DOCUMENT INTELLIGENCE • LESSON ៥

OCR និង Scanned Documents

by Sot Dimong

១៨ សីហា ២០២៦

យល់ការបម្លែងរូបស្កេនទៅ Text និងពិនិត្យកំហុសអក្សរ លេខ តារាង និងភាសាខ្មែរ។

រយៈពេលប្រហែល ១៨ នាទី

Document Mission • Level 1 📄 Document Starter

0 XP

ចាប់ផ្តើម

សេចក្តីផ្តើម
នៅក្នុងស្ថាប័នជាច្រើននៅកម្ពុជា ឯកសារចាស់ៗ និងកិច្ចសន្យាផ្លូវការភាគច្រើនត្រូវបានរក្សាទុកជា ក្រដាសស្កេន (Scanned Hardcopies) ដែលមានត្រាផ្លូវការ ហត្ថលេខាដៃ ឬស្នាមជ្រីវជ្រួញ។

Optical Character Recognition (OCR) គឺជាស្ពានចម្លងដ៏សំខាន់បំផុតដែលបម្លែងភីកសែលរូបភាព (Image Pixels) ទៅជាតួអក្សរឌីជីថល។ ប៉ុន្តែ OCR មិនមែនល្អឥតខ្ចោះ ១០០% ទេ ជាពិសេសលើ តួអក្សរខ្មែរដែលមានជើងផ្សំស្មុគស្មាញ និងតួលេខក្បៀសក្នុងតារាង។ នៅក្នុងមេរៀននេះ អ្នកនឹងរៀនពីវិធីសាស្ត្រប្រើ OCR ទំនើប និងរបៀបធ្វើ Audit ដើម្បីកែតម្រូវកំហុសឆ្គង។

គោលបំណងនៃមេរៀននេះ

យល់ច្បាស់ពីយន្តការ Optical Character Recognition (OCR), ភាពខុសគ្នារវាង Traditional OCR vs Vision LLMs, ការដោះស្រាយបញ្ហាអានអក្សរខ្មែរ (ជើងអក្សរ ស្រៈផ្សំ) និងតារាងស្មុគស្មាញ, ព្រមទាំងការធ្វើ OCR Audit ដើម្បីផ្ទៀងផ្ទាត់ភាពសុក្រឹតនៃតួលេខ។

១. ការវិវត្តនៃបច្ចេកវិទ្យា OCR (Traditional OCR vs Vision LLMs)

បច្ចេកវិទ្យា OCR ត្រូវបានបែងចែកជាពីរជំនាន់ធំៗ ៖

១. Traditional OCR Engines (Tesseract, Abbyy) ដំណើរការដោយការស្គាល់ទម្រង់ Pattern តួអក្សរមួយៗ (Character Recognition)។ ដែនកំណត់ ៖ ពិបាកយល់បរិបទតារាងស្មុគស្មាញ និងងាយច្រឡំជើងអក្សរខ្មែរ ឬអក្សរស្រដៀងគ្នា (ឧ. លេខ 0 និងអក្សរ O, លេខ 1 និងអក្សរ l)។

២. Multimodal Vision LLMs (GPT-4o, Claude 3.5, Gemini 1.5) មិនត្រឹមតែស្គាល់តួអក្សរទេ ប៉ុន្តែយល់ពី បរិបទទាំងមូលនៃទំព័រ (Visual Context & Spatial Reasoning)។ អាចយល់តារាងស្មុគស្មាញ ទម្រង់បែបបទ និងបំពេញចន្លោះអក្សរដែលរលុបបន្តិចបន្តួចតាមន័យប្រយោគបានយ៉ាងឆ្លាតវៃ។

២. បញ្ហាប្រឈមនៃ OCR លើភាសាខ្មែរ និងតារាងហិរញ្ញវត្ថុ

ចំណុចដែលតែងតែមានកំហុសឆ្គងខ្ពស់ និងត្រូវប្រុងប្រយ័ត្នបំផុត ៖

ជើងអក្សរខ្មែរ និងស្រៈលើ-ក្រោម (Subscripts & Diacritics) ជើងអក្សរដូចជា ្ក, ្ខ, ្ង, ្ញ, ្ត, ្ឋ អាចត្រូវបាន OCR រំលង ឬកាត់ផ្តាច់ទៅជាតួអក្សរដាច់ដោយឡែក។ ឧទាហរណ៍ ៖ ពាក្យ «សង្ខេប» អាចក្លាយជា «សងខេប» ឬ «ស ង ្ខេ ប»។

សញ្ញាក្បៀស ចុច និងលេខកូដ (Decimals & Currency) ការច្រឡំរវាងសញ្ញាក្បៀស , និងសញ្ញាចុច . អាចធ្វើឱ្យតួលេខហិរញ្ញវត្ថុខុសគ្នា ១,០០០ ដង! ឧទាហរណ៍ ៖ $10,000 ក្លាយជា $10.000 ($10)។

តារាងគ្មានបន្ទាត់ព្រំដែន (Borderless Tables) OCR បុរាណអាចអានជួរដេកនិងជួរឈរច្របូកច្របល់គ្នា នាំឱ្យតួលេខរត់ខុសបន្ទាត់។

៣. វិធីសាស្ត្រធ្វើ OCR Post-Processing & Audit

ដំណើរការត្រួតពិនិត្យ និងកែលម្អគុណភាព OCR ៖

Enhance Image Quality ជាមុន ៖ ស្កេនក្នុងកម្រិតយ៉ាងតិច 300 DPI, កែតម្រូវភាពទ្រេត (Deskew), និងបង្កើន Contrast ស-ខ្មៅ។
ប្រើ AI ធ្វើ OCR Error Correction Prompt ៖ បញ្ជា AI ឱ្យអានអត្ថបទដែលទើប OCR រួច និងកែសម្រួលកំហុសវេយ្យាករណ៍ និងជើងអក្សរដែលរត់ខុស។
Math & Total Cross-Check ៖ ផ្ទៀងផ្ទាត់ផលបូកសរុប (Grand Total) ក្នុងតារាងឡើងវិញ ៖ បើផលបូកធាតុនីមួយៗមិនស្មើផលបូកសរុប បង្ហាញថាមានលេខណាមួយដែល OCR អានច្រឡំហើយ!

LIVE DOCUMENT LAB

សាកល្បងលំហូរការងារ Document Intelligence

READY

ជ្រើសរើសប្រភេទឯកសារ ដើម្បីមើលរបៀបដែល AI ជួយដំណើរការ ស្រង់ទិន្នន័យ និងពិនិត្យផ្ទៀងផ្ទាត់។

Low-Quality Scanned Invoice វិក្កយបត្រស្កេនស្រវាំង មានស្នាមជ្រីវជ្រួញ

Doc Intelligence Parse → Ground → Verify

Vision LLM Enhanced Extraction Corrected: $10,450.00 (Math Verified)

លទ្ធផលគំរូ ៖ Vision LLM ឆ្លាតវៃអានស្គាល់ទោះបីអក្សរស្រវាំង ព្រមទាំងគណនាផលបូកធាតុនីមួយៗផ្ទៀងផ្ទាត់ឃើញថា Grand Total ពិតគឺ $10,450.00 មិនមែន $10.450 ដូច Traditional OCR ឡើយ។

អនុវត្តជាក់ស្តែង ៖ សាកល្បង PROMPT គំរូ

សាកអនុវត្ត • DOCUMENT PROMPT ជាភាសាខ្មែរ

សូមដើរតួជា OCR Audit Specialist & Khmer Language Post-Processor ។ ខាងក្រោមនេះជាអត្ថបទដែលបានមកពីការស្កេន OCR នៃឯកសារ [បញ្ចូលអត្ថបទ OCR] ៖ ១. សូមធ្វើការសម្អាត និងកែសម្រួលកំហុសអក្ខរាវិរុទ្ធ ជើងអក្សរខ្មែរ និងតួអក្សរដែលរត់ខុសដោយសារ OCR ២. ពិនិត្យឡើងវិញនូវរាល់តួលេខ ផលបូក និងកាលបរិច្ឆេទ ៖ បញ្ជាក់ប្រសិនបើមានតួលេខណាគួរឱ្យសង្ស័យ ៣. បង្កើតអត្ថបទជាទម្រង់ Clean Markdown ដែលមានរចនាសម្ព័ន្ធ Heading និង Table ត្រឹមត្រូវ ៤. បង្កើតតារាង Discrepancy Log (អត្ថបទ OCR ដើម | អត្ថបទដែលបានកែតម្រូវ | ហេតុផល)។

ពិនិត្យការយល់ដឹង (Knowledge Check)

QUIZ ខ្លី

តើអ្វីជាការអនុវត្តល្អបំផុតក្នុងការធ្វើ OCR Audit លើឯកសារភាសាខ្មែរដែលមានតារាង?

ចម្លើយត្រឹមត្រូវ ៖ OCR លើភាសាខ្មែរ និងតារាងអាចមានបញ្ហាច្រឡំជើងអក្សរ ឬលេខក្បៀស ដូច្នេះចាំបាច់ត្រូវមានការធ្វើ OCR Audit ផ្ទៀងផ្ទាត់ឡើងវិញ។

ចំណុចគន្លឹះត្រូវចងចាំក្នុងមេរៀននេះ

Vision LLMs ជំនាន់ថ្មីយល់ Visual Context & Tables បានល្អជាង Traditional OCR បុរាណ។
ប្រយ័ត្នខ្ពស់លើជើងអក្សរខ្មែរ និងសញ្ញាក្បៀស/ចុចនៃតួលេខហិរញ្ញវត្ថុ។
តែងតែធ្វើ Math Cross-Check លើតារាងដើម្បីស្វែងរកលេខដែល OCR អានច្រឡំ។
ស្កេនឯកសារក្នុងកម្រិតយ៉ាងតិច 300 DPI និងកែភាពទ្រេត (Deskew) មុនរត់ OCR ។

MISSION COMPLETED