Art. 05 – Vol. 26 – Nr. 4 – 2016

Mihnea Horia Vrejoiu
mihnea@dossv1.ici.ro
Institutul Naţional de Cercetare – Dezvoltare în Informatică, ICI – Bucureşti

Rezumat: Introducerea manuală a datelor de pe suport de hârtie în calculator reprezintă o activitate pe cât de necesară şi importantă în contextul informatizării pe scară largă în mai toate domeniile, pe atât de consumatoare de resurse umane şi de timp şi o potenţială sursă de erori de tastare, mai ales în cazul volumelor mari de date ce trebuie preluate. În acest context, sunt extrem de utile tehnici şi instrumente prin care această activitate poate fi automatizată. Adesea însă, datorită cerinţelor critice privind acurateţea de preluare a datelor este neapărat necesară măcar o verificare şi validare a datelor de către operatorul uman în lipsa altor criterii şi/sau posibilităţii de validare automată. În acest context s-a propus şi implementat experimental o soluţie software semiautomată, bazată pe tehnici OCR/ICR, destinată asistării activităţii de introducere în calculator a datelor completate în formulare tipizate, cu format fix, pentru creşterea eficienţei, productivităţii şi acurateţei. Au fost efectuate experimente de testare, au fost făcute observaţii asupra funcţionării şi rezultatelor obţinute şi au fost sintetizate câteva concluzii şi posibilităţi de îmbunătăţiri şi optimizări ulterioare.

Cuvinte cheie: introducere de date în calculator, formulare tipizate, învăţare automată, învăţare supervizată, OCR/ICR, expresii regulate.

Introducere: 

În pofida evoluţiei tehnologice şi a introducerii informatizării pe scară largă în cele mai multe sectoare de activitate, precum şi a politicilor şi eforturilor ecologiste de protejare a mediului şi de sustenabilitate actuale, totuşi volumul de informaţie vehiculată pe suport de hârtie şi care trebuie introdusă în calculator este încă foarte mare.

Un exemplu este cel al formularelor tipizate. Preluarea manuală în calculator a datelor din acestea poate implica volume mari de timp şi efort şi poate introduce erori de tastare, în unele situaţii inacceptabile. Automatizarea procesului a reprezentat una din problematicile cele mai vizate de marii producători de software în domeniul analizei de imagini OCR/ICR şi mangement al documentelor. Există deja soluţii comerciale pe piaţă pentru preluarea “automată” a datelor din formulare, cu funcţiuni şi performanţe diferite, dar şi altele anunţate care nu s-au impus (încă) pentru o utilizare pe scară largă. În continuare prezentăm succint câteva idei generale, sintetice, privind acest tip de aplicaţii.

Cele mai multe soluţii sunt configurabile şi se bazează pe crearea şi folosirea de şabloane / machete asociate tipurilor de formulare care specifică poziţionarea şi caracteristicile câmpurilor acestora. Unele îşi propun chiar o identificare automată a câmpurilor de interes pe diferite criterii de analiză a imaginii formularului scanat.

Majoritatea produselor de acest tip anunţă capacitatea de recunoaştere atât a caracterelor tipărite cât şi a celor scrise de mână (separate între ele). De asemenea, unele produse permit în plus şi recunoaşterea marcajelor din check-box-uri şi a codurilor de bare;

Deşi majoritatea producătorilor anunţă rate de recunoaştere spectaculoase ale motoarelor OCR/ICR, toate aplicaţiile acordă o mare atenţie etapei de corecţie şi validare post-recunoaştere. Corecţiile post-recunoaştere se fac în general prin utilizarea de dicţionare, informaţii apriori despre câmpuri, calcularea unor sume de control etc., în timp ce validarea necesită întotdeauna intervenţia utilizatorului.

Astfel, se poate afirma că soluţiile existente sunt practic semiautomate, ele oferind instrumente şi interfeţe de asistare a operatorului uman în această activitate.

Majoritatea produselor oferă facilităţi de conectare, în ceea ce priveşte exportul de date, cu diverse sisteme de baze de date standardizate şi/sau proprietare.

Vizualizează articolul complet