OCR – распознавание документов (Optical Character Recognition)

Что такое OCR

OCR (Optical Character Recognition, оптическое распознавание символов) – это преобразование графического изображения текста в машиночитаемые символы. На вход подаётся картинка: скан накладной, фотография печати, PDF без текстового слоя. На выходе получается набор символов, которые компьютер может искать, копировать, проверять и загружать в учётную систему.

Ключевое отличие от простого сканирования в том, что скан – это по сути фотография листа, и найти в ней слово или сумму программно нельзя. OCR добавляет к изображению текстовый слой или отдельный файл с распознанным содержимым, и документ становится «понятным» для машины.

Как это работает по шагам

Классический конвейер распознавания состоит из нескольких этапов:

1. Предобработка изображения – выравнивание перекошенного скана, удаление шума, повышение контраста, перевод в чёрно-белый вид.
2. Сегментация – разбор страницы на зоны: где текст, где таблица, где печать или подпись; затем деление на строки, слова и отдельные символы.
3. Распознавание символов – каждому фрагменту сопоставляется буква или цифра. Раньше это делалось перебором шаблонов начертаний, сейчас чаще применяют нейросети.
4. Постобработка – проверка результата по словарям и правилам: например, программа «понимает», что в поле ИНН должны быть только цифры, а дата имеет формат ДД.ММ.ГГГГ.

OCR против ICR и интеллектуального распознавания

Простой OCR хорошо читает печатный текст фиксированных шрифтов. Для рукописного ввода используют разновидность ICR (Intelligent Character Recognition), а для отметок в анкетах – OMR (распознавание меток). Современные системы обработки документов идут дальше распознавания символов: они ещё и понимают структуру – находят, где номер накладной, где грузоотправитель, где вес и сумма. Это уже связка OCR с извлечением данных (data extraction) и часто с элементами искусственного интеллекта.

Где OCR применяется в логистике и ВЭД

В логистике документооборот огромный, и большая его часть по-прежнему приходит в виде сканов и фото. OCR закрывает типовые задачи:

• Ввод товаросопроводительных документов – транспортные накладные (ТрН, CMR), товарные накладные, счета-фактуры и УПД распознаются и подставляются в учётную систему без ручного набора.
• Таможенные и внешнеторговые документы – инвойсы, упаковочные листы, коносаменты автоматически превращаются в структурированные данные для деклараций.
• Считывание номеров – распознавание номеров контейнеров, вагонов, автомобильных номеров на въезде на склад или терминал.
• Архив и поиск – сканированный архив договоров и актов становится полнотекстово-искомым.

Точность и её пределы

Качество распознавания напрямую зависит от качества исходника. Чёткий скан печатного документа читается почти безошибочно, а мятое фото с бликом, слабый факс, рукописная правка поверх печати или нестандартный шрифт резко снижают точность. Поэтому в серьёзных процессах результат OCR не считают истиной в последней инстанции: критичные поля (суммы, ИНН, номера) проверяет человек или сверяет контрольная логика. Для повышения надёжности применяют распознавание с валидацией по справочникам и требование подтверждения оператором в спорных местах.

Форматы результата

Итог распознавания обычно отдают в одном из видов: текстовый файл, PDF с невидимым текстовым слоем поверх картинки («searchable PDF»), либо структурированный JSON/XML с уже разложенными полями. Для интеграции с TMS, WMS и учётными системами ценнее всего именно структурированный вывод – его можно сразу загрузить без повторного разбора.

Практический пример

На склад приходит скан транспортной накладной по электронной почте. OCR-модуль распознаёт номер и дату накладной, наименование перевозчика, количество мест и вес, а система сама создаёт черновик приёмки. Оператору остаётся сверить сумму и подтвердить – вместо того чтобы вбивать все поля вручную.

Частые ошибки

• Путают сканирование и OCR: скан – это просто картинка листа, а OCR превращает её в текст, по которому можно искать и который можно редактировать.
• Считают, что OCR распознаёт всё со 100% точностью – на деле результат сильно зависит от качества исходника и требует проверки критичных полей.
• Смешивают OCR (печатный текст) и ICR (рукописный ввод) – это разные задачи с разной надёжностью.
• Думают, что «PDF всегда содержит текст». PDF из скана – это картинка без текстового слоя, и без OCR из него ничего не извлечь.