OCR für gescannte PDF-Baupläne

Öffnen Sie die PDF-Datei und versuchen Sie, mit dem Textauswahltool ein Wort auszuwählen. Suchen Sie dann nach einem offensichtlichen Blatttitel oder einer Notiz. Wenn Sie einzelne Zeichen auswählen können und die Suche diese bereits findet, verfügt die Seite über eine Textebene. OCR fügt möglicherweise doppelten oder verrauschten Text hinzu, anstatt zu helfen. Wenn die Auswahl die Seite als ein Bild behandelt und die Suche nichts zurückgibt, ist sie ein guter OCR-Kandidat.

OCR verändert die Texterkennung, nicht die Zeichnungsgeometrie. Das Blatt wird nicht kalibriert, Abmessungen werden nicht validiert und es wird auch nicht bestätigt, dass eine Notiz korrekt erkannt wurde.

1. Duplizieren Sie das Quell-PDF oder verwenden Sie „Speichern unter“, damit der Originalscan unberührt bleibt.
2. Schließen Sie unabhängige große Dokumente, wenn der Scan lang ist oder viele Bilder enthält, und öffnen Sie dann die Arbeitskopie.
3. Wählen Sie Dokument › OCR. OCR startet für das aktuelle Dokument; Der aktuelle Dialog bietet keine Seitenbereichs- oder Sprachauswahl.
4. Lassen Sie das Dialogfeld geöffnet, um den Fortschritt zu verfolgen, oder schließen Sie es, wenn der Lauf im Hintergrund fortgesetzt werden soll. Wählen Sie OCR abbrechen, wenn Sie anhalten müssen. ein abgebrochener Lauf verwirft sein Ergebnis.
5. Warten Sie auf die Abschlussmeldung, bevor Sie die Suche beurteilen. Große Scans und Bausätze können einige Zeit in Anspruch nehmen.
6. Speichern Sie das erkannte Dokument unter einem eindeutigen Dateinamen, schließen Sie es und öffnen Sie die gespeicherte Datei erneut.
7. Durchsuchen Sie mehrere Begriffe auf verschiedenen Seiten und kopieren Sie kurze Passagen in Klartext, um die Erkennungsqualität zu überprüfen.

Seit PolyPDF 1.4.4 erstellt OCR auch ein Modell der aktuellen Sitzung mit wahrscheinlichen Zeitplänen, Titelfeldfeldern, Zeichnungs- und Detailbeschriftungen, Bemaßungen, Regionen, Zeilen und Zellen. Dies ist nützlich für die Überprüfung und die Übergabe von Tabellenkalkulationen, wird jedoch immer noch aus Seitenpixeln und auswählbarem Text abgeleitet – keine verlässliche Zeitplandatenbank.

1. Beenden Sie den OCR-Lauf und überprüfen Sie die erkannten Tabellennamen, Überschriften, Zeilen und Dimensionen.
2. Wählen Sie Datei › Exportieren › Excel-Arbeitsmappe (Tabellen + Text)…, während die erkannte Dokumentsitzung geöffnet bleibt.
3. Speichern Sie die Arbeitsmappe unter einem Namen, der mit der Quellzeichnung und dem Quellproblem verknüpft ist.
4. Öffnen Sie die Arbeitsmappe und vergleichen Sie kritische Mengen, Dimensionen, Tags und Zeitplanzellen mit der sichtbaren PDF-Datei.
5. Behandeln Sie zusammengeführte Zellen, schwache Linien, Handschrift, gedrehte Beschriftungen und dichte Linien als Überprüfungsbereiche mit hohem Risiko.

Das strukturierte Tabellenmodell sind Sitzungsdaten. Beim Speichern und erneuten Öffnen bleibt die durchsuchbare PDF-Ebene erhalten, Sie sollten jedoch nicht davon ausgehen, dass das abgeleitete Tabellenmodell weiterhin verfügbar ist, es sei denn, Sie führen OCR erneut aus. Exportieren Sie die Arbeitsmappe, bevor Sie die Sitzung schließen.

Die Verfügbarkeit der Erkennung hängt vom Betriebssystem und der installierten Sprachunterstützung ab, daher können die von einem Mac- oder Windows-Computer angebotenen Sprachen von denen eines anderen abweichen. Die derzeit eingebettete durchsuchbare Ebene von PolyPDF ist auf lateinische, griechische und kyrillische Schriften beschränkt. Das Betriebssystem erkennt möglicherweise Text in zusätzlichen Skripten, PolyPDF verspricht jedoch nicht, diese Zeichen als durchsuchbare Ebene in das PDF einzubetten.

• Behandeln Sie Titelblöcke mit gemischter Schrift als besonderen Überprüfungsfall.
• Installieren und aktivieren Sie die erforderliche Betriebssystem-Sprachunterstützung, bevor das Projekt beginnt, und testen Sie sie dann mit einer repräsentativen Seite.
• Lassen Sie nicht den Schluss zu, dass ein angezeigter Sprachname die gleiche Genauigkeit bei Schriftarten, Scanqualität, Rotationen oder handschriftlichen Notizen garantiert.
• Wenn PolyPDF meldet, dass erkannter Text nicht eingebettet werden kann, verwenden Sie jeden angebotenen Textexport als Überprüfungshilfe und nicht als Beweis dafür, dass die PDF-Datei selbst in diesem Skript durchsuchbar ist.

Ein allgemeiner Suchtest kann bestanden werden, während die von Ihnen benötigten Kennungen immer noch nicht bestehen. Erstellen Sie aus dem Dokument einen kleinen Verifizierungssatz: eine Blattnummer, einen Raumnamen, eine Materialabkürzung, eine Bemaßung und eine Notiz mit Satzzeichen. Suchen Sie genau nach jedem Wert und versuchen Sie es dann mit einem eindeutigen Fragment. Untersuchen Sie sowohl echte Treffer als auch offensichtliche Orte, die bei der Suche übersehen wurden.

• Erwarten Sie Verwechslungen zwischen ähnlichen Formen wie O und 0, I und 1, S und 5 oder Dezimalpunkten und Scan-Rauschen.
• Gedrehte Notizen, komprimierte Schriftarten, verblasste Diazo-Drucke, verzerrte Scans und Text, der sich mit Linien kreuzt, sind schwierigere Eingaben.
• Kopieren Sie niemals eine durch OCR abgeleitete Abmessung, Menge, Ausrüstungskennzeichnung oder Spezifikationswert in nachgelagerte Arbeiten, ohne sie mit dem Seitenbild zu vergleichen.
• Suchergebnisse sind eine Navigationshilfe. Die sichtbare Zeichnung bleibt die Quelle, die überprüft werden muss.

Die hier gezeigte NACA-Seite ist ein Rasterscan ohne extrahierbaren Text vor der OCR: Die Suche nach SURFACE gibt „Keine Übereinstimmungen“ zurück. Nachdem der Durchlauf des gesamten Dokuments abgeschlossen war, haben wir das Ergebnis gespeichert, PolyPDF beendet, das gespeicherte PDF erneut geöffnet und die gleiche Suche wiederholt. PolyPDF gab drei Ergebnisse zurück und wählte ein Vorkommen „Schiffsoberfläche“ in der Zeichnung aus.

Wenn Sie Text aus der gespeicherten PDF-Datei kopieren, werden „REPORT NATIONAL ADVISORY COMMITTEE FOR AERONAUTICS“, „Surface of Ship“ und „U.S. S. Akron“ zurückgegeben. Derselbe Text enthält auch Fehler in kleinen kursiven Beschriftungen und Bemaßungsnotationen. Verwenden Sie daher OCR-Treffer für die Navigation und vergleichen Sie alle daraus resultierenden Kennungen, Notizen oder Messungen mit dem sichtbaren Scan.

• Bei OCR handelt es sich um eine Best-Effort-Erkennung, nicht um eine Transkriptionsgarantie oder einen Zeichnungsvalidierungsdienst.
• Eine durchsuchbare Textebene macht das PDF nicht barrierefrei. Lesereihenfolge, Überschriften, Alternativtext, Formularbeschriftungen und andere Barrierefreiheitsstrukturen bedürfen einer gesonderten Prüfung.
• OCR entfernt keine vertraulichen Pixel. Wenn bei einem Scan sensible PDF-Inhalte entfernt werden müssen, verwenden Sie einen bildbewussten Workflow zum Entfernen sensibler PDF-Inhalte und überprüfen Sie die Ausgabe.
• Die Erkennung erfolgt lokal über Plattformfunktionen, aber die Verfügbarkeit und Ergebnisse der Betriebssystemsprache können je nach Computer unterschiedlich sein.
• Ein abgeschlossener Fortschrittsbalken bedeutet, dass der Lauf abgeschlossen ist. Dies bedeutet nicht, dass jedes Wort korrekt gefunden oder eingebettet wurde.

Definieren Sie für Folgearbeiten die akzeptable Verwendung, bevor Sie OCR ausführen: Navigation und Erkennung sind angemessen; Eine ungeprüfte Extraktion von Abmessungen, Mengen oder Compliance-Sprachen ist nicht der Fall.