Reconhecimento óptico de caracteres (OCR) é uma tecnologia que extrai texto de imagens, documentos digitalizados ou fotografias de texto, convertendo pixels em caracteres legíveis e editáveis por máquina. Ela se situa na interseção entre visão computacional e processamento de linguagem natural, já que um sistema funcional deve tanto localizar e segmentar glifos em uma imagem quanto interpretá-los como símbolos em um idioma. O OCR foi uma das primeiras aplicações comercialmente úteis do reconhecimento de padrões e antecede a era moderna do aprendizado profundo em décadas.
História
Os primeiros sistemas de OCR datam das décadas de 1950 e 1960, quando dispositivos como o "Gismo" de David Shepard e as máquinas de leitura para cegos de Ray Kurzweil (1976) usavam correspondência de modelos e características projetadas manualmente para reconhecer fontes impressas. Durante as décadas de 1980 e 1990, softwares de OCR como o Tesseract, originalmente desenvolvido na Hewlett-Packard e posteriormente disponibilizado como código aberto pelo Google, dependiam de classificadores estatísticos e pipelines de extração de características construídos em grande parte com IA simbólica e aprendizado de máquina clássico, em vez do aprendizado de representação em camadas que mais tarde se tornou dominante. A precisão em texto datilografado limpo atingiu usabilidade comercial na década de 1990, mas escrita manual e cenas desordenadas permaneceram problemas difíceis por mais duas décadas.
Era do aprendizado profundo
A introdução de redes neurais convolucionais e, posteriormente, de arquiteturas recorrentes e de sequência a sequência melhorou drasticamente a precisão do OCR, especialmente para escrita manual e texto embutido em cenas naturais, como placas de rua ou etiquetas de produtos. Arquiteturas que combinam uma CNN para extração de características visuais com um decodificador baseado em LSTM ou atenção tornaram-se padrão em meados da década de 2010. Como em grande parte da visão computacional, o progresso acompanhou a mudança mais ampla de pipelines projetados manualmente para redes neurais de ponta a ponta treinadas em grandes conjuntos de dados rotulados.
A era dos modelos de visão e linguagem
Desde o início da década de 2020, modelos de visão e linguagem de propósito geral e sistemas multimodais construídos sobre a arquitetura transformador absorveram grande parte da funcionalidade do OCR. Modelos com capacidade de visão, incluindo variantes do Gemini e do GPT-4, podem ler texto embutido em uma imagem como parte de uma tarefa mais ampla de compreensão visual, sem um pipeline dedicado de OCR, e frequentemente superam sistemas de OCR especializados em documentos que misturam texto com diagramas, tabelas ou escrita manual em contexto. Isso borrou a fronteira entre o OCR como uma tarefa discreta e a compreensão geral de documentos, embora mecanismos de OCR criados especificamente para esse fim permaneçam amplamente usados para processamento de documentos de alto volume, baixa latência ou offline, onde um grande modelo multimodal seria mais caro ou mais lento.
Aplicações e avaliação
O OCR sustenta a digitalização de documentos, a criação de PDFs pesquisáveis, o reconhecimento de placas de veículos, o processamento de recibos e faturas, a triagem de correspondência postal, ferramentas de acessibilidade para usuários cegos e com baixa visão, e os pipelines de ingestão que alimentam texto em mecanismos de busca e em corpora de treinamento de modelos de linguagem de grande porte. Os sistemas são tipicamente avaliados pela taxa de erro de caracteres e pela taxa de erro de palavras em relação a conjuntos de dados de referência de texto digitalizado ou fotografado; o desempenho varia amplamente conforme o idioma, o script, a qualidade de impressão e o estilo de escrita manual, com escrita cursiva e scripts de baixos recursos permanecendo pontos relativamente fracos. Como tarefa componente, a qualidade do OCR é geralmente relatada em conjuntos de dados dedicados de documentos e cenas de texto, em vez de benchmarks de propósito geral.
Limitações
Erros de OCR podem se propagar para sistemas a jusante, como índices de busca ou entrada automatizada de dados, e existem ataques especializados que exploram caracteres visualmente semelhantes para evadir filtros baseados em OCR. Modelos multimodais que realizam OCR implicitamente também podem alucinar texto que se assemelha, mas não corresponde, à imagem de origem, um modo de falha distinto dos erros de segmentação do OCR clássico.