Чеки з вицвілою фарбою, м'яті накладні, рукописні нотатки — стандартні OCR-бібліотеки часто помиляються на таких документах. Ми вирішуємо цю проблему за допомогою кастомного preprocessing та постобробки: підбираємо стек (Vision, ML Kit або Tesseract) під конкретне завдання, а не використовуємо універсальне рішення. Оцінимо ваш проект безкоштовно — зв'яжіться з нами.
Як вибрати інструмент для OCR?
Вибір між Vision, ML Kit та Tesseract залежить від завдання та вимог до швидкості й точності. iOS Vision framework — VNRecognizeTextRequest — працює on-device, підтримує 18+ мов, включаючи кирилицю. Рівень .accurate дає 180–350 ms на обробку фото A4 на iPhone 12. Vision framework працює в 2 рази швидше за ML Kit при однакових умовах освітлення. ML Kit Text Recognition v2 — кросплатформний, on-device, підтримує кирилицю та CJK. На Android використовується через TextRecognition.getClient(TextRecognizerOptions.DEFAULT_OPTIONS). ML Kit на Android в 1,5 рази швидший за Tesseract на тому ж пристрої при розпізнаванні друкованого тексту. Tesseract через SwiftyTesseract / tess-two — для кастомних шрифтів, але в 3–5 разів повільніший. Для підвищення точності використовуємо тонке налаштування згорткових нейронних мереж за допомогою Core ML та ONNX. Застосування аугментації даних під час тренування моделі покращує робастність. Ми допомагаємо вибрати оптимальний інструмент під вашу задачу — від простого сканування до розпізнавання таблиць і бланків.
Чому preprocessing критично важливий?
40% успіху OCR — якість вхідного зображення. Типовий пайплайн:
- Grayscale — видалення колірного шуму
- Корекція контрасту через
CIColorControls(iOS) абоColorMatrix(Android) - Binarization (Otsu threshold) — при нерівномірному освітленні
- Deskew — корекція перспективи та нахилу
Preprocessing OCR включає grayscale, binarization та deskew. З нашої практики: для додатку сканування накладних preprocessing підвищив точність з 78% до 94% в умовах складу. Особливо допомогла корекція перспективи через VNDetectRectanglesRequest та CIPerspectiveCorrection. Практичні результати:
| Умова | Без preprocessing | З preprocessing |
|---|---|---|
| Яскраве світло | 70% | 92% |
| Нахил документа | 65% | 89% |
| М'ятий аркуш | 55% | 84% |
Як ми реалізуємо OCR: реальний кейс
Деталі кейсу
Наш клієнт — логістична компанія, для якої ми розробили OCR: необхідно розпізнавати номери накладних з матричним шрифтом на м'ятих коробках. Вибрали ML Kit з кастомним preprocessing. Pipeline: grayscale → Otsu binarization → deskew → ML Kit. Постобробка: вилучення номера накладної через regex з контрольною сумою. Точність на тестовій вибірці — 96%. Термін — 5 робочих днів.func preprocessImage(_ image: UIImage) -> UIImage { guard let ciImage = CIImage(image: image) else { return image } let gray = ciImage.applyingFilter("CIPhotoEffectMono") let contrast = gray.applyingFilter("CIColorControls", parameters: [kCIInputContrastKey: 1.1]) // Otsu binarization not built-in, use custom kernel return UIImage(ciImage: contrast) } Такий pipeline ми використовуємо в кожному проекті. Гарантуємо результат.
Що дає постобробка?
Розпізнаний текст — не завжди готові дані. Для вилучення номерів телефонів, email, дат використовуємо NSDataDetector (iOS) або Patterns (Android). Для структурованих полів (ІПН, СНІЛС) — regex з перевіркою контрольних цифр. Важливо: ML Kit повертає TextBlock → TextLine → TextElement з координатами. Ми групуємо рядки за Y, щоб відновити структуру таблиці. Завдяки цьому економія на ручному введенні досягає 30–50%.
Порівняння інструментів
| Параметр | Vision (iOS) | ML Kit (Android) | Tesseract |
|---|---|---|---|
| Швидкість | 150–350 ms | 200–400 ms | 600–1000 ms |
| Мови | 18+, кирилиця | латиниця, кирилиця, CJK | будь-яка з навчанням |
| On-device | так | так | так |
| Кастомна модель | ні | ні | так |
| Складність інтеграції | середня | низька | висока |
Як розпізнавати текст у реальному часі?
Для real-time OCR використовуємо зменшення роздільної здатності до 720p і запускаємо розпізнавання кожні 3-5 кадрів з буферизацією результатів. На Android ML Kit у STREAM_MODE керує частотою автоматично. На iOS — AVCaptureVideoDataOutput з VNRecognizeTextRequest. Це дає стабільні 15-20 fps без перегріву пристрою. Наш мобільний сканнер OCR підтримує корекцію перспективи та автоматичне кадрування. Замовте розробку такого модуля — отримаєте консультацію з інтеграції.
Процес роботи над OCR-модулем
- Аналіз: вивчаємо типи документів, умови зйомки, шрифти.
- Вибір інструменту та підготовка preprocessing pipeline.
- Реалізація розпізнавання та постобробки.
- Інтеграція в додаток (синхронно або real-time).
- Тестування на наборі реальних даних (мінімум 100 зразків).
- Деплой та підтримка.
Що входить у розробку OCR-модуля
- Аналіз вимог і вибір стеку
- Розробка preprocessing pipeline під ваші умови
- Реалізація розпізнавання (фото або real-time)
- Постобробка даних (вилучення полів, валідація)
- Інтеграція в додаток (iOS/Android)
- Тестування та доопрацювання за результатами
- Документація та код-рев'ю
- Досвід нашої команди — понад 5 років у mobile, 30+ проектів з OCR
Терміни та вартість
Терміни: від 3 робочих днів (OCR для фото з preprocessing) до 2 тижнів (real-time документ-сканер з корекцією). Впровадження OCR знижує витрати на ручне введення на 30–50%. Вартість базового OCR-модуля починається від $1000, розраховується індивідуально — зв'яжіться з нами для оцінки. Ми гарантуємо якість: на виході ви отримуєте готовий модуль з точністю не нижче 95% (на обумовлених типах документів). Замовте розробку або отримайте консультацію.