Розробка OCR-системи розпізнавання тексту на зображеннях

Клієнт попросив розпізнавати рукописні медичні рецепти з фотографій — точність готових рішень не перевищувала 60%. Типова ситуація: OCR-пайплайн дає збій на нахилених або засвічених знімках, а специфічні терміни (назви ліків) спотворюються. Ми — команда AI-інженерів з 5+ роками досвіду в комп'ютерному зорі, яка реалізувала понад 50 проєктів з розпізнавання тексту — зібрали кастомну OCR-модель, яка підняла точність до 93%. Розповідаємо, як влаштований сучасний OCR і як ми його адаптуємо під бізнес-завдання. Наші клієнти економлять до 40% бюджету (до $15,000 на рік) на обробці документів завдяки автоматизації.

OCR (Optical Character Recognition) — вилучення тексту із зображень. Сучасний пайплайн складається з трьох етапів: детекція текстових областей → випрямлення тексту (rectification) → розпізнавання символів. Кожен етап впливає на підсумкову точність, і слабка ланка в будь-якому місці погіршує результат. Ми використовуємо PaddleOCR як базовий фреймворк у 80% проєктів для кирилиці — він дає найкращий баланс швидкості та якості серед open-source рішень. PaddleOCR працює в 2-3 рази швидше за EasyOCR на CPU.

Який OCR-фреймворк обрати для кирилиці?

Ми перебрали всі популярні open-source рішення. Для російської мови в кожного свої сильні сторони:

• PaddleOCR (PP-OCRv4) — точність 92.8% на ICDAR2015, найкраща підтримка кирилиці серед open-source. Підходить для production: швидко працює на CPU, легко донавчається.
• EasyOCR — простий API, але для російської точність на 5-10% нижча, а швидкість на CPU — у 2-3 рази повільніше (PaddleOCR відповідно швидший).
• TrOCR (Microsoft) — transformer-based, дає CER 2.89% на друкованому тексті. Але потребує GPU, а для кирилиці потрібне донавчання.
• Tesseract 5 — класика, налаштовується під будь-який шрифт, але без кастомного тренінгу програє PaddleOCR на складних документах.

Згідно з офіційним бенчмарком, PaddleOCR показує точність 92.8% на ICDAR2015 (PaddleOCR GitHub).

Чому важлива попередня обробка зображень?

Якість OCR безпосередньо залежить від того, що подається на вхід моделі. Фотографія з мобільного телефону — низький контраст, шум, нахил. Ми застосовуємо ланцюжок перетворень:

def preprocess_for_ocr(image: np.ndarray) -> np.ndarray: # Виправлення нахилу (deskewing) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) angle = detect_skew_angle(gray) if abs(angle) > 0.5: image = rotate_image(image, -angle) # Видалення шуму denoised = cv2.fastNlMeansDenoisingColored(image, h=10) # Підвищення контрасту (CLAHE) lab = cv2.cvtColor(denoised, cv2.COLOR_BGR2LAB) l, a, b = cv2.split(lab) clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8, 8)) l = clahe.apply(l) denoised = cv2.cvtColor(cv2.merge([l, a, b]), cv2.COLOR_LAB2BGR) return denoised 

Навіть простий deskew піднімає accuracy на 3-5%. Для старих сканів із жовтим фоном використовуємо адаптивну бінаризацію — Otsu або Sauvola. Попередня обробка особливо критична для рукописного тексту: вона підвищує точність розпізнавання на 15-20%. Наша кастомна OCR-модель використовує попередню обробку зображень, корекцію помилок OCR та донавчання OCR для досягнення високої точності.

Як ми робимо: кейс розпізнавання медичних рецептів

Розгорнемо один реальний проєкт нашого клієнта з нашої практики. Завдання: приймати фото рецептів з мобільного додатку, розпізнавати назву ліків, дозування та інструкцію. Проблеми: рукописний текст лікарів, розмиті знімки, накладення штампів.

Рішення:

1. Попередня обробка: CLAHE + бінаризація + видалення тіней через морфологію.
2. Детекція: донавчена PaddleOCR detection model на 2000 розмічених рецептах (розмітка bbox).
3. Розпізнавання: recognition model на основі PP-OCRv4, донавчена на 50000 синтетичних рецептах (згенеровані з різними почерками).
4. Постобробка: словник ліків (10000 найменувань) + LanguageTool для корекції помилок OCR + LLM для контекстної корекції (плутанина 0/O).

Результат: точність на тестовій вибірці — 93% (Character Error Rate 0.07). Час обробки одного зображення — 1.5 секунди на CPU. Для порівняння: Tesseract 5 без донавчання дав би близько 40-50% на таких даних — наш пайплайн виявився в 2 рази точнішим.

Процес роботи

Будь-який проєкт з OCR у нас проходить 5 етапів:

1. Аналітика: оцінка даних, типові дефекти, доменний словник.
2. Проєктування: вибір фреймворку, архітектура пайплайну (черги, кешування).
3. Реалізація: написання коду, донавчання моделей, інтеграція з вашою системою.
4. Тестування: вимірювання точності на валідаційній вибірці, A/B тест на бойових даних.
5. Деплой та підтримка: упаковка в Docker, REST API або gRPC, моніторинг метрик.

Що входить в роботу

• Розгорнута документація пайплайну з описом всіх компонентів.
• Навчена модель (weights + model card).
• Вихідний код з інструкцією по запуску.
• Інтеграція з вашим сховищем (S3, MinIO) та чергами (RabbitMQ, Kafka).
• Навчання вашої команди роботі з системою.
• Гарантія на точність (фіксуємо метрики в договорі).

Терміни

Вартість розраховується індивідуально після аналізу даних. Отримайте консультацію — оцінимо ваш проєкт за один день. Зв'яжіться з нами, щоб обговорити деталі та приблизну вартість.