Optimera OCR-noggrannhet
På denna sida
Uppdatering 2 november 2026 — OCR. OCR 4.0 (
mistral-ocr-4-0) togs ur bruk den 30 september 2026. Använd OCR 4.1 (mistral-ocr-4-1), som har varit allmänt tillgänglig sedan 31 augusti till samma pris, eller aliasetmistral-ocr-latest, som pekat på den sedan 16 juli. OCR 4.1 lägger till konfidenspoäng på blocknivå. Tillägg 3 november 2026: En lokal PDF skickas i base64 som{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; typendocument_base64från äldre exempel finns varken i dokumentationen eller imistralai-SDK:t, och dessa exempel skulle ha misslyckats. Källor: OCR Processor · Document QnA.
Inmatningskvalitet avgör utmatningskvalitet
Mistral-teamet var tydliga under sitt webinarium om Document AI: det är “skräp in, skräp ut”. Oavsett hur kraftfull modellen är kan den inte återskapa information som skanningen misslyckades med att fånga. När ett extraktionsprojekt presterar dåligt är boven nästan alltid att hitta tidigare i kedjan än API:et – en blek fotokopia, en inskannad fax som skannats om, eller ett foto taget i sned vinkel i ett dåligt upplyst lager. Den här lektionen täcker de reglage som faktiskt påverkar noggrannheten.
Upplösning och förbehandling
Det första reglaget är skanningsupplösningen. Målvärdena beror på vad dokumentet innehåller:
- Tryckta dokument: minst 200 DPI, 300 DPI rekommenderas
- Handskriven text: minst 300 DPI
- Komplexa tabeller: 300 DPI rekommenderas
- Historiska dokument: 400 DPI eller högre
Under dessa värden försvinner fina linjer, och ingen programvarubearbetning kan få tillbaka dem. Att gå högre ökar mest bara filstorleken. Om du styr skanningskedjan sparar du dig mycket mer besvär genom att ställa in skannern korrekt än genom några kodknep.
När dokumentet redan anländer digitaliserat kan bildförbehandling bärga viss mark. Funktionen nedan länkar samman fyra klassiska operationer – konvertering till gråskala, kontrastförbättring, skärpning och binarisering – innan den returnerar bilden kodad i base64, redo för OCR-anropet:
from PIL import Image, ImageEnhance, ImageFilter
import io
import base64
def pre_process_image(image_path: str) -> str:
"""Förbehandlar en bild för att förbättra OCR-extraktion."""
img = Image.open(image_path)
# 1. Konvertera till gråskala
img = img.convert("L")
# 2. Öka kontrasten
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(1.5)
# 3. Öka skärpan
img = img.filter(ImageFilter.SHARPEN)
# 4. Binarisering (tröskelvärde)
img = img.point(lambda x: 0 if x < 128 else 255, "1")
# Konvertera till base64
buffer = io.BytesIO()
img.save(buffer, format="PNG")
return base64.b64encode(buffer.getvalue()).decode("utf-8")
Testa denna bearbetning på ett prov innan du applicerar den på en hel batch. Binarisering är särskilt brutal: på en redan skarp dokument tillför den ingenting, och på ett blyertsdokument kan den radera texten helt.
Orientering är den andra korrigeringen du inte bör försumma. Skanningar anländer ofta roterade 90 eller 180 grader, och orienteringsinformationen lagras vanligtvis i bildens EXIF-metadata:
from PIL import Image
def correct_orientation(image_path: str) -> Image.Image:
"""Korrigerar orienteringen på en skannad bild via EXIF-metadata."""
img = Image.open(image_path)
# Använd EXIF-data för att korrigera orientering
try:
exif = img._getexif()
if exif:
orientation = exif.get(274) # EXIF-orienteringstagg
rotations = {3: 180, 6: 270, 8: 90}
if orientation in rotations:
img = img.rotate(rotations[orientation], expand=True)
except (AttributeError, KeyError):
pass
return img
Det breda try-blocket är motiverat här: många bilder saknar EXIF-data, och saknad orienteringsdata bör inte avbryta batch-bearbetningen.
Anpassa konfigurationen efter dokumenttyp
För vanliga tryckta dokument – fakturor, kontrakt, rapporter – kokar den optimala konfigurationen ner till att explicit begära tabell-extraktion istället för att förlita sig på standardinställningar:
# Optimal konfiguration för tryckta dokument
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 tabell-extraktion
)
Handskriven text kräver mer omsorg i förledet. Skanna med minst 300 DPI, öka kontrasten mellan bläck och papper, men hoppa över den aggressiva binariseringen från det tidigare skriptet: den raderar fina kulspetspennsstreck, och du förlorar mer information än du vinner. Modellen själv hanterar handskriven text väl, inklusive flerspråkig text, vilket inte var självklart med tidigare OCR-generationer.
Sedan finns det kraftigt försämrade skanningar – arkiv, skrynkliga dokument, kopior av kopior. Strategin ändras: börja med att reducera brus med ett medianfilter innan du boostar kontrasten, och öka sedan ljusstyrkan om helheten fortfarande är för mörk.
from PIL import Image, ImageFilter, ImageEnhance
def improve_scan(path: str) -> Image.Image:
"""Förbättrar en skanning av låg kvalitet."""
img = Image.open(path)
# Brusreducering
img = img.filter(ImageFilter.MedianFilter(size=3))
# Öka kontrasten
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.0)
# Öka ljusstyrkan om för mörk
enhancer = ImageEnhance.Brightness(img)
img = enhancer.enhance(1.2)
return img
Ordningen spelar roll: att boosta kontrasten innan brus tas bort stärker bara fläckarna lika mycket som bokstäverna.
Bearbeta volymer
När antalet filer överstiger en handfull behöver du batch-bearbetning med felhantering per fil. För mycket stora volymer erbjuder Mistral tjänsten Batch Inference; följande skript visar den grundläggande logiken för en mapp med PDF-filer, där varje misslyckande loggas i resultaten istället för att bryta loopen:
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:
"""Bearbetar alla PDF-filer i en mapp."""
results = {}
path = Path(folder)
for file in path.glob("*.pdf"):
print(f"Bearbetar {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
Denna results-ordbok ger dig, i slutet av bearbetningen, den exakta listan över filer som ska köras om. På en batch med flera hundra dokument är det skillnaden mellan att köra om tre filer och att börja om från början.
Verifiera innan du använder
En extraktion som lyckades tekniskt kan ha misslyckats i praktiken: en tom sida returnerad för en oläslig skanning, eller en flod av skräptecken på en brusig bild. Några enkla heuristiker räcker för att utlösa en automatisk varning.
def verify_quality(markdown: str) -> dict:
"""Verifierar kvaliteten på en OCR-extraktion."""
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),
}
# Varningar
if indicators["words"] < 10:
indicators["alert"] = "Mycket lite text extraherad"
elif indicators["special_chars_ratio"] > 0.3:
indicators["alert"] = "Hög andel specialtecken"
return indicators
De två tröskelvärdena är vägledande och måste kalibreras för ditt korpus: tio ord för en kontraktssida signalerar ett problem, men inte för en följesedel som bara innehåller femton.
Operativ sammanfattning
Kom ihåg kedjan i sin logiska ordning. Skanna med minst 300 DPI för alla icke-triviala dokument, och öka kontrasten innan sändning om dokumentet är blekt. Korrigera rotationsvinkeln på skanningar. Föredra alltid den nativa PDF:n framför en skanning när den finns tillgänglig: dess kvalitet är strukturellt överlägsen. Ange explicit table_format="markdown" eller "html" närhelst tabeller är inblandade. Bearbeta i batchar och parallellisera anrop för stora volymer. Och validera systematiskt extraktionskvaliteten innan du matar den till ditt informationssystem – dåliga data kostar mer än saknade data.
Viktiga punkter
- Kvaliteten på källdokumentet är den främsta faktorn för noggrannhet
- Bildförbehandling (kontrast, skärpa, binarisering) förbättrar resultaten
- Anpassa ditt tillvägagångssätt efter dokumenttyp (tryckt, handskriven, försämrad)
- Använd batch-bearbetning för stora volymer
- Validera alltid extraktionskvaliteten innan användning