แปลง PDF สแกนเป็น Word: วิธีตรวจคอลัมน์ ตาราง และข้อผิดพลาดหลัง OCR

เมื่อแปลง PDF สแกนเป็น Word ด้วย OCR งานสำคัญยังไม่จบ เพราะต้องตรวจโครงสร้างเอกสาร คอลัมน์ ตาราง หัวข้อ ตัวเลข และอักขระที่ระบบอ่านผิด ก่อนนำไฟล์ไปแก้ไขหรือใช้งานต่อ

แปลง PDF สแกนเป็น Word: วิธีตรวจคอลัมน์ ตาราง และข้อผิดพลาดหลัง OCR

การแปลง PDF สแกนเป็น Word ช่วยประหยัดเวลาได้มาก แต่ไฟล์ที่ได้จะมีประโยชน์จริงก็ต่อเมื่อมีการตรวจทานอย่างรอบคอบหลัง OCR ปัญหาที่พบบ่อยไม่ได้เกิดตอนเริ่มแปลงเท่านั้น แต่เกิดหลังการรู้จำข้อความ เช่น คอลัมน์สองฝั่งถูกรวมเป็นย่อหน้าเดียว ตารางเลื่อนช่อง ลำดับหัวข้อเพี้ยน หรืออักขระที่หน้าตาคล้ายกันถูกอ่านผิด การมีขั้นตอนตรวจสั้น ๆ จะช่วยจับปัญหาเหล่านี้ก่อนนำเอกสารไปแก้ไข ส่งต่อ หรืออ้างอิงใช้งาน

บทความนี้เน้นการตรวจคุณภาพหลังแปลง PDF สแกนเป็น Word ไม่ได้อธิบายวิธีสั่ง OCR ทีละขั้น หากต้องการดูหน้าข้อมูลเกี่ยวกับความพร้อมของเครื่องมือนี้ สามารถดูได้ที่ ข้อมูล OCR PDF to Word

เริ่มจากเทียบภาพรวมแบบเร็ว

ก่อนแก้ข้อความทีละจุด ให้เปิดไฟล์ PDF ต้นฉบับและไฟล์ Word ที่ได้ไว้ข้างกัน แล้วดูภาพรวมก่อนว่าโครงสร้างหลักยังอยู่ครบหรือไม่

จุดที่ควรเช็กก่อนมีดังนี้

  1. ตำแหน่งการขึ้นหน้าใหม่ใกล้เคียงต้นฉบับหรือไม่
  2. หน้าที่มีหลายคอลัมน์ยังแยกคอลัมน์อยู่หรือถูกรวมเป็นบล็อกเดียว
  3. ตารางยังเป็นตาราง หรือกลายเป็นข้อความธรรมดา
  4. หัวข้อยังดูแตกต่างจากเนื้อความหลักอย่างชัดเจนหรือไม่
  5. เชิงอรรถ ส่วนหัว หมายเลขหน้า หรือคำบรรยายภาพ หลุดเข้าไปปนกับเนื้อหาหลักหรือไม่

การเทียบแบบเร็วนี้ช่วยตัดสินได้ตั้งแต่ต้นว่าเอกสารต้องเก็บงานเล็กน้อย หรือจำเป็นต้องจัดโครงสร้างใหม่มากกว่าที่คิด

ตรวจคอลัมน์ก่อนอ่านละเอียดทีละบรรทัด

คอลัมน์เป็นรูปแบบหนึ่งที่ OCR ตีความผิดได้ง่าย โดยเฉพาะในจดหมายข่าว โบรชัวร์ รายงาน หรือบทความวิชาการ ระบบอาจอ่านข้อความพาดจากคอลัมน์ซ้ายไปขวาทั้งหน้า แทนที่จะอ่านคอลัมน์หนึ่งให้จบก่อน

สัญญาณว่าคอลัมน์อาจเพี้ยน ได้แก่

  • ประโยคเปลี่ยนเรื่องกะทันหันทั้งที่คำแต่ละคำดูถูกต้อง
  • ข้อความอ่านแล้วสะดุดทางไวยากรณ์หรือความหมาย
  • ส่วนต้นหรือท้ายหน้าเกิดข้อความซ้ำบางช่วง
  • รายการหัวข้อย่อยหรือหัวข้อย่อยถูกแทรกผิดลำดับ

วิธีเช็กแบบใช้งานได้จริงคืออ่านเฉพาะบรรทัดแรกและบรรทัดสุดท้ายของแต่ละย่อหน้า ถ้าความต่อเนื่องไม่สมเหตุสมผล ให้กลับไปดู PDF ต้นฉบับแล้วจัดลำดับการอ่านใหม่ก่อนเริ่มแก้จุดเล็ก ๆ

สำหรับหน้าที่แน่นมาก อาจช่วยได้ถ้าแยกบล็อกข้อความตามคอลัมน์ใน Word ก่อน แล้วค่อยรวมหรือแยกย่อหน้าด้วยมือ การแก้ลำดับการอ่านตั้งแต่ต้นจะลดความผิดพลาดในขั้นตอนถัดไปได้มาก

ตรวจตารางในฐานะข้อมูล ไม่ใช่แค่หน้าตา

ตารางต้องตรวจต่างจากข้อความทั่วไป เพราะแม้หน้าตาจะดูพอใช้ได้ ข้อมูลในแต่ละช่องอาจผิดตำแหน่งแล้ว

ข้อผิดพลาดที่พบบ่อยหลัง OCR ในตาราง เช่น

  • หลายแถวถูกรวมกัน
  • ช่องเดียวถูกแยกเป็นหลายช่อง
  • ตัวเลขเลื่อนไปอยู่คอลัมน์ข้างเคียง
  • เส้นตารางหายจนมองโครงสร้างไม่ออก
  • แถวหัวตารางถูกแทรกซ้ำกลางข้อมูล
  • วันที่ เปอร์เซ็นต์ หรือจำนวนเงินถูกอ่านผิด

ตารางตรวจสั้น ๆ ต่อไปนี้ใช้ได้กับเอกสารส่วนใหญ่

จุดตรวจ สิ่งที่ควรยืนยัน
แถวหัวตาราง ชื่อคอลัมน์ตรงกับ PDF และเรียงลำดับถูกต้อง
การจัดแนวแถว ค่าทุกค่าอยู่ในแถวและหมวดที่ถูกต้อง
รูปแบบตัวเลข จุดทศนิยม จุลภาค เครื่องหมายลบ และเครื่องหมายเปอร์เซ็นต์ยังครบ
ช่องว่าง ช่องที่ควรว่างยังว่างจริง ไม่หายหรือถูกรวม
ผลรวม ยอดรวมย่อยและยอดรวมสุดท้ายยังตรงกับต้นฉบับ

หากเป็นตารางเล็ก ควรเทียบทุกช่อง แต่ถ้าตารางใหญ่ ให้เริ่มจากคอลัมน์เสี่ยงสูงก่อน เช่น รหัส วันที่ จำนวนเงิน และผลรวม

ระวังข้อผิดพลาดที่ดูเหมือนถูกต้อง

ความผิดพลาดจาก OCR ที่อันตรายที่สุดไม่ใช่ข้อความมั่วจนเห็นชัด แต่เป็นการแทนอักขระที่ดูน่าเชื่อจนหลุดรอดการตรวจอย่างรวดเร็ว

ตัวอย่างที่พบบ่อย ได้แก่

  • O กับ 0
  • I, l กับ 1
  • S กับ 5
  • B กับ 8
  • rn ถูกอ่านเป็น m
  • cl ถูกอ่านเป็น d

ข้อผิดพลาดแบบนี้เสี่ยงมากในชื่อบุคคล เลขอ้างอิง วันที่ เงื่อนไขทางกฎหมาย ค่าที่วัดได้ และข้อมูลตัวเลขในตาราง เพราะทั้งประโยคอาจดูอ่านได้ตามปกติ แต่มีอักขระผิดเพียงตัวเดียวที่เปลี่ยนความหมายไปแล้ว

วิธีตรวจที่ได้ผลคือใช้การค้นหาในไฟล์ Word ร่วมกับการเทียบต้นฉบับ

  1. ค้นหาช่องว่างซ้อนหรือการขึ้นบรรทัดผิดปกติ
  2. ค้นหาชุดอักขระแปลก ๆ หรือสัญลักษณ์ที่ไม่ควรอยู่ตรงนั้น
  3. ค้นหาคำที่ทราบว่าเอกสารใช้บ่อย แล้วสุ่มเทียบหลายตำแหน่งกับ PDF
  4. ตรวจรอบตัวเลข คำย่อ และรหัสต่าง ๆ เป็นพิเศษ

หากเอกสารมีคำเฉพาะที่ซ้ำบ่อย ความผิดพลาดอาจเกิดแบบเดิมซ้ำ ๆ เมื่อยืนยันรูปแบบที่ผิดแล้ว จึงค่อยแก้เป็นชุดได้อย่างระมัดระวัง

ตัวอย่างการตรวจทั้งรอบกับเอกสารจริง

ลองนึกถึงรายงานการเงินสแกน 2 หน้า แต่ละหน้ามี 2 คอลัมน์ มีตารางสรุป 1 ตาราง และย่อหน้าสั้นหลายส่วน หลังแปลง PDF สแกนเป็น Word แล้วดูเหมือนแก้ไขได้ทันที แต่เมื่อตรวจกลับพบปัญหา 3 อย่าง

  1. ย่อหน้าแรกของหน้าแรกถูกรวมข้อความจากคอลัมน์ซ้ายและขวาเข้าด้วยกัน
  2. ในตาราง มีตัวเลขรายได้หนึ่งค่าเลื่อนไปอยู่ผิดคอลัมน์
  3. ปี 2023 ถูกอ่านเป็น 2O23 โดยใช้ตัวอักษร O แทนเลขศูนย์

ลำดับการแก้ที่เหมาะสมคือ

  1. เทียบหน้าแรกกับ PDF แล้วแยกข้อความที่คอลัมน์ปนกันออกก่อน
  2. จัดตารางใหม่หรือปรับตำแหน่งข้อมูลให้ถูกต้อง ก่อนแก้ข้อความบรรยายที่อ้างถึงตาราง
  3. ค้นหาปีหรือรูปแบบตัวเลขคล้ายกันทั้งเอกสาร แล้วตรวจทีละจุด
  4. ตรวจว่ายอดรวมที่แก้แล้วตรงกับ PDF ต้นฉบับ
  5. อ่านทวนรอบสุดท้ายเพื่อเช็กหัวข้อ คำบรรยาย และลำดับหน้า

เหตุผลที่ควรทำตามลำดับนี้คือ ถ้าโครงสร้างยังผิด การแก้ข้อความย่อยจะยิ่งเสียเวลาและทำให้พลาดจุดสำคัญได้ง่าย

ใช้ขั้นตอนตรวจซ้ำเดิมทุกครั้ง

การมีขั้นตอนประจำจะเชื่อถือได้มากกว่าการตรวจแบบนึกอะไรออกก็ทำ สำหรับเอกสารส่วนใหญ่ ขั้นตอน 5 ข้อนี้เพียงพอ

  1. กวาดดูโครงสร้าง: เทียบหน้า คอลัมน์ หัวข้อ รายการ และตาราง
  2. แก้ลำดับการอ่าน: จัดคอลัมน์ที่รวมกัน ย่อหน้าที่ขาด และบล็อกข้อความที่วางผิดที่
  3. ตรวจตารางและตัวเลข: เช็กหัวตาราง การจัดแนว ผลรวม วันที่ และสัญลักษณ์
  4. ค้นหาจุดเสี่ยงจาก OCR: เน้นชื่อ ตัวเลข รหัส เอกสารอ้างอิง และคำที่ใช้ซ้ำ
  5. อ่านทวนรอบสุดท้าย: อ่านเอาความหมาย ไม่ใช่ดูสะกดอย่างเดียว

ขั้นตอนนี้อาจใช้เวลาไม่นานสำหรับแบบฟอร์มง่าย ๆ แต่จะใช้เวลามากขึ้นในรายงาน สัญญา หรือเอกสารที่มีข้อมูลหนาแน่น สิ่งสำคัญคือระดับการตรวจควรสอดคล้องกับความเสี่ยงของเอกสาร ไม่ควรใช้มาตรฐานเดียวกันกับเอกสารทั่วไปและเอกสารสำคัญ

ข้อจำกัดที่ควรรู้หลัง OCR

ปัญหาบางอย่างไม่สามารถแก้ได้สวยด้วยการแก้ใน Word เล็กน้อยเท่านั้น หากไฟล์สแกนเอียงมาก จาง ถูกตัดขอบ หรือมีองค์ประกอบรกมาก ไฟล์ Word ที่ได้อาจมีความผิดพลาดเชิงโครงสร้างมากเกินกว่าจะเชื่อถือได้ ในกรณีนั้นอาจต้องสร้างบางส่วนใหม่ด้วยมือ

ข้อจำกัดที่พบได้บ่อย เช่น

  • งานออกแบบที่มีองค์ประกอบตกแต่งมากทำให้ลำดับการอ่านสับสน
  • ตราประทับ ลายเซ็น หรือบันทึกเขียนมืออาจหลุดเข้าไปปนในเนื้อหา
  • ไฟล์สแกนคุณภาพต่ำอาจให้ข้อความที่ผิดซ้ำเดิมอย่างสม่ำเสมอ
  • ตารางซับซ้อนอาจต้องจัดใหม่ทั้งก้อน

จึงควรมองผลลัพธ์จากการแปลง PDF สแกนเป็น Word เป็นเพียงฉบับร่างสำหรับแก้ไขต่อ ไม่ใช่ข้อความพร้อมใช้งานทันทีทุกกรณี

เช็กสุดท้ายก่อนนำไปใช้หรือส่งต่อ

ก่อนส่งไฟล์ Word ให้ผู้อื่นหรือใช้ต่อ ควรถามตัวเอง 3 ข้อ

  1. ข้อความเรียงลำดับถูกต้องแล้วหรือยัง
  2. ตารางน่าเชื่อถือพอสำหรับการแก้ไขหรือการอ้างอิงหรือไม่
  3. รายการเสี่ยงสูง เช่น ชื่อ วันที่ และตัวเลข ถูกตรวจเทียบกับ PDF แล้วหรือยัง

หากยังตอบข้อใดข้อหนึ่งไม่ได้ชัดเจน เอกสารนั้นยังควรได้รับการตรวจเพิ่มอีกเล็กน้อย เพราะเวลาไม่กี่นาทีที่ใช้ทวนหลัง OCR อาจช่วยหลีกเลี่ยงการแก้ข้อมูลผิด การอ้างอิงคลาดเคลื่อน หรือปัญหาเอกสารคนละฉบับในภายหลังได้

คำถามที่พบบ่อย

ทำไม OCR มักอ่านหน้าที่มีสองคอลัมน์ผิดลำดับ?

เพราะระบบอาจมองข้อความทั้งหน้าต่อเนื่องกันตามแนวกว้าง แทนที่จะอ่านคอลัมน์ซ้ายให้จบแล้วค่อยไปคอลัมน์ขวา จึงทำให้บรรทัดจากสองฝั่งถูกรวมเป็นย่อหน้าเดียวได้

หลังแปลง PDF สแกนเป็น Word ควรตรวจอะไรก่อน?

ควรตรวจโครงสร้างก่อนเสมอ เช่น ลำดับหน้า คอลัมน์ หัวข้อ รายการ และตาราง หากโครงสร้างเพี้ยน การตรวจถ้อยคำทีละบรรทัดจะช้าลงและพลาดง่ายขึ้น

จะตรวจได้อย่างไรว่าตารางหลัง OCR ยังถูกต้อง?

ให้เทียบแถวหัวตาราง การจัดแนวแต่ละแถว รูปแบบตัวเลข ช่องว่าง และผลรวมกับ PDF ต้นฉบับ เพราะแม้ตารางจะดูคล้ายเดิม ข้อมูลภายในอาจเลื่อนไปผิดช่องได้

ข้อผิดพลาดของอักขระจาก OCR ที่พบบ่อยมีอะไรบ้าง?

ตัวอย่างที่พบบ่อยคือ O กับ 0, I หรือ l กับ 1, S กับ 5 รวมถึง rn ที่ถูกอ่านเป็น m ความผิดพลาดเหล่านี้เสี่ยงมากในชื่อ วันที่ เลขอ้างอิง และข้อมูลตัวเลข

เชื่อถือผล OCR ได้เลยโดยไม่ต้องตรวจทานหรือไม่?

ไม่ควรถือว่าได้ข้อความพร้อมใช้งานทันที โดยเฉพาะเอกสารที่มีคอลัมน์ ตาราง ข้อความทางกฎหมาย หรือข้อมูลตัวเลขสำคัญ ควรมองผลลัพธ์เป็นฉบับร่างและตรวจด้วยคนอีกครั้ง