Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

OCR: Tekstin poiminta

Oppitunti 6 / 12 Päivitetty 30. heinäkuuta 2026 Aloittelija
Tällä sivulla
  1. Tekstin lukeminen kuvista
  2. Perinteinen OCR vs. multimodaalinen OCR
  3. Peruspoiminta
  4. Jäsennelty asiakirjojen poiminta
  5. Käyntikorttien poiminta
  6. Kuvakaappausten käsittely
  7. Asiakirjojen eräkäsittely
  8. Grok OCR:n rajoitukset
  9. Keskeiset asiat

Tekstin lukeminen kuvista

OCR (Optical Character Recognition, optinen merkkien tunnistus) on yksi Grok Visionin tehokkaimmista käyttötapauksista. Toisin kuin perinteiset työkalut, jotka vain poimivat merkkejä, Grok ymmärtää kuvan tekstin kontekstin, asettelun ja merkityksen.

Perinteinen OCR vs. multimodaalinen OCR

Perinteiset OCR-työkalut (kuten Tesseract, Google Vision OCR ja AWS Textract) ovat erinomaisia raakamerkkien poiminnassa. Grok lisää tähän uuden ulottuvuuden: se ymmärtää, mitä teksti tarkoittaa kuvan kontekstissa.

Kun käsittelet esimerkiksi skannattua laskua, perinteinen OCR-työkalu poimii kaikki merkit. Grok pystyy myös:

  • Tunnistamaan kentät (laskun numero, päivämäärä, loppusumma)
  • Jäsentelemään tiedot käyttökelpoiseen muotoon
  • Korjaamaan OCR-virheitä kontekstin perusteella
  • Tulkitsemaan taulukoita ja monimutkaisia asetteluja

Peruspoiminta

Kun haluat poimia näkyvän tekstin yksinkertaisesti:

response = client.responses.create(
    model="grok-4.5",
    input=[
        {
            "type": "input_image",
            "image_url": url_document,
            "detail": "high"  # Essential for OCR
        },
        {
            "type": "input_text",
            "text": "Extract all visible text in this image. Preserve the layout as much as possible."
        }
    ],
    store=False
)

Parametri detail: "high" on välttämätön OCR-tehtäville. low-tilassa malli saattaa ohittaa hienoa tekstiä tai lukea tietyt merkit väärin.

Jäsennelty asiakirjojen poiminta

Ammattimaisille asiakirjoille pyydä jäsenneltyä poimintaa:

def extraire_facture(image_url):
    prompt = """This image is an invoice. Extract the following
information in JSON:
- "invoice_number": the invoice number
- "date": the issue date
- "issuer": name and address of the issuer
- "recipient": name and address of the recipient
- "lines": table with columns [description, quantity, unit_price, total]
- "subtotal": amount excluding tax
- "vat": VAT amount
- "total_incl_tax": amount including tax

If a field is not visible, indicate null."""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_image", "image_url": image_url, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Käyntikorttien poiminta

def extraire_carte_visite(image_url):
    prompt = """Extract the information from this business card in JSON:
- "name": full name
- "title": job title/position
- "company": company name
- "email": email address
- "phone": phone number(s)
- "address": postal address
- "website": website URL
- "social_media": links to social media profiles"""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_image", "image_url": image_url, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Kuvakaappausten käsittely

Kuvakaappaukset ovat erinomainen käyttötapaus, sillä ne sisältävät usein tekstiä monimutkaisissa asetteluissa (valikot, sivupalkit, ponnahdusikkunat):

def analyser_screenshot(image_url):
    prompt = """Analyze this screenshot and identify:
1. The application or website displayed
2. The visible page or section
3. The main interface elements (buttons, menus, forms)
4. Any important text displayed
5. Any error messages or notifications"""

    response = client.responses.create(
        model="grok-4.5",
        input=[
            {"type": "input_image", "image_url": image_url, "detail": "high"},
            {"type": "input_text", "text": prompt}
        ],
        store=False
    )
    return response.output_text

Asiakirjojen eräkäsittely

Kun käsittelet suurta määrää asiakirjoja, yhdistä Grok OCR käsittelyputkeen:

import json

async def pipeline_ocr(documents):
    resultats = []

    for doc in documents:
        # 1. Validate the image
        if not valider_image(doc["chemin"]):
            resultats.append({"fichier": doc["chemin"], "erreur": "Invalid image"})
            continue

        # 2. Encode to base64
        image_url = encoder_base64(doc["chemin"])

        # 3. Extract with Grok
        response = client.responses.create(
            model="grok-4.5",
            input=[
                {"type": "input_image", "image_url": image_url, "detail": "high"},
                {"type": "input_text", "text": doc["prompt"]}
            ],
            store=False
        )

        # 4. Parse the result
        try:
            data = json.loads(response.output_text)
            resultats.append({"fichier": doc["chemin"], "data": data})
        except json.JSONDecodeError:
            resultats.append({"fichier": doc["chemin"], "texte_brut": response.output_text})

    return resultats

Grok OCR:n rajoitukset

  • Käsinkirjoitettu teksti: tunnistus toimii hyvin luettavalle kirjoitukselle, mutta voi epäonnistua kursiivisen tai lukukelvottoman käsialan kohdalla.
  • Muut kuin latinalaiset kielet: tarkkuus vaihtelee kielen ja käytetyn fontin mukaan.
  • Heikkolaatuiset kuvat: matalan resoluution skannaukset tai sumeat valokuvat heikentävät tuloksia.
  • Erittäin pieni teksti: jopa high-tilassa alle 8 pikselin korkuinen teksti saatetaan lukea väärin.

Keskeiset asiat

  • Käytä aina parametria detail: "high" OCR-tehtävissä.
  • Pyydä jäsenneltyä poimintaa (JSON), jotta voit hyödyntää tietoja automaattisesti.
  • Grok menee raakaa OCR:ää pidemmälle: se ymmärtää kontekstin ja asettelun.
  • Käytä asetusta store: false arkaluonteisille asiakirjoille (laskut, käyntikortit).
  • Validoi ja esikäsittele kuvat maksimoidaksesi poiminnan laadun.