Ét dokument, fem
gennemløb, nulgætværk.

To PDF'er, der ser identiske ud for et menneske, kan være vidt forskellige indvendigt: den ene en born-digital eksport med et perfekt tekstlag, den anden et telefonbillede fladtrykt til PDF ved 72 DPI og roteret fire grader. Læseren normaliserer denne asymmetri, så efterfølgende OCR aldrig behøver at håndtere den.

Hvad det gør

• Rasteriserer hver side til en standard på 300 DPI, så motorerne ser ensartede tegnstørrelser.
• Udtrækker det indlejrede tekstlag når til stede, hvilket fuldstændigt omgår OCR for digitalt fødte filer.
• Retter skævhed, dewarper og korrigerer orientering, og beskærer derefter scannerbordets kanter.
• Opdeler flersidede dokumenter til en per-side strøm, som resten af pipeline'en håndterer uafhængigt.

Unik fordel

• Fritekst vinder. En digitalt født PDF springer OCR over – øjeblikkelig, perfekt og fejlfri.
• Konsistent input. Alle efterfølgende modeller kan antage et opret billede med fornuftig DPI.
• Én sandhedskilde. Det billede, der renderes her, genbruges af alle efterfølgende arbejdere – ingen dobbelt rasterisering.

Tesseract er arbejdshesten: hurtig, CPU-venlig, 100+ sprog og struktureret output – ordfelter, linjefelter og per-ords konfidensværdi. For den lange hale af rene kontordokumenter løser den opgaven direkte.

Hvad den gør

• Kører LSTM-genkendelsen over hver side og udsender hOCR / TSV med ord, linjer og felter.
• Tilknytter en per-ords konfidensværdi score, der afgør, hvor EasyOCR skal foretage et andet pas.
• Returnerer læserækkefølge og layout, så afsnit rekonstrueres korrekt.

Unik fordel

• Hastighed og omkostninger. Ren CPU, ingen GPU-afhængighed, skalerer horisontalt og forbliver omkostningseffektiv.
• Deterministisk. Samme input, samme output: nemt at teste, cache og sammenligne i CI.
• Layout-bevidst. Ordfelter og læserækkefølge er førsteklasses output.
• Konfidensværdi er et routingsignal. Områder med lav konfidensværdi bliver input til EasyOCR.

Underskrift

De fleste kontrakter har først betydning, når de er modunderskrevet. Et lille CNN scanner efter blækagtige streger, der fremstår som en håndskrevet underskrift, og returnerer felter samt en score.

• Konverterer er denne kontrakt udført til en boolean.
• Felt plus sideindeks giver en brugergrænseflade mulighed for at hoppe til den underskrevne linje.
• Den nærmeste tekstlinje – det trykte navn – kan parres med feltet.

YuNet

YuNet er en lille ansigtsdetektor, der er bygget til at køre i realtid på standardhardware. Her handler det ikke om ansigter, men om portrætter som et dokumentkendetegn.

• Et ansigt i hjørnet er et stærkt tegn på et ID-kort, pas eller kørekort.
• Ca. 1 ms pr. beskæring på CPU – billigt nok til at køre på hver side.
• Tilstedeværelsen af et ansigt kan udløse redigering eller særlig behandling.

ID eller ej

En binær klassificering, der læser hele siden og besvarer ét spørgsmål: er dette et identitetsdokument? Dens opgave er at afgøre, hvilke sider der videresendes til MRZ-specialisten.

• Undgår at køre MRZ på hver side – de fleste har ingen.
• Anvender YuNets ansigtsfund og Tesseracts tekst som funktioner.
• Et lille hoved over en lille grundmodel: hurtig og nem at kalibrere.

Den maskinlæsbare zone nederst på et pas eller ID-kort følger et strengt ICAO-9303-format: et fast tegnsæt (A–Z 0–9 <), faste positioner og indbyggede kontrolcifre. En generisk OCR kan læse den, men vil forvanskeO/0 eller1/I. Dette pas er specialbygget til strimlen.

Hvad det gør

• Kører kun, når ID-eller-ej-klassificeringen markerer siden, så der aldrig spildes arbejde.
• Anvender en MRZ-tilpasset genkender og grammatik, der kun udsender gyldige MRZ-tegn.
• Fortolker felterne: type, udstedende land, efternavn, fornavne, dokumentnummer, nationalitet, fødselsdato, køn og udløbsdato.
• Verificererkontrolcifre– et forfalsket eller fejllæst felt opdages ved aritmetik, ikke ved gætning.

Unik fordel

• Struktureret, ikke fritekst. KYC-kode modtager en typet post, ikke en streng.
• Selvvaliderende. Kontrolcifre giver en garanti, som generisk OCR ikke kan matche.
• Snævert domæne, høj præcision. Lille tegnsæt, fast layout – en specialist vinder med stor margin.

EasyOCR er en OCR baseret på dyb læring – en CRAFT-tekstdetektor plus en CRNN-genkender på PyTorch. Tungere end Tesseract, men den udmærker sig præcis der, hvor Tesseract kæmper: lav kontrast eller stiliserede skrifttyper, buet eller roteret tekst, fotos af kvitteringer og mange ikke-latinske skriftsystemer. Her fungerer den som reserve og som avanceret OCR-pas.

Hvad det gør

• Genlæser de områder, hvor Tesseract returnerede lav konfidensværdi – præcist og ikke hele siden.
• Håndterer ikke-latinske skriftsystemer, som en given Tesseract-installation ikke er konfigureret til.
• Leverer en anden vurdering: enighed mellem de to motorer øger konfidensværdien markant.

Unik fordel

• Robusthed. CNN-genkendelse håndterer fotos, perspektiv og usædvanlige skrifttyper.
• Dækning. 80+ sprog direkte ud af boksen.
• Målrettet. Kører kun der, hvor Tesseract ikke var sikker, så den langsomme sti forbliver begrænset.