OCR de planos escaneados en PDF | Guía PolyPDF

Abra el PDF e intente seleccionar una palabra con la herramienta de selección de texto. Luego busque el título de una hoja o una nota obvia. Si puede seleccionar caracteres individuales y la búsqueda ya los encuentra, la página tiene una capa de texto; El OCR puede agregar texto duplicado o con ruido en lugar de ayudar. Si la selección trata la página como una imagen y la búsqueda no devuelve nada, es un buen candidato para OCR.

OCR cambia la visibilidad del texto, no la geometría del dibujo. No calibra la hoja, no valida las dimensiones ni confirma que una nota fue reconocida correctamente.

1. Duplique el PDF de origen o utilice Guardar como para que el escaneo original permanezca intacto.
2. Cierre los documentos grandes no relacionados si el escaneo es largo o tiene muchas imágenes y luego abra la copia de trabajo.
3. Elija Documento › OCR. Se inicia el OCR para el documento actual; el cuadro de diálogo actual no ofrece un rango de páginas ni un selector de idioma.
4. Mantenga el cuadro de diálogo abierto para ver el progreso o ciérrelo si desea que la ejecución continúe en segundo plano. Elija Cancelar OCR cuando necesite detenerse; una ejecución cancelada descarta su resultado.
5. Espere el mensaje de finalización antes de juzgar la búsqueda. Los escaneos y conjuntos de construcción de gran tamaño pueden llevar tiempo.
6. Guarde el documento reconocido con un nombre de archivo distinto, ciérrelo y vuelva a abrir el archivo guardado.
7. Busque varios términos de diferentes páginas y copie pasajes cortos en texto plano para inspeccionar la calidad del reconocimiento.

Desde PolyPDF 1.4.4, OCR también crea un modelo de sesión actual de horarios probables, campos de bloque de título, etiquetas de dibujo y detalles, dimensiones, regiones, filas y celdas. Esto es útil para revisión y transferencia de hojas de cálculo, pero aún se infiere de los píxeles de la página y del texto seleccionable, no de una base de datos de programación autorizada.

1. Finalice la ejecución de OCR e inspeccione los nombres, encabezados, filas y dimensiones de las tablas reconocidas.
2. Elija Archivo › Exportar › Libro de Excel (Tablas + Texto)… mientras la sesión del documento reconocido permanece abierta.
3. Guarde el libro de trabajo con un nombre vinculado al dibujo y edición de origen.
4. Abra el libro de trabajo y compare cantidades críticas, dimensiones, etiquetas y celdas de programación con el PDF visible.
5. Trate las celdas fusionadas, las reglas débiles, la escritura a mano, las etiquetas rotadas y las líneas densas como áreas de revisión de alto riesgo.

El modelo de tabla estructurada son datos de sesión. Al guardar y volver a abrir se conserva la capa de PDF con capacidad de búsqueda, pero no debe asumir que el modelo de tabla inferido seguirá estando disponible a menos que ejecute OCR nuevamente. Exporte el libro de trabajo antes de cerrar la sesión.

La disponibilidad de reconocimiento proviene del sistema operativo y del soporte de idiomas instalado, por lo que los idiomas ofrecidos por una computadora Mac o Windows pueden diferir de otra. La capa de búsqueda integrada actual de PolyPDF se limita a las escrituras latina, griega y cirílica. El sistema operativo puede reconocer texto en secuencias de comandos adicionales, pero PolyPDF no promete incrustar esos caracteres como una capa de búsqueda en el PDF.

• Trate los cajetines de escritura mixta como un caso de revisión especial.
• Instale y habilite el soporte de idioma del sistema operativo necesario antes de que comience el proyecto, luego pruebe con una página representativa.
• No infiera que el nombre de un idioma mostrado garantiza la misma precisión en todas las fuentes, calidad de escaneo, rotaciones o notas escritas a mano.
• Cuando PolyPDF informa que el texto reconocido no se puede incrustar, utilice cualquier exportación de texto ofrecida como ayuda de revisión, no como prueba de que el PDF en sí se puede buscar en ese script.

Una prueba de búsqueda general puede pasar mientras los identificadores que necesita aún fallan. Cree un pequeño conjunto de verificación a partir del documento: un número de hoja, un nombre de habitación, una abreviatura de material, una dimensión y una nota que contenga puntuación. Busque cada valor exactamente y luego pruebe con un fragmento distintivo. Inspeccione tanto los resultados reales como las ubicaciones obvias que la búsqueda omitió.

• Espere confusión entre formas similares como O y 0, I y 1, S y 5, o puntos decimales y ruido de escaneo.
• Las notas rotadas, las fuentes condensadas, las impresiones diazo descoloridas, los escaneos sesgados y el texto que cruza líneas son entradas más difíciles.
• Nunca copie una dimensión, cantidad, etiqueta de equipo o valor de especificación derivados de OCR en un trabajo posterior sin compararlos con la imagen de la página.
• Los resultados de la búsqueda son una ayuda para la navegación. El dibujo visible sigue siendo la fuente que debe ser revisada.

La página NACA que se muestra aquí es un escaneo rasterizado sin texto extraíble antes del OCR: la búsqueda en SUPERFICIE arroja "No hay coincidencias". Una vez finalizada la ejecución de todo el documento, guardamos el resultado, salimos de PolyPDF, volvimos a abrir el PDF guardado y repetimos la misma búsqueda. PolyPDF arrojó tres resultados y seleccionó una aparición de "Superficie del barco" en el dibujo.

Al copiar el texto del PDF guardado se obtiene "INFORME DEL COMITÉ ASESOR NACIONAL DE AERONÁUTICA", "Superficie del barco" y "U.S. S. Akron". El mismo texto también contiene errores en pequeñas etiquetas en cursiva y notación de dimensiones, así que utilice visitas de OCR para la navegación y compare cada identificador, nota o medida consecuente con el escaneo visible.

• OCR es un reconocimiento del mejor esfuerzo, no una garantía de transcripción ni un servicio de validación de dibujos.
• Una capa de texto con capacidad de búsqueda no hace que el PDF sea accesible. El orden de lectura, los títulos, el texto alternativo, las etiquetas de los formularios y otras estructuras de accesibilidad requieren una revisión por separado.
• OCR no elimina píxeles confidenciales. Si en un escaneo se debe eliminar el contenido PDF confidencial, utilice un flujo de trabajo de eliminación de contenido PDF confidencial con reconocimiento de imágenes y verifique el resultado.
• El reconocimiento se ejecuta localmente a través de las capacidades de la plataforma, pero la disponibilidad del idioma del sistema operativo y los resultados pueden diferir entre las computadoras.
• Una barra de progreso completada significa que la ejecución finalizó. No significa que cada palabra haya sido encontrada o incrustada correctamente.

Para trabajos importantes, defina el uso aceptable antes de ejecutar OCR: la navegación y el descubrimiento son razonables; La extracción no revisada de dimensiones, cantidades o lenguaje de cumplimiento no lo es.