OCR ภาษาไทย: อ่านเอกสารอย่างไรให้ตรวจสอบได้

ทำไม OCR ไทยยังอ่านเอกสารราชการผิด

OCR ภาษาไทยอ่านเอกสารราชการผิดได้แม้ใช้เครื่องมือที่ทันสมัย เพราะภาษาไทยมีวรรณยุกต์ซ้อน ตัวอักษรไม่แยกคำด้วยช่องว่าง และเอกสารจริงเต็มไปด้วยตราประทับกับลายมือ ปัญหาจึงไม่ได้อยู่ที่ตัวโมเดลอย่างเดียว แต่อยู่ที่ภาพต้นฉบับและขั้นตอนหลังการอ่านด้วย

หกปัญหาที่ทำให้อ่านผิด

• วรรณยุกต์และสระซ้อนกัน ไม้เอก ไม้โท ไม้ตรี และสระบนวางซ้อนหลายชั้นเหนือพยัญชนะเดียวกัน ทำให้ระยะห่างระหว่างตัวอักษรไม่สม่ำเสมอ โมเดลที่คุ้นกับอักษรละตินจึงมองข้ามหรือสลับเครื่องหมาย
• ตัวอักษรติดกันโดยไม่เว้นวรรค ภาษาไทยเขียนต่อกันเป็นพืด ระบบที่ตัดคำไม่ดีจะได้คำที่ผิดความหมาย หรือแยกพยางค์ผิดตำแหน่ง
• ตราประทับและลายเซ็นทับข้อความ หมึกสีทับตัวอักษรจนบางตัวหายไป ระบบที่ไม่มีขั้นแยกชั้นสีจะอ่านข้อความตรงนั้นขาด
• ลายมือ รูปทรงตัวอักษรไม่คงที่ แม้แต่คนไทยด้วยกันยังอ่านยาก งานที่ต้องอ่านลายมือจึงต้องมีคนยืนยันผล
• ฟอนต์เก่าและงานพิมพ์ดีด ตัวบาง หมึกจาง หรือใช้รูปทรงอักษรที่ต่างจากฟอนต์ปัจจุบัน ทำให้ตัวอักษรที่คล้ายกันสลับกันบ่อย
• สแกนเอียง แสงไม่สม่ำเสมอ และกระดาษบาง เงาจากอีกหน้าหรือเส้นเอียงเล็กน้อยทำให้การแบ่งบรรทัดพลาด และลากข้อความข้ามคอลัมน์

pipeline ที่ใช้งานได้จริง

งาน OCR ที่ใช้งานจริงไม่ได้จบที่การเรียกโมเดลอ่านภาพ แต่เป็นลำดับขั้นที่แต่ละขั้นแก้ปัญหาคนละชนิด

1. Preprocess — ปรับให้ภาพตรง แก้ความเอียง เพิ่มความคมชัด และจัดการแสงให้สม่ำเสมอ ผลที่ควรได้คือภาพที่เส้นบรรทัดขนานกันและตัวอักษรแยกจากพื้นหลังชัดขึ้น
2. Detect — หาโครงสร้างหน้า ได้แก่ คอลัมน์ ตาราง ช่องกรอก ตราประทับ และลายเซ็น เพื่อไม่ให้ข้อความจากคนละส่วนปนกัน ผลที่ควรได้คือกล่องข้อความพร้อมพิกัดบนหน้า
3. Recognize — อ่านตัวอักษรในแต่ละกล่องด้วยโมเดลที่รองรับภาษาไทยและวรรณยุกต์ซ้อน ผลที่ควรได้คือข้อความดิบพร้อมค่าความมั่นใจของแต่ละส่วน
4. Post-correct — แก้ข้อความด้วยกฎและพจนานุกรม แล้วจึงให้โมเดลภาษาช่วยตรวจประโยคที่ยังกำกวม ผลที่ควรได้คือข้อความที่อ่านรู้เรื่องและสกัดเป็นฟิลด์ได้

post-correction ด้วยพจนานุกรมและ LLM

ลำดับการแก้สำคัญกว่าตัวเครื่องมือ สิ่งที่แก้ได้ด้วยกฎตายตัวควรแก้ด้วยกฎก่อน เช่น รูปแบบเลขที่หนังสือ วันที่ ชื่อหน่วยงาน และรหัสไปรษณีย์ เพราะกฎให้ผลซ้ำได้และตรวจย้อนกลับได้

จากนั้นจึงใช้พจนานุกรมศัพท์เฉพาะของหน่วยงาน ซึ่งมักมีคำที่ OCR อ่านผิดเหมือนเดิมทุกครั้ง การเก็บรายการคำเหล่านี้ไว้จะช่วยได้มากในงานระยะยาว

ขั้นสุดท้ายคือการใช้โมเดลภาษาช่วยปรับประโยคที่ยังผิดไวยากรณ์ โดยต้องกำกับชัดเจนว่าห้ามเพิ่มเนื้อหาที่ไม่มีในภาพ และต้องเก็บข้อความต้นฉบับไว้เทียบทุกครั้ง เพราะความเสี่ยงของขั้นนี้คือโมเดล "แต่ง" ข้อความให้ดูเรียบร้อยจนตรวจไม่พบ

วัดผลด้วยตัวชี้วัดสี่ตัว

การเลือกเครื่องมือจากการดูตัวอย่างในโบรชัวร์ไม่พอ ต้องวัดกับเอกสารของคุณเองด้วยตัวชี้วัดที่บอกอะไรได้จริง

| ตัวชี้วัด | วัดอะไร | ใช้ตัดสินใจอย่างไร | |---|---|---| | CER | สัดส่วนตัวอักษรที่ผิดเทียบกับจำนวนตัวอักษรทั้งหมดในหน้า | บอกคุณภาพระดับตัวอักษร เหมาะกับงานค้นหาและคัดกรอง | | WER | สัดส่วนคำที่ผิดหลังตัดคำแล้ว | บอกว่าข้อความอ่านรู้เรื่องแค่ไหน | | Field accuracy | สัดส่วนฟิลด์สำคัญที่ถูกทั้งฟิลด์ เช่น เลขที่หนังสือ วันที่ ชื่อผู้ลงนาม | บอกว่างานนี้ทำอัตโนมัติได้จริงหรือยัง | | เวลาต่อหน้า | เวลาตั้งแต่รับภาพจนได้ผลลัพธ์ที่พร้อมใช้ | ใช้ประเมินกำลังคนและข้อตกลงระดับบริการ |

ควรวัดแยกตามประเภทเอกสาร เพราะเอกสารพิมพ์สดกับเอกสารสแกนเก่ามีปัญหาคนละแบบ ตัวเลขรวมทั้งชุดจึงมักซ่อนจุดอ่อนไว้

อีกสิ่งที่ควรทำก่อนเริ่มวัดคือตกลงกับผู้ใช้งานว่าความผิดพลาดแบบไหนยอมรับได้ เช่น อ่านเลขที่หนังสือผิดหนึ่งหลักอาจกระทบการอ้างอิงทั้งฉบับ ในขณะที่คำเชื่อมที่หายไปอาจไม่กระทบการใช้งานเลย เกณฑ์นี้จะช่วยให้ทีมเลือกได้ว่าจะลงแรงแก้ที่ขั้นไหน และทำให้การตัดสินใจซื้อเครื่องมืออิงกับงานจริงมากกว่าคะแนนรวมของทั้งระบบ

เช็กลิสต์ก่อนเลือกเครื่องมือ

• ทดสอบกับเอกสารจริงของหน่วยงานคุณ ไม่ใช่ตัวอย่างจากผู้ขาย
• รองรับวรรณยุกต์ซ้อนและฟอนต์ที่เอกสารคุณใช้จริง
• ให้ผลลัพธ์พร้อมพิกัดบนหน้า เพื่อให้คนตรวจแก้ได้ตรงจุด
• สกัดผลลัพธ์เป็นฟิลด์ได้ ไม่ใช่ก้อนข้อความยาวก้อนเดียว
• มีเส้นทางแก้ข้อความหลังอ่านและเก็บ log ไว้ตรวจย้อนหลัง
• รองรับข้อมูลอ่อนไหว ทั้งเรื่องสถานที่เก็บ การเข้าถึง และการลบ
• ระบุเงื่อนไขปริมาณการใช้งานและวิธีคิดค่าบริการได้ชัดเจน

คำถามที่พบบ่อย

เครื่องมือ OCR ฟรีใช้กับเอกสารราชการได้ไหม

ใช้ได้ในงานที่ยอมให้มีคนตรวจทุกหน้า แต่เอกสารราชการมักมีตราประทับ ตาราง และฟอนต์เก่าที่เครื่องมือทั่วไปอ่านพลาด ควรทดสอบกับเอกสารสิบหน้าที่หลากหลายก่อนตัดสินใจ

ต้องให้คนแก้มากแค่ไหน

ขึ้นกับคุณภาพต้นฉบับและระดับความถูกต้องที่งานต้องการ งานที่ใช้ค้นหาข้อมูลยอมให้ผิดได้มากกว่างานที่ต้องนำตัวเลขไปใช้ต่อ การวางขั้นตรวจเฉพาะฟิลด์สำคัญจะลดภาระได้มากกว่าการให้คนอ่านใหม่ทั้งหน้า

ใช้โมเดลภาษาแทน OCR ได้เลยไหม

โมเดลภาษาที่อ่านภาพได้ช่วยงานที่ภาพคุณภาพดีและข้อความไม่ซับซ้อนได้ แต่ยังไม่ควรใช้แทนทั้งไปป์ไลน์ เพราะไม่มีพิกัดให้ตรวจและมีโอกาสแต่งข้อความ วิธีที่ปลอดภัยคือใช้ OCR เป็นหลักและใช้โมเดลภาษาช่วยเฉพาะขั้นแก้ข้อความ

ถ้ามีเอกสารชุดที่ OCR อ่านผิดบ่อยและอยากรู้ว่าปัญหาอยู่ขั้นไหน ส่งตัวอย่างที่ปิดข้อมูลจริงแล้วมาที่หน้า /contact/ ทีมเราช่วยทดสอบและบอกได้ว่าควรแก้ที่ภาพ ที่โมเดล หรือที่ขั้นตอนหลังอ่าน