Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Βελτιστοποίηση της Ακρίβειας OCR

Μάθημα 8 / 16 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Η Ποιότητα Εισόδου Καθορίζει την Ποιότητα Εξόδου
  2. Ανάλυση και Προ-επεξεργασία
  3. Προσαρμογή Διαμόρφωσης στον Τύπο Εγγράφου
  4. Επεξεργασία Όγκων
  5. Επαλήθευση Πριν την Εκμετάλλευση
  6. Επιχειρησιακή Σύνοψη
  7. Βασικά σημεία

Ενημέρωση 2 Νοεμβρίου 2026 — OCR. Το OCR 4.0 (mistral-ocr-4-0) αποσύρθηκε στις 30 Σεπτεμβρίου 2026. Χρησιμοποιήστε το OCR 4.1 (mistral-ocr-4-1), το οποίο είναι γενικά διαθέσιμο από τις 31 Αυγούστου στην ίδια τιμή, ή το ψευδώνυμο mistral-ocr-latest, το οποίο δείχνει σε αυτό από τις 16 Ιουλίου. Το OCR 4.1 προσθέτει βαθμολογίες εμπιστοσύνης σε επίπεδο μπλοκ. Προσθήκη 3 Νοεμβρίου 2026: Ένα τοπικό αρχείο PDF μεταδίδεται σε base64 ως {"type": "document_url", "document_url": "data:application/pdf;base64,…"}· ο τύπος document_base64 από παλαιότερα παραδείγματα δεν υπάρχει ούτε στην τεκμηρίωση ούτε στο SDK mistralai, και εκείνα τα παραδείγματα θα απέτυγχαν. Πηγές: Επεξεργαστής OCR · Ερωτήσεις και Απαντήσεις Εγγράφων.

Η Ποιότητα Εισόδου Καθορίζει την Ποιότητα Εξόδου

Η ομάδα της Mistral το διατύπωσε ωμά κατά τη διάρκεια του webinar τους για το Document AI: «σκουπίδια μέσα, σκουπίδια έξω». Όσο ισχυρό κι αν είναι το μοντέλο, δεν μπορεί να ανακτήσει πληροφορίες που η σάρωση δεν κατάφερε να καταγράψει. Όταν ένα έργο εξαγωγής δεδομένων υπολείπεται των προσδοκιών, ο ένοχος βρίσκεται σχεδόν πάντα πριν από το API: μια ξεθωριασμένη φωτοτυπία, ένα ξανασταλμένο φαξ ή μια φωτογραφία τραβηγμένη υπό γωνία σε μια κακοφωτισμένη αποθήκη. Αυτό το μάθημα καλύπτει τους μοχλούς που επηρεάζουν πραγματικά την ακρίβεια.

Ανάλυση και Προ-επεξεργασία

Ο πρώτος μοχλός είναι η ανάλυση σάρωσης. Οι στόχοι εξαρτώνται από το περιεχόμενο του εγγράφου:

  • Έντυπα έγγραφα: ελάχιστο 200 DPI, συνιστάται 300 DPI
  • Χειρόγραφα: ελάχιστο 300 DPI
  • Σύνθετοι πίνακες: συνιστάται 300 DPI
  • Ιστορικά έγγραφα: 400 DPI ή υψηλότερο

Κάτω από αυτές τις τιμές, οι λεπτές γραμμές εξαφανίζονται και καμία λογισμική επεξεργασία δεν μπορεί να τις επαναφέρει. Η περαιτέρω αύξηση απλώς μεγαλώνει το μέγεθος του αρχείου. Αν ελέγχετε την αλυσίδα σάρωσης, η σωστή ρύθμιση του σαρωτή θα σας γλιτώσει πολύ περισσότερους μπελάδες από οποιοδήποτε κόλπο κώδικα.

Όταν το έγγραφο φτάνει ήδη ψηφιοποιημένο, η προ-επεξεργασία εικόνας μπορεί να ανακτήσει έδαφος. Η παρακάτω συνάρτηση αλυσιδώνει τέσσερις κλασικές λειτουργίες—μετατροπή σε κλίμακα του γκρι, ενίσχυση αντίθεσης, οξύνωση και διχοτόμηση (binarization)—πριν επιστρέψει την εικόνα κωδικοποιημένη σε base64, έτοιμη για κλήση OCR:

from PIL import Image, ImageEnhance, ImageFilter
import io
import base64

def pre_process_image(image_path: str) -> str:
    """Pre-processes an image to improve OCR extraction."""
    img = Image.open(image_path)

    # 1. Convert to grayscale
    img = img.convert("L")

    # 2. Increase contrast
    enhancer = ImageEnhance.Contrast(img)
    img = enhancer.enhance(1.5)

    # 3. Increase sharpness
    img = img.filter(ImageFilter.SHARPEN)

    # 4. Binarization (thresholding)
    img = img.point(lambda x: 0 if x < 128 else 255, "1")

    # Convert to base64
    buffer = io.BytesIO()
    img.save(buffer, format="PNG")
    return base64.b64encode(buffer.getvalue()).decode("utf-8")

Δοκιμάστε αυτή την επεξεργασία σε ένα δείγμα πριν την εφαρμόσετε σε ολόκληρη παρτίδα. Η διχοτόμηση, ειδικότερα, είναι βίαιη: σε ένα ήδη ευκρινές έγγραφο, δεν προσφέρει τίποτα, ενώ σε ένα έγγραφο με μολύβι, μπορεί να σβήσει εντελώς το κείμενο.

Ο προσανατολισμός είναι η άλλη διόρθωση που δεν πρέπει να παραβλέπετε. Οι σαρώσεις συχνά φτάνουν περιστραμμένες κατά 90 ή 180 μοίρες, και οι πληροφορίες προσανατολισμού αποθηκεύονται συνήθως στα μεταδεδομένα EXIF της εικόνας:

from PIL import Image

def correct_orientation(image_path: str) -> Image.Image:
    """Corrects the orientation of a scanned image via EXIF metadata."""
    img = Image.open(image_path)

    # Use EXIF data to correct orientation
    try:
        exif = img._getexif()
        if exif:
            orientation = exif.get(274)  # EXIF orientation tag
            rotations = {3: 180, 6: 270, 8: 90}
            if orientation in rotations:
                img = img.rotate(rotations[orientation], expand=True)
    except (AttributeError, KeyError):
        pass

    return img

Το ευρύ μπλοκ try δικαιολογείται εδώ: πολλές εικόνες δεν έχουν δεδομένα EXIF και η έλλειψη δεδομένων προσανατολισμού δεν πρέπει να διακόπτει την επεξεργασία παρτίδων.

Προσαρμογή Διαμόρφωσης στον Τύπο Εγγράφου

Για κοινά έντυπα έγγραφα—τιμολόγια, συμβόλαια, αναφορές—η βέλτιστη διαμόρφωση συνοψίζεται στην ρητή αίτηση εξαγωγής πινάκων, αντί να βασίζεστε στις προεπιλεγμένες ρυθμίσεις:

# Optimal configuration for printed documents
ocr_response = client.ocr.process(
    model="mistral-ocr-latest",
    document={
        "type": "document_url",
        "document_url": f"data:application/pdf;base64,{document_base64}"
    },
    table_format="markdown"  # Explicit table extraction
)

Τα χειρόγραφα απαιτούν περισσότερη φροντίδα εκ των προτέρων. Σαρώνετε σε ελάχιστο 300 DPI, αυξάνετε την αντίθεση μεταξύ μελανιού και χαρτιού, αλλά παραλείπετε την επιθετική διχοτόμηση από το προηγούμενο σενάριο: αυτή σβήνει τις λεπτές πινελιές του στυλό διαρκείας και θα χάσετε περισσότερες πληροφορίες από όσες κερδίζετε. Το ίδιο το μοντέλο διαχειρίζεται καλά τα χειρόγραφα, συμπεριλαμβανομένου του πολύγλωσσου κειμένου, κάτι που δεν ήταν δεδομένο με τις προηγούμενες γενιές OCR.

Υπάρχουν επίσης σοβαρά υποβαθμισμένες σαρώσεις—αρχεία, τσαλακωμένα έγγραφα, φωτοτυπίες φωτοτυπιών. Η στρατηγική αλλάζει: ξεκινήστε μειώνοντας τον θόρυβο με ένα φίλτρο διάμεσου (median filter) πριν ενισχύσετε την αντίθεση και, στη συνέχεια, αυξήστε τη φωτεινότητα αν το σύνολο παραμένει πολύ σκοτεινό.

from PIL import Image, ImageFilter, ImageEnhance

def improve_scan(path: str) -> Image.Image:
    """Improves a low-quality scan."""
    img = Image.open(path)

    # Noise reduction
    img = img.filter(ImageFilter.MedianFilter(size=3))

    # Increase contrast
    enhancer = ImageEnhance.Contrast(img)
    img = enhancer.enhance(2.0)

    # Increase brightness if too dark
    enhancer = ImageEnhance.Brightness(img)
    img = enhancer.enhance(1.2)

    return img

Η σειρά έχει σημασία: η ενίσχυση της αντίθεσης πριν την αφαίρεση του θορύβου απλώς δυναμώνει τις κηλίδες όσο και τα γράμματα.

Επεξεργασία Όγκων

Μόλις ο αριθμός των αρχείων ξεπεράσει μερικά, χρειάζεστε επεξεργασία παρτίδων με χειρισμό σφαλμάτων ανά αρχείο. Για πολύ μεγάλους όγκους, η Mistral προσφέρει την υπηρεσία Batch Inference· το παρακάτω σενάριο δείχνει τη βασική λογική για έναν φάκελο με PDF, όπου κάθε αποτυχία καταγράφεται στα αποτελέσματα αντί να διακόπτει τον βρόχο:

import os
import json
from pathlib import Path
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

def process_folder(folder: str) -> dict:
    """Processes all PDFs in a folder."""
    results = {}
    path = Path(folder)

    for file in path.glob("*.pdf"):
        print(f"Processing {file.name}...")

        with open(file, "rb") as f:
            import base64
            doc_b64 = base64.b64encode(f.read()).decode("utf-8")

        try:
            response = client.ocr.process(
                model="mistral-ocr-latest",
                document={
                    "type": "document_url",
                    "document_url": f"data:application/pdf;base64,{doc_b64}"
                },
                table_format="markdown"
            )

            results[file.name] = {
                "pages": len(response.pages),
                "content": "\n\n".join(
                    p.markdown for p in response.pages
                )
            }
        except Exception as e:
            results[file.name] = {"error": str(e)}

    return results

Αυτό το λεξικό αποτελεσμάτων σας δίνει, στο τέλος της επεξεργασίας, την ακριβή λίστα των αρχείων προς επανάληψη. Σε μια παρτίδα αρκετών εκατοντάδων εγγράφων, αυτή είναι η διαφορά μεταξύ του να ξανατρέξετε τρία αρχεία και του να ξεκινήσετε από την αρχή.

Επαλήθευση Πριν την Εκμετάλλευση

Μια εξαγωγή που πέτυχε τεχνικά μπορεί να έχει αποτύχει στην πράξη: μια κενή σελίδα που επιστρέφεται για μια μη αναγνώσιμη σάρωση ή ένας χείμαρρος από χαρακτήρες-σκουπίδια σε μια θορυβώδη εικόνα. Μερικές απλές ευρετικές μέθοδοι αρκούν για να ενεργοποιήσουν μια αυτόματη ειδοποίηση.

def verify_quality(markdown: str) -> dict:
    """Verifies the quality of an OCR extraction."""
    indicators = {
        "length": len(markdown),
        "words": len(markdown.split()),
        "empty_lines_ratio": markdown.count("\n\n") / max(len(markdown), 1),
        "special_chars_ratio": sum(
            1 for c in markdown if not c.isalnum() and c not in " \n\t.,;:!?-"
        ) / max(len(markdown), 1),
    }

    # Alerts
    if indicators["words"] < 10:
        indicators["alert"] = "Very little text extracted"
    elif indicators["special_chars_ratio"] > 0.3:
        indicators["alert"] = "High ratio of special characters"

    return indicators

Τα δύο όρια είναι ενδεικτικά και πρέπει να βαθμονομηθούν στο δικό σας σώμα κειμένων: δέκα λέξεις για μια σελίδα συμβολαίου σηματοδοτούν πρόβλημα, αλλά όχι για ένα δελτίο αποστολής που περιέχει μόνο δεκαπέντε.

Επιχειρησιακή Σύνοψη

Θυμηθείτε την αλυσίδα με τη λογική της σειρά. Σαρώνετε σε ελάχιστο 300 DPI για κάθε μη τετριμμένο έγγραφο και αυξάνετε την αντίθεση πριν την αποστολή αν το έγγραφο είναι ξεθωριασμένο. Διορθώνετε τη γωνία περιστροφής των σαρώσεων. Προτιμάτε πάντα το εγγενές PDF από τη σάρωση όταν είναι διαθέσιμο: η ποιότητά του είναι δομικά ανώτερη. Καθορίζετε ρητά το table_format="markdown" ή "html" όποτε εμπλέκονται πίνακες. Επεξεργάζεστε σε παρτίδες και παραλληλίζετε τις κλήσεις για μεγάλους όγκους. Και επικυρώνετε συστηματικά την ποιότητα της εξαγωγής πριν την τροφοδοτήσετε στο σύστημα πληροφοριών σας—τα κακά δεδομένα κοστίζουν περισσότερο από τα_missing_ δεδομένα.

Βασικά σημεία

  • Η ποιότητα του αρχικού εγγράφου είναι ο πρωταρχικός παράγοντας ακρίβειας
  • Η προ-επεξεργασία εικόνας (αντίθεση, οξύνωση, διχοτόμηση) βελτιώνει τα αποτελέσματα
  • Προσαρμόζετε την προσέγγισή σας στον τύπο του εγγράφου (έντυπο, χειρόγραφο, υποβαθμισμένο)
  • Χρησιμοποιείτε επεξεργασία παρτίδων για μεγάλους όγκους
  • Επικυρώνετε πάντα την ποιότητα της εξαγωγής πριν τη χρήση