OCR в мобильном приложении: распознавание текста через камеру

Пользователь наводит камеру на мутный чек в полумраке. Без предобработки снимка стандартные OCR-библиотеки выдают до 50% ошибок. Решение — на этапе захвата применить повышение контрастности (vImageContrastStretch на iOS, OpenCV на Android) и бинаризацию. Только после этого подавать кадр в VNRecognizeTextRequest или ML Kit Text Recognition. В нашей практике такая цепочка повышает точность с 70% до 98-99% на печатном тексте.

За 5 лет мы реализовали более 20 проектов OCR для ритейла (распознавание ценников и чеков), логистики (трекинг накладных) и финтеха (верификация паспортных данных). В каждом проекте — свой набор фильтров и постобработки. Типичная ошибка — считать, что OCR-библиотека выдаст идеальный результат «из коробки». Без предобработки изображения и постобработки результата точность падает до 50–70%. Поэтому первый этап любого проекта — сбор реальных образцов документов и тестирование на них.

Почему предобработка критична для точного OCR?

Предобработка — ключевой этап, определяющий итоговую точность. В плохом освещении или при размытии мы используем:

• Повышение контрастности через vImageContrastStretch (iOS) или OpenCV (Android).
• Перевод в grayscale с последующим AdaptiveThreshold.
• Sharpen CIFilter перед подачей в OCR.

Для рукописного текста стандартные фреймворки показывают точность 40–60%. В таких случаях помогают кастомные модели на базе TensorFlow Lite — это отдельная задача, требующая размеченных данных и обучения.

Как работают нативные OCR-фреймворки?

iOS: Vision + VNRecognizeTextRequest — ocr в мобильном

Начиная с iOS 13 Vision фреймворк умеет распознавать текст без интернета. VNRecognizeTextRequest поддерживает два режима: .fast (приблизительно, мгновенно) и .accurate (медленнее, но значительно точнее для сложных шрифтов). Для сложных шрифтов режим .accurate даёт прирост точности на 15%.

func recognizeText(in image: UIImage) {
    guard let cgImage = image.cgImage else { return }

    let request = VNRecognizeTextRequest { [weak self] request, error in
        guard let observations = request.results as? [VNRecognizedTextObservation] else { return }
        let text = observations.compactMap { $0.topCandidates(1).first?.string }.joined(separator: "\n")
        DispatchQueue.main.async { self?.handleRecognized(text: text) }
    }

    request.recognitionLevel = .accurate
    request.usesLanguageCorrection = true
    request.recognitionLanguages = ["ru-RU", "en-US"] // порядок = приоритет

    let handler = VNImageRequestHandler(cgImage: cgImage, options: [:])
    try? handler.perform([request])
}

usesLanguageCorrection помогает с опечатками, но иногда «исправляет» аббревиатуры и артикулы — для технических документов лучше отключить.

Android: ML Kit Text Recognition v2

com.google.mlkit:text-recognition поддерживает латиницу, кириллицу, китайский, японский, корейский через отдельные модули. Скачивается на устройство при первом использовании (~5 MB для латиницы).

val recognizer = TextRecognition.getClient(
    TextRecognizerOptions.DEFAULT_OPTIONS // или RussianTextRecognizerOptions
)

val image = InputImage.fromBitmap(bitmap, 0)
recognizer.process(image)
    .addOnSuccessListener { visionText ->
        val fullText = visionText.textBlocks
            .joinToString("\n") { block -> block.text }
        handleRecognized(fullText)
    }
    .addOnFailureListener { e -> handleError(e) }

ML Kit также возвращает bounding boxes для каждого блока текста — полезно для подсветки распознанных областей в UI.

Live-режим: текст в реальном времени из видеопотока

Для live-overlay (текст подсвечивается прямо в видеопотоке) на iOS используем AVCaptureSession + CMSampleBuffer:

// Delegate метод AVCaptureVideoDataOutput
func captureOutput(_ output: AVCaptureOutput,
                   didOutput sampleBuffer: CMSampleBuffer,
                   from connection: AVCaptureConnection) {
    guard let pixelBuffer = CMSampleBufferGetImageBuffer(sampleBuffer) else { return }

    // Не запускаем новый запрос, если предыдущий ещё не завершён
    guard !isProcessing else { return }
    isProcessing = true

    let request = VNRecognizeTextRequest { [weak self] request, _ in
        defer { self?.isProcessing = false }
        // обработка результатов...
    }
    request.recognitionLevel = .fast // для live важна скорость

    try? VNImageRequestHandler(cvPixelBuffer: pixelBuffer, options: [:]).perform([request])
}

Флаг isProcessing обязателен — без него при 30 FPS накапливается очередь запросов и память растёт до краша.

На Android — CameraX + ImageAnalysis.Analyzer. ML Kit оптимизирован для работы с ImageProxy напрямую без конвертации в Bitmap.

Как улучшить качество распознавания в сложных условиях?

Повышение контрастности и бинаризация — стандартные приёмы. Для специфических документов (например, чеков с выцветшей печатью) мы подключаем кастомные фильтры. Экономия от автоматизации ввода данных с помощью OCR может достигать 200 000 рублей в год на один отдел.

Типичные ошибки при интеграции OCR:

• Забывают флаг isProcessing в live-режиме → утечка памяти.
• Оставляют usesLanguageCorrection включённым для технических текстов → портит аббревиатуры.
• Не проверяют bounding boxes на пересечение с UI → текст накладывается на интерфейс.

Постобработка: от «сырого» текста к структурированным данным

Голый OCR-результат — это поток строк. Для большинства задач нужна структуризация:

• Чеки: выделяем строки с ценами по regex, парсим итоговую сумму
• Визитки: NSDataDetector (iOS) или Patterns (Android) для телефонов, email, адресов
• Паспорта/документы: MRZ-зона читается по стандарту ICAO 9303, есть готовые парсеры
• Номерные знаки: отдельная задача — лучше специализированная модель (OpenALPR, PlateRecognizer API)

Для кириллического текста с плохим качеством иногда помогает предобработка изображения: увеличение контрастности через vImageContrastStretch, перевод в grayscale, Sharpen CIFilter перед передачей в OCR.

Сравнение нативных фреймворков

Что входит в разработку OCR-функции

При заказе данной услуги вы получаете:

• Интеграцию Vision или ML Kit в ваше приложение.
• Настройку параметров распознавания под ваш тип документов.
• Live-режим с выводом подсветки текста на камере (опционально).
• Постобработку данных: парсинг чеков, визиток, номеров.
• Документацию по интеграции и тестированию.
• Поддержку при прохождении ревью App Store / Google Play.

Процесс работы

1. Определение сценариев использования: тип документов, языки, нужен ли live-режим или только статичное фото.
2. Реализация захвата изображения (camera + галерея), предобработка.
3. Интеграция OCR: нативный Vision/ML Kit или облачный (Google Vision API, AWS Textract) если нужна более высокая точность для сложных документов.
4. Постобработка под конкретную задачу: структурирование данных, regex, NER.
5. Тестирование на реальных образцах в разных условиях освещения.

Ориентиры по срокам

Базовое распознавание статичного текста через нативный фреймворк — 2–3 дня. Live-режим с overlay + структурирование данных под конкретный тип документа — 1–2 недели. Сложные сценарии с кастомными моделями — от месяца. Стоимость базовой интеграции — от 50 000 до 150 000 рублей в зависимости от сложности. Свяжитесь с нами, чтобы получить точную оценку для вашего проекта.

Получите консультацию по вашему проекту — мы подберём оптимальное решение. Свяжитесь с нами, чтобы обсудить задачу и рассчитать стоимость разработки OCR для вашего приложения.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).