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
- ตำแหน่งการขึ้นหน้าใหม่ใกล้เคียงต้นฉบับหรือไม่
- หน้าที่มีหลายคอลัมน์ยังแยกคอลัมน์อยู่หรือถูกรวมเป็นบล็อกเดียว
- ตารางยังเป็นตาราง หรือกลายเป็นข้อความธรรมดา
- หัวข้อยังดูแตกต่างจากเนื้อความหลักอย่างชัดเจนหรือไม่
- 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
Oกับ0I,lกับ1Sกับ5Bกับ8rnถูกอ่านเป็นmclถูกอ่านเป็นd
ข้อผิดพลาดแบบนี้เสี่ยงมากในชื่อบุคคล เลขอ้างอิง วันที่ เงื่อนไขทางกฎหมาย ค่าที่วัดได้ และข้อมูลตัวเลขในตาราง เพราะทั้งประโยคอาจดูอ่านได้ตามปกติ แต่มีอักขระผิดเพียงตัวเดียวที่เปลี่ยนความหมายไปแล้ว
วิธีตรวจที่ได้ผลคือใช้การค้นหาในไฟล์ Word ร่วมกับการเทียบต้นฉบับ
- ค้นหาช่องว่างซ้อนหรือการขึ้นบรรทัดผิดปกติ
- ค้นหาชุดอักขระแปลก ๆ หรือสัญลักษณ์ที่ไม่ควรอยู่ตรงนั้น
- ค้นหาคำที่ทราบว่าเอกสารใช้บ่อย แล้วสุ่มเทียบหลายตำแหน่งกับ PDF
- 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
- ย่อหน้าแรกของหน้าแรกถูกรวมข้อความจากคอลัมน์ซ้ายและขวาเข้าด้วยกัน
- ในตาราง มีตัวเลขรายได้หนึ่งค่าเลื่อนไปอยู่ผิดคอลัมน์
- ปี
2023ถูกอ่านเป็น2O23โดยใช้ตัวอักษรOแทนเลขศูนย์
ลำดับการแก้ที่เหมาะสมคือ
- เทียบหน้าแรกกับ PDF แล้วแยกข้อความที่คอลัมน์ปนกันออกก่อน
- จัดตารางใหม่หรือปรับตำแหน่งข้อมูลให้ถูกต้อง ก่อนแก้ข้อความบรรยายที่อ้างถึงตาราง
- ค้นหาปีหรือรูปแบบตัวเลขคล้ายกันทั้งเอกสาร แล้วตรวจทีละจุด
- ตรวจว่ายอดรวมที่แก้แล้วตรงกับ PDF ต้นฉบับ
- อ่านทวนรอบสุดท้ายเพื่อเช็กหัวข้อ คำบรรยาย และลำดับหน้า
เหตุผลที่ควรทำตามลำดับนี้คือ ถ้าโครงสร้างยังผิด การแก้ข้อความย่อยจะยิ่งเสียเวลาและทำให้พลาดจุดสำคัญได้ง่าย
ใช้ขั้นตอนตรวจซ้ำเดิมทุกครั้ง
การมีขั้นตอนประจำจะเชื่อถือได้มากกว่าการตรวจแบบนึกอะไรออกก็ทำ สำหรับเอกสารส่วนใหญ่ ขั้นตอน 5 ข้อนี้เพียงพอ
- กวาดดูโครงสร้าง: เทียบหน้า คอลัมน์ หัวข้อ รายการ และตาราง
- แก้ลำดับการอ่าน: จัดคอลัมน์ที่รวมกัน ย่อหน้าที่ขาด และบล็อกข้อความที่วางผิดที่
- ตรวจตารางและตัวเลข: เช็กหัวตาราง การจัดแนว ผลรวม วันที่ และสัญลักษณ์
- ค้นหาจุดเสี่ยงจาก OCR: เน้นชื่อ ตัวเลข รหัส เอกสารอ้างอิง และคำที่ใช้ซ้ำ
- 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
- ข้อความเรียงลำดับถูกต้องแล้วหรือยัง
- ตารางน่าเชื่อถือพอสำหรับการแก้ไขหรือการอ้างอิงหรือไม่
- รายการเสี่ยงสูง เช่น ชื่อ วันที่ และตัวเลข ถูกตรวจเทียบกับ PDF แล้วหรือยัง
หากยังตอบข้อใดข้อหนึ่งไม่ได้ชัดเจน เอกสารนั้นยังควรได้รับการตรวจเพิ่มอีกเล็กน้อย เพราะเวลาไม่กี่นาทีที่ใช้ทวนหลัง OCR อาจช่วยหลีกเลี่ยงการแก้ข้อมูลผิด การอ้างอิงคลาดเคลื่อน หรือปัญหาเอกสารคนละฉบับในภายหลังได้