OCR: പേപ്പറിലെ കൈയെഴുത്തും അച്ചടിച്ച അക്ഷരങ്ങളും ക്യാമറ എങ്ങനെ കൃത്യമായി വായിച്ചെടുക്കുന്നു?

കടയിൽ നിന്ന് സാധനം വാങ്ങിയതിന്റെ ചുളിഞ്ഞ ഒരു ബില്ലോ അല്ലെങ്കിൽ ഒരു സുഹൃത്ത് സ്വന്തം കൈപ്പടയിൽ കുറിച്ചുവെച്ച കുക്കിംഗ് പാചകക്കുറിപ്പോ നിങ്ങളുടെ കൈവശമുണ്ടെന്ന് കരുതുക. ഫോൺ ക്യാമറ അതിന് നേരെ കാണിക്കുമ്പോൾ തന്നെ, ആ കടലാസിലെ അക്ഷരങ്ങൾ തെറ്റുകൂടാതെ നിങ്ങളുടെ ഫോൺ സ്ക്രീനിൽ കോപ്പി ചെയ്ത് മാറ്റാവുന്ന ഡിജിറ്റൽ വാചകമായി മാറുന്നത് എത്ര വിസ്മയകരമാണ്! ചിത്രങ്ങളിലെയും കടലാസുകളിലെയും അക്ഷരങ്ങളെ ഡിജിറ്റൽ വാചകങ്ങളാക്കി മാറ്റുന്ന ഈ സാങ്കേതികവിദ്യയാണ് ഒപ്റ്റിക്കൽ ക്യാരക്ടർ റെക്കഗ്നിഷൻ (ഒപ്റ്റിക്കൽ ക്യാരക്ടർ റെക്കഗ്നിഷൻ അഥവാ Optical Character Recognition - OCR).

പണ്ടുകാലത്ത് മുൻകൂട്ടി തയ്യാറാക്കിയ അച്ചുകളുമായി അക്ഷരങ്ങൾ ഒത്തുനോക്കുന്ന പഴയ രീതിയായിരുന്നു (മാട്രിക്സ് ടെംപ്ലേറ്റ് മാച്ചിംഗ് അഥവാ Matrix Template Matching) ഒസിആർ ഉപയോഗിച്ചിരുന്നത്. അക്ഷരങ്ങൾ നേരെ അച്ചടിച്ചതാണെങ്കിൽ മാത്രമേ അത് വായിക്കുമായിരുന്നുള്ളൂ; കടലാസ് അല്പം വളഞ്ഞാലോ മഷി പടർന്നാലോ അത് പൂർണ്ണമായി പരാജയപ്പെടുമായിരുന്നു. എന്നാൽ ഇന്നത്തെ ആധുനിക ന്യൂറൽ ഒസിആർ സിസ്റ്റങ്ങൾ തികച്ചും വിപ്ലവകരമായ മാറ്റമാണ് കൊണ്ടുവന്നിരിക്കുന്നത്.

കണ്ണുകളും തലച്ചോറും കൈകോർക്കുന്ന അത്ഭുത പ്രക്രിയ

ആധുനിക ഒസിആർ പ്രവർത്തിക്കുന്നത് മനുഷ്യർ വായിക്കുന്നത് പോലെ കണ്ണുകളും തലച്ചോറും പരസ്പരം സഹായിക്കുന്ന അതേ മാതൃകയിലാണ്. ആദ്യം ക്യാമറ പകർത്തുന്ന ചിത്രത്തിൽ ചരിഞ്ഞുപോയതോ വളഞ്ഞതോ ആയ പേപ്പർ നേരെയാക്കുന്ന പ്രക്രിയ നടക്കുന്നു (ജ്യാമിതീയ ക്രമീകരണം അഥവാ Geometric Rectification).

തുടർന്ന് ചിത്രങ്ങളിലെ വരകളും വളവുകളും പരിശോധിച്ച് തിരിച്ചറിയുന്ന ക്യാമറ പ്രോഗ്രാമുകൾ (വിഷൻ എൻകോഡറുകൾ അഥവാ Convolutional Vision Encoders) അക്ഷരങ്ങളുടെ രൂപരേഖകൾ വരച്ചെടുക്കുന്നു. ഇതിനൊപ്പം തന്നെ വാക്യത്തിന്റെ അർത്ഥവും സന്ദർഭവും മനസ്സിലാക്കി അവ്യക്തമായ അക്ഷരങ്ങൾ ശരിയാക്കിയെടുക്കുന്ന സോഫ്റ്റ്‌വെയർ (ലാംഗ്വേജ് ഡീകോഡറുകൾ അഥവാ Language Decoders) പ്രവർത്തിക്കുന്നു. ഉദാഹരണത്തിന്, 'ചായ' എന്ന വാക്കിന് ശേഷം 'കു' കണ്ടാൽ ബാക്കി അക്ഷരം മങ്ങിപ്പോയിരുന്നാലും 'ടിച്ചു' എന്നായിരിക്കും അതെന്ന് വ്യാകരണ സന്ദർഭത്തിൽ നിന്ന് കമ്പ്യൂട്ടർ സ്വയം മനസ്സിലാക്കുന്നു. ഒരു പേജിലെ കോളങ്ങളും പട്ടികകളും അക്കങ്ങളും ഏതെല്ലാം സ്ഥാനങ്ങളിലാണെന്ന് തിരിച്ചറിയുന്ന പ്രക്രിയയിലൂടെയും (സ്പേഷ്യൽ ലേഔട്ട് പാർസിംഗ് അഥവാ Spatial Layout Parsing) കമ്പ്യൂട്ടർ ബില്ലുകൾ കൃത്യമായി വായിച്ചെടുക്കുന്നു.

നിത്യജീവിതത്തിൽ ഒസിആർ ഉപയോഗപ്രദമാകുന്ന നാല് സാഹചര്യങ്ങൾ

കടലാസ് രേഖകൾ ഡിജിറ്റലാക്കി മാറ്റുന്നത് ദൈനംദിന ജീവിതത്തിൽ വലിയ സൗകര്യങ്ങളാണ് നൽകുന്നത്:

• കടകളിലെ ബില്ലുകളും വീട്ടുചെലവ് കണക്കുകളും: സൂപ്പർമാർക്കറ്റിൽ നിന്നോ പലചരക്കുകടയിൽ നിന്നോ കിട്ടുന്ന ചുളിഞ്ഞ ചെറിയ ബില്ലുകൾ സ്കാൻ ചെയ്യുമ്പോൾ തീയതിയും തുകയും ബജറ്റ് ആപ്പിലേക്ക് നേരിട്ട് എത്തുന്നു; കടലാസ് മടങ്ങിയിരുന്നാലും സംഖ്യകൾ കൃത്യമായി തിരിച്ചറിയുന്നു.
• വിദ്യാർത്ഥികളുടെ കൈയെഴുത്ത് നോട്ടുകളും ബോർഡിലെ വിവരങ്ങളും: ക്ലാസ് മുറിയിലെ ബോർഡോ സുഹൃത്തിന്റെ നോട്ടുപുസ്തകമോ ഫോട്ടോയെടുത്ത് വിദ്യാർത്ഥികൾക്ക് അവയെ തിരയാൻ കഴിയുന്ന ഡിജിറ്റൽ ഫയലുകളാക്കാം; കൈകൊണ്ട് വീണ്ടും ടൈപ്പ് ചെയ്ത് സമയം കളയേണ്ടതില്ല.
• യാത്രകളിൽ ബോർഡുകളും മെനു കാർഡുകളും തർജ്ജമ ചെയ്യൽ: അപരിചിതമായ സ്ഥലങ്ങളിൽ യാത്ര ചെയ്യുമ്പോൾ അന്യഭാഷയിലുള്ള ബോർഡുകളോ ഹോട്ടൽ മെനുവോ ക്യാമറയിൽ കാണിച്ചാൽ സ്ക്രീനിൽ തന്നെ അവ മലയാളത്തിൽ വായിക്കാം.
• പഴയ സാഹിത്യഗ്രന്ഥങ്ങളും ചരിത്രരേഖകളും സൂക്ഷിക്കൽ: ഗ്രന്ഥശാലകളും ഓഫീസുകളും പഴയ താളിയോലകൾ, അപൂർവ്വ പുസ്തകങ്ങൾ, ഭൂമിരേഖകൾ എന്നിവ സ്കാൻ ചെയ്ത് ഡിജിറ്റൽ രൂപത്തിൽ ഭദ്രമായി സൂക്ഷിക്കുന്നു.

തെറ്റുകൂടാതെ ഡിജിറ്റൽ രേഖകൾ തയ്യാറാക്കാൻ ചില പ്രായോഗിക വഴികൾ

കൈകൊണ്ട് ടൈപ്പ് ചെയ്യുന്ന അധ്വാനം ഈ സംവിധാനം ഒഴിവാക്കുന്നുണ്ടെങ്കിലും ക്യാമറയുടെ കോണും വെളിച്ചവും അക്ഷരങ്ങളുടെ കൃത്യതയെ ബാധിക്കാം. ലളിതമായ ചില കാര്യങ്ങൾ ശ്രദ്ധിച്ചാൽ ഡിജിറ്റൽ രേഖകളിൽ അബദ്ധങ്ങൾ വരുന്നത് തടയാൻ കഴിയും.

• കടലാസ് നിവർത്തിവെച്ച് തുല്യ വെളിച്ചത്തിൽ ഫോട്ടോയെടുക്കുക: തിളങ്ങുന്ന പ്രതലങ്ങളിൽ തട്ടി വരുന്ന കണ്ണ് മഞ്ചുന്ന പ്രകാശ പ്രതിഫലനം (സ്പെക്യുലർ ഗ്ലെയർ അഥവാ Specular Glare) ഒഴിവാക്കുക; പരന്ന മേശപ്പുറത്ത് കടലാസ് വെച്ച് ക്യാമറ സമാന്തരമായി പിടിച്ചാൽ സിസ്റ്റത്തിന് അക്ഷരങ്ങൾ എളുപ്പത്തിൽ വായിക്കാനാകും.
• ബാങ്ക് അക്കൗണ്ട് നമ്പറുകളും പാസ്‌വേഡുകളും സ്വയം പരിശോധിക്കുക: വ്യാകരണത്തിന്റെ അടിസ്ഥാനത്തിലാണ് സിസ്റ്റം അക്ഷരങ്ങൾ തിരിച്ചറിയുന്നത്, എന്നാൽ അക്കങ്ങളും അക്ഷരങ്ങളും ചേർന്ന പ്രത്യേക കോഡുകൾ (ആൽഫാന്യൂമെറിക് സ്ട്രിംഗുകൾ അഥവാ Alphanumeric Strings) വ്യാകരണത്തിൽ നിന്ന് ഊഹിക്കാൻ കഴിയില്ല; അതിനാൽ ഇത്തരം രേഖകൾ സ്കാൻ ചെയ്ത ശേഷം യഥാർത്ഥ കടലാസുമായി ഒത്തുനോക്കുക.
• വ്യക്തിഗത രേഖകൾ സ്കാൻ ചെയ്യുമ്പോൾ സുരക്ഷിതത്വം ഉറപ്പാക്കുക: തിരിച്ചറിയൽ കാർഡുകളോ ബാങ്ക് രേഖകളോ സ്കാൻ ചെയ്യുമ്പോൾ ചില ആപ്പുകൾ വിവരങ്ങൾ പുറമെയുള്ള സെർവറുകളിലേക്ക് അയച്ചേക്കാം; സ്വകാര്യ രേഖകൾക്കായി ഫോണിന്റെ സ്വന്തം സ്കാനറോ ഇന്റർനെറ്റ് ഇല്ലാതെ പ്രവർത്തിക്കുന്ന വിശ്വസനീയ ആപ്പുകളോ മാത്രം ഉപയോഗിക്കുക.

കടലാസിലെ മഷി ഡിജിറ്റൽ അക്ഷരങ്ങളാക്കി മാറ്റുന്നത് ഏതെങ്കിലും സാങ്കേതിക വിദഗ്ദ്ധരുടെ മാത്രം കുത്തകയല്ല. ക്യാമറ രൂപങ്ങൾ കാണുകയും പ്രോഗ്രാം ഭാഷയുടെ യുക്തി മനസ്സിലാക്കുകയും ചെയ്യുന്നു എന്നറിഞ്ഞാൽ, നിങ്ങളുടെ കൈവശമുള്ള കടലാസുകൾ ആശങ്കകളില്ലാതെ ഡിജിറ്റലാക്കാനും വിവരങ്ങൾ എളുപ്പത്തിൽ കൈകാര്യം ചെയ്യാനും സാധിക്കും.