля.
Что влияет на точность
- Качество скана: разрешение, резкость, освещение. Размытое фото с тенью — главный источник ошибок.
- Наклон и перспектива: фото документа под углом нужно выравнивать.
- Шрифт и печать: мелкий, бледный или матричный шрифт распознаётся хуже.
- Макет: многоколоночный текст, таблицы без границ, печати поверх текста усложняют задачу.
- Язык и алфавит: смешение кириллицы и латиницы, специальные символы (например, o‘ и g‘ в узбекском) требуют поддержки в модели.
- Рукописный текст: самая сложная категория.
Простые способы повысить точность: требования к фото в инструкции для пользователей, автоматическая проверка резкости при загрузке, приём PDF вместо фото, где это возможно.
Где OCR применяют в бизнесе
- Бухгалтерия: счета, накладные, акты — автоматический ввод в учётную систему.
- Онбординг клиентов: заполнение анкеты по фото документа.
- Чеки и расходы: учёт командировочных и закупок.
- Логистика: накладные, таможенные декларации.
- Архивы: перевод бумажных документов в поисковую базу.
- Чат-боты: пользователь присылает фото, бот извлекает данные.
Как внедрить без сюрпризов
- Соберите 50–100 реальных документов разного качества.
- Определите, какие поля нужны и какая ошибка допустима.
- Сравните 2–3 решения на этом наборе, а не на демо-примерах.
- Добавьте проверки: сумма строк равна итогу, ИНН нужной длины, дата в разумном диапазоне.
- Сомнительные документы отправляйте человеку на подтверждение.
Частые ошибки
- Оценивать решение по идеальным сканам.
- Пускать распознанные суммы в учёт без валидации.
- Забывать о защите персональных данных в документах.