Optimaliseren van de OCR-nauwkeurigheid
Op deze pagina
Update 2 november 2026 — OCR. OCR 4.0 (
mistral-ocr-4-0) is op 30 september 2026 buiten gebruik gesteld. Gebruik OCR 4.1 (mistral-ocr-4-1), dat sinds 31 augustus algemeen beschikbaar is tegen dezelfde prijs, of het aliasmistral-ocr-latest, dat er sinds 16 juli naar verwijst. OCR 4.1 voegt betrouwbaarheidsscores toe op blokniveau. Addendum 3 november 2026: Een lokaal PDF-bestand wordt in base64 verzonden als{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; het typedocument_base64uit oudere voorbeelden bestaat noch in de documentatie, noch in demistralaiSDK, en die voorbeelden zouden zijn mislukt. Bronnen: OCR Processor · Document QnA.
Invoerkwaliteit bepaalt uitvoerkwaliteit
Het Mistral-team was er duidelijk over tijdens hun webinar over Document AI: het is “garbage in, garbage out”. Hoe krachtig het model ook is, het kan geen informatie herstellen die de scan niet heeft vastgelegd. Wanneer een extractieproject ondermaats presteert, ligt de oorzaak bijna altijd vóór de API: een vage kopie, een opnieuw gescande fax of een foto die onder een hoek is genomen in een slecht verlicht magazijn. Deze les behandelt de hefbomen die de nauwkeurigheid daadwerkelijk beïnvloeden.
Resolutie en voorbewerking
De eerste hefboom is de scanresolutie. De streefwaarden hangen af van de inhoud van het document:
- Gedrukte documenten: minimaal 200 DPI, 300 DPI aanbevolen
- Handgeschreven tekst: minimaal 300 DPI
- Complexe tabellen: 300 DPI aanbevolen
- Historische documenten: 400 DPI of hoger
Onder deze waarden verdwijnen fijne lijnen en kan geen enkele softwareverwerking ze terugbrengen. Hoger gaan vergroot vooral alleen de bestandsgrootte. Als u de scanketen beheert, bespaart het correct instellen van de scanner u veel meer problemen dan welke code-truc dan ook.
Wanneer het document reeds gedigitaliseerd aankomt, kan voorbewerking van de afbeelding wat terrein winnen. De onderstaande functie ketent vier klassieke bewerkingen aan elkaar: omzetting naar grijstinten, contrastverhoging, verscherping en binarisatie, waarna de afbeelding gecodeerd in base64 wordt teruggegeven, klaar voor de OCR-aanroep:
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")
Test deze verwerking eerst op een steekproef voordat u deze op een volledige batch toepast. Binarisatie is in het bijzonder rigoureus: bij een reeds scherp document voegt het niets toe, en bij een potlooddocument kan het de tekst volledig wissen.
Oriëntatie is de andere correctie die u niet mag verwaarlozen. Scans komen vaak geroteerd aan met 90 of 180 graden, en de oriëntatie-informatie wordt meestal opgeslagen in de EXIF-metadata van de afbeelding:
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
Het brede try-blok is hier gerechtvaardigd: veel afbeeldingen hebben geen EXIF-gegevens, en ontbrekende oriëntatiegegevens mogen de batchverwerking niet onderbreken.
Configuratie aanpassen aan documenttype
Voor veelvoorkomende gedrukte documenten—facturen, contracten, rapporten—komt de optimale configuratie neer op het expliciet aanvragen van tabel-extractie in plaats van te vertrouwen op standaardinstellingen:
# 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
)
Handgeschreven tekst vereist meer zorg upstream. Scan op minimaal 300 DPI, verhoog het contrast tussen inkt en papier, maar sla de agressieve binarisatie uit het vorige script over: deze wist fijne balpenstrepen uit en u verliest meer informatie dan u wint. Het model zelf gaat goed om met handschrift, inclusief meertalige tekst, wat bij vorige OCR-generaties niet vanzelfsprekend was.
Dan zijn er de ernstig aangetaste scans—archieven, verkreukelde documenten, kopieën van kopieën. De strategie verandert: begin met het verminderen van ruis met een mediaanfilter voordat u het contrast verhoogt, en verhoog vervolgens de helderheid als het geheel te donker blijft.
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
Volgorde is belangrijk: het verhogen van het contrast voordat ruis wordt verwijderd, versterkt de vlekken evenzeer als de letters.
Verwerkingsvolumes
Zodra het aantal bestanden een handvol overschrijdt, heeft u batchverwerking nodig met foutafhandeling per bestand. Voor zeer grote volumes biedt Mistral de Batch Inference-service; het volgende script toont de basislogica voor een map met PDF’s, waarbij elke mislukking in de resultaten wordt gelogd in plaats van de lus te onderbreken:
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
Deze resultatenwoordenlijst geeft u aan het einde van de verwerking de exacte lijst met bestanden die opnieuw moeten worden geprobeerd. Bij een batch van enkele honderden documenten is dat het verschil tussen het opnieuw uitvoeren van drie bestanden en helemaal opnieuw beginnen.
Controleren voordat u gebruikt
Een extractie die technisch is gelukt, kan in de praktijk zijn mislukt: een lege pagina teruggekregen voor een onleesbare scan, of een overvloed aan onzin tekens op een ruisige afbeelding. Een paar eenvoudige heuristieken volstaan om een automatisch alarm te activeren.
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
De twee drempelwaarden zijn indicatief en moeten worden gekalibreerd op uw corpus: tien woorden voor een contractpagina signaleert een probleem, maar niet voor een leveringsbon die slechts vijftien bevat.
Operationele samenvatting
Onthoud de keten in zijn logische volgorde. Scan op minimaal 300 DPI voor elk niet-triviaal document en verhoog het contrast voordat u verzendt als het document vervaagd is. Corrigeer de rotatiehoek van scans. Geef altijd de voorkeur aan de native PDF boven een scan wanneer beschikbaar: de kwaliteit is structureel superieur. Specificeer expliciet table_format="markdown" of "html" wanneer tabellen betrokken zijn. Verwerk in batches en parallelleer oproepen voor grote volumes. En valideer systematisch de extractiekwaliteit voordat u deze in uw informatiesysteem invoert—slechte data kost meer dan ontbrekende data.
Belangrijkste punten
- De kwaliteit van het brondocument is de primaire factor voor nauwkeurigheid
- Voorbewerking van afbeeldingen (contrast, scherpte, binarisatie) verbetert de resultaten
- Pas uw aanpak aan aan het documenttype (gedrukt, handgeschreven, aangetast)
- Gebruik batchverwerking voor grote volumes
- Valideer altijd de extractiekwaliteit voordat u deze gebruikt