การแปลง PDF สแกนเป็น Word จะได้ผลดีกว่าเมื่อเตรียมไฟล์ก่อนเริ่ม OCR หาก PDF มีหน้าที่หมุนผิดทิศ ตัวอักษรจาง หลายภาษาในไฟล์เดียว ตราประทับ หรือแสงเงาไม่สม่ำเสมอ คุณภาพการรู้จำข้อความอาจลดลงตั้งแต่ก่อนส่งออกเป็น Word เสียอีก คำถามที่สำคัญจึงไม่ใช่แค่ว่าจะใช้วิธีไหน แต่คือจะทำให้เอกสารอ่านง่ายขึ้นสำหรับ OCR ได้อย่างไร
ลองนึกถึงตัวอย่างง่าย ๆ เช่น ชุดเอกสารผู้ขาย 24 หน้า ที่สแกนจากกระดาษ บางหน้าตั้งตรง สองหน้าหมุนด้านข้าง หลายหน้าพื้นหลังออกเทา และช่วงท้ายมีทั้งภาษาอังกฤษกับอีกภาษาหนึ่ง หากส่งไฟล์นี้เข้าไปแปลง PDF สแกนเป็น Word ทันที ผลลัพธ์อาจมีบรรทัดแตก ตัวอักษรหาย หรือย่อหน้าวางผิดตำแหน่ง วิธีที่ใช้ได้จริงกว่าคือเริ่มจากการตรวจและจัดเอกสารให้เรียบร้อยก่อน
เริ่มจากประเมินคุณภาพสแกน ไม่ใช่รีบมองแค่ไฟล์ปลายทาง
หลายคนมองว่า OCR เป็นขั้นตอนการแปลงไฟล์ แต่ในทางปฏิบัติ OCR คือขั้นตอนการอ่านเอกสารก่อน การจะได้ไฟล์ Word ที่แก้ไขต่อได้ดีหรือไม่ ขึ้นอยู่กับว่าหน้าต้นฉบับชัดพอให้ระบบแยกตัวอักษร คำ และโครงสร้างหน้าได้หรือไม่
ก่อนประมวลผล ควรตรวจเรื่องพื้นฐานเหล่านี้
- ทุกหน้าตั้งตรงหรือมีหน้าที่หมุนเก้าสิบหรือหนึ่งร้อยแปดสิบองศาหรือไม่
- ตัวอักษรมืดพอเมื่อเทียบกับพื้นหลังหรือไม่
- มีเงาตามสันหนังสือหรือขอบกระดาษหรือไม่
- เอกสารมีภาษาเดียวหรือหลายภาษา
- มีลายมือ ตราประทับ ตราราชการ หรือลายเซ็นบังข้อความพิมพ์หรือไม่
- ภาพสแกนคมชัดหรือดูเบลอเมื่อซูมเข้าไป
ถ้าปัญหาเหล่านี้เกิดพร้อมกันหลายข้อ ความผิดพลาดของ OCR มักเพิ่มขึ้นอย่างมาก ในกรณีเช่นนี้ การเตรียมไฟล์สำคัญกว่าการลองเปลี่ยนรูปแบบส่งออก
แก้ทิศทางหน้ากระดาษก่อนเริ่ม OCR
การหมุนหน้าผิดทิศเป็นปัญหาที่พบบ่อยและหลีกเลี่ยงได้ ผู้อ่านอาจเอียงหัวแล้วอ่านผ่านได้ แต่ระบบ OCR อาจอ่านหน้าที่นอนข้างผิด โดยเฉพาะเมื่อหน้านั้นมีตาราง ตราประทับ หรือคอนทราสต์ต่ำร่วมด้วย
ลำดับที่ใช้งานได้จริงคือ
- เปิดดูภาพย่อของทุกหน้า
- หมุนหน้าที่เอียงหรือกลับหัวให้ถูกต้อง
- แยกหน้าที่มีทิศการอ่านหรือรูปแบบต่างจากส่วนอื่น
- ตรวจซ้ำในไฟล์ที่รวมเอกสารหลายชุด โดยเฉพาะกรณีเครื่องสแกนหมุนอัตโนมัติให้บางหน้าแต่ไม่ใช่ทั้งหมด
เรื่องนี้สำคัญมากในเอกสารหลายภาษา เพราะบางส่วนอาจเป็นแนวตั้ง ขณะที่อีกส่วนถูกสแกนมาเป็นแนวนอน หากต้องการดูข้อมูลประกอบเกี่ยวกับแนวทางและสถานะการใช้งาน สามารถดูได้ที่ หน้าข้อมูล OCR PDF เป็น Word
ปรับคอนทราสต์และความอ่านง่ายสำหรับไฟล์สแกนคุณภาพต่ำ
ไฟล์สแกนที่คอนทราสต์ต่ำมักดูพออ่านได้บนหน้าจอ แต่ทำงานกับ OCR ได้ไม่ดี ตัวอย่างที่พบบ่อยคือสำเนากระดาษจาง กระดาษพื้นเทา หรือ PDF ที่ได้จากการถ่ายด้วยมือถือ ในไฟล์แบบนี้ ตัวอักษรอาจกลืนกับพื้นหลัง ทำให้ระบบต้องเดาว่าขอบของตัวอักษรเริ่มและจบตรงไหน
แนวทางที่มักช่วยได้ ได้แก่
- เพิ่มคอนทราสต์ให้ตัวอักษรเด่นจากพื้นหลังมากขึ้น
- ลดเงาตามรอยพับหรือสันเอกสาร
- เปลี่ยนหน้าสีเป็นภาพระดับเทาหรือขาวดำที่สะอาดกว่า หากสีไม่ได้ช่วยสื่อความหมาย
- หลีกเลี่ยงการเพิ่มความคมมากเกินไป เพราะอาจทำให้ขอบตัวอักษรแตก
- สแกนใหม่ในหน้าที่ต้นฉบับเบลออย่างชัดเจน
เป้าหมายไม่ใช่ทำให้ภาพดูจัดขึ้น แต่คือทำให้รูปทรงของตัวอักษรชัดขึ้น แม้การปรับเพียงเล็กน้อยก็อาจช่วยให้ OCR แยกอักขระที่คล้ายกันได้ดีขึ้น
จัดการเอกสารหลายภาษาเหมือนเป็นงานอ่านคนละแบบ
PDF ที่มีหลายภาษาไม่ควรถูกมองว่าเป็นงาน OCR ชุดเดียวเสมอไป เพราะแต่ละภาษาอาจมีรูปแบบอักษร เครื่องหมายวรรคตอน และการเว้นวรรคต่างกัน แม้หน้าหนึ่งจะใช้ภาษาอังกฤษเป็นหลัก แต่ถ้ามีชื่อเฉพาะ ที่อยู่ หรือช่องข้อมูลทางการในอีกภาษา ก็อาจทำให้การรู้จำคลาดเคลื่อนมากขึ้น
แนวคิดที่ใช้ได้จริงคือ
- จัดกลุ่มหน้าตามภาษาหลักถ้าทำได้
- แยกเอกสารแบบฟอร์ม จดหมาย ใบแจ้งหนี้ หรือภาคผนวก หากใช้รูปแบบต่างกันมาก
- ระวังหน้าที่อีกภาษาปรากฏเฉพาะในตราประทับ ส่วนหัว หรือส่วนท้าย
- มองชื่อเฉพาะและรหัสต่าง ๆ เป็นจุดที่ต้องตรวจด้วยสายตาหลัง OCR
บทความนี้เน้นการเตรียมไฟล์ก่อนแปลง ไม่ได้เน้นการตรวจแก้หลังแปลง ประเด็นสำคัญคือเอกสารหลายภาษามักได้ผลดีขึ้นเมื่อไม่ปฏิบัติกับทั้งไฟล์เหมือนเป็นเอกสารแบบเดียวทั้งหมด
รู้ว่าเมื่อไรควรสแกนใหม่ แทนที่จะฝืนทำ OCR ซ้ำ
บางครั้งทางที่เร็วที่สุดไม่ใช่การลอง OCR อีกรอบ แต่คือการเริ่มจากไฟล์ต้นทางที่ดีกว่า หากภาพสแกนเอียง ถูกบีบอัดมากเกินไป ถ่ายเฉียง หรือมีแสงสะท้อนบังข้อความ OCR อาจไม่มีวันให้ผลที่นิ่งพอสำหรับไฟล์ Word ที่แก้ไขได้สะดวก
ควรพิจารณาสแกนใหม่เมื่อ
- ตัวอักษรขนาดเล็กอ่านแทบไม่ออกเมื่อซูมเข้า
- ขอบกระดาษโค้งเข้าด้านในจากการถ่ายด้วยกล้อง
- เส้นบรรทัดบิดหรือคลื่นบริเวณสันเอกสาร
- มีเงาดำพาดผ่านกลุ่มข้อความ
- PDF ดูเหมือนเป็นการสแกนจากเอกสารที่เคยสแกนมาแล้วอีกชั้นหนึ่ง
การสแกนสัญญาใหม่เพียงสิบหน้า อาจประหยัดเวลากว่าการนั่งแก้ความผิดพลาดจาก OCR จำนวนมากในภายหลัง ในงานเอกสารจริง การสแกนใหม่มักเป็นทางเลือกที่คุ้มกว่า ไม่ใช่ความล้มเหลว
ใช้ตารางตรวจสอบสั้น ๆ ก่อนเริ่มแปลง
ก่อนเริ่มแปลง PDF สแกนเป็น Word ลองตรวจตามรายการนี้
| รายการ | สิ่งที่ควรยืนยัน | ถ้ายังไม่พร้อมควรทำอะไร |
|---|---|---|
| ทิศทางหน้า | ทุกหน้าหันถูกทิศ | หมุนหน้าให้เรียบร้อยก่อน |
| คอนทราสต์ | ตัวอักษรเข้มกว่าพื้นหลังชัดเจน | ปรับคอนทราสต์หรือสแกนใหม่ |
| ความคมชัด | ซูมแล้วตัวอักษรยังชัด | สแกนหน้าที่เบลอใหม่ |
| การแยกตามภาษา | รู้ว่าช่วงไหนเป็นคนละภาษา | แยกเป็นส่วนก่อนประมวลผล |
| สิ่งรบกวน | เงา คราบ และพื้นหลังรบกวนน้อย | ปรับภาพเท่าที่ทำได้ |
| สิทธิ์การเข้าถึง | คุณมีสิทธิ์เปิดและประมวลผลเอกสาร | หยุดและยืนยันสิทธิ์ก่อน |
รายการตรวจแบบนี้ช่วยลดความผิดพลาดที่ป้องกันได้ก่อนเริ่ม OCR
ลำดับการทำงานแบบง่ายที่ใช้ซ้ำได้
หากต้องการขั้นตอนที่นำไปใช้ได้จริง ลองใช้ลำดับนี้
- ตรวจไฟล์ PDF ทีละหน้า
- แก้หน้าที่หมุนผิดหรือกลับหัว
- ลดปัญหาภาพที่เห็นชัด เช่น เงาหนักหรือคอนทราสต์อ่อน
- แยกส่วนที่ใช้คนละภาษาหรือรูปแบบต่างกันมาก
- ตัดสินใจว่ามีหน้าที่ควรสแกนใหม่หรือไม่
- เริ่ม OCR เมื่อไฟล์ดูอ่านง่ายขึ้นแล้ว
- ตรวจตัวอย่างบางหน้าหลังประมวลผลเพื่อประเมินว่าต้นฉบับดีพอหรือไม่
ลำดับนี้ตั้งใจให้เรียบง่าย และไม่ได้สัญญาว่ารูปแบบจะตรงสมบูรณ์ทุกครั้ง อีกทั้งไม่ได้ตั้งต้นว่าทุกเอกสารควรถูกส่งจากไฟล์สแกนไปเป็น Word ทันทีโดยไม่เตรียมอะไรเลย
ข้อจำกัดที่ควรรู้ไว้
การเตรียมไฟล์ช่วยให้ OCR ดีขึ้น แต่ไม่ได้แก้ทุกปัญหา เอกสารบางชุดยังคงยากต่อการรู้จำเพราะต้นฉบับมีข้อจำกัดตั้งแต่แรก
ข้อจำกัดที่พบบ่อย ได้แก่
- ตัวพิมพ์เล็กมากหรือสำเนาเสื่อมคุณภาพ
- ข้อความถูกตราประทับ ลายเซ็น หรือบันทึกด้วยลายมือทับ
- หน้ากระดาษโค้งจากการสแกนหนังสือ
- รูปแบบเอกสารแน่น เช่น กฎหมายหรือเทคนิคที่มีเชิงอรรถและป้ายกำกับข้างหน้า
- หลายระบบอักษรอยู่ในบรรทัดเดียวกัน
อีกเรื่องที่สำคัญคือสิทธิ์การเข้าถึงเอกสาร หาก PDF ถูกป้องกัน การปลดล็อกหรือเอารหัสผ่านออกควรใช้กับเอกสารที่คุณมีสิทธิ์เข้าถึงเท่านั้น ไม่ใช่การข้ามรหัสผ่านที่ไม่ทราบ
สำหรับ Sanreader โดยเฉพาะ ควรเข้าใจให้ตรงว่าในตอนนี้มีหน้าข้อมูลเครื่องมือเชิงสารสนเทศอยู่ แต่ไม่ควรตีความว่ามีการอัปโหลดออนไลน์ การแปลงไฟล์จริง หรือการดาวน์โหลดแบบเชื่อมต่อพร้อมใช้งานในส่วนที่ยังไม่ได้เปิดให้บริการ
สิ่งที่สำคัญที่สุดในทางปฏิบัติ
เมื่อคนค้นหาเรื่องแปลง PDF สแกนเป็น Word หลายครั้งมักคิดว่าการตัดสินใจหลักคือเลือกเครื่องมือ แต่ในเอกสารจริง ปัจจัยที่สำคัญกว่ามักเป็นความพร้อมของไฟล์สแกน การหมุนหน้า คอนทราสต์ ความเบลอ และการปะปนของภาษา มักเป็นตัวกำหนดว่า OCR จะเริ่มจากต้นฉบับที่อ่านได้ดีหรือจากต้นฉบับที่เสียหาย
ถ้าเตรียมไฟล์ก่อน คุณจะลดข้อผิดพลาดที่หลีกเลี่ยงได้ และทำให้การตรวจทานภายหลังง่ายขึ้น นี่คือประโยชน์ที่ใช้งานได้จริงของการเตรียมเอกสารก่อนเริ่ม OCR