Optimizarea preciziei OCR
Pe această pagină
Actualizare 2 noiembrie 2026 — OCR. OCR 4.0 (
mistral-ocr-4-0) a fost retras la 30 septembrie 2026. Utilizați OCR 4.1 (mistral-ocr-4-1), disponibil public din 31 august la același preț, sau aliasulmistral-ocr-latest, care indică această versiune din 16 iulie. OCR 4.1 adaugă scoruri de încredere la nivel de bloc. Addendum 3 noiembrie 2026: Un fișier PDF local este transmis în base64 sub forma{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; tipuldocument_base64din exemplele mai vechi nu există nici în documentație, nici în SDK-ulmistralai, iar acele exemple ar fi eșuat. Surse: OCR Processor · Document QnA.
Calitatea intrării determină calitatea ieșirii
Echipa Mistral a fost foarte directă în timpul webinarului lor despre Document AI: „gunoi la intrare, gunoi la ieșire“. Indiferent cât de puternic este modelul, acesta nu poate recupera informațiile pe care scanarea nu a reușit să le capteze. Când un proiect de extracție nu performează, vinovatul se află aproape întotdeauna în amonte de API: o fotocopie ștearsă, un fax rescanat sau o fotografie făcută oblic într-un depozit slab luminat. Această lecție acoperă pârghiile care impactează efectiv precizia.
Rezoluție și pre-procesare
Prima pârghie este rezoluția scanării. Țintele depind de conținutul documentului:
- Documente tipărite: minim 200 DPI, recomandat 300 DPI
- Scris de mână: minim 300 DPI
- Tabele complexe: recomandat 300 DPI
- Documente istorice: 400 DPI sau mai mult
Sub aceste valori, liniile fine dispar și niciun proces software nu le poate readuce. Depășirea lor mărește doar dimensiunea fișierului. Dacă controlați lanțul de scanare, configurarea corectă a scannerului vă va economisi mult mai multe probleme decât orice truc de codare.
Când documentul sosește deja digitalizat, pre-procesarea imaginii poate recupera o parte din teren. Funcția de mai jos înlănțuie patru operațiuni clasice—conversie la scară de gri, îmbunătățirea contrastului, ascuțire și binarizare—înainte de a returna imaginea codificată în base64, gata pentru apelul OCR:
from PIL import Image, ImageEnhance, ImageFilter
import io
import base64
def pre_process_image(image_path: str) -> str:
"""Pre-procesează o imagine pentru a îmbunătăți extracția OCR."""
img = Image.open(image_path)
# 1. Conversie la scară de gri
img = img.convert("L")
# 2. Creșterea contrastului
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(1.5)
# 3. Creșterea ascuțimii
img = img.filter(ImageFilter.SHARPEN)
# 4. Binarizare (prag)
img = img.point(lambda x: 0 if x < 128 else 255, "1")
# Conversie în base64
buffer = io.BytesIO()
img.save(buffer, format="PNG")
return base64.b64encode(buffer.getvalue()).decode("utf-8")
Testați acest proces pe un eșantion înainte de a-l aplica unui lot întreg. Binarizarea, în special, este brutală: pe un document deja ascuțit, nu adaugă nimic, iar pe un document cu creion, poate șterge textul în totalitate.
Orientarea este cealaltă corecție pe care nu trebuie să o neglijați. Scanările sosesc adesea rotite cu 90 sau 180 de grade, iar informația despre orientare este stocată de obicei în metadatele EXIF ale imaginii:
from PIL import Image
def correct_orientation(image_path: str) -> Image.Image:
"""Corectează orientarea unei imagini scanate prin metadatele EXIF."""
img = Image.open(image_path)
# Utilizarea datelor EXIF pentru corectarea orientării
try:
exif = img._getexif()
if exif:
orientation = exif.get(274) # Eticheta de orientare EXIF
rotations = {3: 180, 6: 270, 8: 90}
if orientation in rotations:
img = img.rotate(rotations[orientation], expand=True)
except (AttributeError, KeyError):
pass
return img
Blocul larg try este justificat aici: multe imagini nu au date EXIF, iar lipsa datelor de orientare nu ar trebui să întrerupă procesarea în loturi.
Adaptarea configurației la tipul de document
Pentru documentele tipărite comune—facturi, contracte, rapoarte—configurația optimă se rezumă la solicitarea explicită a extracției tabelelor, în loc să vă bazați pe setările implicite:
# Configurație optimă pentru documente tipărite
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" # Extracție explicită a tabelelor
)
Scrisul de mână necesită o îngrijire mai mare în amonte. Scanați la minim 300 DPI, măriți contrastul dintre cerneală și hârtie, dar omiteți binarizarea agresivă din scriptul anterior: aceasta șterge trăsăturile fine ale stiloului cu bilă și veți pierde mai multe informații decât câștigați. Modelul în sine gestionează bine scrisul de mână, inclusiv textul multilingv, lucru care nu era garantat cu generațiile anterioare de OCR.
Apoi există scanările sever degradate—arhive, documente mototolite, copii după copii. Strategia se schimbă: începeți prin reducerea zgomotului cu un filtru median înainte de a spori contrastul, apoi măriți luminozitatea dacă ansamblul rămâne prea întunecat.
from PIL import Image, ImageFilter, ImageEnhance
def improve_scan(path: str) -> Image.Image:
"""Îmbunătățește o scanare de calitate scăzută."""
img = Image.open(path)
# Reducerea zgomotului
img = img.filter(ImageFilter.MedianFilter(size=3))
# Creșterea contrastului
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.0)
# Creșterea luminozității dacă este prea întunecat
enhancer = ImageEnhance.Brightness(img)
img = enhancer.enhance(1.2)
return img
Ordinea contează: sporirea contrastului înainte de eliminarea zgomotului doar întărește petele la fel de mult ca și literele.
Procesarea volumelor
Odată ce numărul de fișiere depășește câteva unități, aveți nevoie de procesare în loturi cu gestionarea erorilor per fișier. Pentru volume foarte mari, Mistral oferă serviciul Batch Inference; scriptul următor arată logica de bază pentru un dosar de PDF-uri, unde fiecare eșec este înregistrat în rezultate în loc să întrerupă bucla:
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:
"""Procesează toate fișierele PDF dintr-un dosar."""
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
Acest dicționar de rezultate vă oferă, la finalul procesării, lista exactă a fișierelor de reîncercat. Pe un lot de câteva sute de documente, aceasta face diferența dintre a relansa trei fișiere și a o lua de la capăt.
Verificați înainte de a exploata
O extracție care a reușit tehnic poate eșua în practică: o pagină goală returnată pentru o scanare ilizibilă sau o inundație de caractere gunoi pe o imagine zgomotoasă. Câteva euristici simple sunt suficiente pentru a declanșa o alertă automată.
def verify_quality(markdown: str) -> dict:
"""Verifică calitatea unei extracții OCR."""
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),
}
# Alertă
if indicators["words"] < 10:
indicators["alert"] = "Text extras foarte puțin"
elif indicators["special_chars_ratio"] > 0.3:
indicators["alert"] = "Raport ridicat de caractere speciale"
return indicators
Cele două praguri sunt indicative și trebuie calibrate pe corpusul dumneavoastră: zece cuvinte pentru o pagină de contract semnalează o problemă, dar nu și pentru o fișă de livrare care conține doar cincisprezece.
Rezumat operațional
Rețineți lanțul în ordinea sa logică. Scanați la minim 300 DPI pentru orice document non-trivial și măriți contrastul înainte de trimitere dacă documentul este șters. Corectați unghiul de rotație al scanărilor. Preferați întotdeauna PDF-ul nativ unei scanări atunci când este disponibil: calitatea sa este structural superioară. Specificați explicit table_format="markdown" sau "html" ori de câte ori sunt implicate tabele. Procesați în loturi și paralelizați apelurile pentru volume mari. Și validați sistematic calitatea extracției înainte de a o introduce în sistemul dumneavoastră informațional—datele proaste costă mai mult decât datele lipsă.
Puncte cheie
- Calitatea documentului sursă este factorul principal al preciziei
- Pre-procesarea imaginii (contrast, ascuțire, binarizare) îmbunătățește rezultatele
- Adaptați abordarea la tipul de document (tipărit, scris de mână, degradat)
- Utilizați procesarea în loturi pentru volume mari
- Validați întotdeauna calitatea extracției înainte de utilizare